NetDiff: Graph Diffusion with Improved Global Capabilities to Generate and Update Mobile Network Topologies

एक हलचल भरे शहर की कल्पना करें जहाँ हर व्यक्ति एक ऐसी टॉर्च लेकर चलता है जो केवल एक विशिष्ट दिशा में ही चमक सकती है। यदि हर कोई बस अपनी लाइटें बेतरतीब ढंग से घुमाता है, तो अधिकांश किरणें अपने लक्ष्यों को चूक जाएँगी, और शहर अंधेरे में डूबा रहेगा। लेकिन यदि हर कोई पूरी तरह से तालमेल बिठा ले—सही समय पर सही पड़ोसियों की ओर अपनी लाइटें केंद्रित करे—तो वे पूरे शहर को कवर करने वाला एक चमकता हुआ संचार जाल बना सकते हैं। यह "मोबाइल एड हॉक नेटवर्क" (mobile ad hoc networks) की चुनौती है, जहाँ उपकरण (जैसे ड्रोन या उड़ते हुए रोबोट) बिना किसी केंद्रीय टावर के एक-दूसरे से बात करते हैं। पेचीदा बात यह है कि ये उपकरण अक्सर "डायरेक्शनल एंटेना" (directional antennas) का उपयोग करते हैं, जो उन टॉर्च की तरह हैं: वे संकेतों को बहुत दूर और तेज़ी से भेज सकते हैं, लेकिन तभी जब उन्हें सही ढंग से लक्षित किया गया हो। समस्या यह है कि उन्हें निशाना बनाना एक बहुत बड़ी पहेली है। यदि एक रोबोट अपनी लाइट एक पड़ोसी की ओर मोड़ता है, तो वह अनजाने में दूसरे रोबोट को अंधा कर सकता है या एक रास्ता अवरुद्ध कर सकता है। इसके अलावा, एक रोबोट एक ही समय में चिल्ला नहीं सकता और सुन नहीं सकता; उसे बारी-बारी से काम करना पड़ता है। घूमते हुए रोबोटों के बीच इस पहेली को वास्तविक समय (real-time) में हल करना कंप्यूटर के लिए बहुत कठिन है क्योंकि जाँचने के लिए संभावित संयोजनों की संख्या बहुत अधिक है।

यहीं पर NetDiff नामक एक नया दृष्टिकोण सामने आता है। NetDiff को इन चमकती लाइटों वाले शहर के एक सुपर-स्मार्ट, कलात्मक निर्देशक के रूप में समझें। हर एक संभावना को जाँचने के बजाय (जिसमें बहुत समय लगता है), NetDiff "डिफ्यूजन" (diffusion) नामक तकनीक का उपयोग करता है। कल्पना करें कि आप एक अराजक और बेतरतीब कनेक्शनों के ढेर से शुरुआत करते हैं और फिर धीरे-धीरे, चरण-दर-चरण, इसे साफ करते हैं जब तक कि एक पूर्ण, व्यवस्थित नेटवर्क उभर न आए। NetDiff विशेष है क्योंकि यह केवल एक समय में एक रोबोट को नहीं देखता है; इसके पास एक "ग्लोबल व्यू" (global view) है जो एक साथ पूरे शहर के लेआउट को समझने में मदद करता है। यह ACAM टोकन नामक एक चतुर तकनीक का उपयोग करता है—इन्हें नेटवर्क के ऊपर तैरते हुए "सुपर-आँखों" के रूप में समझें, जो यह गिनती करती हैं कि कितनी लाइटें चालू हैं और यह सुनिश्चित करती हैं कि कोई एक दूसरे पर चिल्लाकर बाधा न डाले। यह सिस्टम को लगभग तुरंत एक काम करने योग्य नेटवर्क बनाने की अनुमति देता है, यहाँ तक कि जब रोबोट घूम रहे हों। पेपर दिखाता है कि यह विधि ऐसे नेटवर्क बना सकती है जो सर्वोत्तम संभव सैद्धांतिक समाधानों के लगभग बराबर हैं, लेकिन उनसे कहीं अधिक तेज़ हैं, और यह नेटवर्क को नए स्थानों पर जाने पर भी बिना शून्य से शुरू किए, तेज़ी से अपडेट कर सकती है।

