2023 میں کمپیوٹر سائنس میں سب سے بڑی دریافتیں | کوانٹا میگزین

2023 میں، مصنوعی ذہانت نے مقبول ثقافت پر غلبہ حاصل کیا - انٹرنیٹ میمز سے لے کر سینیٹ کی سماعتوں تک ہر چیز میں دکھائی دے رہا ہے۔ بڑے لینگویج ماڈلز جیسے کہ ChatGPT کے پیچھے والے اس جوش و خروش کو ہوا دیتے ہیں، یہاں تک کہ محققین نے اب بھی "بلیک باکس" کھولنے کے لیے جدوجہد کی جو ان کے اندرونی کام کو بیان کرتا ہے۔ امیج جنریشن کے نظام نے بھی اپنی فنکارانہ صلاحیتوں سے ہمیں معمول کے مطابق متاثر کیا اور بے چین کیا، پھر بھی ان کی بنیاد واضح طور پر رکھی گئی تھی۔ طبیعیات سے مستعار تصورات.

یہ سال کمپیوٹر سائنس میں بہت سی دوسری پیشرفت لے کر آیا۔ محققین نے میدان کے قدیم ترین مسائل میں سے ایک پر لطیف لیکن اہم پیش رفت کی، مشکل مسائل کی نوعیت کے بارے میں ایک سوال جسے "P بمقابلہ NP" کہا جاتا ہے۔ اگست میں، میرے ساتھی بین Brubaker اس بنیادی مسئلے کو دریافت کیا۔ اور اس سوال کا جواب دینے کے لیے کمپیوٹیشنل پیچیدگی کے نظریہ سازوں کی کوششیں: یہ سمجھنا کیوں مشکل ہے (ایک درست، مقداری معنوں میں) یہ سمجھنا کہ مشکل مسائل کو کیا مشکل بناتا ہے؟ "یہ ایک آسان سفر نہیں رہا ہے - راستہ غلط موڑ اور رکاوٹوں سے بھرا ہوا ہے، اور یہ بار بار اپنے آپ کو لوٹتا ہے،" بروبکر نے لکھا۔ "اس کے باوجود میٹا پیچیدگی کے محققین کے لئے، ایک غیر منقولہ زمین کی تزئین کا سفر اس کا اپنا انعام ہے۔"

سال بھی انفرادی ترقی کے زیادہ مجرد لیکن پھر بھی اہم ٹکڑوں سے بھرا ہوا تھا۔ شور کا الگورتھم، کوانٹم کمپیوٹنگ کی طویل عرصے سے وعدہ کردہ قاتل ایپ، نے اپنا پہلا اہم اپ گریڈ تقریبا 30 سال کے بعد. محققین نے آخر کار سیکھا کہ عام قسم کے نیٹ ورک کے ذریعے مختصر ترین راستہ کیسے تلاش کیا جائے۔ نظریاتی طور پر جتنا جلدی ممکن ہو۔. اور خفیہ نگاروں نے، AI سے ایک غیر متوقع تعلق قائم کرتے ہوئے دکھایا کہ کس طرح مشین لرننگ ماڈلز اور مشین سے تیار کردہ مواد کا بھی مقابلہ کرنا چاہیے۔ پوشیدہ خطرات اور پیغامات.

کچھ مسائل، ایسا لگتا ہے، ابھی تک حل کرنے کی ہماری صلاحیت سے باہر ہیں۔

50 سالوں سے، کمپیوٹر سائنس دانوں نے اپنے میدان میں سب سے بڑے کھلے سوال کو حل کرنے کی کوشش کی ہے، جسے "P بمقابلہ NP" کہا جاتا ہے۔ یہ پوچھتا ہے، تقریبا، کتنے مشکل کچھ مشکل مسائل ہیں. اور 50 سال سے ان کی کوششیں ناکامی پر ختم ہوئیں۔ کئی بار، جس طرح انہوں نے ایک نئے نقطہ نظر کے ساتھ پیش رفت کرنا شروع کی، انہوں نے ایک رکاوٹ کو نشانہ بنایا جس سے ثابت ہوتا ہے کہ یہ حربہ کبھی کام نہیں آئے گا۔ آخرکار، وہ سوچنے لگے کہ یہ ثابت کرنا اتنا مشکل کیوں ہے کہ کچھ مسائل مشکل ہیں۔ اس طرح کے باطنی سوالوں کے جواب دینے کی ان کی کوششیں ایک ذیلی فیلڈ کی شکل اختیار کر چکی ہیں، جسے میٹا کمپلیکسٹی کہا جاتا ہے، جس نے ابھی تک سوال میں سب سے بڑی بصیرت فراہم کی ہے۔

