Faithful Uncertainties in ML-Based Inverse Problems: GPs, NNs and NTKs for the Triplet PDF
यह शोध पत्र यह प्रदर्शित करता है कि पार्टोन वितरण फलनों (पार्टोन डिस्ट्रीब्यूशन फंक्शन्स) के पुनर्निर्माण के लिए मशीन लर्निंग-आधारित व्युत्क्रम समस्याओं (इनवर्स प्रॉब्लम्स) में, समान केंद्रीय भविष्यवाणियों वाले तरीके काफी भिन्न अनिश्चितता अनुमान प्रदान कर सकते हैं, जो निष्ठावान अनिश्चितता अंशांकन सुनिश्चित करने के लिए पूर्ण प्रयोगात्मक सहप्रसरण (एक्सपेरिमेंटल कोवेरिएंस), उपयुक्त कार्यात्मक पूर्वग्रहों (फंक्शनल प्रायर्स) और कठोर क्लोजर परीक्षणों को शामिल करने के महत्वपूर्ण महत्व को रेखांकित 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
कण भौतिकी (पार्टिकल फिजिक्स) की उच्च-दांव वाली दुनिया में, वैज्ञानिक केवल ब्रह्मांड के निर्माण खंडों का अवलोकन नहीं करते हैं; उन्हें उन्हें उनके द्वारा डाली गई छायाओं से पुनर्गठित करना होता है। जब प्रोटॉन अत्यधिक गति से आपस में टकराते हैं, तो वे मलबे की एक बाढ़ पैदा करते हैं, लेकिन प्रोटॉन के भीतर के मौलिक कण—क्वार्क्स और ग्लुओन्स—छिपे रहते हैं। प्रोटॉन की संरचना को समझने के लिए, शोधकर्ताओं को इन टक्करों के अव्यवस्थित, शोर भरे डेटा से पीछे की ओर काम करना पड़ता है ताकि यह पता लगाया जा सके कि प्रोटॉन के घटकों के बीच संवेग (मोमेंटम) कैसे साझा किया जाता है। इसे एक 'इनवर्स प्रॉब्लम' (उलटी समस्या) के रूप में जाना जाता है, जो एक गणितीय पहेली है जहाँ उत्तर अद्वितीय नहीं होता और डेटा अपूर्ण होता है। चुनौती न केवल सबसे संभावित मानचित्र खोजने की है, बल्कि यह जानने की भी है कि उस पर कितना भरोसा किया जाए। यदि मानचित्र गलत है, तो लार्ज हैड्रोन कोलाइडर जैसे केंद्रों पर भविष्य के प्रयोगों के लिए भविष्यवाणियां भ्रामक हो सकती हैं। वर्षों से, भौतिकविदों ने इन मानचित्रों को बनाने के लिए जटिल सांख्यिकीय विधियों पर भरोसा किया है, लेकिन जैसे-जैसे मशीन लर्निंग इस क्षेत्र में प्रवेश कर रही है, एक नया प्रश्न उभरा है: क्या ये शक्तिशाली एल्गोरिदम हमें न केवल यह बता सकते हैं कि मानचित्र कैसा दिखता है, बल्कि यह भी कि वे इसके बारे में कितने अनिश्चित हैं?
