🧬 biology

Implementation of Support Vector Machines using Reaction Networks

यह शोध पत्र यह प्रदर्शित करता है कि सपोर्ट वेक्टर मशीनों को एल्गोरिदम के कम्प्यूटेशनल पहलुओं को मॉडल करने के लिए उनके स्थिर-अवस्था गतिकी (steady-state dynamics) का लाभ उठाकर रासायनिक अभिक्रिया नेटवर्कों द्वारा कार्यान्वित किया जा सकता है, जिससे मशीन लर्निंग के लिए एक नवीन जैव-रासायनिक रूपरेखा स्थापित होती है।

मूल लेखक: Amey Choudhary, Jiaxin Jin, Abhishek Deshpande

प्रकाशित 2026-04-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Amey Choudhary, Jiaxin Jin, Abhishek Deshpande

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके पास एक सुपर-स्मार्ट रोबोट है जो आपके मेल को "महत्वपूर्ण" और "कचरा" (Junk) श्रेणियों में छाँट सकता है। आमतौर पर, हम इस रोबोट को सिलिकॉन चिप्स और बिजली से बने एक विशाल कंप्यूटर का उपयोग करके सिखाते हैं। लेकिन क्या होगा अगर हम इस रोबोट को रसायन विज्ञान (Chemistry) का उपयोग करके सिखाना चाहें? क्या होगा अगर रोबोट का "दिमाग" एक टेस्ट ट्यूब में मौजूद तरल की एक छोटी सी बूंद हो, जहाँ अणु (molecules) निर्णय लेने के लिए आपस में टकराते हैं?

यह शोध पत्र, जिसका शीर्षक "Implementation of Support Vector Machines using Chemical Reaction Networks" है, ठीक यही सवाल पूछता है। लेखक, अमेय चौधरी, अभिषेक देशपांडे और जियाक्सिन जिन ने यह पता लगाया है कि कैसे वे केवल रासायनिक प्रतिक्रियाओं का उपयोग करके एक प्रसिद्ध मशीन लर्निंग एल्गोरिदम, जिसे सपोर्ट वेक्टर मशीन (SVM) कहा जाता है, का निर्माण कर सकते हैं।

यहाँ उनके विचार का विवरण दिया गया है, जिसे सरल उपमाओं (analogies) के साथ समझाया गया है।

1. लक्ष्य: एक रासायनिक मस्तिष्क

एक सपोर्ट वेक्टर मशीन (SVM) को एक खेल में बहुत सख्त रेफरी के रूप में सोचें। इसका काम दो टीमों के खिलाड़ियों (डेटा पॉइंट्स) के बीच एक रेखा (या दीवार) खींचना है ताकि टीमें एक-दूसरे से यथासं possible दूर रहें।

पारंपरिक कंप्यूटर: रेफरी स्क्रीन पर गणित का उपयोग करके रेखा खींचता है।
इस शोध पत्र का विचार: रेफरी एक रासायनिक सूप है। "रेखा" विभिन्न रसायनों के आपस में प्रतिक्रिया करने के संतुलन द्वारा खींची जाती है।

ऐसा क्यों करना? क्योंकि जीवित कोशिकाएं (जैसे आपका अपना शरीर) अनिवार्य रूप से रासायनिक कंप्यूटर हैं। यदि हम कोशिकाओं को गणित करना सिखा सकें, तो हम शरीर के भीतर बीमारियों का निदान करने वाले "स्मार्ट" ड्रग्स या अपने आप सोचने वाले जैविक सेंसर बना सकते हैं।

2. समस्या: रसायन विज्ञान ऋणात्मक संख्याओं (Negative Numbers) को पसंद नहीं करता

गणित में, संख्याएँ धनात्मक (जैसे $+5$ ) या ऋणात्मक (जैसे $-5$) हो सकती हैं। लेकिन रसायन विज्ञान में, आप "ऋणात्मक" अणु नहीं रख सकते। आप पानी की "-3" बूंदें नहीं रख सकते।

