🔬 physics

Bipartite Cholesky Graph Networks for Many-Body Quantum Chemistry

यह शोध पत्र बाइपार्टाइट चोलेस्की ग्राफ नेटवर्क (Bipartite Cholesky Graph Networks) को प्रस्तुत करता है, जो एक नवीन आर्किटेक्चर है जो इलेक्ट्रॉन प्रतिकर्षण इंटीग्रल्स (electron repulsion integrals) को एक संरचित बाइपार्टाइट ग्राफ के रूप में मॉडल करने के लिए डेंसिटी-फिटेड चोलेस्की अपघटन का लाभ उठाता है, जिससे उच्च-क्रम की इंटरेक्शन संरचनाओं को संरक्षित किया जाता है और मौजूदा संकुचित स्केलर फीचर दृष्टिकोणों की तुलना में आणविक सहसंबंध ऊर्जाओं (molecular correlation energies) की भविष्यवाणी करने में उत्कृष्ट सटीकता प्राप्त की जाती है।

मूल लेखक: Abdul Samad Khan

प्रकाशित 2026-05-26

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Abdul Samad Khan

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 यह अनुमान लगाने की कोशिश कर रहे हैं कि एक अणु (molecule) में कितनी ऊर्जा संचित है। क्वांटम केमिस्ट्री की दुनिया में, यह एक विशाल, जटिल पार्टी के सटीक खर्च की गणना करने जैसा है जहाँ हर अतिथि (इलेक्ट्रॉन) अन्य प्रत्येक अतिथि के साथ बातचीत करता है।

समस्या यह है कि संभावित इंटरैक्शन (interactions) की संख्या इतनी तेजी से बढ़ती है (जैसे पहाड़ से लुढ़कता हुआ हिमखंड) कि दुनिया के सबसे तेज़ सुपरकंप्यूटर भी बहुत छोटी पार्टियों के अलावा किसी और चीज़ के लिए इसकी गणना करने में संघर्ष करते हैं। यह वह "O(N⁴)" बाधा है जिसका उल्लेख पेपर में किया गया है: गणित बहुत जल्दी बहुत भारी हो जाता है।

यहाँ बताया गया है कि यह पेपर इन सरल उपमाओं का उपयोग करके इस समस्या को कैसे हल करता है:

1. पुराना तरीका: अतिथि सूची को संकुचित करना

इस समस्या को हल करने के लिए आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग करने के पिछले प्रयासों ने गणित को सरल बनाने के लिए अतिथि सूची को "संकुचित" (compress) करने की कोशिश की। कल्पना कीजिए कि एक विशाल पार्टी का वर्णन केवल लोगों की कुल संख्या और औसत शोर के स्तर को सूचीबद्ध करके करने की कोशिश करना। आप विशिष्ट विवरण खो देते हैं: कौन किससे बात कर रहा है, कौन बहस कर रहा है, और कौन नाच रहा है।

पेपर तर्क देता है कि इन जटिल इंटरैक्शन को सरल संख्याओं (स्केलर) में संकुचित करके, वैज्ञानिक उस जानकारी को ही फेंक रहे थे जो यह समझने के लिए आवश्यक थी कि इलेक्ट्रॉन एक-दूसरे के साथ कैसे "सहसंबंध" (correlate/interact) करते हैं। यह एक फिल्म को केवल उसकी टिकट बिक्री को देखकर समझने की कोशिश करने जैसा है; आप कहानी को मिस कर देते हैं।

2. नया विचार: "बाइपार्टाइट" (Bipartite) पार्टी प्लानर

लेखकों, अब्दुल समद खान और उनकी टीम ने महसूस किया कि इन इंटरैक्शन का वर्णन करने वाले गणित (जिसे ERI टेंसर कहा जाता है) में एक छिपा हुआ ढांचा है। डेटा को कुचलने के बजाय, उन्होंने एक ऐसा मानचित्र बनाने का निर्णय लिया जो उस संरचना का सम्मान करता है।

उन्होंने चोलेस्की फैक्टराइजेशन (Cholesky Factorization) नामक एक गणितीय ट्रिक का उपयोग किया। इसे एक विशाल, उलझे हुए ऊन के गोले (जटिल इंटरैक्शन) को दो अलग-अलग समूहों में सुलझाने के रूप में सोचें:

समूह A (ऑर्बिटल नोड्स): वास्तविक इलेक्ट्रॉन (अतिथि)।
समूह B (सहायक नोड्स): "इंटरैक्शन चैनल" या "संदेशवाहक" जो मेहमानों के बीच सूचना ले जाते हैं।

उनके नए AI मॉडल में, इलेक्ट्रॉन सीधे एक-दूसरे से बात नहीं करते हैं। इसके बजाय, वे "संदेशवाहकों" (समूह B) को संदेश भेजते हैं, जो फिर सूचना को अन्य इलेक्ट्रॉनों तक पहुँचाते हैं। यह एक बाइपार्टाइट ग्राफ (दो-पक्षीय नेटवर्क) बनाता है।

उपमा:
एक बड़े कार्यालय की कल्पना करें।

पुराना तरीका: प्रत्येक कर्मचारी सीधे प्रत्येक अन्य कर्मचारी से बात करने की कोशिश करता है। फोन लाइनें जाम हो जाती हैं, और शोर बहुत अधिक हो जाता है।
नया तरीका: प्रत्येक कर्मचारी एक विशिष्ट "टीम लीड" (सहायक नोड) से बात करता है। टीम लीड संदेश का सारांश देता है और उसे प्रासंगिक अन्य कर्मचारियों तक पहुँचाता है। सिस्टम व्यवस्थित है, कुशल है, और अराजकता के बिना सूचना के सटीक प्रवाह को कैप्चर करता है।

3. यह बेहतर क्यों काम करता है

इस "संदेशवाहक" संरचना को बनाए रखकर, AI को यह अनुमान लगाने की आवश्यकता नहीं है कि इलेक्ट्रॉन कैसे परस्पर क्रिया करते हैं। नेटवर्क की संरचना ही इंटरैक्शन का भौतिकी (physics) है।

गति: क्योंकि उन्होंने संदेशवाहकों को कुशलतापूर्वक व्यवस्थित किया है, कंप्यूटर को असंभव गणित करने की आवश्यकता नहीं होती है। पेपर दिखाता है कि उनका तरीका बहुत तेज़ी से चलता है (N⁴ के बजाय N²·²⁰ की तरह स्केल करता है), जिसका अर्थ है कि यह क्रैश हुए बिना बड़े अणुओं को संभाल सकता है।
सटीकता: जब उन्होंने छह अलग-अलग प्रकार के सरल दो-परमाणु वाले अणुओं (जैसे कार्बन मोनोऑक्साइड या नाइट्रोजन) पर इसका परीक्षण किया, तो उनका मॉडल अविश्वसनीय रूप से सटीक था। इसने केवल 0.0296 हार्ट्री (ऊर्जा की एक सूक्ष्म इकाई) की त्रुटि की, जो "संकुचित" तरीकों की तुलना में एक बहुत बड़ा सुधार है जिन्होंने 15 गुना अधिक त्रुटियां की थीं।

4. "जीरो-शॉट" टेस्ट: क्या यह नई चीजें सीख सकता है?

शोधकर्ताओं ने यह भी पूछा: "यदि हम AI को पांच प्रकार के अणुओं पर प्रशिक्षित करते हैं, तो क्या यह एक छठे प्रकार के अणु की ऊर्जा का अनुमान लगा सकता है जिसे उसने पहले कभी नहीं देखा है?"

आश्चर्य: उन्हें लगा कि AI उन अणुओं पर सबसे अच्छा काम करेगा जो परमाणु आवेशों (जैसे समान आवेश वाले दो परमाणु) के मामले में समान दिखते हैं।
वास्तविकता: AI ने परमाणु आवेशों की उतनी परवाह नहीं की जितनी कि उसने इलेक्ट्रॉन के "नृत्य के आकार" (shape of the electron dance) की की।
- सफलता की कहानी (LiH): AI ने लिथियम हाइड्राइड का सटीक अनुमान लगाया। क्यों? क्योंकि उसने एक प्रशिक्षण अणु में लिथियम और दूसरे में हाइड्रोजन को पहले ही देख लिया था। वह दोनों के "डांस मूव्स" को कैसे संयोजित करना है, यह जानता था।
- विफलता की कहानी (Li2): AI लिथियम-लिथियम के साथ संघर्ष कर रहा था। भले ही उसने पहले लिथियम को देखा था, लेकिन दो लिथियम परमाणुओं के बीच जिस तरह से बॉन्डिंग हुई, वह एक "डिफ्यूज" (फैला हुआ/ढीला) नृत्य था जो उसके प्रशिक्षण सेट में सीखे गए "टाइट" (सघन) नृत्यों से बिल्कुल अलग था। AI इस नए नृत्य शैली को पहचान नहीं सका।

