🤖 machine learning

FAME: Forecasting Academic Impact via Continuous-Time Manifold Evolution

यह शोध पत्र FAME को प्रस्तुत करता है, जो एक स्पैटियोटेम्पोरल (स्थानिक-कालिक) ढांचा है जो पांडुलिपि के प्रभाव का सटीक पूर्वानुमान लगाने के लिए वैज्ञानिक विषयों के गतिशील विकास को मॉडल करता है, और यह प्रदर्शित करता है कि यह स्थिर LLM मूल्यांकनकर्ताओं की तुलना में काफी बेहतर प्रदर्शन करता है और उनके साथ एकीकृत होने पर उनके प्रदर्शन को बढ़ाता है।

मूल लेखक: Jianrong Ding, Jianyuan Zhong, Zhengyan Shi, Qiang Xu

प्रकाशित 2026-05-11

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jianrong Ding, Jianyuan Zhong, Zhengyan Shi, Qiang Xu

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

यहाँ FAME पेपर का सरल भाषा और रचनात्मक उपमाओं (analogies) के साथ विवरण दिया गया है।

बड़ी समस्या: "क्रिस्टल बॉल" की विफलता

कल्पना कीजिए कि आप एक विज्ञान मेले के जज हैं। आपको ढेर सारे नए विचारों में से सबसे अच्छा प्रोजेक्ट चुनना है। आमतौर पर, आप एक बहुत ही स्मार्ट AI (एक लार्ज लैंग्वेज मॉडल या LLM) से प्रोजेक्ट के विवरण पढ़वा सकते हैं और उससे पूछ सकते हैं कि कौन से विचार प्रसिद्ध होंगे और कौन से भुला दिए जाएंगे।

इस पेपर के लेखकों ने एक कठिन सवाल पूछा: क्या ये स्मार्ट AI वास्तव में विज्ञान के भविष्य की भविष्यवाणी कर सकते हैं?

यह पता लगाने के लिए, उन्होंने एक "टाइम ट्रैवल" प्रयोग किया। उन्होंने पहले से प्रकाशित पुराने पेपर्स को लिया, यह नाटक किया कि वे बिल्कुल नए हैं, और AI से अनुमान लगाने को कहा कि वे कितने सफल होंगे। फिर, उन्होंने AI के अनुमानों की तुलना वास्तविक जीवन की घटनाओं (जैसे कि उन पेपर्स को कितने उद्धरण/citations मिले, कितने लोगों ने उनके कोड का उपयोग किया, आदि) से की।

परिणाम: AI बुरी तरह विफल रहे। वे एक क्रांतिकारी खोज और एक साधारण पेपर के बीच अंतर नहीं कर सके। वे एक ऐसे मौसम विज्ञानी की तरह थे जो सामने दिख रहे बादलों को देखकर अगले साल के तूफान की भविष्यवाणी करने की कोशिश कर रहा हो, जबकि वह दूर से आ रहे विशाल तूफानी तंत्रों को पूरी तरह अनदेखा कर रहा था।

AI क्यों विफल हुए?

पेपर का तर्क है कि वर्तमान AI बहुत "स्थिर" (static) हैं। वे एक पेपर को समय के एक 'स्नैपशॉट' की तरह पढ़ते हैं। वे शब्दों को देखते हैं और कहते हैं, "यह सुनने में अच्छा लग रहा है।" लेकिन वे बड़ी तस्वीर (big picture) को मिस कर देते हैं।

एक वैज्ञानिक क्षेत्र (जैसे आर्टिफिशियल इंटेलिजेंस) को एक नदी के रूप में सोचें।

AI पानी पर तैरते एक अकेले पत्ते को देख रहे हैं। वे पत्ते का न्याय इस आधार पर करते हैं कि वह अभी कैसा दिख रहा है।
वास्तविकता यह है कि नदी की एक धारा (current) होती है। कुछ पत्ते धारा के साथ समुद्र की ओर बह रहे होते हैं (उच्च प्रभाव/high impact), जबकि अन्य किसी भंवर में फंसे होते हैं या पीछे की ओर बह रहे होते हैं (कम प्रभाव/low impact)।
AI उस धारा को नहीं देख पाते। उन्हें यह नहीं पता होता कि नदी कहाँ जा रही है।

