📊 statistics

Entropic Riemannian Neural Optimal Transport

यह शोध पत्र एंट्रोपिक RNOT (Entropic RNOT) प्रस्तुत करता है, जो एक एकीकृत ढांचा है जो रिमानियन मैनिफोल्ड्स (Riemannian manifolds) पर अनुकूलतम परिवहन समस्याओं को कुशलतापूर्वक हल करने के लिए अंतर्निहित एंट्रोपिक रेगुलाइजेशन (intrinsic entropic regularization) को एमोर्टाइज्ड न्यूरल लर्निंग (amortized neural learning) के साथ जोड़ता है, जो मौजूदा बेसलाइनों की तुलना में विविध वक्रीय स्थानों (curved spaces) में मजबूत सैद्धांतिक अभिसरण गारंटी और उत्कृष्ट अनुभवजन्य प्रदर्शन प्रदान करता है।

मूल लेखक: Alessandro Micheli, Silvia Sapora, Anthea Monod, Samir Bhatt

प्रकाशित 2026-05-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Alessandro Micheli, Silvia Sapora, Anthea Monod, Samir Bhatt

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 रेत का एक ढेर एक स्थान से दूसरे स्थान पर ले जाने की कोशिश कर रहे हैं, लेकिन ज़मीन समतल नहीं है। शायद वह एक गोला (sphere), एक उलझी हुई गांठ (twisted knot), या एक घुमावदार सतह जैसे कि सैडल (saddle) हो। वास्तविक दुनिया में, डेटा अक्सर इन घुमावदार सतहों पर रहता है (जैसे कि एक रोबोटिक हाथ का घूमना, या एक अणु का आकार), न कि समतल, ग्रिड जैसी कागज़ पर।

यह शोध पत्र इस समस्या को हल करने के लिए एक नया उपकरण पेश करता है जिसे Entropic RNOT कहा जाता है, ताकि इन घुमावदार परिदृश्यों में "डेटा रेत" को कुशलतापूर्वक और सटीक रूप से स्थानांतरित किया जा सके।

यहाँ उन्होंने क्या किया, इसका सरल उपमाओं (analogies) के साथ विवरण दिया गया है:

1. समस्या: सपाट मानचित्र बनाम घुमावदार पृथ्वी

अधिकांश कंप्यूटर प्रोग्राम मानते हैं कि दुनिया सपाट (Euclidean) है। यदि आप ग्लोब पर दो बिंदुओं के बीच एक सीधी रेखा खींचने की कोशिश करते हैं, तो दूरी और दिशा विकृत हो जाती है।

समस्या: जब डेटा घुमावदार आकृतियों (जैसे कि एक गोला या रोटेशन ग्रुप) पर होता है, तो मानक गणितीय तरीके विफल हो जाते हैं। वे या तो दूरियों को गलत बताते हैं या उन्हें हल करने के लिए इतनी अधिक कंप्यूटिंग शक्ति की आवश्यकता होती है कि वे बड़े डेटासेट के लिए बेकार हो जाते हैं।
पुराने समाधान:
- विधि A: वक्र को सपाट करें, गणित हल करें, फिर उसे वापस मोड़ दें। यह त्रुटियां पैदा करता है (जैसे संतरे के छिलके को बिना फटे चपटा करने की कोशिश करना)।
- विधि B: हर एक रेत के कण के लिए सटीक पथ की गणना करें। यह अविश्वसनीय रूप से सटीक है लेकिन इसमें बहुत समय लगता है (जैसे शहर के ट्रैफिक जाम में हर एक कार के लिए रास्ता निकालना)।

2. समाधान: Entropic RNOT

लेखकों ने एक "स्मार्ट गाइड" (एक न्यूरल नेटवर्क) बनाया है जो इन घुमावदार सतहों पर डेटा को बिना उन्हें चपटा किए या प्रत्येक पथ को व्यक्तिगत रूप से गणना किए बिना चलाना सीखता है।

इसे इस तरह समझें:

