💻 computer science

Designing Any Imaging System from Natural Language: Agent-Constrained Composition over a Finite Primitive Basis

यह शोध पत्र एक स्वायत्त बहु-एजेंट प्रणाली और एक संरचित विनिर्देश प्रारूप प्रस्तुत करता है जो प्राकृतिक भाषा विवरणों को मान्य कम्प्यूटेशनल इमेजिंग डिजाइनों में अनुवादित करता है, विशेषज्ञ-स्तरीय गुणवत्ता प्राप्त करता है और नवीन संरचनात्मक मोडैलिटीज़ को सक्षम बनाता है, जबकि पुनर्निर्माण त्रुटियों को सीमित करने के लिए एक सैद्धांतिक ढांचा प्रदान करता है।

मूल लेखक: Chengshuai Yang

प्रकाशित 2026-03-27

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Chengshuai Yang

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 कस्टम कैमरा बनाना चाहते हैं। अतीत में, यदि आप एक नया प्रकार का मेडिकल स्कैनर या एक सुपर-पॉवरफुल माइक्रोस्कोप डिजाइन करना चाहते थे, तो आपको पीएचडी भौतिकविदों (physicists) और इंजीनियरों की एक टीम की आवश्यकता होती थी। वे हफ्तों या महीनों तक हजारों लाइनों का जटिल कोड लिखने, नंबरों को ट्यून करने और हार्डवेयर का परीक्षण करने में बिता देते थे ताकि यह सुनिश्चित हो सके कि गणित वास्तव में काम कर रहा है। यदि आपसे एक छोटी सी भी गलती होती, तो पूरी इमेज धुंधली या बेकार हो जाती।

यह पेपर एक "मैजिक आर्किटेक्ट" (Magic Architect) पेश करता है जो यह सारा काम आपके लिए मिनटों में कर देता है।

यह कैसे काम करता है, यहाँ सरल अवधारणाओं में दिया गया है:

1. प्रकाश के "लेगो" (The "Lego" of Light - The Finite Primitive Basis)

हर इमेजिंग सिस्टम (CT स्कैन, MRI मशीन, कैमरा, माइक्रोस्कोप) को एक विशाल, जटिल मशीन के रूप में सोचें। लेखकों ने खोजा है कि आपको हर काम के लिए एक नई मशीन आविष्कार करने की आवश्यकता नहीं है। इसके बजाय, केवल 11 बुनियादी "लेगो ब्रिक्स" (जिन्हें प्रिमिटिव्स कहा जाता है) हैं जो सभी इमेजिंग सिस्टम्स को बनाते हैं।

ये ब्रिक्स ऐसी चीजें हैं जैसे:

प्रोजेक्ट करना (Projecting): एक छाया दिखाना (जैसे CT स्कैन)।
रंगों को फैलाना (Spreading out): जैसे एक प्रिज्म।
लहरों को हिलाना (Wiggling): जैसे ध्वनि या रेडियो तरंगें।
सिग्नल का पता लगाना (Detecting): सिग्नल को पकड़ना।

चाहे मशीन कितनी भी जटिल क्यों न हो, यह इन 11 ब्रिक्स को एक विशिष्ट क्रम में जोड़कर ही बनी है। यह पेपर सिद्ध करता है कि यदि आप एक सिस्टम को इन 11 ब्रिक्स का उपयोग करके वर्णित कर सकते हैं, तो आप इसे बना सकते हैं।

2. तीन रोबोट वर्कर (The Three Agents)

यह सिस्टम तीन AI "एजेंट्स" (रोबोट्स) का उपयोग करता है जो एक निर्माण दल (construction crew) की तरह मिलकर काम करते हैं:

द प्लानर (The Planner - AP): आप एक साधारण वाक्य टाइप करते हैं जैसे, "मुझे एक ऐसा कैमरा चाहिए जो बिना काटे फल के अंदर देख सके कि उसमें सड़न तो नहीं है।" प्लानर इस वाक्य को एक सख्त, तकनीकी ब्लूप्रिंट में अनुवादित करता है जिसे spec.md कहा जाता है। यह सही लेगो ब्रिक्स चुनता है और उन्हें एक साथ जोड़ता है।
द जज (The Judge - AJ): यह एक सख्त निरीक्षक (inspector) है। कुछ भी बनाने से पहले, जज ब्लूप्रिंट की तीन "सेफ्टी गेट्स" (Safety Gates) के विरुद्ध जांच करता है:
1. रिकवरेबिलिटी (Recoverability): "क्या हमने पर्याप्त तस्वीरें ली हैं ताकि पहेली को वास्तव में हल किया जा सके?"
2. कैरियर बजट (Carrier Budget): "क्या प्रकाश/सिग्नल इतना मजबूत है कि उसे देखा जा सके?"
3. मिसमैच (Mismatch): "क्या हमारा गणित वास्तविक भौतिकी (physics) से मेल खाता है?"
  यदि ब्लूप्रिंट विफल हो जाता है, तो जज इसे ठीक करने के लिए वापस प्लानर को भेज देता है। वे इसे स्वचालित रूप से तब तक करते हैं जब तक कि यह पास न हो जाए।
द एक्सेक्यूटर (The Executor - AE): एक बार जब ब्लूप्रिंट स्वीकृत हो जाता है, तो यह रोबोट वास्तविक इमेज रिकंस्ट्रक्शन एल्गोरिदम बनाता है और उसका परीक्षण करता है।

3. "एरर रसीद" (The "Error Receipt" - The Theorem)

आमतौर पर, जब कोई इमेज धुंधली होती है, तो आपको पता नहीं होता कि क्यों। क्या यह कैमरा है? गणित है? या लाइटिंग?

यह पेपर एक 5-भाग वाली "एरर रसीद" पेश करता है। यह बिल्कुल स्पष्ट करता है कि एक इमेज क्यों अधूरी हो सकती है, इसे पांच विशिष्ट श्रेणियों (buckets) में विभाजित किया गया है:

लेगो लिमिट (The Lego Limit): क्या हमने सही ब्रिक्स का उपयोग किया?
ब्लूप्रिंट (The Blueprint): क्या निर्देश स्पष्ट थे?
ट्रांसलेशन (The Translation): क्या हमने वाक्य को गलत समझा?
सेटिंग्स (The Settings): क्या हमने नॉब्स (पैरामीटर्स) को सही ढंग से ट्यून किया?
अननोन (The Unknown): क्या कोई ऐसी भौतिकी है जिसे हमने ध्यान में नहीं रखा?

यदि इमेज खराब है, तो सिस्टम आपको ठीक-ठीक बताएगा कि कौन सा हिस्सा लीक हो रहा है ताकि आप केवल उसी हिस्से को ठीक कर सकें। यह एक मैकेनिक की तरह है जो आपको कहता है, "आपकी कार इसलिए नहीं चल रही क्योंकि बैटरी डेड है," बजाय इसके कि वह सिर्फ यह कहे कि "कार खराब है।"

4. परिणाम: "विशेषज्ञों तक सीमित" से "किसी के लिए भी" तक

टीम ने 173 अलग-अलग प्रकार के इमेजिंग सिस्टम्स (X-ray से लेकर इलेक्ट्रॉन माइक्रोस्कोप तक) पर इसका परीक्षण किया।

गति (Speed): जिस काम में विशेषज्ञों को हफ्तों लगते थे, अब AI उसे मिनटों में कर देता है।
गुणवत्ता (Quality): AI द्वारा बनाई गई इमेज मानव विशेषज्ञों द्वारा बनाई गई इमेज जितनी ही 98% अच्छी होती हैं।
नई रचनाएँ (New Creations): AI ने केवल पुराने कैमरों की नकल नहीं की; इसने 10 नए प्रकार के कैमरे भी बनाए जिन्हें पहले किसी इंसान ने डिजाइन नहीं किया था, जो एक ही झटके में 5D डेटा (3D स्पेस + रंग + समय) कैप्चर करने में सक्षम हैं।

बड़ा चित्र एनालॉजी (The Big Picture Analogy)

कल्पte कीजिए कि एक इमेजिंग सिस्टम को डिजाइन करना पहले शून्य से एक सिम्फनी लिखने जैसा था। आपको एक मास्टर कंपोजर की आवश्यकता होती थी जो हर वाद्य यंत्र, हर नोट और संगीत सिद्धांत के हर नियम को जानता हो।

यह पेपर आपको एक स्मार्ट म्यूजिक ऐप देता है। आप बस एक धुन गुनगुनाते हैं (नेचुरल लैंग्वेज), और ऐप:

सही वाद्य यंत्र चुनता है (लेगो ब्रिक्स)।
जाँचता है कि क्या गाना बजाने योग्य है (द जज)।
शीट म्यूजिक लिखता है (द स्पेक)।
गाने को पूरी तरह से बजाता है (द एक्सेक्यूटर)।

