NAE, Statistically
यह शोध पत्र न्यू फिजिक्स खोजों में न्यूरल विसंगति का पता लगाने के लिए एक सांख्यिकीय रूप से व्याख्या योग्य, संभाव्य ढांचा प्रदान करने हेतु नॉर्मलाइज्ड ऑटोएनकोडर (NAE) प्रस्तुत करता है, जो टॉय मॉडल्स, जेट विश्लेषण और बेयसियन अनिश्चितता परिमाणीकरण के माध्यम से इसकी वैधता को प्रदर्शित 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
लार्ज हैड्रॉन कोलाइडर (LHC) में, जो फ्रांस और स्विट्जरलैंड की सीमा के नीचे स्थित एक विशाल मशीन है, भौतिक विज्ञानी प्रोटॉन को लगभग प्रकाश की गति से आपस में टकराते हैं। इसका लक्ष्य नई, अज्ञात भौतिकी के संकेतों को खोजना है जो ब्रह्मांड के गहरे रहस्यों को समझा सकें। दशकों से, रणनीति यह रही है कि एक नया कण कैसा दिख सकता है इसका अनुमान लगाया जाए, उस अनुमान का एक कंप्यूटर मॉडल बनाया जाए, और फिर टकराव के डेटा में उसकी खोज की जाए। लेकिन क्या होगा यदि नई भौतिकी हमारे अनुमानों से बिल्कुल अलग दिखे? क्या होगा यदि वह उस तरह से छिपी हो जिसकी हमने कल्पना भी न की हो? हाल के वर्षों में, वैज्ञानिकों ने एक मार्गदर्शक के रूप में कृत्रिम बुद्धिमत्ता (AI) की ओर रुख किया है। एक विशिष्ट लक्ष्य की तलाश करने के बजाय, ये कंप्यूटर प्रोग्राम यह सीखते हैं कि डेटा के विशाल बहुमत के आधार पर "सामान्य" क्या दिखता है, और फिर किसी भी ऐसी चीज़ को चिह्नित करते हैं जो अजीब या असामान्य दिखती है। यह दृष्टिकोण शक्तिशाली है, लेकिन इसमें एक बड़ी खामी है: कंप्यूटर यह बताते हुए एक स्कोर देता है कि कुछ अजीब है, लेकिन वह भौतिक विज्ञानी को यह नहीं बता पाता कि उस स्कोर पर कितना भरोसा किया जाए। परिणाम की विश्वसनीयता को मापने के तरीके के बिना, यह खोज वैज्ञानिक रूप से अधूरी रहती है।
हाइडेलबर्ग विश्वविद्यालय के शोधकर्ताओं की एक टीम ने इस समस्या को ठीक करने के लिए एक नई विधि विकसित की है। उन्होंने एक ऐसी प्रणाली बनाई है जो न केवल असामान्य घटनाओं का पता लगाती है, बल्कि अपने स्वयं के निर्णय की सांख्यिकीय निश्चितता की गणना भी करती है। उनके कार्य का मुख्य हिस्सा 'ऑटोएनकोडर' (autoencoder) नामक एक प्रकार का न्यूरल नेटवर्क है। एक ऐसी मशीन की कल्पना करें जो एक जटिल छवि को एक छोटे सारांश में संकुचित करने की कोशिश करती है और फिर उस सारांश से छवि को पुनर्गठित करती है। यदि मशीन को केवल सामान्य डेटा पर प्रशिक्षित किया जाता है, तो वह सामान्य चीजों को फिर से बनाने में बहुत कुशल हो जाती है। जब वह कुछ अजीब देखती है, तो वह उसे ठीक से पुनर्गठित करने में विफल हो जाती है, और पुनर्गठन में होने वाली यह त्रुटि एक संकेत बन जाती है कि कुछ नया है। हालांकि, शोधकर्ताओं ने महसूस किया कि केवल इस त्रुटि को मापना पर्याप्त नहीं था। उन्हें इस त्रुटि को एक प्रायिकता (probability) से जोड़ने की आवश्यकता थी, जो गणितीय रूप से यह बता सके कि इस बात की कितनी संभावना है कि कोई घटना सामान्य भीड़ का हिस्सा है।