ایک اگست میں مضمون اور ایک مختصر دستاویزی ویڈیو, Quanta بالکل واضح کیا کہ ہم کیا جانتے ہیں، ہم اسے کیسے جانتے ہیں اور جب میٹا پیچیدگی کی بات آتی ہے تو ہم کیا معلوم کرنا شروع کر رہے ہیں۔ اس میں شامل محققین کا صرف تجسس ہی داؤ پر نہیں ہے: P بمقابلہ NP کو حل کرنا لاجسٹک مسائل کو حل کر سکتا ہے، تمام خفیہ نگاری کو موٹ بنا سکتا ہے، اور یہاں تک کہ اس بات کی حتمی نوعیت سے بات کر سکتا ہے کہ کیا معلوم ہے اور جو ہمیشہ کے لیے ہماری سمجھ سے باہر ہے۔

کافی چیزیں ایک ساتھ حاصل کریں، اور آپ حیران ہوسکتے ہیں کہ کیا ہوسکتا ہے۔ پانی کے مالیکیول لہریں بناتے ہیں، پرندوں کے جھنڈ جھپٹتے اور ایک کے طور پر بلند ہوتے ہیں، اور لاشعوری ایٹم زندگی میں مل جاتے ہیں۔ سائنس دان ان کو "ابھرتی ہوئی طرز عمل" کہتے ہیں اور انہوں نے ایسا کیا ہے۔ حال ہی میں ایک ہی چیز کو دیکھا بڑے لینگویج ماڈلز کے ساتھ ہوتا ہے - AI پروگرام جو انسانوں جیسی تحریر تیار کرنے کے لیے متن کے بے پناہ مجموعوں پر تربیت یافتہ ہیں۔ ایک خاص سائز تک پہنچنے کے بعد، یہ ماڈل اچانک غیر متوقع چیزیں کر سکتے ہیں جو چھوٹے ماڈل نہیں کر سکتے، جیسے کچھ ریاضی کے مسائل کو حل کرنا.

اس کے باوجود زبان کے بڑے ماڈلز میں دلچسپی کے اضافے نے نئے خدشات کو جنم دیا ہے۔ یہ پروگرام جھوٹ ایجاد کرتے ہیں سماجی تعصبات کا ارتکاب، اور سنبھالنے میں ناکام یہاں تک کہ انسانی زبان کے سب سے ابتدائی عناصر میں سے کچھ۔ مزید برآں، یہ پروگرام بلیک باکس بنے ہوئے ہیں، ان کی داخلی منطق نادانستہ ہے، حالانکہ کچھ محققین کے پاس ہے۔ اس کو تبدیل کرنے کے طریقے کے بارے میں خیالات.

کمپیوٹر سائنس دانوں کو طویل عرصے سے الگورتھم کے بارے میں معلوم ہے جو گرافس کے ذریعے وِز کر سکتے ہیں — کناروں سے جڑے ہوئے نوڈس کے نیٹ ورک — جہاں کنکشن کی کچھ قیمت ہوتی ہے، جیسے دو شہروں کو ملانے والی ٹول روڈ۔ لیکن کئی دہائیوں سے، وہ مختصر ترین راستے کا تعین کرنے کے لیے کوئی تیز الگورتھم نہیں ڈھونڈ سکے جب سڑک کی قیمت یا انعام ہو سکتا ہے۔ پچھلے سال کے آخر میں، محققین کی تینوں ایک قابل عمل الگورتھم فراہم کیا۔ یہ نظریاتی طور پر ممکن حد تک تیز ہے۔

پھر مارچ میں، محققین نے پوسٹ کیا ایک نیا الگورتھم جو اس بات کا تعین کر سکتا ہے کہ دو قسم کی ریاضی کی اشیاء جنہیں گروپس کے نام سے جانا جاتا ہے، قطعی طور پر ایک جیسے ہوتے ہیں۔ کام الگورتھم کا باعث بن سکتا ہے جو گروپوں (اور شاید دیگر اشیاء) کا زیادہ عام طور پر موازنہ کر سکتا ہے، ایک حیرت انگیز طور پر مشکل کام۔ دیگر بڑی الگورتھم خبروں میں اس سال کا ایک نیا طریقہ شامل ہے۔ بنیادی نمبروں کی کمپیوٹنگ بے ترتیب اور تعییناتی نقطہ نظر کو شامل کرکے، ایک دیرینہ قیاس کی تردید معلومات کے محدود الگورتھم کی کارکردگی کے بارے میں، اور ایک تجزیہ جو ظاہر کرتا ہے کہ ایک غیر فطری خیال کیسے کر سکتا ہے۔ کارکردگی کو بہتر بنائیں گریڈینٹ ڈیسنٹ الگورتھم، جو مشین لرننگ پروگرامز اور دیگر شعبوں میں ہر جگہ موجود ہیں۔

