🤖 machine learning

Aligning AI-driven discovery with human intuition

यह शोध पत्र एआई-जनित अवस्था चरों (state variables) को आसूत (distill) करने के लिए एक नए सामान्य सिद्धांत का प्रस्ताव करता है जो पूर्व ज्ञान पर निर्भर हुए बिना मानवीय अंतर्ज्ञान और भौतिक महत्व के साथ संरेखित होते हैं, जिससे गतिशील प्रणालियों के मॉडलिंग में मानव-एआई सहयोग को बढ़ाया जा सके।

मूल लेखक: Kevin Zhang, Judah Goldfeder, Hod Lipson

प्रकाशित 2026-06-23

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kevin Zhang, Judah Goldfeder, Hod Lipson

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 जटिल नृत्य का वीडियो देख रहे हैं, जैसे कि लावा लैंप का बुलबुले बनाना या एक डबल पेंडुलमम का बेतहाशा झूलना। आप इस नृत्य के "नियमों" को समझना चाहते हैं। ऐसा करने के लिए, आपको मुख्य चालों को पहचानने की आवश्यकता है—जिन्हें स्टेट वेरिएबल्स (state variables) कहा जाता है। भौतिकी में, ये "कोण" (angle), "गति" (speed), या "ऊर्जा" (energy) जैसी चीजें हैं।

लंबे समय से, कंप्यूटर इन वीडियो को देखने और यह अनुमान लगाने में बहुत अच्छे रहे हैं कि आगे क्या होने वाला है। लेकिन एक समस्या है: कंप्यूटर अक्सर नृत्य का वर्णन करने के लिए अपनी खुद की गुप्त भाषा बना लेते हैं। वे एक ऐसा वेरिएबल ढूंढ सकते हैं जो गणितीय रूप से तो काम करता है, लेकिन एक मानव वैज्ञानिक के लिए वह निरर्थक (gibberish) दिखता है। यह ऐसा है जैसे कंप्यूटर एक घूमते हुए लट्टू का वर्णन उसकी "घूमने की गति" से नहीं, बल्कि एक अजीब, टेढ़े-मेढ़े नंबर से करे जो बेतरतीब ढंग से उछलता रहता है। यह काम तो करता है, लेकिन आप इसे किसी और को समझा नहीं सकते।

यह पेपर एक नया AI टूल पेश करता है जिसे TIDE (टेम्पोरली-इन्फॉर्म्ड डायनेमिक्स एनकोडर) कहा जाता है, जिसे इसे ठीक करने के लिए डिज़ाइन किया गया है। यह कैसे काम करता है, इसके लिए सरल उपमाओं का उपयोग किया गया है:

समस्या: "ब्लैक बॉक्स" अनुवादक

सोचिए कि AI एक अनुवादक है जो एक विदेशी भाषा (कच्चे वीडियो पिक्सेल) को एक कहानी (भौतिकी समीकरणों) में अनुवाद करने की कोशिश कर रहा है।

पुराना AI: यह कहानी का अनुवाद पूरी तरह से करता है, लेकिन यह एक मनगढ़ंत शब्दकोश का उपयोग करता है। इसके शब्द मशीन के लिए तो समझ में आते हैं, लेकिन इंसान के लिए वे अर्थहीन होते हैं। यदि आप पूछें, "यह वेरिएबल क्या है?" तो AI कहता है, "यह $Z_{42}$ है," जो आपको वास्तविक दुनिया के बारे में कुछ भी नहीं बताता।
चुनौती: एक झूलते हुए पेंडुलम का वर्णन करने के अनंत तरीके हैं। आप "कोण" का उपयोग कर सकते हैं, या "ऊर्जा" का, या दोनों के एक अजीब मिश्रण का। कंप्यूटर एक चुनता है, लेकिन अक्सर वह उसे चुनता है जो गणितीय रूप से आसान है लेकिन भौतिक रूप से भ्रमित करने वाला है।

समाधान: AI को "समय को महसूस करना" सिखाना

लेखकों ने महसूस किया कि मानव अंतर्ज्ञान (intuition) में भौतिकी के संबंध में एक विशिष्ट "वाइब" (vibe) होती है। वास्तविक दुनिया के वेरिएबल्स (जैसे पेंडुलम का कोण) बेतरतीब ढंग से नहीं उछलते। वे सुचारू रूप से बहते हैं। यदि आप एक पेंडुलम की फिल्म बनाते हैं, तो कोण एक फ्रेम से दूसरे फ्रेम में थोड़ा सा बदलता है; वह टेलीपोर्ट नहीं होता।

