Latent debt in PINNs with SIR Models: Dynamical Compensation and Topological Bottlenecks
यह शोध पत्र प्रकट करता है कि SIR मॉडलों पर लागू होने वाले फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स (PINNs), प्रारंभिक घातांकीय वृद्धि चरणों के दौरान "लेटेंट डेट" (latent debt) से ग्रस्त होते हैं, जहाँ एक सपाट, रैंक-डेफिशिएंट लॉस लैंडस्केप अनुकूलन को अनऑब्जर्व्ड लेटेंट स्टेट्स को विकृत करके और त्रुटियों को प्रसारित करके अवशेषों (residuals) को न्यूनतम करने की अनुमति देता है, जो अंततः मौलिक रूप से गलत पैरामीटर अनुमानों के साथ संख्यात्मक रूप से सटीक समाधान प्रदान करता है।
मूल पेपर CC BY 4.0 (https://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
जब वैज्ञानिक यह अनुमान लगाने की कोशिश करते हैं कि कोई बीमारी आबादी में कैसे फैलती है, तो वे अक्सर गणितीय मॉडलों पर भरोसा करते हैं जो लोगों को समूहों में विभाजित करते हैं: वे जो बीमारी पकड़ सकते हैं, वे जो वर्तमान में बीमार हैं, और वे जो ठीक हो चुके हैं। ये मॉडल सार्वजनिक स्वास्थ्य के लिए शक्तिशाली उपकरण हैं, जो अधिकारियों को यह तय करने में मदद करते हैं कि स्कूल कब बंद करने हैं या टीकाकरण अभियान कब शुरू करने हैं। हालाँकि, इन मॉडलों को सही ढंग से काम करने के लिए सटीक संख्याओं की आवश्यकता होती है, जैसे कि वायरस एक व्यक्ति से दूसरे व्यक्ति तक कितनी तेज़ी से फैलता है और लोग कितनी तेज़ी से ठीक होते हैं। वास्तविक दुनिया में, इन संख्याओं को प्राप्त करना कठिन है, विशेष रूप से प्रकोप की शुरुआत में जब डेटा कम होता है और स्थिति तेज़ी से बदल रही होती है। इसे हल करने के लिए, शोधकर्ताओं ने 'फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क' नामक एक प्रकार के आर्टिफिशियल इंटेलिजेंस की ओर रुख किया है। इसे एक ऐसे कंप्यूटर प्रोग्राम के रूप में समझें जो वास्तविक दुनिया के डेटा को देखते हुए जटिल समीकरणों को हल करना सीखता है, जबकि उसे उन मौलिक भौतिक नियमों का पालन करने के लिए मजबूर किया जाता है जो बीमारियों के प्रसार को नियंत्रित करते हैं। उम्मीद यह है कि ये प्रोग्राम उन अंतरालों को भर सकते हैं जहाँ मानवीय अवलोकन विफल हो जाता है, जिससे संक्रमण के अदृश्य प्रवाह की एक स्पष्ट तस्वीर मिल सके।
शोधकर्ताओं की एक टीम ने हाल ही में यह जांचा कि महामारी के महत्वपूर्ण शुरुआती दिनों के दौरान ये आर्टिफिशियल इंटेलिजेंस उपकरण कितनी अच्छी तरह प्रदर्शन करते हैं। उन्होंने एक विशिष्ट चरण पर ध्यान केंद्रित किया जिसे घातांकीय वृद्धि (exponential growth) की अवधि कहा जाता है, जो वह समय है जब मामलों की संख्या तेजी से दोगुनी हो रही होती है। बीमारी के प्रसार के एक मानक मॉडल का उपयोग करते हुए, उन्होंने विस्तृत कंप्यूटर सिमुलेशन चलाए ताकि यह देखा जा सके कि क्या एआई प्रकोप के अंतर्निहित नियमों को सही ढंग से पहचान सकता है। उन्होंने जो खोजा वह एक आश्चर्यजनक और खतरनाक खामी थी। एआई अक्सर बीमार लोगों की देखी गई संख्या के साथ एक सटीक मिलान उत्पन्न करने में सक्षम था, फिर भी वह स्थिति के छिपे हुए विवरणों के बारे में पूरी तरह से गलत था। प्रोग्राम आंकड़ों के अनुकूल होने वाले नंबरों का एक ऐसा सेट ढूंढ लेता था, जो बिल्कुल सही दिखता था, लेकिन वे नंबर उस जैविक वास्तविकता का वर्णन करते थे जो कभी हुई ही नहीं थी। यह ऐसा था मानो एआई ने अपनी गलतियों को छिपाने के लिए मॉडल के अदृश्य हिस्सों को समायोजित करना सीख लिया हो, जबकि सतह पर सब कुछ सही दिख रहा हो।