"Entropic" भाग (धुंधला लेंस): रेत के हर कण के लिए एक एकल, पूर्ण, कठोर पथ की मांग करने के बजाय, यह विधि थोड़ी "धुंध" या यादृच्छिकता (randomness) की अनुमति देती है। कल्पना करें कि आप बिंदु A से बिंदु B तक जाने की कोशिश कर रहे हैं, लेकिन आपके पास एक सख्त सड़क के बजाय, संभावित रास्तों का एक बादल है। यह "धुंध" गणित को हल करना बहुत आसान और तेज़ बना देती है, ठीक वैसे ही जैसे एक धुंधली फोटो को हाई-डेफिनिशन फोटो की तुलना में प्रोसेस करना आसान होता है।
"Neural" भाग (सीखने वाला मार्गदर्शक): हर बार नए डेटा के लिए गणित की समस्या को शून्य से हल करने के बजाय, वे एक न्यूरल नेटवर्क (AI का एक प्रकार) को समाधान के "आकार" को सीखना सिखाते हैं। एक बार प्रशिक्षित होने के बाद, यह नेटवर्क तुरंत किसी भी नए डेटा को कहाँ ले जाना है, यह बता सकता है, भले ही उसने उसे पहले कभी न देखा हो। इसे Amortization कहा जाता है—आप प्रशिक्षण के दौरान कंप्यूटिंग लागत चुकाते हैं, और फिर "गाइड" मुफ्त में काम करता है।

3. यह कैसे काम करता है: "गर्मी" और "केंद्र"

यह पेपर बताता है कि "संभावित रास्तों के धुंधले बादल" को एक ठोस उत्तर में बदलने के दो चतुर तरीके क्या हैं:

"गुरुत्वाकर्षण का केंद्र" (Barycentric Projection): यदि आप एक गोले (Cartan-Hadamard manifolds) जैसी घुमावदार सतह पर हैं, तो यह विधि धुंधले बादल के "गुरुत्वाकर्षण केंद्र" को खोजती है। यह पूछने जैसा है कि, "यदि ये सभी संभावित पथ लोग होते, तो वे कहाँ खड़े होते यदि वे एक-दूसरे का हाथ पकड़कर अपने औसत स्थान को खोजते?" यह एक एकल, स्पष्ट गंतव्य देता है।
"हीट स्मूथिंग" (Heat-Smoothed Surrogates): अधिक जटिल आकृतियों के लिए, वे "गर्मी" (heat) की एक अवधारणा का उपयोग करते हैं। कल्पना करें कि पानी में स्याही की एक बूंद (डेटा) गिराई जाती है। शुरुआत में, यह एक तीखा बिंदु है। जैसे-जैसे समय बीतता है (हीट टाइम), यह एक चिकने बादल में फैल जाता है। यह विधि तीखे, ऊबड़-खाबड़ डेटा बिंदुओं को चिकनी, बहती हुई वितरणों (distributions) में बदलने के लिए इस प्रसार प्रभाव का उपयोग करती है। यह डेटा को संभालने में आसान बनाता है और गणित को छोटी, शोर वाली बारीकियों में फंसने से रोकता है।

4. उन्होंने क्या सिद्ध किया

लेखकों ने केवल अनुमान नहीं लगाया; उन्होंने गणितीय रूप से सिद्ध किया कि:

उनका "स्मार्ट गाइड" पर्याप्त प्रशिक्षण मिलने पर पूर्ण समाधान सीख सकता है।
"गुरुत्वाकर्षण का केंद्र" विधि प्रशिक्षण में सुधार के साथ वास्तविक उत्तर के करीब पहुँचती जाती है।
"हीट स्मूथिंग" विधि स्थिर है और अजीब पूर्वाग्रह (biases) पेश नहीं करती है, भले ही "गर्मी" (यादृच्छिकता) को कम किया जाए।

5. वास्तविक दुनिया का परीक्षण: प्रोटीन डॉकिंग को ठीक करना

यह दिखाने के लिए कि यह काम करता है, उन्होंने एक बहुत ही विशिष्ट, वास्तविक दुनिया की समस्या पर इसका परीक्षण किया: प्रोटीन-लिगैंड डॉकिंग (Protein-Ligand Docking)।