निचोड़ (The Bottom Line)

यह पेपर AI को रसायन विज्ञान सिखाने का एक नया तरीका पेश करता है। संकुचित, सरलीकृत डेटा को याद करने के बजाय, उन्होंने एक ऐसा नेटवर्क बनाया जो इलेक्ट्रॉनों के वास्तविक "संदेशवाहक तंत्र" को दर्शाता है।

परिणाम: यह तेज़ है, अधिक सटीक है, और हमें सिखाता है कि नए अणुओं के लिए सामान्यीकरण (generalize) करने के लिए, AI को केवल परमाणुओं के बुनियादी गुणों की नहीं, बल्कि इलेक्ट्रॉनों के परस्पर क्रिया करने के संरचनात्मक समानता की समझ होनी चाहिए।
सीमा: वर्तमान में, यह छोटे, सरल अणुओं (डायटोमिक्स) के लिए अच्छी तरह से काम करता है और एक विशिष्ट प्रकार के गणित पर निर्भर करता है जो यह मानता है कि इलेक्ट्रॉन एक मानक तरीके से व्यवहार कर रहे हैं। इसका परीक्षण अभी तक विशाल, जटिल प्रोटीन या दवाओं पर नहीं किया गया है।

संक्षेप में: उन्होंने पार्टी का सारांश निकालने के बजाय, पार्टी के सोशल नेटवर्क का एक मानचित्र बनाया, जिससे AI को इंटरैक्शन को बहुत अधिक स्पष्टता के साथ समझने में मदद मिली।

तकनीकी सारांश: मेनी-बॉडी क्वांटम केमिस्ट्री के लिए बाइपार्टाइट चोलेस्की ग्राफ नेटवर्क

1. समस्या विवरण

प्रथम सिद्धांतों (first principles) से आणविक ग्राउंड-स्टेट ऊर्जाओं की सटीक भविष्यवाणी करने के लिए इलेक्ट्रॉनिक स्ट्रक्चर समस्या (ESP) को हल करना आवश्यक है, विशेष रूप से इलेक्ट्रॉन रिपल्शन इंटीग्रल (ERI) टेंसर, $g_{pqrs}$ को हल करना। यह टेंसर स्थानिक ऑर्बिटल्स की संख्या $N$ के साथ $O(N^4)$ के रूप में स्केल करता है, जो एक महत्वपूर्ण कम्प्यूटेशनल और रिप्रेजेंटेशनल बाधा उत्पन्न करता है।

मौजूदा ग्राफ न्यूरल नेटवर्क (GNN) दृष्टिकोण अक्सर इस बाधा को कम करने के लिए ERI टेंसर को लो-रैंक स्केलर फीचर्स, जैसे कि कूलम्ब ( $J$ ) और एक्सचेंज ( $K$ ) मैट्रिसेस में संकुचित (compress) करने का प्रयास करते हैं। लेखक तर्क देते हैं कि यह डाइमेंशनलिटी रिडक्शन उन उच्च-क्रम अंतःक्रिया संरचनाओं (higher-order interaction structures) को त्याग देता है जो इलेक्ट्रॉन सहसंबंध (electron correlation) को मॉडल करने के लिए आवश्यक हैं। इसके अतिरिक्त, मानक एटोमिस्टिक GNNs परमाणुओं को नोड्स के रूप में और स्थानिक निकटता को एड्ज के रूप में मैप करते हैं, जो सेकंड क्वांटाइजेशन में औपचारिक रूप से वर्णित गैर-स्थानीय इलेक्ट्रॉनिक अंतःक्रियाओं को स्पष्ट रूप से एनकोड करने में विफल रहते हैं।