समाधान: FAME (नदी का मानचित्र)

लेखकों ने FAME (Forecasting Academic Impact via Continuous-Time Manifold Evolution) नामक एक नया सिस्टम बनाया है। केवल शब्दों को पढ़ने के बजाय, FAME उस नदी के प्रवाह (flow) को मैप करने की कोशिश करता है।

FAME कैसे काम करता है, इसके चरण यहाँ दिए गए हैं:

1. मानचित्र की सफाई (प्रेरणा ग्राफ - The Inspiration Graph)
वैज्ञानिक पेपर अक्सर दूसरे पेपर्स को केवल शिष्टाचार के नाते साइट (cite) करते हैं, न कि इसलिए कि उन्होंने वास्तव में उस विचार का उपयोग किया हो। यह एक पार्टी की गेस्ट लिस्ट की तरह है जहाँ हर कोई कहता है "मैं इस व्यक्ति को जानता हूँ," लेकिन वे वास्तव में नहीं जानते।

FAME का समाधान: यह एक स्मार्ट AI का उपयोग एक जासूस के रूप में करता है। यह दो पेपर्स की जाँच करता है और पूछता है, "क्या पेपर B को वास्तव में अपना बड़ा विचार पेपर A से मिला है?" यदि हाँ, तो यह उनके बीच एक ठोस रेखा खींचता है। यदि नहीं, तो यह उस संबंध को अनदेखा कर देता है। इससे एक साफ मानचित्र तैयार होता है कि विचार वास्तव में कैसे यात्रा करते हैं।

2. नदी का निर्माण (मैनिफोल्ड - The Manifold)
FAME केवल पेपर्स को एक सूची में नहीं रखता; यह कंप्यूटर की मेमोरी में एक 3D "नदी" बनाता है।

रीढ़ की हड्डी (The Spine): यह हर विषय (जैसे "इमेज जनरेशन" या "टाइम सीरीज़") के लिए एक "स्पाइन" या रीढ़ बनाता है। यह स्पाइन दिखाता है कि समय के साथ वह विषय किस दिशा में बढ़ रहा है।
प्रवाह (The Flow): यह प्रत्येक पेपर को उसके प्रकाशन के समय और उसकी सामग्री के आधार पर इस स्पाइन पर स्थापित करता है।
गति (The Momentum): यह किसी भी दिए गए क्षण में नदी की "गति" और "दिशा" की गणना करता है।

3. भविष्यवाणी (ज्यामितीय संरेखण - Geometric Alignment)
जब एक नया पेपर आता है, तो FAME केवल उसे पढ़ता नहीं है। वह उस पेपर को नदी में छोड़ देता है।

परीक्षण: क्या यह पेपर नदी की धारा (क्षेत्र की अग्रिम गति) के साथ बह रहा है? या यह धारा के विरुद्ध लड़ रहा है?
फैसला: यदि कोई पेपर नदी के प्रवाह के साथ संरेखित (aligned) है, तो FML भविष्यवाणी करता है कि वह हिट होगा। यदि वह किनारे की ओर या पीछे की ओर बह रहा है, तो यह भविष्यवाणी करता है कि पेपर साधारण होगा।

परिणाम: यह क्यों महत्वपूर्ण है

लेखकों ने AI और इमेज जनरेशन जैसे तेजी से बढ़ते क्षेत्रों के 3,200 वास्तविक पेपर्स पर FAME का परीक्षण किया।

पुराना तरीका (मानक AI): वे एक सिक्के के उछाल (coin flip) की तरह थे, जो केवल 20% बार सही अनुमान लगा पाते थे।
FAME: इसने 50% से अधिक बार सही अनुमान लगाया, और उपलब्ध सर्वश्रेष्ठ AI जजों को लगातार पीछे छोड़ दिया।

"सुपरपावर" कॉम्बो:
पेपर में एक और दिलचस्प बात भी मिली: यदि आप एक मानक AI को FAME से एक "संकेत" (hint) देते हैं (जैसे यह कहना कि, "हे, यह पेपर नदी की धारा के साथ बह रहा है"), तो वह AI अचानक बहुत स्मार्ट हो जाता है। यह एक आँखों पर पट्टी बंधे धावक को दिशा-सूचक यंत्र (compass) देने जैसा है; वह अंततः सही दिशा में दौड़ सकता है।