परिदृश्य: कल्पना करें कि एक चाबी (एक ड्रग मॉलिक्यूल) एक ताले (एक प्रोटीन) में फिट होने की कोशिश कर रही है। कंप्यूटर अनुमान लगाने की कोशिश करते हैं कि चाबी कैसे फिट होती है, लेकिन वे अक्सर ओरिएंटेशन (झुकाव) को थोड़ा गलत कर देते हैं।
परीक्षण: उन्होंने अन्य सॉफ़्टवेयर द्वारा उत्पन्न हजारों "गलत" अनुमानों को लिया और अपने Entropic RNOT का उपयोग करके उन्हें "परिष्कृत" (refine) किया।
परिणाम: इस विधि ने ड्रग मॉलेक्यूल्स को सही स्थिति में लाने में पिछले तरीकों की तुलना में बहुत बेहतर प्रदर्शन किया। इसने त्रुटि को एक बड़े अंतर (11.24 Å) से घटाकर एक बहुत छोटे, सटीक अंतर (3.47 Å) तक कम कर दिया। महत्वपूर्ण रूप से, इसने यह सब बिना हर एक ड्रग मॉलिक्यूल के लिए गणित को दोबारा गणना किए बिना किया; प्रशिक्षित "गाइड" ने बस उन नियमों को लागू किया जो उसने सीखे थे।

सारांश

यह शोध पत्र एक नए तरीके को प्रस्तुत करता है जो घुमावदार सतहों पर डेटा को स्थानांतरित करता है और वह है:

सटीक: यह डेटा की वास्तविक ज्यामिति का सम्मान करता है (कोई सपाट करना नहीं)।
तेज़: यह एक पुन: प्रयोज्य मॉडल सीखता है ताकि इसे हर नए डेटा के लिए गणित को फिर से हल न करना पड़े।
स्थिर: यह गणित को मजबूत और गणना करने में आसान बनाने के लिए "धुंध" और "गर्मी" की अवधारणाओं का उपयोग करता है।

उन्होंने गणितीय रूप से सिद्ध किया कि यह काम करता है और दिखाया कि यह ड्रग मॉलिक्यूल्स के ओरिएंटेशन को ठीक करके व्यावहारिक रूप से काम करता है, जो इसे जटिल, घुमावदार डेटा पर मशीन लर्निंग के लिए एक शक्तिशाली उपकरण बनाता है।

तकनीकी सारांश: एंट्रोपिक रीमानियन न्यूरल ऑप्टिमल ट्रांसपोर्ट (Entropic Riemannian Neural Optimal Transport)

1. समस्या विवरण (Problem Statement)

कई मशीन लर्निंग अनुप्रयोगों में डेटा वक्रीय स्थानों (रीमानियन मैनिफोल्ड्स) पर आधारित होता है जैसे कि गोले ( $S^2$ ), रोटेशन समूह ($SO(3) $), रिजिड पोज़ेस ($ SE(3) $), और सिमेट्रिक पॉजिटिव डेफिनिट मैट्रिसेस ($ SPD$)। इन सेटिंग्स में, मानक यूक्लिडियन सन्निकटन (approximations) दूरियों, औसत और परिणामी ऑप्टिमल ट्रांसपोर्ट (OT) समस्याओं को विकृत कर देते हैं।

मौजूदा दृष्टिकोणों में एक ट्रेड-ऑफ (trade-off) होता है:

मैनिफोल्ड OT विधियाँ: अक्सर एम्बॉर्टाइज्ड (amortized), आउट-ऑफ-सैंपल ट्रांसपोर्ट मैप्स का लक्ष्य रखती हैं लेकिन वे कम्प्यूटेशनल बाधाओं से ग्रस्त होती हैं, क्योंकि उन्हें अक्सर प्रत्येक नए इंस्टेंस के लिए पुनरावृत्ति आंतरिक अनुकूलन (iterative inner optimizations) की आवश्यकता होती है।
एंट्रोपिक रेगुलराइजेशन (Entropic Regularization): (जैसे कि सिंकहॉर्न इटरेशन) डिस्क्रीट OT को स्केलेबल और संख्यात्मक रूप से स्थिर बनाता है, लेकिन यह स्वाभाविक रूप से एक एम्बॉर्टाइज्ड मॉडल प्रदान नहीं करता है; प्रत्येक नए वितरण युग्म (pair of distributions) के लिए आमतौर पर एक नया अनुकूलन समस्या हल करने की आवश्यकता होती है।

यह शोध पत्र इंट्रिंसिक ज्योमेट्रिक OT को एम्बॉर्टाइज्ड आउट-ऑफ-सैंपल इवैल्यूएशन और संभवतः नॉन-कॉम्पैक्ट रीमानियन मैनिफोल्ड्स पर एंट्रोपिक रेगुलराइजेशन के साथ जोड़ने के अंतर को संबोधित करता है।

