🤖 AI

EvoMD-LLM: Learning the Language of Species Evolution in Reactive Molecular Dynamics

EvoMD-LLM एक ऐसा ढांचा पेश करता है जो प्रक्षेप पथों (trajectories) को घटना-अवधि टोकन (event-duration tokens) में विविक्त (discretize) करके प्रतिक्रियाशील आणविक गतिशीलता (reactive molecular dynamics) को एक प्रतीकात्मक टेम्पोरल लैंग्वेज मॉडलिंग समस्या के रूप में पुनर्गठित करता है, जिससे बड़े भाषा मॉडल (large language models) स्पष्ट पर्यवेक्षण के बिना प्रजातियों के विकास की सटीक भविष्यवाणी करने और रासायनिक व्याख्याएँ उत्पन्न करने में सक्षम होते हैं।

मूल लेखक: Zhichen Tang, Zhengzheng Dang, Yulin Chen, Jixin Wu, Haiwen Li, Yanming Wang

प्रकाशित 2026-05-29

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zhichen Tang, Zhengzheng Dang, Yulin Chen, Jixin Wu, Haiwen Li, Yanming Wang

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

मुख्य विचार: AI को परमाणुओं की "कहानी" पढ़ना सिखाना

कल्पना कीजिए कि आप एक रासायनिक अभिक्रिया (chemical reaction) का हाई-स्पीड वीडियो देख रहे हैं। यह परमाणुओं के टकराने, जुड़ने और टूटने का एक अराजक दृश्य है। एक इंसान के लिए, यह शोर जैसा दिखता है। एक मानक कंप्यूटर के लिए, यह केवल संख्याओं (निर्देशांकों) की एक विशाल सूची है जिसे समझना कठिन है।

शंघाई जियाओ टोंग विश्वविद्यालय के शोधकर्ताओं ने एक सरल प्रश्न पूछा: क्या होगा यदि हम एक AI को इस अराजकता को एक कहानी की किताब की तरह पढ़ना सिखा सकें?

उन्होंने EvoMD-LLM नामक एक नई प्रणाली बनाई। हर परमाणु के कच्चे भौतिकी (raw physics) को समझने की कोशिश करने के बजाय, उन्होंने रासायनिक अभिक्रिया को एक ऐसी "भाषा" में अनुवादित कर दिया जिसे एक लार्ज लैंग्वेज मॉडल (जैसे चैटबॉट्स को चलाने वाले मॉडल) समझ सके।

समस्या: "शोर" बनाम "कहानी"

एक मॉलिक्यूलर डायनेमिक्स सिमुलेशन को एक लाइव कॉन्सर्ट रिकॉर्डिंग की तरह समझें।

कच्चा डेटा (The Raw Data): यदि आप कॉन्सर्ट को रिकॉर्ड करते हैं, तो आपको हर एक ध्वनि प्राप्त होती है: गायक की आवाज़, भीड़ का शोर, बाहर की हवा, और कुर्सी की चरचराहट। यह बहुत अधिक जानकारी है।
लक्ष्य: आप गीत जानना चाहते हैं—धुन और बोल।

रसायन विज्ञान में, "गीत" अणुओं के बदलने का क्रम है (जैसे, अणु A बदलकर अणु B बन जाता है)। "शोर" परमाणुओं के छोटे, तेज़ कंपन हैं जो वास्तव में अणु की पहचान नहीं बदलते। पिछले AI मॉडल पूरे कॉन्सर्ट (कच्चे नंबरों) को सुनने की कोशिश करते थे और भ्रमित हो जाते थे।

