← नवीनतम पेपर
🤖 AI

Mimosa Framework: Toward Evolving Multi-Agent Systems for Scientific Research

यह शोध पत्र मिमोसा (Mimosa) को प्रस्तुत करता है, जो एक ओपन-सोर्स, विकसित होता हुआ मल्टी-एजेंट फ्रेमवर्क है जो प्रयोगात्मक फीडबैक और मॉडल कॉन्टेक्स्ट प्रोटोकॉल के माध्यम से वैज्ञानिक अनुसंधान वर्कफ़्लो को गतिशील रूप से संश्लेषित और पुनरावृत्ति से परिष्कृत करता है, जिससे ऑडिटेबिलिटी और विस्तारशीलता सुनिश्चित करते हुए साइंसएजेंटबेंच (ScienceAgentBench) पर स्टैटिक बेसलाइन्स की तुलना में बेहतर प्रदर्शन प्राप्त होता है।

मूल लेखक: Martin Legrand, Tao Jiang, Matthieu Feraud, Benjamin Navet, Yousouf Taghzouti, Fabien Gandon, Elise Dumont, Louis-Félix Nothias

प्रकाशित 2026-04-01
📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Martin Legrand, Tao Jiang, Matthieu Feraud, Benjamin Navet, Yousouf Taghzouti, Fabien Gandon, Elise Dumont, Louis-Félix Nothias

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 विशाल, जटिल पहेली को हल करने की कोशिश कर रहे हैं, जैसे कि एक गगनचुंबी इमारत बनाना या किसी बीमारी का इलाज खोजना। अतीत में, वैज्ञानिकों (और उन कंप्यूटरों जिन्होंने उनकी मदद की) को एक कठोर, पूर्व-लिखित निर्देश पुस्तिका का पालन करना पड़ता था। यदि निर्देश पुस्तिका कहती थी "चरण 1: रसायनों को मिलाएं," तो वे ऐसा करते थे। यदि चरण 1 विफल हो जाता क्योंकि इस बार रसायन अलग थे, तो पूरा प्रोजेक्ट क्रैश हो जाता था। कंप्यूटर यह नहीं कह सकता था, "हे, शायद हमें एक अलग क्रम आज़माना चाहिए?" या "चलो किसी अलग विशेषज्ञ से मदद मांगते हैं।"

Mimosa एक नया, ओपन-सोर्स फ्रेमवर्क है जो खेल बदल देता है। एक कठोर निर्देश पुस्तिका का पालन करने के बजाय, Mimosa एक स्व-सुधार करने वाले, अनुकूलन योग्य प्रोजेक्ट मैनेजर की तरह है जो अपना स्वयं का दल बनाता है और काम करते-करते अपने स्वयं के निर्देशों को फिर से लिखता है।

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

1. समस्या: "भंगुर" (Brittle) रोबोट

वर्तमान AI वैज्ञानिक एक एकल, अपरिवर्तनीय स्क्रिप्ट वाले रोबोट की तरह हैं।

  • समस्या: यदि आप किसी मानक AI को एक जटिल वैज्ञानिक कार्य (जैसे दवा के डेटा का विश्लेषण करना) करने के लिए कहते हैं, तो वह इसे एक ही लंबी सोच की रेखा में करने की कोशिश करता है। यदि वह बीच में भ्रमित हो जाता है, तो वह अक्सर मतिभ्रम (hallucinate) का शिकार हो जाता है या वह जो कर रहा था उसे भूल जाता है।
  • उपमा: कल्पना कीजिए कि आप एक ही व्यक्ति को एक घर बनाने, प्लंबिंग डिजाइन करने, पार्टी के लिए केक बेक करने और उद्घाटन समारोह के लिए भाषण लिखने के लिए कहते हैं, और साथ ही उसे शुरुआत से हर एक विवरण याद रखने के लिए कहते हैं। वह अभिभूत हो जाएगा, ब्लूप्रिंट भूल जाएगा, और संभवतः विफल हो जाएगा।

2. समाधान: एक गतिशील "ड्रीम टीम"