2. कार्यप्रणाली: एंट्रोपिक RNOT (Methodology: Entropic RNOT)

लेखक एंट्रोपिक रीमानियन न्यूरल ऑप्टिमल ट्रांसपोर्ट (Entropic RNOT) का प्रस्ताव करते हैं, जो एक पुन: प्रयोज्य (reusable), मैनिफोल्ड-अवेयर ट्रांसपोर्ट मॉडल सीखने का एक एकीकृत ढांचा है।

मुख्य सूत्र (Core Formulation)

यह विधि एंट्रोपिक OT के सेमी-डुअल फॉर्मुलेशन (semidual formulation) पर आधारित है। सीधे ट्रांसपोर्ट मैप सीखने के बजाय, मॉडल एक टारगेट-साइड श्रोडिंजर पोटेंशियल (Schrödinger potential) $g_\theta$ सीखता है।

पैरामीट्राइजेशन (Parameterization): पोटेंशियल को एक न्यूरल पुलबैक (neural pullback) के माध्यम से पैरामीटराइज किया जाता है। एक निरंतर फीचर मैप $\phi: K_\nu \to \mathbb{R}^n$ (जहाँ $K_\nu$ टारगेट डिस्ट्रीब्यूशन का सपोर्ट है) मैनिफोल्ड पॉइंट्स को यूक्लिडियन स्पेस में मैप करता है। एक यूक्लिडियन न्यूरल नेटवर्क $a_\theta$ को $\phi$ के साथ जोड़कर हाइपोथीसिस क्लास बनाई जाती है।
सेंटरिंग (Centering): चूंकि श्रोडिंजर पोटेंशियल केवल एक एडिटिव कांस्टेंट तक ही आइडेंटिफिएबल होते हैं, इसलिए मॉडल विशिष्टता सुनिश्चित करने के लिए एक सेंटर्ड पुलबैक क्लास $C_\nu(\phi^* \mathcal{F})$ का उपयोग करता है।
ऑप्टिमाइजेशन (Optimization): मॉडल को सेमी-डुअल ऑब्जेक्टिव $J_\varepsilon(g_\theta)$ को मिनी-बैचेस पर स्टोकेस्टिक ग्रेडिएंट एसेंट का उपयोग करके मैक्सिमाइज करके प्रशिक्षित किया जाता है। सोर्स-साइड पोटेंशियल $f^\varepsilon_\theta$ को सीखे गए टारगेट पोटेंशियल के सॉफ्ट $c$ -ट्रांसफॉर्म (एक लॉग-सम-एक्सप ऑपरेशन) के माध्यम से रिकवर किया जाता है।

इंट्रिंसिक ट्रांसपोर्ट सरोगेट्स (Intrinsic Transport Surrogates)

एक बार जब सीखे गए पोटेंशियल द्वारा गिब्स कपलिंग $\pi^\varepsilon_\theta$ प्रेरित हो जाता है, तो यह पेपर विभिन्न मैनिफोल्ड ज्योमेट्री के लिए उपयुक्त Deterministic ट्रांसपोर्ट सरोगेट्स निकालता है:

बेरीसेंट्रिक प्रोजेक्शंस (Barycentric Projections): कार्टन-हाडामार्ड मैनिफोल्ड्स (पूर्ण, सरल रूप से जुड़ा हुआ, गैर-धनात्मक वक्रता वाले) पर, कंडीशनल लॉज़ रीमानियन बेरीसेंटर (फ्रेट मीन) के माध्यम से एक डिटर्मिनिस्टिक ट्रांसपोर्ट मैप को परिभाषित करते हैं।
हीट-स्मूथड सरोगेट्स (Heat-Smoothed Surrogates): पूर्ण स्टोकेस्टिकली कंप्लीट मैनिफोल्ड्स (एक व्यापक वर्ग जिसमें कॉम्पैक्ट मैनिफोल्ड्स, यूक्लिडियन स्पेस और प्रोडक्ट्स जैसे $SE(3)$ शामिल हैं) पर, विधि कंडीशनल टारगेट लॉज़ पर हीट स्मूथिंग लागू करती है। यह संभावित रूप से एटोमिक कंडीशनल डिस्ट्रीब्यूशन को अब्सोल्यूटली कंटीन्यूअस डिस्ट्रीब्यूशन में बदल देता है। इसके बाद एक पॉइंट प्रेडिक्शन (मोड) निकाला जाता है।

