यह पेज दुनियाभर में प्रकाशित होने वाले आर्टिफिशियल इंटेलिजेंस संबंधित रिसर्च पेपर्स को संक्षिप्त रूप में प्रस्तुत करता है। यहां Google Gemini का उपयोग करके पेपर्स का सारांश तैयार किया जाता है और यह पेज गैर-लाभकारी रूप से संचालित किया जाता है। पेपर के कॉपीराइट लेखक और संबंधित संस्थान के पास हैं, और साझा करते समय बस स्रोत का उल्लेख करें।
UniGenX एक एकीकृत जनरेटिव ढाँचा है जो प्रोटीन, अणुओं और पदार्थों सहित विविध क्षेत्रों में कार्यों और गुणों को सीधे लक्षित करके एक-आयामी अनुक्रमों और त्रि-आयामी निर्देशांकों का सह-उत्पादन करता है। मौजूदा जनरेटिव मॉडलों में विशेषताओं (Limitations) के प्रत्यक्ष लक्ष्यीकरण की कमी, असतत अनुक्रमों और सतत निर्देशांकों के स्वतंत्र अनुकूलन, और संरूपण समूहों के अपर्याप्त मॉडलिंग को दूर करने के लिए, यह विषम इनपुट को प्रतीकात्मक और संख्यात्मक टोकनों की मिश्रित धारा के रूप में प्रस्तुत करता है, एक डिकोडर-विशिष्ट ऑटोरिग्रैसिव ट्रांसफॉर्मर के माध्यम से वैश्विक संदर्भ प्रदान करता है, और एक सशर्त विसरण शीर्ष के माध्यम से विशिष्ट संचालन टोकनों द्वारा नियंत्रित संख्यात्मक क्षेत्र उत्पन्न करता है। संरचना पूर्वानुमान कार्यों पर नए सर्वश्रेष्ठ-इन-क्लास प्रदर्शन को प्राप्त करने के अलावा, यह पदार्थों, रसायन विज्ञान और जीव विज्ञान में विशेषता-जागरूक उत्पादन के लिए अत्याधुनिक या प्रतिस्पर्धी प्रदर्शन भी प्रदर्शित करता है। विशेष रूप से, पदार्थों में, इसने तीन बाधाओं (जिनमें से 11 नवीन रचनाएँ हैं) को संतुष्ट करने वाले 436 क्रिस्टल उम्मीदवार उत्पन्न किए, रसायन विज्ञान में, इसने GEOM में पाँच फ़ीचर लक्ष्यों और स्टीरियोआइसोमर समूह निर्माण के लिए एक नया मानक स्थापित किया, और जीव विज्ञान में, इसने प्रोटीन-निर्देशित फ़िट मॉडलिंग की सफलता दर में 23 गुना से भी अधिक सुधार किया। निष्कर्षतः, हमारे प्रायोगिक परिणाम असतत-सतत संयुक्त प्रशिक्षण के लाभों और क्रॉस-डोमेन स्थानांतरण अधिगम के माध्यम से पूर्वानुमानित नियंत्रणीयता और फ़ीचर पहचान निर्माण में महत्वपूर्ण प्रगति को प्रदर्शित करते हैं।
Takeaways, Limitations
•
Takeaways:
◦
हम एक एकीकृत जनरेटिव मॉडल प्रस्तुत करते हैं जो प्रोटीन, अणु और सामग्री जैसे विभिन्न क्षेत्रों में कार्यों और गुणों को सीधे लक्षित करता है।
◦
मौजूदा मॉडलों में __T6426_____ फ़ंक्शन के लिए प्रत्यक्ष लक्ष्यीकरण की कमी, असतत अनुक्रमों और निरंतर निर्देशांकों के स्वतंत्र अनुकूलन और रूपात्मक समूहों के अपर्याप्त मॉडलिंग को संबोधित करना।
◦
संरचनात्मक पूर्वानुमान और विशेषता पहचान निर्माण कार्यों में अत्याधुनिक या प्रतिस्पर्धी प्रदर्शन प्राप्त करना।
◦
सामग्री, रसायन विज्ञान और जीव विज्ञान में महत्वपूर्ण प्रदर्शन सुधार (उदाहरण के लिए, प्रोटीन-प्रेरित फिट मॉडलिंग सफलता दर में 23x से अधिक सुधार)।
◦
असतत-निरंतर संयुक्त प्रशिक्षण की प्रभावशीलता का प्रायोगिक प्रदर्शन।
◦
क्रॉस-डोमेन ट्रांसफर लर्निंग की क्षमता को प्रदर्शित करता है।
•
Limitations:
◦
इस शोधपत्र में Limitations का विशेष रूप से उल्लेख नहीं किया गया है। भविष्य के शोध से इस मॉडल के प्रदर्शन में सुधार और इसके अनुप्रयोग के दायरे का विस्तार होने की उम्मीद है।
