A Neuro-Symbolic Approach for Probabilistic Reasoning on Graph Data
यह शोध पत्र एक न्यूरो-सिम्बोलिक ढांचे को प्रस्तुत करता है जो ग्राफ न्यूरल नेटवर्क (GNNs) को रिलेशनल बेयसियन नेटवर्क (RBNs) में एकीकृत करता है ताकि GNNs की सीखने की शक्तियों को RBNs की संभाव्य तर्क क्षमताओं के साथ संयोजित किया जा सके, जो नवीन MAP अनुमान विधियों और बेंचमार्क डेटासेट के माध्यम से सामूहिक वर्गीकरण और पर्यावरणीय नियोजन में बेहतर प्रदर्शन प्रदर्शित करता है।
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
कल्पना कीजिए कि आप एक कंप्यूटर को दुनिया को समझने के लिए प्रशिक्षित करने की कोशिश कर रहे हैं। लंबे समय से, वैज्ञानिकों के पास इस काम के लिए दो बहुत अलग टूलकिट (उपकरण सेट) रहे हैं। पहला है "न्यूरल नेटवर्क" (Neural Network), जो एक अत्यंत सूक्ष्म अवलोकन करने वाले कलाकार की तरह है। यह लाखों चित्रों या पैटर्न को देखता है, परीक्षण और त्रुटि (trial and error) से सीखता है, और इस बात का अनुमान लगाने में अविश्वसनीय रूप से कुशल हो जाता है कि आगे क्या होगा। लेकिन यह एक 'ब्लैक बॉक्स' की तरह है; इसे वास्तव में पता नहीं होता कि यह कोई अनुमान क्यों लगा रहा है, और यह "यदि A होता है, तो B होना चाहिए" जैसे सख्त नियमों का आसानी से पालन नहीं कर सकता। दूसरा टूलकिट "सिंबोलिक लॉजिक" (Symbolic Logic) है, जो एक सख्त लाइब्रेरियन या वकील की तरह है। यह नियमों का पूरी तरह से पालन करता है और जटिल तर्कों के माध्यम से तर्क कर सकता है, लेकिन इसे अपने आप वास्तविक दुनिया के अव्यवस्थित डेटा से सीखने में कठिनाई होती है।
बड़ा सवाल आधुनिक विज्ञान में यह है: क्या हम एक ऐसा रोबोट बना सकते हैं जो कलाकार और वकील दोनों हो? हम एक ऐसी प्रणाली चाहते हैं जो डेटा से सीख भी सके और साथ ही दुनिया के नियमों को भी समझ सके। यही "न्यूरो-सिंबोलिक" (Neuro-Symbolic) AI का सपना है। चुनौती यह है कि ये दोनों उपकरण अलग-अलग भाषाएँ बोलते हैं—एक संख्याओं और भार (weights) में बात करता है, दूसरा तर्क और प्रतीकों (symbols) में। यह शोध पत्र उस अंतर को भरने की कोशिश करता है ताकि हम अंततः उन्हें एक-दूसरे से बात करने में सक्षम बना सकें, विशेष रूप से तब जब डेटा सामाजिक नेटवर्क या सड़क मानचित्रों की तरह कनेक्शनों के एक विशाल जाल जैसा दिखता हो।
महान अनुवादक: गणित और तर्क को हाथ मिलाने की शिक्षा देना
यह शोध पत्र दो शक्तिशाली प्रकार के AI के बीच एक सार्वभौमिक अनुवादक के रूप में कार्य करने वाले एक चतुर नए ढांचे (framework) को पेश करता है: ग्राफ न्यूरल नेटवर्क (GNNs) और रिलेशनल बेयसियन नेटवर्क (RBNs)। एक GNN को एक ऐसे जासूस के रूप में सोचें जो लोगों की भीड़ (ग्राफ) को देखने और यह अनुमान लगाने में माहिर है कि उनके दोस्तों और दिखावट के आधार पर वे किस समूह से संबंधित हैं। हालाँकि, यह जासूस अलग-थलग काम करता है; वह प्रत्येक व्यक्ति के लिए स्वतंत्र रूप से अनुमान लगाता है और उसे इस बात की परवाह नहीं होती कि पूरा समूह मिलकर सार्थक है या नहीं। दूसरी ओर, एक RBN एक मास्टर रणनीतिकार की तरह है जो संबंधों के पूरे जाल को समझता है और संभावनाओं के बारे में तर्क कर सकता है, लेकिन इसे आमतौर पर एक इंसान की आवश्यकता होती है जो हर एक नियम को लिख सके।
