🤖 machine learning

MOOSE-Star: Unlocking Tractable Training for Scientific Discovery by Breaking the Complexity Barrier

MOOSE-Star एक एकीकृत ढांचा है जो वैज्ञानिक खोज मॉडलों को सीधे प्रशिक्षित करने की गणितीय जटिलता को जनरेटिव रीजनिंग प्रक्रिया को सुलभ उप-कार्यों में विभाजित करके और प्रेरणा-निर्देशित पदानुक्रमित खोज (motivation-guided hierarchical search) का उपयोग करके दूर करता है, जिससे घातीय (exponential) से लघुगणकीय (logarithmic) तक की जटिलता को कम करते हुए स्केलेबल प्रशिक्षण और निरंतर टेस्ट-टाइम स्केलिंग सक्षम होती है।

मूल लेखक: Zonglin Yang, Lidong Bing

प्रकाशित 2026-03-05

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zonglin Yang, Lidong Bing

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 चतुर जासूस हैं जो एक ऐसे रहस्य को सुलझाने की कोशिश कर रहे हैं जिसे आज तक कभी सुलझाया नहीं गया है। आपके पास एक विशाल पुस्तकालय है जिसमें 1 करोड़ पुस्तकें (दुनिया का वैज्ञानिक ज्ञान) मौजूद हैं, और आपको एक बिल्कुल नई कहानी (एक वैज्ञानिक परिकल्पना) लिखनी है जो इन पुस्तकों से मिले सुरागों को इस तरह जोड़ती है जैसे पहले कभी किसी ने न किया हो।

समस्या क्या है? यदि आप पुस्तकालय के पन्नों को बेतरतीब ढंग से पलटते हुए एक सही संयोजन मिलने की उम्मीद में पूरी जिंदगी बिता देंगे, तो आप शायद कभी उत्तर नहीं खोज पाएंगे। यह वह "जटिलता की बाधा" (Complexity Barrier) है जिसके बारे में यह शोध पत्र बात करता है।

MOOSE-Star इस समस्या को कैसे हल करता है, इसे सरल शब्दों में यहाँ समझाया गया है:

1. समस्या: "भूसे के ढेर में सुई" वाला दुस्वप्न

लेखक बताते हैं कि एक मानक AI से केवल "एक नई खोज आविष्कार करने" के लिए कहना गणितीय रूप से असंभव है।

उपमा: कल्पना कीजिए कि आपको एक विशिष्ट घर बनाना है। आपके पास 1 करोड़ ईंटों का ढेर है। उस घर को बनाने के लिए, आपको उस ढेर में से ठीक 3 विशिष्ट ईंटें चुननी हैं और उन्हें आपस में जोड़ना है।
गणित: यदि आप एक साथ सही 3 ईंटों का अनुमान लगाने की कोशिश करते हैं, तो गलत संयोजनों की संख्या इतनी विशाल (खरबों-खरबों) है कि AI फंस जाता है। यह समुद्र तट पर अपनी आँखें बंद करके मुट्ठी भरकर एक विशिष्ट रेत के कण को खोजने जैसा है।

2. समाधान: कार्य को छोटे हिस्सों में तोड़ना (नुस्खा/विधि)

पूरे घर को एक ही बड़ी छलांग में बनाने के बजाय, MOOSE-Star इस काम को छोटे, प्रबंधनीय चरणों में तोड़ देता है। यह AI को दो चीजें अलग-अलग करने के लिए सिखाता है:

ईंट ढूँढना (Retrieval): एक अच्छी धारणा देने वाली वह एक विशिष्ट पुस्तक खोजने के लिए पुस्तकालय में खोज करना।
दीवार बनाना (Composition): उस विचार को लेना और यह समझना कि घर का अगला हिस्सा बनाने के लिए उसका उपयोग कैसे किया जाए।