समाधान (Dual-Rail Encoding): लेखकों ने एक चतुर तरकीब निकाली। एक संख्या के लिए एक बाल्टी रखने के बजाय, वे दो बाल्टियों का उपयोग करते हैं।
- $+5$ को दर्शाने के लिए, वे "धनात्मक बाल्टी" को 5 बूंदों से भर देते हैं और "ऋणात्मक बाल्टी" को खाली छोड़ देते हैं।
- $-5$ को दर्शाने के लिए, वे "ऋणात्मक बाल्टी" को 5 बूंदों से भर देते हैं और "धनात्मक बाल्टी" को खाली छोड़ देते हैं।
- "वास्तविक" संख्या दोनों बाल्टियों के बीच का अंतर है। यह उन्हें केवल धनात्मक रसायनों का उपयोग करके घटाव करने और ऋणात्मक भार (weights) को संभालने की अनुमति देता है।

3. टूलकिट: रासायनिक लेगो ब्लॉक्स (Chemical Lego Blocks)

रसायनों से कंप्यूटर बनाने के लिए, आपको बुनियादी निर्माण ब्लॉकों की आवश्यकता होती है। लेखकों ने विभिन्न गणितीय संचालन (operations) के लिए विशिष्ट "मॉड्यूल" (नुस्खे) डिजाइन किए हैं:

जोड़ (Addition): दो रसायन मिलते हैं, और तीसरे रसायन की मात्रा पहले दो के योग के बराबर प्रकट होती है।
गुणा (Multiplication): दो रसायन मिलकर एक नया पदार्थ बनाते हैं जो उनके गुणनफल के अनुपात में होता है।
तुलना (Comparison): एक "खींचातानी" (tug-of-war) वाली प्रतिक्रिया जहाँ उच्च सांद्रता वाला रसायन जीत जाता है और एक "झंडा" (flag) अणु को सक्रिय कर देता है।
घड़ी (The Clock - कंडक्टर): एक रासायनिक सूप में, सब कुछ एक साथ होता है, जो अराजक है। कंप्यूटर को चरण-दर-चरण काम करने के लिए (पहले जोड़ना, फिर गुणा करना, फिर तुलना करना), उन्होंने एक हॉफ ऑसिलेटर (Hopf Oscillator) का उपयोग किया।
- उपमा: कल्पना कीजिए कि एक मेट्रोनोम (metronome) आगे-पीछे टिक-टिक कर रहा है। लेखकों ने एक ऐसा रसायन बनाया जो एक दिल की धड़कन की तरह स्पंदित (pulse) होता है। यह स्पंदन एक ट्रैफिक लाइट के रूप में कार्य करता है। जब "चरण 1" के लिए लाइट हरी होती है, तो केवल जोड़ने वाली प्रतिक्रियाएं होती हैं। जब यह "चरण 2" के लिए हरी होती है, तो गुणा करने वाली प्रतिक्रियाएं शुरू हो जाती हैं। यह सुनिश्चित करता है कि गणित सही क्रम में हो।

4. रासायनिक SVM कैसे सीखता है

SVM को प्रशिक्षित करने (रेखा खींचना सिखाने) की प्रक्रिया दो मुख्य चरणों में होती है, ठीक एक मानव छात्र की तरह:

चरण A: परीक्षण (Feedforward)
रासायनिक नेटवर्क डेटा का एक टुकड़ा (जैसे बिल्ली या कुत्ते की तस्वीर) देखता है।

यह डेटा को वर्तमान "भार" (नियमों का प्रतिनिधित्व करने वाले रासायनिक सांद्रता) से गुणा करता है।
यह एक "बायस" (शुरुआती ऑफसेट) जोड़ता है।
यह जाँचता है: "क्या मैंने इसे सही किया?"
- यदि रासायनिक "झंडा" कहता है हाँ, तो सिस्टम कुछ नहीं करता।
- यदि झंडा कहता है नहीं (इसने डेटा को गलत वर्गीकृत किया है), तो सिस्टम सीखने के लिए तैयार होता है।

