LLM-Guided Open Hypothesis Learning from Autonomous Scanning Probe Microscopy Experiments
यह शोध पत्र एक स्वायत्त स्कैनिंग प्रोब माइक्रोस्कोपी फ्रेमवर्क प्रस्तुत करता है जो स्पार्स (sparse) प्रयोगात्मक डेटा से नए भौतिक परिकल्पनाओं को उत्पन्न करने और उनका मूल्यांकन करने के लिए सिम्बोलिक रिग्रेशन को लार्ज लैंग्वेज मॉडल्स के साथ एकीकृत करता है, जो पूर्व-निर्धारित मॉडलों के बिना फेरोइलेक्ट्रिक डोमेन स्विचिंग के लिए व्याख्या योग्य वोल्टेज-टाइम ग्रोथ लॉ (growth laws) की सफलतापूर्वक खोज करता 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 एक वैज्ञानिक एक प्रयोगशाला में एक अत्यंत शक्तिशाली सूक्ष्मदर्शी (microscope) के साथ काम कर रहा है। अतीत में, इस वैज्ञानिक को यह तय करना पड़ता था कि वास्तव में क्या मापना है, परीक्षण चलाना होता था, परिणामों को देखना होता था, और फिर तय करना होता था कि आगे क्या करना है। यह प्रक्रिया धीमी थी और काफी हद तक वैज्ञानिक के अपने अंतर्ज्ञान (intuition) पर निर्भर थी।
हाल के वर्षों में, वैज्ञानिकों ने "सेल्फ-ड्राइविंग" लैब बनाई हैं। ये विज्ञान के लिए स्वायत्त कारों (autonomous cars) की तरह हैं: कंप्यूटर सूक्ष्मदर्शी को नियंत्रित करता है, प्रयोग चलाता है, और सर्वोत्तम परिणाम खोजने के लिए सेटिंग्स को तेजी से बदलता रहता है। हालाँकि, इसमें एक पेंच है: ये सेल्फ-ड्राइविंग लैब आमतौर पर अनुकूलन (optimization) करने में बहुत अच्छी होती हैं (यानी सबसे अच्छी सेटिंग ढूँढना), लेकिन नए नियमों की खोज (discovery of new laws) करने में बहुत खराब होती हैं। वे आपको बता सकती हैं कि "इस वोल्टेज से सबसे बड़ा बिंदु बनता है," लेकिन वे यह नहीं बता सकतीं कि क्यों या भौतिकी का एक नया नियम लिख सकती हैं जो इसकी व्याख्या करे। वे उन विचारों के दायरे में फंसी रहती हैं जो उनके प्रोग्रामर ने उन्हें दिए हैं।
यह शोध पत्र एक ऐसी नई प्रणाली पेश करता है जो इस दायरे को तोड़ती है। यह कंप्यूटर को केवल उत्तर खोजने के लिए ही नहीं, बल्कि जो वह देख रहा है उसके आधार पर नए सिद्धांत गढ़ने के लिए भी सिखाती है।
यह प्रणाली कैसे काम करती है, इसे समझने के लिए एक सरल उपमा (analogy) यहाँ दी गई है:
दो-मस्तिष्क प्रणाली (The Two-Brain System)
इस नई प्रणाली को एक पहेली पर मिलकर काम करने वाले दो बहुत अलग रोबोटों की टीम के रूप में सोचें।
1. "पैटर्न खोजने वाला" (सिंबोलिक रिग्रेशन - Symbolic Regression)
एक ऐसे रोबोट की कल्पना करें जो गणित में अविश्वसनीय रूप से कुशल है लेकिन उसमें सामान्य समझ (common sense) बिल्कुल नहीं है। आप उसे कुछ बिखरे हुए डेटा बिंदु (जैसे ग्राफ पर कुछ बिंदु) देते हैं, और वह हजारों अलग-अलग गणितीय सूत्र (formulas) चिल्लाकर बताने लगता है जो उन बिंदुओं को जोड़ सकते हैं।
- यह क्या करता है: यह "वोल्टेज और समय के वर्गमूल का गुणनफल" या "वोल्टेज प्लस एक रैंडम नंबर" जैसे अजीबोगरीब अनुमान लगाता है।
- समस्या: क्योंकि इसमें सामान्य समझ नहीं है, यह ऐसे सूत्र सुझा सकता है जो गणितीय रूप से तो सही हैं लेकिन भौतिक रूप से असंभव हैं (जैसे यह कहना कि बिजली बढ़ाने पर बिंदु छोटा हो जाता है)। यह उस छात्र की तरह है जिसने गणित की किताब रट ली है लेकिन उसे यह समझ नहीं है कि वास्तविक दुनिया कैसे काम करती है।
2. "भौतिकी का प्रोफेसर" (लार्ज लैंग्वेज मॉडल - The Large Language Model)