इस चरण-दर-चरण प्रक्रिया के माध्यम से, AI को एक बार में पूरा उत्तर गेस नहीं करना पड़ता। उसे बस अगला सुराग ढूंढना है, फिर अगला, और फिर अगला।

3. MOOSE-Star की तीन महाशक्तियाँ

इस प्रक्रिया को तेज़ और स्मार्ट बनाने के लिए, यह सिस्टम तीन विशेष तरकीबों का उपयोग करता है:

A. "स्मार्ट मैप" (पदानुक्रमित खोज - Hierarchical Search)

पुराना तरीका: AI सही पुस्तक खोजने के लिए पुस्तकालय की हर एक किताब को एक-एक करके पढ़ता है। (बहुत धीमा!)
MOOSE-Star का तरीका: पुस्तकालय को एक विशाल, स्मार्ट वृक्ष संरचना (tree structure) में व्यवस्थित किया गया है।
- उपमा: एक विशाल सुपरमार्केट की हर गली में जाने के बजाय, आप एक स्मार्ट गाइड से पूछते हैं: "क्या दूध डेयरी सेक्शन में है?" गाइड कहता है: "हाँ।" आप डेयरी में जाते हैं। "क्या यह ठंडी गलियों में है?" "हाँ।" आप वहां जाते हैं।
- परिणाम: पूरी लाइब्रेरी खोजने के बजाय, AI केवल उस छोटे से हिस्से को देखता है जहाँ उत्तर छिपा हुआ है। यह एक ऐसी खोज को जो वर्षों ले सकती थी, सेकंडों में बदल देता है।

B. "फजी मैच" (सीमित संयोजन - Bounded Composition)

समस्या: कभी-कभी AI को बिल्कुल परफेक्ट किताब नहीं मिल पाती। उसे एक ऐसी किताब मिलती है जो लगभग सही है।
MOOSE-Star का तरीका: यह सिस्टम लचीला होने के लिए प्रशिक्षित है। यह सीखता है कि यदि इसे एक ऐसी किताब मिलती है जो परफेक्ट वाली से 90% समान है, तो भी यह समझ सकता है कि घर बनाने के लिए उसका उपयोग कैसे किया जाए।
उपमा: यदि आप एक विशिष्ट लाल लेगो (Lego) ईंट की तलाश कर रहे हैं, और आपको सटीक शेड नहीं मिलता, तो आप हार नहीं मानते। आप एक थोड़ी अलग लाल ईंट लेते हैं और उसे काम करने लायक बनाते हैं। AI एक मास्टर इम्प्रावाइज़र (तत्काल सुधार करने वाला) बनने के लिए प्रशिक्षित है।

C. "गेम प्लान" (प्रेरणा योजना - Motivation Planning)

समस्या: भले ही आपके पास नक्शा हो, लेकिन यदि आपको पता नहीं है कि आप क्या ढूंढ रहे हैं, तो आप पुस्तकालय के गलत हिस्से में भटक सकते हैं।
MOOSE-Star का तरीका: खोजने से पहले, AI एक छोटा "मिशन स्टेटमेंट" लिखता है। यह खुद से पूछता है: "मुझे अभी किस तरह के विचार की आवश्यकता है?"
उपमा: किराने के सामान के लिए जाने से पहले, आप एक सूची लिखते हैं। बिना किसी उद्देश्य के भटकने के बजाय, आप सीधे फलों और सब्जियों वाले सेक्शन में जाते हैं क्योंकि आपकी सूची कहती है "सेब"। यह AI को "बायोलॉजी" की किताब की जरूरत होने पर "स्पेस" की किताबों को देखने में समय बर्बाद करने से रोकता है।

4. परिणाम: "असंभव" से "संभव" तक

शोध पत्र दिखाता है कि इन तरकीबों के बिना, AI एक "जटिलता की दीवार" (Complexity Wall) से टकरा जाता है। यदि किसी खोज के लिए तीन अलग-अलग विचारों को जोड़ने की आवश्यकता है, तो एक मानक AI 99% बार विफल हो जाता है क्योंकि गणित बहुत कठिन है।

