Grafik Sinir Ağları ve uygulamaları – ISS Sanat Blogu | yapay zeka | Makine öğrenme

In: Genel


Grafik Sinir Ağları (GNN), grafik verilerini işlemek için bir yapay sinir ağları sınıfıdır. Burada grafiğin ne olduğunu tanımlamamız gerekiyor ve tanım oldukça basittir – grafik bir dizi köşe (düğüm) ve köşeler arasındaki bağlantıları temsil eden bir dizi kenardır. Organik olarak bir grafik biçiminde sunulabilen veriler üreten birçok veri kaynağı vardır. Örneğin, sosyal ağ kullanıcılarını, ilgili kullanıcılar arkadaşsa, iki köşenin birbirine bağlı olduğu grafik köşeleri olarak kabul edebiliriz.

Bir grafik, bir bitişiklik matrisi ile temsil edilebilir. N düğümlü bir grafik, N x N boyutlu bir bitişiklik matrisine sahip olacaktır. Bu matrisin içeriği, grafiğin türüne bağlıdır – yönlendirilebilir veya yönlendirilemez, ağırlıklı veya değil. Bununla birlikte, her durumda, her bir köşe çifti arasındaki ilişkilerin sayısal tanımlarını tutma fikrine sahibiz. Bazen bir grafik, grafikteki düğümleri tanımlayan ek özellik matrisine de sahip olabilir.

Peki neden GNN kullanmamız gerekiyor?

Ana neden, bir grafiği N boyutlu bir vektöre veya bunların bir dizisine dönüştüremiyoruz – bu nedenle bu tür verilerle başa çıkmak için daha basit yaklaşımlar ve sinir ağı mimarileri kullanamayız.

GNN ne tür görevler gerçekleştirebilir?

GNN’nin çözebileceği bazı problemlere bir örnek verelim:

  • düğüm sınıflandırması. Düğüm sınıflandırmasında görev, bir grafikteki tüm düğümler için düğüm tipini tahmin etmektir. Bu tür bir problem genellikle yarı denetimli bir şekilde eğitilir, burada grafiğin sadece bir kısmı etiketlenir. Düğüm sınıflandırması için tipik uygulamalar, alıntı ağlarını, sosyal ağ gönderilerini ve kullanıcı sınıflandırmasını içerir.
  • Bağlantı tahmini. Bağlantı tahmininde görev, grafiklerdeki varlıklar arasındaki ilişkiyi anlamak ve iki varlığın aralarında bir bağlantı olup olmadığını tahmin etmektir. Örneğin, bir tavsiye sistemi, modele farklı ürünlerle ilgili bir dizi kullanıcı incelemesinin verildiği bir bağlantı tahmin problemi olarak ele alınabilir; görev, kullanıcıların tercihlerini tahmin etmek ve tavsiye sistemini, aşağıdakilere göre daha alakalı ürünleri itmek için ayarlamaktır. kullanıcıların ilgisi.
  • Temsil öğrenme. GNN eğitimi sırasında, mimarilerin çoğu, hem belirli düğümlerle ilgili grafikten yapısal bilgileri hem de düğüm özelliği açıklamalarını içeren düğüm yerleştirmeleri üreten çıktıları içerir. Bu çıktılar ayrıca diğer modeller veya ilk modelin bileşenleri için girdi olarak kullanılabilir (örneğin, sınıflandırma için çok katmanlı algılayıcıya gönderilir).
  • Grafik sınıflandırması. Görev, tüm grafiğin türünü veya sınıfını farklı kategorilere ayırmaktır. Örneğin, belirli bir molekülün (hangi yapı grafikle temsil edilmektedir) biyomedikal veya kimya alanlarında yararlı bir özelliğe sahip olup olmadığını sınıflandırmaya çalışabiliriz.

Ne tür GNN vardır?

Tekrarlayan Grafik Sinir Ağı

Tekrarlayan Grafik Sinir Ağı – orijinal GNN belgesinde tanıtılan ilk tasarlanmış GNN mimarisidir. Ana fikri, düğüm komşuluk durumları hakkındaki bilgileri kullanan hesaplanan fonksiyon değeri olan düğüm “durumu”nun yinelemeli güncellemesi ile bağlantılıdır.

