مدل سازی روابط برای حل موثر مسائل پیچیده

فردریش نیچه، فیلسوف آلمانی، زمانی گفت: «رشته‌های نامرئی قوی‌ترین پیوندها هستند». می‌توان «رشته‌های نامرئی» را به‌عنوان چسباندن اشیاء مرتبط، مانند خانه‌ها، در نظر گرفت روی مسیر راننده تحویل، یا موجودیت های مبهم تر، مانند تراکنش در یک شبکه مالی یا کاربران در یک شبکه اجتماعی.

دانشمند کامپیوتر جولیان شون این نوع اتصالات چند وجهی اما اغلب نامرئی را با استفاده از نمودارها مورد مطالعه قرار می دهد، جایی که اشیاء به صورت نقاط یا رئوس نشان داده می شوند و روابط بین آنها توسط قطعات خط یا یال ها مدل می شود.

شون، دانشیار تازه منصب در دپارتمان مهندسی برق و علوم کامپیوتر، الگوریتم های نموداری را طراحی می کند که می تواند برای یافتن کوتاه ترین مسیر بین خانه ها استفاده شود. روی مسیر راننده تحویل یا شناسایی تراکنش های تقلبی انجام شده توسط عوامل مخرب در یک شبکه مالی.

اما با افزایش حجم داده ها، چنین شبکه هایی به میلیاردها یا حتی تریلیون ها شی و اتصال افزایش یافته اند. برای یافتن راه‌حل‌های کارآمد، Shun الگوریتم‌هایی با کارایی بالا ایجاد می‌کند که از محاسبات موازی برای تجزیه و تحلیل سریع حتی عظیم‌ترین نمودارها استفاده می‌کند. از آنجایی که برنامه نویسی موازی بسیار دشوار است، او همچنین چارچوب های برنامه نویسی کاربرپسند را توسعه می دهد که نوشتن الگوریتم های گراف کارآمد را برای دیگران آسان تر می کند.

«اگر در یک موتور جستجو یا شبکه اجتماعی به دنبال چیزی هستید، می‌خواهید خیلی سریع به نتایج خود برسید. اگر می‌خواهید تراکنش‌های مالی تقلبی را در بانک شناسایی کنید، می‌خواهید این کار را در زمان واقعی انجام دهید تا خسارات را به حداقل برسانید. شون، که محقق اصلی در آزمایشگاه علوم کامپیوتر و هوش مصنوعی (CSAIL) نیز هست، توضیح می‌دهد که الگوریتم‌های موازی می‌توانند با استفاده از منابع محاسباتی بیشتر، کارها را سرعت بخشند.

چنین الگوریتم هایی اغلب در سیستم های توصیه آنلاین استفاده می شوند. جستجوی یک محصول روی یک وب‌سایت تجارت الکترونیک و احتمال دارد که به سرعت فهرستی از موارد مرتبط را که می‌توانید به سبد خرید خود نیز اضافه کنید، مشاهده خواهید کرد. این فهرست با کمک الگوریتم‌های نموداری ایجاد می‌شود که از موازی‌سازی برای یافتن سریع آیتم‌های مرتبط در شبکه عظیمی از کاربران و محصولات موجود استفاده می‌کنند.

اتصالات پردیس

در دوران نوجوانی، تنها تجربه شون با کامپیوتر، کلاس دبیرستان بود روی ساخت وب سایت ها او که بیشتر به ریاضیات و علوم طبیعی علاقه مند بود تا فناوری، زمانی که در دانشگاه کالیفرنیا در برکلی در مقطع کارشناسی ثبت نام کرد، قصد داشت در یکی از این موضوعات تحصیل کند.

اما در سال اول، یکی از دوستان به او توصیه کرد که یک کلاس مقدماتی در رشته علوم کامپیوتر داشته باشد. در حالی که مطمئن نبود چه انتظاری داشته باشد، تصمیم گرفت ثبت نام کند.

من عاشق برنامه نویسی و طراحی الگوریتم ها شدم. او به یاد می آورد که من به علوم کامپیوتر روی آوردم و هرگز به عقب نگاه نکردم.

آن دوره اولیه علوم کامپیوتر به صورت مستقل برگزار شد، بنابراین شون بیشتر مطالب را به خود آموزش داد. او از جنبه های منطقی توسعه الگوریتم ها و حلقه بازخورد کوتاه مسائل علوم کامپیوتر لذت می برد. Shun می‌توانست راه‌حل‌های خود را در رایانه وارد کند و فوراً ببیند که آیا درست است یا نه. و اشتباه در راه حل های اشتباه او را به سمت پاسخ درست هدایت می کند.

من همیشه فکر می کردم که ساختن چیزها سرگرم کننده است، و در برنامه نویسی، شما در حال ساخت راه حل هایی هستید که کار مفیدی انجام می دهند. این برای من جذابیت داشت.» او می افزاید.

پس از فارغ التحصیلی، شون مدتی را در صنعت گذراند اما به زودی متوجه شد که می‌خواهد شغلی آکادمیک را دنبال کند. در یک دانشگاه، او می‌دانست که این آزادی را خواهد داشت تا مشکلاتی را که برایش جالب بود، مطالعه کند.