TIDE AI को इस मानवीय भावना की नकल करने के लिए प्रशिक्षित करता है, इसके लिए इसके प्रशिक्षण में तीन विशिष्ट नियम जोड़े गए हैं:

स्मूथनेस का नियम (टाइम-डेरिवेटिव रेगुलराइजेशन):
कल्पना कीजिए कि आप कागज के एक टुकड़े पर रेखा खींच रहे हैं। यदि आप एक टेढ़ी-मेढ़ी, बिखरी हुई रेखा खींचते हैं, तो इसे समझना कठिन होता है। यदि आप एक चिकनी, बहती हुई वक्र (curve) खींचते हैं, तो इसे पढ़ना आसान होता है। TIDE AI को अपने वेरिएबल्स के लिए "चिकनी वक्र रेखाएं" खींचने के लिए मजबूर करता है। यदि AI के वेरिएबल्स वीडियो फ्रेमों के बीच अचानक उछलते हैं, तो यह उसे दंडित करता है। यह AI को ऐसे वेरिएबल्स खोजने के लिए प्रोत्साहित करता है जो वास्तविक भौतिक चीजों (जैसे गति या कोण) की तरह व्यवहार करते हैं, न कि अराजक शोर (noise) की तरह।
सरल कहानी का नियम (सिंपल इक्वेशंस):
इंसान सरल कहानियों को पसंद करते हैं। TIDE ऐसे वेरिएबल्स खोजने की कोशिश करता है जिन्हें सरल गणितीय सूत्रों द्वारा वर्णित किया जा सके। यदि AI को ऐसा वेरिएबल मिलता है जिसे समझाने के लिए एक विशाल, असंभव समीकरण की आवश्यकता होती है, तो इसकी संभावना कम है कि वह "सही" वाला है। TIDE AI को उन वेरिएबल्स की ओर धकेलता है जिन्हें एक साफ, छोटे समीकरण में लिखा जा सकता है।
"नो चीट शीट" (बिना नकल के) का नियम:
पिछले अधिकांश तरीकों को एक "चीट शीट" की आवश्यकता थी। उन्हें इंसानों द्वारा यह बताने की आवश्यकता थी कि, "हे, यह एक पेंडुलम है, इसलिए कोणों को खोजो।" TIDE को इसकी आवश्यकता नहीं है। यह बिना किसी पूर्व ज्ञान के कच्चे वीडियो को देखता है और समय के साथ चीजें कैसे चलती हैं, इसका अवलोकन करके खुद नियम खोज लेता है।

परिणाम: एक ही भाषा बोलना

टीम ने नौ अलग-अलग प्रणालियों पर TIDE का परीक्षण किया, जिसमें सिम्युलेटेड पेंडुलम से लेकर आग की लपटों और एयर डांसर्स के वास्तविक वीडियो तक शामिल थे।

"स्मूथनेस" का परीक्षण: जब उन्होंने TIDE द्वारा बनाए गए वेरिएबल्स को देखा, तो वे सुचारू और निरंतर थे, बिल्कुल इंसानी वेरिएबल्स की तरह। पुराने AI मॉडल ऐसे वेरिएबल्स बनाते थे जो अनियमित रूप से उछलते रहते थे।
"अनुवाद" का परीक्षण: उन्होंने TIDE द्वारा खोजे गए अजीब वेरिएबल्स को "सिंबोलिक रिग्रेशन" नामक तकनीक का उपयोग करके वापस मानवीय भाषा में अनुवाद करने की कोशिश की (जो कि यह पूछने जैसा है कि वेरिएबल के लिए गणितीय वाक्य कैसे लिखा जाए)।
- परिणाम: TIDE के वेरिएबल्स को कोणों और गतियों वाले स्पष्ट, समझने योग्य गणितीय सूत्रों में अनुवादित किया जा सका। पुराने AI के वेरिएबल्स इतने बिखरे हुए थे कि कोई भी मानव-पठनीय सूत्र उनका वर्णन नहीं कर सका।

निचोड़

यह पेपर यह दावा नहीं करता है कि यह बीमारियों का इलाज करेगा या सेल्फ-ड्राइविंग कारें बनाएगा। यह दावा करता है कि यह AI और मनुष्यों के बीच संचार के एक विशिष्ट अंतर को हल करता है।

