A method to challenge symmetries in data with self-supervised learning
यह शोध पत्र एक स्व-पर्यवेक्षित शिक्षण पद्धति प्रस्तुत करता है जो वास्तविक डेटा को सममित रूप से रूपांतरित विकल्पों से अलग करने के लिए मॉडलों को प्रशिक्षित करके डेटा में संदिग्ध सममिति (symmetries) का परीक्षण करती है, जो इस बात को निर्धारित करने के लिए फ़िल्टर किए गए डेटा को प्रभावी ढंग से संभालती है कि क्या ऐसी सममिति वास्तव में प्रकृति में साकार होती हैं।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
भौतिक दुनिया के अध्ययन में, वैज्ञानिक अक्सर इस विचार पर आधारित मॉडल बनाते हैं कि प्रकृति संतुलन के कुछ नियमों का पालन करती है। ये नियम, जिन्हें समरूपता (symmetries) कहा जाता है, यह सुझाव देते हैं कि यदि आप किसी सिस्टम को एक विशिष्ट तरीके से बदलते हैं—जैसे कि उसे दर्पण की तरह पलट देना या किसी अक्ष के चारों ओर घुमाना—तो उसे नियंत्रित करने वाले अंतर्निहित नियम बिल्कुल समान रहने चाहिए। दशकों से, भौतिक विज्ञानी इन समरूपताओं का उपयोग प्रयोगों को डिजाइन करने और पार्टिकल डिटेक्टरों और दूरबीनों से आने वाले अराजक डेटा की व्याख्या करने के लिए करते रहे हैं। हालांकि, एक मौलिक प्रश्न बना हुआ है: क्या प्रकृति वास्तव में इन नियमों का पालन करती है, या वे केवल सुविधाजनक धारणाएं हैं जो हमने बनाई हैं? यदि कोई समरूपता टूटती है, तो इसका अर्थ है कि ब्रह्मांड हमारी वर्तमान थ्योरी की तुलना में अधिक जटिल है, जो संभावित रूप से नई भौतिकी (new physics) की ओर संकेत करता है। चुनौती हमेशा प्रकृति के नियमों में वास्तविक टूट और डेटा एकत्र करने के हमारे तरीके की अव्यवस्थपूर्ण, अपूर्ण वास्तविकता के बीच अंतर करने की रही है। सेंसर विफल हो जाते हैं, उपकरणों में ब्लाइंड स्पॉट होते हैं, और शोधकर्ताओं को अक्सर सब कुछ समझने के लिए जानकारी के बड़े हिस्सों को हटाना पड़ता है। ये खामियां वहां विषमता (asymmetry) का भ्रम पैदा कर सकती हैं जहां वास्तव में कोई विषमता नहीं है, या पैटर्न में एक वास्तविक टूट को छिपा सकती हैं, जिससे यह विश्वास करना बेहद कठिन हो जाता है कि डेटा क्या कह रहा है।
कैम्ब्रिज विश्वविद्यालय के दो शोधकर्ताओं ने इन संदिग्ध समरूपताओं का परीक्षण करने का एक नया, व्यावहारिक तरीका विकसित किया है, जिसके लिए उन्हें डेटा को साफ करने या यह बताने के लिए बाहरी लेबल पर निर्भर होने की आवश्यकता नहीं है कि क्या वास्तविक है। वे अपने दृष्टिकोण को "व्हिच इज़ रियल?" (कौन सा वास्तविक है?) कहते हैं और यह सेल्फ-सुपरवाइज्ड लर्निंग (self-supervised learning) नामक आर्टिफिशियल इंटेलिजेंस के एक रूप का उपयोग करता है। कंप्यूटर मॉडल को सही उत्तरों की सूची के साथ सिखाने के बजाय, वे