To Use AI as Dice of Possibilities with Timing Computation

तकनीकी सारांश: संभावनाओं के पासे के रूप में AI का उपयोग करने हेतु टाइमिंग कंप्यूटेशन (समय गणना)

समस्या विवरण
यह शोध पत्र तर्क देता है कि AI में प्रभावी "संज्ञा-आधारित" (noun-based) मॉडलिंग प्रतिमान—जिसका उदाहरण लार्ज लैंग्वेज मॉडल्स (LLMs) और मानक मशीन लर्निंग दृष्टिकोण हैं—मौलिक रूप से भविष्य के प्रतिनिधित्व को सीमित करता है। इस प्रतिमान में, मॉडल वस्तुओं को स्थिर, सुपरिभाषित संस्थाओं (टोकन, फीचर्स, डेटा पॉइंट्स) के रूप में और संबंधों को कार्यात्मक मैपिंग ($f(x)=y$) के रूप में देखते हैं। हालांकि यह परिणाम भविष्यवाणी के लिए प्रभावी है, लेकिन यह दृष्टिकोण भविष्य को एक खुले अस्थायी आयाम (temporal dimension) के रूप में दर्शाने में विफल रहता है। यह इस बात के अनुमान पर निर्भर करता है कि किन चरों (variables) को शामिल किया जाए, और अक्सर गहन सहसंबंधों (correlations) को कार्य-कारण (causality) के विकल्प के रूप में प्रस्तुत करता है। इसके अतिरिक्त, मौजूदा कारण संबंधी निष्कर्ष (causal inference) विधियाँ, यद्यपि प्रतितथ्यात्मक (counterfactuals) का उपयोग करती हैं, फिर भी इस धारणा के तहत कार्य करती हैं कि प्रासंगिक चर बंद-अंत (closed-ended) हैं और पहले से ही व्यापक रूप से निर्दिष्ट हैं। फलस्वरूप, वर्तमान मॉडल "चुनने योग्य भविष्यों" (choosable futures) को पर्याप्त रूप से प्रदर्शित नहीं कर सकते या इस बारे में वास्तविक प्रतितथ्यात्मक तर्क (counterfactual reasoning) नहीं कर सकते कि घटनाएँ कब घटित होंगी, क्योंकि वे समय (timing) को एक निश्चित, प्रेक्षित इनपुट के रूप में देखते हैं न कि एक गणनीय चर (computable variable) के रूप में।

कार्यप्रणाली: क्रिया-आधारित प्रतिमान (The Verb-Based Paradigm)
लेखक एक "क्रिया-आधारित" (verb-based) प्रतिमान का प्रस्ताव करते हैं जहाँ मॉडलिंग लक्ष्य एक एकल, निर्धारित भविष्य से बदलकर संभावित भविष्यों के पूर्ण स्थान की ओर स्थानांतरित हो जाता है। मुख्य नवाचार टाइमिंग कंप्यूटेशन (Timing Computation) है, जिसे समय को केवल एक सीखने योग्य इनपुट फीचर के रूप में नहीं, बल्कि मॉडल के आंतरिक तर्क से व्युत्पन्न एक गणनीय आयाम के रूप में मानने की क्षमता के रूप में परिभाषित किया गया है।

मुख्य कार्यप्रणाली घटक निम्नलिखित हैं:

• संभावना चर (Possibility Variables): लेखक चरों को $X \in \mathbb{R}^n$ से बदलकर संभावना चर $X = (X, t) \in \mathbb{R}^{n+1}$ के रूप में पुनर्परिभाषित करते हैं, जहाँ $t$ एक गणनीय समय आयाम है।
• टाइमिंग सीखने योग्य बनाम टाइमिंग गणनीय (Timing Learnable vs. Timing Computable): शोध पत्र "टाइमिंग-लर्नेबल" (ग्राउंड ट्रुथ से अस्थायी जानकारी निकालना) और "टाइमिंग-कंप्यूटेबल" (टाइमिंग वितरण की भविष्यवाणी करना) के बीच अंतर करता है। मौजूदा विधियों में दूसरे की कमी है क्योंकि उनमें संभावित समय के वितरण (Distribution of Possible Timing) की औपचारिक परिभाषा का अभाव है।
• न्यूरल नेटवर्क कार्यान्वयन: यह ढांचा बैकप्रोपैगेशन के माध्यम से प्रशिक्षित न्यूरल नेटवर्क का उपयोग करता है। जहाँ $f(x)=y$ पूर्व-निर्दिष्ट फॉरवर्ड मॉडलिंग के विपरीत, यह एक निर्धारित परिणाम ($y$) से पीछे की ओर तर्क करता है ताकि पिछले घटनाओं ($x$) के ऐतिहासिक महत्व को पुनः प्राप्त किया जा सके।
• आभासी कालक्रम ($\tau$ - Virtual Timeline): मॉडल एक गुप्त अस्थायी स्थान (latent temporal space) का निर्माण करता है जहाँ इनपुट टाइमस्टैम्प को ग्राउंड ट्रुथ माना जाता है, लेकिन एक आभासी सापेक्ष समय $\tau(t)$ को प्रशिक्षण योग्य मापदंडों द्वारा परिभाषित किया जाता है। यह मॉडल को एक ही घटना के कई स्वतंत्र इंस्टेंशिएशन (instantiations) उत्पन्न करने की अनुमति देता है, जिससे एकल बिंदु अनुमान के बजाय संभावित समयों का एक वितरण बनता है।
• टाइमिंग अटेंशन (Timing Attention): रोगी समूह (patient cohort) में समय के वितरण के संकेंद्रण को कर्टोसिस (kurtosis) के माध्यम से मापा जाता है (जिसे "टाइमिंग अटेंशन" कहा जाता है)। उच्च टाइमिंग अटेंशन वाली घटनाओं में वितरण अधिक केंद्रित होता है, जो अधिक अस्थायी महत्व को दर्शाता है।

प्रमुख योगदान

1. सैद्धांतिक ढांचा: शोध पत्र एक क्रिया-आधारित ऑन्टोलॉजी पेश करता है जहाँ "क्रियाएं" (actions/choices) खुली संभावनाओं का प्रतिनिधित्व करती हैं, और "समय" (timing) एक गणनीय चर है जो कारण संबंधी तर्क के लिए आवश्यक है। यह प्रतिपादित करता है कि AI को निश्चित उत्तर देने वाले ओरेकल (oracle) के रूप में नहीं, बल्कि "संभावनाओं के पासे" के रूप में कार्य करना चाहिए—जो खुले भविष्य के स्थान को दृश्यमान बनाने के लिए पासा फेंकता है।
2. टाइमिंग कंप्यूटेशन की औपचारिक परिभाषा: लेखक न्यूरल नेटवर्क के संदर्भ में टाइमिंग कंप्यूटेशन की पहली औपचारिक परिभाषा प्रदान करते हैं, जो इसे मानक सर्वाइवल एनालिसिस या टाइम-सीरीज प्रेडिक्शन से अलग करती है।
3. पूर्व ज्ञान के बिना डेटा-संचालित खोज: यह ढांचा प्रदर्शित करता है कि विशुद्ध रूप से डेटा-संचालित तरीकों के माध्यम से नैदानिक रूप से महत्वपूर्ण प्रक्षेपवक्र (trajectories) और प्रतितथ्यात्मक समय कटौती प्राप्त की जा सकती है, जिसके लिए किसी पूर्व डोमेन ज्ञान या पूर्व-निर्दिष्ट चर सेट की आवश्यकता नहीं है।

परिणाम
इस ढांचे को 3,276 स्तन कैंसर रोगियों के अनुदैर्ध्य इलेक्ट्रॉनिक हेल्थ रिकॉर्ड (EHR) डेटा पर लागू किया गया था ताकि कार्डियोटॉक्सिसिटी-प्रेरित हृदय रोग के आगमन के समय की भविष्यवाणी की जा सके। अध्ययन दो प्राथमिक अनुभवजन्य प्रदर्शनों की रिपोर्ट करता है:

1. रोगी प्रक्षेपवक्र की स्वचालित खोज:

   • मॉडल ने पूर्व-निर्धारित नियमों के बिना नैदानिक रूप से महत्वपूर्ण रोगी प्रक्षेपवक्रों की पहचान की।
   • टाइमिंग अटेंशन ($\kappa$): बड़े कोहॉर्ट आकार वाली घटनाओं ने लगातार उच्च टाइमिंग अटेंशन दिखाया।
   • प्रक्षेपवक्र अभिसरण (Trajectory Convergence): मॉडल ने पहचाना कि विभिन्न मध्यवर्ती मार्ग एक साझा टर्मिनल घटना (जैसे, दूसरी रेडिएशन थेरेपी) पर मिल सकते हैं, जो समान अस्थायी महत्व को इंगित करता है।
   • महत्वपूर्ण मोड़ (Critical Turning Points): मॉडल ने विशिष्ट घटनाओं (जैसे, मूत्रवर्धक/diuretics का प्रशासन) का पता लगाया जहाँ कार्डियोटॉक्सिसिटी की सकारात्मक दर चरम पर पहुँच गई और फिर घट गई, जो अन्य मार्गों में मोनोटोनिक रुझानों के विपरीत है।
   • दक्षता: दृष्टिकोण ने तार्किक क्रम संबंधी बाधाओं के बिना घटनाओं का समानांतर मूल्यांकन किया, जिससे पारंपरिक एसोसिएशन रूल-आधारित विधियों की घातांकीय खोज जटिलता से बचा जा सका।

2. प्रतितथ्यात्मक समय कटौती (Counterfactual Timing Deduction):

   • मॉडल ने यह मानकर प्रतितथ्यात्मक तर्क किया कि सकारात्मक रोगी (जिन्होंने कार्डियोटॉक्सिसिटी विकसित की) नकारात्मक बने रहते।
   • समय परिवर्तन (Timing Shifts): परिणामी वितरणों ने दिखाया कि लगभग आधे कोहॉर्ट के लिए, तीसरे लक्षित उपचार (Target_3) का सापेक्ष समय प्रतितथ्यात्मक धारणा के तहत उल्लेखनीय रूप से बड़े मानों की ओर स्थानांतरित हो गया।
   • नैदानिक निहितार्थ: यह सुझाव देता है कि इन विशिष्ट रोगियों के लिए तीसरे लक्षित उपचार को स्थगित करने या रद्द करने से कार्डियोटॉक्सिसिटी के आगमन के जोखिम को काफी कम किया जा सकता है।

महत्व और दावे
शोध पत्र दावा करता है कि ये परिणाम विशुद्ध रूप से डेटा-संचालित तरीकों का उपयोग करके स्वचालित प्रक्षेपवक्र खोज और प्रतितथ्यात्मक समय कटौती दोनों के लिए मशीन लर्निंग साहित्य में ऐसे पहले प्रदर्शनों में से एक हैं।

लेखक तर्क देते हैं कि यह कार्य "विचार की व्याकरण" (जो भविष्य-निर्देशित और विकल्प-उन्मुख है) और वर्तमान मॉडलिंग प्रतिमानों के बीच एक मौलिक अंतर को संबोधित करता है। "फैक्टम" (एक कारण परिदृश्य की वैचारिक सामग्री) को एक खुले संभावना स्थान के भीतर एक मौलिक इकाई के रूप में मानकर, क्रिया-आधारित प्रतिमान:

• संज्ञा-आधारित निष्कर्ष में अंतर्निहित भ्रम की समस्या को हल करता है, क्योंकि यह अवशिष्ट कारण संरचना को देखे गए चरों में गलत तरीके से आरोपित करने के बजाय उसे एक खुले संभावना स्थान में समाहित कर लेता है।
• उन "वर्ल्ड मॉडल्स" (World Models) के लिए एक आधार प्रदान करता है जो वर्तमान LLMs के सांख्यिकीय टोकन जुड़ावों से आगे बढ़कर, मानव वैचारिक संरचनाओं के साथ संरचनात्मक रूप से संरेखित हैं।

यह शोध पत्र स्पष्ट रूप से पाठकों को कार्यान्वयन विवरण के लिए एक संलग्न तकनीकी पेपर (Li et al., 2026) की ओर निर्देशित करता है, और यह बनाए रखता है कि वर्तमान कार्य संज्ञा-आधारित से क्रिया-आधारित मॉडलिंग की ओर बढ़ने की वैचारिक और अनुभवजन्य आवश्यकता को स्थापित करता है।