वैज्ञानिक लंबे समय से एक मौलिक पहेली का सामना कर रहे हैं: यह कैसे सीखा जाए कि ब्रह्मांड के छिपे हुए नियम क्या हैं जब वे केवल उनके परिणामों को ही देख सकते हैं। कल्पना कीजिए कि आप दीवार पर एक छाया देख रहे हैं और उस वस्तु के सटीक आकार का पता लगाने की कोशिश कर रहे हैं जिसने उसे बनाया है। खगोल विज्ञान से लेकर कण भौतिकी (पार्टिकल फिजिक्स) जैसे क्षेत्रों में, शोधकर्ता डेटा का अवलोकन करते हैं—दूर स्थित सितारों से आने वाला प्रकाश, उप-परमाणु कणों का टकराव, या वायुमंडल में पैटर्न—और उन्हें उन गुणों का अनुमान लगाने के लिए पीछे की ओर काम करना पड़ता है जिन्होंने उन्हें उत्पन्न किया है। इसे 'इनवर्स प्रॉब्लम' (inverse problem) के रूप में जाना जाता है। दशकों तक, वैज्ञानिकों ने इन निष्कर्षों तक पहुँचने के लिए जटिल गणितीय सूत्रों पर भरोसा किया, लेकिन जैसे-जैसे हमारे उपकरण अधिक शक्तिशाली होते गए और उच्च-रिज़ॉल्यूशन वाले डेटा की विशाल मात्रा उत्पन्न होने लगी, वे पुराने सूत्र अक्सर बहुत धीमे या उपयोग करने में बहुत कठिन हो गए। इसके जवाब में, कई लोगों ने जनरेटिव आर्टिफिशियल इंटेलिजेंस (generative AI) की ओर रुख किया। ये ऐसे कंप्यूटर सिस्टम हैं जिन्हें उदाहरणों पर प्रशिक्षित किया जाता है ताकि वे देखे गए डेटा के छिपे हुए कारणों की अविश्वसनीय गति से भविष्यवाणी करना सीख सकें। वे जेम्स वेब स्पेस टेलीस्कोप द्वारा प्रारंभिक ब्रह्मांड की छवियों के विश्लेषण से लेकर भूमिगत डिटेक्टरों में कणों के अराजक छिड़काव तक, सब कुछ विश्लेषण करने के लिए आवश्यक उपकरण बन गए हैं।

हालाँकि, इस नए दृष्टिकोण में एक गंभीर दोष उभर कर आया है। जबकि ये आर्टिफिशियल इंटेलिजेंस मॉडल सबसे संभावित उत्तर का अनुमान लगाने में उत्कृष्ट हैं, वे अक्सर वैज्ञानिकों को यह नहीं बता पाते कि उन्हें उस पर कितना विश्वास करना चाहिए। जब एक मॉडल को उदाहरणों के एक विशिष्ट सेट पर प्रशिक्षित किया जाता है, तो वह अति-आत्मविश्वासी हो सकता है, जो बहुत सटीक दिखने वाले संकीर्ण उत्तर दे सकता है जो वास्तव में गलत होते हैं, विशेष रूप से तब जब वास्तविक दुनिया का डेटा उसके प्रशिक्षण डेटा से थोड़ा अलग दिखता है। यह खोज के लिए खतरनाक है। यदि कोई वैज्ञानिक यह मानता है कि कोई माप सटीक है जबकि वह नहीं है, तो वह नए कणों के अस्तित्व या किसी गैलेक्सी के इतिहास के बारे में गलत निष्कर्ष निकाल सकता है। मुख्य चुनौती केवल एक भविष्यवाणी करना नहीं है, बल्कि यह सुनिश्चित करना है कि कंप्यूटर द्वारा प्रदान किए गए संभावित उत्तरों की सीमा में वास्तव में ज्ञात और विश्वसनीय संभाव्यता के साथ सही मान (true value) शामिल हो, चाहे वह वास्तविक मान कुछ भी हो।