2. कार्यप्रणाली

2.1 सैद्धांतिक आधार: चोलेस्की गुणनखंडन (Cholesky Factorization)

प्रस्तावित विधि का मूल ERI टेंसर का डेंसिटी-फिटेड चोलेस्की डीकंपोजिशन है। यह पहचानते हुए कि कूलम्ब ऑपरेटर पॉजिटिव सेमी-डेफिनिट है, चार-इंडेक्स टेंसर को तीन-इंडेक्स टेंसरों के उत्पाद के रूप में अनुमानित किया जाता है:
$g_{pqrs} \approx \sum_{L=1}^{N_{aux}} B^L_{pq} B^L_{rs}$
जहाँ $N_{aux} \approx 2N$ सहायक आधार (auxiliary basis) का आकार है। यह पैरामीट्राइजेशन स्केलिंग को $O(N^4)$ से घटाकर $O(N^2 N_{aux})$ कर देता है।

2.2 बाइपार्टाइट ग्राफ आर्किटेक्चर

ऑक्सिलरी डाइमेंशन को संकुचित करने के बजाय, लेखक इसे सीधे एक संरचित बाइपार्टाइट ग्राफ टोपोलॉजी $\mathcal{G} = (V_O, V_A, E)$ में परिवर्तित करते हैं:

ऑर्बिटल नोड्स ( $V_O$ ): $N$ ऑर्बिटल डिग्री ऑफ फ्रीडम का प्रतिनिधित्व करते हैं। इनके फीचर्स को वन-इलेक्ट्रॉन कोर हैमिल्टोनियन ( $h_{pq}$ ) से इनिशियलाइज किया जाता है।
ऑक्सिलरी इंटरेक्शन नोड्स ( $V_A$ ): $N_{aux}$ फैक्टरलाइज्ड इंटरेक्शन चैनल्स का प्रतिनिधित्व करते हैं। इनके नोड्स को शून्य से इनिशियलाइज किया जाता है और ये मैसेज पासिंग के लिए मध्यस्थ (intermediaries) के रूप में कार्य करते हैं।
एजेस ( $E$ ): ऑर्बिटल पेयर्स $(p, q)$ को ऑक्सिलरी नोड $L$ से डिटर्मिनिस्टिक वेट्स $B^L_{pq}$ के माध्यम से जोड़ते हैं। महत्वपूर्ण रूप से, ऑर्बिटल नोड्स के बीच कोई प्रत्यक्ष एज नहीं है; सभी सूचना विनिमय (information exchange) ऑक्सिलरी नोड्स के माध्यम से ही होना चाहिए।

2.3 फैक्टरलाइज्ड मैसेज पासिंग

नेटवर्क एक संरचित मैसेज-पासिंग स्कीम का उपयोग करता है जो बाइपार्टाइट टोपोलॉजी द्वारा बाधित है:

ऑर्बिटल से ऑक्सिलरी: ऑर्बिटल अवस्थाओं $x^{(t)}_p$ को पेयरवाइज चोलेस्की वेट्स पर कॉन्ट्रैक्ट करके ऑक्सिलरी नोड अवस्थाओं को अपडेट किया जाता है:
$m^{(t)}_L = \sum_{p,q} B^L_{pq} \phi(x^{(t)}_p, x^{(t)}_q)$
ऑक्सिलरी प्रोसेसिंग: ऑक्सिलरी नोड्स लैटेंट स्टेट $h^{(t)}_L$ को अपडेट करने के लिए एक मल्टी-लेयर पर्सेप्ट्रॉन (MLP) के माध्यम से एकत्रित संदेशों को प्रोसेस करते हैं।
ऑक्सिलरी से ऑर्बिटल: अपडेटेड ऑक्सिलरी अवस्थाओं को ऑर्बिटल नोड्स में ब्रॉडकास्ट किया जाता है:
$m^{(t)}_p = \sum_{L,q} B^L_{pq} \psi(h^{(t)}_L, x^{(t)}_q)$
ऑर्बिटल अवस्था को फिर रेसिडुअली अपडेट किया जाता है: $x^{(t+1)}_p = x^{(t)}_p + \text{MLP}(m^{(t)}_p)$ ।