लेखकों ने, जो एलबोर्ग यूनिवर्सिटी और ट्रेंटो यूनिवर्सिटी की एक टीम है, इन दोनों के बीच एक पुल बनाया है। उन्होंने दिखाया कि एक GNN जो अनुमान लगाने के लिए गणित का उपयोग करता है, वह वास्तव में वही गणित है जिसका उपयोग एक RBN संभावना की गणना करने के लिए करता है। यह ऐसा है जैसे यह खोज लेना कि कलाकार द्वारा चित्र बनाने के लिए उपयोग किया जाने वाला गुप्त कोड वास्तव में वही भाषा है जिसका उपयोग एक वकील अनुबंध लिखने के लिए करता है। इस कारण से, वे अब "कलाकार" (GNN) को सीधे "वकील" (RBN) के मस्तिष्क के अंदर प्लग कर सकते हैं।
उन्होंने इस पुल को दो तरीकों से बनाया। पहला तरीका कलाकार की पूरी पेंटिंग को शब्द-दर-शब्द कानूनी दस्तावेज़ में अनुवाद करने जैसा है। यह बहुत सटीक और सुदृढ़ है लेकिन गणना करने में धीमा हो सकता है। दूसरा तरीका वकील को कलाकार तक एक सीधी फोन लाइन देने जैसा है। वकील कलाकार से एक अनुमान मांगता है, और कलाकार अपना स्वयं का तेज़ सॉफ़्टवेयर चलाकर उत्तर देता है। दोनों तरीके काम करते हैं, और दोनों ही सिस्टम को कलाकार की गति और वकील की तर्क शक्ति का एक साथ उपयोग करने देते हैं।
"ग्रुप थिंक" (समूह सोच) की समस्या का समाधान
यह सिद्ध करने के लिए कि उनका नया सिस्टम काम करता है, टीम ने इसे दो बहुत अलग समस्याओं पर आजमाया।
पहला मामला सामूहिक वर्गीकरण (collective classification) के बारे में था। कल्पना कीजिए कि आप एक शहर के लोगों की राजनीतिक पार्टी का अनुमान लगाने की कोशिश कर रहे हैं। एक मानक GNN एक व्यक्ति को देख सकता है, देख सकता है कि वह खेल पसंद करता है, और "पार्टी A" का अनुमान लगा सकता है। यह प्रत्येक व्यक्ति के लिए स्वतंत्र रूप से ऐसा करता है। लेकिन वास्तविक जीवन में, लोग अक्सर अपने पड़ोसियों की तरह व्यवहार करते हैं। यदि आपका सबसे अच्छा दोस्त "पार्टी B" है, तो इसकी संभावना अधिक है कि आप भी "पार्टी B" होंगे। लेखकों ने दिखाया कि अपने नए सिस्टम का उपयोग करके, वे GNN को पूरी तस्वीर देखने के लिए मजबूर कर सकते थे। उन्होंने एक "नियम" जोड़ा कि, "हे, यदि आपके अधिकांश पड़ोसी पार्टी B हैं, तो आपका अनुमान शायद उसी ओर झुकना चाहिए।"
उन्होंने इसका परीक्षण सिंथेटिक डेटा (विशेष पैटर्न दिखने के लिए बनाए गए कृत्रिम ग्राफ) और सामाजिक नेटवर्क से वास्तविक दुनिया के डेटा पर किया। परिणाम प्रभावशाली थे। जब डेटा अव्यवस्थित था या पड़ोसियों के संकेत विरोधाभासी थे, तो मानक GNN भ्रमित हो गए। लेकिन उनके नए "न्यूरो-सिंबोलिक" संस्करण ने, जिसने MAP अनुमान (MAP inference) (पूरे समूह के लिए सबसे संभावित परिदृश्य खोजने का एक शानदार तरीका) का उपयोग किया, उन गलतियों को ठीक कर दिया। कुछ मामलों में, इसने सटीकता को लगभग 30% तक बढ़ा दिया। इसने स्वतंत्र अनुमान लगाने वालों के एक समूह को एक स्मार्ट टीम में बदल दिया जो समूह की गतिशीलता को समझती थी।
पर्यावरण योजनाकार: लाभ और प्रदूषण के बीच संतुलन
