यह विशेष डोमेन के लिए बड़ी भाषा के मॉडल भ्रम के अनुकूल होने के लिए चुनौतीपूर्ण है, विशेष रूप से उन क्षेत्रों में जिन्हें स्थानिक तर्क और संरचित समस्याओं की आवश्यकता होती है, हालांकि वे जटिल तर्क के विशेषज्ञ हैं। सेमीकंडक्टर लेआउट डिज़ाइन एक महत्वपूर्ण उदाहरण है, जहां एआई टूल को एक ज्यामितीय बाधा की व्याख्या करनी चाहिए और एक विशिष्ट घटक प्लेसमेंट सुनिश्चित करना चाहिए। शोधकर्ता एलएलएमएस के डोमेन-विशिष्ट जीनोलेज को प्रभावी ढंग से संसाधित करने और लागू करने के लिए उन्नत एआई आर्किटेक्चर विकसित कर रहे हैं।
आमतौर पर इच्छित LLMS की मुख्य सीमा सैद्धांतिक Jn Knoweltge को व्यावहारिक समाधानों में बदलने में उनकी अक्षमता है। जबकि ये मॉडल तकनीकी अवधारणाओं को सटीक रूप से परिभाषित कर सकते हैं, वे अक्सर वास्तविक दुनिया के कार्यों को हल करते समय विफल होते हैं जिन्हें स्थानिक तर्क और संरचनात्मक तर्क की आवश्यकता होती है। सेमीकंडक्टर लेआउट डिजाइन में, एआईए को वीआईए, धातु परतों और सर्किट घटकों की सटीक प्लेसमेंट सुनिश्चित करने के लिए पाठ-आधारित जेएन ज्ञान से आगे बढ़ना चाहिए। कुछ ज्यामितीय संबंधों के बिना, गलतफहमी या गलत दूरी के कारण लेआउट डिजाइन विफल हो सकता है। वर्तमान मॉडल को अक्सर मानव सुधार के कई दौर की आवश्यकता होती है, जिससे उनकी तैनाती अक्षम हो जाती है।
डोमेन-विशिष्ट अनुप्रयोगों के लिए एलएलएम की अनुकूलनशीलता में सुधार के लिए कुछ दृष्टिकोण विकसित किए गए हैं। फाइन-ट्यूनिंग में डोमेन-विशिष्ट डेटा के साथ प्रशिक्षण एलएलएम शामिल है, लेकिन यह प्रक्रिया समय-गहन है और इसके लिए महत्वपूर्ण गणना संसाधनों की आवश्यकता होती है। रिकवरी-जीन जीन गैंटेड जेनरेशन (आरएजी) को एलएलएम आउटपुट का मार्गदर्शन करने के लिए एक बाहरी जे ज्ञान प्राप्त होता है, लेकिन यह पूरी तरह से संरचित समस्या से संबंधित चुनौतियों पर ध्यान नहीं देता है। इन-कंटेंट एजुकेशन कार्य-विशिष्ट उदाहरण प्रदान करके एलएलएम लॉजिक को मार्गदर्शन करने में मदद करता है, हालांकि यह स्थानिक तर्क सीमाओं को समाप्त नहीं करता है। ये विधियाँ अतिरिक्त उन्नयन प्रदान करती हैं, लेकिन ज्यामितीय तर्क की आवश्यकता वाले अनुप्रयोगों के लिए एक व्यापक उपाय देने में विफल रहती हैं।
आईबीएम टीजे वाटसन रिसर्च सेंटर और एमआईटी-आईबीएम वाटसन एआई लैब के शोधकर्ताओं ने डोमेन-विशिष्ट अनुकूलनशीलता को बढ़ाने के लिए एक न्यूरो-प्रेरित एलएलएम लॉजिक नेटवर्क पेश किया। पारंपरिक दृष्टिकोणों के विपरीत, सोलोमन एक मल्टी-एजेंट लॉजिक सिस्टम को नियुक्त करता है जो गतिशील स्थानिक बाधा और ज्यामितीय संबंधों को संसाधित करता है। फ्रेमवर्क आउटपुट को दोहराने के लिए मूल्यांकन विधियों को एकीकृत करता है, समस्या को हल करने की सटीकता में सुधार करता है। सोलोमन एलएलएम-जनित समाधानों का मार्गदर्शन करने के लिए शीघ्र इंजीनियरिंग तकनीकों का लाभ देता है, जिससे इसे न्यूनतम रिट्रेनिंग के साथ अर्धचालक लेआउट कार्यों में स्वीकार किया जा सकता है।
सोलोमन की वास्तुकला तंत्रिका विज्ञान से प्रेरित है और इसमें मुफ्त ऊर्जा शून्य सिद्धांत शामिल है, जो अपेक्षित और मनाया परिणामों के बीच विसंगतियों को कम करके उत्कृष्ट तर्क है। फ्रेमवर्क में तीन प्राथमिक तत्व शामिल हैं: आइडिया जनरेटर, आइडिया असेसमेंट और स्टीयरिंग सबसिस्टम। जटिल कार्यों के लिए समाधान की एक विस्तृत श्रृंखला सुनिश्चित करके, विचार जनरेटर कई तर्क पथों का उत्पादन करने के लिए विभिन्न एलएलएम का उपयोग करता है। विचार मूल्यांकनकर्ता इस आउटपुट का मूल्यांकन करता है, सबसे तार्किक और संरचित दृष्टिकोण का चयन करता है। स्टीयरिंग सबसिस्टम शोधकर्ताओं को अधिक सटीक डोमेन अनुकूलन, गतिशील रूप से बेहतर उद्देश्यों को सक्षम करने की अनुमति देता है। फाइन-ट्यूनिंग के विपरीत, इस वास्तुकला को निरंतर पुनर्व्यवस्था की आवश्यकता नहीं होती है, जिससे यह विशिष्ट अनुप्रयोगों के लिए अधिक कुशल हो जाता है।