उड़ती हुई टॉर्चों की पहेली

आइए NetDiff की दुनिया में उतरें, जो उड़ते हुए रोबानों (या किसी भी मोबाइल डिवाइस) को कुशलतापूर्वक एक-दूसरे से बात करने में मदद करने के लिए डिज़ाइन किया गया एक नया टूल है। वे जिस समस्या को हल करने की कोशिश कर रहे हैं, वह एक भीड़ भरे कमरे में "टेलीफोन" के एक बड़े खेल को आयोजित करने जैसा है जहाँ हर कोई एक ऐसी टॉर्च पकड़े हुए है जो केवल एक संकीर्ण किरण में चमकती है।

एक सामान्य बातचीत में, हर कोई हर किसी को सुन सकता है। लेकिन इन मोबाइल एड हॉक नेटवर्क में, उपकरण डायरेक्शनल एंटेना का उपयोग करते हैं। ये उन टॉर्च की तरह हैं जो एक विशिष्ट मित्र को एक बहुत शक्तिशाली संकेत भेज सकते हैं, लेकिन जब तक वे अपना सिर नहीं घुमाते, वे किसी और को सुन नहीं सकते। यह गति और रेंज के लिए बहुत अच्छा है, लेकिन यह एक बड़ी सिरदर्द पैदा करता है: यदि हर कोई अपनी टॉर्च बेतरतीब ढंग से घुमाता है, तो नेटवर्क टूट जाता है। इसे काम करने के लिए, उपकरणों को यह तय करने की आवश्यकता है कि कौन किससे बात करेगा, और उन्हें बारी-बारी से काम करना होगा। एक डिवाइस एक ही समय में बोल और सुन नहीं सकता (यह हाफ-डुप्लेक्स नियम है), इसलिए उन्हें दो समूहों में विभाजित होना चाहिए: समूह A बोलता है जबकि समूह B सुनता है, और फिर वे आपस में बदलते हैं। यह एक "बाइपार्टाइट" (bipartite) नेटवर्क बनाता है, जैसे एक डांस फ्लोर जहाँ पार्टनर को भूमिकाएँ बदलने के लिए एकदम सटीक होना चाहिए।

इसे हल करने के पुराने तरीके या तो बहुत धीमे थे या बहुत अव्यवस्थित। कुछ तरीकों ने "ग्रीडी" (greedy) नीतियों का उपयोग किया, जहाँ प्रत्येक रोबोट बस अपने निकटतम पड़ोसी को चुनता था। इससे अक्सर ट्रैफिक जाम और छूटे हुए कनेक्शन होते थे। अन्य तरीकों ने सटीक समाधान खोजने के लिए जटिल गणित का उपयोग किया, लेकिन इसमें इतना समय लग जाता था कि जब तक उत्तर तैयार होता, रोबोट पहले ही आगे बढ़ चुके होते, जिससे उत्तर बेकार हो जाता था।

नेटडिफ (NetDiff): "डिनोइजिंग" कलाकार

लेखक NetDiff का प्रस्ताव देते हैं, जो डिनोइजिंग डिफ्यूजन मॉडल (denoising diffusion model) नामक एक प्रकार के आर्टिफिशियल इंटेलिजेंस का उपयोग करता है। यह कैसे काम करता है, इसे सरल शब्दों में समझते हैं:

कल्पना करें कि आपके पास एक आदर्श नेटवर्क की एक फोटो है, लेकिन आप इसमें तब तक 'स्टैटिक नॉइज़' जोड़ते हैं जब तक कि यह एक बिखरी हुई लकीरों जैसा न दिखने लगे। एक डिफ्यूजन मॉडल इस प्रक्रिया को उलटने (reverse) के बारे में सीखता है। यह पूरी तरह से यादृच्छिक, शोर भरे कनेक्शनों के ढेर से शुरू होता है और, चरण-दर-चरण, उस तस्वीर को "डिनोइज़" (शोर मुक्त) करता है जब तक कि एक साफ, काम करने वाला नेटवर्क प्रकट न हो जाए।

