The Inefficiency of Genetic Programming for Symbolic Regression
यह शोध पत्र यह प्रदर्शित करता है कि सीमित परिवेशों में सिम्बोलिक रिग्रेशन (symbolic regression) के लिए जेनेटिक प्रोग्रामिंग अक्षम है, क्योंकि यह रैंडम सर्च की तुलना में केवल अर्थपूर्ण रूप से अद्वितीय अभिव्यक्तियों के एक छोटे अंश का ही अन्वेषण करती है और सुसंगत (congruent) अभिव्यक्तियों का पुनरावृत्ति मूल्यांकन करती है, एक ऐसा निष्कर्ष जिसे बेहतर समानता संतृप्ति (equality saturation) एल्गोरिदम द्वारा सक्षम बनाया गया है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक केक के लिए परफेक्ट रेसिपी खोजने की कोशिश कर रहे हैं। आपके पास एक विशाल कुकबुक (सर्च स्पेस) है जिसमें आटा, चीनी, अंडे और बेकिंग समय के लाखों संभावित संयोजन मौजूद हैं। आपका लक्ष्य उस एक रेसिपी को खोजना है जिसका स्वाद बिल्कुल वैसा ही हो जैसा आपकी दादी माँ के बनाए केक का होता था।
यह पेपर इस रेसिपी को खोजने के एक विशिष्ट तरीके के बारे में है, जिसे जेनेटिक प्रोग्रामिंग (GP) कहा जाता है। यह एक डिजिटल शेफ की तरह है जो मौजूदा रेसिपीज़ को मिलाने और उनमें बदलाव (म्यूटेशन) करके समय के साथ बेहतर रेसिपी विकसित करने की कोशिश करता है, ठीक वैसे ही जैसे प्रकृति प्रजातियों को विकसित करती है।
इस पेपर के लेखकों ने एक सरल लेकिन चौंकाने वाला सवाल पूछा: "क्या यह डिजिटल शेफ वास्तव में कुशल है, या यह सिर्फ बहुत सारा समय बर्बाद कर रहा है?"
यह पता लगाने के लिए, उन्होंने शेफ को अंधेरे में तीर चलाने के लिए नहीं छोड़ा। उन्होंने एक अत्यंत शक्तिशाली कंप्यूटर पद्धति का उपयोग करके एक सीमित कुकबुक में प्रत्येक संभव अद्वितीय (unique) रेसिपी को लिखने का काम किया। फिर उन्होंने डिजिटल शेफ को काम करते हुए देखा और उसके प्रदर्शन की तुलना एक ऐसे शेफ से की जो उन अद्वितीय विकल्पों की सूची में से पूरी तरह से रैंडम (यादृच्छिक) रूप से रेसिपी चुनता है।
यहाँ उनके निष्कर्षों का विवरण रोजमर्रा के उदाहरणों का उपयोग करके दिया गया है:
1. समस्या: "डुप्लिकेट" का जाल
सबसे बड़ी समस्या जो इस पेपर में मिली वह यह है कि डिजिटल शेफ यह पहचानने में बहुत बुरा है कि उसने पहले ही किसी व्यंजन का स्वाद चख लिया है।
- उदाहरण: कल्पना कीजिए कि आप सूप का स्वाद ले रहे हैं। आप "टमाटर का सूप" का एक कटोरा चखते हैं। फिर, आप एक और कटोरा चखते हैं जो दिखने में अलग है (शायद वह लाल के बजाय नीले कटोरे में है, या चम्मच बाईं ओर है), लेकिन वह बिल्कुल वही सूप है।
- GP क्या करता है: डिजिटल शेफ इन "अलग दिखने वाले लेकिन समान" सूपों को बार-बार चखता रहता है। उसे लगता है कि वह नए क्षेत्रों की खोज कर रहा है, लेकिन वास्तव में वह बस गोल-गोल घूम रहा है।
- गणित: पेपर में पाया गया कि शेफ द्वारा आजमाई गई हर 100 रेसिपी में से, केवल लगभग 10 से 20 ही वास्तव में नई और अद्वितीय थीं। बाकी 80 से 90 तो बस भेष बदलकर वही चीज़ दोबारा चख रहे थे।
2. तुलना: "रैंडम वाकर" बनाम "इवोल्यूशनरी शेफ"
यह परीक्षण करने के लिए कि शेफ कैसा काम कर रहा था, लेखकों ने इसकी तुलना एक रैंडम वाकर (Random Walker) से की।
