Unifying Generative Models with Path Integrals
यह शोध पत्र विविध जनरेटिव मॉडलिंग ढांचों को एक एकल पाथ इंटीग्रल फॉर्मलिज्म के तहत एकीकृत करता है, जो नियतकालिक सैंपलर (deterministic samplers) के लिए उच्च-सटीक सुधार और अपूर्ण स्कोर फंक्शनों के लिए नए उद्देश्यों को प्राप्त करने हेतु आरेखीय विक्षोभ सिद्धांत (diagrammatic perturbation theory) को सक्षम बनाता 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 एक उत्कृष्ट कृति पेंट करना सिखाने की कोशिश कर रहे हैं, जैसे कि एक वास्तविक जंगल या एक हलचल भरी शहर की सड़क, लेकिन आपके पास केवल एक खाली कैनवास और यादृच्छिक शोर (random noise) का एक जार है। यह जेनरेटिव एआई (generative AI) की दुनिया है, जो विज्ञान की एक ऐसी शाखा है जहाँ मशीनें नया डेटा बनाना सीखती हैं जो बिल्कुल असली चीज़ जैसा दिखता है। ऐसा करने के लिए, ये मशीनें अक्सर "लेटेंट वेरिएबल्स" (latent variables) नामक एक चाल का उपयोग करती हैं, जो एक गुप्त कोड के भीतर पेंटिंग की गुप्त रेसिपी छिपाने जैसा है। मशीन एक सरल, उबाऊ कोड (जैसे एक खाली कैनवास) से शुरू होती है और धीरे-धीरे इसे चरण दर चरण एक जटिल अंतिम छवि में बदल देती है।
लंबे समय तक, वैज्ञानिकों के पास इस परिवर्तन को करने के लिए अलग-अलग नियम पुस्तिकाएं रही हैं। कुछ कहते हैं, "बस एक सख्त, अनुमानित पथ का पालन करें," जैसे पटरी पर चलती हुई ट्रेन। अन्य कहते हैं, "थोड़ा सा अराजक और यादृच्छिक तत्व जोड़ें," जैसे हवा में उड़ता हुआ एक पत्ता। ये विभिन्न दृष्टिकोण—जिन्हें नॉर्मलाइजिंग फ्लो (normalizing flows), डिफ्यूजन मॉडल (diffusion models) और अन्य कहा जाता है—आमतौर पर अलग-अलग आविष्कारों के रूप में देखे जाते रहे हैं, जिनमें से प्रत्येक का अपना गणित और प्रशिक्षण का अपना तरीका है। लेकिन क्या होगा अगर वे सभी एक ही अंतर्निहित प्रक्रिया को देखने के अलग-अलग तरीके हों? क्या होगा यदि "ट्रेन" और "हवा" वास्तव में एक ही सिक्के के दो पहलू हों? यह वह बड़ा सवाल है जो भौतिक विज्ञानी और कंप्यूटर वैज्ञानिक पूछ रहे हैं: क्या हम एक एकल, एकीकृत भाषा पा सकते हैं जो यह समझा सके कि ये सभी एआई चित्रकार कैसे काम करते हैं?
