Generative AI for Validating Physics Laws

आधुनिक विज्ञान के विशाल परिदृश्य में, शोधकर्ता अक्सर एक ऐसे प्रश्न का सामना करते हैं जो पूछने में बेहद सरल है लेकिन उत्तर देने में अविश्वसनीय रूप से कठिन है: कोई विशिष्ट क्रिया अलग-अलग लोगों या चीजों के लिए परिणाम को कैसे बदल देती है? यह 'कॉज़ल इन्फरेंस' (कारण संबंधी अनुमान) का केंद्र है, जो कारण और प्रभाव को समझने के लिए समर्पित एक क्षेत्र है। कल्पना कीजिए कि एक डॉक्टर यह निर्धारित करने की कोशिश कर रहा है कि क्या एक नई दवा युवा रोगियों के लिए वृद्धों की तुलना में बेहतर काम करती है, या एक अर्थशास्त्री यह सोच रहा है कि क्या टैक्स में कटौती शहरों की तुलना में ग्रामीण कस्बों में अर्थव्यवस्था को अधिक बढ़ावा देती है। चुनौती यह है कि वास्तविक दुनिया में, हम शायद ही कभी ऐसे पूर्ण प्रयोग कर पाते हैं जहाँ परीक्षण की जाने वाली एक चीज़ को छोड़कर बाकी सब कुछ समान हो। इसके बजाय, हमें उस अव्यवस्थित, अवलोकन संबंधी डेटा (observational data) को देखना पड़ता है जहाँ कई कारक एक साथ बदलते हैं। इसे समझने के लिए, वैज्ञानिकों ने "हेटरोजेनियस ट्रीटमेंट इफेक्ट्स" (विषम उपचार प्रभाव) को मापने के लिए परिष्कृत उपकरण विकसित किए हैं। यह वाक्यांश केवल यह बताता है कि कैसे एक कारण, जैसे कि कोई दवा या नीति, अलग-अलग व्यक्तियों के अद्वितीय गुणों के आधार पर अलग-अलग परिणाम उत्पन्न करती है। दशकों तक, लक्ष्य औसत प्रभाव को खोजना था, लेकिन सबसे दिलचस्प अंतर्दृष्टि अक्सर इस बात के विवरणों में निहित होती है कि वह प्रभाव जनसंख्या के विभिन्न हिस्सों में कैसे बदलता है।

शोधकर्ताओं की एक टीम ने अब इस समस्या से निपटने के लिए एक नया तरीका प्रस्तावित किया है, जो केवल औसत खोजने से आगे बढ़कर संभावित परिणामों के पूरे परिदृश्य को मैप करता है। वे अपने दृष्टिकोण को एक "जेनरेटिव लर्नर" (उत्पादक शिक्षार्थी) कहते हैं, जो कृत्रिम बुद्धिमत्ता (AI) का एक प्रकार है जिसे उन छिपे हुए नियमों को सीखने के लिए डिज़ाइन किया गया है जो डेटा के निर्माण को नियंत्रित करते हैं। पुराने तरीकों के विपरीत, जो जटिल डेटा या अध्ययन के लिए कम उदाहरण होने पर संघर्ष कर सकते हैं, यह नई प्रणाली प्रभावों के पूर्ण वितरण (full distribution) को संभालने के लिए बनाई गई है। यह हमें केवल यह नहीं बताती कि एक उपचार काम करता है; बल्कि यह प्रकट करती है कि विषय के विशिष्ट गुणों, जैसे कि उनका आकार, आयु या पृष्ठभूमि के आधार पर उस उपचार की शक्ति कैसे बदलती है। डेटा से सीधे इन पैटर्न को सीखने के लिए एक न्यूरल नेटवर्क—जो मानव मस्तिष्क की नकल करने वाला एक कंप्यूटर सिस्टम है—को प्रशिक्षित करके, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो लचीला और सटीक दोनों है।

शोधकर्ताओं ने अपने नए सिस्टम का परीक्षण स्थापित विधियों के साथ किया, जिन्हें वर्तमान में क्षेत्र में 'गोल्ड स्टैंडर्ड' माना जाता है। उन्होंने सैकड़ों कंप्यूटर सिमुलेशन चलाए जहाँ उन्हें पहले से ही सटीक सत्य पता था, जिससे उन्हें यह देखने का अवसर मिला कि प्रत्येक विधि सही उत्तर को कितनी अच्छी तरह प्राप्त कर सकती है। इन परीक्षणों में, नया जेनरेटिव लर्नर लगातार अपने प्रतिद्वंद्वियों से बेहतर प्रदर्शन करता रहा। जब डेटा में सरल, सीधी रेखा वाले संबंध थे, तो नया तरीका पहले से ही अधिक सटीक था, लेकिन जब संबंध जटिल और घुमावदार हो गए, तो अंतर नाटकीय हो गया। इन कठिन परिदृश्यों में, इस नए सिस्टम ने मौजूदा सर्वोत्तम तकनीकों की तुलना में अपनी त्रुटियों को सत्तर प्रतिशत से अधिक कम कर दिया। यह लाभ विशेष रूप से तब स्पष्ट था जब डेटा की मात्रा कम थी, एक ऐसी स्थिति जहाँ अन्य विधियाँ अक्सर लड़खड़ा जाती हैं। शोधकर्ताओं ने पाया कि उनका दृष्टिकोण परिणामों के पूर्ण आकार को पकड़ने में विशेष रूप से कुशल था, न कि केवल मध्य मार्ग को, जिससे उन्हें उन दुर्लभ, चरम मामलों को देखने में मदद मिली जिन्हें अन्य मॉडल मिस कर सकते थे।

