Գիտնականները պարզել են, թե ինչպես հավաքել «իդեալական» դեղամիջոցի մոլեկուլը

Բարձրագույն կրթության և սոցիալական գիտությունների ֆակուլտետի համակարգչային գիտությունների հետազոտողները կատարելագործել են գեներատիվ հոսքի նեյրոնային ցանցերի մարզման մեթոդը՝ չկառուցվածքային առաջադրանքների հետ աշխատելու համար։ Սա կնպաստի նոր դեղամիջոցների ավելի արդյունավետ որոնմանը։

Աշխատանքի արդյունքները ներկայացվել են մեքենայական ուսուցման առաջատար կոնֆերանսներից մեկում՝ ICLR 2025-ում: Աշխատանքի տեքստը հասանելի է Arxiv.org պահոցում: Գեներատիվ հոսքային ցանցերը (GFlowNets) մեքենայական ուսուցման ալգորիթմների հատուկ տեսակ են, որոնք քայլ առ քայլ կառուցում են բարդ օբյեկտներ: Գիտնականները դրանք օգտագործում են սպիտակուցներ, դեղամիջոցներ որոնելու և տրանսպորտային համակարգերը օպտիմալացնելու համար:

GFlowNets-ի կողմից բարդ կառուցվածքներ գտնելու համար հետազոտողները նկարագրում են այն օբյեկտի հատկությունները, որոնք ցանկանում են ստանալ։ Որքան մոտ լինի նեյրոցանցի լուծումը հատկություններով տրվածներին, այնքան ավելի բարձր պարգև կստանա այն, հաղորդում է Naked Science-ը։ Ցանցը ձգտում է լուծել խնդիրն այնպես, որպեսզի ստանա առավելագույն պարգևը։ Տվյալներին այն ուշադրություն չի դարձնում, այլ միայն վերջնակետին։ Այն հաշվարկվում է հավասարման միջոցով, որը կոչվում է պարգևատրման ֆունկցիա։

Բարդ օբյեկտի որոնման գործընթացը կարելի է համեմատել Lego-ի բլոկներից մոդել հավաքելու հետ։ Դուք հաջորդաբար մասեր եք ավելացնում, մինչև մի ամբողջական բան ստացվի, ընդ որում, յուրաքանչյուր օբյեկտ ունի իր սահմանված արժեքը։ Բույսի հավաքված մոդելը, օրինակ, կարող է ավելի թանկ արժենալ, քան կենդանու մոդելը։ Ի տարբերություն մեքենայական ուսուցման այլ մեթոդների, որոնք ցանկացած գնով կձգտեն բույս ստանալ, GFlowNets-ը կհավաքի բազմաթիվ տարբեր օբյեկտներ, բայց ավելի հաճախ բույսերին, քան կենդանիներին, քանի որ այդպես ավելի շահավետ է։

Այս որոնման տիպի դեպքում GFlowNets-ը օգտագործում է երկու հավանական մոդել, որոնք զույգով են աշխատում՝ ուղիղ և հակադարձ։ Ուղիղ մոդելը շինարար-վարպետ է, որը որոշում է, թե ուր գնալ հաջորդիվ և կանխատեսում է հաջորդող վիճակի հավանականությունը, իսկ հակադարձ մոդելը՝ փորձագետ-ապամոնտաժող է, որը որոշում է, թե ինչպիսին էր նախորդ քայլը։ Կարևոր է, որ այս հոսքերը հավասարակշռված լինեն, բայց դա շատ դժվար է անել։ Նախ, անհրաժեշտ են մեծ հաշվողական հզորություններ, երկրորդ՝ հակադարձ մոդելը բավարար ճկունություն չունի, սովորաբար հետազոտողները արգելում են նրան փոփոխվել որոնման ընթացքում և հետևել ուղիղ գործողություններին։

Գիտնականները գտել են Trajectory Likelihood Maximization (TLM) մեթոդը, որի միջոցով կարողացել են օպտիմալացնել GFlowNets (գեներատիվ հոսքային ցանցեր) համակարգի հակադարձ մոդելը։ Նրանք փոփոխել են ալգորիթմները այնպես, որ այն կարողանա մշտապես համեմատվել ուղիղ մոդելի գործողությունների հետ։

TLM-ի ներդրումից հետո, հակադարձ մոդելի համար խնդրի լուծման հաջողությունը նկարագրող պարգևատրման ֆունկցիան դարձել է ավելի բարդ։ Սակայն, բարդության աճին չնայած, ամբողջ որոնման համակարգը դարձել է ավելի արագ և արդյունավետ։

Մեր մեթոդը զգալիորեն ավելի արագ է դիտարկում հնարավոր լուծումների տարածությունը և գտնում ավելի շատ որակյալ տարբերակներ: Այս մոտեցումը, ընդհանուր առմամբ, գեներատիվ մոդելները մերձեցնում է ուժեղացմամբ ուսուցման մեթոդների հետ», — ասում է Նիկիտա Մորոզովը՝ ՆԻՈՒ ՎՇԷ-ի (НИУ ВШЭ) Համակարգչային գիտությունների ֆակուլտետի Արհեստական բանականության և թվային գիտությունների ինստիտուտի Խորքային ուսուցման և բայեսյան մեթոդների կենտրոնի կրտսեր գիտաշխատող։

Հետազոտության հեղինակները վստահ են, որ իրենց աշխատանքը կօգնի մասնագետներին, որոնք GFlowNets-ը կիրառում են տարբեր ոլորտներում, ինչպիսիք են նոր դեղամիջոցների որոնումը, տրված հատկություններով նյութերի մշակումը, ինչպես նաև խոշոր լեզվական մոդելների ճշգրիտ կարգավորումը։ Նման ցանցերի՝ լուծումների հսկայական տարածությունը արդյունավետորեն ուսումնասիրելու և առավել օպտիմալ տարբերակներն արագ գտնելու կարողության շնորհիվ հնարավոր է նկատելիորեն կրճատել հաշվողական հզորությունների ծանրաբեռնվածությունը։