kalpesh77/vedic-reward-model

🕉️ Vedic Neural Geometry - State Prediction Model

हे मॉडेल वैदिक न्यूरल ज्योमेट्री (Vedic Neural Geometry) या संशोधन प्रकल्पाचा एक भाग आहे. हे पारंपारिक मजकूर-आधारित (Text-based) AI मॉडेल नसून, एक शुद्ध गणितीय न्यूरल नेटवर्क (Mathematical MLP) आहे.

हे मॉडेल ब्रह्मांडाच्या (Cosmic) दृष्टिकोनातून कोणत्याही नोडची (Node) ऊर्जा समतोल (Balanced/Chosen) आहे की असमतोल (Imbalanced/Rejected) आहे, याचा अंदाज लावते.

🧠 मूळ गणितीय लॉजिक (Core Logic)

या मॉडेलमागील मुख्य तत्त्वज्ञान "ब्रह्मांड - नोड्स (Self) = मूल्य" (Universe - Self = Value) हे आहे.

• जर मूल्य >= 0 असेल (म्हणजे ब्रह्मांडाची ऊर्जा Self पेक्षा मोठी किंवा समान आहे), तर ते Balanced (समतोल) मानले जाते.
• जर मूल्य < 0 असेल (म्हणजे Self ची ऊर्जा ब्रह्मांडापेक्षा जास्त आहे), तर ते Imbalanced (असमतोल) मानले जाते.

टीप: आवरण 0 (ब्रह्म/∞) हे अव्यक्त (Unmanifest) असल्याने या मॉडेलच्या प्रशिक्षणात ते वगळले आहे.

📊 मॉडेल आर्किटेक्चर (Model Architecture)

• Type: Multi-Layer Perceptron (MLP)
• Input Features (6): Avaran, Koan_Math, Koanala_Math, Kasa_Math, Kuthun_Math, Universe_Minus_Self
• Hidden Layers: 64 → 32
• Output: Sigmoid (0 ते 1 चा स्कोअर, जिथे > 0.5 म्हणजे Balanced)

📂 फाईल्स (Files)

• vedic_math_mlp.pth: मॉडेलचे ट्रेन केलेले वेट्स (Weights).
• scaler.pkl: डेटा नॉर्मलायझेशनसाठी वापरलेला StandardScaler.

🚀 मॉडेलचा वापर कसा करायचा? (How to use)

खालील पायथन कोड वापरून तुम्ही या मॉडेलची चाचणी करू शकता:

import torch
import torch.nn as nn
import joblib
import numpy as np
from huggingface_hub import hf_hub_download

# १. फाईल्स डाउनलोड करा
repo_id = "kalpesh77/vedic-reward-model"
model_path = hf_hub_download(repo_id=repo_id, filename="vedic_math_mlp.pth")
scaler_path = hf_hub_download(repo_id=repo_id, filename="scaler.pkl")

# २. मॉडेल आर्किटेक्चर तयार करा
class VedicMathModel(nn.Module):
    def __init__(self, input_dim):
        super(VedicMathModel, self).__init__()
        self.network = nn.Sequential(
            nn.Linear(input_dim, 64),
            nn.ReLU(),
            nn.Linear(64, 32),
            nn.ReLU(),
            nn.Linear(32, 1)
        )
    def forward(self, x):
        return self.network(x)

# ३. मॉडेल आणि स्केलर लोड करा
model = VedicMathModel(6)
model.load_state_dict(torch.load(model_path))
model.eval()
scaler = joblib.load(scaler_path)

# ४. नवीन डेटा तपासा (उदाहरण)
# [Avaran, Koan, Koanala, Kasa, Kuthun, Universe_Minus_Self]
new_data = np.array([[7, 100.0, 50.0, 20.0, 20.0, 0.0]]) 

# ५. प्रेडिक्शन (Prediction)
scaled_data = scaler.transform(new_data)
tensor_data = torch.FloatTensor(scaled_data)

with torch.no_grad():
    score = torch.sigmoid(model(tensor_data)).item()
    
state = "Balanced (Chosen)" if score > 0.5 else "Imbalanced (Rejected)"
print(f"Score: {score:.4f} | State: {state}")