शोधकर्ताओं की एक टीम ने अब इस समस्या का समाधान विकसित किया है, जिसे 'फ्रीक्वेंटिस्ट-बेयस' (Frequentist-Bayes) या 'फ्रेबी' (FreB) नामक एक नया प्रोटोकॉल पेश किया है। यह विधि जनरेटिव एआई के आउटपुट के लिए एक कठोर गुणवत्ता-नियंत्रण जांच के रूप में कार्य करती है। एआई के प्रारंभिक अनुमान को केवल स्वीकार करने के बजाय, FreB कंप्यूटर के संभाव्यता मानचित्र (probability map) को एक सांख्यिकीय रूप से भरोसेमंद 'कॉन्फिडेंस रीजन' (confidence region) में नया आकार देता है। यह प्रक्रिया एआई को लेबल किए गए उदाहरणों के एक बड़े सेट पर प्रशिक्षित करने से शुरू होती है, जहाँ दोनों छिपे हुए गुण और परिणामी डेटा ज्ञात होते हैं। एआई एक "पोस्टीरियर" (posterior) वितरण बनाना सीखता है, जो अनिवार्य रूप से एक मानचित्र है जो दिखाता है कि सही उत्तर कहाँ होने की संभावना है। शोधकर्ता फिर सिस्टम को इस मानचित्र को समायोजित करना सिखाने के लिए 'कैलिब्रेशन डेटा' के एक अलग सेट का उपयोग करते हैं। वे एआई की कच्ची संभावनाओं को 'पी-वैल्यू फंक्शन्स' (p-value functions) में बदल देते हैं। ये फंक्शन एक कैलिब्रेटेड पैमाने की तरह कार्य करते हैं, यह सुनिश्चित करते हुए कि जब सिस्टम संभावित उत्तरों के इर्द-गिर्द एक सीमा खींचता है, तो वह सीमा ठीक उतनी ही बार सही मान को शामिल करेगी जितनी बार वैज्ञानिक दावा करते हैं।

इस दृष्टिकोण की शक्ति वास्तविक दुनिया की खामियों को संभालने की इसकी क्षमता में निहित है। कई वैज्ञानिक अध्ययनों में, एआई को प्रशिक्षित करने के लिए उपयोग किया गया डेटा उस डेटा से पूरी तरह मेल नहीं खाता जिसका अध्ययन किया जा रहा है। यह बेमेल स्थिति, जिसे 'डेटासेट शिफ्ट' (dataset shift) कहा जाता है, तब हो सकती है जब टेलिस्कोप कैसे बनाए गए हैं, वे किन सितारों को देख सकते हैं, या क्योंकि प्रशिक्षण के लिए उपयोग किए गए सैद्धांतिक मॉडल थोड़े गलत हैं। पारंपरिक एआई विधियाँ ऐसी स्थितियों में पक्षपाती परिणाम उत्पन्न करती हैं, जो प्रशिक्षण डेटा की ओर बहुत अधिक झुकी होती हैं। हालाँकि, FreB इन अंतरों को ठीक करने के लिए डिज़ाइन किया गया है। कैलिब्रेशन डेटा का उपयोग करके आवश्यक समायोजन सीखने के माध्यम से, यह विधि सुनिश्चित करती है कि अंतिम कॉन्फिडेंस रीजन वैध बने रहें, भले ही प्रशिक्षण डेटा और लक्षित डेटा अलग-अलग वितरणों से आते हों। शोधकर्ताओं ने प्रदर्शित किया कि यह तब भी काम करता है जब स्वयं एआई मॉडल थोड़ा 'मिसस्पेसिफाइड' (misspecified) हो, जिसका अर्थ है कि प्रशिक्षण उदाहरणों को उत्पन्न करने के लिए उपयोग किया गया अंतर्निहित भौतिकी मॉडल वास्तविकता का पूर्ण प्रतिनिधित्व नहीं था।

अपने तरीके को सिद्ध करने के लिए, टीम ने भौतिक विज्ञान के तीन अलग-अलग चुनौतियों पर इसका परीक्षण किया। पहले मामले में, उन्होंने गामा किरणों के पुनर्निर्माण (reconstruction) पर काम किया, जो अंतरिक्ष से आने वाले उच्च-ऊर्जा कण हैं जिन्हें सीधे नहीं देखा जा सकता है, बल्कि पृथ्वी के वायुमंडल में उनके द्वारा बनाए गए माध्यमिक कणों के प्रवाह से अनुमान लगाया जाता है। एआई को क्रैब नेबुला (Crab Nebula) के डेटा पर प्रशिक्षित किया गया था, जो एक प्रसिद्ध स्रोत है, लेकिन फिर इसे डार्क मैटर स्रोत की पहचान करने के लिए कहा गया, जो बहुत अलग और दुर्लभ पैटर्न उत्पन्न करता है। मानक एआई विधियाँ यहाँ विफल रहीं, जिससे ऐसे अनुमान प्राप्त हुए जो प्रशिक्षण डेटा के ऊर्जा स्तरों की ओर झुके हुए थे और वास्तविक उच्च-ऊर्जा घटनाओं को पहचानने में विफल रहे। FreB पद्धति ने सफलतापूर्वक एआई के आउटपुट को पुनर्गठित किया ताकि वैध कॉन्फिडेंस इंटरवल प्रदान किए जा सकें जो दुर्लभ घटनाओं के वास्तविक ऊर्जा स्तर को सही ढंग से पकड़ सके, जिससे वैज्ञानिकों को विश्वसनीयता के साथ विभिन्न खगोलीय स्रोतों के बीच अंतर करने की अनुमति मिली।