इसे हल करने के लिए, टीम ने ऑटोएनकोडर के एक "सामान्यीकृत" (normalized) संस्करण को पेश किया। यह प्रणाली पुनर्गठन त्रुटि को केवल एक गलती के रूप में नहीं, बल्कि ऊर्जा के एक माप के रूप में देखती है, जहाँ कम ऊर्जा का अर्थ है कि घटना सामान्य है और उच्च ऊर्जा का अर्थ है कि वह दुर्लभ है। संभावनाओं के संपूर्ण परिदृश्य को समझने के लिए नेटवर्क को सावधानीपूर्वक प्रशिक्षित करके, उन्होंने यह सुनिश्चित किया कि ऊर्जा स्कोर सीधे एक प्रायिकता के अनुरूप हो। इसका अर्थ है कि कंप्यूटर अब कह सकता है, "इस घटना के सामान्य होने की संभावना 99% है," या "यह घटना अत्यधिक असामान्य है।" इसे और अधिक सुदृढ़ बनाने के लिए, उन्होंने सिस्टम में अनिश्चितता की एक परत जोड़ी। प्रशिक्षण के दौरान नेटवर्क की आंतरिक सेटिंग्स को थोड़ा बदलने की अनुमति देकर, सिस्टम न केवल एक एकल उत्तर सीखता है, बल्कि संभावित उत्तरों की एक श्रेणी भी सीखता है। यह वैज्ञानिकों को एक अंतर्निहित 'एरर बार' (error bar) देता है, जो उन्हें यह दिखाता है कि कंप्यूटर अपने स्वयं के मूल्यांकन में कितना आश्वस्त है।
शोधकर्ताओं ने पहले इस विचार का परीक्षण एक सरल, द्वि-आयामी मॉडल पर किया जहाँ वे सही उत्तर जानते थे। उन्होंने पाया कि सिस्टम ने डेटा के वास्तविक वितरण को सफलतापूर्वक सीखा, जिससे सामान्य क्षेत्रों और दुर्लभ किनारों की सटीक पहचान हुई। जब उन्होंने अनिश्चितता विशेषता को जोड़ा, तो सिस्टम ने सही ढंग से पहचाना कि वह उन डेटा बिंदुओं के बारे में कम निश्चित है जो केंद्र से दूर हैं, जहाँ उसने कम उदाहरण देखे थे। कंप्यूटर का आत्मविश्वास डेटा की वास्तविकता से मेल खाता था: वह भीड़ वाले केंद्र में बहुत आश्वस्त था और खाली कोनों में उचित रूप से सतर्क था। उन्होंने एक पद्धति का भी परीक्षण किया जहाँ दो प्रणालियों को अलग-अलग प्रकार के डेटा पर प्रशिक्षित किया गया और उनकी आपस में तुलना की गई। इस दोहरे सेटअप ने उन्हें दो अलग-अलग परिदृश्यों के बीच प्रायिकताओं के अनुपात की गणना करने की अनुमति दी, जो प्रभावी रूप से एक अधिक जटिल, 'सुपरवाइज्ड' (supervised) खोज की नकल करता है, बिना यह जाने कि उत्तर क्या है।