शोधकर्ताओं ने सोलोमन की प्रभावशीलता का मूल्यांकन करने के लिए 25 सेमीकंडक्टर लेआउट कार्यों पर प्रयोग किया। इस ढांचे की तुलना पांच बेसलाइन एलएलएम के साथ की गई थी, जिसमें जीपीटी -4O, क्लाउड -3.5 -onn नट और लालमा -3 मॉडल शामिल हैं। प्रत्येक कार्य ने स्थानिक सटीकता को बनाए रखते हुए ज्यामितीय रचनाओं का उत्पादन करने के लिए मॉडल की क्षमता का मूल्यांकन किया। सोलोमन ने रनटाइम त्रुटियों और स्केलिंग की अशुद्धि को कम करने में सुधार दिखाया। फ्रेमवर्क बेहतर स्थानिक तर्क क्षमताओं को प्रदर्शित करता है, प्लेसमेंट परिशुद्धता में सुधार करता है, और उत्पन्न डिजाइन में त्रुटियों को कम करता है। सोलोमन पैटर्न भी कई परीक्षण श्रेणियों में O1-preview से मेल खाते हैं या उससे अधिक हैं, जिसमें क्लाउड-आधारित सोलोमन कुछ जटिल कार्यों में दृढ़ता से प्रदर्शन करता है।
सोलोमन का मुख्य लाभ ज्यामितीय डिजाइन में तार्किक विसंगतियों और अंकगणितीय त्रुटियों को ठीक करने की क्षमता है। विचार का आकलन करने वाले पारंपरिक एलएलएम पिछले दोहरावों का विश्लेषण करके, सामान्य भ्रम के मुद्दों को कम करके उत्पन्न लेआउट में लगातार सुधार करते हैं। सिस्टम प्रभावी रूप से गलत व्याख्या को कम करता है और एआई-जनित डिजाइन की विश्वसनीयता को बढ़ाता है। सोलोमन लगातार और सटीक आउटपुट सुनिश्चित करके, अस्पष्ट लेआउट विनिर्देशों के साथ प्रस्तुत किए जाने पर कई एलएलएम में लॉजिक को सिंक्रनाइज़ करता है। पदानुक्रमित मूल्यांकन विधियों को शामिल करके, संरचना एआई-संचालित डिजाइन सटीकता में काफी सुधार करती है।
यह मॉडल के आकार को बढ़ाने के बजाय एलएलएम लॉजिक क्षमता में वृद्धि के महत्व पर प्रकाश डालता है। सोलोमन एआई को डोमेन-विशिष्ट समस्या को हल करने के लिए एआई को लागू करने के लिए एक संरचित और कुशल दृष्टिकोण प्रदान करता है, विशेष रूप से अर्धचालक लेआउट डिजाइन में। भविष्य के अनुसंधान अन्य इंजीनियरिंग अनुप्रयोगों में ढांचे का विस्तार करने, मल्टीमॉडल लॉजिक क्षमताओं में सुधार करने और एआई निर्णय-निर्धारण को बढ़ाने के लिए बार-बार शिक्षा के तरीकों को शुरू करने पर ध्यान केंद्रित करेंगे। सोलोमन की शुरूआत वास्तविक दुनिया के औद्योगिक शिथिलता चुनौतियों के लिए अधिक सटीक, अनुकूली और प्रभावी के लिए एआई-आधारित उपकरणों को प्रभावी बनाने में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करती है।
जाँच करना कागज़। इस शोध के लिए सभी श्रेय इस परियोजना के शोधकर्ताओं को जाते हैं। इसके अलावा, हमें फॉलो करने के लिए स्वतंत्र महसूस करें ट्विटर और हमसे जुड़ने के लिए मत भूलना 75 k+ ml सबमिटेड।
। अनुशंसित ओपन-सीरस एआई प्लेटफॉर्म: ‘इंटेलिजेंट एक ओपन सोर्स मल्टी-एजेंट फ्रेमवर्क है जो जटिल वार्तालाप एआई सिस्टम का मूल्यांकन करता है” (बिस्तर)
निखिल मार्केटकपोस्ट में एक इंटर्न कंसल्टेंट है। वह खड़गपुर में भारतीय संगठन की प्रौद्योगिकी में सामग्री में दोहरी डिग्री प्राप्त कर रहा है। निखिल एआई/एमएल उत्साही है जो हमेशा बायोमेट्रियल और बायोमेडिकल विगल्स जैसे क्षेत्रों में आवेदन पर शोध करता है। भौतिक अभिव्यक्ति में एक मजबूत पृष्ठभूमि के साथ, वह नई प्रगति और योगदान की संभावना की तलाश कर रहा है।
✅ (अनुशंसित) हमारे टेलीग्राम चैनल में शामिल हों