द मास्टर रेसिपी बुक (मास्टर रेसिपी बुक)
इस शोध पत्र में, मिलान विश्वविद्यालय के रमन विंटरहाल्डर एक साहसी नया विचार प्रस्तावित करते हैं: ये सभी विभिन्न प्रकार के जेनरेटिव मॉडल वास्तव में एक ही "मास्टर रेसिपी बुक" को पढ़ने के अलग-अलग तरीके हैं। वे इस किताब को पाथ इंटीग्रल (Path Integral) कहते हैं।
इसे समझने के लिए, कल्पना करें कि आप अपने घर (यादृच्छिक शोर) से अपने दोस्त के घर (अंतिम छवि) तक जाने की कोशिश कर रहे हैं। आप एक सीधा, उबाऊ राजमार्ग (एक नियतात्मक पथ/deterministic path) ले सकते हैं, या आप एक घुमावदार, ऊबड़-खाबड़ कच्ची सड़क ले सकते हैं जहाँ आप किसी गड्ढे में फंस सकते हैं (एक स्टोकेस्टिक पथ/stochastic path)। भौतिकी में, "पाथ इंटीग्रल" एक ऐसा तरीका है जिससे आप एक साथ उन सभी संभावित मार्गों पर विचार करके परिणाम की गणना करते हैं जिन्हें आप ले सकते हैं, न कि केवल उस एक मार्ग पर जिसे आपने वास्तव में चलाया। विंटरहाल्डर दिखाते हैं कि नॉर्मलाइजिंग फ्लो, डिफ्यूजन मॉडल और यहाँ तक कि एडवरसेरियल नेटवर्क के पीछे का गणित भी इस एक विशाल समीकरण के रूप में लिखा जा सकता है। यह ऐसा है जैसे यह महसूस करना कि एक साइकिल, एक कार और एक रॉकेट सभी आगे बढ़ने के अलग-अलग तरीके हैं, जो गति के समान नियमों द्वारा नियंत्रित होते हैं।
"लूप" सुधार: थोड़ा जादू जोड़ना
सबसे रोमांचक हिस्सा वह है जो तब होता है जब आप इस रेसिपी के "सीधे राजमार्ग" वाले संस्करण का उपयोग करने की कोशिश करते हैं। वास्तविक दुनिया में, एआई मॉडल अक्सर एक "डिटरमिनिस्टिक सैंपलर" (deterministic sampler) का उपयोग करते हैं, जो एक रोबोट की तरह है जो एक छवि उत्पन्न करने के लिए एक पूर्ण, पूर्व-निर्धारित पथ का अनुसरण करता है। यह तेज़ है, लेकिन यह पूर्ण नहीं है। यह उन सूक्ष्म, अराजक विवरणों को छोड़ देता है जो एक छवि को वास्तव में वास्तविक बनाते हैं।
विंटरहाल्डर क्वांटम भौतिकी से उधार ली गई एक तकनीक का उपयोग करते हैं जिसे डायग्रामैटिक पर्टरबेशन थ्योरी (diagrammatic perturbation theory) कहा जाता है। इसे "मैप को ठीक करने के खेल" के रूप में सोचें। यदि रोबोट का पथ "ट्री-लेवल" (मुख्य, स्पष्ट सड़क) है, तो शोध पत्र दिखाता है कि "वन-लूप" (one-loop) सुधार की गणना कैसे की जाए। यह रोबोट के पथ में एक छोटा, गणना किया गया मोड़ जोड़ने जैसा है ताकि उन ऊबड़-खाबड़ रास्तों और हवा का हिसाब रखा जा सके जिन्हें उसने अनदेखा कर दिया था।
शोध पत्र यह सिद्ध करता है कि मुख्य पथ के साथ दो अतिरिक्त, सरल गणितीय समीकरणों को हल करके, आप सटीक रूप से भविष्यवाणी कर सकते हैं कि रोबोट का पथ कितना गलत है। उनके परीक्षणों में, उन्होंने एक ऐसे मॉडल को लिया जो 53% की त्रुटि (एक बड़ी गलती) कर रहा था और इस "लूप सुधार" का उपयोग करके त्रुटि को घटाकर केवल 1.6% कर दिया। यह एक ऐसे जीपीएस को लेने जैसा है जो आपको गलत शहर भेज रहा था और उसमें एक छोटा, स्मार्ट अपडेट जोड़ने से जो आपको सीधे आपके दरवाजे तक पहुँचा देता है, और वह भी बिना दोबारा पूरे रास्ते को चेक किए।
"स्कोर" की समस्या और नया प्रशिक्षण नियम