ورود به نمودارها

او به عنوان دانشجوی فارغ التحصیل در دانشگاه کارنگی ملون ثبت نام کرد و در آنجا تحقیقات خود را متمرکز کرد روی الگوریتم های کاربردی و محاسبات موازی

در مقطع کارشناسی، شون کلاس های الگوریتم های نظری و دوره های برنامه نویسی عملی را گذرانده بود، اما این دو دنیا به هم متصل نشدند. او می خواست تحقیقاتی را انجام دهد که نظریه و کاربرد را با هم ترکیب کند. الگوریتم های موازی کاملاً مناسب بودند.

«در محاسبات موازی، شما باید به کاربردهای عملی اهمیت دهید. هدف از محاسبات موازی افزایش سرعت کارها در زندگی واقعی است، بنابراین اگر الگوریتم های شما در عمل سریع نیستند، آنقدرها هم مفید نیستند.

در Carnegie Mellon، او با مجموعه داده های نموداری آشنا شد، جایی که اشیاء در یک شبکه به عنوان رئوس متصل شده توسط یال ها مدل می شوند. او احساس می کرد به کاربردهای فراوان این نوع مجموعه داده ها و مشکل چالش برانگیز توسعه الگوریتم های کارآمد برای رسیدگی به آنها جلب شده است.

پس از اتمام دوره فوق دکتری در برکلی، شون به دنبال یک موقعیت هیئت علمی بود و تصمیم گرفت به MIT بپیوندد. او با تعدادی از اعضای هیئت علمی MIT همکاری می کرد روی تحقیقات محاسباتی موازی، و برای پیوستن به موسسه ای با چنین وسعت تخصص هیجان زده بودم.

در یکی از اولین پروژه های خود پس از پیوستن به MIT، شون با استاد دپارتمان مهندسی برق و علوم کامپیوتر و یکی از اعضای CSAIL، سامان آماراسینگه، متخصص پیوست. روی زبان های برنامه نویسی و کامپایلرها، برای توسعه یک چارچوب برنامه نویسی برای پردازش گراف معروف به GraphIt. این چارچوب با کاربری آسان، که کد کارآمد را از مشخصات سطح بالا تولید می‌کند، تقریباً پنج برابر سریع‌تر از بهترین رویکرد بعدی عمل کرد.

“این یک همکاری بسیار پربار بود. اگر خودم کار می کردم، نمی توانستم راه حلی به این قدرتمندی ایجاد کنم.

Shun همچنین تمرکز تحقیقاتی خود را گسترش داد و الگوریتم‌های خوشه‌بندی را نیز در بر گرفت، که به دنبال گروه‌بندی نقاط داده مرتبط با هم هستند. او و دانش‌آموزانش الگوریتم‌ها و چارچوب‌هایی موازی برای حل سریع مسائل خوشه‌بندی پیچیده می‌سازند، که می‌تواند برای کاربردهایی مانند تشخیص ناهنجاری و تشخیص جامعه استفاده شود.

مشکلات دینامیکی

اخیراً او و همکارانش تمرکز کرده اند روی مشکلات پویا که در آن داده ها در یک شبکه گراف در طول زمان تغییر می کنند.

وقتی یک مجموعه داده میلیاردها یا تریلیون ها نقطه داده دارد، اجرای یک الگوریتم از ابتدا برای ایجاد یک تغییر کوچک می تواند از نظر محاسباتی بسیار گران باشد. او و شاگردانش الگوریتم های موازی را طراحی می کنند که process بسیاری از به روز رسانی ها در همان زمان، بهبود کارایی در عین حفظ دقت.

اما این مشکلات پویا همچنین یکی از بزرگترین چالش‌هایی است که شون و تیمش باید برای غلبه بر آن تلاش کنند. از آنجا که مجموعه داده‌های پویا زیادی برای آزمایش الگوریتم‌ها وجود ندارد، تیم اغلب باید داده‌های مصنوعی تولید کند که ممکن است واقعی نباشد و عملکرد الگوریتم‌های آنها را در دنیای واقعی مختل کند.

در پایان، هدف او توسعه الگوریتم‌های نمودار پویا است که در عمل به طور موثر عمل کنند و در عین حال تضمین‌های نظری را نیز حفظ کنند. او می گوید که این تضمین می کند که آنها در طیف وسیعی از تنظیمات قابل اجرا خواهند بود.

Shun انتظار دارد که الگوریتم‌های موازی پویا تمرکز تحقیقاتی بیشتری در آینده داشته باشند. از آنجایی که مجموعه داده‌ها بزرگ‌تر، پیچیده‌تر و سریع‌تر در حال تغییر هستند، محققان باید الگوریتم‌های کارآمدتری بسازند.

او همچنین انتظار دارد که چالش‌های جدیدی ناشی از پیشرفت‌های فناوری محاسبات باشد، زیرا محققان باید الگوریتم‌های جدیدی را برای استفاده از ویژگی‌های سخت‌افزار جدید طراحی کنند.

او می‌گوید: «زیبایی تحقیق همین است – من سعی می‌کنم مشکلاتی را که دیگران قبلاً حل نکرده‌اند را حل کنم و چیزی مفید به جامعه ارائه کنم.