🤖 AI

MaD Physics: Evaluating information seeking under constraints in physical environments

यह शोध पत्र MaD Physics को प्रस्तुत करता है, जो एक नया बेंचमार्क है जिसे परिवर्तित भौतिक नियमों वाले वातावरण में परीक्षण करके एआई एजेंटों की भौतिक नियमों को अनुमान लगाने और संसाधन संबंधी बाधाओं के तहत मापन की योजना बनाने की क्षमता का मूल्यांकन करने के लिए डिज़ाइन किया गया है, जिससे वर्तमान जेमिनी (Gemini) मॉडलों की वैज्ञानिक तर्क और संरचित अन्वेषण क्षमताओं की सीमाओं का पता चलता है।

मूल लेखक: Moksh Jain, Mehdi Bennani, Johannes Bausch, Yuri Chervonyi, Bogdan Georgiev, Simon Osindero, Nenad Tomašev

प्रकाशित 2026-05-12

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Moksh Jain, Mehdi Bennani, Johannes Bausch, Yuri Chervonyi, Bogdan Georgiev, Simon Osindero, Nenad Tomašev

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 रहस्य सुलझाने वाले जासूस हैं, लेकिन आपका एक बहुत सख्त नियम है: आपके पास सुरागों पर खर्च करने के लिए सीमित मात्रा में पैसा है।

यह MaD Physics (Measuring and Discovering Physics) नामक एक नए शोध प्रोजेक्ट का मूल विचार है। Google DeepMind और Mila के शोधकर्ताओं ने यह देखने के लिए एक वीडियो-गेम जैसा परीक्षण बनाया है कि AI "वैज्ञानिक" कितनी अच्छी तरह यह समझ पाते हैं कि दुनिया कैसे काम करती है, जब वे केवल टेक्स्टबुक से उत्तर नहीं देख सकते और हर चीज़ की जाँच करने का खर्च नहीं उठा सकते।

यहाँ इसका एक सरल विवरण दिया गया है कि यह कैसे काम करता है और उन्होंने क्या पाया:

1. खेल: "द मिस्ट्री बॉक्स" (रहस्यमयी डिब्बा)

इस परीक्षण में, AI को एक आभासी दुनिया में छोड़ दिया जाता है जहाँ वस्तुएं इधर-उधर घूम रही होती हैं। लेकिन एक पेच है: इस दुनिया में भौतिकी (physics) के नियम थोड़े टूटे हुए या "बदले हुए" हैं।

शायद गुरुत्वाकर्षण चीजों को सामान्य तरीके से नीचे नहीं खींचता है।
शायद पानी एक ऐसे पैटर्न में घूमता है जो सामान्य तरल गति विज्ञान (fluid dynamics) को चुनौती देता है।
शायद कण (particles) ऐसे व्यवहार करते हैं जैसे वे अदृश्य धागों से जुड़े हों जो हमारे वास्तविक संसार में मौजूद नहीं हैं।

AI इन नियमों को नहीं जानता। उसे वस्तुओं के हिलने-डुलने को देखकर इन्हें समझना होगा।

2. चुनौती: "क्लू बजट" (सुराग का बजट)

यहीं पर "MaD" का महत्व आता है। AI के पास एक बजट होता है (जैसे सिक्कों की एक निश्चित संख्या वाला बटुआ)।

किसी वस्तु को देखना पैसे खर्च करना है।
बारीकी से देखना (उच्च सटीकता) बहुत अधिक खर्च करता है।
दूर से देखना (कम सटीकता) थोड़ा कम खर्च करता है।
देखने के लिए अधिक समय तक इंतजार करना अधिक समय (और पैसा) खर्च करता है।

AI को स्मार्ट विकल्प चुनने होंगे: "क्या मुझे अपना पूरा बजट एक वस्तु की बहुत बारीकी से जांच करने में खर्च कर देना चाहिए, या मुझे दस अलग-अलग वस्तुओं को थोड़ा-थोड़ा करके देखने में खर्च करना चाहिए ताकि एक मोटा अंदाज़ा मिल सके?"

