Catching the Imposter: Self-Supervised Learning of Physical Coherence with Cross-Entity Feature Permutations
यह शोध पत्र "इम्पोस्टर" (Imposter) को पेश करता है, जो एक स्व-पर्यवेक्षित शिक्षण प्रीटेक्स्ट कार्य (self-supervised learning pretext task) है जो मॉडलों को संस्थाओं के बीच भौतिक रूप से अकल्पनीय फीचर स्वैप का पता लगाने के लिए प्रशिक्षित करता है, जिससे क्रॉस-फीचर भौतिक निर्भरताओं को पकड़ा जा सके जो मौजूदा उद्देश्यों के साथ संयोजन में विविध लैंड-सरफेस मॉडलिंग कार्यों पर प्रदर्शन को महत्वपूर्ण रूप से बढ़ाता 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 रोबोट को बिना किसी पाठ्यपुस्तक या शिक्षक के दुनिया को समझना सिखाने की कोशिश कर रहे हैं। आर्टिफिशियल इंटेलिजेंस की दुनिया में, इसे "सेल्फ-सुपरवाइज्ड लर्निंग" (स्व-पर्यवेक्षित शिक्षण) कहा जाता है। आमतौर पर, हम रोबोट को एक तस्वीर दिखाकर और उससे पूछते हैं कि क्या गायब है, या उन्हें दो तस्वीरें दिखाकर पूछते हैं कि क्या वे एक ही चीज़ हैं। यह बिल्लियों, कुत्तों या वाक्यों जैसी चीज़ों के लिए बहुत अच्छा काम करता है। लेकिन जब हम रोबोट को भौतिक दुनिया के बारे में सिखाने की कोशिश करते हैं—जैसे मौसम, महासागर, या पौधों के सांस लेने का तरीका—तो मानक तरीके अक्सर विफल हो जाते हैं। क्यों? क्योंकि भौतिक दुनिया सख्त, अदृश्य नियमों का पालन करती है। तापमान, हवा और मिट्टी की नमी केवल यादृच्छिक संख्याएँ नहीं हैं; वे भौतिकी के नियमों द्वारा आपस में जुड़े हुए हैं। यदि सूरज तप रहा है, तो मिट्टी जम नहीं सकती, और यदि बारिश हो रही है, तो हवा शुष्क नहीं हो सकती। वर्तमान AI के अधिकांश तरीके इन चरों (variables) को ऐसे व्यवहार करते हैं जैसे वे स्वतंत्र हों, इस तथ्य को अनदेखा करते हुए कि वे सभी एक विशाल, परस्पर जुड़े हुए नृत्य का हिस्सा हैं। बड़ा सवाल यह है: क्या हम एक AI को यह नोटिस करना सिखा सकते हैं कि नृत्य के कदम कब तालमेल से बाहर हैं, भले ही कोई इंसान उसे नियम न बताए?
यह ठीक वही है जिसे इस शोध पत्र के शोधकर्ताओं ने हल करने का प्रयास किया है। उन्होंने AI के लिए "इम्पोस्टर" (Imposter) नामक एक नया खेल पेश किया। केवल डेटा के एक हिस्से को छिपाने और AI से उसे भरने के लिए कहने के बजाय, वे "नकली पहचानो" का खेल खेलते हैं। कल्पना कीजिए कि आपके पास एक रेगिस्तान की तस्वीर है। आप एक उष्णकटिबंधीय वर्षावन (tropical rainforest) की तस्वीर से रेत का एक कण लेते हैं और उसे अपने रेगिस्तान की तस्वीर में बदल देते है। एक इंसान के लिए, रेत का वह कण वास्तविक दिखता है, और AI के लिए भी, उस कण का विशिष्ट मान अपने आप में पूरी तरह से प्रशंसनीय होता है। चाल यह है कि वह संयोजन (combination) "अजीब" लगता है क्योंकि रेगिस्तान में आमतौर पर वर्षावन की रेत नहीं होती। AI का काम तस्वीर को देखना और चिल्लाना है, "वह रेत का कण यहाँ नहीं होना चाहिए!" इसमें कुशल होने के लिए, AI को तापमान, पानी और विकिरण (radiation) को जोड़ने वाले गहरे, भौतिक नियमों को सीखना होगा। यदि वह "इम्पोस्टर" को पहचान सकता है, तो इसका मतलब है कि उसने सीख लिया है कि वास्तविक दुनिया कैसे काम करती है।
टीम ने इस विचार का परीक्षण पृथ्वी के मौसम और भूमि के डेटा के एक विशाल डेटासेट का उपयोग करके किया, जिसमें मिट्टी की नमी और वायु तापमान जैसे 21 अलग-अलग चर शामिल थे। उन्होंने अपने नए "इम्पोस्टर" खेल को पांच अन्य लोकप्रिय AI प्रशिक्षण विधियों के खिलाफ खड़ा किया। परिणाम आश्चर्यजनक थे: कोई भी एक "सर्वश्रेष्ठ" विधि नहीं थी। यह पता चला कि सही प्रशिक्षण खेल पूरी तरह से इस बात पर निर्भर करता है कि आप बाद में AI से क्या करवाना चाहते हैं। यदि आप चाहते हैं कि AI आपको बताए कि किसी स्थान की जलवायु कैसी है (जैसे "रेगिस्तान" या "उष्णकटिबंधीय वन"), तो पुराने तरीके जो विभिन्न स्थानों की तुलना करने पर ध्यान केंद्रित करते हैं, सबसे अच्छे रहे। नदी के प्रवाह की भविष्यवाणी करने के लिए, पारंपरिक "पुनर्निर्माण" (reconstruction) विधियाँ जो छूटे हुए डेटा को भरती हैं, वास्तव में शीर्ष प्रदर्शन करने वाली थीं। हालाँकि, पौधे कितना कार्बन सोख रहे हैं, इसकी भविष्यवाणी करने के लिए, नया "इम्पोस्टर" तरीका चमक गया, जिसने अन्य तरीकों की बराबरी की या उन्हें पीछे छोड़ दिया।
सबसे रोमांचक खोज यह थी कि ये विधियाँ दुश्मन नहीं हैं; वे टीम के साथी हैं। जब शोधकर्ताओं ने "इम्पोस्टर" खेल को अन्य विधियों के साथ जोड़ा, तो AI और भी स्मार्ट हो गया। यह ऐसा था जैसे रोबोट को इलाके का नक्शा और दिशा-सूचक यंत्र (compass) दोनों देना; अकेले वे पूर्ण नहीं थे, लेकिन साथ मिलकर उन्होंने अधिक क्षेत्र कवर किया। यह अध्ययन बताता है कि वैज्ञानिक AI के लिए, रहस्य एक जादू की छड़ी खोजने में नहीं है। इसके बजाय, हमें ऐसे मॉडल बनाने की आवश्यकता है जो विभिन्न प्रकार की संरचनाओं को समझ सकें: कुछ जो समय से सीखते हैं, कुछ जो स्थान (space) से सीखते हैं, और कुछ जो उन भौतिक नियमों से सीखते हैं जो सब कुछ एक साथ बांधते हैं। AI को डेटा में "इम्पोस्टर" को पकड़ना सिखाकर, हम उसे हमारे ग्रह की बेहतर, अधिक जमीनी समझ दे रहे 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।