sLTN: Structural Logic Tensor Networks
यह शोध पत्र sLTN प्रस्तुत करता है, जो एक न्यूरोसिम्बोलिक फ्रेमवर्क है जो टेम्पोरल (temporal), सीक्वेंशियल (sequential) और रिलेशनल (relational) बाधाओं के स्पष्ट प्रतिनिधित्व और डिफरेंशिएबल लर्निंग को सक्षम करने के लिए स्ट्रक्चरल डाइमेंशन्स को फर्स्ट-क्लास एलिमेंट्स के रूप में शामिल करके लॉजिक टेंसर नेटवर्क्स का विस्तार 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 कंप्यूटर को दुनिया को समझना सिखाने की कोशिश कर रहे हैं। आपके पास अपने टूलबॉक्स में दो शक्तिशाली उपकरण हैं। पहला उपकरण है मशीन लर्निंग (Machine Learning), जो एक अत्यंत सूक्ष्म अवलोकन करने वाले प्रशिक्षु (apprentice) की तरह है जो लाखों उदाहरणों को देखकर सीखता है। यह पैटर्न पहचानने में बहुत कुशल है, जैसे किसी फोटो में बिल्ली को पहचानना, लेकिन यह वास्तव में यह नहीं "जानता" कि बिल्ली क्या है या वह इस तरह से व्यवहार क्यों करती है। दूसरा उपकरण है लॉजिक (Logic), जो एक सख्त नियम पुस्तिका या कानूनों के सेट की तरह है। यह जानता है कि यदि "सभी बिल्लियों की पूंछ होती है" और "फ्लफी एक बिल्ली है," तो "फ्लफी की भी पूंछ होनी चाहिए।" लेकिन लॉजिक अक्सर कठोर होता है और अव्यवस्थित, वास्तविक दुनिया के डेटा से सीखने में संघर्ष करता है।
कुछ समय से, वैज्ञानिक इन दोनों उपकरणों को न्यूरोसिम्बोलिक एआई (neurosymbolic AI) नामक एक एकल प्रणाली में मिलाने की कोशिश कर रहे हैं। लक्ष्य एक ऐसा एआई बनाना है जो डेटा से सीख सके और तार्किक नियमों का पालन भी कर सके। एक लोकप्रिय ढांचा लॉजिक टेंसर नेटवर्क (Logic Tensor Networks - LTN) है। LTN को एक अनुवादक के रूप में समझें जो तार्किक नियमों को गणितीय समस्याओं में बदल देता है जिन्हें कंप्यूटर 'ग्रेडिएंट्स' (क्रमवार तरीके से उत्तरों में सुधार करने की एक विधि) का उपयोग करके हल कर सकता है। हालांकि, LTN के मूल संस्करण में एक कमी थी: इसे "फ्लैट" डेटा के लिए डिज़ाइन किया गया था। इसने हर चीज़ को व्यक्तिगत वस्तुओं के एक विशाल, असंगठित ढेर की तरह माना। यह उन चीजों को नहीं संभाल सका जिनका एक स्वाभाविक क्रम या संरचना होती है, जैसे समय में घटनाओं का क्रम, एक कहानी के चरणों की सूची, या एक सामाजिक नेटवर्क में दोस्तों के बीच संबंध। यह एक फिल्म का वर्णन करने के लिए केवल उसके अभिनेताओं को सूचीबद्ध करने जैसा था, बिना कथानक या समयरेखा का उल्लेख किए।
यहीं पर एक नया शोध पत्र आता है, जो sLTN (Structural Logic Tensor Networks) पेश करता है। लेखकों, डेविड रिनाल्डी और लुसियानो सेराफिनी ने महसूस किया कि दुनिया केवल वस्तुओं का ढेर नहीं है; यह संरचनाओं से भरी है। समय आगे बढ़ता है, वाक्यों में शब्दों का क्रम होता है, और ग्राफ में कनेक्शन होते हैं। उन्होंने LTN का एक अपग्रेड बनाया जो इन संरचनाओं को "प्रथम श्रेणी के नागरिक" (first-class citizens) के रूप में मानता है। sLTN में, आप सीधे अपने तार्किक नियमों के भीतर "समय के चरणों" (time steps), "अनुक्रम स्थितियों" (sequence positions), या "ग्राफ नोड्स" (graph nodes) के बारे में स्पष्ट रूप से बात कर सकते हैं।
यह शोध पत्र केवल यह सुझाव नहीं देता कि यह एक अच्छा विचार है; बल्कि यह पूर्ण गणितीय ब्लूप्रिंट (सिंटैक्स और सिमेंटिक्स) और PyTorch पर निर्मित एक कामकाजी सॉफ्टवेयर लाइब्रेरी भी प्रदान करता है। वे दिखाते हैं कि कैसे sLTN एक तार्किक नियम जैसे "यदि कोई अंक समय पर दिखाई देता है, तो उसे समय पर भी दिखाई देना चाहिए" को एक गणितीय समस्या में बदल सकता है जिसे कंप्यूटर सीख सकता है। उन्होंने इसे एक वीडियो वर्गीकरण कार्य के साथ प्रदर्शित किया जहाँ एआई को उन फ्रेमों के अनुक्रम को देखना था जिनमें एक अंक बनाया जा रहा था। सिस्टम ने उन वीडियो के बीच अंतर करना सीखा जहाँ एक अंक सुचारू रूप से दिखाई देता है और उन वीडियो के बीच जहाँ वह झपकी (flicker) की तरह आता-जाता रहता है, जिसमें समय और अनुक्रम के बारे में तार्किक नियमों का उपयोग किया गया था। लेखक दिखाते हैं कि यदि आप संरचनात्मक विशेषताओं को हटा देते हैं, तो sLTN पूरी तरह से मूल LTN में वापस चला जाता है, जो यह सिद्ध करता है कि यह एक वास्तविक विस्तार है। हालांकि यह शोध पत्र एक ठोस ढांचे और कामकाजी कोड को प्रस्तुत करता है, यह नोट करता है कि यह प्रणाली अभी भी एक नई लाइब्रेरी है जिसे इन शुरुआती उदाहरणों से परे अधिक परीक्षण और वास्तविक दुनिया के सत्यापन की आवश्यकता है। यह एक ऐसे एआई की ओर एक आशाजनक कदम है जो न केवल यह समझता है कि चीजें क्या हैं, बल्कि यह भी कि वे दुनिया में कैसे व्यवस्थित 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।