امیج بنانے والے ٹولز جیسے DALL·E 2 اس سال مقبولیت میں پھٹ گئے۔ انہیں صرف ایک تحریری اشارہ کھلائیں، اور وہ آپ کی درخواست کردہ ہر چیز کی عکاسی کرنے والے فن کی ایک جھانکی کو تھوک دیں گے۔ لیکن وہ کام جس نے ان میں سے زیادہ تر مصنوعی فنکاروں کو ممکن بنایا کئی سالوں سے پک رہا ہے۔. طبیعیات کے تصورات کی بنیاد پر جو پھیلنے والے سیالوں کو بیان کرتے ہیں، یہ نام نہاد ڈفیوژن ماڈل مؤثر طریقے سے سیکھتے ہیں کہ کس طرح بے ترتیب شور کو ایک تیز شبیہ میں تبدیل کرنا ہے - جیسے کہ کافی کے کپ پر گھڑی کو پیچھے موڑ کر دیکھا جائے کہ یکساں طور پر تقسیم شدہ کریم کو کنویں میں تبدیل کیا جائے۔ ڈیفائنڈ ڈولپ۔

اے آئی ٹولز بھی کامیاب رہے ہیں۔ موجودہ تصاویر کی وفاداری کو بہتر بنانا، اگرچہ ہم ابھی تک ایک پولیس اہلکار کے ٹی وی ٹراپ سے دور ہیں جو بار بار "بڑھائیں!" کا نعرہ لگا رہا ہے۔ ابھی حال ہی میں، محققین نے رجوع کیا ہے بازی کے علاوہ جسمانی عمل مشینوں کے لیے تصاویر بنانے کے نئے طریقے تلاش کرنے کے لیے۔ Poisson مساوات کے زیر انتظام ایک نیا نقطہ نظر، جو یہ بتاتا ہے کہ کس طرح برقی قوتیں فاصلے پر مختلف ہوتی ہیں، پہلے ہی غلطیوں سے نمٹنے کے لیے زیادہ قابل ثابت ہو چکی ہیں اور بعض صورتوں میں، ڈفیوژن ماڈلز کے مقابلے میں تربیت کرنا آسان ہے۔

کئی دہائیوں سے، شور کا الگورتھم کوانٹم کمپیوٹرز کی طاقت کا نمونہ رہا ہے۔ پیٹر شور کی طرف سے 1994 میں تیار کیا گیا، ہدایات کا یہ مجموعہ ایک ایسی مشین کو اجازت دیتا ہے جو کوانٹم فزکس کے نرالا استعمال کر کے بڑی تعداد کو ان کے بنیادی عوامل میں ایک باقاعدہ، کلاسیکی کمپیوٹر کے مقابلے میں زیادہ تیزی سے توڑ سکتی ہے - ممکنہ طور پر انٹرنیٹ کے زیادہ تر سیکیورٹی سسٹمز کو ضائع کر دیتی ہے۔ اگست میں، ایک کمپیوٹر سائنسدان اس سے بھی تیز تر تغیر پیدا کیا۔ شور کے الگورتھم کا، اس کی ایجاد کے بعد پہلی نمایاں بہتری۔ شور نے کہا، "میں نے سوچا ہوگا کہ اس بنیادی خاکہ کے ساتھ کام کرنے والا کوئی بھی الگورتھم برباد ہو جائے گا۔" "لیکن میں غلط تھا۔"