दूसरा, और शायद अधिक रोमांचक अनुप्रयोग, एक बहु-उद्देश्यीय निर्णय लेने (multi-objective decision-making) का कार्य था। कल्पना कीजिए कि आप एक शहर नियोजक हैं जो यह तय करने की कोशिश कर रहे हैं कि किसानों को कौन सी फसलें उगानी चाहिए। आपके पास दो लक्ष्य हैं जो एक-दूसरे से लड़ते हैं: आप पैसा (लाभ) कमाना चाहते हैं और आप नदी को साफ (कम प्रदूषण) रखना चाहते हैं।
आमतौर पर, AI केवल यह भविष्यवाणी करता है कि क्या होगा। लेकिन इस सिस्टम से पूछा जा सकता है, "हमें सबसे अच्छा संतुलन प्राप्त करने के लिए क्या करना चाहिए?" लेखकों ने आयोवा में एक वास्तविक जलसंभर (watershed) के साथ एक परिदृश्य तैयार किया। उन्होंने यह अनुमान लगाने के लिए एक GNN का उपयोग किया कि विभिन्न फसलें पानी के प्रदूषण को कैसे प्रभावित करेंगी। फिर, उन्होंने अपने नए ढांचे का उपयोग करके एक "क्या-अगर" (what-if) सिमुलेशन चलाया। उन्होंने सिस्टम से पूछा: "यदि हम 70% ध्यान लाभ पर और 30% स्वच्छ जल पर केंद्रित करना चाहते हैं, तो इस क्षेत्र के प्रत्येक खेत के लिए मक्का, सोया और चारा (pasture) का सही मिश्रण क्या है?"
सिस्टम ने केवल अनुमान नहीं लगाया; इसने सबसे संभावित सर्वोत्तम समाधान की गणना की। इसने पाया कि कुछ क्षेत्रों के लिए, मक्का उगाना (जो लाभदायक है लेकिन प्रदूषण फैलाता है) ठीक था, लेकिन पानी के पास के अन्य क्षेत्रों के लिए, चारा (कम लाभदायक लेकिन स्वच्छ) अपनाना ही नदी को सुरक्षित रखने का एकमात्र तरीका था। उन्होंने यह भी दिखाया कि यदि वे "आंशिक" फसलों (जैसे एक खेत पर 30% मक्का और 70% सोया) की अनुमति देने के लिए नियमों को ढीला करते हैं, तो सिस्टम और भी बेहतर समाधान तेजी से खोज सकता है। यह सिद्ध करता है कि यह सिस्टम जटिल वास्तविक दुनिया की योजना के लिए एक निर्णय-सहायता उपकरण के रूप में कार्य कर सकता है, न कि केवल एक साधारण भविष्यवक्ता के रूप में।
पेच: गति बनाम बुद्धिमत्ता
शोध पत्र इसके व्यापार-बंद (trade-offs) के बारे में ईमानदार है। जबकि यह नया सिस्टम अविश्वसनीय रूप से लचीला और स्मार्ट है, यह मानक AI की तुलना में धीमा हो सकता है। उनके परीक्षणों में, वास्तविक दुनिया के डेटासेट पर अनुमान चलाने (सोचने वाला हिस्सा) में लगभग 70 मिनट लगे, जबकि एक प्रतिस्पर्धी सिस्टम ने केवल 45 सेकंड लिए। क्यों? क्योंकि नया सिस्टम बहुत भारी काम कर रहा है: यह केवल अनुमान नहीं लगा रहा है; यह सभी नियमों के अनुकूल सबसे अच्छे परिदृश्य को खोजने के लिए लाखों संभावित परिदृश्यों की खोज कर रहा है।
लेखक सुझाव देते हैं कि हालांकि यह सबसे तेज़ उपकरण नहीं है, लेकिन यह सबसे बहुमुखी है। यह उन समस्याओं को संभाल सकता है जिन्हें अन्य AI छू भी नहीं सकते, जैसे कि परस्पर विरोधी लक्ष्यों को संतुलित करना या जटिल समूह व्यवहार को समझना। वे निष्कर्ष निकालते हैं कि यह ढांचा AI के एक नए प्रकार के द्वार खोलता है जो दुनिया के तार्किक नियमों का सम्मान करते हुए डेटा से सीख सकता है, जिससे यह सामाजिक नेटवर्क को ठीक करने से लेकर टिकाऊ शहरों की योजना बनाने तक सब कुछ के लिए एक शक्तिशाली उपकरण बन जाता है।
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।