सारांश

समस्या: स्मार्ट AI इस बात की भविष्यवाणी करने में खराब हैं कि कौन से वैज्ञानिक पेपर प्रसिद्ध होंगे क्योंकि वे केवल टेक्स्ट को देखते हैं, न कि क्षेत्र के इतिहास या भविष्य की दिशा को।
समाधान: FAME एक गतिशील मानचित्र बनाता है कि वैज्ञानिक विचार समय के साथ कैसे चलते हैं, जैसे कि नदी की धारा को ट्रैक करना।
परिणाम: यह जाँचकर कि क्या एक नया विचार अपने क्षेत्र के "प्रवाह के साथ" जा रहा है, FAME वर्तमान AI जजों की तुलना में सफलता की बहुत बेहतर भविष्यवाणी कर सकता है।

पेपर निष्कर्ष निकालता है कि विज्ञान को अच्छी तरह से परखने के लिए, आप केवल शब्दों को नहीं पढ़ सकते; आपको विचार के प्रक्षेपवक्र (trajectory) को समझना होगा।

तकनीकी सारांश: FAME – निरंतर-समय मैनिफोल्ड विकास के माध्यम से शैक्षणिक प्रभाव का पूर्वानुमान (Forecasting Academic Impact via Continuous-Time Manifold Evolution)

समस्या की परिभाषा

वैज्ञानिक खोज में लार्ज लैंग्वेज मॉडल्स (LLMs) का एकीकरण तेजी से बढ़ा है, जिससे मॉडल परिकल्पनाओं (hypotheses) को सोचने और अनुसंधान दिशाओं का मूल्यांकन करने के लिए तैनात किए जा रहे हैं। हालांकि, एक महत्वपूर्ण बाधा बनी हुई है: वर्तमान "LLM-as-a-judge" प्रतिमानों (paradigms) की साधारण प्रकाशनों से वास्तविक प्रभावशाली शोध को विश्वसनीय रूप से अलग करने में अक्षमता।

मौलिक चुनौती वैज्ञानिक प्रभाव की प्रकृति में निहित है, जो अक्सर वर्षों में प्रकट होता है, जिससे नए विचारों के लिए तत्काल 'ग्राउंड-ट्रुथ' सत्यापन असंभव हो जाता है। इसे संबोधित करने के लिए, लेखक मानव-लिखित पांडुलिपियों के प्रभाव पूर्वानुमान (impact forecasting of human-authored manuscripts) को एक सत्यापन योग्य प्रॉक्सी कार्य के रूप में उपयोग करने का प्रस्ताव करते हैं। ऐतिहासिक शोध पत्रों को एक 'टेम्पोरल कटऑफ' के सापेक्ष "नए विचार" मानकर, यह अध्ययन इस बात का मूल्यांकन करता है कि क्या AI सिस्टम किसी पांडुलिपि के प्रारंभिक लक्षणों के आधार पर उसके भविष्य के realized प्रभाव का पूर्वानुमान लगा सकते हैं।

प्रारंभिक भावी पूर्वानुमान अध्ययनों से पता चलता है कि फ्रंटियर LLMs और यहाँ तक कि डोमेन-विशिष्ट मॉडल (जैसे SciJudge) भी उच्च-प्रभाव वाले शोध पत्रों के बीच अंतर करने में विफल रहते हैं। उनका प्रदर्शन अत्यधिक अस्थिर भविष्य कहनेवाला सहसंबंध (predictive correlations) द्वारा चिह्नित है, जो यह सुझाव देता है कि स्थिर, टेक्स्ट-आधारित निर्णय लेना अपर्याप्त है। ये मॉडल एक अलग सिमेंटिक वैक्यूम (semantic vacuum) में काम करते हैं, जो उन वैज्ञानिक क्षेत्रों के मैक्रोस्कोपिक स्पैटियो-टेम्पोरल डायनेमिक्स और विकासवादी मोमेंटम (evolutionary momentum) की अनदेखी करते हैं जिनका वे मूल्यांकन करते हैं।