चरण B: सबक (Backpropagation)
यदि सिस्टम ने गलती की है, तो उसे अपने नियमों को समायोजित करने की आवश्यकता है।

यह गणना करता है कि वह कितना गलत था।
यह "वेट" (weight) रसायनों की सांद्रता को थोड़ा बदल देता है ताकि निर्णय रेखा को सही स्थिति के करीब लाया जा सके।
यह ग्रेडिएंट डिसेंट (Gradient Descent) का उपयोग करके किया जाता है, जो केवल एक फैंसी तरीका है यह कहने का कि "त्रुटि के सबसे निचले बिंदु को खोजने के लिए ढलान के नीचे छोटे कदम उठाना।"

5. परिणाम: यह काम करता है!

लेखकों ने यह देखने के लिए कि क्या उनके रासायनिक नुस्खे वास्तव में काम करेंगे, एक कंप्यूटर (Python का उपयोग करके) पर इस पूरी प्रक्रिया का अनुकरण (simulate) किया।

उन्होंने एक नकली डेटासेट बनाया।
उन्होंने अपने "रासायनिक कंप्यूटर" को 100 राउंड (epochs) तक सीखने दिया।
परिणाम: रासायनिक नेटवर्क ने एक मानक कंप्यूटर प्रोग्राम के समान ही सटीक निर्णय रेखा सीखी। त्रुटि बहुत कम (लगभग 0.03%) थी, जिससे सिद्ध होता है कि रसायन विज्ञान वास्तव में मशीन लर्निंग कर सकता है।

यह क्यों महत्वपूर्ण है?

यह केवल एक दिलचस्प वैज्ञानिक प्रयोग नहीं है। यह जैविक कंप्यूटिंग (Biological Computing) के द्वार खोलता है।

कल्पना कीजिए कि आप एक गोली निगलते हैं जिसमें ये रासायनिक नेटवर्क होते हैं। यह आपके रक्त का स्कैन कर सकता है, कैंसर कोशिकाओं ( "कचरा" ढेर) को पहचान सकता है, और केवल तभी दवा छोड़ सकता है जब उसे वे मिल जाएं।
यह हमें ऐसे कंप्यूटर बनाने की अनुमति देता है जो जीवित चीजों के भीतर रहते हैं, उन वातावरणों में काम करते हैं जहाँ सिलिकॉन चिप्स पिघल सकते हैं या विफल हो सकते हैं।

संक्षेप में: लेखकों ने एक जटिल गणितीय एल्गोरिदम को लिया, उसे छोटे-छोटे रासायनिक नुस्खों में तोड़ा, समय बनाए रखने के लिए एक रासायनिक घड़ी जोड़ी, और साबित किया कि तरल की एक बूंद भी डेटा को छाँटने के लिए एक सुपरकंप्यूटर की तरह अच्छी तरह से सीख सकती है। उन्होंने रसायन विज्ञान की रसोई को आर्टिफिशियल इंटेलिजेंस के लिए एक क्लासरूम में बदल दिया।

यहाँ शोध पत्र "Implementation of Support Vector Machines using Chemical Reaction Networks" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र उन गैर-पारंपरिक, जीवित या आणविक वातावरणों में जटिल मशीन लर्निंग गणनाओं को करने की चुनौती को संबोधित करता है जहाँ मानक सिलिकॉन-आधारित कंप्यूटर कार्य नहीं कर सकते। जबकि केमिकल रिएक्शन नेटवर्क्स (CRNs) का उपयोग सरल लॉजिक गेट्स, ऑसिलेटर्स और बुनियादी मशीन लर्निंग मॉडल (जैसे निर्णय वृक्ष या बोल्ट्ज़मैन मशीन) को लागू करने के लिए किया गया है, सपोर्ट वेक्टर मशीनों (SVMs) को लागू करना एक महत्वपूर्ण बाधा बनी हुई है।