लेकिन MOOSE-Star के साथ:

यह अटकता नहीं है।
यह जितना अभ्यास करता है, उतना ही बेहतर होता जाता है।
यह उन जटिल, बहु-चरणीय खोजों को हल कर सकता है जो पहले कंप्यूटरों के लिए सीखना असंभव था।

सारांश

MOOSE-Star एक जासूस को एक स्मार्ट मैप, एक लचीला टूलकिट और एक स्पष्ट मिशन प्लान देने जैसा है। उत्तरों के लिए पूरी दुनिया को अंधाधुंध खोजने के बजाय, इसे पता है कि कहाँ देखना है, अधूरे सुरागों को कैसे संभालना है, और चरण-दर-चरण समाधान कैसे बनाना है। यह AI की क्षमता को अनलॉक करता है ताकि वह वास्तव में मनुष्यों को नए वैज्ञानिक सत्यों की खोज करने में मदद कर सके।

यहाँ शोध पत्र "MOOSE-Star: Unlocking Tractable Training for Scientific Discovery by Breaking the Complexity Barrier" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र वैज्ञानिक खोज के लिए लार्ज लैंग्वेज मॉडल्स (LLMs) के उपयोग में एक मौलिक बाधा को संबोधित करता है: कंडीशनल प्रोबेबिलिटी $P(hypothesis|background) $यानी$ P(h|b)$ को सीधे प्रशिक्षित करने की गणितीय जटिलता (mathematical intractability)।

मुख्य मुद्दा: वैज्ञानिक खोज को एक रिसर्च बैकग्राउंड ( $b$ ) को $k$ लेटेंट इंस्पिरेशन्स ( $i_1, ..., i_k$ ) के अनुक्रम के साथ संयोजित करने के रूप में देखा जाता है, जो एक वैश्विक ज्ञान आधार (global knowledge base) के आकार $N$ (जैसे, $N \approx 10^7$ पेपर्स) से प्राप्त किए जाते हैं।
कॉम्बिनेटोरियल एक्सप्लोजन (Combinatorial Explosion): $P(h|b)$ $P (h ∣ b)$ को सीधे मॉडल करने के लिए मॉडल को ज्ञान आधार के कार्टेशियन उत्पाद (Cartesian product) $I^k$ $I^{k}$ की खोज करनी पड़ती है। इसके परिणामस्वरूप खोज स्थान (search space) की जटिलता $O(N^k)$ हो जाती है।
- उदाहरण के लिए, $10^7$ पेपर्स की लाइब्रेरी से 3 इंस्पिरेशन्स ( $k=3$ ) की आवश्यकता वाले विशिष्ट खोज के लिए, खोज स्थान $\approx 10^{21}$ होगा।
ट्रेनिंग डेडलॉक (Training Deadlock): मौजूदा विधियाँ जनरेटिव रीजनिंग प्रक्रिया को मॉडल करने के बजाय बाहरी फीडबैक (जैसे, क्रिटिक मॉडल्स, डेटा अलाइनमेंट) पर निर्भर करती हैं। डायरेक्ट एंड-टू-एंड ट्रेनिंग विफल हो जाती है क्योंकि वैध रीजनिंग ट्रेसेस को ब्रूट-फोर्स के माध्यम से सांख्यिकीय रूप से संभव तरीके से सैंपल करना असंभव है, जिससे एक "कॉम्प्लेक्सिटी वॉल" (जटिलता की दीवार) बन जाती है जहाँ जटिलता बढ़ने के साथ सफलता दर शून्य के करीब पहुँच जाती है।

2. कार्यप्रणाली: MOOSE-Star फ्रेमवर्क (Methodology)