कैम्ब्रिज विश्वविद्यालय के शोधकर्ताओं की एक टीम ने एक नियंत्रित वातावरण में तीन अलग-अलग मशीन लर्निंग दृष्टिकोणों का परीक्षण करके इस प्रश्न को हल किया है। उन्होंने प्रोटॉन पहेली के एक विशिष्ट, सरलीकृत संस्करण पर ध्यान केंद्रित किया: बीसीडीएमएस (BCDMS) नामक एक ऐतिहासिक प्रयोग के डेटा का उपयोग करके क्वार्क्स के एक विशेष संयोजन, जिसे 'ट्रिपलेट डिस्ट्रीब्यूशन' कहा जाता है, का पुनर्निर्माण करना। यह सुनिश्चित करने के लिए कि वे परिणामों का निष्पक्षता से मूल्यांकन कर सकें, उन्होंने वास्तविक प्रयोगात्मक डेटा का उपयोग नहीं किया, जिसमें कोई ज्ञात "सत्य" उत्तर नहीं होता है। इसके बजाय, उन्होंने एक सिमुलेशन बनाया जहाँ वे पहले से ही सटीक अंतर्निहित सत्य जानते थे। उन्होंने नकली डेटा बिंदु उत्पन्न किए जो वास्तविक मापों की नकल करते थे, जिनमें यथार्थवादी त्रुटियाँ और सहसंबंध (कोरिलेशन) शामिल थे, और फिर तीन अलग-अलग मशीन लर्निंग सिस्टम से मूल मानचित्र को पुनः प्राप्त करने के लिए कहा। उन्होंने जिन प्रणालियों की तुलना की उनमें गॉसियन प्रोसेस (Gaussian processes) शामिल थे, जो अनिश्चितता को मापने की अपनी क्षमता के लिए जाने जाने वाले सांख्यिकीय मॉडल हैं; न्यूरल नेटवर्क, जो कई आधुनिक एआई सफलताओं के पीछे के डीप लर्निंग इंजन हैं; और एक नई विधि जिसे 'न्यूरल टेंगेंट कर्नेल' (neural tangent kernel) कहा जाता है, जो यह समझाने का प्रयास करती है कि न्यूरल नेटवर्क कैसे सीखते हैं।
शोधकर्ताओं ने पाया कि हालांकि तीनों विधियाँ एक ऐसा केंद्रीय मानचित्र बना सकती हैं जो सत्य के बहुत समान दिखता है, लेकिन उस मानचित्र में उनका विश्वास बहुत भिन्न था। यह पाया गया कि औसत उत्तर प्राप्त करना पर्याप्त नहीं था; महत्वपूर्ण परीक्षण यह था कि क्या अनुमानित अनिश्चितता वास्तविक त्रुटियों से मेल खाती है। अध्ययन से पता चला कि एक मशीन लर्निंग मॉडल जिस तरह से डेटा में ज्ञात त्रुटियों को संभालता है, वह विश्वसनीय अनिश्चितता अनुमान उत्पन्न करने वाला सबसे महत्वपूर्ण कारक है। वे मॉडल जो विभिन्न डेटा बिंदुओं के बीच जटिल सहसंबंधों की अनदेखी करते हैं, या वे जो यह जाने बिना कि त्रुटियाँ कैसे संरचित हैं, त्रुटियों को शून्य से सीखने का प्रयास करते हैं, उन्होंने ऐसे कॉन्फिडेंस बैंड (विश्वास बैंड) बनाए जो या तो बहुत संकीले थे या भ्रामक रूप से विस्तृत थे। केवल वे मॉडल जिन्होंने प्रयोगात्मक त्रुटियों की पूर्ण संरचना को स्पष्ट रूप से शामिल किया, जिसमें एक माप की त्रुटि दूसरे से कैसे जुड़ी हो सकती है, यह भी शामिल था, सांख्यिकीय रूप से ईमानदार अनिश्चितता अनुमान बनाने में सफल रहे।