विशिष्ट कठिनाइयाँ निम्नलिखित हैं:

ऋणात्मक मानों (Negative Values) को संभालना: रासायनिक प्रजातियों की सांद्रता स्वाभाविक रूप से गैर-ऋणात्मक होती है, फिर भी SVMs को ऋणात्मक भार (weights) और बायस (bias) की आवश्यकता होती है।
अनुक्रमिक तर्क (Sequential Logic): SVM प्रशिक्षण के लिए संचालन के एक सख्त अनुक्रम की आवश्यकता होती है (डेटा लोड करना, फॉरवर्ड पास, लॉस कैलकुलेशन, बैकप्रोपैगेशन, वेट अपडेट) जो एक निरंतर रासायनिक वातावरण में व्यवस्थित करना कठिन है।
बैच प्रोसेसिंग (Batch Processing): एक आणविक प्रणाली के भीतर डेटा के बैचों को कुशलतापूर्वक लोड करना और संसाधित करना।

2. कार्यप्रणाली (Methodology)

लेखक एक जैव-रासायनिक ढांचे (biochemical framework) का प्रस्ताव करते हैं जो मास-एक्शन काइनेटिक्स (mass-action kinetics) द्वारा नियंत्रित रासायनिक प्रतिक्रियाओं के एक तंत्र का उपयोग करके एक सॉफ्ट-मार्जिन SVM (Soft-Margin SVM) का अनुकरण करता है। यह कार्यप्रणाली कई प्रमुख वास्तुशिल्प घटकों पर आधारित है:

A. ड्यूल-रेल एनकोडिंग (Dual-Rail Encoding)

ऋणात्मक संख्याओं (भार $w$ और बायस $b$ ) को संभालने के लिए, लेखक ड्यूल-रेल एनकोडिंग का उपयोग करते हैं। किसी भी वास्तविक मान $\zeta$ को दो गैर-ऋणात्मक प्रजातियों, $\zeta^+$ और $\zeta^-$ द्वारा दर्शाया जाता है, ताकि वास्तविक मान $\zeta = [\zeta^+] - [\zeta^-]$ हो। यह प्रणाली को केवल गैर-ऋणात्मक सांद्रता का उपयोग करके हस्ताक्षरित (signed) संख्याओं पर अंकगणित करने की अनुमति देता है।

B. मौलिक कम्प्यूटेशनल मॉड्यूल (Fundamental Computational Modules)

SVM तर्क को मॉड्यूलर CRN सब-सर्किट्स में विभाजित किया गया है:

योग और गुणन (Addition & Multiplication): मानक मास-एक्शन प्रतिक्रियाएं जहाँ उत्प्रेरक (catalysts) एक उत्पाद प्रजाति के उत्पादन को तब तक संचालित करते हैं जब तक कि वह इनपुट के योग या गुणन के समान स्थिर अवस्था (steady state) तक न पहुँच जाए।
घटाव (Subtraction): एक मॉड्यूल जो $\max(0, A - B)$ की गणना करता है, जो हिंज लॉस (hinge loss) और ड्यूल-रेल अंतरों को संभालने के लिए आवश्यक है।
तुलना और अनुमानित बहुमत (Comparison & Approximate Majority): यह निर्धारित करने के लिए एक दो-चरणीय प्रक्रिया कि क्या कोई मान थ्रेशोल्ड से अधिक है (उदाहरण के लिए, क्या मार्जिन का उल्लंघन हुआ है?)। पहले, एक नॉर्मलाइजेशन चरण फ्लैग प्रजातियों को बनाता है जो इनपुट के समानुपाती होती हैं; दूसरा, एक "अनुमानित बहुमत" प्रतिक्रिया सिस्टम को एक बाइनरी अवस्था (0 या 1) की ओर ले जाती है जो तुलना के परिणाम को दर्शाती है।
लोडिंग मॉड्यूल (Loading Module): इनपुट डेटा सांद्रता को नेटवर्क के इनपुट लेयर में कॉपी करता है।