इस बाधा को तोड़ने के लिए, लेखक MOOSE-Star प्रस्तावित करते हैं, जो प्रोबेबिलिस्टिक डिकंपोजिशन और चार प्रमुख एल्गोरिथमिक नवाचारों के माध्यम से इस दुर्बोध (intractable) उद्देश्य को एक समाधान योग्य रूप में बदल देता है।

A. सैद्धांतिक अपघटन (Theoretical Decomposition)

$P(h|b)$ को अखंड रूप से मॉडल करने के बजाय, यह फ्रेमवर्क चेन रूल के आधार पर जनरेशन प्रक्रिया को $k$ क्रमिक चरणों में विभाजित करता है:
$P(h | b) \approx \prod_{j=1}^{k} P(i_j | b, h_{j-1}, I) \cdot P(h_j | b, h_{j-1}, i_j)$
यह जटिलता को $O(N^k)$ से घटाकर $O(k \times N)$ कर देता है, जो कार्य को दो भागों में विभाजित करता है:

इंस्पिरेशन रिट्रीवल (Inspiration Retrieval - IR): सही प्रेरणा $i_j$ को खोजना।
हाइपोथेसिस कंपोजिशन (Hypothesis Composition - HC): रिट्रीव की गई प्रेरणा $i_j$ के आधार पर हाइपोथेसिस अपडेट $\Delta h_j$ को जेनरेट करना।

B. जटिलता कम करने के लिए चार प्रमुख नवाचार

लीनियर डिकंपोजिशन के बाद भी, $N \approx 10^7$ पेपर्स को स्कैन करना गणनात्मक रूप से कठिन है। MOOSE-Star इस प्रक्रिया को और अनुकूलित करने के लिए तीन तंत्र पेश करता है:

बाउंडेड कंपोजिशन (Bounded Composition - रिट्रीवल बाधा को शिथिल करना):
- सटीक ग्राउंड-ट्रुथ इंस्पिरेशन $i^*$ की आवश्यकता के बजाय, मॉडल को आकार $M$ के "सेमेंटिक टॉलरेंस स्पेस" के प्रति सुदृढ़ (robust) होने के लिए प्रशिक्षित किया जाता है।
- यदि रिट्रीवर $i^*$ के सेमेंटिक पड़ोस में कोई भी प्रेरणा प्रदान करता है, तो कंपोजिशन मॉड्यूल शोर (noise) के बीच से सही हाइपोथेसिस को रिकवर कर सकता है।
- जटिलता प्रभाव: रिट्रीवल जटिलता को $O(N)$ से घटाकर $O(N/M)$ कर देता है, जबकि कंपोजिशन लागत $O(M)$ बढ़ जाती है। चूंकि $N \gg M$ , यह एक शुद्ध लाभ है।
हायरार्किकल सर्च (Hierarchical Search - लॉगरिदमिक रिट्रीवल):
- लीनियर स्कैनिंग के स्थान पर साहित्य के पदानुक्रमित K-मीन्स क्लस्टरिंग (hierarchical K-means clustering) द्वारा निर्मित सेमेंटिक ट्री पर बेस्ट-फर्स्ट सर्च (Best-First Search) का उपयोग करता है।
- मॉडल ट्री में ऊपर से नीचे की ओर नेविगेट करता है, और अप्रासंगिक शाखाओं को जल्दी हटा (pruning) देता है।
- जटिलता प्रभाव: रिट्रीवल जटिलता को $O(N/M)$ से घटाकर बेस्ट केस में $O(\log N / M)$ कर देता है।
मोटिवेशन प्लानिंग (Motivation Planning - गाइडेड सर्च):
- रिट्रीवल से पहले बैकग्राउंड $b$ से प्राप्त एक "मोटिवेशन" वेरिएबल ( $m$ ) पेश करता है।
- यह एक उच्च-स्तरीय इंटेंट फ़िल्टर के रूप में कार्य करता है, जो खोज को विशिष्ट सेमेंटिक मैनिफोल्ड्स की ओर निर्देशित करता है और प्रभावी खोज स्थान को $N$ से घटाकर एक छोटे सबस्पेस $N_m$ में बदल देता है।
- जटिलता प्रभाव: यह $O(1)$ प्लानिंग स्टेप जोड़ता है लेकिन खोज टर्म में प्रभावी $N$ को काफी कम कर देता है।