इस पद्धति को वास्तविक दुनिया में सिद्ध करने के लिए, टीम ने खगोल भौतिकी (astrophysics) की एक क्लासिक समस्या, स्टेफ़न-बोल्ट्ज़मैन नियम (Stefan–Boltzmann law) को लागू किया। यह भौतिक नियम बताता है कि एक तारे की चमक उसके तापमान से कैसे निर्धारित होती है। विशेष रूप से, यह नियम कहता है कि एक तारा जो कुल ऊर्जा उत्सर्जित करता है वह उसके तापमान की चौथी घात के समानुपाती होती है, जिसका अर्थ है कि गर्मी में मामूली वृद्धि भी चमक में भारी वृद्धि लाती है। शोधकर्ताओं ने तारे के सतही तापमान को "उपचार" (treatment) और उसकी चमक को "परिणाम" (outcome) के रूप में माना। गाया (Gaia) मिशन के डेटा का उपयोग करते हुए, जिसने एक अरब से अधिक तारों का मानचित्रण किया है, उन्होंने एक विशिष्ट समूह के तारों पर ध्यान केंद्रित किया ताकि यह देखा जा सके कि क्या उनका नया तरीका केवल अवलोकन संबंधी डेटा से इस प्रसिद्ध भौतिक संबंध को पुनः प्राप्त कर सकता है।

परिणाम आश्चर्यजनक थे। जेनरेटिव लर्नर ने अपेक्षित गैर-रेखीय (nonlinear) संबंध को सफलतापूर्वक पहचाना, जिससे पुष्टि हुई कि जैसे-जैसे तारा गर्म होता है, उसकी चमक तेजी से और त्वरित दर से बढ़ती है। लेकिन यह पद्धति केवल कानून की पुष्टि करने से कहीं आगे निकल गई; इसने यह भी उजागर किया कि यह प्रभाव तारे के आकार और उसकी आंतरिक चमक के आधार पर कैसे बदलता है। विश्लेषण ने दिखाया कि तापमान का चमक पर प्रभाव तारे की त्रिज्या (radius) बढ़ने के साथ और मजबूत होता जाता है, जो इस सैद्धांतिक भविष्यवाणी के साथ पूरी तरह मेल खाता है कि चमक त्रिज्या के वर्ग पर निर्भर करती है। इसके अलावा, पद्धति ने दिखाया कि यह संबंध अलग-अलग पूर्ण परिमाण (absolute magnitudes) वाले तारों के लिए अलग तरह से व्यवहार करता है, जो यह संकेत देता है कि स्वाभाविक रूप से चमकीले तारे कम चमकीले तारों की तुलना में तापमान परिवर्तन के प्रति अधिक संवेदनशील होते हैं। वास्तविक तारकीय डेटा पर इस नए उपकरण को लागू करके, शोधकर्ताओं ने प्रदर्शित किया कि उनका दृष्टिकोण न केवल ज्ञात भौतिक नियमों को मान्य कर सकता है, बल्कि उन सूक्ष्म तरीकों को भी उजागर कर सकता है जिनमें वे कानून विविध आबादी के बीच घटित होते हैं।

इस कार्य की सफलता यह सुझाव देती है कि जिस तरह से नए सिस्टम को बनाया गया है, वह इसे एक विशिष्ट लाभ देता है। शोधकर्ताओं ने न्यूरल नेटवर्क को समस्या को तीन जुड़े हुए भागों में तोड़ने के लिए डिज़ाइन किया है: एक भाग आधारभूत परिणाम (baseline outcome) सीखता है, दूसरा उपचार होने की संभावना सीखता है, और तीसरा उपचार के विशिष्ट प्रभाव को सीखता है। महत्वपूर्ण रूप से, इन भागों को एक साथ प्रशिक्षित किया जाता है, जिससे वे एक-दूसरे के पूर्वानुमानों को परिष्कृत करने के लिए जानकारी साझा कर सकें। यह सिस्टम एक गणितीय तकनीक का भी उपयोग करता है जो केवल औसत पर ध्यान केंद्रित करने के बजाय परिणामों की पूरी सीमा (lowest से highest तक) को देखता है। यह इसे इस पूरी कहानी को पकड़ने की अनुमति देता है कि एक कारण जनसंख्या को कैसे प्रभावित करता है, जिसमें आउटलेयर्स (outliers) और चरम स्थितियां भी शामिल हैं। हालांकि इस पद्धति का परीक्षण सिमुलेशन और सितारों के एक विशिष्ट सेट पर किया गया था, शोधकर्ताओं का मानना है कि जटिल, उच्च-आयामी (high-dimensional) डेटा को संभालने की इसकी क्षमता इसे व्यक्तिगत चिकित्सा से लेकर आर्थिक नीति जैसे कई अन्य क्षेत्रों के लिए एक शक्तिशाली उपकरण बनाती है, जहाँ विभिन्न व्यक्तियों पर हस्तक्षेप के अनूठे प्रभाव को समझना आवश्यक है।