इसे अपने स्वयं के बनाए गए खेल द्वारा सीखने देते हैं। शोधकर्ता वास्तविक डेटा का एक टुकड़ा लेते हैं और उस समरूपता नियम को लागू करके उसका एक "नकली" संस्करण बनाते हैं जिसे वे परीक्षण करना चाहते हैं। उदाहरण के लिए, यदि वे रोटेशनल सिमेट्री (घूर्णी समरूपता) का परीक्षण कर रहे हैं, तो वे एक पार्टिकल टकराव की घटना को ले सकते हैं और उसे एक नए कोण पर घुमा सकते हैं। फिर वे मूल वास्तविक घटना को इस घुमाए गए नकली संस्करण के साथ जोड़ते हैं और कंप्यूटर से यह अनुमान लगाने को कहते हैं कि मूल कौन सा है। यदि कंप्यूटर लगातार वास्तविक डेटा और घुमाए गए कॉपी के बीच अंतर कर सकता है, तो यह सिद्ध होता है कि समरूपता टूट गई है। यदि समरूपता पूर्ण होती, तो वास्तविक और नकली संस्करण एक दूसरे से अभिन्न होते, और कंप्यूटर को यादृच्छिक रूप से अनुमान लगाने के लिए मजबूर होना पड़ता।
इस पद्धति की श्रेष्ठता इस बात में निहित है कि यह वास्तविक दुनिया के प्रयोगों की अपरिहार्य अव्यवस्था को कैसे संभालती है। कई वैज्ञानिक क्षेत्रों में, डेटा को फ़िल्टर किया जाता है; कुछ घटनाओं को सेंसर के अंतराल के कारण मिस कर दिया जाता है, और अन्य को सख्त गुणवत्ता मानदंडों को पूरा न करने के कारण हटा दिया जाता है। आमतौर पर, यह फ़िल्टरिंग एक ऐसा पूर्वाग्रह (bias) पैदा करती है जो समरूपता के टूटने जैसा दिखता है। पारंपरिक तरीके इन लुप्त हिस्सों के लिए गणितीय रूप से सुधारने की कोशिश करते हैं, जो अक्सर जीवित बचे कुछ डेटा बिंदुओं को भारी वजन (weights) देने के माध्यम से किया जाता है, जिससे अस्थिर और अविश्वसनीय परिणाम मिल सकते हैं। "व्हिच इज़ रियल?" विधि इस जाल से पूरी तरह बचती है। फ़िल्टरिंग को उलटने या ठीक करने के बजाय, शोधकर्ता नकली डेटा के लिए भी उन्हीं फ़िल्थरिंग नियमों को लागू करते हैं। वे एक वास्तविक घटना लेते हैं, उसका एक नकली संस्करण बनाते हैं, और फिर उस नकली संस्करण को उसी अपूर्ण सेंसर सिमुलेशन से गुजारते हैं जिससे वास्तविक डेटा गुजरा था। क्योंकि वास्तविक और नकली दोनों डेटा को एक ही प्रकार के नुकसान और अंतराल का सामना करना पड़ता है, इसलिए कंप्यूटर मॉडल फ़िल्टरिंग त्रुटियों को अनदेखा करना और केवल अंतर्निहित भौतिकी के वास्तविक अंतरों पर ध्यान केंद्रित करना सीख जाता है। यह दो समान जुड़वा बच्चों के बीच अंतर पहचानने की कोशिश करने जैसा है, लेकिन दोनों ने धूप का चश्मा पहना हुआ है जो उनके चेहरे के आधे हिस्से को धुंधला कर देता है; प्रेक्षक चश्मे के पार देखकर असली चेहरा देखने के लिए सीख जाता है।
