जब आप किसी बच्चे को पहेलियाँ हल करना सिखाते हैं, तो आप या तो उन्हें परीक्षण और त्रुटि के माध्यम से इसका पता लगाने दे सकते हैं, या आप उन्हें कुछ बुनियादी नियमों और युक्तियों के साथ मार्गदर्शन कर सकते हैं।इसी तरह, एआई प्रशिक्षण में नियमों और युक्तियों को शामिल करना - जैसे कि भौतिकी के नियम - उन्हें वास्तविक दुनिया के बारे में अधिक कुशल और अधिक चिंतनशील बना सकते हैं।हालाँकि, एआई को विभिन्न नियमों के मूल्य का आकलन करने में मदद करना एक मुश्किल काम हो सकता है।

शोधकर्ताप्रतिवेदनजर्नल में 8 मार्चबंधनकि उन्होंने एक विकसित किया हैरूपरेखा"सूचित" में नियमों और डेटा के सापेक्ष मूल्य का आकलन करने के लिएयंत्र अधिगममॉडल" जिसमें दोनों शामिल हैं। उन्होंने दिखाया कि ऐसा करने से, वे एआई को वास्तविक दुनिया के बुनियादी कानूनों को शामिल करने और जटिल गणितीय समस्याओं को हल करने और रसायन विज्ञान प्रयोगों में प्रयोगात्मक स्थितियों को अनुकूलित करने जैसी वैज्ञानिक समस्याओं को बेहतर ढंग से नेविगेट करने में मदद कर सकते हैं।

पेकिंग विश्वविद्यालय के पहले लेखक हाओ जू कहते हैं, "मानव ज्ञान को एआई मॉडल में एम्बेड करने से उनकी दक्षता और अनुमान लगाने की क्षमता में सुधार करने की क्षमता है, लेकिन सवाल यह है कि डेटा और ज्ञान के प्रभाव को कैसे संतुलित किया जाए।""हमारे ढांचे को गहन शिक्षण मॉडल की पूर्वानुमानित क्षमता को बढ़ाने के लिए विभिन्न ज्ञान और नियमों का मूल्यांकन करने के लिए नियोजित किया जा सकता है।"

चैटजीपीटी और सोरा जैसे जेनरेटिव एआई मॉडल पूरी तरह से डेटा-संचालित हैं - मॉडल को प्रशिक्षण डेटा दिया जाता है, और वे परीक्षण और त्रुटि के माध्यम से खुद को सिखाते हैं।हालाँकि, केवल डेटा से काम करने के कारण, इन प्रणालियों के पास गुरुत्वाकर्षण जैसे भौतिक नियमों को सीखने का कोई तरीका नहीं हैद्रव गतिकी, और वे उन स्थितियों में भी प्रदर्शन करने के लिए संघर्ष करते हैं जो उनसे भिन्न होती हैंप्रशिक्षण डेटा.

एक वैकल्पिक दृष्टिकोण सूचित मशीन लर्निंग है, जिसमें शोधकर्ता मॉडल को उसकी प्रशिक्षण प्रक्रिया को निर्देशित करने में मदद करने के लिए कुछ अंतर्निहित नियम प्रदान करते हैं, लेकिन ड्राइविंग मॉडल सटीकता में नियमों बनाम डेटा के सापेक्ष महत्व के बारे में बहुत कम जानकारी है।

ईस्टर्न इंस्टीट्यूट ऑफ टेक्नोलॉजी, निंगबो के वरिष्ठ लेखक युंटियन चेन कहते हैं, "हम एआई मॉडल को भौतिकी के नियम सिखाने की कोशिश कर रहे हैं ताकि वे वास्तविक दुनिया को और अधिक प्रतिबिंबित कर सकें, जो उन्हें विज्ञान और इंजीनियरिंग में अधिक उपयोगी बना देगा।"

सूचित मशीन लर्निंग के प्रदर्शन को बेहतर बनाने के लिए, टीम ने किसी दिए गए मॉडल की पूर्वानुमान सटीकता में व्यक्तिगत नियम के योगदान की गणना करने के लिए एक रूपरेखा विकसित की।शोधकर्ताओं ने विभिन्न नियमों के बीच परस्पर क्रिया की भी जांच की क्योंकि अधिकांश सूचित मशीन लर्निंग मॉडल में कई नियम शामिल होते हैं, और बहुत अधिक नियम होने से मॉडल ध्वस्त हो सकते हैं।

इससे उन्हें विभिन्न नियमों के सापेक्ष प्रभाव को कम करके और अनावश्यक या हस्तक्षेप करने वाले नियमों को पूरी तरह से फ़िल्टर करके मॉडल को अनुकूलित करने की अनुमति मिली।उन्होंने कुछ ऐसे नियमों की भी पहचान की जो सहक्रियात्मक रूप से काम करते थे और अन्य नियम जो पूरी तरह से अन्य नियमों की उपस्थिति पर निर्भर थे।

चेन कहते हैं, "हमने पाया कि नियमों में विभिन्न प्रकार के संबंध हैं, और हम मॉडल प्रशिक्षण को तेज़ बनाने और उच्च सटीकता प्राप्त करने के लिए इन संबंधों का उपयोग करते हैं।"

शोधकर्ताओं का कहना है कि उनके ढांचे में इंजीनियरिंग, भौतिकी और रसायन विज्ञान में व्यापक व्यावहारिक अनुप्रयोग हैं।पेपर में, उन्होंने बहुभिन्नरूपी समीकरणों को हल करने और पतली परत क्रोमैटोग्राफी प्रयोगों के परिणामों की भविष्यवाणी करने और इस तरह भविष्य की प्रयोगात्मक रसायन शास्त्र स्थितियों को अनुकूलित करने के लिए मशीन लर्निंग मॉडल को अनुकूलित करने के लिए विधि की क्षमता का प्रदर्शन किया।

इसके बाद, शोधकर्ताओं ने अपने ढांचे को एक प्लगइन टूल के रूप में विकसित करने की योजना बनाई है जिसका उपयोग एआई डेवलपर्स द्वारा किया जा सकता है।अंततः, वे अपने मॉडलों को प्रशिक्षित भी करना चाहते हैं ताकि मॉडल मानव शोधकर्ताओं द्वारा चुने गए नियमों के बजाय सीधे डेटा से ज्ञान और नियम निकाल सकें।

"हम इसे बनाना चाहते हैंबंद लूपमॉडल को वास्तविक एआई वैज्ञानिक बनाकर,'' चेन कहते हैं। ''हम एक ऐसा मॉडल विकसित करने पर काम कर रहे हैं जो सीधे डेटा से ज्ञान निकाल सकता है और फिर इस ज्ञान का उपयोग नियम बनाने और खुद को बेहतर बनाने के लिए कर सकता है।''