Physics-Aware Auxiliary Losses Improve Out-of-Distribution Generalization of a GNN Synthesizability Filter
यह शोध पत्र यह प्रदर्शित करता है कि ग्राफ न्यूरल नेटवर्क में सस्ते, क्लोज्ड-फॉर्म भौतिक पूर्ववृत्त (प्रायोर)—विशेष रूप से टोपोलॉजिकल जटिलता और स्ट्रेन ऊर्जा—को सहायक हानि (ऑक्सिलरी लॉसेस) के रूप में शामिल करने से आणविक संश्लेषण क्षमता (मॉलिक्यूलर सिंथेसाइजेबिलिटी) की भविष्यवाणी करने के लिए इसके आउट-ऑफ-डिस्ट्रीब्यूशन सामान्यीकरण में महत्वपूर्ण सुधार होता है, साथ ही यह एकल-सीड प्रयोगों से भ्रामक निष्कर्षों से बचने के लिए मल्टी-सीड मूल्यांकन की महत्वपूर्ण आवश्यकता को भी रेखांकित करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक रेस्तरां के लिए नए व्यंजन बनाने के लिए एक रोबोट शेफ बना रहे हैं। यह रोबोट अविश्वसनीय रूप से रचनात्मक है; यह हर सेकंड लाखों अनूठे व्यंजनों के विचार निकाल सकता है। हालाँकि, एक समस्या है: रोबोट अक्सर ऐसे व्यंजन सुझाता है जिन्हें वास्तविक रसोई में बनाना असंभव है (जैसे कांच से बना केक या एक ऐसा सूप जिसके लिए एक ऐसी आग की आवश्यकता है जो अस्तित्व में ही नहीं है)।
इस रोबोट को असंभव विचारों पर समय बर्बाद करने से रोकने के लिए, आप एक "किचन इंस्पेक्टर" (एक कंप्यूटर प्रोग्राम) को काम पर रखते हैं ताकि वह व्यंजनों की जांच कर सके। समस्या यह है कि इस इंस्पेक्टर को केवल मानक, रोज़मर्रा के व्यंजनों (जैसे पिज्जा और पास्ता) पर प्रशिक्षित किया गया था। जब रोबोट किसी अलग संस्कृति का कोई जंगली, विदेशी व्यंजन सुझाता है (जिसे इंस्पेक्टर ने पहले कभी नहीं देखा है), तो इंस्पेक्टर भ्रमित हो जाता है और अच्छे विचारों को खारिज करने लगता है या बुरे विचारों को स्वीकार करने लगता है।
यह पेपर इस बारे में है कि उस "किचन इंस्पेक्टर" को कैसे स्मार्ट बनाया जाए ताकि वह कुछ नया देखते ही घबरा न जाए।
समस्या: "किताबी" इंस्पेक्टर
वर्तमान इंस्पेक्टर (जिन्हें SAScore, SCScore, आदि कहा जाता है) उन छात्रों की तरह हैं जिन्होंने केवल एक विशिष्ट पाठ्यपुस्तक रट ली है। वे उन व्यंजनों को ग्रेड देने में माहिर हैं जो बिल्कुल किताब जैसे दिखते हैं। लेकिन यदि आप उन्हें एक पूरी तरह से अलग किताब (डेटा का एक अलग "डिस्ट्रीब्यूशन") से कोई रेसिपी देते हैं, तो वे विफल हो जाते हैं। वे पूरी तरह से सांख्यिकी (statistics) पर निर्भर हैं: "सामग्री का यह संयोजन अजीब लग रहा है, इसलिए यह बुरा होना चाहिए।"
लेखक जानना चाहते थे: क्या हम इंस्पेक्टर को भौतिक विज्ञान के कुछ बुनियादी नियम सिखा सकते हैं ताकि वह यह समझ सके कि कोई व्यंजन क्यों असंभव हो सकता है, भले ही उसने वह विशिष्ट व्यंजन पहले कभी न देखा हो?
