← नवीनतम पेपर
🤖 machine learning

Few-step Cofolding with All-Atom Flow Maps

यह शोध पत्र DeCAF को प्रस्तुत करता है, जो एक ऐसा ढांचा है जो अत्याधुनिक ऑल-एटम कोफोल्डिंग डिफ्यूजन मॉडल्स को कुशल फ्यू-स्टेप फ्लो मैप्स में आसुत (distill) करता है, जिससे प्रोटीन-लिगैंड संरचना भविष्यवाणी के लिए सटीकता और भौतिक वैधता को बनाए रखते हुए या उसमें सुधार करते हुए कम्प्यूटेशनल लागत को काफी कम किया जाता है।

मूल लेखक: Gianluca Scarpellini, Ron Shprints, Peter Holderrieth, Juno Nam, Pranav Murugan, Rafael Gómez-Bombarelli, Tommi Jaakola, Maruan Al-Shedivat, Nicholas Matthew Boffi, Avishek Joey Bose

प्रकाशित 2026-06-09
📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Gianluca Scarpellini, Ron Shprints, Peter Holderrieth, Juno Nam, Pranav Murugan, Rafael Gómez-Bombarelli, Tommi Jaakola, Maruan Al-Shedivat, Nicholas Matthew Boffi, Avishek Joey Bose

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 एक जटिल 3D पहेली को जोड़ने की कोशिश कर रहे हैं जहाँ पहेली के टुकड़े परमाणु (atoms) हैं, और लक्ष्य यह पता लगाना है कि एक प्रोटीन (एक जैविक मशीन) और एक दवा का अणु (drug molecule) एक साथ पूरी तरह से कैसे फिट होते हैं।

लंबे समय तक, इस पहेली को हल करने का सबसे अच्छा तरीका एक स्लो-मोशन फिल्म देखने जैसा था जिसमें टुकड़ों को अपनी जगह पर गिरते हुए देखा जाता था। आपको हजारों सूक्ष्म चरणों का अनुकरण करना पड़ता था, और हर एक फ्रेम पर भौतिकी (physics) की जांच और पुन: जांच करनी पड़ती थी, ताकि अंतिम चित्र प्राप्त हो सके। यह अविश्वसनीय रूप से सटीक था लेकिन भी बहुत धीमा और महंगा था, जैसे कि हर एक कण की बारीकी से जांच करके समुद्र तट पर रेत के एक विशिष्ट कण को खोजने की कोशिश करना।

DECAF का आगमन: आणविक पहेलियों के लिए "फास्ट-फॉरवर्ड" बटन

यह शोध पत्र DECAF (Denoiser Cofolding All-Atom Flowmap) नामक एक नया ढांचा पेश करता है। DECAF को केवल एक नया पहेली समाधानकर्ता न समझें, बल्कि इसे एक स्मार्ट शॉर्टकट के रूप में देखें जो धीमे-मोशन वाले विशेषज्ञों से सीखता है।

यह इस प्रकार काम करता है, सरल उपमाओं का उपयोग करते हुए:

1. "शिक्षक" और "छात्र"

कल्पना कीजिए कि एक मास्टर शेफ ( "शिक्षक," जैसे मौजूदा Boltz-1 या Pearl मॉडल) है जो जानता है कि एक आदर्श भोजन कैसे पकाया जाता है, लेकिन उन्हें वहां तक पहुँचने में 200 कदम लगते हैं। वे चखते हैं, सुधार करते हैं, फिर से चखते हैं, और फिर से सुधार करते हैं।
DECAF एक सुपर-फास्ट छात्र की तरह है जो मास्टर शेफ को देखता है। कदम-दर-कदम खाना सीखने के बजाय, छात्र पूरे सफर की भविष्यवाणी करना सीखता है।

  • जादुई ट्रिक: DECAF उन हजारों छोटे, उबाऊ चरणों को "छलांग" लगाकर पार करना सीख जाता है जिन्हें शिक्षक लेता है। यह एक "फ्लो मैप" (flow map) सीखता है—एक शॉर्टकट जो इसे बताता है कि 200 कदमों के बजाय केवल 10 या 20 बड़े कदमों में परमाणुओं को कहाँ जाना चाहिए।

2. "क्रिस्टल बॉल" (लुकअहेड)