इस दृष्टिकोण के काम करने को प्रदर्शित करने के लिए, टीम ने कंप्यूटर सिमुलेशन का उपयोग करके दो अलग-अलग परिदृश्यों पर इसका परीक्षण किया। पहले उदाहरण में एक बेलनाकार कण डिटेक्टर शामिल था, जो हाई-एनर्जी फिजिक्स में उपयोग किए जाने वाले डिटेक्टरों के समान था, जिसमें बड़े छेद थे और इसके कुछ हिस्से बहुत कम संवेदनशील थे। उन्होंने एक ऐसा डेटासेट बनाया जहाँ कण इस तरह वितरित थे जो सममित दिखते थे लेकिन उनमें एक सूक्ष्म, छिपी हुई शिफ्ट थी जिसने रोटेशनल सिमेट्री को तोड़ दिया था। जब उन्होंने अपने "व्हिच इज़ रियल?" मॉडल को चलाया, तो इसने सफलतापूर्वक विषमता की पहचान की, और सटीक रूप से बताया कि डेटा कहाँ स्थानांतरित हुआ था और डिटेक्टर के अंतराल परिणामों को कैसे प्रभावित कर रहे थे। मॉडल ने एक स्कोर उत्पन्न किया जो दृढ़ता से संकेत देता था कि समरूपता टूट गई है, भले ही डेटा अत्यधिक फ़िल्टर किया गया था। दूसरे परीक्षण में, उन्होंने इस पद्धति को एक टोपोग्राफिकल मैप (स्थलाकृतिक मानचित्र) पर लागू किया, जिसमें एक अलग प्रकार की समरूपता की जांच की गई जहाँ परिदृश्य क्षैतिज रूप से कुछ सपाट क्षेत्रों के भीतर स्थानांतरित होने पर समान दिखना चाहिए। फिर से, मॉडल ने पता लगाया कि जब डेटा ने इस नियम का उल्लंघन किया, और उसने डेटा को हटाया गया कृत्रिम सीमाओं को अनदेखा करते हुए उल्लंघन के विशिष्ट पैटर्न को सीखा।
शोधकर्ताओं ने पाया कि जब डेटा वास्तव में एक समरूपता का पालन करता था, तो मॉडल नकली के बीच अंतर करने में विफल रहा, जिसके परिणामस्वरूप एक स्कोर मिला जो किसी भी टूट का कोई प्रमाण नहीं दर्शाता था। इसके विपरीत, जब समरूपता टूटी हुई थी, तो मॉडल ने उच्च सटीकता के साथ सही लेबल की भविष्यवाणी करना सीख लिया, जिससे उल्लंघन का एक स्पष्ट, मात्रात्मक माप प्राप्त हुआ। महत्वपूर्ण रूप से, यह विधि तब भी काम करती रही जब डेटा विरल (sparse) था या जब फ़िल्टरिंग गंभीर थी, जो यह सिद्ध करता है कि इसे कार्य करने के लिए पूर्ण, स्वच्छ डेटा की आवश्यकता नहीं है। टीम ने दिखाया कि केवल कंप्यूटर से एक वास्तविक घटना और एक रूपांतरित प्रति के बीच चयन करने के लिए कहकर, वे उन छिपी हुई विषमताओं को उजागर कर सकते हैं जिन्हें अन्यथा प्रयोगात्मक त्रुटियों के रूप में गलत समझा जा सकता है। यह दृष्टिकोण वैज्ञानिकों को ब्रह्मांड के कच्चे, बिना पॉलिश किए गए डेटा के विरुद्ध अपने सिद्धांतों का परीक्षण करने के लिए एक मजबूत उपकरण प्रदान करता है, यह सुनिश्चित करता है कि जब वे दावा करते हैं कि एक समरूपता टूट गई है, तो वे प्रकृति की एक विशेषता देख रहे हैं, न कि उनके उपकरणों की एक त्रुटि। इस्तेमाल किया गया कोड और डेटा सार्वजनिक रूप से उपलब्ध है, जिससे अन्य शोधकर्ता इस पद्धति को अपने स्वयं के डेटासेट पर लागू कर सकते हैं और उन समरूपताओं को चुनौती दे सकते हैं जो हमारी भौतिक दुनिया की समझ को आधार प्रदान करती हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।