यदि AI गलत अनुमानों पर अपना पैसा बर्बाद करता है, तो वह रहस्य सुलझाने से पहले ही अपने सिक्के खत्म कर देता है। एक बार पैसा खत्म हो जाने के बाद, खेल रुक जाता है, और AI को यह भविष्यवाणी करनी होती है कि वस्तुएं भविष्य में कहाँ होंगी, जो केवल उन सुरागों पर आधारित है जिन्हें उसने खरीदा था।

3. तीन दुनियाएँ

यह सुनिश्चित करने के लिए कि AI केवल वास्तविक दुनिया के तथ्यों को रट नहीं रहा है, उन्होंने इसे तीन अलग-अलग "ब्रह्मांडों" में परखा:

द बाउंसी बॉल वर्ल्ड (शास्त्रीय यांत्रिकी - Classical Mechanics): वस्तुएं उछल रही हैं और टकरा रही हैं, लेकिन एक अजीब, अदृश्य "याददाश्त" (memory) के साथ जो उन्हें कुछ दिशाओं में धकेलना कठिन बनाती है।
द स्वर्लिंग वॉटर वर्ल्ड (तरल यांत्रिकी - Fluid Mechanics): एक तरल जो बहता है, लेकिन एक अदृश्य "विदेशी बल" (alien force) के साथ जो इसे अजीब, घूमने वाले पैटर्न में धकेलता है।
द घोस्ट पार्टिकल वर्ल्ड (क्वांटम यांत्रिकी - Quantum Mechanics): सूक्ष्म कण जो तरंगों (waves) की तरह कार्य करते हैं, लेकिन एक ट्विस्ट के साथ: जब आप उन्हें देखते हैं तो उनके प्रकट होने के नियम वास्तविक जीवन से अलग होते हैं।

4. परीक्षण विषय

शोधकर्ताओं ने यह देखने के लिए Google के चार अलग-अलग Gemini AI मॉडलों (एक छोटे, तेज़ मॉडल से लेकर एक बड़े, स्मार्ट मॉडल तक) का परीक्षण किया कि वे इस खेल में कितने अच्छे हैं।

5. परिणाम: AI ने कहाँ गलती की

परिणाम AI के लिए थोड़े विनम्र बनाने वाले थे:

वे "रणनीतिक" होने में संघर्ष करते रहे: AI अक्सर अपने बजट का अक्षम रूप से उपयोग करता था। वे कभी-कभी गलत चीजों को देखते थे या उन चीजों को बहुत बारीकी से देखते थे जिनका कोई महत्व नहीं था, जिससे वे पैटर्न समझने से पहले ही पैसा खत्म कर देते थे।
वे "नए नियम आविष्कार" नहीं कर सके: जब भौतिकी बदली हुई थी, तो AI अक्सर वास्तविक दुनिया के नियमों को नई दुनिया पर थोपने की कोशिश करता था। यह सुडोकू पहेली को शतरंज के नियमों का उपयोग करके हल करने जैसा था।
बेहतर मॉडल बेहतर थे, लेकिन पूर्णतः नहीं: स्मार्ट AI मॉडल (जैसे Gemini 3) कम गलतियाँ करते थे और भविष्य की भविष्यवाणी करने में बेहतर थे, लेकिन वे अभी भी बदली हुई भौतिकी के "गुप्त कोड" को पूरी तरह से समझने में सक्षम नहीं थे।
विजुअल्स (दृश्य) ने इसे कठिन बना दिया: जब AI को केवल संख्याओं के बजाय चलती हुई वस्तुओं की तस्वीरों को देखना पड़ा, तो वह और भी भ्रमित हो गया।

निचोड़

यह शोध पत्र निष्कर्ष निकालता है कि जबकि AI उन सवालों के जवाब देने में बहुत अच्छा हो रहा है जिनके उत्तर वह पहले से जानता है, वह अभी भी वास्तविक वैज्ञानिक खोज (true scientific discovery) के लिए संघर्ष कर रहा है: यानी सीमित संसाधनों का बुद्धिमानी से उपयोग करने, नया डेटा एकत्र करने और उन नियमों को समझने की क्षमता जो अभी तक अस्तित्व में नहीं हैं।

इसे इस तरह सोचें: AI एक लाइब्रेरियन (मौजूदा किताबें खोजने वाला) होने में बहुत अच्छा है, लेकिन वह अभी भी एक एक्सप्लोरर/खोजकर्ता (एक ऐसे क्षेत्र का मानचित्र बनाने वाला जिसे किसी ने नहीं देखा है) बनने के लिए सीख रहा है। MaD Physics शोधकर्ताओं के लिए एक नया नक्शा है ताकि वे देख सकें कि AI वास्तव में कहाँ रास्ता भटक जाता है ताकि वे इसे बेहतर ढंग से अन्वेषण करना सिखा सकें।

तकनीकी सारांश: MaD Physics – भौतिक वातावरण में बाधाओं के तहत सूचना अन्वेषण का मूल्यांकन