अब, दूसरे रोबोट की कल्पना करें जो एक अत्यंत बुद्धिमान भौतिकी प्रोफेसर है। इस रोबोट ने अब तक लिखी गई हर भौतिकी की किताब पढ़ी है। यह स्वयं गणित नहीं करता; इसके बजाय, यह एक न्यायाधीश के रूप में कार्य करता है।
- यह क्या करता है: यह "पैटर्न फाइंडर" द्वारा बनाए गए हजारों अजीब सूत्रों को देखता है और कहता है, "ठहरो। यह सूत्र कहता है कि बिंदु समय में पीछे की ओर बढ़ता है? यह असंभव है। इसे हटा दो।"
- जादू: यह सूत्रों को इस आधार पर रैंक करता है कि वे वास्तविक दुनिया में कितने तर्कसंगत हैं। यह उन सूत्रों को चुनता है जो भौतिकी के नियमों का पालन करते हैं (जैसे "वोल्टेज बढ़ने पर बिंदु बड़ा होना चाहिए") और यह भी बताता है कि वे क्यों अच्छे हैं।
प्रयोग: नन्हे बिजली के बुलबुलों को उगाना (Growing Tiny Electric Bubbles)
इसका परीक्षण करने के लिए, शोधकर्ताओं ने एक विशेष सूक्ष्मदर्शी का उपयोग करके PZT (एक प्रकार का सिरेमिक जो विद्युत आवेश धारण करता है) नामक पदार्थ के एक छोटे से टुकड़े पर प्रहार किया। जब वे इसे बिजली का झटका देते हैं, तो एक छोटा सा "बुलबुला" (बदला हुआ आवेश) विकसित होता है।
- लक्ष्य: वे उस नियम को खोजना चाहते थे जो यह समझा सके कि वे इसे कितनी देर तक और कितनी तीव्रता से झटका देते हैं, इसके आधार पर वह बुलबुला कितना बड़ा होता है।
- प्रक्रिया:
- शुरुआत: उन्होंने केवल पाँच रैंडम अनुमानों (झटके की पाँच अलग-अलग सेटिंग्स) के साथ शुरुआत की।
- लूप (चक्र):
- "पैटर्न फाइंडर" ने उन पाँच परिणामों को देखा और 50 संभावित गणितीय नियम लिखे।
- "फिजिक्स प्रोफेसर" ने उन्हें पढ़ा, उन्हें स्कोर दिया, और सबसे अच्छा नियम चुना।
- कंप्यूटर ने फिर उस सबसे अच्छे नियम का उपयोग यह तय करने के लिए किया कि अगली बार कहाँ और कैसे झटका देना है ताकि अधिक सीखा जा सके।
- उन्होंने डेटा को और अधिक जोड़ने के लिए यह प्रक्रिया 10 बार दोहराई।
परिणाम: अनुमान लगाने से समझ विकसित होने तक
प्रयोग की शुरुआत में, "पैटर्न फाइंडर" भ्रमित था। उसने अजीब नियम सुझाए, जैसे "बुलबुले का आकार केवल समय पर निर्भर करता है, वोल्टेज पर नहीं।" "फिजिक्स प्रोफेसर" ने इन नियमों को कम स्कोर दिया और कहा, "नहीं, यह तर्कसंगत नहीं है।"
जैसे-जैसे प्रयोग आगे बढ़ा और कंप्यूटर ने अधिक डेटा एकत्र किया, "पैटर्न फाइंडर" ने स्मार्ट नियम सुझाना शुरू कर दिया। अंततः, "फिजिक्स प्रोफेसर" ने एक विजेता चुना: एक नियम जिसने कहा कि बुलबुला वोल्टेज और समय दोनों के आधार पर बढ़ता है, विशेष रूप से एक ऐसे पैटर्न का पालन करते हुए जहाँ विकास समय के साथ धीमा होता जाता है (जैसे कि "क्रीप" मोशन)।
यह बड़ी बात क्यों है?
पिछले प्रयोगों में, वैज्ञानिकों को कंप्यूटर को बताना पड़ता था, "ये तीन संभावित नियम हैं; इनमें से सबसे अच्छा चुनें।" कंप्यूटर केवल सूची में से चुनाव करता था।
इस नए प्रयोग में, कंप्यूटर ने डेटा से स्वयं नियम बनाया, और "फिजिक्स प्रोफेसर" ने पुष्टि की कि वह नियम वास्तविक है। सिस्टम ने केवल सबसे अच्छी सेटिंग नहीं खोजी; इसने सामग्री के व्यवहार को वर्णित करने का एक नया तरीका खोजा।
निचोड़ (The Bottom Line)
यह शोध पत्र दिखाता है कि स्वायत्त विज्ञान को एक "सर्च इंजन" (जो केवल सूची में से सबसे अच्छा उत्तर खोजता है) से बदलकर एक "वैज्ञानिक" (जो भौतिकी के नए नियम लिख सकता है) में कैसे बदला जाए। एक गणित-रोबोट (जो विचार उत्पन्न करता है) और एक AI-रोबोट (जो जाँचता है कि क्या वे विचार समझ में आते हैं) को मिलाकर, यह प्रणाली लगभग शून्य से जटिल भौतिक नियमों को स्वयं सीख सकती 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।