C. डेटासेट निर्माण: TOMATO-STAR

इस फ्रेमवर्क को प्रशिक्षित करने के लिए, लेखकों ने 108,717 वैज्ञानिक पेपर्स (बायोलॉजी, केमिस्ट्री, कॉग्निटिव साइंस) का TOMATO-STAR डेटासेट जारी किया है, जिसे स्ट्रक्चर्ड टुपल्स में प्रोसेस किया गया है:

बैकग्राउंड ( $b$ ): रिसर्च प्रश्न और पूर्व विधियाँ।
इंस्पिरेशन्स ( $i$ ): विशिष्ट "डेल्टा हाइपोथेसिस" से जुड़े ग्राउंड-ट्रुथ साइटेशन्स।
हाइपोथेसिस ( $h$ ): तीन स्तरों (मोटिवेशन, मैकेनिज्म, और मेथोडोलॉजी) के साथ इंक्रीमेंटल डेल्टा ( $\Delta h$ ) के रूप में संरचित।
स्केल: 38,400 GPU घंटों (A800) का उपयोग करके जेनरेट किया गया।

3. मुख्य योगदान (Key Contributions)

सैद्धांतिक विश्लेषण: पहला औपचारिक प्रमाण कि कॉम्बिनेटोरियल जटिलता ( $O(N^k)$ ) के कारण $P(h|b)$ को प्रशिक्षित करना दुर्बोध (intractable) है।
ट्रेनिंग रेसिपी: एक नया फ्रेमवर्क जो समस्या को IR और HC सब-टास्क में विभाजित करके वैज्ञानिक खोज के ट्रेक्टेबल और स्केलेबल प्रशिक्षण को सक्षम बनाता है।
इन्फरेंस रेसिपी: पदानुक्रमित खोज (hierarchical search) और मोटिवेशन प्लानिंग का उपयोग करते हुए एक स्केलेबल टेस्ट-टाइम इन्फरेंस रणनीति, जो ब्रूट-फोर्स सैंपलिंग की "कॉम्प्लेक्सिटी वॉल" से बचती है।
संसाधन: TOMATO-STAR डेटासेट, पूर्ण कोडबेस, और प्रशिक्षित मॉडल्स (MS-IR-7B, MS-HC-7B) की उपलब्धता।

4. प्रयोगात्मक परिणाम (Experimental Results)

शोध पत्र डेटा कंटैमिनेशन को रोकने के लिए अक्टूबर 2025 के होल्ड-आउट टेस्ट सेट पर फ्रेमवर्क का मूल्यांकन करता है।

