Training and Benchmarking Code Generation for Physics-Inspired Animations
यह शोधपत्र SimuScene प्रस्तुत करता है, जो भौतिकी-प्रेरित एनिमेशन के लिए निष्पादन योग्य कोड उत्पन्न करने पर बड़े भाषा मॉडलों को प्रशिक्षित करने और उनका मूल्यांकन करने के लिए एक व्यापक डेटासेट और बेंचमार्क है, जो यह प्रदर्शित करता है कि शीर्ष मॉडल भी इस कार्य में संघर्ष करते हैं लेकिन दृश्य पुरस्कारों (visual rewards) का उपयोग करने वाले एक नवीन सुदृढीकरण लर्निंग (reinforcement learning) पाइपलाइन के माध्यम से उन्हें महत्वपूर्ण रूप से सुधारा जा सकता 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 आपके पास एक सुपर-स्मार्ट रोबोट दोस्त है जो एक कहानी की किताब पढ़ सकता है और उस कहानी की फिल्म बनाने के लिए तुरंत कंप्यूटर कोड लिख सकता है। आप उसे कहते हैं, "एक गेंद पहाड़ी से नीचे लुढ़कती है और एक दीवार से टकराकर उछलती है," और आप उम्मीद करते हैं कि आपको एक गेंद पहाड़ी से नीचे लुढ़कती और दीवार से टकराकर उछलती हुई दिखाई देगी। यह लार्ज लैंग्वेज मॉडल्स (LLMs) का सपना है: ऐसे कंप्यूटर जो मानव भाषा को समझ सकें और उसे क्रिया (action) में बदल सकें। लेकिन इसमें एक पेचीदा हिस्सा है। सिर्फ इसलिए कि रोबोट ने कोड लिख दिया है, इसका मतलब यह नहीं है कि उसके द्वारा बनाई गई फिल्म वास्तव में कहानी जैसी दिखेगी। कोड चल तो सकता है, लेकिन गेंद किसी भूत की तरह तैर सकती है, ऊपर की ओर लुढ़क सकती है, या एक चौकोर आकार में बदल सकती है। यह शोध एक विज्ञान के विशिष्ट कोने की खोज करता है जहाँ हम पूछते हैं: क्या ये AI रोबट न केवल स्क्रिप्ट लिख सकते हैं, बल्कि वास्तव में फिल्म के भौतिक विज्ञान (physics) को निर्देशित कर सकते हैं ताकि वह वास्तविक लगे? यह ऐसा ही है जैसे किसी शेफ से केवल केक की रेसिपी लिखने के लिए नहीं, बल्कि वास्तव में एक ऐसा केक बनाने के लिए कहना जिसका स्वाद केक जैसा हो, ईंट जैसा नहीं।
इस अध्ययन के पीछे के शोधकर्ताओं ने, जो मोहम्मद बिन ज़ायद यूनिवर्सिटी ऑफ आर्टिफिशियल इंटेलिजेंस और सन यत-सेन यूनिवर्सिटी की एक टीम के नेतृत्व में थे, इन AI रोबोट्स को अंतिम परीक्षा में डालने का फैसला किया। उन्होंने SimuScene नामक एक नया खेल बनाया। इसे एक विशाल, स्वचालित खेल के मैदान के रूप में सोचें जिसमें गुरुत्वाकर्षण, प्रकाश, बिजली और तरल पदार्थ के प्रवाह जैसे 52 अलग-अलग भौतिक विषय (physics themes) हैं। उन्होंने एक ऐसी प्रणाली बनाई जो हजारों अद्वितीय परिदृश्य (scenarios) उत्पन्न करती है—जैसे "एक फिसलन भरी मेज पर घूमती हुई डिस्क" या "एक लेंस के माध्यम से मुड़ता हुआ प्रकाश"—और फिर AI को उन्हें एनिमेट करने के लिए पायथन (Python) कोड लिखने के लिए कहती है। लेकिन यहाँ एक पेंच है: AI को केवल ऐसा कोड लिखने के लिए छूट नहीं मिलती जो चल सके। कोड को एक ऐसा वीडियो बनाना होगा जो वास्तव में वर्णित भौतिकी (physics) जैसा दिखे। इसकी जाँच करने के लिए, उन्होंने एक विशेष "रेफरी" (एक विज़न-लैंग्वेज मॉडल) का उपयोग किया जो उत्पन्न वीडियो को देखता है और सवालों के जवाब देता है जैसे, "क्या गेंद उछली?" या "क्या प्रकाश सही तरीके से मुड़ा?" यदि वीडियो उन सवालों में विफल रहता है, तो AI भी परीक्षण में विफल हो जाता है।