समाधान: परमाणुओं को शब्दों में बदलना

टीम ने "कॉन्सर्ट" को एक टेक्स्ट ट्रांसक्रिप्ट में बदलने का तरीका खोज निकाला।

विविक्तीकरण (Discretization - गति को शब्दों में बदलना):
उन्होंने सिमुलेशन को देखा और कहा, "ठीक है, इन छोटी थरथराहटों को अनदेखा करें। जब एक अणु कुछ समय के लिए एक जैसा रहता है, तो वह एक शब्द है। जब वह किसी नई चीज़ में बदल जाता है, तो वह एक नया शब्द है।"
- उदाहरण: 1,000 फ्रेम तक एक अणु को कंपन करते हुए देखने के बजाय, AI एक टोकन देखता है: (MoS, 50ps)। इसका अर्थ है "Molecule MoS 50 पिकोसेकंड तक मौजूद रहा।"
टेम्पोरल स्कैफोल्डिंग (Temporal Scaffolding - "अवधि" का सुराग):
यही इस पेपर का सबसे महत्वपूर्ण हिस्सा (secret sauce) है। सामान्य टेक्स्ट में, शब्द बस एक-दूसरे के बगल में होते हैं। इस रासायनिक भाषा में, प्रत्येक शब्द के साथ एक टाइमस्टैम्प (timestamp) जुड़ा होता है।
- उपमा: एक ऐसी कहानी पढ़ने की कल्पना करें जहाँ हर वाक्य के अंत में एक नोट लिखा हो कि पात्र उस दृश्य में कितने समय तक रहा।
- महत्व: रसायन विज्ञान में, एक अणु कितने समय तक टिकता है, यह बताता है कि वह एक स्थिर उत्पाद (जैसे पत्थर) है या एक क्षणिक मध्यवर्ती (जैसे चिंगारी)। "समय" को शब्द का एक विशिष्ट हिस्सा बनाकर, AI सीखता है कि स्थिरता अणु का एक गुण है, न कि केवल एक रैंडम नंबर।

यह कैसे काम करता है: "वैज्ञानिक सिम्युलेटर"

शोधकर्ताओं ने कोई नया, जटिल गणितीय इंजन नहीं बनाया। उन्होंने एक मानक AI (Llama 3.1) लिया और उसे एक विशेष "निर्देश पुस्तिका" का उपयोग करके यह नई रासायनिक भाषा सिखाई।

इनपुट (Input): उन्होंने AI को अभिक्रिया का इतिहास दिया, जैसे: (MoO, 100ps) -> (MoOS, 20ps)।
कार्य (Task): उन्होंने पूछा, "आगे क्या होगा?"
आउटपुट (Output): AI अगले अणु और उसकी अवधि की भविष्यवाणी करता है, जैसे: (MoS, 150ps)।

उन्होंने AI को पीछे की ओर देखने (यह अनुमान लगाने कि पहले क्या हुआ था) और यह समझाने के लिए भी सिखाया कि उसने वह अनुमान क्यों लगाया, भले ही उन्होंने उसे स्पष्ट रूप से "क्यों" वाला हिस्सा कभी नहीं सिखाया था।

परिणाम: प्रतिस्पर्धा से बेहतर

टीम ने इस सिस्टम का परीक्षण अन्य तरीकों के विरुद्ध किया, जिसमें शामिल हैं:

मानक AI मॉडल जो केवल संख्याओं को देखते हैं।
रिट्रीवल सिस्टम (Retrieval systems) जो पिछले समान उदाहरणों को खोजने का प्रयास करते हैं।
विशेष रसायन विज्ञान AI।

विजेता: EvoMD-LLM।

इसने अभिक्रिया के अगले चरण की 66% सटीकता के साथ भविष्यवाणी की, जो कि अगली सर्वश्रेष्ठ विधि (जो लगभग 39% थी) से काफी अधिक थी।
शून्य मतिभ्रम (Zero Hallucinations): यह एक बहुत बड़ी बात है। अन्य AI अक्सर ऐसे नकली अणु बना देते हैं जो वास्तविक जीवन में अस्तित्व में नहीं हो सकते। EvoMD-LLM ने ऐसा कभी नहीं किया। यह वास्तविक रसायन विज्ञान के "व्याकरण" पर अडिग रहा।

"जादुई" आश्चर्य: AI खुद की व्याख्या करता है

सबसे आश्चर्यजनक खोज यह नहीं थी कि AI ने सही उत्तर दिया, बल्कि यह थी कि वह अपने तर्क की व्याख्या कर सकता था।

भले ही शोधकर्ताओं ने कभी भी "अभिक्रिया चरणों" को "टेक्स्ट स्पष्टीकरण" के साथ जोड़ने वाला डेटासेट AI को नहीं दिया, फिर भी AI ने खुद से उन्हें जेनरेट करना शुरू कर दिया।

उदाहरण: जब AI ने भविष्यवाणी की कि एक अणु लंबे समय तक रहेगा, तो उसने लिखा: "अनुमानित अवधि थर्मोडायनामिक्स द्वारा समर्थित एक स्थिर त्रि-आयामी संरचना के निर्माण का सुझाव देती है।"

