An Introduction to Bayesian and Frequentist Simulation-Based Inference with Machine Learning
यह शोधपत्र इस बात का अवलोकन प्रदान करता है कि कैसे मशीन लर्निंग-आधारित सिमुलेशन-आधारित अनुमान विधियों को इनवर्स समस्याओं (inverse problems) को हल करने के लिए बेयसियन और फ्रीक्वेंटिस्ट दोनों ढांचों के भीतर लागू किया जा सकता है, साथ ही एम्पेरिकल बेयस और अनफोल्डिंग कार्यों में उनके उपयोग और सत्यापन रणनीतियों एवं अंतर्निहित सीमाओं को भी संबोधित करता है।
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 रहस्य सुलझाने की कोशिश कर रहे एक जासूस हैं, लेकिन आप अपराधी को कभी देख नहीं पाते। आपके पास केवल घटनास्थल पर छोड़े गए सुराग ही होते हैं, जैसे कि एक कीचड़ भरा पदचिह्न, एक टूटी हुई खिड़की, या एक अजीब सी गंध। वास्तविक दुनिया में, वैज्ञानिक हर दिन ठीक इसी समस्या का सामना करते हैं। उनके पास एक सिद्धांत होता है कि ब्रह्मांड कैसे काम करता है (जो कि अपराधी है), लेकिन वे केवल उस डेटा को देख सकते हैं जो वह सिद्धांत उत्पन्न करता है (जो कि सुराग हैं)। चुनौती इन सुरागों से पीछे की ओर जाकर उस सिद्धांत का पता लगाने की है। इसे "इनवर्स प्रॉब्लम" (inverse problem) कहा जाता है।
आमतौर पर, वैज्ञानिकों के पास एक "फॉरवर्ड मैप" (forward map) होता है, जो नियमों का एक सेट है जो उन्हें बताता है कि यदि उनका सिद्धांत सत्य है तो उन्हें किस तरह के सुरागों की अपेक्षा करनी चाहिए। लेकिन अक्सर, ये नियम इतने जटिल या उलझे हुए होते हैं कि उन्हें एक सरल गणितीय समीकरण के रूप में लिखना संभव नहीं होता। इसके बजाय, उन्हें एक विशाल, जटिल कंप्यूटर सिमुलेशन चलाना पड़ता है ताकि वे देख सकें कि क्या होता है। यहीं से समस्या शुरू होती है: यदि आप गणित नहीं लिख सकते, तो आप मामले को सुलझाने के लिए मानक जासूसी उपकरणों का आसानी से उपयोग नहीं कर सकते। आपको अनुमान लगाना पड़ सकता है, सिमुलेशन को लाखों बार चलाना पड़ सकता है, और बस इस उम्मीद में काम करना पड़ सकता है कि आप भाग्यशाली होंगे। यह धीमा, महंगा और अक्सर असंभव होता है।
यहाँ एक नए प्रकार के जासूस का आगमन होता है: मशीन लर्निंग। सुरागों के पैटर्न को समझने के लिए हर बार नया गणितीय पहेली हल करने के बजाय, ये AI जासूस कंप्यूटर द्वारा उत्पन्न लाखों नकली अपराध स्थलों का अध्ययन करके सुरागों के पैटर्न को सीखते हैं। वे एक सुराग को देखकर तुरंत अनुमान लगाने में सक्षम हो जाते हैं कि अपराधी कैसा दिखता होगा। SciPost Physics Community Reports का एक नया शोध पत्र, जिसका शीर्षक "An Introduction to Bayesian and Frequentist Simulation-Based Inference with Machine Learning" है, इन AI जासूसों के लिए एक मित्रवत मार्गदर्शिका के रूप में कार्य करता है। यह बताता है कि उन्हें कैसे सिखाया जाए, उन पर भरोसा कैसे किया जाए, और यह कैसे सुनिश्चित किया जाए कि वे केवल मनगढ़ंत बातें न बना रहे हों।
