In het digitale tijdperk zijn computers bijzonder bekwaam geworden in het begrijpen van gegevens die in de vorm van netwerken binnenkomen. Denk aan een sociaal mediaplatform waar gebruikers door vriendschappen met elkaar verbonden zijn, of een chemisch molecuul waarbij atomen door bindingen aan elkaar gekoppeld zijn. Dit zijn grafen, en jarenlang heeft kunstmatige intelligentie moeite gehad om de diepe, boomachtige structuren die daarin verborgen liggen te vatten. Standaardmethoden proberen deze complexe vormen vaak plat te slaan naar eenvoudige, vlakke ruimtes, vergelijkbaar met het proberen te wikkelen van een wereldbol in een plat vel papier; het resultaat is een vervormde kaart waarbij de werkelijke afstanden en relaties tussen punten verloren gaan. Deze beperking is bijzonder acuut bij het werken met hiërarchische gegevens, waarbij informatie uitwaaiert vanuit een centraal punt zoals een stamboom of een bedrijfsorganogram. Wanneer computers deze vertakkende patronen niet duidelijk kunnen zien, missen ze cruciale context, wat leidt tot fouten in het voorspellen van hoe een molecuul zal reageren of hoe een gemeenschap zal groeien.

Een team van onderzoekers heeft nu een nieuwe aanpak geïntroduceerd waarmee computers deze complexe, vertakkende structuren met veel grotere precisie kunnen navigeren. Ze ontwikkelden een systeem genaamd HyPE-GT, dat de machine in essentie leert om de wereld te bekijken door een andere geometrische lens. In plaats van gegevens in een platte, Euclidische ruimte te dwingen, staat dit nieuwe framework de computer toe om te leren in een gekromde, hyperbolische ruimte. Dit mag abstract klinken, maar het effect is concreet: het biedt een natuurlijke thuisbasis voor boomachtige structuren, waarbij de ingewikkelde details behouden blijven zonder de vervorming die oudere methoden teistert. Door dit te doen, hebben de onderzoekers een instrument gecreëerd dat niet alleen de vorm van gegevens beter begrijpt, maar ook voorkomt dat de computer de weg kwijtraakt wanneer het netwerk zeer diep en complex wordt.

De kern van deze innovatie ligt in de manier waarop het systeem "adressen" toekent aan de knooppunten binnen een netwerk. In een standaard computermodel heeft elk stukje data een positie nodig om begrepen te worden, net zoals een huis een straatadres nodig heeft. Eerdere methoden probeerden deze adressen te creëren met behulp van vlakke geometrie, wat prima werkt voor eenvoudige, roosterachtige verbindingen, maar rampzalig faalt wanneer de data exponentieel vertakt. De onderzoekers realiseerden zich dat de natuurlijke geometrie voor dergelijke vertakkende data hyperbolisch is, een type gekromde ruimte waar het volume snel toeneemt naarmate men zich van het centrum verwijdert. Deze expansie weerspiegelt de manier waarop boomachtige buurten in de echte wereld groeien. Door deze positionele adressen binnen deze gekromde ruimte te genereren, kan het systeem de subtiele, hiërarchische relaties tussen knooppunten vastleggen die vlakke modellen simpelweg missen.

Om dit systeem te bouwen, construeerden de onderzoekers een flexibel framework dat een grote verscheidenheid aan deze hyperbolische adressen kan genereren. Ze vertrouwden niet op één enkele, rigide methode. In plaats daarvan creëerden ze een pijplijn die begint met het initialiseren van de data met basisstructuurinformatie, zoals de spectrale eigenschappen van het netwerk of hoe een 'random walk' erdoorheen zou bewegen. Deze initiële data wordt vervolgens geprojecteerd in een gekromde ruimte, waar het wordt verwerkt door gespecialiseerde neurale netwerken die ontworpen zijn om in deze niet-vlakke geometrie te opereren. De onderzoekers testten twee verschillende soorten gekromde ruimtes en twee verschillende soorten verwerkingsnetwerken, waardoor ze acht verschillende combinaties van positionele coderingen konden creëren. Deze variëteit is cruciaal omdat verschillende soorten data profiteren van verschillende geometrische instellingen. Het systeem kan vervolgens de beste combinatie selecteren voor een specifieke taak, wat een niveau van aanpasbaarheid biedt dat eerdere rigide methoden misten.

