Contrastive Learning Improves Generalization on M2OR Olfactory Binding Dataset

एक ऐसी दुनिया की कल्पना करें जहाँ एक सेंसर बीमारी के लक्षण दिखने से पहले ही उसकी गंध सूंघ सके, हवा में छिपे किसी रासायनिक खतरे का पता लगा सके, या केवल अपनी गंध से किसी नई दवा के संभावित उम्मीदवार की पहचान कर सके। यह 'ऑल्फैक्ट्री-बेस्ड बायोसेंसर' (घ्राण-आधारित जैव-संवेदक) का वादा है, ऐसे उपकरण जो जीवित प्राणियों के सूंघने के तरीके की नकल करते हैं। प्रकृति में, जानवर हवा में तैरते वाष्पशील अणुओं को पकड़ने के लिए रिसेप्टर्स नामक विशिष्ट प्रोटीनों का उपयोग करते हैं, जो एक रासायनिक संकेत को तंत्रिका आवेग (नर्व इम्पल्स) में बदल देते हैं जिसे मस्तिष्क समझ पाता है। वैज्ञानिकों ने लंबे समय से इस प्रणाली के कृत्रिम संस्करण बनाने का प्रयास किया है, लेकिन वे एक जिद्दी समस्या का सामना कर रहे हैं: हमारे पास इस बात का पर्याप्त डेटा नहीं है कि ये विशिष्ट प्रोटीन हवा में मौजूद रसायनों के विशाल ब्रह्मांड के साथ कैसे परस्पर क्रिया करते हैं। वास्तविक दुनिया के उदाहरणों के बिना, इन अंतःक्रियाओं की भविष्यवाणी करने के लिए डिज़ाइन किए गए कंप्यूटर प्रोग्राम अक्सर विफल हो जाते हैं। वे रसायन विज्ञान के अंतर्निहित नियमों को सीखने के बजाय अपने प्रशिक्षण डेटा से पैटर्न को रट लेते हैं, जिससे इंजीनियर उन्हें वास्तविक दुनिया के अनुप्रयोगों के लिए भरोसेमंद नहीं मान पाते।

शोधकर्ताओं की एक टीम इस समस्या को हल करने के लिए यह परीक्षण करने में जुट गई कि कंप्यूटर को सामान्यीकरण (जनरलाइज) करना, यानी नई स्थितियों में लागू होने वाले सबक सिखाना, कैसे सिखाया जाए, जिसमें उन्होंने प्रोटीन और रसायनों के जुड़ने के दो बड़े डेटा संग्रहों का उपयोग किया। उन्होंने एक विशिष्ट चुनौती पर ध्यान केंद्रित किया: यह सुनिश्चित करना कि एक कंप्यूटर मॉडल उस रसायन या प्रोटीन को पहचानने पर निर्भर न हो जिसे उसने प्रशिक्षण के दौरान पहले ही देख लिया है। ऐसा करने के लिए, उन्होंने अपने डेटा को विभाजित करने के विभिन्न तरीकों का परीक्षण किया। एक मानक दृष्टिकोण में, कंप्यूटर को उस रसायन पर टेस्ट किया जा सकता है जिस पर उसे प्रशिक्षित किया गया था, जो सफलता का एक झूठा आभास देता है। इसके बजाय, शोधकर्ताओं ने अद्वितीय रसायनों या प्रोटीनों के पूरे समूहों को रोक कर रखा, जिससे मॉडल को यह भविष्यवाणी करने के लिए मजबूर किया गया कि वह उस चीज़ के प्रति कैसी प्रतिक्रिया देगा जिसे उसने पहले कभी नहीं देखा है। उन्होंने पाया कि विशेष सहायता के बिना, मॉडल नए, अनदेखे समूहों का सामना करने पर काफी संघर्ष करते हैं। कंप्यूटर का प्रदर्शन तेजी से गिर गया क्योंकि वह रसायणुओं के व्यापक सिद्धांतों को समझने के बजाय विशिष्ट विवरणों को याद रखने पर निर्भर था।