Mimosa एक रोबोट का उपयोग नहीं करता है; यह विशेषज्ञ एजेंटों (छोटे AI कार्यकर्ता) की एक टीम बनाता है जो काम की आवश्यकता के आधार पर बदलते रहते हैं।

  • मेटा-ऑर्केस्ट्रेटर (द आर्किटेक्ट/वास्तुकार): यह बॉस है। जब आप इसे कोई कार्य देते हैं (जैसे, "सौर पैनलों के लिए एक नया पदार्थ खोजें"), तो यह केवल अनुमान नहीं लगाता। यह अपने पिछले प्रोजेक्ट्स के पुस्तकालय को देखता है कि क्या इसने पहले ऐसा कुछ किया है। यदि नहीं, तो यह तुरंत एक नई टीम संरचना का आविष्कार करता है।
    • उपमा: यदि आपको कार ठीक करने की आवश्यकता है, तो आर्किटेक्ट केवल एक मैकेनिक को नहीं बुलाता। यह एक मैकेनिक, एक इलेक्ट्रीशियन और एक पेंटर को बुलाता है, और उन्हें बताता है कि उन्हें एक-दूसरे से कैसे बात करनी है। यदि वह कार वास्तव में एक नाव है, तो यह तुरंत मैकेनिक को बदलकर एक समुद्री इंजीनियर को रख लेता है।

3. सफलता का मंत्र: "प्रयास, त्रुटि और विकास"

यही सबसे जादुई हिस्सा है। Mimosa केवल एक बार योजना नहीं चलाता और सफल होने की उम्मीद नहीं करता। यह विकसित (evolve) होता है।

  • लूप (चक्र):

    1. निर्माण (Build): आर्किटेक्ट एक वर्कफ़्लो (एक योजना) बनाता है।
    2. संचालन (Run): एजेंटों की टीम वास्तविक वैज्ञानिक उपकरणों (जैसे रसायन विज्ञान या जीव विज्ञान के लिए सॉफ़्टवेयर) का उपयोग करके कार्य को करने का प्रयास करती है।
    3. निर्णय (Judge): एक "जज" AI पूरी प्रक्रिया को देखता है। यह केवल अंतिम उत्तर को नहीं देखता; यह देखता है कि उन्होंने कैसे काम किया। क्या उन्होंने एक-दूसरे से ठीक से बात की? क्या उन्होंने सही उपकरणों का उपयोग किया? क्या उन्हें लक्ष्य प्राप्त हुआ?
    4. परिष्करण (Refine): यदि जज कहता है, "आप विफल रहे क्योंकि एजेंट A ने डेटा को एजेंट B को सही ढंग से पास नहीं किया," तो आर्किटेक्ट योजना को फिर से लिखता है। यह एजेंट A को निकाल सकता है, एक नया एजेंट रख सकता है, या उनके संचार के तरीके को बदल सकता है।
    5. दोहराना (Repeat): यह नई योजना को आज़माता है। यह तब तक करता रहता है (10 बार तक) जब तक कि योजना एकदम सटीक न हो जाए।

  • उपमा: इसे एक बैंड के कॉन्सर्ट के लिए अभ्यास करने जैसा समझें।

    • राउंड 1: वे गाना बजाते हैं। ड्रमर बहुत तेज़ है, और गायक बोल भूल गया।
    • आलोचक: एक निर्माता (जज) कहता है, "ड्रमर, धीरे बजाओ। गायक, शीट म्यूजिक देखो।"
    • राउंड 2: वे फिर से बजाते हैं। गिटार सुर से बाहर है।
    • आलोचक: "गिटारवादक, ट्यून करो। साथ ही, कोरस का क्रम भी बदल दो।"
    • राउंड 3: वे फिर से बजाते हैं। यह बेहतर हो रहा है।
    • राउंड 4: वे इसे पूरी तरह से बजा लेते हैं।
    • Mimosa इसे स्वचालित रूप से करता है, मनुष्यों की तुलना में हजारों गुना तेज़ी से, जब तक कि "गाना" (वैज्ञानिक प्रयोग) एकदम सही न हो जाए।

