LLM Agents for Knowledge Discovery in Atomic Layer Processing
यह शोध पत्र प्रदर्शित करता है कि बड़े भाषा मॉडल (Large Language Model) एजेंट, जो सीमित प्रोबिंग टूल्स से लैस हैं और स्पष्ट निर्देशों के बजाय परीक्षण-और-त्रुटि निरंतरता (trial-and-error persistence) द्वारा निर्देशित होते हैं, सरल पार्लर गेम्स से लेकर उन्नत एटॉमिक लेयर प्रोसेसिंग रिएक्टर सिमुलेशन तक, जटिल प्रणालियों के बारे में सामान्यीकरण योग्य ज्ञान को स्वायत्त रूप से खोज और सत्यापित कर सकते हैं।
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
मुख्य विचार: AI को एक जिज्ञासु जासूस बनाना सिखाना
कल्पना कीजिए कि आपके पास एक बहुत ही बुद्धिमान रोबोट (एक लार्ज लैंग्वेज मॉडल, या LLM) है जिसने अब तक लिखी गई लगभग हर किताब पढ़ ली है। आमतौर पर, हम इस रोबोट से यह सारांश लिखने के लिए कहते हैं कि वह क्या जानता है या किसी विशिष्ट गणित की समस्या को हल करने के लिए कहते हैं। लेकिन यह शोध पत्र एक अलग सवाल पूछता है: क्या यह रोबट बिना यह बताए कि उसे क्या खोजना है, केवल चीजों के साथ प्रयोग करके कुछ पूरी तरह से नया खोज सकता है?
शोधकर्ताओं ने यह देखना चाहा कि क्या एक AI एक जिज्ञासु वैज्ञानिक की तरह काम कर सकता है: किसी सिस्टम को टटोलना, देखना कि क्या होता है, और अपने आप छिपे हुए नियमों को समझना।
इसका परीक्षण करने के लिए, उन्होंने दो "ब्लैक बॉक्स" खेल बनाए जहाँ AI को ट्रायल और एरर (गलती और सुधार) के माध्यम से नियमों का अनुमान लगाना था।
गेम 1: एलियन मार्केट (शब्दों की पहेली)
सेटअप:
कल्पना कीजिए कि AI एक अजीब ग्रह पर है। वहाँ एक बाजार है जहाँ एलियंस चीजें बेचते हैं। AI एलियंस से पूछ सकता है, "क्या मैं [शब्द] खरीद सकता हूँ?" एलियंस "हाँ" या "नहीं" कहेंगे।
छिपा हुआ नियम:
एलियंस का एक गुप्त नियम है: वे आपको तब तक कुछ भी नहीं बेचेंगे जब तक कि उस शब्द में "P" या "M" अक्षर न हो।
प्रयोग:
शोधकर्ताओं ने AI से इस नियम को समझने के लिए कहा।
- संघर्ष: अधिकांश AI मॉडलों ने कुछ शब्द आजमाए, एक पैटर्न देखा, और फिर रुक गए। उन्होंने शायद अनुमान लगाया, "ओह, वे दोहरे अक्षरों वाले शब्द नहीं बेचते!" और वहीं रुक गए। उन्होंने बहुत जल्दी हार मान ली।
- सफलता: सबसे स्मार्ट मॉडल (GPT-5) ने जारी रखा। उसने महसूस किया कि केवल कुछ शब्दों का अनुमान लगाना काफी नहीं है। जब शोधकर्ताओं ने उससे कहा, "अपना उत्तर देने से पहले तुम्हें कम से कम 50 शब्द आज़माने होंगे," तो AI सफल रहा। उसने शब्दों का परीक्षण करना जारी रखा जब तक कि अंततः उसे समझ नहीं आया, "आह! यह डबल लेटर्स के बारे में नहीं है; यह P और M जैसे विशिष्ट अक्षरों के बारे में है।"
सबक:
कभी-कभी, खोज (discovery) केवल "स्मार्ट" होने के बारे में नहीं होती; यह दृढ़ता के बारे में होती है। यदि आप प्रयोग करना बहुत जल्दी रोक देते हैं, तो आप उत्तर चूक जाते हैं।
गेम 2: एटॉमिक लेयर रिएक्टर (केमिकल किचन)
सेटअप:
अब, कल्पना कीजिए कि कंप्यूटर चिप्स के लिए उपयोग किए जाने वाले अत्यंत पतले फिल्म बनाने के लिए एक हाई-टेक किचन है। इस किचन में पाइप, वाल्व और सेंसर के साथ एक जटिल रिएक्टर है।
- AI यहाँ शेफ (रसोइया) है।
- इसके पास चार अलग-अलग "सामग्री" (रसायन A, B, C और D) हैं।
- इसके पास एक प्रेशर गेज और एक तराजू (फिल्म का वजन करने के लिए) है।
- महत्वपूर्ण बात: AI के पास कोई मैनुअल नहीं है। उसे नहीं पता कि रसायन क्या करते हैं। उसे नहीं पता कि रेसिपी क्या हैं। वह बस इतना जानता है कि वह वाल्व खोल सकता है, तापमान बदल सकता है और प्रतीक्षा कर सकता है।
लक्ष्य:
AI का एकमात्र काम है "इस किचन का अन्वेषण करें और मुझे बताएं कि क्या संभव है।" उसे कोई विशिष्ट प्रकार की चिप बनाने के लिए नहीं बताया गया था; उसे बस खेलने के लिए कहा गया था।
खोज:
AI ने अलग-अलग क्रम और तापमान में रसायनों को मिलाना शुरू किया।
- "लोकल ट्रैप" (स्थानीय जाल): कुछ परिदृश्यों में, AI फंस गया। उसने थोड़ी सी फिल्म बनाने का एक तरीका खोजा (एक "लोकल मिनिमम") और सोचा, "ठीक है, यह किचन इस तरह काम करता है," और रुक गया। उसे यह अहसास नहीं हुआ कि अगर वह गर्मी बढ़ा देता या अधिक समय तक प्रतीक्षा करता, तो वह कहीं बेहतर तरीका खोज सकता था।
- ब्रेकथ्रू (बड़ी सफलता): जब शोधकर्ताओं ने AI को अधिक समय और एक सूक्ष्म संकेत दिया कि सामग्री की एक एकल परत का वजन कितना होना चाहिए (जैसे कि कहना, "धूल की एक परत का वजन लगभग इतना होता है"), तो AI इस जाल से बाहर निकल आया। उसने उच्च तापमान और लंबे समय तक प्रतीक्षा करने के साथ प्रयोग करना शुरू कर दिया।
- परिणाम: AI ने सफलतापूर्वक जटिल प्रक्रियाओं जैसे एटॉमिक लेयर डिपोजिशन (एक बार में एक परमाणु की परत बनाना) और एटॉमिक लेयर एचिंग (एक बार में एक परमाणु को हटाना) की खोज की। उसने यह भी पता लगाया कि सतह के कुछ हिस्सों को कैसे "पैसिवेट" (सुरक्षित) किया जाए ताकि वहां प्रतिक्रियाएं न हों।
सबक:
AI को सीखने के लिए किसी पाठ्यपुस्तक की आवश्यकता नहीं थी। उसने प्रयोग करके सीखा। हालाँकि, उसे "डेड एंड" (बंद रास्तों) से बाहर निकलने के लिए पर्याप्त समय और संसाधनों की आवश्यकता थी जहाँ उसने सोचा था कि उसने उत्तर पा लिया है, लेकिन वास्तव में ऐसा नहीं था।
यह क्यों मायने रखता है (शोध पत्र के अनुसार)
शोधकर्ताओं ने तीन मुख्य बातें पाईं:
- दृढ़ता महत्वपूर्ण है: AI मॉडल अक्सर बहुत जल्दी हार मान लेते हैं। यदि आप उन्हें अधिक प्रयोग करने के लिए मजबूर करते हैं, तो वे बेहतर उत्तर पाते हैं।
- पाथ डिपेंडेंस (पथ निर्भरता): AI कहाँ से शुरू करता है, यह मायने रखता है। यदि AI एलियन मार्केट में पहले "Apple" आज़माता है, तो वह यह सोचने में फंस सकता है कि नियम डबल "P" के बारे में है। यदि वह किसी अन्य शब्द के साथ शुरू करता है, तो वह वास्तविक नियम को तेज़ी से खोज सकता है। यह एक भूलभुलैया में अलग रास्ता लेने जैसा है; आप दीवार से टकरा सकते हैं या निकास पा सकते हैं, यह इस पर निर्भर करता है कि आपने पहले किस ओर मुड़ा।
- डिस्कवरी बनाम ऑप्टिमाइजेशन (खोज बनाम अनुकूलन): आमतौर पर, हम AI को कहते हैं, "सबसे अच्छी बैटरी बनाओ।" यह शोध पत्र दिखाता है कि AI यह भी कह सकता है, "मुझे नहीं पता कि सबसे अच्छी बैटरी क्या है, लेकिन मुझे इस सिस्टम को तब तक टटोलने दो जब तक कि मुझे कुछ दिलचस्प न मिल जाए।" यह ऐसे तरीके हैं जिससे हम उन चीजों की खोज कर सकते हैं जिन्हें हम जानते भी नहीं थे कि हमें क्या खोजना है।
निचोड़
यह शोध पत्र साबित करता है कि लार्ज लैंग्वेज मॉडल्स स्वतंत्र खोजकर्ता के रूप में कार्य कर सकते हैं। वे केवल उन तथ्यों को दोहराते नहीं हैं जो उन्होंने स्कूल में सीखा है; वे किसी नए सिस्टम के नियमों को टटोलकर, उसके परिणामों को देखकर और कड़ियों को जोड़कर समझ सकते हैं—बशर्ते उन्हें पर्याप्त समय दिया जाए और उन्हें जल्दी हार न मानने के लिए प्रोत्साहित किया जाए।
यह एक बच्चे को लेगो (LEGO) के डिब्बे देने और यह कहने जैसा है कि "कुछ बनाओ," बजाय इसके कि "एक किला बनाओ।" बच्चा एक अंतरिक्ष यान, एक ड्रैगन, या एक अजीब सा जीव बना सकता है जिसकी आपने कल्पना भी नहीं की होगी। यह वही प्रकार की "ज्ञान खोज" (knowledge discovery) है जिसके बारे में लेखक उत्साहित हैं।
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।