समस्या विवरण
वैज्ञानिक खोज स्वाभाविक रूप से एक संसाधन-सीमित प्रक्रिया है, जिसमें एजेंटों को भौतिक, अस्थायी और वित्तीय सीमाओं के कारण माप की गुणवत्ता और मात्रा के बीच संतुलन बनाने की आवश्यकता होती है। जबकि मौजूदा बेंचमार्क वैज्ञानिक खोज के लिए स्थिर ज्ञान-आधारित तर्क (जैसे, स्मृतिबद्ध तथ्यों पर आधारित प्रश्न-उत्तर) या अबाधित प्रयोगात्मक डिजाइन पर ध्यान केंद्रित करते हैं, वे सख्त बाधाओं के तहत रणनीतिक माप करने और योजना बनाने की एजेंट की क्षमता का मूल्यांकन करने में विफल रहते हैं। इसके अलावा, मानक बेंचमार्क अक्सर सुस्थापित भौतिक नियमों पर निर्भर करते हैं, जिससे एजेंट स्मृति पुनर्प्राप्ति (knowledge retrieval) के माध्यम से सफल हो जाते हैं न कि अनुभवजन्य खोज (empirical discovery) के माध्यम से। उन एजेंटों के मूल्यांकन में एक महत्वपूर्ण अंतर है जिन्हें सक्रिय रूप से जानकारी एकत्र करनी पड़ती है, एक सीमित बजट प्रबंधित करना पड़ता है, और उन वातावरणों में अंतर्निहित गतिकी (dynamics) का अनुमान लगाना पड़ता है जहाँ नियम अज्ञात या परिवर्तित हो सकते हैं।

कार्यप्रणाली: MaD Physics बेंचमार्क
इस अंतर को दूर करने के लिए, लेखक MaD Physics (Measuring and Discovering Physics) का प्रस्ताव करते हैं, जो माप की गुणवत्ता और मात्रा पर बाधाओं के अधीन सूचनात्मक माप करने और निष्कर्ष निकालने की क्षमता का मूल्यांकन करने के लिए डिज़ाइन किया गया एक बेंचमार्क है।

वातावरण डिजाइन: यह बेंचमार्क शास्त्रीय यांत्रिकी (Classical Mechanics), द्रव यांत्रिकी (Fluid Mechanics), और क्वांटम यांत्रिकी (Quantum Mechanics) पर आधारित तीन विशिष्ट पैरामीट्रिक वातावरणों से बना है। एजेंटों को पूर्व-प्रशिक्षित ज्ञान पर निर्भर होने से रोकने के लिए, प्रत्येक वातावरण में "परिवर्तित" भौतिक नियम शामिल हैं (जैसे, एनिसोट्रोपिक जड़त्वीय द्रव्यमान, $1/R$ या रिपल इफेक्ट जैसे संशोधित गुरुत्वाकर्षण नियम, गैर-रेखीय एंटैंगमेंट इनिशियलाइजेशन, और $L_p$ -नॉर्म के साथ सामान्यीकृत बोर्न नियम)।
मूल्यांकन प्रोटोकॉल: मूल्यांकन दो चरणों में होता है:
1. मापन चरण (Measurement Phase): एजेंट एक निश्चित बजट $B$ के तहत कार्य करता है। उसे क्रमवार रूप से यह चुनना होगा कि क्या मापना है (जैसे, विशिष्ट कण या निर्देशांक), कब मापना है (समय चरण), और किस शुद्धता (शोर स्तर) के साथ मापना है। प्रत्येक अवलोकन एक लागत $C(o_k, \sigma_k)$ उत्पन्न करता है, जो शुद्धता (कम शोर) के साथ बढ़ती है। एजेंट को बजट के भीतर सूचना लाभ (information gain) को अधिकतम करना होता है।
2. भविष्यवाणी चरण (Prediction Phase): बजट समाप्त होने या अधिकतम समय $T_{max}$ पहुँचने के बाद, एजेंट को अंतर्निहित भौतिक नियम का अनुमान लगाना होता है और भविष्य के क्वेरी समय $T_{query} > T_{max}$ पर सिस्टम की स्थिति की भविष्यवाणी करनी होती है।
एजेंट कार्यान्वयन: लेखक चार Gemini मॉडलों (2.5 Flash Lite, 2.5 Flash, 2.5 Pro, और 3 Flash) का एक न्यूनतम एजेंट स्कैफोल्ड (कोड निष्पादन क्षमताओं के साथ) का उपयोग करके मूल्यांकन करते हैं। दो प्रॉम्प्टिंग रणनीतियों का परीक्षण किया जाता है: एक "Base" प्रॉम्प्ट जो सामान्य संदर्भ प्रदान करता है और एक "Strategy" प्रॉम्प्ट जो बेयसियन प्रयोगात्मक डिजाइन से प्रेरित है, जो एजेंट को प्रति इकाई लागत पर अपेक्षित सूचना लाभ (Expected Information Gain - EIG) को अधिकतम करने का निर्देश देता है।