C. हॉप ऑसिलेटर के माध्यम से टेम्पोरल कंट्रोल (Temporal Control via Hopf Oscillators)

यह सुनिश्चित करने के लिए कि संचालन क्रमिक रूप से हों (रेस कंडीशंस को रोकने के लिए), लेखक एक आणविक घड़ी के रूप में हॉप ऑसिलेटर (Hopf oscillator) का उपयोग करते हैं।

ऑसिलेटर एक आवधिक संकेत (periodic signal) उत्पन्न करता है।
इस संकेत को समय स्लॉट (चरणों) में विभाजित किया जाता है।
विशिष्ट प्रतिक्रियाएं इन चरणों द्वारा नियंत्रित होती हैं (जैसे, चरण 1 डेटा लोड करता है, चरण 2 डॉट प्रोडक्ट की गणना करता है, चरण 3 वेट अपडेट करता है)।
यह टाइम-स्केल सेपरेशन (time-scale separation) बनाता है, जिससे यह सुनिश्चित होता है कि सिस्टम अगले चरण को शुरू करने से पहले एक तार्किक चरण को पूरा कर ले।

D. SVM एल्गोरिदम कार्यान्वयन (The SVM Algorithm Implementation)

यह प्रणाली सॉफ्ट-मार्जिन SVMs के लिए इटरेटिव ग्रेडिएंट डिसेंट एल्गोरिदम को लागू करती है:

बैच असाइनमेंट (Batch Assignment): एक असाइनमेंट मॉड्यूल समानांतर लेन में $\tilde{p}$ नमूनों के एक बैच को लोड करता है।
फीडफॉरवर्ड (Inference):
- मल्टीप्लिकेशन मॉड्यूल का उपयोग करके डॉट प्रोडक्ट $w \cdot x$ की गणना करता है।
- बायस $b$ को जोड़ता है।
- निर्णय मान प्राप्त करने के लिए लेबल $y$ के साथ गुणा करता है।
- गलत वर्गीकरण हुआ है या नहीं, यह निर्धारित करने के लिए तुलना मॉड्यूल का उपयोग करके परिणाम की मार्जिन थ्रेशोल्ड (1) के विरुद्ध तुलना करता है।
बैकप्रोपैगेशन (Weight Update):
- यदि गलत वर्गीकरण होता है ( $y(w \cdot x + b) < 1$ ), तो सिस्टम ग्रेडिएंट अपडेट की गणना करता है: $w \leftarrow w - \eta(\lambda w - yx)$ और $b \leftarrow b + \eta y$ ।
- यदि नमूना सही ढंग से वर्गीकृत किया गया है, तो केवल रेगुलराइजेशन टर्म लागू किया जाता है: $w \leftarrow w - \eta \lambda w$ ।
- अपडेट को बैच में एकत्रित किया जाता है और साझा वेट प्रजातियों (shared weight species) पर लागू किया जाता है।

3. मुख्य योगदान (Key Contributions)

SVM का पहला CRN कार्यान्वयन: यह शोध पत्र पहला ज्ञात केमिकल रिएक्शन नेटवर्क स्कीम प्रस्तुत करता है जो सॉफ्ट-मार्जिन SVM को प्रशिक्षित करने में सक्षम है, जिसमें फीडफॉरवर्ड इन्फरेंस और बैकप्रोपैगेशन-आधारित वेट अपडेट दोनों शामिल हैं।
हस्ताक्षरित अंकगणित (Signed Arithmetic) का मजबूत प्रबंधन: बिना किसी बाहरी हस्तक्षेप के ऋणात्मक भार और बायस को प्रबंधित करने के लिए मास-एक्शन फ्रेमवर्क के भीतर ड्यूल-रेल एनकोडिंग का सफल एकीकरण।
ऑसिलेटर्स के माध्यम से क्रमिक निष्पादन: एक निरंतर रासायनिक प्रणाली में जटिल कम्प्यूटेशनल चरणों के लिए सख्त टेम्पोरल ऑर्डरिंग लागू करने हेतु हॉप ऑसिलेटर्स के उपयोग का प्रदर्शन।
बैच प्रोसेसिंग आर्किटेक्चर: एक अभिनव "असाइनमेंट मॉड्यूल" जो डेटा बैचों के समानांतर लोडिंग की अनुमति देता है, जो आणविक सेटिंग में आधुनिक मिनी-बैच ग्रेडिएंट डिसेंट की नकल करता है।

