Decomposable Neural Symbolic Regression
यह शोध पत्र एक विखंडनीय न्यूरल सिम्बोलिक रिग्रेशन पद्धति प्रस्तुत करता है जो मल्टी-सेट ट्रांसफॉर्मर, जेनेटिक एल्गोरिदम और जेनेटिक प्रोग्रामिंग का लाभ उठाकर अपारदर्शी रिग्रेशन मॉडलों को सटीक, व्याख्या योग्य बहुचर व्यंजकों (multivariate expressions) में संकुचित करता है, जो प्रतिस्पर्धी भविष्य कहनेवाला प्रदर्शन बनाए रखते हुए मूल गणितीय संरचना को निरंतर पुनर्प्राप्त करते 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
विज्ञान की आधुनिक दुनिया में, कंप्यूटर डेटा में पैटर्न खोजने के लिए अविश्वसनीय रूप से शक्तिशाली उपकरण बन गए हैं। वे प्राकृतिक दुनिया के हजारों मापों का विश्लेषण कर सकते हैं और जटिल मॉडल बना सकते हैं जो भविष्य के परिणामों की उच्च सटीकता के साथ भविष्यवाणी करते हैं। इन मॉडलों को अक्सर "अपारदर्शी" (opaque) कहा जाता है क्योंकि, हालांकि वे अच्छी तरह से काम करते हैं, उनका आंतरिक तर्क इतना उलझा हुआ और जटिल होता है कि मनुष्य आसानी से यह नहीं समझ पाते कि वे अपने निष्कर्षों तक कैसे पहुँचते हैं। वे एक 'ब्लैक बॉक्स' की तरह हैं: आप डेटा डालते हैं, और उत्तर बाहर आता है, लेकिन बीच का रास्ता छिपा रहता है। भौतिकी, जीव विज्ञान या इंजीनियरिंग का अध्ययन करने वाले वैज्ञानिकों के लिए, पारदर्शिता की यह कमी एक बड़ी बाधा है। ब्रह्मांड को वास्तव में समझने के लिए, शोधकर्ताओं को केवल एक भविष्यवाणी से अधिक की आवश्यकता है; उन्हें उन शासी समीकरणों (governing equations) की आवश्यकता है, उन स्पष्ट गणितीय वाक्यों की जो बताते हैं कि प्रकृति कैसे कार्य करती है। यह 'सिंबोलिक रिग्रेशन' (symbolic regression) का लक्ष्य है, जो एक ऐसा क्षेत्र है जो केवल डेटा को याद करने के बजाय, देखे गए डेटा की व्याख्या करने वाले सरल, पठनीय सूत्रों को खोजने के लिए समर्पित है।
मोंटाना स्टेट यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने इस समस्या से निपटने का एक नया तरीका विकसित किया है, जो एक ऐसा तरीका प्रदान करता है जो इन जटिल कंप्यूटर मॉडलों की परतों को हटाकर उनके नीचे छिपे सरल गणितीय सत्यों को प्रकट कर सकता है। उनका दृष्टिकोण, जिसे वे SeTGAP कहते हैं, एक मानक, अत्यधिक जटिल कंप्यूटर मॉडल को एक प्रणाली के व्यवहार को सीखने के लिए प्रशिक्षित करने के साथ शुरू होता है। एक बार जब यह "अपारदर्शी" मॉडल प्रशिक्षित और कार्यरत हो जाता है, तो शोधकर्ता इसके लाखों आंतरिक सेटिंग्स को रिवर्स-इंजीनियर करने का प्रयास नहीं करते हैं। इसके बजाय, वे मॉडल को सत्य के स्रोत के रूप में देखते हैं और उससे स्वयं को समझाने के लिए कहते हैं, एक समय में एक चर (variable)। वे व्यवस्थित रूप से प्रत्येक इनपुट कारक को अलग करते हैं, जैसे तापमान या दबाव, और मॉडल से पूछते हैं कि जब केवल वह एक एकल कारक बदलता है, तो आउटपुट कैसे बदलता है। ऐसा करके, सिस्टम एक एकल-चर वाले सरल रेखाचित्रों (sketches) की एक श्रृंखला उत्पन्न करता है जो पहेली के प्रत्येक हिस्से के लिए संबंध के आकार का वर्णन करते हैं।