इसे "मानवीय भौतिकी" (Human Physics) बोलने के बजाय "रोबोट गणित" (Robot Math) बोलने के लिए AI को सिखाने के रूप में देखें। AI को समय के सुचारू प्रवाह और प्रकृति की सरलता का सम्मान करने के लिए मजबूर करके, TIDE ऐसे वेरिएबल्स खोजता है जो बिल्कुल वैसे ही दिखते, महसूस होते और व्यवहार करते हैं जैसे कि एक मानव वैज्ञानिक उन्हें अपने हाथ से चुनता। यह मनुष्यों और AI के बीच सहयोग को बहुत आसान बनाता है, क्योंकि वे अंततः एक ही शब्दकोश का उपयोग कर रहे हैं।

तकनीकी सारांश: मानव अंतर्ज्ञान के साथ AI-संचालित खोज का संरेखण

समस्या विवरण

जैसे-जैसे भौतिक गतिशील प्रणालियों (physical dynamical systems) के डेटा-संचालित मॉडलिंग में प्रगति हो रही है, एक महत्वपूर्ण बाधा बनी हुई है: उपयुक्त अवस्था चर (state variables) की पहचान करना। जबकि स्वचालित वैज्ञानिक खोज में आम तौर पर अवस्था चरों की पहचान करना और शासी समीकरणों (governing equations) को व्युत्पन्न करना शामिल है, चर खोज का प्रारंभिक चरण गणितीय रूप से अपरिभाषित और चुनौतीपूर्ण है। मौजूदा विधियाँ अक्सर ऐसे चर उत्पन्न करती हैं जिनमें भौतिक महत्व की कमी होती है या जिन्हें मानव वैज्ञानिकों के लिए समझना कठिन होता है।

वर्तमान दृष्टिकोण दो प्राथमिक सीमाओं का सामना करते हैं:

गैर-विशिष्टता (Non-uniqueness): अवस्था चर अद्वितीय नहीं होते हैं; एक प्रणाली चरों के अनंत संयोजनों द्वारा वर्णित की जा सकती है (जैसे, एक पेंडुलम को कोण/वेग या ऊर्जा द्वारा वर्णित किया जा सकता है)। बाधाओं के बिना, मॉडल अत्यधिक जटिल निरूपणों की ओर झुकते हैं।
पूर्व ज्ञान (Priors) पर निर्भरता: कई विधियाँ (जैसे, स्पार्स रिग्रेशन, फिजिक्स-इंफॉर्म्ड न्यूरल नेटवर्क्स) को प्रणाली के पूर्व ज्ञान, विशिष्ट आधार फलनों (basis functions), या भौतिक नियमों के बारे में धारणाओं की आवश्यकता होती है। यह उनकी नवीन या अज्ञात वातावरणों में प्रयोज्यता को सीमित करता है जहाँ ऐसे 'प्रायर्स' अनुपस्थित होते हैं।

बिना पूर्व ज्ञान के चरों को सीखने के पिछले प्रयास, जैसे कि चेन एट अल (2022) द्वारा प्रस्तावित दो-चरणीय ऑटोएन्कोडर दृष्टिकोण, भौतिक महत्व या स्पष्ट विश्लेषणात्मक अभिव्यक्तियों वाले चर बनाने में संघर्ष करते हैं क्योंकि उनमें खोज प्रक्रिया को निर्देशित करने के लिए व्याख्यात्मकता मानदंड (interpretability criteria) की कमी होती है।

कार्यप्रणाली: टेम्पोरली-इन्फॉर्म्ड डायनेमिक्स एनकोडर (TIDE)

लेखक बिना किसी पूर्व भौतिक ज्ञान पर निर्भर हुए, मानव अंतर्ज्ञान के साथ संरेखित निरूपणों को निकालने के लिए एक सामान्य सिद्धांत प्रस्तावित करते हैं। इस दृष्टिकोण का मुख्य आधार टेम्पोरली-इन्फॉर्म्ड डायनेमिक्स एनकोडर (TIDE) है, जो एक डेटा-संचालित ढांचा है जो अपने प्रशिक्षण उद्देश्य में भौतिक चरों की विशिष्ट गणितीय विशेषताओं को शामिल करता है।

मॉडल आर्किटेक्चर

TIDE एक वेरिएशनल ऑटोएन्कोडर (VAE) बैकबोन, एक डायनेमिक्स मॉड्यूल और एक रेगुलराइजेशन टर्म का उपयोग करके एक दो-चरणीय प्रक्रिया नियोजित करता है:

VAE बैकबोन: मॉडल उच्च-आयामी इनपुट डेटा (जैसे, वीडियो फ्रेम) को कम-आयामी लेटेंट प्रतिनिधित्व $z$ में संकुचित करता है। एनकोडर $h_\phi$ , पोस्टीरियर $q_\phi(z|x)$ का अनुमान लगाता है, और डिकोडर $p_\theta$ इनपुट को पुनर्गठित करता है। प्रशिक्षण उद्देश्य में एविडेंस लोअर बाउंड (ELBO) शामिल है।
डायनेमिक्स मॉड्यूल: समय विकास ऑपरेटर $g$ को मॉडल करने के लिए एक फीड-फॉरवर्ड न्यूरल नेटवर्क ( $h_{dyn}$ ) को एकीकृत किया गया है। यह वर्तमान अवस्था के आधार पर अगले लेटेंट स्टेट $\hat{z}_{t+1}$ की भविष्यवाणी करता है। मॉड्यूल को अगली प्रेक्षण (observation) की संभावना को अधिकतम करने के लिए प्रशिक्षित किया जाता है, जो प्रतिनिधित्व सीखने के साथ डायनेमिक्स को संयुक्त रूप से अनुकूलित करता है।
टाइम-डेरिवेटिव रेगुलराइजेशन: गैर-विशिष्टता को संबोधित करने और ऐसे चरों को प्रोत्साहित करने के लिए जो मानव अंतर्ज्ञान (विशेष रूप से सुगमता और निरंतरता) के साथ संरेखित हों, मॉडल डिस्क्रीट टाइम डेरिवेटिव के परिमाण पर आधारित एक दंड (penalty) शब्द लागू करता है।
- ग्लोबल कॉन्ट्रैक्शन को रोकने के लिए लेटेंट वेक्टर्स को सामान्यीकृत (normalize) किया जाता है।
- रेगुलराइजेशन लॉस $L_{reg}$ पहले $n$ डिस्क्रीट डेरिवेटिव्स को एकत्रित करता है (प्रयोगों में $n=4$ सेट किया गया है)।
- अंतिम ऑब्जेक्टिव फंक्शन एक भारित संयोजन है: $L_{TIDE} = -L_{ELBO} - L_{dyn} + \lambda_2 L_{reg}$ ।

इंट्रिन्सिक डायमेंशन (ID) अनुमान

सही संख्या में अवस्था चरों को निर्धारित करने के लिए, लेखक एक प्रारंभिक TIDE नेटवर्क द्वारा उत्पन्न उच्च-आयामी लेटेंट स्पेस पर एक मैनिफोल्ड लर्निंग एल्गोरिदम (DANCo) का उपयोग करते हैं। अनुमानित ID दूसरे TIDE नेटवर्क के लिए लेटेंट डायमेंशन को परिभाषित करती है जो अंतिम अवस्था चरों को सीखता है।

सिम्बोलिक रिग्रेशन

उन प्रणालियों के लिए जहाँ मानक मानव अवस्था चर ज्ञात हैं, लेखक सीखे गए लेटेंट चरों के लिए स्पष्ट विश्लेषणात्मक अभिव्यक्तियाँ प्राप्त करने के लिए PySR (एक सिम्बोलिक रिग्रेशन लाइब्रेरी) का उपयोग करते हैं। यह चरण इस बात की पुष्टि करता है कि क्या सीखे गए चरों को भौतिक मात्राओं के सरल गणितीय फलनों में मैप किया जा सकता है।

मुख्य योगदान

संरेखण के लिए एक नया सिद्धांत: यह पेपर बिना किसी पूर्व भौतिक ज्ञान के, सुगमता और अवकलनीयता (differentiability) को लागू करके, मानव अंतर्ज्ञान के साथ स्वाभाविक रूप से संरेखित होने वाले निरूपणों को निकालने के लिए एक सामान्य सिद्धांत प्रस्तावित करता है।
TIDE आर्किटेक्चर: TIDE नेटवर्क का परिचय, जो अवस्था चर खोज की समस्या से निपटने के लिए टाइम-डेरिवेटिव रेगुलराइजेशन को शामिल करते हुए डायनेमिक्स और अवस्था चरों को संयुक्त रूप से सीखता है।
व्याख्यात्मक और विश्लेषणात्मक परिणाम: यह विधि ऐसे चर सीखती है जो न केवल मानव-परिभाषित मात्राओं के साथ अधिक निकटता से सह-संबंध रखते हैं, बल्कि स्पष्ट विश्लेषणात्मक अभिव्यक्तियाँ भी प्रदान करते हैं, जो "ब्लैक बॉक्स" लेटेंट निरूपणों से एक महत्वपूर्ण कदम है।