Komşularındaki bilgilere dayalı olarak düğüm durumu güncellemesinin bir örneği. Şekil “Grafik Sinir Ağı Modeli”

Mekansal Evrişimsel Ağ

Bir grafikteki evrişim fikri, görüntü evrişimindekiyle hemen hemen aynıdır. Görüntü ile çalışma durumunda, parametrelenmiş boyutu ve öğrenilebilir ağırlığı olan bir filtre tarafından belirtilen bir merkez pikselin etrafındaki komşu pikselleri toplarız. Uzamsal Evrişimsel Ağ, komşu düğümlerin özelliklerini merkez düğümde toplayarak aynı fikri benimser.

Sol: Görüntü gibi normal bir grafikte evrişim. Sağ: Rastgele grafik yapısında evrişim. Şekil “Grafik Sinir Ağları Üzerine Kapsamlı Bir Araştırma

Gerçek dünya uygulamaları

Öneri sistemleri

Birçok şirket, öneri sistemleri oluşturmak için grafik sinir ağlarını kullanır. Tipik olarak, grafikler, ürünlerle kullanıcı etkileşimini modellemek ve uygun şekilde seçilmiş bir dizi negatif numuneye dayalı yerleştirmeleri öğrenmek için kullanılır. Sonuçları sıralayarak, kişiselleştirilmiş ürün teklifleri seçilir ve gerçek zamanlı olarak belirli kullanıcılara gösterilir. Böyle bir mekanizmaya sahip ilk hizmetlerden biri, Uber YemekleriGraphSage sinir ağı, yiyecek ve restoran önerilerini seçer.

Gıda önerileri durumunda grafikler nispeten küçük olsa da, bazı şirketler milyarlarca bağlantıya sahip sinir ağlarını kullanıyor. Örneğin, Alibaba başlattı. grafik yerleştirmeleri ve milyarlarca kullanıcı ve ürün için sinir ağlarının grafiğini çizin. Bu tür grafiklerin yalnızca oluşturulması, geliştiriciler için bir kabustur. Sayesinde Aligraf boru hattı, sadece beş dakikada 400 milyon düğüm içeren bir grafik oluşturabilirsiniz. Aligraph, verimli, dağıtılmış grafik depolamayı, optimize edilmiş getirme operatörlerini ve bir dizi yerel grafik sinir ağını destekler. Bu işlem hattı artık şirketin birçok ürününde öneriler ve kişiselleştirilmiş aramalar için kullanılıyor.

Bilgisayar görüşü

Gerçek dünyadaki nesneler birbirine derinden bağlıdır, bu nedenle bu nesnelerin görüntüleri, grafik sinir ağları kullanılarak başarılı bir şekilde işlenebilir. Örneğin, bir görüntünün içeriğini şu şekilde algılayabilirsiniz: sahne grafikleri – bir resimdeki ilişkileriyle birlikte bir dizi nesne. Sahne grafikleri, görüntüleri bulmak, içeriklerini anlamak ve kavramak, altyazı eklemek, görsel soruları yanıtlamak ve görüntüler oluşturmak için kullanılır. Bu grafikler, modellerin performansını büyük ölçüde artırabilir.

Facebook’un çalışmalarından birinde popüler COCO veri setinden nesneleri çerçeveye koyabileceğiniz, konumlarını ve boyutlarını ayarlayabileceğiniz ve bu bilgilere dayanarak bir sahne grafiği oluşturulabileceği açıklanmıştır. Onun yardımıyla, grafik sinir ağı, sırayla, evrişimsel sinir ağının nesne maskeleri, çerçeveler ve konturlar oluşturduğu nesnelerin gömmelerini belirler. Son kullanıcılar grafiğe yeni düğümler ekleyebilir (düğümlerin göreceli konumunu ve boyutunu belirleme), böylece sinir ağları bu nesnelerle görüntüler üretebilir.

Fizik ve kimya

Parçacıklar veya moleküller arasındaki etkileşimleri grafikler şeklinde temsil etmek ve yeni malzemelerin ve maddelerin özelliklerini grafik sinir ağlarını kullanarak tahmin etmek, çeşitli doğa bilimleri problemlerinin çözülmesine olanak tanır. Örneğin, projenin bir parçası olarak Katalizörü Aç Facebook ve CMU, güneş ve rüzgardan elde edilen yenilenebilir enerjiyi depolamanın yeni yollarını arıyor. Olası bir çözüm, bu enerjiyi kimyasal reaksiyonlar yoluyla hidrojen gibi diğer yakıtlara dönüştürmektir. Ancak bunun için yüksek yoğunluklu kimyasal reaksiyonlar için yeni katalizörler yaratmak gerekiyor ve bugün bilinen yöntemler şöyle: DFT çok pahalılar. Projenin yazarları gönderildi grafik sinir ağları için en geniş katalizör ve temel katman seçimi. Geliştiriciler, günler içinde çalışan mevcut pahalı simülasyonları, milisaniye cinsinden hesaplanan verimli enerji ve moleküller arası kuvvet tahminleriyle tamamlayacak yeni düşük maliyetli moleküler simülasyonlar bulmayı umuyor.