महत्वपूर्ण सफलता तब मिली जब शोधकर्ताओं ने 'कॉन्ट्रास्टिव लर्निंग' (तुलनात्मक शिक्षण) नामक एक तकनीक पेश की। केवल कंप्यूटर को यह बताने के बजाय कि अणुओं का एक जोड़ा जुड़ता है या नहीं, उन्होंने इसे संबंधों को पहचानना सिखाया। कंप्यूटर को अणुओं के ऐसे जोड़े दिखाए गए जिनमें समान भाग थे और उन्हें उन्हें समान मानने के लिए कहा गया, जबकि उन जोड़ों को अलग माना गया जिनमें कुछ भी समान नहीं था। इस पद्धति ने एक मार्गदर्शक के रूप में कार्य किया, जिसने कंप्यूटर को केवल सूचियों को रटने के बजाय साझा विशेषताओं के आधार पर रासायनिक दुनिया का एक मानसिक मानचित्र बनाने के लिए मजबूर किया। जब शोधकर्ताओं ने इस दृष्टिकोण को लागू किया, तो मॉडल उल्लेखनीय रूप से मजबूत हो गए। उन्होंने उच्च स्तर की सटीकता बनाए रखी, और 0.88 का स्कोर प्राप्त किया, चाहे उनका परीक्षण यादृच्छिक (रैंडम) डेटा पर किया गया हो या पूरी तरह से नए रसायनों और प्रोटीनों पर जिन्हें उन्होंने पहले कभी नहीं देखा था। यह सुझाव देता है कि अणुओं के साझा निर्माण खंडों (बिल्डिंग ब्लॉक्स) पर ध्यान केंद्रित करके, कंप्यूटर ने अणुओं के जुड़ने की भविष्यवाणी करने का अधिक मौलिक तरीका सीख लिया है।

अध्ययन ने यह भी प्रकट किया कि डेटा को तैयार करने का तरीका उस विशिष्ट प्रकार के कंप्यूटर मॉडल से अधिक महत्वपूर्ण है जिसका उपयोग किया जा रहा है। जब डेटा को इस तरह विभाजित किया गया जिससे कंप्यूटर प्रशिक्षण और परीक्षण दोनों चरणों में परिचित भागों को देख सके, तो सरल मॉडल भी अच्छा प्रदर्शन करते थे। हालाँकि, जैसे ही शोधकर्ताओं ने वह सुरक्षा जाल हटा दिया, केवल कॉन्ट्रास्टिव विधि से प्रशिक्षित मॉडल ही उस कठिनाई को संभाल सके। यह निष्कर्ष कई पिछले अध्ययनों के एक छिपे हुए दोष को उजागर करता: उच्च प्रदर्शन स्कोर अक्सर इसलिए बढ़े हुए होते थे क्योंकि परीक्षण डेटा में वे तत्व शामिल थे जिन्हें कंप्यूटर पहले ही देख चुका था। शोधकर्ता तर्क देते हैं कि इन भविष्यवाणियों को वास्तव में उपयोगी होने के लिए, हमें उनका मूल्यांकन ऐसे डेटा पर करना चाहिए जो कंप्यूटर को सामान्यीकरण करने के लिए मजबूर करे। कॉन्ट्रास्टिव लर्निंग का उपयोग करके, उन्होंने दिखाया कि यह संभव है कि एक ऐसी प्रणाली बनाई जाए जो गंध के रसायन विज्ञान को इतना समझ सके कि वह भविष्यवाणी कर सके कि नए प्रोटीन और रसायन आपस में कैसे क्रिया करेंगे, जिससे चिकित्सा और सुरक्षा में अधिक विश्वसनीय बायोसेंसर्स का मार्ग प्रशस्त हो सके।