यह एक बच्चे को बिना यह समझाए कि सड़कें कहाँ क्यों जाती हैं, नक्शा पढ़ना सिखाने जैसा है, और फिर अचानक बच्चा कहने लगता है, "मैं इस सड़क से जा रहा हूँ क्योंकि यह ट्रैफिक से बचता है।" AI ने अणुओं की "कहानी" पढ़कर ही रासायनिक दुनिया के "तर्क" को सीख लिया।

सारांश

EvoMD-LLM एक ऐसा ढांचा (framework) है जो परमाणुओं की अव्यवस्थित, निरंतर गति को एक साफ, प्रतीकात्मक भाषा (शब्द + समय) में अनुवादित करता है। ऐसा करके, यह मानक AI चैटबॉट्स को यह समझने और भविष्यवाणी करने की अनुमति देता है कि रासायनिक अभिक्रियाएं समय के साथ कैसे विकसित होती हैं, जो विशेष उपकरणों से भी बेहतर प्रदर्शन करता है और यहाँ तक कि अपनी भविष्यवाणियों के लिए स्वयं वैज्ञानिक स्पष्टीकरण भी उत्पन्न करता है।

मुख्य निष्कर्ष: रासायनिक अभिक्रियाओं की भविष्यवाणी करने के लिए आपको किसी अति-जटिल भौतिकी इंजन की आवश्यकता नहीं है; आपको बस AI को परमाणुओं की कहानी पढ़ने के लिए सही "भाषा" सिखाने की आवश्यकता है।

तकनीकी सारांश: EvoMD-LLM

समस्या विवरण

लार्ज लैंग्वेज मॉडल्स (LLMs) ने SMILES स्ट्रिंग्स का उपयोग करके आणविक गुण भविष्यवाणी जैसे स्थिर वैज्ञानिक तर्क में सफलता प्रदर्शित की है। हालांकि, वे गतिशील भौतिक प्रक्रियाओं की टेम्पोरल संरचना (temporal structure) को मॉडल करने में संघर्ष करते हैं। मॉलिक्यूलर डायनेमिक्स (MD) सिमुलेशन टेम्पोरल इवोल्यूशन का एक स्वाभाविक विवरण प्रदान करते हैं, लेकिन वे उच्च-आवृत्ति वाले निरंतर निर्देशांकों (continuous coordinates) से बने होते हैं जो भाषा मॉडलों के असतत, प्रतीकात्मक टोकन स्पेस (discrete, symbolic token space) के साथ असंगत हैं। मौजूदा टाइम-सीरीज फाउंडेशन मॉडल्स अक्सर संख्यात्मक क्वांटाइजेशन (numerical quantization) पर निर्भर करते हैं, जो रासायनिक प्रजातियों की संरचनात्मक अर्थवत्ता और असतत पहचान को नष्ट कर देता है। इसके अलावा, अधिकांश वर्तमान लर्निंग-आधारित दृष्टिकोण गैर-रिएक्टिव सिस्टम (जैसे प्रोटीन फोल्डिंग) पर केंद्रित हैं और रिएक्टिव प्रक्रियाओं के लिए अनुपयुक्त हैं, जो रासायनिक प्रजातियों के असतत परिवर्तनों द्वारा चिह्नित होती हैं। मुख्य चुनौती यह है कि निरंतर आणविक विकास को मानक ऑटोरेग्रेसिव लैंग्वेज मॉडलिंग के अनुकूल प्रतीकात्मक अनुक्रमों (symbolic sequences) के रूप में कैसे प्रस्तुत किया जाए, बिना रासायनिक रूपांतरणों के कारणत्मक तर्क (causal logic) को खोए।

कार्यप्रणाली

लेखक EvoMD-LLM (इवोल्यूशनरी मॉलिक्यूलर डायनेमिक्स लार्ज लैंग्वेज मॉडल) का प्रस्ताव करते हैं, जो प्रजाति-स्तरीय मॉलिक्यूलर डायनेमिक्स को एक नियंत्रित जेनेरेटिव लैंग्वेज टास्क के रूप में पुनर्गठित करता है। यह कार्यप्रणाली चार प्रमुख चरणों से बनी है:

1. डायनेमिक मोडैलिटी अलाइनमेंट (Dynamic Modality Alignment)

यह फ्रेमवर्क निरंतर भौतिक सिमुलेशन और असतत प्रतीकात्मक तर्क के बीच के अंतर को पाटता है, जिससे कच्चे MD ट्राजेक्टरीज को प्रतिक्रिया घटनाओं (reaction events) के एक संरचित "व्याकरण" में परिवर्तित किया जाता है।

विस्क्रीटाइजेशन (Discretization): कच्चे परमाणु निर्देशांकों को ab initio बॉन्ड-ऑर्डर निर्धारण के आधार पर अनडायरेक्टेड ग्राफ में परिवर्तित किया जाता है। कनेक्टेड कंपोनेंट्स को आणविक सूत्रों (molecular formulas) में क्रमबद्ध किया जाता है।
घटना परिभाषा (Event Definition): एक वैध मॉलिक्यूलर इवेंट को एक टुपल $(m, \Delta t)$ के रूप में परिभाषित किया गया है, जहाँ $m$ एक आणविक प्रजाति है और $\Delta t$ पिकोसेकंड में इसकी निरंतरता की अवधि (persistence duration) है।
फिल्टरिंग (Filtering): थर्मल नॉइज़ से महत्वपूर्ण रासायनिक अवस्थाओं को अलग करने के लिए, $\Delta t < 10$ ps (बॉन्ड वाइब्रेशन) और $\Delta t > 500$ ps (प्लेटो) की अवधि वाली घटनाओं को फ़िल्टर कर दिया जाता है। इसके परिणामस्वरूप संबद्ध अवधियों के साथ आणविक अवस्थाओं का एक असतत अनुक्रम प्राप्त होता है।

2. टेम्पोरल स्कैफोल्डिंग (Temporal Scaffolding)

EvoMD-LLM का एक मुख्य नवाचार टेम्पोरल स्कैफोल्डिंग है, जो इवेंट ड्यूरेशन को स्पशीज टोकन के साथ इंटरलीव किए गए एक स्पष्ट भाषाई टोकन के रूप में मानता है।

काइनेटिक-टू-सेमेंटिक मैपिंग: ड्यूरेशन टोकन काइनेटिक स्थिरता के लिए सेमेंटिक प्रॉक्सी के रूप में कार्य करते हैं। यह एक संरचित इंडक्टिव बायस (inductive bias) के रूप में कार्य करता है, जो थर्मोडायनामिक रूप से स्थिर अवस्थाओं और क्षणिक मध्यवर्ती (transient intermediates) के बीच अंतर करता है।
सेमेंटिक कम्प्रेशन: यह दृष्टिकोण रन-लेंथ एनकोडिंग (RLE) के समान है, जो मॉडल को रेडंडेंट नॉइज़ को छोड़ने और सीधे रासायनिक रूप से महत्वपूर्ण समय-पैमानों पर तर्क करने की अनुमति देता है।
इंडक्टिव बायस: ड्यूरेशन को स्पष्ट रूप से एनकोड करके, मॉडल भौतिक रूप से अमान्य ट्रांजिशन ("काइनेटिक हैलुसिनेशन") को दबाना सीखता है।

3. स्ट्रक्चर्ड इंस्ट्रक्शन फॉर्मेटिंग (Structured Instruction Formatting)

यह फ्रेमवर्क स्टोकेस्टिक भौतिक डायनेमिक्स को नियत (deterministic) सिंटैक्स के साथ संरेखित करने के लिए एक डोमेन-विशिष्ट इंस्ट्रक्शन-ट्यूनिंग प्रतिमान का उपयोग करता है।

सिस्टम कॉन्टेक्स्ट: मॉडल को एक "साइंटिफिक सिम्युलेटर" के रूप में प्रॉम्ट किया जाता है जिसमें एक एकीकृत शब्दावली है जहाँ आउटपुट को आणविक सूत्रों और टाइम टोकन के बीच बारी-बारी से बदलना चाहिए।
टास्क कंस्ट्रेंट्स: निर्देश जनरेशन सर्च स्पेस को वैध भौतिक ट्रांजिशन तक सीमित करते हैं, जो आउटपुट पर सख्त सिंटैक्टिक बाधाएं लागू करते हैं।