यह विज्ञान का लोकतंत्रीकरण करता है। अब, एक जीवविज्ञानी (biologist) या डॉक्टर बिना गणित का जादूगर बने अपना खुद का कस्टम इमेजिंग टूल डिजाइन कर सकता है। उन्हें बस इतना जानना है कि वे क्या देखना चाहते हैं।

यहाँ शोध पत्र "Designing Any Imaging System from Natural Language: Agent-Constrained Composition over a Finite Primitive Basis" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

कंप्यूटेशनल इमेजिंग सिस्टम को डिजाइन करना (ऑपरेटर्स का चयन करना, पैरामीटर्स सेट करना और निरंतरता को सत्यापित करना) वर्तमान में प्रति मोडैलिटी हफ्तों के विशेष प्रयास की मांग करता है। यह एक विशेषज्ञता संबंधी बाधा (expertise bottleneck) पैदा करता है जो व्यापक वैज्ञानिक समुदाय को नए इमेजिंग उपकरणों का प्रोटोटाइप बनाने से रोकता है। जबकि एक पूरक शोध पत्र ने यह स्थापित किया था कि 11 मानक "प्रिमिटिव्स" (primitives) 170+ मोडैलिटीज में किसी भी इमेजिंग फॉरवर्ड मॉडल का प्रतिनिधित्व कर सकते हैं, चुनौती यह बनी रही: प्राकृतिक भाषा की मंशा (intent) से एक सत्यापित, वास्तविक दुनिया के सिस्टम डिज़ाइन तक कैसे पहुँचा जाए, जिसमें पुनर्निर्माण त्रुटि (reconstruction error) सीमित हो।

2. कार्यप्रणाली (Methodology)

लेखक एक ऐसा ढांचा प्रस्तावित करते हैं जो एक संरचित विनिर्देश प्रारूप (structured specification format) और एक तीन-एजेंट स्वायत्त पाइपलाइन का उपयोग करके प्राकृतिक भाषा और भौतिक वास्तविकता के बीच के अंतर को पाटता है।

A. परिमित प्रिमिटिव बेसिस (The Finite Primitive Basis - FPB)

यह प्रणाली एक पूरक प्रमेय पर निर्भर करती है जो यह बताती है कि 11 मानक प्रिमिटिव्स (जैसे, प्रोजेक्शन, फूरियर एनकोड, मॉड्यूलेट, कन्वोल्व, डिटेक्ट) 5 कैरियर परिवारों (फोटोन, एक्स-रे, इलेक्ट्रॉन, ध्वनिक, स्पिन/पार्टिकल) में किसी भी इमेजिंग फॉरवर्ड मॉडल का प्रतिनिधित्व करने के लिए पर्याप्त हैं, जिसमें प्रतिनिधित्व त्रुटि $\epsilon_{FPB} < 0.01$ है। इन प्रिमिटिव्स को चार फिडेलिटी टियर्स (Tier-0 ज्यामितीय से Tier-3 पूर्ण-भौतिकी तक) में लागू किया गया है।

B. `spec.md` विनिर्देश प्रारूप (The `spec.md` Specification Format)

मुख्य आर्टिफैक्ट spec.md है, जो एक संरचित 8-फील्ड मार्कडाउन प्रारूप है जो इमेजिंग समस्या को कार्यान्वयन से अलग करता है:

मोडैलिटी, कैरियर, ज्योमेट्री, ऑब्जेक्ट, फॉरवर्ड मॉडल, नॉइज़, टारगेट: भौतिकी की परिभाषाएँ।
सिस्टम तत्व (System Elements): हार्डवेयर बाधाएं (सोर्स पावर, डिटेक्टर QE, ऑप्टिक्स) जो विनिर्देश को व्यवहार्यता और लागत से जोड़ती हैं।
महत्व: यह प्रारूप एक साझा करने योग्य, सहकर्मी-समीक्षा योग्य वैज्ञानिक आर्टिफैक्ट के रूप में कार्य करता है, जैसा कि FASTA ने जीनोमिक्स को मानकीकृत किया था।

C. तीन-एजेंट पाइपलाइन (The Three-Agent Pipeline)

डिजाइन प्रक्रिया को तीन विशिष्ट एजेंटों द्वारा स्वचालित किया जाता है:

प्लान एजेंट ( $A_P$ ): एक वाक्य के प्राकृतिक भाषा प्रॉम्प्ट को एक spec.md में अनुवादित करता है। यह 173 मोडैलिटीज के रजिस्ट्री से FPB प्रिमिटिव्स, पैरामीटर्स और नॉइज़ मॉडल का चयन करता है।
जज एजेंट ( $A_J$ ): एक कठोर तीन-चरणीय प्रक्रिया के माध्यम से डिजाइन को सत्यापित करता है:
- स्ट्रक्चरल कंपाइलर (6 जाँच): DAG अचक्रीयता (acyclicity), चेन फिडेलिटी, जटिलता सीमा, गैर-रेखीय बाधाएं, एडजॉइंट निरंतरता और प्रतिनिधित्व त्रुटि को सत्यापित करता है।
- ट्रायड गेट्स (3 नियत जाँच):
  - गेट 1 (रिकवरेबिलिटी): सुनिश्चित करता है कि मापन ज्यामिति पर्याप्त जानकारी कैप्चर करती है (कंप्रेशन बाउंड)।
  - गेट 2 (कैरियर बजट): सुनिश्चित करता है कि हार्डवेयर विशिष्टताओं के आधार पर SNR शोर के स्तर (noise floor) से अधिक है।
  - गेट 3 (ऑपरेटर मिसमैच): जाँचता है कि क्या फॉरवर्ड मॉडल अंशांकन सहनशीलता (calibration tolerances) को देखते हुए इच्छित भौतिकी का सटीक प्रतिनिधित्व करता है।
- व्यवहार्यता/लागत: हार्डवेयर लागत और वास्तविकता का अनुमान लगाता है।
- फीडबैक लूप: यदि जाँच विफल होती है, तो $A_P$ विनिर्देश को पुन: उत्पन्न करता है (3 राउंड तक) या निदान (diagnostics) उपयोगकर्ता को वापस भेजता है।
एग्जीक्यूट एजेंट ( $A_E$ ): पुनर्निर्माण एल्गोरिदम (जैसे, FISTA-TV, GAP-TV) का चयन करता है, पुनर्निर्माण निष्पादित करता है, और विश्लेषणात्मक अनुमानों (कंडीशन नंबर्स) और कैलिब्रेटेड लुकअप का उपयोग करके गुणवत्ता का अनुमान लगाता है।

D. डिजाइन-टू-रियल एरर थ्योरम (Design-to-Real Error Theorem - Theorem 1)

यह शोध पत्र एक औपचारिक त्रुटि अपघटन प्रमेय पेश करता है जो कुल पुनर्निर्माण त्रुटि ( $\|\hat{x} - x^*\|$ ) को पांच स्वतंत्र रूप से मापने योग्य पदों में विभाजित करता है:

$\epsilon_{FPB}$ : बेस प्रतिनिधित्व त्रुटि (प्रिमिटिव लाइब्रेरी द्वारा सीमित)।
$\epsilon_{spec}$ : विनिर्देश त्रुटि (यदि कंपाइलर जाँच पास हो तो शून्य)।
$\epsilon_{trans}$ : ट्रांसलेशन त्रुटि (यदि श्रृंखला कैनोनिकल रजिस्ट्री से मेल खाती है तो शून्य)।
$\epsilon_{param}$ : पैरामीटर मिसमैच त्रुटि (अंशांकन द्वारा कम करने योग्य)।
$\epsilon_{unmod}$ : अनमॉडल भौतिकी त्रुटि (उच्च फिडेलिटी मॉडल के लिए "टियर-लिफ्टिंग" द्वारा कम करने योग्य)।
$\epsilon_{recon}$ : अपरिहार्य शोर/बायस (Irreducible noise floor/bias)।

यह प्रमेय एक "डिजाइन-टू-डिप्लॉयमेंट डायग्नोस्टिक" के रूप में कार्य करता है, जो विशिष्ट त्रुटि पदों को सुधारात्मक कार्रवाइयों (जैसे, यदि $\epsilon_{param}$ हावी है, तो अंशांकन करें; यदि $\epsilon_{unmod}$ हावी है, तो भौतिकी टियर को ऊपर उठाएं) से जोड़ता है।

3. मुख्य परिणाम (Key Results)