सत्य के बारे में सोचने के दो तरीके
इससे पहले कि हम AI से मिलें, हमें यह समझना होगा कि वैज्ञानिक आमतौर पर "सत्य" के बारे में किन दो अलग-अलग तरीकों से सोचते हैं। शोध पत्र बताता है कि विचार के दो मुख्य स्कूल हैं, और AI को पता होना चाहिए कि आप किसका उपयोग कर रहे हैं।
पहला स्कूल बेयसियन (Bayesian) है। कल्पना कीजिए कि आप एक रहस्यमयी बॉक्स के वजन का अनुमान लगाने की कोशिश कर रहे हैं। आपके पास पिछले अनुभव के आधार पर एक पूर्वाग्रह (hunch) है (शायद यह एक बिल्ली जैसा महसूस होता है, इसलिए इसका वजन लगभग 10 पाउंड होगा)। यह पूर्वाग्रह आपका "प्रायर" (prior) है। फिर, आपको एक नया सुराग मिलता है: बॉक्स से म्याऊं की आवाज आ रही है। आप अपने पूर्वाग्रह को अपडेट करते हैं। आप अपने पूर्वाभ्यास को नए सुराग के साथ जोड़ते हैं ताकि आपको एक "पोस्टीरियर" (posterior) विश्वास प्राप्त हो सके। इस दृष्टिकोण में, बॉक्स का वास्तविक वजन थोड़ा अस्पष्ट होता है; यह संभावनाओं की एक सीमा है जिसके बारे में आप अधिक सुराग जुटाने के साथ अधिक आश्वस्त होते जाते हैं। यह तब बहुत उपयोगी होता है जब आपके पास बहुत कम सुराग हों लेकिन बहुत अधिक पृष्ठभूमि ज्ञान हो, जैसे खगोल विज्ञान में जहाँ आप शायद एक तारे को केवल एक बार देखते हैं।
दूसरा स्कूल फ्रीक्वेंटिस्ट (Frequentist) है। कल्पना कीजिए कि आप एक अदालत में न्यायाधीश हैं। आपको प्रतिवादी के बारे में अपने पूर्वाग्रहों की परवाह नहीं है। आपको केवल साक्ष्यों की परवाह है। यदि आप अलग-अलग रैंडम जूरी के साथ इस सटीक मुकदमे को दस लाख बार चलाते हैं, तो क्या आपका फैसला 95% बार सही होगा? इस दृष्टिकोण में, बॉक्स का वास्तविक वजन एक एकल, निश्चित संख्या है (भले ही हम इसे नहीं जानते), और हमारा काम संख्याओं की एक ऐसी सीमा खोजना है जो अधिकांश समय सत्य को पकड़ने की गारंटी दे। यह कण भौतिकी (particle physics) में जाने वाला मुख्य तरीका है, जहाँ वे एक ही प्रयोग को लाखों बार करते हैं और यह सुनिश्चित करना चाहते हैं कि वे खुद को धोखा नहीं दे रहे हैं।
शोध पत्र दिखाता है कि नए AI तरीके दोनों स्कूलों के नियमों का पालन कर सकते हैं।
AI जासूस: सिमुलेशन से सीखना
तो, AI जासूस कैसे काम करता है? शोध पत्र सिमुलेशन-आधारित अनुमान (Simulation-Based Inference - SBI) नामक प्रक्रिया का वर्णन करता है।
पारंपरिक रूप से, यदि कोई वैज्ञानिक किसी मॉडल के मापदंडों (parameters) को खोजना चाहता था, तो उसे एक सूत्र की आवश्यकता होती थी जो कहता, "यदि मापदंड X हैं, तो डेटा Y जैसा दिखेगा।" लेकिन अक्सर, वह सूत्र लिखना बहुत कठिन होता है। उनके पास केवल एक सिम्युलेटर होता है—एक 'ब्लैक बॉक्स' जो मापदंडों को लेता है और डेटा को बाहर निकालता है।
शोध पत्र बताता है कि ब्लैक बॉक्स को रिवर्स-इंजीनियर करने के बजाय, हम एक न्यूरल नेटवर्क (एक प्रकार का AI) को रिवर्स-इंजीनियर बनने के लिए प्रशिक्षित कर सकते हैं। यहाँ की तरकीब यह है:
- प्रशिक्षण चरण (The Training Phase): हम सिम्युलेटर को लाखों बार चलाते हैं। हम यादृच्छिक (random) मापदंड चुनते हैं, सिमुलेशन चलाते हैं, और जोड़ी को सहेजते हैं: (मापदंड, डेटा)। हम इसे बार-बार करते हैं, जिससे "नकली" अपराध दृश्यों और उनके अपराधियों की एक विशाल लाइब्रेरी बन जाती है।
- सीखने का चरण (The Learning Phase): हम इस लाइब्रेरी को AI को खिलाते हैं। AI डेटा और मापदंडों के बीच संबंध को सीखता है। वह यह सीखने में सक्षम होता है कि "जब मैं इस तरह का डेटा देखता हूँ, तो मापदंड शायद वह थे।"
- अनुमान चरण (The Inference Phase): अब, जब एक वास्तविक वैज्ञानिक को वास्तविक दुनिया से एक नया डेटा प्राप्त होता है, तो उन्हें सिम्युलेटर को फिर से चलाने की आवश्यकता नहीं होती है। वे बस डेटा को प्रशिक्षित AI को देते हैं, और पफ—AI उन्हें तुरंत उत्तर दे देता है।
शोध पत्र तीन मुख्य तरीकों पर प्रकाश डालता है जिनसे AI इस संबंध को सीखता है:
- न्यूरल पोस्टीरियर एस्टीमेशन (NPE): AI सभी संभावित उत्तरों का एक नक्शा बनाने के बारे में सीखता है। यह केवल एक संख्या नहीं देता; यह संभावनाओं का एक बादल बनाता है, जो आपको दिखाता है कि अपराधी के छिपने की सबसे अधिक संभावना कहाँ है।
- न्यूरल लाइकलीहुड एस्टीमेशन (NLE): AI यह भविष्यवाणी करना सीखता है कि किसी विशिष्ट सेट के मापदंडों के लिए डेटा उत्पन्न करने की कितनी संभावना है।
- न्यूरल रेशियो एस्टीमेशन (NRE): पूरे नक्शे को सीखने के बजाय, AI तुलना करना सीखता है। यह इस प्रश्न का उत्तर देता है: "क्या यह डेटा संदिग्ध A से आने की अधिक संभावना है या संदिग्ध B से?" यह एक रेफरी की तरह है जो यह तय करता है कि कौन सी टीम बेहतर है, बिना यह जाने कि हर खेल का सटीक स्कोर क्या था।
"एमोर्टाइज्ड" (Amortized) लाभ
शोध पत्र में उल्लेखित सबसे शानदार चीजों में से एक "एमोर्टाइज्ड इन्फरेंस" (amortized inference) की अवधारणा है। इसे साइकिल चलाना सीखने जैसा समझें। पहली बार में, इसमें गिरने और फिर से उठने में घंटों लग जाते हैं (प्रशिक्षण चरण)। लेकिन एक बार जब आप सीख जाते हैं, तो आप कहीं भी तुरंत सवारी कर सकते हैं।
पारंपरिक विज्ञान में, जब भी आपको एक नया सुराग मिलता है, तो आपको उत्तर खोजने के लिए हजारों सिमुलेशन चलाकर शून्य से शुरुआत करनी पड़ती है। इस AI पद्धति के साथ, आप एक बार में ही "सीखने की लागत" चुका देते हैं। उसके बाद, आप पलक झपकते ही दस लाख अलग-अलग सुरागों का विश्लेषण कर सकते हैं। यह कण भौतिकी जैसे क्षेत्रों के लिए गेम-चेंजर है, जहाँ प्रयोग हर सेकंड लाखों डेटा पॉइंट उत्पन्न करते हैं।
"गॉटचास" (Gotchas): सत्यापन और सीमाएं
शोध पत्र बहुत सावधानी बरतता है कि यह न कहे, "AI जादू है, इस पर आँख बंद करके भरोसा करें।" वास्तव में, शोध पत्र का एक बड़ा हिस्सा सत्यापन (validation) के लिए समर्पित है—हमें कैसे पता चलेगा कि AI मनगढ़ंत बातें नहीं कर रहा है?
