← नवीनतम पेपर
🤖 machine learning

Benchmarking Compositional Generalisation for Machine Learning Interatomic Potentials

यह शोध पत्र मशीन लर्निंग इंटरएटमिक पोटेंशियल की कंपोजिशनल जनरलाइजेशन क्षमताओं का मूल्यांकन करने के लिए चार कार्यों वाला एक बेंचमार्क प्रस्तुत करता है, जो यह प्रकट करता है कि अत्याधुनिक फाउंडेशन मॉडल भी इन-डिस्ट्रीब्यूशन डेटा पर अपने प्रदर्शन की तुलना में अनदेखी आणविक संरचनाओं पर सामान्यीकरण करने में काफी संघर्ष करते हैं।

मूल लेखक: Amir Masoud Nourollah, Irtaza Khalid, Stefano Leoni, Steven Schockaert

प्रकाशित 2026-05-12
📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Amir Masoud Nourollah, Irtaza Khalid, Stefano Leoni, Steven Schockaert

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

यहाँ "Benchmarking Compositional Generalisation for Machine Learning Interatomic Potentials" पेपर का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ हिंदी अनुवाद दिया गया है।

बड़ी तस्वीर: "केमिस्ट्री लेगो" (Chemistry Lego) की समस्या

कल्पना कीजिए कि आप एक रोबोट को लेगो ब्रिक्स (Lego bricks) से निर्माण करना सिखा रहे हैं। आप रोबोट को 2 लाल ब्रिक्स वाला एक छोटा टावर, 3-ब्रिक्स वाला टावर और 4-ब्रिक्स वाला टावर बनाना सिखाते हैं। रोबोट उन विशिष्ट टावरों के टूटने या डगमगाने की भविष्यवाणी करने में बहुत माहिर हो जाता है।

अब, आप रोबोट को एक 10-ब्रिक्स वाला टावर बनाने के लिए कहते हैं जिसे उसने पहले कभी नहीं देखा है, या उसे रंगों के एक नए संयोजन (combination) का उपयोग करके टावर बनाने के लिए कहते हैं जिसका उसने अभ्यास नहीं किया है।

  • सवाल: क्या रोबोट ने वास्तव में लेगो ब्रिक्स के आपस में जुड़ने के नियम सीखे हैं? या उसने केवल उन 2, 3 और 4-ब्रिक्स वाले टावरों को रट लिया है जो आपने उसे दिखाए थे?
  • हकीकत: अधिकांश रोबोट (मशीन लर्निंग मॉडल) उन उदाहरणों को याद रखने में बहुत अच्छे होते हैं जो उन्होंने देखे हैं, लेकिन जब उन्हें नए, अनदेखे संयोजनों पर उन नियमों को लागू करने के लिए कहा जाता है, तो वे बुरी तरह विफल हो जाते हैं। वे वास्तव में भौतिकी (physics) को समझने के बजाय इंटरपोलेटिंग (पास के उदाहरणों के आधार पर अनुमान लगाना) करके "चीटिंग" कर रहे हैं।

यह पेपर एक नया टेस्ट (एक बेंचमार्क) पेश करता है ताकि यह देखा जा सके कि क्या ये AI मॉडल वास्तव में "रसायन विज्ञान के नियमों" को समझते हैं या वे केवल पैटर्न पहचानने में अच्छे हैं।

टेस्ट: "GMD" बेंचमार्क

लेखकों ने GMD (Generalisation for Molecular Dynamics) नामक एक टेस्ट बनाया है। AI से केवल उस अणु (molecule) की ऊर्जा बताने के लिए कहने के बजाय जिसे उसने पहले देखा है, उन्होंने चार विशिष्ट चुनौतियाँ बनाईं जहाँ AI को ज्ञात भागों को नए तरीकों से जोड़ना होगा।

इसे खाना बनाने की परीक्षा की तरह समझें:

  1. टास्क 1: "लंबा पास्ता" टेस्ट (Fragment Chain Extension)

    • सेटअप: आप AI को 2, 3, 4, 5 और 6 धागों के साथ स्पैगेटी पकाना सिखाते हैं।
    • टेस्ट: क्या वह सही ढंग से भविष्यवाणी कर सकता है कि 13-धागों वाला स्पैगेटी कैसा व्यवहार करेगा?
    • परिणाम: AI यहाँ ठीक था। वह उन चीज़ों के थोड़े लंबे संस्करणों को संभाल सका जिन्हें वह जानता था।

  2. टास्क 2: "नई सॉस" टेस्ट (Fragment Fusion)

    • सेटअप: आप AI को सिखाते हैं कि "टमाटर सॉस" (टमाटर + पानी) और "लहसुन सॉस" (लहसुन + तेल) कैसे बनाया जाता है।
    • टेस्ट: क्या वह भविष्यवाणी कर सकता है कि "टमाटर-लहसुन सॉस" (उन सामग्रियों का एक नया मिश्रण) का स्वाद कैसा होगा?
    • परिणाम: पूर्ण विफलता। AI यह नहीं समझ पाया कि उन दोनों ज्ञात सामग्रियों को मिलाने से एक नया, अनुमानित परिणाम प्राप्त होगा। उसने नई सॉस के साथ ऐसा व्यवहार किया जैसे वह कोई पूरी तरह से पराई चीज़ हो।