4. हेटेरोजेनियस टास्क इंटीग्रेशन (Heterogeneous Task Integration)

डोमेन-विशिष्ट डायनेमिक मॉडलिंग और सामान्य वैज्ञानिक तर्क के बीच संतुलन बनाने के लिए, प्रशिक्षण डेटासेट दो स्ट्रीम से बना है:

स्ट्रक्चर्ड फोरकास्टिंग स्ट्रीम: इसमें 1-स्टेप, 2-स्टेप और बैकवर्ड ट्राजेक्टरी फोरकास्टिंग कार्य शामिल हैं। टेम्पोरल इंडक्टिव रीजनिंग प्राप्त करने के लिए मजबूर करने हेतु प्रशिक्षण को लघु-अवधि के संदर्भों (अधिकतम 2 स्टेप्स) तक सीमित किया गया है।
भाषाई रेगुलाइजेशन स्ट्रीम: सिंथेटिक केमिस्ट्री Q&A पेयर्स को इंटरलीव किया गया है ताकि सामान्य क्षमताओं के कैटास्ट्रोफिक फॉरगेटिंग को रोका जा सके और प्री-ट्रेन्ड वैज्ञानिक ज्ञान में प्रतीकात्मक आणविक टोकन को ग्राउंड किया जा सके।

मॉडल Llama 3.1 8B बैकबोन का उपयोग करता है और पैरामीटर-एफिशिएंट फाइन-ट्यूनिंग के लिए LoRA (लो-रैंक अडैप्टेशन) का उपयोग करता है, जो बेस वेट्स को फ्रीज करते हुए लगभग 42M मापदंडों को ऑप्टिमाइज़ करता है।

मुख्य योगदान

EvoMD-LLM फ्रेमवर्क: एक नवीन लैंग्वेज मॉडलिंग फ्रेमवर्क जो प्रजाति-स्तरीय मॉलिक्यूलर डायनेमिक्स को प्रतीकात्मक इवेंट अनुक्रमों के रूप में पुनर्गठित करता है, जिससे मानक ऑटोरेग्रेसिव LLMs को विशेष आर्किटेक्चर के बिना रिएक्टिव सिस्टम में टेम्पोरल इवोल्यूशन को मॉडल करने में सक्षम बनाया जाता है।
ड्यूरेशन टोकन्स के माध्यम से टेम्पोरल स्कैफोल्डिंग: स्पष्ट ड्यूरेशन टोकन्स को भाषाई तत्वों के रूप में पेश करना। एब्लेशन स्टडीज दर्शाती हैं कि यह डिज़ाइन एक संरचित इंडक्टिव बायस प्रदान करके भविष्यवाणियों की सटीकता में सुधार करता है और अमान्य आणविक आउटपुट को कम करता है।
एकीकृत टेम्पोरल प्रेडिक्शन फॉर्मूलेशन: यह प्रदर्शन करना कि एक एकल इंस्ट्रक्शन-ट्यून किया गया लैंग्वेज मॉडल टास्क-विशिष्ट आर्किटेक्चरल बदलावों के बिना विविध टेम्पोरल प्रेडिक्शन कार्यों (फॉरवर्ड फोरकास्टिंग, बैकवर्ड इन्फरेंस, और स्टोकेस्टिक पोटेंशियल-k प्रेडिक्शन) को लचीले ढंग से सपोर्ट कर सकता है।

प्रयोगात्मक परिणाम

फ्रेमवर्क का मूल्यांकन Mo-S रिएक्टिव सिस्टम पर किया गया, जो स्टोकेस्टिक ब्रांचिंग और प्रतिस्पर्धी रिएक्शन पाथवे (ग्रोथ बनाम एचिंग) से युक्त एक चुनौतीपूर्ण बेंचमार्क है।