इन परिणामों से उत्साहित होकर, टीम ने अपने मेथड को लार्ज हैड्रॉन कोलाइडर के वास्तविक डेटा पर लागू किया। उन्होंने "जेट्स" (jets) के एक डेटासेट का उपयोग किया, जो कणों के उन फुहारों को कहते हैं जो तब बनते हैं जब टकराव के दौरान क्वार्क या ग्लूऑन बाहर निकलते हैं। विशेष रूप से, उन्होंने साधारण क्वांटम क्रोमोडायनामिक्स जेट्स के समुद्र के बीच छिपे हुए 'टॉप क्वार्क जेट्स' को देखा। इस उच्च-दांव वाले वातावरण में, सिस्टम ने प्रभावशाली प्रदर्शन किया। इसने सामान्य बैकग्राउंड से दुर्लभ टॉप क्वार्क जेट्स को सफलतापूर्वक अलग किया, और अनिश्चितता अनुमानों ने सिस्टम की विश्वसनीयता की एक स्पष्ट तस्वीर प्रदान की। शोधकर्ताओं ने पाया कि कंप्यूटर द्वारा सीखे गए ऊर्जा अंतर पारंपरिक, सुपरवाइज्ड क्लासिफायर के परिणामों से बारीकी से मेल खाते हैं, जो इन खोजों के लिए स्वर्ण मानक (gold standard) है। इसने पुष्टि की कि नया तरीका केवल अनुमान नहीं लगा रहा था; बल्कि यह डेटा की अंतर्निहित भौतिकी को सीख रहा था।
अध्ययन ने यह भी खुलासा किया कि सिस्टम इस बात पर निर्भर करता है कि वह क्या देख रहा है। जब इसे टॉप क्वार्क खोजने के लिए प्रशिक्षित किया गया, तो सिस्टम बहुत सुसंगत था। जब इसे टॉप क्वार्क के बीच छिपे साधारण जेट्स को खोजने के लिए प्रशिक्षित किया गया, तो अनिश्चितता अधिक थी, जो कार्य की अधिक कठिनाई को दर्शाती है। यह एक महत्वपूर्ण अंतर्दृष्टि है, क्योंकि यह दिखाता है कि सिस्टम अपनी सीमाओं के प्रति ईमानदार है। शोधकर्ताओं ने प्रदर्शित किया कि प्रशिक्षण प्रक्रिया में एक विशिष्ट पैरामीटर को समायोजित करके, वे सिस्टम के ऊर्जा स्कोर को एक सुपरवाइज्ड क्लासिफायर से ज्ञात प्रायिकताओं के साथ संरेखित कर सकते हैं। यह संरेखण बताता है कि यह विधि वास्तविक कण टकरावों के जटिल, उच्च-आयामी स्थान में प्रभावी ढंग से काम करने के लिए ट्यून की जा सकती है।
अंततः, यह कार्य कृत्रिम बुद्धिमत्ता की कच्ची शक्ति और सांख्यिकीय भौतिकी की कठोर मांगों के बीच के एक महत्वपूर्ण अंतर को पाटता है। यह विसंगति का पता लगाने (anomaly detection) को एक ऐसे 'ब्लैक बॉक्स' से बदल देता है जो एक रहस्यमय स्कोर उत्पन्न करता है, एक पारदर्शी उपकरण में बदल देता है जो एक प्रायिकता और विश्वास का माप प्रदान करता है। यह सिद्ध करके कि ये नेटवर्क वास्तविक घटनाओं की संभावना को सीख सकते हैं और अपनी अनिश्चितता को माप सकते हैं, शोधकर्ताओं ने अज्ञात की खोज करने का एक नया, विश्वसनीय तरीका प्रदान किया है। इस पद्धति को यह जानने की आवश्यकता नहीं है कि नई भौतिकी कैसी दिख सकती है; यह बस यह सीखता है कि सामान्य क्या है और बाकी को चिह्नित करता है, साथ ही यह भी स्पष्ट रूप से बताता है कि वह कितना आश्वस्त है। यह क्षमता लार्ज हैड्रॉन कोलाइडर से प्राप्त डेटा के विश्लेषण के तरीके को मौलिक रूप से बदल सकती है, जिससे भौतिक विज्ञानियों को उस स्तर की सांख्यिकीय कठोरता के साथ अप्रत्याशित को पहचानने की अनुमति मिल सकती है जो पहले पहुंच से बाहर था।
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।