  3. टास्क 3: "डबल ट्रबल" टेस्ट (Fragment Duplication)

    • सेटअप: आप AI को एक केक दिखाते हैं जिसके ऊपर एक चेरी रखी है।
    • टेस्ट: क्या वह भविष्यवाणी कर सकता है कि क्या होगा यदि आप उसी केक पर दो चेरी रखते हैं?
    • परिणाम: विफलता। AI यह समझने में संघर्ष कर रहा था कि एक समान भाग जोड़ने से उसका प्रभाव बस दोगुना हो जाता है; वह नई व्यवस्था से भ्रमित हो गया।

  4. टास्क 4: "मिक्स-एंड-मैच" टेस्ट (Fragment Combination)

    • सेटअप: आप AI को दो चेरी वाला एक केक दिखाते हैं, और दो ब्लूबेरी वाला एक केक दिखाते हैं।
    • टेस्ट: क्या वह भविष्यवाणी कर सकता है कि क्या होगा यदि आप एक केक पर एक चेरी और एक ब्लूबेरी रखते हैं?
    • परिणाम: आंशिक सफलता। यह कठिन कार्यों में सबसे आसान था, लेकिन AI ने अभी भी उन चीज़ों की तुलना में बड़ी गलतियाँ कीं जिन्हें वह जानता था।

चौंकाने वाली खोज: "बड़ा" होने का मतलब "बेहतर" होना नहीं है

AI की दुनिया में, एक लोकप्रिय धारणा है कि यदि आप एक मॉडल को लाखों अणुओं (एक "फाउंडेशन मॉडल") पर प्रशिक्षित करते हैं, तो वह स्वतः ही एक जीनियस बन जाएगा जो सब कुछ समझता है।

लेखकों ने इन "सुपर-मॉडेल्स" (जो लाखों अणुओं पर प्रशिक्षित हैं) का परीक्षण GMD टेस्ट के विरुद्ध किया।

  • अपेक्षा: सुपर-मॉडेल्स को इस टेस्ट में दबदबा बनाना चाहिए क्योंकि उन्होंने बहुत सारा डेटा देखा है।
  • हकीकत: वे विफल रहे।
    • सुपर-मॉडेल्स का प्रदर्शन उन छोटे मॉडलों के समान ही खराब था जिन्हें शून्य से प्रशिक्षित किया गया था।
    • वास्तव में, कुछ कार्यों के लिए, सुपर-मॉडेल्स बदतर थे।
    • सबक: सिर्फ इसलिए कि एक AI ने दस लाख उदाहरण देखे हैं, इसका मतलब यह नहीं है कि उसने नियम सीख लिए हैं। इसका मतलब केवल यह है कि उसके पास अनुमान लगाने के लिए याद किए गए उदाहरणों का एक बड़ा पुस्तकालय है। उसने पुराने हिस्सों से नई चीज़ों को "कंपोज़" करना नहीं सीखा है।

यह क्यों मायने रखता है (पेपर के अनुसार)

पेपर का तर्क है कि रसायन विज्ञान के वर्तमान AI मॉडल तोतों की तरह हैं।

  • एक तोता सुनी हुई बात को बिल्कुल सटीक रूप से दोहरा सकता है।
  • लेकिन यदि आप तोते से उन शब्दों का उपयोग करके एक प्रश्न का उत्तर देने के लिए कहते हैं जिन्हें वह जानता है, लेकिन एक ऐसे वाक्य की संरचना में जिसे उसने पहले कभी नहीं सुना, तो वह विफल हो जाता है।

पेपर का दावा है कि वर्तमान AI मॉडल केवल इंटरपोलेटिंग (उन चीज़ों के बीच खाली जगह भरना जिन्हें वे जानते हैं) कर रहे हैं, न कि जनरलाइजिंग (उन चीज़ों पर नियम लागू करना जिन्हें वे नहीं जानते)।

निष्कर्ष

लेखकों ने यह बेंचमार्क यह साबित करने के लिए बनाया है कि:

  1. वर्तमान AI मॉडल वास्तव में कंपोजिशनल (compositional) नहीं हैं। वे ज्ञात रासायनिक भागों को लेकर नए अणुओं के व्यवहार की भविष्यवाणी करने के लिए उन्हें विश्वसनीय रूप से जोड़ नहीं सकते।
  2. केवल अधिक डेटा पर प्रशिक्षण देना (फाउंडेशन मॉडल्स) इस समस्या को हल नहीं करता है।
  3. हमें केवल यह मापने से रुकना चाहिए कि AI उन अणुओं की कितनी अच्छी तरह भविष्यवाणी करता है जिन्हें उसने पहले देखा है, और इसके बजाय हमें यह परीक्षण करना चाहिए कि क्या वह "अनदेखे" संयोजनों को संभाल सकता है जिसकी वास्तविक दुनिया के विज्ञान (जैसे ड्रग डिस्कवरी) में आवश्यकता होती है।

संक्षेप में: AI शब्दकोश सुनाने में अच्छा है, लेकिन वह उन शब्दों के साथ एक नई कहानी लिखने में बहुत बुरा है जिन्हें वह जानता है। यह पेपर उस सुधार के लिए एक चेतावनी 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।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 🤖 cs.LG →