प्रदर्शन: EvoMD-LLM ने 1-स्टेप प्रेडिक्शन पर 66.14% सटीकता और 0% मिसिंग रेट (कोई अमान्य आणविक सूत्र उत्पन्न नहीं किया) हासिल किया। इसने काफी बेहतर प्रदर्शन किया:
- RAG बेसलाइन्स (39.52% सटीकता) की तुलना में।
- ज़ीरो-शॉट और फ्यू-शॉट Llama-3.1 (क्रमशः 7.97% और 16.94% सटीकता) की तुलना में।
- सीक्वेंशियल न्यूरल बेसलाइन्स (LSTM: 38.35%; एनकोडर-ओनली ट्रांसफार्मर: 62.16%) की तुलना में।
सामान्यीकरण (Generalization): मॉडल ने N-स्टेप फोरकास्टिंग (2-स्टेप के लिए 53.21%, 3-स्टेप के लिए 39.57%) और बैकवर्ड प्रेडिक्शन (55.26%) में मजबूत प्रदर्शन बनाए रखा, बावजूद इसके कि डेटा लीकेज को रोकने के लिए ट्राजेक्टरी-डिस्जॉइंट स्प्लिट का उपयोग किया गया था।
इमर्जेंट एक्सप्लेनेटरी बिहेवियर: गुणात्मक रूप से, मॉडल ने अपनी भविष्यवाणियों के लिए प्रशंसनीय भौतिक तर्क (जैसे, ड्यूरेशन को थर्मोडायनामिक स्थिरता से जोड़ना) स्वतः उत्पन्न किए, जबकि इसे कभी भी पेयर्ड ट्राजेक्टरी-एक्सप्लेनेशन डेटा के साथ सुपरवाइज नहीं किया गया था।
एब्लेशन स्टडीज: ड्यूरेशन टोकन्स को हटाने से 1-स्टेप सटीकता में भारी गिरावट (66.14% से 54.47% तक) आई, जिससे टेम्पोरल स्कैफोल्डिंग की आवश्यकता सिद्ध हुई। Q&A रेगुलाइजेशन स्ट्रीम को हटाने से ARC बेंचमार्क पर सामान्य वैज्ञानिक तर्क क्षमताएं कम हो गईं।

महत्व और दावे

पेपर का दावा है कि सिंबोलिक टेम्पोरल लैंग्वेज मॉडलिंग LLMs को गतिशील भौतिक सिमुलेशन में ग्राउंड करने के लिए एक प्रभावी ढांचा प्रदान करता है। ड्यूरेशन को एक सेमेंटिक घटक के रूप में मानकर, EvoMD-LLM रासायनिक विकास के "व्याकरण" को आंतरिक रूप से आत्मसात करता है।

लेखक इस बात पर जोर देते हैं कि यह दृष्टिकोण AI-संचालित सामग्री खोज (materials discovery) के लिए एक आशाजनक दिशा प्रदान करता है, जो भाषाई अमूर्तता को टाइम-रिज़ॉल्व्ड मॉलिक्यूलर डायनेमिक्स के साथ जोड़ता है। वे इस बात पर प्रकाश डालते हैं कि मॉडल उच्च सैंपल एफिशिएंसी प्राप्त करता है, जो केवल 5,000 ट्रेनिंग सैंपल्स के साथ 60% से अधिक सटीकता तक पहुँच जाता है, और वर्तमान प्रदर्शन प्लेटो संभवतः रासायनिक प्रणाली की अंतर्निहित स्टोकेस्टिसिटी के कारण है न कि डेटा की मात्रा के कारण।

स्वीकृत सीमाएँ:

सामान्यीकरण: वर्तमान मूल्यांकन Mo-S सिस्टम तक सीमित है; विविध रासायनिक स्थानों (जैसे जैविक प्रणालियों) तक विस्तार करना एक चुनौती बनी हुई है।
त्रुटि संचय (Error Accumulation): सभी ऑटोरेग्रेसिव मॉडल्स की तरह, लंबे होराइजन्स के दौरान त्रुटि संचय के कारण प्रदर्शन कम हो जाता है।
जियोमेट्रिक लॉस: मोटे तौर पर ग्रैनुलर (coarse-grained) प्रतीकात्मक प्रतिनिधित्व सूक्ष्म ज्यामितीय जानकारी (बॉन्ड लंबाई/कोण) को त्याग देता है, जो सटीक ज्यामितीय सत्यापन की आवश्यकता वाले कार्यों के लिए इसकी प्रयोज्यता को सीमित करता है।
व्याख्यात्मकता (Interpretability): व्याख्याएं ab initio व्युत्पत्ति के बजाय प्री-ट्रेन्ड नॉलेज के साथ ट्राजेक्टरी पैटर्न के संरेखण से प्राप्त होती हैं, जिससे कभी-कभी ओवर-इंटरप्रिटेशन हो सकता है।