चूंकि AI को नकली डेटा पर प्रशिक्षित किया गया है, इसलिए यह नकली डेटा का अनुमान लगाने में बहुत अच्छा हो सकता है लेकिन वास्तविक दुनिया से कुछ अजीब देखने पर बुरी तरह विफल हो सकता है। लेखक AI का परीक्षण करने के कई तरीके बताते हैं:
- "टू-सैंपल" टेस्ट (The "Two-Sample" Test): आप AI को बहुत सारा नकली डेटा और बहुत सारा वास्तविक डेटा (या किसी विश्वसनीय विधि से डेटा) देते हैं और एक साधारण क्लासिफायर से उन्हें अलग करने के लिए कहते हैं। यदि क्लासिफायर उन्हें आसानी से अलग कर सकता है, तो AI खराब है। यदि क्लासिफायर भ्रमित है, तो AI अच्छा काम कर रहा है।
- कैलिब्रेशन चेक (Calibration Checks): कल्पना कीजिए कि AI कहता है, "मुझे 90% यकीन है कि उत्तर 5 और 10 के बीच है।" यदि आप इस परीक्षण को सौ बार चलाते हैं, तो उत्तर वास्तव में उस सीमा के भीतर 90 बार होना चाहिए। यदि यह केवल 50 बार वहां है, तो AI अति-आत्मविश्वासी है और झूठ बोल रहा है।
- पोस्टीरियर प्रेडिक्टिव चेक (Posterior Predictive Checks): आप AI के सर्वोत्तम अनुमान को लेते हैं, उस अनुमान के साथ सिम्युलेटर को आगे चलाते हैं, और देखते हैं कि क्या यह वास्तविक अवलोकन जैसा डेटा उत्पन्न करता है। यदि AI का अनुमान पूरी तरह से अलग तरह का डेटा उत्पन्न करता है, तो अनुमान गलत है।
शोध पत्र नजेंस पैरामीटर्स (nuisance parameters) के बारे में भी चेतावनी देता है। ये सिमुलेशन में अतिरिक्त चर हैं जिनकी आपको परवाह नहीं है लेकिन वे परिणामों को बिगाड़ देते हैं (जैसे प्रयोगशाला के तापमान का रासायनिक प्रतिक्रिया को प्रभावित करना)। शोध पत्र बताता है कि AI इन्हें संभाल सकता है, लेकिन यह प्रशिक्षण को बहुत कठिन और जटिल बना देता है।
यह शोध पत्र क्या नहीं कहता
यह ध्यान रखना महत्वपूर्ण है कि यह शोध पत्र क्या दावा नहीं करता है। यह यह नहीं कहता कि AI ने सभी वैज्ञानिक रहस्यों को सुलझा लिया है। यह यह दावा नहीं करता कि ये तरीके हर एक समस्या के लिए पूरी तरह से काम करते हैं। लेखक बहुत स्पष्ट हैं कि ये ऐसे उपकरण हैं जिन्हें सावधानीपूर्वक सत्यापित करने की आवश्यकता है। वे यह वादा नहीं करते कि AI काम करेगा यदि सिम्युलेटर स्वयं टूटा हुआ है (यदि "फॉरवर्ड मैप" गलत है, तो AI बहुत तेज़ी से गलत चीज़ सीख जाएगा)।
वे यह भी नहीं कहते कि यह अन्य सभी विधियों की जगह लेगा। कभी-कभी, यदि आपके पास एक सरल गणितीय सूत्र है, तो पुराने तरीके अभी भी ठीक हैं। AI विशेष रूप से उन "असंभव" मामलों के लिए है जहाँ गणित को लिखना बहुत कठिन है।
निष्कर्ष
यह शोध पत्र वैज्ञानिक खोज के एक नए युग का रोडमैप है। यह हमें सिखाता है कि जटिल सिमुलेशन से इनवर्स समस्याओं को हल करने के लिए AI जासूसों को कैसे बनाया जाए। यह हमें दिखाता है कि कैसे उन्हें बेयसियन और फ्रीक्वेंटिस्ट तर्क का उपयोग करके प्रशिक्षित किया जाए, कैसे कई छोटे सुरागों को एक बड़ी तस्वीर में जोड़ा जाए, और सबसे महत्वपूर्ण बात यह है कि हम अपने काम की दोबारा जांच कैसे करें ताकि हम धोखा न खा जाएं।
लेखक सुझाव देते हैं कि हालांकि यह तकनीक शक्तिशाली और तेज़ है, फिर भी यह अभी नई है। हमें इन उपकरणों को मान्य करने के बेहतर तरीके और उन जटिल, वास्तविक दुनिया की समस्याओं को संभालने के बेहतर तरीके चाहिए जहाँ सिमुलेशन पूर्ण नहीं हो सकते हैं। लेकिन वैज्ञानिकों के लिए जो डेटा में डूबे हुए हैं और ब्लैक-बॉक्स सिम्युलेटर के साथ फंसे हुए हैं, यह मार्गदर्शिका एक जीवन रेखा प्रदान करती है: लाखों कंप्यूटर सिमुलेशन को तत्काल, विश्वसनीय उत्तरों में बदलने का एक तरीका।
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।