शायद सबसे आश्चर्यजनक निष्कर्ष उन क्षेत्रों में इन मॉडलों के व्यवहार के बारे में था जहाँ कोई डेटा मौजूद नहीं था। वास्तविक दुनिया में, भौतिकविदों को अक्सर उन ऊर्जा स्तरों या दूरियों पर कणों के व्यवहार का अनुमान लगाना पड़ता है जिन्हें उन्होंने सीधे कभी नहीं मापा है। अध्ययन ने दिखाया कि इन खाली क्षेत्रों में, मशीन लर्निंग मॉडल केवल उस डेटा के आधार पर अनुमान नहीं लगाते जो उन्होंने देखा है। इसके बजाय, उनके अनुमान उन गणितीय धारणाओं द्वारा अत्यधिक संचालित होते हैं जो प्रशिक्षण शुरू होने से पहले ही उनमें निर्मित की गई थीं। ये धारणाएं, जिन्हें 'प्रायर्स' (priors) कहा जाता है, एक छिपे हुए हाथ की तरह काम करती हैं जो मॉडल की भविष्यवाणियों को निर्देशित करती हैं। जब शोधकर्ताओं ने इन प्रारंभिक धारणाओं को बदला, तो अनमैप्ड (अनमापे गए) क्षेत्रों में मॉडलों की भविष्यवाणियां नाटकीय रूप रूप से बदल गईं, भले ही मापे गए क्षेत्रों में उनका प्रदर्शन समान रहा। इसका अर्थ यह है कि किसी अनोखे क्षेत्र में मशीन लर्निंग मॉडल द्वारा रिपोर्ट की गई अनिश्चितता डेटा का शुद्ध प्रतिबिंब नहीं है, बल्कि एक सशर्त कथन है जो पूरी तरह से उन विशिष्ट गणितीय नियमों पर निर्भर करता है जो मॉडल को दिए गए थे।
टीम ने एक नई तकनीक का भी परीक्षण किया जिसमें न्यूरल टेंगेंट कर्नेल शामिल हैं, जिन्हें न्यूरल नेटवर्क और पारंपरिक सांख्यिकीय मॉडलों के बीच के अंतर को पाटने के लिए डिज़ाइन किया गया है। उन्होंने पाया कि विश्लेषण का समय अत्यंत महत्वपूर्ण था। यदि वे प्रशिक्षण के बिल्कुल प्रारंभ में, डेटा से कुछ भी सीखने से पहले, मॉडल की अनिश्चितता का मूल्यांकन करते हैं, तो परिणामी अनिश्चितता खतरनाक रूप से कम और पूरी तरह से अविश्वसनीय होती है। यह केवल तभी हुआ जब नेटवर्क को प्रशिक्षण के एक महत्वपूर्ण चरण के बाद प्रशिक्षित किया गया, तब अनिश्चितता अनुमान विश्वसनीय हो गए। यह सुझाव देता है कि इन उन्नत तरीकों के उपयोगी होने के लिए, उन्हें स्थिर उपकरण नहीं माना जा सकता है; उनके आंतरिक अवस्था की सही चरण में निगरानी और मूल्यांकन किया जाना चाहिए।
अंततः, यह अध्ययन भौतिकी अनुसंधान के भविष्य के लिए एक महत्वपूर्ण चेतावनी और मार्गदर्शिका के रूप में कार्य करता है। यह प्रदर्शित करता है कि एक मशीन लर्निंग मॉडल सतह पर एकदम सही दिख सकता है, ज्ञात डेटा को उच्च सटीकता के साथ पुनर्गठित कर सकता है, फिर भी अपनी अज्ञानता का सच्चा माप प्रदान करने में विफल हो सकता है। शोधकर्ताओं ने निष्कर्ष निकाला कि इन उपकरणों पर भरोसा करने के लिए, वैज्ञानिकों को केवल यह जाँचने से आगे बढ़ना होगा कि केंद्रीय भविष्यवाणी सही है या नहीं। उन्हें कठोरता से यह परीक्षण करना होगा कि क्या मॉडल के अनिश्चितता बैंड वास्तव में सत्य को कवर करते हैं, और ऐसी विधियों का उपयोग करना होगा जो वास्तविक दुनिया के जटिल सहसंबंधों को ध्यान में रखती हों। इन सावधानियों के बिना, आर्टिफिशियल इंटेलिजेंस के शक्तिशाली नए उपकरण सटीक तो हो सकते हैं, लेकिन वे खतरनाक रूप से भ्रामक भी हो सकते हैं, खासकर जब उन्हें अज्ञात में जाने के लिए कहा जाता है। आगे का रास्ता मशीन लर्निंग की शक्ति को पारंपरिक भौतिकी के कठोर सांख्यिकीय अनुशासन के साथ जोड़ने की मांग करता है, यह सुनिश्चित करते हुए कि जब हम उप-परमाणु दुनिया की छायाओं को देखते हैं, तो हमें पता हो कि चित्र का कितना हिस्सा वास्तविक है और कितना एक अनुमान है।
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।