आमतौर पर, जब आप एक पहेली को हल करने के बीच में होते हैं, तो आपको तब तक पता नहीं चलता कि आपकी वर्तमान चाल अच्छी है या नहीं, जब तक कि आप पूरी प्रक्रिया पूरी नहीं कर लेते।
DECAF के पास एक विशेष क्षमता है जिसे "फ्लोमैप लुकअहेड" (Flowmap Lookahead) कहा जाता है। कल्पना कीजिए कि आपके पास एक क्रिस्टल बॉल है जो आपको बिखरे हुए टुकड़ों के साथ ही तैयार पहेली की एक झलक देखने की अनुमति देती है।

  • क्योंकि DECAF तुरंत देख सकता है कि यदि वह अभी पहेली को पूरा कर दे तो अंतिम परिणाम कैसा दिखेगा, इसलिए यह तुरंत बेहतर निर्णय ले सकता है। उसे पता चल जाता है कि, "यदि मैं इस परमाणु को यहाँ ले जाता हूँ, तो अंतिम चित्र एकदम सटीक होगा," बिना पूरी सिमुलेशन को समाप्त होने का इंतज़ार किए।

3. "खोज दल" (DECAF-SEARCH)

एक बार जब DECAF के पास अपना शॉर्टकट आ जाता है, तो लेखकों ने इसमें "DECAF-SEARCH" नामक एक "सर्च पार्टी" फीचर जोड़ा है।

  • कल्पना कीजिए कि आप खजाने की तलाश कर रहे हैं। केवल एक रास्ते पर चलने के बजाय, आप खोजकर्ताओं (कणों) की एक छोटी टीम भेजते हैं।
  • क्योंकि DECAF बहुत तेज़ है, ये खोजकर्ता कई अलग-अलग रास्तों की जांच कर सकते हैं, अपने क्रिस्टल बॉल्स में झाँककर देख सकते हैं कि कौन सा रास्ता सबसे अच्छे खजाने (सबसे भौतिक रूप से वैध संरचना) की ओर ले जाता है, और फिर अपनी ऊर्जा जीतने वाले रास्ते पर केंद्रित कर सकते हैं।
  • यह सिस्टम को पुराने तरीकों की तुलना में बहुत तेज़ी से सबसे अच्छा संभव समाधान खोजने की अनुमति देता, जो बहुत धीमे थे और कई रास्तों की जांच करने में असमर्थ थे।

उन्होंने क्या सिद्ध किया?

लेखकों ने इस नए "फास्ट-फॉरवर्ड" छात्र का परीक्षण "स्लो-मोशन" विशेषज्ञों के विरुद्ध किया:

  • गति बनाम गुणवत्ता: कई परीक्षणों में, DECAF ने समाधान खोजे जो धीमे विशेषज्ञों के समान ही अच्छे थे, लेकिन इसने यह काम 5 से 20 गुना तेज़ी से किया।
  • "कम बजट" की जीत: जब उन्हें बहुत कम चरणों (जैसे केवल 10 कदम) का उपयोग करने के लिए मजबूर किया गया, तो पुराने विशेषज्ञ पूरी तरह विफल रहे, जिससे टूटी हुई या असंभव संरचनाएं बनीं। हालाँकि, DECAF ने अभी भी उच्च-गुणवत्ता वाली, भौतिक रूप से वैध संरचनाएं बनाईं।
  • सर्वश्रेष्ठ को पछाड़ना: उन्होंने DECAF को वर्तमान "स्टेट-ऑफ-द-आर्ट" मॉडल (जिसे Pearl कहा जाता है) पर भी लागू किया। नया DECAF-Pearl संस्करण शिक्षक की सफलता दर के बराबर था, लेकिन इसने 5 गुना कम कंप्यूटर गणनाओं का उपयोग किया।

मुख्य निष्कर्ष

शोध पत्र का दावा है कि DECAF कंप्यूटरों को यह सिखाने का एक नया तरीका है कि दवाएं और प्रोटीन एक साथ कैसे फिट होते हैं। यह हमारे पास मौजूद धीमी, महंगी और उच्च-गुणवत्ता वाली विधियों को एक तेज़, कुशल संस्करण में बदल देता है जो सटीकता नहीं खोता है। यह एक धीमी, हाई-डेफिनिशन फिल्म को एक फास्ट-फॉरवर्ड संस्करण में बदलने जैसा है जो अभी भी एकदम सटीक दिखता है, जिससे वैज्ञानिकों को कम समय में अधिक विचारों का परीक्षण करने की अनुमति मिलती 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 →