- रैंडम वाकर: यह एक ऐसा शेफ है जो आँखें बंद करता है, "यूनिक रेसिपी बुक" के एक पन्ने की ओर इशारा करता है, और वह रेसिपी आज़माता है। यदि उसे वह पसंद आती है, तो वह उसे रखता है। यदि नहीं, तो वह दूसरा रैंडम पन्ना चुनता है। महत्वपूर्ण बात यह है कि वे कभी भी एक ही पन्ना दो बार नहीं चुनते।
- परिणाम: रैंडम वाकर ने बेहतर रेसिपी बहुत अधिक तेज़ी से खोज लीं।
- क्यों? क्योंकि इवोल्यूशनरी शेफ उन "डुप्लिकेट" सूपों का पुनर्मूल्यांकन करने में इतना समय बर्बाद कर रहा था, कि वह बहुत कम प्रगति कर पा रहा था। रैंडम वाकर, केवल अद्वितीय व्यंजनों को चखकर, जमीन को बहुत अधिक कुशलता से कवर कर रहा था।
3. "शॉर्ट सर्किट" (सरलीकरण)
लेखकों ने इक्वैलिटी सैटुरेशन (Equality Saturation) नामक एक चतुर ट्रिक का उपयोग किया (इसे "मैजिक सिम्प्लीफायर" या जादुई सरलीकृत करने वाला मान लें)।
- उदाहरण: कल्पना कीजिए कि आपके पास एक रेसिपी है जो कहती है: "2 कप आटा लें, 0 कप पानी डालें, मिलाएं, फिर 0 कप चीनी डालें।"
- जादू: मैजिक सिम्प्लीफायर इसे देखता है और कहता है: "हे, यह तो बस '2 कप आटा' है!" यह मूल सत्य को प्रकट करने के लिए अनावश्यक चरणों को हटा देता है।
- निष्कर्ष: जब लेखकों ने डिजिटल शेफ के काम पर इस मैजिक सिम्प्लीफायर का उपयोग किया, तो उन्हें पता चला कि शेफ हजारों जटिल दिखने वाले एक्सप्रेशन बना रहा था, जो सभी एक ही सरल चीज़ (जैसे एक स्थिर संख्या) में बदल जाते थे। शेफ रेत के जटिल दिखने वाले महल बनाने में व्यस्त था, जबकि वे सब केवल रेत के ढेर ही थे।
4. वास्तविक दुनिया का परीक्षण
उन्होंने केवल काल्पनिक डेटा का उपयोग नहीं किया। उन्होंने इसे दो वास्तविक वैज्ञानिक समस्याओं पर परखा:
- खुरबरे पाइपों के माध्यम से पानी का प्रवाह: उस फॉर्मूला को खोजने की कोशिश करना जो भविष्यवाणी करता है कि पानी कितनी तेज़ी से चलता है।
- गैलेक्सी की गति: उस फॉर्मूला को खोजने की कोशिश करना जो यह समझाता है कि आकाशगंगाओं में तारे कैसे चलते हैं (डार्क मैटर के संबंध में भौतिकी का एक हॉट टॉपिक)।
दोनों मामलों में, डिजिटल शेफ (जेनेटिक प्रोग्रामिंग) सबसे अच्छे फॉर्मूला को खोजने में विफल रहा, भले ही उसने हजारों बार प्रयास किया हो। वहीं दूसरी ओर, "रैंडम वाकर" (जिसने एक-एक करके अद्वितीय फॉर्मूला की जाँच की) ने उन्हें बहुत अधिक विश्वसनीयता के साथ खोज लिया।
मुख्य निष्कर्ष
पेपर यह निष्कर्ष निकालता है कि जेनेटिक प्रोग्रामिंग इस प्रकार की समस्या के लिए आश्चर्यजनक रूप से अक्षम है।
यह एक जासूस को अपराध सुलझाने के लिए 1,000 लोगों का इंटरव्यू लेने के लिए भेजने जैसा है, केवल यह महसूस करने के बाद कि उनमें से 900 लोग एक ही व्यक्ति हैं जिन्होंने अलग-अलग टोपियाँ पहनी हुई हैं। जासूस अपना पूरा दिन उसी संदिग्ध से बात करने में बिता देता है, उन वास्तविक सुरागों को मिस कर देता जो संदिग्धों की सूची की एक साधारण, रैंडम जाँच से कहीं अधिक तेज़ी से मिल सकते थे।
संक्षेप में: पेपर सुझाव देता है कि गणितीय फॉर्मूले खोजने के लिए, "इवोल्यूशन" (विकास) विधि चीज़ों को बहुत जटिल बना रही है और डुप्लिकेट्स पर समय बर्बाद कर रही है, जबकि अद्वितीय विचारों की एक स्मार्ट, अधिक प्रत्यक्ष खोज बेहतर रास्ता हो सकती है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।