NetDiff मोबाइल नेटवर्क के लिए यही करता है। यह संभावित लिंक के एक उलझे हुए ढेर से शुरू होता है और लगभग 50 चरणों में, यह तस्वीर को धीरे-धीरे परिष्कृत करता है जब तक कि यह एक वैध टोपोलॉजी (कौन किससे जुड़ता है इसका नक्शा) न खोज ले और प्रत्येक नोड को सही "बोलने" या "सुनने" की भूमिका (पैरिटी) असाइन न कर दे।

असली जादू: ACAM टोकन

NetDiff का असली जादू केवल डिफ्यूजन नहीं है, बल्कि एक नई विशेषता है जिसे एब्सोल्यूट क्रॉस-अटेंटिव मॉड्यूलेशन (ACAM) टोकन कहा जाता है।

कई AI मॉडलों में, सिस्टम एक नोड और उसके पड़ोसियों को देखता है, लेकिन उसे "बड़ी तस्वीर" देखने में संघर्ष करना पड़ता है। उसे यह एहसास नहीं हो सकता कि पूरा नेटवर्क बहुत अधिक भीड़भाड़ वाला हो रहा है या एक विशिष्ट क्षेत्र का अत्यधिक उपयोग किया जा रहा है। NetDiff इन ACAM टोकन को जोड़कर इसे ठीक करता है। इन्हें पूरे नेटवर्क के ऊपर तैरती "सुपर-आँखों" के रूप में समझें।

ये टोकन केवल एक पड़ोसी को नहीं देखते; वे एक साथ पूरे ग्राफ को देखते हैं। वे चीजों को "गिन" सकते हैं, जैसे कि एक विशिष्ट सेक्टर में कितने लिंक सक्रिय हैं या नेटवर्क कितना घना है। फिर वे यह वैश्विक जानकारी व्यक्तिगत नोड्स को वापस फुसफुसाते हैं, जिससे उन्हें बेहतर निर्णय लेने में मदद मिलती है। पेपर बताता है कि यह "ग्लोबल व्यू" सर्वोत्तम संभव समाधानों के प्रदर्शन से मेल खाने के लिए, विशेष रूप से हस्तक्षेप (interference) से बचने और नेटवर्क को संतुलित रखने के मामले में महत्वपूर्ण है।

चलते-फिरते मानचित्र को अपडेट करना

NetDiff की सबसे शानदार विशेषताओं में से एक यह है कि यह मूवमेंट (गति) को कैसे संभालता है। वास्तविक दुनिया में, रोबोट स्थिर नहीं रहते। यदि एक रोबोट थोड़ा सा हिलता है, तो पूरे नेटवर्क को फिर से बनाने की आवश्यकता नहीं होती है।

NetDiff पार्शियल डिफ्यूजन (partial diffusion) नामक तकनीक का उपयोग करता है। कल्पना करें कि आपके पास एक नेटवर्क का चित्र है, और रोबोट थोड़ा सा हिलते हैं। पूरे चित्र को मिटाने और फिर से शुरू करने के बजाय, NetDiff बस पुराने चित्र में थोड़ा सा "शोर" (noise) जोड़ता है और फिर उसे जल्दी से साफ करता है।

• यदि रोबोट थोड़ा सा हिलते हैं, तो NetDiff को नक्शे को ठीक करने के लिए केवल कुछ चरणों (जैसे 10 चरण) की आवश्यकता होती है।
• यदि वे बहुत अधिक हिलते हैं, तो इसे अधिक चरणों (जैसे 15 चरण) की आवश्यकता होती है।