शोधकर्ताओं ने पाया कि यह समस्या बीमारी के व्यवहार के तरीके से उत्पन्न होती है। जब कोई प्रकोप अभी शुरू ही हुआ होता है, तो लगभग सभी लोग अभी भी स्वस्थ और वायरस के प्रति संवेदनशील होते हैं। इस संक्षिप्त अवधि के दौरान, प्रसार का वर्णन करने वाली गणित बहुत सरल हो जाती है, जो संक्रमण और रिकवरी की अलग-अलग दरों के बजाय विकास की एक एकल संयुक्त दर पर निर्भर करती है। इस सरलता के कारण, संक्रमण और रिकवरी की गति के अनगिनत विभिन्न संयोजन बिल्कुल वही वक्र (curve) पैदा कर सकते हैं जो बढ़ते मामलों का होता है। आर्टिफिशियल इंटेलिजेंस, सबसे अच्छा उत्तर खोजते हुए, इस भ्रम में खो जाता है। वह तेजी से फैलने वाले वायरस और त्वरित रिकवरी वाले वायरस के बीच अंतर नहीं कर पाता है। कंप्यूटर बस उन संयोजनों में से एक चुन लेता है जो डेटा में फिट बैठता है और आगे बढ़ जाता है, इस बात से अनजान कि उसने एक ऐसा रास्ता चुना है जो जैविक रूप से असंभव है।
मामले को और भी खराब बनाने के लिए, न्यूरल नेटवर्क में अत्यधिक लचीलापन होता है। जब इसे एहसास होता है कि इसने वायरस की गलत गति चुनी है, तो यह केवल हार मानकर फिर से प्रयास नहीं करता है। इसके बजाय, यह चुपचाप मॉडल के अदृश्य हिस्सों को विकृत कर देता है ताकि गणित काम कर सके। उदाहरण के लिए, यदि एआई का अनुमान है कि वायरस बहुत तेज़ी से फैल रहा है, तो यह पकड़े जाने योग्य स्वस्थ लोगों की संख्या को कृत्रिम रूप से कम कर देगा, जिससे एक ऐसी आबादी की झूठी तस्वीर बनेगी जो पहले से ही संभावित शिकारों की कमी का सामना कर रही है। इससे समीकरण पूरी तरह से संतुलित हो जाते हैं, और छिपे हुए नंबरों में सटीकता की कमी का पता नहीं चलता क्योंकि दृश्य परिणाम अभी भी सही दिखते हैं। शोधकर्ता इस घटना को "डायनामिकल कंपनसेशन" (dynamical compensation) कहते हैं, जहाँ सिस्टम एक गलत अनुमान की भरपाई करने के लिए सत्य को इस तरह से मोड़ देता है जो समीकरणों को संतुष्ट करता है लेकिन वास्तविकता का उल्लंघन करता है।
अध्ययन ने यह भी देखा कि जब गणनाओं को आसान बनाने के लिए डेटा को समय के छोटे टुकड़ों में विभाजित किया जाता है, तो ये त्रुटियां कैसे व्यवहार करती हैं। यह एक सामान्य तकनीक है, लेकिन शोधकर्ताओं ने पाया कि यह एक नई समस्या पैदा करता है। यदि एआई सिमुलेशन के पहले कुछ दिनों में गलती करता है, तो वह त्रुटि वहीं लॉक हो जाती है। क्योंकि मॉडल को वहीं से जारी रखने के लिए मजबूर किया जाता है जहाँ से उसने छोड़ा था, आबादी की वह विकृत तस्वीर अगले समय अंतराल में भी आगे बढ़ जाती है। भले ही एआई बाद में वायरस की सही गति को जान ले, वह छिपे हुए नंबरों को किए गए नुकसान को ठीक नहीं कर सकता। सिमुलेशन में स्वस्थ लोगों की संख्या पहले ही घट चुकी होती है, जिससे प्रकोप का समय से पहले अंत हो जाता है जो वास्तव में कभी हुआ ही नहीं था। शोधकर्ता इसे "लेटेंट डेट" (latent debt) कहते हैं, जो शुरुआती त्रुटियों की एक छिपी हुई लागत है जो जमा होती है और अंततः दीर्घकालिक भविष्यवाणी को बर्बाद कर देती है।
अध्ययन का सबसे महत्वपूर्ण निष्कर्ष यह है कि वायरस की गति की सटीकता की तुलना में छिपी हुई प्रारंभिक स्थितियों की सटीकता कहीं अधिक मायने रखती है। इन मॉडलों की दुनिया में, आबादी की प्रारंभिक स्थिति को सही ढंग से प्राप्त करना सफल भविष्यवाणी के लिए सबसे महत्वपूर्ण कारक है। यदि एआई इस विकृत दृष्टिकोण के साथ शुरू करता है कि कितने लोग स्वस्थ हैं, तो बाद में कोई भी सुधार पूर्वानुमान को बचाने में सक्षम नहीं होगा। अध्ययन बताता है कि इन आर्टिफिशियल इंटेलिजेंस प्रणालियों को प्रशिक्षित करने के लिए उपयोग किए जाने वाले वर्तमान तरीके पर्याप्त नहीं हैं। वे केवल भविष्यवाणी और डेटा के बीच के अंतर को कम करने पर बहुत अधिक केंद्रित हैं, बिना यह जांचे कि मॉडल के छिपे हुए हिस्से जैविक रूप से तर्कसंगत हैं या नहीं। शोधकर्ताओं का तर्क है कि भविष्य के उपकरणों को सख्त नियमों के साथ बनाया जाना चाहिए जो एआई को अपनी गलतियों को छिपाने के लिए अदृश्य चरों को मोड़ने से रोक सकें। इन सुरक्षा उपायों के बिना, मॉडल सुंदर, पूर्ण दिखने वाले ग्राफ बना सकते हैं जो सार्वजनिक स्वास्थ्य अधिकारियों को एक झूठी वास्तविकता के आधार पर निर्णय लेने के लिए प्रेरित करते 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।