3. प्रमुख योगदान (Key Contributions)

यह शोध पत्र तीन योगदान देता है:

फ्रेमवर्क का परिचय: एंट्रोपिक RNOT पहला इंट्रिंसिक न्यूरल फ्रेमवर्क है जो स्टैटिक एंट्रोपिक OT के लिए है, जो सेमी-डुअल फॉर्मुलेशन को एम्बॉर्टाइज्ड आउट-ऑफ-सैंपल इवैल्यूएशन के साथ जोड़ता है।
सैद्धांतिक गारंटी: एक निश्चित रेगुलराइजेशन पैरामीटर $\varepsilon > 0$ $ε > 0$ के लिए, लेखक सिद्ध करते हैं कि प्रस्तावित हाइपोथीसिस क्लास मजबूत प्रोबेबिलिस्टिक मेट्रिक्स (KL डाइवर्जेंस, टोटल वेरिएशन, वीक कन्वर्जेंस) में एंट्रोपिक ऑप्टिमल कपलिंग को रिकवर कर सकती है। फलस्वरूप:
- बेरीसेंट्रिक सरोगेट्स, कार्टन-हाडामार्ड मैनिफोल्ड्स पर $L^2(\mu)$ में अभिसरण (converge) करते हैं।
- हीट-स्मूथड सरोगेट्स, किसी भी निश्चित हीट टाइम $t > 0$ पर स्थिर होते हैं और $t \to 0$ होने पर एसिम्प्टोटिक रूप से अनबायस्ड (asymptotically unbiased) होते हैं।
- ये गारंटी संभवतः नॉन-कॉम्पैक्ट मैनिफोल्ड्स पर कॉम्पैक्टली सपोर्टेड डेटा के लिए मान्य हैं।
अनुभवजन्य सत्यापन (Empirical Validation): यह विधि विविध ज्योमेट्री ( $S^2, SO(3), SPD(3), SE(3), H^2$ ) में मजबूत ट्रांसपोर्ट क्वालिटी प्रदर्शित करती है, जो एम्बिएंट यूक्लिडियन, टेंगेंट-स्पेस और लॉग-यूक्लिडियन बेसलाइन्स से बेहतर प्रदर्शन करती है। यह डिस्क्रीट मैनिफोल्ड सिंकहॉर्न की तुलना में मेमोरी और समय के मामले में बेहतर स्केलेबिलिटी दिखाती है और प्रोटीन-लिगैंड डॉकिंग अनुप्रयोग में महत्वपूर्ण सुधार प्राप्त करती है।

4. प्रयोगात्मक परिणाम (Experimental Results)

सिंथेटिक बेंचमार्क्स (Synthetic Benchmarks)

$S^2, SO(3), SPD(3), SE(3),$ और $H^2$ पर रैप्ड नॉर्मल डिस्ट्रीब्यूशन के साथ मूल्यांकन किया गया।

सटीकता (Accuracy): एंट्रोपिक RNOT सभी बेसलाइन्स की तुलना में डिस्क्रीट मैनिफोल्ड सिंकहॉर्न रेफरेंस प्लान को अधिक सटीकता से रिकवर करता है, जिसमें सबसे बड़े लाभ $SPD(3), SE(3), $और$ H^2$ पर देखे गए जहाँ इंट्रिंसिक ज्योमेट्री सबसे महत्वपूर्ण है।
मेट्रिक्स: यह एम्बिएंट यूक्लिडियन और टेंगेंट-स्पेस लीनियराइजेशन विधियों की तुलना में काफी कम प्लान KL डाइवर्जेंस और एंडपॉइंट जियोडेसिक एरर प्राप्त करता है।

स्केलेबिलिटी (Scalability)

