MIT ၏ ကွန်ပျူတာ သိပ္ပံနှင့် လုပ်ရပ်မူရင်းအကြောင်းအရာပညာထုစက် (CSAIL) သုတေသနအသင်းမှ ဦးစီးသည့် မြန်မာ့အာရုံကြော လန်းထိုးမလှုပ်ရှားမှုများမှ ပြုစုပြင်ထားတဲ့ လူနာတုဘေးနိမိတ်မော်ဒယ်အကြောင်းအသစ်တစ်ခုဖန်တီးခဲ့ပြီး များစွာကောင်းမွန်သော မျက်နှာစာရှည်သောဒေတာများကို ကိုင်တွယ်ဖိုလ်မယ့်စက္မႈသင်ကြားမှုအလောအယံများကိုမြှင့်တင်နိုင်စေသည်။ AIစနစ်များသည် ရှည်လျားသောအချိန်ကာလများအတွင်း ပျင်းရပ်များအပါအဝင် ရုပ်ပြများ၊ အသားပေးအချက်အလက်များ သို့မဟုတ် ငွေကြေးဒေတာများကို ပွင့်လင်းစွာစမ်းသပ်ရန် ခက်ခဲသိုင့်လာသည်။ လတ်တလောတွင် "state-space models" ဟုခေါ်သော AI မော်ဒယ်အတန်းအနား သည် ယင်းလိုစဉ်ကာလအပေါ် အရမ်းထိရောက်စွာစူးစမ်းနိုင်ရန် ဖန်တီးခဲ့သည်။ သို့သော်လည်း၊ မော်ဒယ်များသည်ရှည်လျားသော စဉ်ကဏ္ဍများအတွက် မတည်ငြိမ်မှု သို့မဟုတ် ကြီးမားသောကြော်ငြာစနစ်လိုအပ်ချက်များကြောင့် ဒုတိယအကြိမ်ကြုံနေရသည်။ ဤကန့်သတ်ချက်များကို ဖြေရှင်းရန် CSAIL သုတေသနလုပ်သားများ T.

Konstantin Rusch နှင့် Daniela Rus မှ “linear oscillatory state-space models”(LinOSS) ဟုအမည်ပေးသော မော်ဒယ်တစ်ခုကို မိတ်ဆက်ခဲ့ပြီး ပညာရပ်ဆိုင်ရာ စွမ်းအားရှိသော လုပ်ငန်းများကို საგဘံအတွက် သီးသန့်လုပ်နိုင်စေသည်။ ယင်းမော်ဒယ်သည် မူလက ထောက်ခံသော harmonic oscillators (ဘောမီပညာ၏ သဘောတရားတစ်ခုဖြစ်သည်) ကဲ့သို့သော အံ့သြစွာအာရုံစိုက်သော စိတ်ဝင်စားမှုရှိသည်။ ထိုနည်းလမ်းသည် မော်ဒယ်ပရမီတာများအပေါ် မျှတသော ကန့်သတ်ချက်များမထားဘဲ ထိုင်သည့် သုံးစွဲမှု ပိုမိုကျယ်ပြန့်စေသည်။ “မူလက လူ့အာရုံကြောစနစ်များတွင် ရှိသော တည်ငြိမ်မှုနှင့် ထိပ်တန်းစွမ်းရည်အား မျက်မှောက်အောင်မြင်ကာ Machine Learning ဖွဲ့စည်းမှုအတွင်း ပြန်လည်မြှင့်တင်နိုင်ရေးကို ငါတို့ရည်ရွယ်ခဲ့ပါသည်” ဟု Rusch သည်ပြောကြားသည်။ “LinOSS သည် တစ်ရာစမ်းအတွင်းမှာ တည်ငြိမ်စွာ လုပ်ဆောင်နိုင်သည့် ရှည်လျားသောနယ်ပယ်အကြား ဆက်စပ်မှုကို မည်သည့်စနစ်များမျှ မဆို လေ့လာနိုင်စေသည်။” LinOSS ၏ ထူးခြားချက်မှာ ယင်းအနေနဲ့ ထင်ရှားသော မော်ဒယ်များထက် ပိုမိုလုံလုံလောက်လောက်သာအာမခံချက်များလိုအပ်စွာ တည်ငြိမ်သော ခန့်မှန်းချက်များကို ထိန်းသိမ်းနိုင်သည်။ ထို့အပြင် မျိုးစုံအခက်အခဲသော အကြံပေးစိတ်ပန်းပိုင် ပုံစံများအပေါ် ယုံကြည်စိတ်ချနိုင်သော ထုံးစံအဖြစ် မော်ဒယ်၏ နိုင်ငံဂုဏ်သက္ခတ်ပါကြောင်း သုတေသနအသင်းအဖွဲ့သည် သာမန်မဟုတ်နိုင်ငံအနက် မည်တွင်မဆို အသုံးပြုနိုင်သော စနစ်လုပ်ဆောင်နိုင်မှုကို မသေချာစေခဲ့သည်။ စမ်းသပ်ချက်များမှာ LinOSS သည် များစွာသော အခက်အခဲရှိသော လိုက်လံစိတ်ကြိုက်အကြောင်းအရာအသေးစိတ်ဖော်ပြခြင်းနှင့် ပိုမိုခက်ခဲသောအချိန်ကြာမြင့်စွာ လဲလှယ်ခြင်းမှာ ထိပ်တန်းမော်ဒယ်များထက် အမြဲတမ်း ကောင်းမွန်စွာအကောင်အထည်ဖော်နိုင်ကြောင်း ပြသခဲ့သည်။ ထူးခြားစွာရေးမည်မလားဆိုပါက LinOSS သည် မျှဝေမှုအလွန်အသုံးစွဲသော Mamba မော်ဒယ်ထက် ခန့်ထားနိုင်သည့် ခုနစ်ကြိမ်နှစ်သိမ့်အောင်စွမ်းရည်အထိ လုပ်ဆောင်နိုင်သည်။ ထိုသုတေသနကို ၂၀၂၅ ခုနှစ် ICLR သာမက ဂုဏ်ယူစရာအချိန်မှာ ပြသသည့်အခါ ဂုဏ်ယူစရာဖြစ်ပြီး ထိုအလားအလာကို အခါ့အမည်ရသော Top 1 Percent တွင်ဖြစ်သည်ဟု သတ်မှတ်ကြသည်။ MIT အဖွဲ့သည် LinOSS သည် ကျန်းမာရေးအကဲခြဏ်တိုင်းစနစ်များ၊ ရာသီဥတုသိပ္ပံ၊ သတင်းအချက်အလက်များနဲ့ ကိုယ့်လမ်းအသုံးများ၊ ငြိမ်းချမ်းမှုအတွက် မော်တော်ယာဉ်များနှင့် ငွေပေါက်ခန့်မှန်းခြန်းများကဲ့သို့ နယ်ပယ်အမျိုးမျိုးတွင် ထိရောက်မှုကြီးမားမည်ဟု မျှော်လင့်ကြသည်။ “ဤလုပ်ငန်းအကြောင်းဘာသာစကားဆိုင်ရာခိုင်မာမှုသည် ပရိုဂျက်များမှ သီးခြားအကန့်အသတ်များကို မပါမူ များစွာသောပညာရှင်များ၏အကောင်အထည်ဖော်မှုအတွက် ကြီးမားသောအကျိုးအတွက် အစီအစဉ်ကို ရေးဆွဲနိုင်သည်” ဟု Rus သည် မှတ်တမ်းတင်ပြောကြားသည်။ “LinOSS နှင့်အတူ ငါတို့ပေးထားသည့် သိပ္ပံပညာရှင်အဖွဲ့အတွက် လုပ်ဆောင်နိုင်ပြီး စနစ်များကို ကောင်းမွန်စွာနားလည်ခြင်းနှင့်ခန့်မှန်းနိုင်မည့် အထောက်အထားကုသိုလ်အပါအဝင် အားသာချက်များကို ပံ့ပိုးပေးပါသည်။ လူ့အသိပညာနှင့်စက်မှုအကြားကွန်ယက်တစ်ခုကို တိုးတက်စေမည်။”