दूसरे परीक्षण में हमारी अपनी आकाशगंगा, मिल्की वे के इतिहास को समझना शामिल था। खगोलशास्त्री सितारों के वितरण और उनकी गति का वर्णन करने के लिए विभिन्न सैद्धांतिक मॉडलों का उपयोग करते हैं। ये मॉडल कभी-कभी किसी तारे की आयु या रासायनिक संरचना के बारे में विरोधाभासी निष्कर्ष दे सकते हैं। जब शोधकर्ताओं ने मानक एआई इन्फरेंस लागू किया, तो विभिन्न मॉडलों ने एक-दूसरे से और वास्तविक मानों से बहुत अलग परिणाम दिए, जिससे तनाव को हल करने का कोई स्पष्ट तरीका नहीं मिला। FreB को लागू करके, टीम दोनों मॉडलों के आउटपुट को समायोजित करने में सक्षम रही। परिणाम स्वरूप, कॉन्फिडेंस रीजन का एक सेट प्राप्त हुआ जो, अलग-अलग शुरुआती धारणाओं के बावजूद, तारे के वास्तविक गुणों को सही ढंग से समाहित करता था। इसने दिखाया कि FreB प्रतिस्पर्धी सिद्धांतों के बीच सामंजस्य बिठा सकता है, यह सुनिश्चित करते हुए कि अनिश्चितता का अनुमान ईमानदार और सुसंगत हो, चाहे अंतर्निहित मॉडल कुछ भी हो।

अंतिम चुनौती ने 'सिलेक्शन बायस' (selection bias) की समस्या को संबोधित किया, जो बड़े खगोलीय सर्वेक्षणों में एक आम समस्या है। टेलिस्कोप अक्सर हर तारे को समान रूप से नहीं देख पाते; वे मंद और छोटे सितारों की तुलना में चमकीले और बड़े सितारों का पता लगाने में बेहतर होते हैं। इसका मतलब है कि एआई मॉडल को प्रशिक्षित करने के लिए उपयोग किया गया डेटा अक्सर पक्षपाती होता है, जिसमें वे वस्तुएं गायब होती हैं जिनका अध्ययन वैज्ञानिक सबसे अधिक करना चाहते हैं। इस प्रयोग में, शोधकर्ताओं ने एक ऐसी स्थिति का अनुकरण किया जहाँ एआई को बड़े, चमकीले सितारों के प्रभुत्व वाले डेटा पर प्रशिक्षित किया गया था, लेकिन फिर उसे हमारे सूर्य जैसे छोटे, धुंधले सितारों के गुणों का अनुमान लगाने के लिए कहा गया। असंतुलित एआई ने व्यवस्थित रूप से गलत अनुमान दिए, जो इन छोटे सितारों के वास्तविक मानों को कवर करने में विफल रहे। FreB ने सिस्टम को पुन: कैलिब्रेट करने के लिए फॉलो-अप डेटा के एक छोटे सेट का उपयोग करके इस पूर्वाग्रह को ठीक किया। समायोजित पद्धति ने सटीक कॉन्फिडेंस रीजन का उत्पादन किया, जो धुंधले सितारों के वास्तविक मापदंडों को सफलतापूर्वक कवर करता था, भले ही प्रशिक्षण डेटा उनके प्रति अत्यधिक पक्षपाती रहा हो।

इस कार्य का महत्व इन विशिष्ट उदाहरणों से परे है। यह एक गणितीय गारंटी प्रदान करता है कि इन शक्तिशाली एआई उपकरणों द्वारा उत्पन्न कॉन्फिडेंस इंटरवल भरोसेमंद हैं। अतीत में, वैज्ञानिकों को यह उम्मीद करनी पड़ती थी कि उनके मॉडल पर्याप्त सटीक हैं ताकि वे वैध अनिश्चितता अनुमान प्रदान कर सकें। अब, उनके पास एक ऐसा प्रोटोकॉल है जो एक तेज़, लचीले एआई मॉडल को ले सकता है और उसके आउटपुट को वैज्ञानिक प्रमाण के कड़े मानकों को पूरा करने के लिए नया आकार दे सकता है। इसका मतलब है कि जिन क्षेत्रों में प्रत्यक्ष गणना असंभव या बहुत महंगी है, वहां शोधकर्ता पारंपरिक विधियों के समान सांख्यिकीय कठोरता के साथ जटिल प्रणालियों का पता लगाने के लिए जनरेटिव एआई का उपयोग कर सकते हैं। यह विधि कुशल है, नए डेटा पर लागू होने के लिए इसमें पुन: प्रशिक्षण की आवश्यकता नहीं होती है, और यह तब भी काम करती है जब प्रशिक्षण डेटा अपूर्ण हो। आधुनिक आर्टिफिशियल इंटेलिजेंस की गति और शास्त्रीय सांख्यिकी की विश्वसनीयता के बीच के अंतर को पाटकर, FreB भरोसेमंद वैज्ञानिक खोजों का एक मार्ग प्रशस्त करता है, यह सुनिश्चित करते हुए कि जब वैज्ञानिक दीवार पर छाया देखते हैं, तो वे उस वस्तु के आकार के प्रति आश्वस्त हो सकते हैं जिसने उसे बनाया है।