यह सिस्टम को अविश्वसनीय रूप से तेज़ बनाता है। पेपर दिखाता है कि छोटे आंदोलनों के लिए, यह विधि शून्य से शुरू करने की तुलना में 3.3 से 5 गुना तेज़ है, जबकि यह नेटवर्क को वैध और कुशल बनाए रखती है।

आंकड़े क्या कहते हैं

शोधकर्ताओं ने NetDiff का परीक्षण अन्य तरीकों के विरुद्ध किया, जिसमें पुराने AI मॉडल और सरल "ग्रीडी" रणनीतियाँ शामिल थीं। सिमुलेशन में उन्हें निम्नलिखित परिणाम मिले:

• गति और दक्षता: NetDiff ने "टारगेट" (सर्वोत्तम संभव सैद्धांतिक समाधान) के प्रदर्शन का 95% से अधिक हासिल किया, जबकि नेटवर्क बनाने में लगने वाला समय स्थिर रहा।
• थ्रूपुट (Throughput): 16 नोड्स के परीक्षण में, NetDiff ने 78.92 Mbps का थ्रूपुट प्राप्त किया, जो कि टारगेट (79.33 Mbps) के बहुत करीब है और मानक ओम्नीडायरेक्शनल तरीकों (47.24 Mbps) की तुलना में बहुत बेहतर है। 32 नोड्स के साथ, इसने 322.40 Mbps हिट किया, जबकि टारगेट 340.52 Mbps था।
• कम अराजकता: "सैचुरेशन" मेट्रिक (यह कि एंटेना कितनी बार ओवरलोड होते हैं) ACAM टोकन के साथ NetDiff के उपयोग से 12.1% तक गिर गया, जबकि एक मानक डिफ्यूजन मॉडल के लिए यह 17.6% और GraphVAE नामक एक अन्य AI मॉडल के लिए 90.0% था।
• कन्स्ट्रेंट सेटिस्फैक्शन (नियम पालन): सिस्टम नियमों का पालन करने में अत्यंत कुशल था। इसने 98.68% कनेक्टिविटी और 98.64% पैरिटी अनुपालन (मतलब बात करने/सुनने की भूमिकाएँ लगभग हमेशा सही थीं) बनाए रखा।

पेपर स्पष्ट रूप से नोट करता है कि हालांकि ये परिणाम प्रभावशाली हैं, लेकिन वे यथार्थवादी डेटा का उपयोग करके किए गए सिमुलेशन पर आधारित हैं। लेखक सुझाव देते हैं कि ACAM टोकन और पार्शियल डिफ्यूजन विधि इन परिणामों के लिए प्रमुख हैं, लेकिन वे यह भी उल्लेख करते हैं कि वास्तविक दुनिया में नेटवर्क को 100% वैध बनाने के लिए कभी-कभी थोड़े से "पोस्ट-प्रोसेसिंग" (एक त्वरित सफाई चरण) की आवश्यकता होती है।

निष्कर्ष

NetDiff मोबाइल नेटवर्क को व्यवस्थित करने का एक शक्तिशाली नया तरीका है। "डिनोइजिंग" प्रक्रिया का उपयोग करके और बड़ी तस्वीर देखने के लिए "सुपर-आँखों" (ACAM टोकन) को जोड़कर, यह उड़ते हुए रोबोटों और अन्य मोबाइल उपकरणों के लिए तेज़, कुशल और मजबूत नेटवर्क बना सकता है। यह इस पहेली को हल करता है कि कौन कब बात करेगा, और यह तब भी किया जाता है जब रोबोट इधर-उधर घूम रहे हों, और यह इसे पिछले तरीकों की तुलना में बहुत तेज़ी से और अधिक सटीकता से करता है। हालाँकि यह वर्तमान में एक सिमुलेशन-आधारित सफलता है, यह एक ऐसे भविष्य का संकेत देता है जहाँ मोबाइल नेटवर्क खुद को तुरंत पुनर्गठित कर सकते हैं, जिससे हमारी जुड़ी हुई दुनिया को सुचारू रूप से चलने में मदद मिलती है, भले ही सब कुछ गति में हो।