कार्यप्रणाली: FAME फ्रेमवर्क

स्थिर मूल्यांकन की सीमाओं को दूर करने के लिए, लेखक FAME (Forecasting Academic Impact via Continuous-Time Manifold Evolution) का प्रस्ताव करते हैं। FAME एक स्पैटियो-टेम्पोरल फ्रेमवर्क है जो वैज्ञानिक विषयों के गतिशील प्रक्षेप पथों (trajectories) को मॉडल करता है, न कि शोध पत्रों को स्थिर टेक्स्ट वेक्टर्स के रूप में देखता है। यह फ्रेमवर्क तीन क्रमिक चरणों में कार्य करता है:

1. उच्च-गुणवत्ता वाला प्रेरणा ग्राफ निर्माण (High-Quality Inspiration Graph Construction)

कच्चे साइटेशन नेटवर्क अक्सर शोर-शराबे वाले और सतही होते हैं। FAME एक वास्तविक ज्ञान प्रवाह का प्रतिनिधित्व करने वाले उच्च-गुणवत्ता वाले "प्रेरणा ग्राफ" ( $E$ ) के निर्माण के लिए एक रिट्रीव-एंड-वेरिफाई पाइपलाइन का उपयोग करता है:

रिट्रीवल (Retrieval): एक लक्षित पेपर $p_j$ के लिए, संभावित पूर्ववर्ती (precursor) पेपर $p_i$ को तीन बाधाओं का उपयोग करके फ़िल्टर किया जाता है: स्पष्ट साइटेशन लिंक, सिमेंटिक समानता सीमाएं, और सख्त टेम्पोरल प्राथमिकता (temporal precedence)।
वेरिफिकेशन (Verification): एक LLM को केवल यह सत्यापित करने के लिए तैनात किया जाता है कि क्या $p_j$ वास्तव में $p_i$ की कार्यप्रणाली या निष्कर्षों से मौलिक रूप से प्रेरित था। केवल LLM-सत्यापित जोड़े ही ग्राफ में दिशात्मक किनारे (directional edges) बनाते हैं।

2. स्पैटियो-टेम्पोरल मैनिफोल्ड आर्किटेक्चर (Spatiotemporal Manifold Architecture)

FAME डिस्क्रीट (discrete) शोध पत्रों को एक ड्यूल-ब्रांच न्यूरल आर्किटेक्चर का उपयोग करके एक निरंतर लेटेंट मैनिफोल्ड में मैप करता है:

पेपर एम्बेडिंग मैपर ( $M_{map}$ ): व्यक्तिगत शोध पत्रों को उनके सिमेंटिक स्पेस से स्पैटियो-टेम्पोरल मैनिफोल्ड में प्रोजेक्ट करता है। यह सिमेंटिक एम्बेडिंग ( $x_i$ ) और प्रकाशन समय ( $t_i$ ) के निरंतर टेम्पोरल एनकोडिंग को इनपुट के रूप में लेता है ताकि एक लेटेंट एम्बेडिंग ( $z_i$ ) उत्पन्न की जा सके।
टॉपिक स्पाइन मॉडल ( $M_{spine}$ ): प्रत्येक टॉपिक क्लस्टर के लिए निरंतर विकासवादी प्रक्षेप पथ (स्पाइन्स) उत्पन्न करता है। यह एक सीखने योग्य स्टैटिक बेस रिप्रेजेंटेशन ( $E_k$ ) और निरंतर समय ( $t$ ) को इनपुट के रूप में लेता है ताकि प्रक्षेप पथ $\mu_k(t)$ आउटपुट किया जा सके, जो उप-अनुशासन के 'फॉरवर्ड मोमेंटम' का प्रतिनिधित्व करता है।

3. ज्यामितीय प्रशिक्षण गतिशीलता (Geometric Training Dynamics)

लेटेंट स्पेस को तीन विशिष्ट ज्यामितीय ऑब्जेक्टिव फंक्शन्स का उपयोग करके तराशा जाता है ताकि शोध पत्रों को क्षेत्र के विकासवादी मोमेंटम के साथ संरेखित किया जा सके:

स्पाइन बाइंडिंग लॉस ( $L_{spine}$ ): एक सेंट्रिपेटल बाधा जो पेपर एम्बेडिंग को प्रकाशन के सटीक समय पर उनके संबंधित टॉपिक स्पाइन्स से बांधती है, जिससे मनमानी बिखराव (dispersion) को रोका जा सके।
इंस्पिरेशन लॉस ( $L_{inspire}$ ): एक प्रेरक पेपर और एक प्रेरित पेपर के बीच ज्यामितीय ज्ञान जंप (knowledge jump) को टॉपिक स्पाइन के फॉरवर्ड मोमेंटम के साथ संरेखित करता है, यह सुनिश्चित करता है कि दिशात्मक ज्ञान प्रवाह क्षेत्र के भविष्य के प्रक्षेप पथ के अनुरूप हो।
वैनगार्ड लॉस ( $L_{vanguard}$ ): एक स्थानीयकृत बेसलाइन लॉस जो वास्तविक सफलताओं (breakthroughs) को अलग करता है। यह उच्च-प्रभाव वाले शोध पत्रों (जो अपने स्पैटियो-टेम्पोरल पड़ोस के औसत से अधिक हैं) को विषय के फॉरवर्ड मोमेंटम के साथ संरेखित होने के लिए प्रोत्साहित करता है, जबकि कम-प्रभाव वाले शोध पत्रों को दंडित करता है जो इस डेरिवेटिव के साथ प्रोजेक्ट करते हैं।

4. डाउनस्ट्रीम इम्पैक्ट इन्फरेंस (Downstream Impact Inference)

एक नए, अनदेखे पेपर के लिए, FAME पेपर के पोजीशनल रेसिडुअल ( $z_{new} - \mu(t_{new})$ ) और उसके टॉपिक स्पाइन के इंस्टेंटेनियस मोमेंटम ( $\mu'(t_{new})$ ) के बीच कोणीय संरेखण (angular alignment) का मूल्यांकन करके प्रभाव का पूर्वानुमान लगाता है। अनुमानित प्रभाव स्कोर इन दोनों वेक्टर्स के बीच कोसाइन सिमिलैरिटी (cosine similarity) है। यह दृष्टिकोण कोसाइन मेट्रिक्स का लाभ उठाता है, जो उच्च-आयामी स्थानों में मजबूत रहते हैं, बजाय यूक्लिडियन दूरी के।

मुख्य योगदान

LLM की सीमाओं का अनुभवजन्य अनावरण: अध्ययन व्यवस्थित रूप से वर्तमान LLM मूल्यांकनकर्ताओं की वैज्ञानिक प्रभाव का पूर्वानुमान लगाने में अक्षमता को मापता है, जिससे एक महत्वपूर्ण बाधा की पहचान होती है जहाँ स्थिर सिमेंटिक स्कोरिंग, टेम्पोरल मोमेंटम को पकड़ने में विफल रहती है।
नया स्पैटियो-टेम्पोरल फ्रेमवर्क: FAME एक निरंतर-समय मैनिफोल्ड आर्किटेक्चर पेश करता है जो मूल्यांकन के प्रतिमान को स्थिर सिमेंटिक स्कोरिंग से बदलकर डायनेमिक ज्योमेट्रिक एलाइनमेंट (क्षेत्र के विकासवादी प्रक्षेप पथ के साथ) में बदल देता है।
मजबूत भविष्य कहनेवाला प्रदर्शन: व्यापक प्रयोगों से पता चलता है कि FAME प्रोस्पेक्टिव इम्पैक्ट फोरकास्टिंग में स्टेट-ऑफ-द-आर्ट LLMs और पारंपरिक मशीन लर्निंग बेसलाइन्स को लगातार पछाड़ देता है।

प्रयोगात्मक परिणाम

फ्रेमवर्क का मूल्यांकन 3,200 arXiv पेपर्स पर तीन तेजी से विकसित हो रहे उप-क्षेत्रों: टाइम सीरीज़ फोरकास्टिंग, स्पार्स अटेंशन और इमेज जनरेशन में किया गया। प्रोस्पेक्टिव फोरकास्टिंग का अनुकरण करने के लिए 18 महीने की स्लाइडिंग विंडो का उपयोग किया गया।