यह शोध पत्र एक सामान्य समस्या पर भी प्रहार करता है: क्या होगा यदि एआई का "स्कोर" (उसका अनुमान कि किस दिशा में जाना है) अपूर्ण हो? आमतौर पर, यदि एआई गलती करता है, तो यह और भी खराब हो जाता है। लेकिन विंटरहाल्डर इन गलतियों को पाथ इंटीग्रल में "इंसर्शन" (insertions) के रूप में देखते हैं। वह दिखाते हैं कि आप यह गणना कैसे कर सकते हैं कि ये गलतियाँ अंतिम परिणाम को कैसे बिगाड़ती हैं।
यह प्रशिक्षण के लिए एक नए विचार की ओर ले जाता है। केवल एआई को "सही होने" के लिए कहने के बजाय, शोध पत्र एक नया नियम सुझाता है: "उन गलतियों पर अधिक ध्यान दें जो सबसे अधिक मायने रखती हैं।" यह एक ऐसे शिक्षक की तरह है जो छात्र को कहता है, "केवल उत्तरों को रटो मत; उन विशिष्ट चरणों पर ध्यान केंद्रित करो जहाँ तुम बार- बार लड़खड़ा रहे हो।" शोध पत्र एक नया "रिस्पॉन्स-वेटेड" (response-weighted) उद्देश्य व्युत्पन्न करता है, जो एक फैंसी तरीका है यह कहने का कि एआई को उन त्रुटियों को ठीक करना सीखना चाहिए जिनका अंतिम चित्र पर सबसे बड़ा प्रभाव पड़ता है।
सिमेट्री (Symmetry) के साथ निर्माण: लेगो (LEGO) दृष्टिकोण
अंत में, शोध पत्र इस बात पर विचार करता है कि इन एआई मॉडलों को कैसे बनाया जाए जब डेटा के विशेष नियम हों, जैसे कि सिमेट्री (सममिति)। कल्पना कीजिए कि आप एक अणु या लोगों की भीड़ का मॉडल बना रहे हैं। यदि आप अणु को घुमाते हैं या दो लोगों को बदलते हैं, तो भौतिकी नहीं बदलनी चाहिए। शोध पत्र इफेक्टिव फील्ड थ्योरी (EFT) पावर काउंटिंग की अवधारणा का उपयोग करता है।
इसे लेगो ब्रिक्स के साथ बनाने के रूप में सोचें। आपके पास बुनियादी ब्रिक्स (सिमेट्री नियम) का एक सेट है और आप एक किला बनाना चाहते हैं। इन ब्रिक्स का उपयोग करने का अनुमान लगाने के बजाय, यह विधि एक सख्त सूची देती है: "पहले इन बड़े ब्रिक्स का उपयोग करें, फिर मध्यम वाले, और छोटे वाले केवल तभी उपयोग करें जब वास्तव में आवश्यकता हो।" यह एआई के डिज़ाइन को व्यवस्थित करता है ताकि यह स्वाभाविक रूप से सिमेट्री के नियमों का सम्मान करे, जिससे एआई बिना हर एक नियम को हाथ से बताए, अधिक स्मार्ट और कुशल बनता है।
निष्कर्ष
यह शोध पत्र केवल यह सुझाव नहीं देता कि ये विभिन्न एआई मॉडल संबंधित हैं; बल्कि यह उनके बीच एक पूर्ण गणितीय सेतु बनाता है। यह दिखाता है कि "तेज़ लेकिन खुरदरे" तरीके और "धीमे लेकिन सटीक" तरीके एक ही स्पेक्ट्रम के अलग-अलग बिंदु हैं। इस समस्या को एक भौतिकी प्रयोग की तरह मानकर, लेखक यह गणना करने का एक तरीका प्रदान करता है कि तेज़ तरीकों को ठीक से कैसे सुधारा जाए, जिससे 53% की त्रुटि को 1.6% में बदला जा सके। हालाँकि यह शोध पत्र गणित और सिमुलेशन पर केंद्रित है (और यह दावा नहीं करता कि इसने अभी तक एक नया सुपर-एआई बनाया है), यह एक शक्तिशाली टूलकिट प्रदान करता है। यह सुझाव देता है कि भविष्य में, हमें विभिन्न प्रकार के जेनरेटिव मॉडलों के बीच चयन करने की आवश्यकता नहीं होगी; इसके बजाय, हम वैज्ञानिक सिमुलेशन से लेकर कला तक, बेहतर, तेज़ और अधिक सटीक एआई चित्रकारों को डिजाइन करने के लिए इस एकल "मास्टर एक्शन" का उपयोग कर सकते 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।