यह आर्किटेक्चर $O(N^4)$ एज एडजेसेंसी मैट्रिक्स के स्पष्ट निर्माण (materialization) से बचता है, और इसके बजाय घने einsum ऑपरेशन्स का उपयोग करता है।

2.4 लर्निंग ऑब्जेक्टिव

मॉडल एक $\Delta$ -मशीन लर्निंग फॉर्मूलेशन अपनाता है, जो कुल ऊर्जा के बजाय सहसंबंध ऊर्जा (correlation energy) $\Delta E_{corr} = E_{FCI} - E_{HF}$ को लक्षित करता है। यह नेटवर्क के उद्देश्य को प्रमुख मीन-फील्ड वेरिएंस ( $O(10^2)$ हारट्री) से अलग करके, लॉस लैंडस्केप से उसे हटा देता है।

3. मुख्य योगदान

स्ट्रक्चरल डेरिवेशन: लेखकों ने ERI टेंसर के चोलेस्की गुणनखंडन से सीधे एक बाइपाइट ग्राफ प्रतिनिधित्व व्युत्पन्न किया है, जो टेंसर-डीकंपोजिशन विधियों को ऑर्बिटल-बेसिस डीप लर्निंग से जोड़ता है।
कुशल स्केलिंग: संरचित मैसेज-पासिंग आर्किटेक्चर $O(N^{2.20})$ का एम्पिरिकल फॉरवर्ड-पास स्केलिंग प्राप्त करता है, जो स्पष्ट ERI मूल्यांकन की $O(N^4)$ लागत से काफी कम है।
प्रदर्शन सुधार: मॉडल फुल कॉन्फ़िगरेशन इंटरैक्शन (FCI) सहसंबंध ऊर्जा लक्ष्यों के लिए 0.0296 Ha का मीन एब्सोल्यूट एरर (MAE) प्राप्त करता है, जो संकुचित-इंटीग्रल बेसलाइन्स की तुलना में एक महत्वपूर्ण सुधार है।
सामान्यीकरण अंतर्दृष्टि (Generalization Insights): लीव-वन-मॉलिक्यूल-आउट (LOMO) वैलिडेशन के माध्यम से, अध्ययन दर्शाता है कि जीरो-शॉट जनरलाइजेशन, रखे गए अणु की ऑर्बिटल-स्ट्रक्चरल समानता से सहसंबंधित है, न कि केवल न्यूक्लियर चार्ज एसिमेट्री से।

4. प्रयोगात्मक परिणाम

4.1 डेटासेट और सेटअप

आर्किटेक्चर का मूल्यांकन छह डायैटोमिक अणुओं (CO, HF, Li $_2$ , LiH, N $_2$ , O $_2$ ) के 132 ज्योमेट्रीज़ वाले पेनीलेन (PennyLane) डायैटोमिक बेंचमार्क पर किया गया, जिसमें STO-3G बेस सेट का उपयोग किया गया। लक्ष्य FCI सहसंबंध ऊर्जा था।

4.2 बेसलाइन्स के साथ तुलना

पाँच-गुना क्रॉस-वैलिडेशन के तहत, बाइपार्टाइट-चोलेस्की नेटवर्क ने समान डेटा स्प्लिट्स पर प्रशिक्षित कई बेसलाइन्स को काफी बेहतर प्रदर्शन किया:

बाइपार्टाइट-चोलेस्की (हमारा मॉडल): 0.0296 $\pm$ 0.0176 Ha
कंप्रेस्ड ऑर्बिटल GNN: 0.51 $\pm$ 0.08 Ha
डीपसेट्स (अनकप्ल्ड): 0.85 $\pm$ 0.12 Ha
MLP (फ्लैटन $h_{pq}$ ): 1.02 $\pm$ 0.15 Ha

परिणाम दर्शाते हैं कि फैक्टरलाइज्ड रिप्रेजेंटेशन उन अंतःक्रिया संरचनाओं को सुरक्षित रखता है जो इलेक्ट्रॉन सहसंबंध के लिए महत्वपूर्ण हैं, जिन्हें स्केलर डिस्क्रिप्टर्स में संकुचित करने पर खो दिया जाता है।