जटिलता (Complexity): डिस्क्रीट मैनिफोल्ड सिंकहॉर्न को कॉस्ट मैट्रिक्स के लिए $O(N^2)$ मेमोरी फुटप्रिंट की आवश्यकता होती है, जो बड़े सपोर्ट साइज (जैसे, $N=32,768$ ) के लिए अव्यावहारिक हो जाता है।
प्रदर्शन: एंट्रोपिक RNOT का ट्रेनिंग टाइम और मेमोरी उपयोग सपोर्ट साइज $N$ के संबंध में स्थिर रहता है (केवल बैच साइज पर निर्भर)। इंफरेंस थ्रूपुट $N$ के साथ रैखिक रूप से स्केल करता है, जिससे प्रति सेकंड लाखों सैंपल प्रोसेस करना संभव हो जाता है।

वास्तविक दुनिया का अनुप्रयोग: प्रोटीन-लिगैंड डॉकिंग (Real-World Application: Protein–Ligand Docking)

इस विधि का उपयोग CrossDocked2020 डेटासेट का उपयोग करके प्रोटीन-लिगैंड डॉकिंग के लिए $SE(3)$ पर रिजिड पोज़ को रिफाइन करने के लिए किया गया।

सेटअप: एक सिंगल मॉडल को होल्ड-आउट डॉकिंग पोज़ को डॉकिंग इंजन के टॉप-रैंक्ड बाइंडिंग बेसिन की ओर रिफाइन करने के लिए पूल किए गए कॉम्प्लेक्स पर प्रशिक्षित किया गया। प्रशिक्षण या इंफरेंस के दौरान किसी भी क्रिस्टलोग्राफिक संरचना का उपयोग नहीं किया गया।
परिणाम:
- टॉप-1 RMSD को बिना रिफाइनमेंट के 11.24 Å से घटाकर 3.47 Å कर दिया गया।
- 2 Å के भीतर सफलता दर को 10.3% से बढ़ाकर 75.9% कर दिया गया।
- इसने फिजिक्स-बेस्ड मिनिमाइजेशन (GNINA) और प्रति-इंस्टेंस डिस्क्रीट सिंकहॉर्न (जो छोटे टारगेट सेट्स के कारण विफल रहा) दोनों को पछाड़ दिया।

5. महत्व और सीमाएं (Significance and Limitations)

महत्व:
पेपर का दावा है कि यह पहला इंट्रिंसिक न्यूरल फ्रेमवर्क प्रदान करता है जो एंट्रोपिक रेगुलराइजेशन की स्केलेबिलिटी को रीमानियन मैनिफोल्ड्स पर एम्बॉर्टाइज्ड न्यूरल OT की सामान्यीकरण क्षमताओं के साथ एकीकृत करता है। यह उच्च-आयामी, गैर-यूक्लिडियन ट्रांसपोर्ट कार्यों के लिए एक व्यावहारिक समाधान प्रदान करता जहाँ डिस्क्रीट विधियाँ कम्प्यूटेशनल रूप से अत्यधिक महंगी होती हैं।

सीमाएं (लेखकों द्वारा वर्णित):

सैद्धांतिक दायरा: सैद्धांतिक गारंटी निश्चित $\varepsilon > 0$ और कॉम्पैक्ट सपोर्ट के लिए स्थापित की गई है; वैनिशिंग-रेगुलराइजेशन रिजीम ( $\varepsilon \to 0$ ) को संबोधित नहीं किया गया है।
जियोमेट्रिक बाधाएं: बेरीसेंट्रिक मैप रिकवरी के लिए गारंटी कार्टन-हाडामार्ड सेटिंग की आवश्यकता होती है; इसके बाहर, बेरीसेंटर्स गैर-अद्वितीय या अस्थिर हो सकते हैं।
अनुप्रयोग विशिष्टताएं: डॉकिंग प्रयोग में, विधि मौजूदा पोज़ एन्सेम्बल के लिए एक रिफाइनमेंट/डीनॉइजिंग प्रक्रिया के रूप में कार्य करती है, न कि एक de novo जेनेरेटिव मॉडल के रूप में। यह वर्तमान में रिसेप्टर पॉकेट संदर्भ को अनदेखा करती है और लिगेंड्स को रिजिड बॉडी के रूप में मानती है, जिससे टॉर्सनल फ्लेक्सिबिलिटी छूट जाती है।
कम्प्यूटेशनल डिपेंडेंसी: प्रदर्शन कुशल जियोडेसिक डिस्टेंस इवैल्यूएशन और स्थिर लॉग-सम-एक्सप गणनाओं पर निर्भर करता है।