De resultaten van deze aanpak werden getest in een breed scala aan real-world scenario's, van het identificeren van patronen in chemische moleculen tot het classificeren van afbeeldingen die zijn opgedeeld in superpixels. In experimenten met moleculaire grafen, die inherent hiërarchisch zijn, presteerde het nieuwe systeem consistent beter dan bestaande modellen. Het behaalde een hogere nauwkeurigheid in het voorspellen van de eigenschappen van moleculen, wat aantoonde dat de hyperbolische adressen de computer in staat stelden de chemische structuur dieper te begrijpen. Op vergelijkbare wijze liet het systeem op grootschalige datasets die gebruikt worden voor benchmarking significante verbeteringen zien, waarbij het vaak tot de topperformers behoorde. De onderzoekers ontdekten dat het systeem bijzonder effectief was in het vastleggen van de complexe, meerlagige relaties die deze datasets definiëren, wat bevestigde dat de gekromde geometrie inderdaad het juiste instrument voor de taak was.

Naast het simpelweg verbeteren van classificatietaken, ontdekten de onderzoekers een secundair voordeel dat een groot probleem in deep learning aanpakt, bekend als 'oversmoothing'. Wanneer neurale netwerken zeer diep worden, met vele lagen van verwerking, hebben de onderscheidende kenmerken van individuele datapunten de neiging om in elkaar over te vloeien totdat alles hetzelfde lijkt. Dit is als een foto waarbij te veel filters zijn toegepast, waardoor alle details vervagen. De onderzoekers ontdekten dat door deze hyperbolische positionele adressen op verschillende stadia terug in het netwerk te injecteren, ze als een stabiliserende kracht konden fungeren. Deze gekromde adressen hielden de datapunten onderscheidend, waardoor ze niet samenklonten tot een uniforme waas. Dit stelde het netwerk in staat om diep en krachtig te blijven zonder de unieke kenmerken van de verwerkte data te verliezen.

De studie onderzocht ook hoe het systeem zich gedraagt wanneer de data geen sterke hiërarchische structuur heeft. In gevallen waar de grafen meer leken op platte, willekeurige webben dan op vertakkende bomen, paste het systeem zich aan. Het dwong geen gekromde geometrie af waar dat niet nodig was; in plaats daarvan paste het leerproces de kromming van de ruimte aan, waardoor deze effectief plat werd gemaakt om bij de data te passen. Deze aanpasbaarheid suggereert dat het framework niet slechts een gespecialiseerd hulpmiddel is voor één specifking type probleem, maar een robuust systeem dat zichzelf kan afstemmen op de vorm van de ontvangen informatie. De onderzoekers observeerden dat op datasets die een diepe hiërarchie missen, de prestaties van het systeem competitief bleven, wat bewees dat het niet faalt wanneer de data eenvoudig is.

Wat betreft efficiëntie beheert het nieuwe framework deze complexe geometrische berekeningen zonder computationeel prohibitief te worden. De onderzoekers analyseerden de tijd en het geheugen die nodig zijn om het systeem te draaien en vonden dat het goed schaalt met de grootte van het netwerk. Naarmate het aantal knooppunten in een graaf toeneemt, groeit de tijd die nodig is om de data te verwerken op een voorspelbare, beheersbare manier, vergelijkbaar met hoe standaard grafenmodellen zich gedragen. Dit betekent dat de voordelen van het gebruik van een gekromde, hyperbolische ruimte gerealiseerd kunnen worden, zelfs op zeer grote datasets, zonder dat daar een onredelijke hoeveelheid rekenkracht voor nodig is. Het systeem blijft snel genoeg om praktisch bruikbaar te zijn voor real-world toepassingen, van medicijnontwikkeling tot het analyseren van sociale netwerken.

Het werk concludeert dat de sleutel tot het ontsluiten van het volledige potentieel van graaf-gebaseerde kunstmatige intelligentie ligt in het omarmen van de juiste geometrie. Door af te stappen van de beperkingen van de vlakke ruimte en de computer toe te staan te leren in een gekromde, hyperbolische omgeving, hebben de onderzoekers een nauwkeurigerere kaart geboden voor het navigeren door complexe data. Het HyPE-GT framework biedt een veelzijdig instrumentarium dat de juiste soort positionele informatie kan genereren voor elke gegeven taak, of die taak nu een diep hiërarchisch begrip vereist of eenvoudige, vlakke verbindingen. Terwijl het veld van kunstmatige intelligentie blijft worstelen met steeds complexere en gestructureerdere data, biedt deze verschuiving in perspectief een veelbelovend pad vooruit, waarbij ervoor wordt gezorgd dat machines de wereld niet alleen zien als een verzameling punten, maar als een rijk, onderling verbonden landschap.