प्रदर्शन मेट्रिक्स: FAME ने एक औसत Spearman रैंक कोरिलेशन ( $\rho_s$ ) 0.50 से अधिक प्राप्त किया (विशेष रूप से विंडो के पहले भाग में 0.535 और दूसरे भाग में 0.513), जो सभी बेसलाइन्स को काफी पीछे छोड़ देता है।
बेसलाइन तुलना:
- ML मॉडल्स: पारंपरिक मॉडल (XGBoost, SVR, Transformer, TGCN) ने मध्यम लेकिन सीमित प्रदर्शन ( $\rho_s \approx 0.16 - 0.40$ ) दिखाया, जो टेम्पोरल मोमेंटम को पकड़ने में विफल रहे।
- LLMs: फ्रंटियर LLMs (GPT-4.1, GPT-5.2, DeepSeek-V3.2, आदि) और डोमेन-विशिष्ट SciJudge ने खराब और अस्थिर प्रदर्शन दिखाया, जो अक्सर रैंडम कोरिलेशन ( $\rho_s < 0.25$ ) के करीब उतार-चढ़ाव करते रहे।
एब्लेशन स्टडीज (Ablation Studies): किसी भी तीन ज्यामितीय लॉस (Spine, Inspiration, या Vanguard) को हटाने से प्रदर्शन में भारी गिरावट आई। Vanguard Loss को हटाने से सबसे गंभीर गिरावट आई, जिससे पुष्टि हुई कि स्थानीयकृत प्रभाव सामान्यीकरण (impact normalization) ब्रेकथ्रू और मामूली कार्यों के बीच अंतर करने के लिए महत्वपूर्ण है।
LLM इंटीग्रेशन: FAME के मैनिफोल्ड स्कोर को मानक LLMs में स्पष्ट संदर्भ के रूप में एकीकृत करने से उनके भविष्य कहनेवाला प्रदर्शन में उल्लेखनीय वृद्धि हुई (औसत $\rho_s$ में +0.15 से +0.29 की वृद्धि), जो यह सुझाव देता है कि LLMs तब बेहतर कार्य करते हैं जब वे ज्यामितीय रूप से क्षेत्र के मोमेंटम से बंधे हों।

महत्व और दावे

यह शोध पत्र पांडुलिपि प्रभाव पूर्वानुमान (manuscript impact forecasting) को वैज्ञानिक मूल्यांकन के लिए एक उपयोगी, मापने योग्य प्रॉक्सी बेंचमार्क के रूप में स्थापित करता है। यह तर्क देता है कि एक पूरी तरह से औपचारिक पांडुलिपि के प्रक्षेप पथ का पूर्वानुमान लगाने की क्षमता, कच्ची परिकल्पनाओं (raw hypotheses) के प्रभावी मूल्यांकन के लिए एक आवश्यक आधार है।

लेखक दावा करते हैं कि FAME स्वचालित वैज्ञानिक मूल्यांकन के लिए एक मजबूत, प्रक्षेप पथ-जागरूक आधार प्रदान करता है। यह तर्क देते हुए कि शोध पत्रों को एक गतिशील लेटेंट स्पेस में प्रोजेक्ट करना, जो निरंतर टॉपिक स्पाइन्स द्वारा संरचित है, FAME 'ज्यामितीय बाधा' (geometric bottleneck) को हल करता है जहाँ नवीन उच्च-प्रभाव वाला शोध अक्सर साधारण कार्य के साथ उलझा रहता है। इसके बजाय, FAME विचारों का मूल्यांकन उनके क्षेत्र के विकासवादी मोमेंटम के साथ उनके ज्यामितीय संरेखण के आधार पर करता है, जो वर्तमान स्थिर, टेक्स्ट-आधारित LLM मूल्यांकनकर्ताओं की तुलना में प्रभावशाली शोध को अलग करने के लिए एक अधिक मजबूत तंत्र प्रदान करता है।

कार्य इस निष्कर्ष के साथ समाप्त होता है कि जबकि LLMs का उपयोग शोध के मूल्यांकन के लिए तेजी से किया जा रहा है, वे अपनी स्थिर प्रकृति के कारण प्रभावशाली शोध को विश्वसनीय रूप से पहचानने में विफल रहते हैं। FAME एक निरंतर-समय मैनिफोल्ड लर्निंग दृष्टिकोण पेश करके इसे संबोधित करता है जो वैज्ञानिक क्षेत्रों के मैक्रोस्कोपिक विकास को कैप्चर करता है, जिससे यह अगली पीढ़ी के AI-संचालित वैज्ञानिक खोज के लिए एक महत्वपूर्ण उपकरण बन जाता है।