4. परिणाम और विश्लेषण (Results and Analysis)

लेखकों ने CRN डायनेमिक्स के पायथन सिमुलेशन के माध्यम से अपने डिज़ाइन को मान्य किया:

डेटासेट: 10 प्रशिक्षण नमूनों और 4 परीक्षण नमूनों वाला एक सिंथेटिक 2D लीनियरली सेपरेबल डेटासेट।
प्रदर्शन: CRN-आधारित SVM को बैच आकार 2 के साथ 100 युगों (epochs) के लिए प्रशिक्षित किया गया।
सटीकता: सीखे गए पैरामीटर (वेट $w_1, w_2$ और बायस $b$ ) ने मानक पायथन-आधारित SVM कार्यान्वयन की तुलना में लगभग 0.033% का औसत पूर्ण त्रुटि (average absolute error) प्राप्त किया।
अभिसरण (Convergence): रासायनिक सिमुलेशन में वेट और बायस के प्रक्षेपवक्र (trajectories) मानक एल्गोरिदम के सैद्धांतिक अभिसरण वक्रों से निकटता से मेल खाते हैं। CRN द्वारा उत्पन्न निर्णय सीमा (हाइपरप्लेन) ने वर्गों को प्रभावी ढंग से अलग किया, जो पारंपरिक SVM हाइपरप्लेन के लगभग समान था।

5. महत्व और भविष्य का कार्य (Significance and Future Work)

सिंथेटिक बायोलॉजी अनुप्रयोग: यह कार्य मशीन लर्निंग सिद्धांत और सिंथेटिक बायोलॉजी के बीच की खाई को पाटता है, यह सुझाव देता है कि जीवित कोशिकाओं को संभावित रूप से उनके पर्यावरण से "सीखने" और वर्गीकरण निर्णय लेने (जैसे, स्वस्थ और रोगग्रस्त कोशिकाओं के बीच अंतर करना) के लिए इंजीनियर किया जा सकता है।
आणविक कंप्यूटिंग: यह सरल लॉजिक से लेकर परिष्कृत अनुकूलन एल्गोरिदम तक आणविक कंप्यूटिंग के दायरे का विस्तार करता है।
भविष्य की दिशाएं:
- जटिलता विश्लेषण: इनपुट आयाम के सापेक्ष आवश्यक प्रजातियों और प्रतिक्रियाओं की संख्या का कठोर विश्लेषण।
- गैर-रैखिक वर्गीकरण (Nonlinear Classification): गैर-रैखिक रूप से सेपरेबल डेटा को संभालने के लिए कर्नेल ट्रिक (Kernel Trick) को लागू करने हेतु ढांचे का विस्तार करना।
- अभिसरण प्रमाण (Convergence Proofs): रासायनिक डायनेमिकल सिस्टम के घातांकीय विश्वसनीयता और सीमित-समय अभिसरण गुणों की जांच करना।

निष्कर्षतः, यह शोध पत्र प्रदर्शित करता है कि मशीन लर्निंग एल्गोरिदम, विशेष रूप से SVM, रासायनिक प्रतिक्रिया नेटवर्क का उपयोग करके भौतिक रूप से साकार किए जा सकते हैं, जो इन विवो (in vivo) कंप्यूटेशन और स्मार्ट बायोमटेरियल्स के लिए नए क्षितिज खोलते हैं।