सत्यापन दायरा (Validation Scope): पाइपलाइन का परीक्षण सभी 5 कैरियर परिवारों में 173 मोडैलिटीज पर किया गया।
- 100% ने स्ट्रक्चरल कंपाइलर जाँच पास की।
- 39 मोडैलिटीज का मात्रात्मक पुनर्निर्माण सत्यापन किया गया।
- 6 मोडैलिटीज (CT, MRI, CASSI, Ultrasound, E-ptychography, PET) को वास्तविक मापे गए डेटा पर सत्यापित किया गया।
विशेषज्ञ बनाम प्रदर्शन (Performance vs. Experts):
- वास्तविक डेटा पर, स्वचालित पाइपलाइन ने विशेषज्ञ-डिजाइन किए गए सिस्टम की गुणवत्ता (PSNR द्वारा मापा गया) का 98.1 ± 4.2% प्राप्त किया।
- समय दक्षता (Time Efficiency): एजेंटों ने डिजाइन समय को 190x से 420x तक कम कर दिया (मिनटों बनाम हफ्तों/दिनों)।
- त्रुटि सीमाएं (Error Bounds): अनुमानित त्रुटि सीमाएं सटीक थीं, जिसमें टाइटनेस रेशियो $\tau$ (अनुमानित/प्रेक्षित) का माध्य 2.9 था, जो दर्शाता है कि सीमा प्रमुख विफलता तंत्रों को पकड़ती है।
नवीन सिस्टम डिजाइन: एजेंटों ने 10 नवीन सिस्टम सफलतापूर्वक डिजाइन किए जो पहले साहित्य में नहीं थे, जो एकल 2D स्नैपशॉट से 5D डेटाक्यूब्स (x, y, z, $\lambda$ , t) को पुनः प्राप्त करने के लिए 5 ऑपरेटरों तक की श्रृंखला में प्रिमिटिव्स को संयोजित करते हैं।
एब्लेशन अध्ययन (Ablation Study): किसी भी एकल एजेंट (Plan, Judge, या Execute) को हटाने से महत्वपूर्ण विफलता दरें देखी गईं (जैसे, Judge के बिना, 12/12 में से 4 डिजाइन भौतिक रूप से अमान्य थे; Execute के बिना, PSNR 2.1 dB गिर गया)।

4. महत्व और योगदान (Significance and Contributions)

इमेजिंग डिजाइन का लोकतंत्रीकरण: प्राकृतिक भाषा को सत्यापित फॉरवर्ड मॉडल में बदलकर, यह ढांचा विशेषज्ञता की बाधा को हटा देता है, जिससे गैर-विशेषज्ञों को जटिल इमेजिंग उपकरणों का प्रोटोटाइप बनाने की अनुमति मिलती है।
मानकीकरण (spec.md): यह इमेजिंग सिस्टम विनिर्देशों के लिए एक "FAIR" (Findable, Accessible, Interoperable, Reusable) मानक स्थापित करता है, जो भौतिकी को कोड और हार्डवेयर से अलग करता है।
औपचारिक त्रुटि गारंटी: डिजाइन-टू-रियल एरर थ्योरम उपयोगकर्ता की मंशा और सिस्टम के प्रदर्शन के बीच एक गणितीय अनुबंध प्रदान करता है, जो यह पहचानने के लिए एक नैदानिक उपकरण के रूप में कार्य करता है कि सिस्टम क्यों खराब प्रदर्शन कर सकता है (जैसे, अंशांकन बनाम अनमॉडल भौतिकी)।
कंपोजिशनल रीच (Compositional Reach): सिस्टम यह प्रदर्शित करता है कि जटिल, उच्च-आयामी इमेजिंग समस्याओं (5D) को प्रिमिटिव्स के एक सीमित सेट को संयोजित करके हल किया जा सकता है, जो 'फिनाइट प्रिमिटिव बेसिस' की सार्वभौमिकता को सिद्ध करता है।
टियर-लिफ्टिंग रणनीति (Tier-Lifting Strategy): यह ढांचा स्कैटरिंग-प्रधान प्रणालियों को संभालने के लिए एक प्रोटोकॉल पेश करता है, जो पुनर्निर्माण के दौरान ज्यामितीय से पूर्ण-भौतिकी मॉडल में गतिशील रूप से स्विच करता है, जो सरल डिजाइन और जटिल वास्तविकता के बीच के अंतर को पाटता है।

निष्कर्ष (Conclusion)

यह कार्य कंप्यूटेशनल इमेजिंग में एक प्रतिमान बदलाव (paradigm shift) का प्रतिनिधित्व करता है, जो मैनुअल, मोडैलिटी-विशिष्ट इंजीनियरिंग से स्वचालित, विनिर्देश-संचालित डिजाइन प्रक्रिया की ओर बढ़ता है। एक सीमित प्रिमिटिव बेसिस, एक संरचित विनिर्देश भाषा और एक बहु-एजेंट सत्यापन पाइपलाइन को जोड़कर, लेखकों ने एक ऐसा सिस्टम बनाया है जो विशेषज्ञ गुणवत्ता से मेल खाता है, जबकि विकास के समय को नाटकीय रूप से कम करता है और नवीन इमेजिंग मोडैलिटीज की खोज को सक्षम बनाता है।