4. यह विज्ञान के लिए क्यों महत्वपूर्ण है

विज्ञान अव्यवस्थित है। प्रयोग विफल होते हैं, डेटा अजीब दिखता है, और हर दिन नए उपकरण आविष्कार किए जाते हैं।

  • पुराना तरीका: यदि एक नया उपकरण आता है, तो पुराना AI सिस्टम टूट जाता है क्योंकि उसे उसका उपयोग करने के लिए प्रोग्राम नहीं किया गया था।
  • Mimosa का तरीका: Mimosa MCP (मॉडल कॉन्टेक्स्ट प्रोटोकॉल) नामक एक प्रणाली का उपयोग करता है। इसे एक यूनिवर्सल पावर स्ट्रिप (एक सामान्य बिजली बोर्ड) के रूप में सोचें। किसी भी नए वैज्ञानिक उपकरण (एक नया सूक्ष्मदर्शी, एक नया डेटाबेस, एक नई कोडिंग लाइब्रेरी) को इसमें प्लग किया जा सकता है। Mimosa का "आर्किटेक्ट" उस नए प्लग को देखता है और तुरंत यह समझ जाता है कि वर्कफ़्लो में इसका उपयोग कैसे करना है।

5. परिणाम

शोधकर्ताओं ने Mimosa का परीक्षण ScienceAgentBench पर किया, जो 102 अलग-अलग वैज्ञानिक चुनौतियों (जीव विज्ञान से मनोविज्ञान तक) के साथ एक कठिन परीक्षण है।

  • विजेता: एक विशिष्ट AI मॉडल (DeepSeek-V3.2) का उपयोग करते हुए, Mimosa ने कार्यों में से 43.1% को हल किया।
  • तुलना:
    • एक अकेला AI जो अकेले करने की कोशिश कर रहा है? केवल 38.2% सफलता।
    • एक स्थिर टीम (सीखने के बिना)? 32.4% सफलता।
    • Mimosa (विकसित होती टीम): 43.1% सफलता।
  • निष्कर्ष: इस प्रणाली ने सिद्ध किया कि AI टीम को अपनी गलतियों से "सीखने" और खुद को पुनर्गठित करने देने से, यह कठिन समस्याओं को हल करने में काफी बेहतर हो जाता है।

6. ओपन सोर्स और पारदर्शिता

कुछ "ब्लैक बॉक्स" AI सिस्टमों के विपरीत जहाँ आप नहीं जानते कि वे कैसे काम करते हैं, Mimosa ओपन-सोर्स है।

  • उपमा: यह केवल तैयार केक देने के बजाय सबको रेसिपी और रसोई के उपकरण देने जैसा है।
  • ऑडिटेबिलिटी (लेखापरीक्षा योग्यता): Mimosa द्वारा उठाया गया प्रत्येक कदम रिकॉर्ड किया जाता है। यदि कोई वैज्ञानिक नई दवा खोजने के लिए Mimosa का उपयोग करता है, तो वे "लॉगबुक" देख सकते हैं और ठीक से जान सकते हैं कि AI वहां तक कैसे पहुँचा। यह विज्ञान में एक बड़ी समस्या को हल करता है जिसे "पुनरुत्पादकता संकट" (reproducibility crisis) कहा जाता है, जहाँ अन्य वैज्ञानिक काम को दोहरा नहीं पाते क्योंकि उनके चरण बहुत अस्पष्ट होते हैं।

सारांश

Mimosa एक ऐसा फ्रेमवर्क है जो AI को एक कठोर रोबोट से एक लचीले, स्व-सुधार करने वाले वैज्ञानिक साथी में बदल देता है। यह अपना स्वयं का दल बनाता है, अपनी विफलताओं से सीखता है, नए उपकरणों के अनुकूल होता है, और जो कुछ भी करता है उसका विस्तृत रिकॉर्ड रखता है। यह उस भविष्य की ओर एक कदम है जहाँ AI केवल आदेशों का पालन नहीं करता, बल्कि लगातार अपने तरीकों में सुधार करके वैज्ञानिकों को नई चीजें खोजने में सक्रिय रूप से मदद करता है।

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।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 🤖 cs.AI →