اس کے باوجود عملی کوانٹم کمپیوٹرز ابھی تک پہنچ سے باہر ہیں۔ حقیقی زندگی میں، چھوٹی چھوٹی غلطیاں تیزی سے اضافہ کر سکتی ہیں، حساب کو برباد کر سکتی ہیں اور کوانٹم فوائد چھین سکتی ہیں۔ دراصل، گزشتہ سال کے آخر میں، کمپیوٹر سائنسدانوں کی ایک ٹیم سے ظاہر ہوا کہ ایک مخصوص مسئلے کے لیے، ایک کلاسیکل الگورتھم تقریباً اسی طرح ایک کوانٹم بھی کرتا ہے جس میں غلطیاں شامل ہوتی ہیں۔ لیکن امید ہے: اگست میں کیے گئے کام نے ظاہر کیا کہ کچھ غلطی کو درست کرنے والے کوڈز، جنہیں کم کثافت برابری چیک کوڈز کہا جاتا ہے، کم از کم 10 گنا زیادہ موثر موجودہ معیار کے مقابلے میں۔

خفیہ نگاری اور مصنوعی ذہانت کے چوراہے پر ایک غیر معمولی دریافت میں، کمپیوٹر سائنسدانوں کی ایک ٹیم دکھایا کہ یہ ممکن تھا مشین لرننگ ماڈلز میں کچھ ایسے پچھلے دروازے داخل کرنے کے لیے جو عملی طور پر پوشیدہ تھے، ان کی ناقابل شناخت ہونے کا بیک اپ اسی منطق سے حاصل کیا جاتا ہے جیسا کہ بہترین جدید خفیہ کاری کے طریقے۔ محققین نے نسبتاً سادہ ماڈلز پر توجہ مرکوز کی، اس لیے یہ واضح نہیں ہے کہ آیا آج کی زیادہ تر AI ٹیک کے پیچھے زیادہ پیچیدہ ماڈلز کے لیے بھی یہی بات درست ہے۔ لیکن نتائج مستقبل کے نظاموں کے لیے ایسے حفاظتی خطرات سے بچنے کے طریقے تجویز کرتے ہیں، جبکہ اس بات میں بھی نئی دلچسپی کا اشارہ دیتے ہیں کہ دونوں شعبے ایک دوسرے کو بڑھنے میں کس طرح مدد کر سکتے ہیں۔

اس قسم کے سیکیورٹی مسائل اس کی وجہ ہیں۔ سنتھیا روڈن مشین لرننگ الگورتھم کے اندر کیا ہو رہا ہے اس کو بہتر طور پر سمجھنے کے لیے قابل تشریح ماڈلز کا استعمال کرتے ہوئے کامیابی حاصل کی ہے۔ محققین پسند کرتے ہیں یایل تومان کلائیاس دوران، کوانٹم ٹکنالوجی کی ترقی کے باوجود، سیکورٹی اور رازداری کے ہمارے تصورات کو آگے بڑھایا ہے۔ اور سٹیگنوگرافی کے متعلقہ شعبے میں نتیجہ پیغام کو چھپانے کا طریقہ دکھایا مشین سے تیار کردہ میڈیا کے اندر کامل سیکیورٹی کے ساتھ۔

جتنا طاقتور AI بن گیا ہے، مصنوعی عصبی نیٹ ورکس جو زیادہ تر جدید نظاموں کو زیر کرتے ہیں دو خامیوں کا اشتراک کرتے ہیں: انہیں تربیت دینے اور چلانے کے لیے بے پناہ وسائل کی ضرورت ہوتی ہے، اور ان کے لیے ناقابل شناخت بلیک باکس بننا بہت آسان ہے۔ بہت سے محققین کا کہنا ہے کہ شاید اس کا وقت ہے۔ ایک اور نقطہ نظر. انفرادی خصلتوں یا خصوصیات کا پتہ لگانے والے مصنوعی نیوران استعمال کرنے کے بجائے، AI نظام ہائپر ڈائمینشنل ویکٹرز کی لامتناہی تغیرات کے ساتھ تصورات کی نمائندگی کر سکتے ہیں - ہزاروں نمبروں کی صفیں۔ یہ نظام غلطیوں کو سنبھالنے کے لیے زیادہ ہمہ گیر اور بہتر طور پر لیس ہے، اس کے حسابات کو کہیں زیادہ موثر بناتا ہے، اور یہ محققین کو ان خیالات اور رشتوں کے ساتھ براہ راست کام کرنے کی اجازت دیتا ہے جن پر یہ ماڈل غور کرتے ہیں، جس سے انھیں ماڈل کے استدلال میں زیادہ بصیرت ملتی ہے۔ Hyperdimensional کمپیوٹنگ ابھی بھی اپنے ابتدائی دور میں ہے، لیکن جیسے جیسے یہ بڑے امتحانات میں پڑتی ہے، ہم دیکھ سکتے ہیں کہ نیا طریقہ کار پکڑنا شروع کر دیتا ہے۔