शोधकर्ता फिर इन व्यक्तिगत रेखाचित्रों को आपस में जोड़ने के लिए एक परिष्कृत प्रक्रिया का उपयोग करते हैं। कल्पना कीजिए कि आप एक जटिल मशीन को पहले यह समझकर समझने की कोशिश कर रहे हैं कि प्रत्येक गियर अपने आप कैसे घूमता है, और फिर यह देख रहे हैं कि वे एक साथ कैसे जुड़ते हैं। टीम इन एकल-चर वाले रेखाचित्रों को एक पूर्ण, बहु-चर सूत्र में मिलाने के लिए कृत्र आर्टिफिशियल इंटेलिजेंस और विकासवादी एल्गोरिदम (evolutionary algorithms) के संयोजन का उपयोग करती है। वे सभी टुकड़ों को एक साथ नहीं फेंक देते हैं, जिससे अक्सर भ्रम या अत्यधिक जटिल परिणाम होते हैं। इसके बजाय, वे एक-एक करके चर जोड़ते हैं, यह सुनिश्चित करते हुए कि हर चरण में सूत्र की संरचना स्वच्छ और तार्किक बनी रहे। यह विधि उन्हें उन मूल कार्यात्मक संबंधों को संरक्षित करने की अनुमति देती है जिन्हें उन्होंने शुरुआत में पहचाना था, जिससे अंतिम समीकरण संख्याओं के एक ऐसे उलझे हुए जाल में बदलने से बच जाता है जो डेटा से तो मेल खाता है लेकिन जिसका कोई अर्थ नहीं होता।
जब टीम ने सिंथेटिक गणितीय चुनौतियों से लेकर वास्तविक दुनिया के भौतिकी समीकरणों तक, विभिन्न प्रकार की समस्याओं पर इस विधि का परीक्षण किया, तो परिणाम चौंकाने वाले थे। सिंथेटिक समस्याओं पर, उनकी विधि ने हर उस मामले में अंतर्निहित प्रणाली की सही गणितीय संरचना को सफलतापूर्वक प्राप्त किया जो उन्होंने चलाए थे। इसके विपरीत, अन्य अग्रणी विधियाँ, जिनमें डीप लर्निंग या पारंपरिक विकासवादी कंप्यूटिंग शामिल हैं, अक्सर सही रूप खोजने में विफल रहीं, और अक्सर ऐसे व्यंजक (expressions) उत्पन्न करती थीं जो या तो बहुत जटिल थे या बस गलत थे, भले ही वे संख्याओं की सही भविष्यवाणी करते हों। नया दृष्टिकोण विशेष रूप से तब मजबूत साबित हुआ जब डेटा में शोर (noise) या त्रुटियां थीं, जो वास्तविक दुनिया के मापन में एक सामान्य घटना है। जबकि अन्य विधियाँ उस डेटा से परे सामान्यीकरण करने में संघर्ष करती थीं जिस पर उन्हें प्रशिक्षित किया गया था, इस विधि द्वारा खोजे गए समीकरणों ने नए, अनदेखे मानों के दायरे में भी अच्छा प्रदर्शन किया।
शोधकर्ताओं ने अपनी तकनीक को भौतिकी के समीकरणों के एक प्रसिद्ध संग्रह पर भी लागू किया जिसे 'फेनमैन डेटासेट' के रूप में जाना जाता है, जिसमें गुरुत्वाकर्षण से लेकर प्रकाश के व्यवहार तक सब कुछ वर्णित करने वाले नियम शामिल हैं। इस बेंचमार्क पर, उनकी विधि ने सही समीकरणों की पहचान करने में उच्च सफलता दर हासिल की, जो लगभग 61.2% सफल रिकवरी के साथ सिंबोलिक समाधान रिकवरी में दूसरे स्थान पर रही, और कई स्थापित तकनीकों के सापेक्ष प्रतिस्पर्धी भविष्य कहनेवाला प्रदर्शन प्रदर्शित किया। यह अध्ययन बताता है कि एक जटिल समस्या को छोटे, प्रबंधनीय भागों में तोड़कर और फिर उन्हें सावधानीपूर्वक पुनर्गठित करके, वर्तमान आर्टिफिशियल इंटेलिजेंस की सीमाओं को पार करना संभव है। इसका मतलब यह नहीं है कि कंप्यूटर कम शक्तिशाली हैं; बल्कि, इसका मतलब यह है कि उन्हें स्वयं को समझाने के लिए कहना अधिक प्रभावी है। यह कार्य यह प्रदर्शित करता है कि आधुनिक मशीन लर्निंग की गहरी, छिपी हुई परतों से स्पष्ट, मानव-पठनीय प्राकृतिक नियमों को निकालना संभव है, जो अपारदर्शी भविष्यवाणियों को पारदर्शी समझ में बदल देता 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।