समाधान: "कॉमन सेंस" भौतिकी जोड़ना
इंस्पेक्टर को और अधिक व्यंजन खिलाने के बजाय, लेखकों ने प्रशिक्षण के दौरान AI के लिए दो सरल "भौतिकी नियम" अतिरिक्त होमवर्क के रूप रूप में जोड़े। इन्हें ऐसे सोचें जैसे इंस्पेक्टर ने दो नए लेंस पहने हों:
"उलझी हुई डोरी" का नियम (टोपोलॉजिकल कॉम्प्लेक्सिटी/Topological Complexity):
कल्पना कीजिए कि एक रेसिपी में डोरी के एक टुकड़े में इतनी कसकर गांठ बांधने की आवश्यकता है कि डोरी टूट जाए। AI यह पहचानना सीखता है कि कोई आणविक संरचना (molecular structure) वास्तव में कितनी "उलझी" हुई या जटिल है, जो कि जटिलता के एक गणितीय माप (बर्ट्ज़ इंडेक्स/Bertz index) पर आधारित है। यह यह सीखने जैसा है कि कुछ गांठें रस्सी को बिना तोड़े बांधना भौतिक रूप से असंभव है।"दबा हुआ स्प्रिंग" का नियम (स्ट्रेन एनर्जी/Strain Energy):
कल्पना कीजिए कि एक रेसिपी एक धातु के चम्मच को तब तक मोड़ने के लिए कहती है जब तक कि वह टूट न जाए। रसायन विज्ञान में, इसे "स्ट्रेन" (तनाव) कहा जाता है। यदि कोई अणु इस तरह से मुड़ा या बुना हुआ है जो उसे अस्थिर बनाता है (जैसे बहुत अधिक दबाव में एक स्प्रिंग), तो उसे बनाना कठिन होता है। AI एक मानक भौतिकी कैलकुलेटर (MMFF94) का उपयोग करके इन "दबे हुए स्प्रिंग्स" को खोजना सीखता है और उन व्यंजनों को दंडित करता है जो बहुत अधिक तनाव में दिखते हैं।
प्रयोग: "नई व्यंजन शैली" का परीक्षण
लेखकों ने अपने AI को मानक "ड्रग-लाइक" (दवा जैसे) अणुओं के एक विशाल डेटासेट पर प्रशिक्षित किया (रोज़मर्रा के व्यंजन)। फिर, उन्होंने इसे प्रकृति में पाए जाने वाले अणुओं के एक पूरी तरह से अलग सेट (नेचुरल प्रोडक्ट्स/प्राकृतिक उत्पाद) पर परीक्षण किया, जो अक्सर अधिक अजीब और जटिल होते हैं।
उन्होंने परिणामों को केवल भाग्य पर निर्भर न रहने देने के लिए अलग-अलग रैंडम शुरुआती बिंदुओं के साथ इस परीक्षण को पांच बार चलाया।
परिणाम: छोटे लेकिन वास्तविक सुधार
यहाँ उन्होंने क्या पाया:
- "पाठ्यपुस्तक" के अंदर: उन्हीं प्रकार के अणुओं पर परीक्षण करते समय जिनके लिए AI को प्रशिक्षित किया गया था, नए भौतिकी नियमों ने कुछ भी नहीं बदला। AI पहले से ही उन व्यंजनों को ग्रेड देने में परफेक्ट था जिन्हें वह जानता था।
- "पाठ्यपुस्तक" के बाहर (असली परीक्षण): जब AI को अजीब, नए "नेचुरल प्रोडक्ट" व्यंजनों को ग्रेड देना पड़ा, तो भौतिकी नियमों वाले संस्करण मानक संस्करण की तुलना में बेहतर प्रदर्शन कर रहे थे।
- मानक AI का स्कोर 0.977 था।
- "उलझी हुई डोरी" नियम वाला AI 0.983 तक सुधरा।
- "दबा हुआ स्प्रिंग" नियम वाला AI 0.980 तक सुधरा।
- दोनों नियमों वाले AI ने सबसे अधिक सुधार करते हुए 0.984 प्राप्त किया।
हालाँकि ये संख्याएँ छोटी दिखती हैं (1% से कम का अंतर), लेकिन AI की दुनिया में, यह एक सांख्यिकीय रूप से महत्वपूर्ण जीत है। इसका मतलब है कि AI कुछ नया मिलने पर यह अनुमान लगाने में थोड़ा बेहतर है कि क्या संभव है।
एक चेतावनी: एक एकल रन पर भरोसा न करें
लेखकों ने एक चेतावनी भी साझा की। जब उन्होंने पहली बार केवल एक बार (एक रैंडम सीड के साथ) प्रयोग चलाया, तो परिणाम अजीब और भ्रमित करने वाले दिखे। ऐसा लगा जैसे भौतिकी के नियम कभी-कभी AI को नुकसान पहुँचा रहे थे। लेकिन जब उन्होंने इसे पांच बार चलाया और औसत देखा, तो "अजीब" कहानी गायब हो गई, और स्पष्ट, सकारात्मक रुझान उभर कर आया।
सबक: AI अनुसंधान में, एक एकल प्रयोग पर भरोसा न करें। आपको वास्तविक कहानी देखने के लिए इसे कई बार चलाने की आवश्यकता है, क्योंकि पासे का एक भाग्यशाली (या दुर्भाग्यपूर्ण) उछाल एक झूठी कहानी बता सकता है।
सारांश
यह पेपर साबित करता है कि ड्रग-डिस्कवरी AI को थोड़ी सी "भौzicht कॉमन सेंस" (जटिलता और तनाव को समझना) देने से यह उन नवीन अणुओं के साथ बेहतर तालमेल बिठा पाता है जिन्हें उसने पहले कभी नहीं देखा है। इसे एक जटिल भौतिकी इंजन की आवश्यकता नहीं है; बस अतिरिक्त प्रशिक्षण कार्यों के रूप में जोड़े गए कुछ सरल, सस्ते नियम ही AI को वास्तविक दुनिया में अधिक विश्वसनीय बनाने के लिए पर्याप्त हैं।
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।