DeepMind araştırmacıları su ve kum gibi karmaşık parçacık sistemlerinin dinamiklerini taklit etmek için grafik sinir ağlarını da kullandılar. Her adımda her parçacığın göreli hareketini tahmin ederek, tüm sistemin dinamiklerini makul bir şekilde yeniden yaratabilir ve bu hareketi yöneten yasalar hakkında daha fazla bilgi edinebilirsiniz. Örneğin, katılar teorisindeki çözülmemiş problemlerin en ilginçini bu şekilde çözmeye çalışıyorlar – camsı bir duruma geçiş. Grafik sinir ağları, yalnızca geçiş sırasında dinamikleri taklit etmenize izin vermekle kalmaz, aynı zamanda parçacıkların zamana ve mesafeye bağlı olarak birbirlerini nasıl etkilediğini daha iyi anlamanıza yardımcı olur.

İlaç geliştirme

İlaç şirketleri aktif olarak ilaç geliştirmenin yeni yollarını arıyor, birbirleriyle kıyasıya rekabet ediyor ve araştırmalara milyarlarca dolar harcıyor. Biyolojide, farklı seviyelerdeki etkileşimleri temsil etmek için grafikleri kullanabilirsiniz. Örneğin moleküler düzeyde, düğümler arasındaki bağlar, bir moleküldeki atomlar arası kuvvetleri veya bir proteindeki amino asit bazları arasındaki etkileşimleri temsil eder. Daha büyük ölçekte grafikler, proteinler ve RNA veya metabolik ürünler arasındaki etkileşimleri temsil edebilir. Soyutlama düzeyine bağlı olarak, hedef tanımlama, moleküler özellik tahmini, yüksek verimli tarama, ilaç tasarımı, protein mühendisliği ve ilaç yeniden amaçlandırma için grafikler kullanılabilir.

Grafik sinir ağlarının bu alanda kullanılmasının belki de en umut verici sonucu, 2020’de Cell’de yayınlanan MIT’den araştırmacıların çalışmasıydı. kimyasal Moleküllerin antibiyotik özelliklerini öngören , E. coli üremesinin inhibisyonu. FDA onaylı bir kütüphaneden sadece 2.500 molekül üzerinde eğitimden sonra, Chemprop, aşağıdakileri içeren bir İlaç Yeniden Amaçlama Merkezi de dahil olmak üzere daha büyük bir veri setine uygulandı. Halicin molekül. Halicin’in şimdiye kadar sadece diyabet tedavisi ile ilgili olarak çalışılmış olması, yapısının bilinen antibiyotiklerden çok farklı olması nedeniyle dikkat çekicidir. Ancak in vitro ve in vivo klinik deneyler, Halicin’in geniş spektrumlu bir antibiyotik olduğunu göstermiştir. Güçlü sinir ağı modelleriyle kapsamlı karşılaştırma, Halicin’in grafik sinir ağları kullanılarak keşfedilen özelliklerinin önemini vurguladı. Bu çalışmanın pratik rolüne ek olarak, Chemprop mimarisi başkaları için de ilginçtir: birçok grafik sinir ağından farklı olarak, bu tür görevler için grafik sinir ağlarının tipik parametrelerinden çok daha fazla olan 5 katman ve 1600 gizli boyut içerir. Gelecekteki yeni tıpta birkaç AI keşfinden sadece biri olabilir.

Bir cevap yazın

Ready to Grow Your Business?

We Serve our Clients’ Best Interests with the Best Marketing Solutions. Find out More

How Can We Help You?

Need to bounce off ideas for an upcoming project or digital campaign? Looking to transform your business with the implementation of full potential digital marketing?

For any career inquiries, please visit our careers page here.
[contact-form-7 404 "Bulunamadı"]