කෘත්රීම බුද්ධිය (AI) ක්ෂේත්රයේ නවතම සංවාදයක් ලිකුඩ් නියුරල් ජාල (Liquid Neural Networks – LNN) ගැනයි. විශාල පරාමිතීන් ගණනාවක් සමඟ වැඩ කරන ලාන්බ්ඩ් ලැංග්වෙජ් මොඩල් (LLM) වඩා, LNN ගණිතමය සූත්රයන් මගින් පවතින ලෝකයේ අඛණ්ඩ, ගැලපෙන තත්ත්වයන්ට ඉක්මනින් අනුවාදනය වේ.
LLM ගොඩනැගීමේදී, පරාමිතීන් (parameters) ගණනාවක් එක්ක තීරණාත්මක ටෝකන (tokens) එකතු කරයි. එයට එරෙහිව, LNN ගොඩනැගීමේදී පරාමිතීන් ස්ථිරව තබා, නියුරෝන් එකක්ගේ "දෘශ්ය කාල ස්ථායීතාව" (time constant) ඉන්පුට් සහ පවතින තත්ත්වය අනුව දිනෙන් දින වෙනස් වේ. මෙයින් මොළය වගේම, රොබෝවල, සංවේදක වල, හා අනියම් කාලීන දත්ත වලින් පවතින ගැලපෙන ගැටලු විසඳීමට LNN සුවිශේෂී වේ.
උදාහරණයක් ලෙස, LNN තුළ නියුරෝන්ගේ තත්ව වෙනස්වීමේ සූත්රය මෙසේ ලියයි: dh(t)/dt = -h(t)/τ(x(t),h(t)) + f(W·h(t) + U·x(t) + b). මෙහි τ(x(t),h(t)) යනු ඉන්පුට් හා තත්වය අනුව ගතිශීලීව වෙනස් වන කාල ස්ථායීතාවයයි. මෙය LLM ගොඩනැගීමේදී භාවිතා වන ස්ථිර ට්රාන්ස්ෆෝමර් ආකෘතියට වඩා බොහෝ වෙනස්කම් ගෙන එයි.
ඒ නිසා, LNN කාර්යභාරය කරන්නේ තාරකාත්මක බර (weights) වෙනස් කිරීම නොව, නියුරෝන්ගේ ගමන් මාර්ගය හා වේගය ඉන්පුට් අනුව සකස් කිරීමයි. තොරතුරු ශබ්ද සහිතව හෝ අස්ථිරව පවතින විට, නියුරෝන් තාවකාලිකව ගමන අඩු කරමින් ශබ්දය නිරෝධායනය කරයි. මෙය අඩු පරිමාවක පරිගණක ශක්තියෙන් ඉතා සංකීර්ණ භෞතික ගණිත ගැටළු විසඳීමට ඉඩ සලසයි.
ශ්රී ලංකාවට ඇති වැදගත්කම
- සිසුන් හා පර්යේෂකයන් – LNN මගින් කඩිනම් කාලීන දත්ත විශ්ලේෂණය කළ හැකි බැවින්, විද්යාත්මක පර්යේෂණ, රෝග විශ්ලේෂණ, හා පරිසර නිරීක්ෂණය වැනි ක්ෂේත්රයන්ට නව අවස්ථා ලැබේ.
- සොෆ්ට්වේයා සංවර්ධකයින් – LNN හි පරාමිතීන් අඩු බැවින්, ඒවා මයික්රොකන්ට්රෝලර්, ඩ්රෝන්, හා IoT උපාංගවලට සෘජු ලෙස රූපකලනය කළ හැකිය. මෙය ශ්රී ලංකාවේ ස්ථානාධාරිත තාක්ෂණ නිර්මාණයට විශාල උදව් වේ.
- ව්යාපාරිකයන් – කාර්යාලීය සම්පත් අවශ්යතා අඩු කරමින්, රියල්-ටයිම් පූර්ව අනාවැකි, නිෂ්පාදන පාලනය, හා ගනුදෙනුකරු හැසිරීම් විශ්ලේෂණය වැනි ව්යාපාරික ක්රියාකාරකම් සඳහා LNN භාවිතා කළ හැකිය.
අවසානයේ, LLM ගොඩනැගීමේ විශාල පරිමාණය අභියෝගයක් වුවද, LNN කුඩා, වේගවත්, හා ශක්තිමත් AI විසඳුමක් ලෙස ඉදිරියට පෙනේ. ශ්රී ලංකාවේ තාක්ෂණික පරිසරය මේ නව ආකෘතියෙන් ලාභ ලබන තුරු, අපට ඉදිරියට පියවර ගත යුතුය.