डिकंपोज्ड ट्रेनिंग प्रभावशीलता:
- इंस्पिरेशन रिट्रीवल (IR): फाइन-ट्यून्ड मॉडल्स ने 54.37% सटीकता प्राप्त की, जो बेसलाइन (28.42%) और रैंडम सिलेक्शन (6.70%) की तुलना में भारी सुधार है।
- हाइपोथेसिस कंपोजिशन (HC): डिकंपोज्ड दृष्टिकोण ने वैध हाइपोथेसिस इंक्रीमेंट्स जेनरेट करने के लिए 47.33% पास रेट हासिल किया, जबकि मल्टी-स्टेप कार्यों ( $k \ge 3$ ) के लिए ब्रूट-फोर्स एंड-टू-एंड जनरेशन का परिणाम 0.00% रहा।
- बाउंडेड कंपोजिशन: नॉइजी (प्रॉक्सी) इंस्पिरेशन्स के साथ ट्रेनिंग ने मजबूती (robustness) में सुधार किया, जिससे मॉडल को रिट्रीवल दोषपूर्ण होने पर भी उच्च प्रदर्शन बनाए रखने में मदद मिली।
खोज दक्षता (Search Efficiency):
- हायरार्किकल सर्च: टूर्नामेंट बेसलाइन (218.00) की तुलना में औसत IR इन्फरेंस कॉल्स को 3 गुना कम करके (67.78) कम कर दिया, जबकि उच्च रिट्रीवल सटीकता बनाए रखी।
- मोटिवेशन प्लानिंग: विस्तृत मोटिवेशन प्लानिंग ने इन्फरेंस कॉल्स को और कम किया और रिट्रीव की गई प्रेरणा की रैंक में सुधार किया।
स्केलिंग व्यवहार (Scaling Behavior):
- ट्रेनिंग स्केलिंग: IR मॉडल ने डेटा साइज के साथ लॉग-लीनियर सुधार दिखाया। HC मॉडल ने एक थ्रेशोल्ड प्रभाव दिखाया, जिसे लॉग-लीनियर लाभ प्रदर्शित करने के लिए $>10^3$ सैंपल्स की आवश्यकता थी, जो बड़े पैमाने पर डिकंपोज्ड डेटा की आवश्यकता की पुष्टि करता है।
- टेस्ट-टाइम स्केलिंग: MOOSE-Star ने निरंतर स्केलिंग (continuous scaling) प्रदर्शित की, जो लगभग 6,000 इन्फरेंस कॉल्स के साथ टेस्ट सेट पर 100% सफलता दर तक पहुँच गई। इसके विपरीत, ब्रूट-फोर्स सैंपलिंग ~41.3% पर संतृप्त (saturate) हो गई और जटिल 3-स्टेप समस्याओं के लिए <10% तक गिर गई, जो "कॉम्प्लेक्सिटी वॉल" की पुष्टि करती है।

5. महत्व (Significance)

पैराडाइम शिफ्ट: वैज्ञानिक खोज प्रशिक्षण को "फीडबैक-ड्रिवन रिफाइनमेंट" से बदलकर "डायरेक्ट जेनेरेटिव मॉडलिंग" की ओर ले जाता है, जिसे पहले गणितीय रूप से असंभव माना जाता था।
स्केलेबिलिटी: यह सिद्ध करता है कि वैज्ञानिक खोज को एक दुर्बोध खोज समस्या से एक प्रबंधनीय, लॉगरिदमिक खोज प्रक्रिया में बदला जा सकता है।
सामान्यीकरण (Generalizability): फ्रेमवर्क सुझाव देता है कि LLMs केवल विशिष्ट तथ्यों को याद करने के बजाय एक सामान्य "डिस्कवरी लॉजिक" (अर्थपूर्ण जुड़ाव की पहचान करना) सीख सकते हैं, जैसा कि आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) कार्यों पर निरंतर स्केलिंग से प्रमाणित होता है।
संसाधन उपलब्धता: TOMATO-STAR का प्रकाशन समुदाय को AI-संचालित वैज्ञानिक खोज को आगे बढ़ाने के लिए एक महत्वपूर्ण बुनियादी ढांचा प्रदान करता है।

संक्षेप में, MOOSE-Star यह सिद्ध करता है कि खोज प्रक्रिया को गणितीय रूप से विघटित करके और पदानुक्रमित एवं निर्देशित खोज रणनीतियों को अपनाकर, LLMs को नवीन वैज्ञानिक हाइपोथेसिस कुशलतापूर्वक जेनरेट करने के लिए प्रशिक्षित करना संभव है, जिससे उन कॉम्बिनेटोरियल बाधाओं को दूर किया जा सकता है जिन्होंने पहले इस क्षेत्र में AI को सीमित कर रखा था।