4.3 एब्लेशन स्टडी

ऑक्सिलरी इंटरेक्शन नोड्स को हटाने और बाइपार्टाइट लूप को होमोजेनियस डीप-सेट एग्रीगेशन से बदलने पर त्रुटि बढ़कर 0.0665 Ha (2.2 $\times$ गिरावट) हो गई। यह पुष्टि करता है कि बाइपार्टाइट पाथवे उन पेयरवाइज सहसंबंध संरचनाओं को एनकोड करता है जो केवल वन-बॉडी फीचर्स से प्राप्त नहीं की जा सकतीं।

4.4 जीरो-शॉट जनरलाइजेशन (LOMO)

LOMO वैलिडेशन में, जीरो-शॉट MAE विभिन्न प्रजातियों के बीच लगभग चार गुना भिन्न था (LiH के लिए 0.040 Ha से Li $_2$ के लिए 0.161 Ha तक)।

LiH ने अच्छा प्रदर्शन किया क्योंकि इसके परमाणु वातावरण (Li और H) प्रशिक्षण सेट (Li $_2$ और HF) में स्वतंत्र रूप से मौजूद थे।
Li $_2$ का प्रदर्शन खराब रहा क्योंकि इसका बॉन्डिंग दो डिफ्यूज 2s ऑर्बिटल्स के ओवरलैप द्वारा संचालित है, जो एक ऐसा स्ट्रक्चरल मोटिफ है जो अन्य प्रशिक्षण अणुओं (जिनमें मिश्रित $\sigma$ - $\pi$ सिस्टम या टाइट 2p बॉन्डिंग शामिल थी) में मौजूद नहीं था।
त्रुटि न्यूक्लियर चार्ज एसिमेट्री ( $\Delta Z$ ) के साथ सहसंबंधित नहीं थी, जिससे पता चलता है कि ट्रांसफ़ेरेबिलिटी ऑक्सिलरी नोड्स द्वारा सीखे गए ऑर्बिटल-इंटरेक्शन प्रायर (prior) की समानता द्वारा नियंत्रित होती है।

4.5 कम्प्यूटेशनल दक्षता

CPU पर बेंचमार्किंग करने पर, $N=50$ एक्टिव ऑर्बिटल्स के लिए, इंफरेंस टाइम 20 ms से कम रहा, जिसका एम्पिरिकल स्केलिंग एक्सपोनेंट $O(N^{2.20})$ है।

5. महत्व और दावे

लेखक दावा करते हैं कि इस कार्य का प्राथमिक महत्व यह प्रदर्शित करना है कि टेंसर गुणनखंडन स्वाभाविक रूप से एक संरचित बाइपार्टाइट मैसेज-पासिंग आर्किटेक्चर को प्रेरित करता है। चोलेस्की स्ट्रक्चर को ERI टेंसर के रूप में स्पष्ट ऑक्सिलरी ग्राफ नोड्स के रूप में बनाए रखकर, यह आर्किटेक्चर:

इलेक्ट्रॉन सहसंबंध के लिए प्रासंगिक उच्च-क्रम अंतःक्रिया संरचनाओं तक पहुंच बनाए रखता है।
संकुचित रिप्रेजेंटेशन की तुलना में भविष्यवाणी त्रुटि में पर्याप्त कमी लाता है।
एक डिज़ाइन सिद्धांत प्रदान करता है जहाँ ग्राफ टोपोलॉजी हैमिल्टोनियन की गणितीय संरचना द्वारा निर्धारित होती है, न कि ह्यूरिस्टिक फीचर इंजीनियरिंग द्वारा।

लेखक नोट करते हैं कि उनका वैलिडेशन वर्तमान में एक मिनिमल बेसिस में छह डायैटोमिक अणुओं तक सीमित है और सिंगल-रेफरेंस हार्ट्री-फॉक रेफरेंस पर निर्भर है। हालांकि, वे तर्क देते हैं कि फैक्टरलाइज्ड ऑपरेटर रिप्रेजेंटेशन, जैसे-जैसे बड़े और अधिक विविध ऑर्बिटल डेटासेट उपलब्ध होंगे, ज्यामितीय डीप लर्निंग को स्ट्रक्चर करने के लिए एक सामान्यीकरण योग्य ढांचा (generalizable framework) प्रदान करते हैं।