परिणाम वास्तविकता का एक कड़वा अहसास थे। यहाँ तक कि आज के सबसे स्मार्ट, सबसे उन्नत AI मॉडल भी कड़ी मशक्कत करते हैं। जब शोधकर्ताओं ने 10 शीर्ष-स्तरीय AI को ये एनिमेशन बनाने के लिए कहा, तो सबसे अच्छा मॉडल औसतन केवल 21.5% परिदृश्यों को सही ढंग से पूरा कर पाया। इसका मतलब है कि हर 100 प्रयासों में से, AI ने केवल लगभग 21 बार सफलतापूर्वक एक ऐसा वीडियो बनाया जो भौतिक विवरण से मेल खाता था। ज्यादातर समय, कोड तो चलता था, लेकिन एनिमेशन अजीब होता था: वस्तुएं दीवारों के आर-पार जा सकती थीं, गलत दिशा में चल सकती थीं, या गुरुत्वाकर्षण को पूरी तरह से अनदेखा कर सकती थीं। यह स्पष्ट है कि AI को कोड लिखना सिखाना एक बात है, लेकिन उसे दुनिया के चलने के अदृश्य नियमों को समझने और उन नियमों को दृश्य रूप में देखने के लिए सिखाना एक बहुत कठिन पहेली है।
हालाँकि, यह शोध पत्र केवल यह कहकर नहीं रुकता कि "यह कठिन है।" टीम ने AI को बेहतर बनाने के लिए एक चतुर तरीका भी आजमाया। उन्होंने रीइन्फोर्समेंट लर्निंग (Reinforcement Learning) नामक एक विधि का उपयोग किया, जो कुत्ते को ट्रीट (treat) देकर प्रशिक्षित करने जैसा है। केवल टेक्स्ट के आधार पर AI को "अच्छा काम किया" या "बुरा काम किया" बताने के बजाय, उन्होंने AI को एक वीडियो जेनरेट करने दिया, वीडियो को देखा, और उसे "ट्रीट" (पुरस्कार) तभी दिया जब वीडियो वास्तव में सही दिख रहा था। उन्होंने पुरस्कार देने के लिए एक विज़न-आधारित जज का उपयोग किया। इस प्रशिक्षण के बाद, AI मॉडल में काफी सुधार हुआ। एक छोटा मॉडल जिसने 0% की सफलता दर से शुरुआत की थी, प्रशिक्षण के बाद 11.1% की सफलता दर तक पहुँच गया, और एक बड़े मॉडल ने 18.3% से 34.4% तक की छलांग लगाई। यह सुझाव देता है कि हालांकि AI अभी भी पूर्ण भौतिकी इंजन (physics engine) नहीं हैं, फिर भी वे बेहतर हो सकते हैं यदि आप उन्हें उनके द्वारा बनाए गए वास्तविक वीडियो दिखाते हैं और उन्हें अपनी गलतियों को देखने देते हैं।
संक्षेप में, यह शोध पत्र दिखाता है कि जबकि हमारे AI दोस्त कोड लिखने में माहिर होते जा रहे हैं, वे अभी भी भौतिकी के अच्छे निर्देशक बनने के लिए सीख रहे हैं। वे स्क्रिप्ट तो लिख सकते हैं, लेकिन फिल्म को वास्तविक बनाना अभी भी एक अधूरा काम है। टीम ने उन्हें प्रशिक्षित करने के लिए 7,600 से अधिक भौतिक परिदृश्यों का एक विशाल डेटासेट बनाया, और उनके प्रयोग सिद्ध करते हैं कि परिणामों (वीडियो) को देखना और उनसे सीखना उन्हें सिखाने का एक शक्तिशाली तरीका है। यह एक आशाजनक संकेत है कि सही प्रशिक्षण के साथ, हमारे पास जल्द ही ऐसा AI हो सकता है जो हमारे सबसे विचित्र भौतिक विवरणों को सटीक, चलते-फिरते चित्रों में बदल सके।
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।