परिणाम

मॉडल का मूल्यांकन नौ बेंचमार्क डेटासेट्स पर किया गया, जिसमें पांच सिम्युलेटेड सिस्टम (जैसे, रिएक्शन-डिफ्यूजन, सिंगल/डबल पेंडुलम) और चार वास्तविक दुनिया के सिस्टम (जैसे, लावा लैंप, फायर फ्लेम) शामिल थे।

इंट्रिन्सिक डायमेंशन (ID) अनुमान: TIDE ने बेसलाइन न्यूरल स्टेट वेरिएबल्स (NSV) दृष्टिकोण की तुलना में इंट्रिन्सिक डायमेंशन के अधिक सटीक अनुमान प्रदान किए, विशेष रूप से ज्ञात ग्राउंड ट्रुथ ID वाले सिस्टम के लिए। लेखक इसका श्रेय टाइम-डेरिवेटिव रेगुलराइजेशन को देते हैं जो एक सुचारू (smooth) लेटेंट स्पेस को प्रोत्साहित करता है।
चर की सुगमता और निरंतरता: लेटेंट स्पेस के विज़ुअलाइज़ेशन (जैसे, पेंडुलम सिस्टम के लिए) ने दिखाया कि TIDE वेरिएबल्स समय के साथ सुचारू रूप से विकसित होते हैं, जो मानव-व्याख्या योग्य मात्राओं जैसे कोण और कोणीय वेग के बहुत करीब हैं। इसके विपरीत, बेसलाइन विच्छिन्न (discontinuous) जंप प्रदर्शित करता है।
व्याख्यात्मकता मेट्रिक्स:
- म्युचुअल इंफॉर्मेशन (MI): TIDE ने मानव चरों और मॉडल चरों के बीच उच्च MI प्रदर्शित किया, जो मजबूत सह-संबंध को दर्शाता है।
- एनालिटिकल मीन स्क्वेर्ड एरर (AMSE): सीखे गए चरों पर सिम्बोलिक एक्सप्रेशन फिट करते समय TIDE ने काफी कम AMSE प्राप्त किया, जो उनकी विश्लेषणात्मक रिकवरेबिलिटी की पुष्टि करता है।
विश्लेषणात्मक अभिव्यक्तियाँ: लेखकों ने सिंगल और डबल पेंडुलम के लेटेंट चरों के लिए स्पष्ट सूत्र सफलतापूर्वक प्राप्त किए (जैसे, $z_0$ को कोण $\theta$ के साइन फंक्शन्स के संयोजन के रूप में व्यक्त किया गया है)। बेसलाइन चरों के लिए ऐसा कोई सिम्बोलिक संयोजन नहीं पाया जा सका।

महत्व और दावे

यह पेपर दावा करता है कि TIDE वैज्ञानिक खोज में मानव-AI सहयोग को अधिक फलदायी बनाने की दिशा में एक महत्वपूर्ण कदम है। भौतिक प्रायर्स (priors) के बजाय गणितीय गुणों (सुगमता, अवकलनीयता) के माध्यम से मानव अंतर्ज्ञान के साथ अपने निरूपणों को संरेखित करके, यह विधि डेटा-संचालित मॉडलिंग और मानव समझ के बीच के अंतर को पाटती है।

लेखक इस बात पर जोर देते हैं कि उनकी जानकारी के अनुसार, यह बिना पूर्व भौतिक ज्ञान के सीखे गए अवस्था चरों के लिए स्पष्ट सूत्र प्राप्त करने वाला पहला परिणाम है। वे सुझाव देते हैं कि यह सिद्धांत शोधकर्ताओं को अज्ञात घटनाओं के बारे में अंतर्दृष्टि प्राप्त करने में मदद कर सकता है, विशेष रूप से तब जब सैद्धांतिक भविष्यवाणियां अनुभवजन्य अवलोकनों से भिन्न होती हैं।

सीमाएँ: लेखक विनम्रतापूर्वक नोट करते हैं कि यह विधि एक स्थिर अवस्था चर निरूपण की धारणा पर निर्भर करती, जो उन परिदृश्यों में लागू नहीं हो सकती जहाँ डेटा संग्रह अक्षम हो। वे यह भी स्वीकार करते हैं कि हालांकि निरूपण मानव मात्राओं के साथ संरेखित है, लेकिन यह उनके साथ पूरी तरह से मेल नहीं खा सकता है क्योंकि अवस्था चर विन्यास की अंतर्निहित गैर-विशिष्टता मौजूद है। भविष्य के कार्य के लिए सेमी-सुपरवाइज्ड लर्निंग और पहचान क्षमता (identifiability) के सैद्धांतिक गुणों की खोज करने का सुझाव दिया गया है।