प्रमुख योगदान

नवीन बेंचमार्किंग कार्यप्रणाली: यह शोध पत्र भौतिक डोमेन में सूचना खोजने वाले एजेंटों के मूल्यांकन के लिए एक ढांचा पेश करता है जो प्रयोगात्मक डिजाइन में लागत-शुद्धता (cost-fidelity) के व्यापार-बंद (trade-off) पर स्पष्ट रूप से जोर देता है, जो इसे स्थिर तर्क कार्यों से आगे ले जाता है।
परिवर्तित नियमों के साथ पैरामीट्रिक वातावरण: तीन वातावरणों (शास्त्रीय, द्रव, क्वांटम) का समूह मानक भौतिक नियमों में विशिष्ट, प्रलेखित परिवर्तनों को शामिल करता है। यह सुनिश्चित करता है कि एजेंट स्मृतिबद्ध ज्ञान प्राप्त करने के बजाय सक्रिय खोज में संलग्न हों।
फ्रंटियर मॉडल्स का व्यापक बेंचमार्किंग: लेखक MaD Physics पर कई Gemini मॉडलों का बेंचमार्किंग करते हैं, कानून के परिवर्तन के विभिन्न स्तरों पर उनके प्रदर्शन का विश्लेषण करते हैं और वैज्ञानिक अनिश्चितता के नेविगेशन में रणनीतिक प्रॉम्प्टिंग के प्रभाव को प्रदर्शित करते हैं।

अनुभवजन्य परिणाम

मॉडल प्रदर्शन: सामान्य तौर पर, मॉडल क्षमता (Flash Lite से Flash Pro और 3 Flash तक) के साथ प्रदर्शन में सुधार होता है। हालांकि, सबसे सक्षम मॉडल भी परिवर्तित कॉन्फ़िगरेशन के साथ संघर्ष करते हैं।
भविष्यवाणी सटीकता: एजेंट अक्सर ऐसी भविष्यवाणियां करते हैं जो सीमाओं से बाहर या गलत होती हैं, यहाँ तक कि सामान्य भौतिक विन्यास में भी। जबकि "Strategy" प्रॉम्प्ट व्यवस्थित डेटा संग्रह को लागू करके प्रदर्शन में सुधार करता है, महत्वपूर्ण त्रुटियां बनी रहती हैं।
प्रतीकात्मक बनाम भविष्य कहनेवाला सटीकता (Symbolic vs. Predictive Accuracy): एक प्रमुख निष्कर्ष भविष्य कहने वाली सटीकता और प्रतीकात्मक रिकवरी के बीच का अंतर है। एजेंट अक्सर अंतर्निहित भौतिक नियम के सही प्रतीकात्मक रूप को पहचानने में विफल रहते हैं (जैसे, $1/r^2$ और $1/r$ गुरुत्वाकर्षण के बीच अंतर करने में विफल रहना), भले ही वे उचित भविष्यवाणियां कर सकते हों।
बहुविधता (Multimodality) और इन-कॉन्टेक्स्ट लर्निंग:
- दृश्य अवलोकन: जब एजेंटों को संख्यात्मक डेटा के बजाय दृश्य चित्रण (visual renderings) प्रदान किए जाते हैं, तो भविष्यवाणी त्रुटियां काफी बढ़ जाती हैं, हालांकि मॉडल क्षमता के संबंध में रुझान सुसंगत रहते हैं।
- इन-कॉन्टेक्स्ट लर्निंग: कई परीक्षणों के माध्यम से, Gemini 3 Flash भविष्यवाणी त्रुटि को कम करने की क्षमता प्रदर्शित करता है, जबकि Gemini 2.5 Pro परिवर्तित कॉन्फ़िगरेशन में सीखने में विफल रहता है।
पैरामीटर अनुमान: एक वेरिएंट में जहाँ संरचनात्मक रूप ज्ञात है और लक्ष्य एक एकल पैरामीटर ( $\kappa$ ) का अनुमान लगाना है, एजेंट अक्सर पैरामीटर को कम आंकते हैं, जो मानक भौतिकी की ओर एक पूर्वाग्रह दिखाता है।

महत्व और दावे
यह शोध पत्र MaD Physics को उन बेंचमार्क की दिशा में एक कदम के रूप में प्रस्तुत करता है जो वैज्ञानिक खोज की खोजपूर्ण और असंरचित प्रकृति को कैप्चर करते हैं। लेखक दावा करते हैं कि MaD Physics प्रभावी रूप से फ्रंटियर-लेवल मॉडल्स की गतिशील सूचना-खोज कार्यों के संबंध में कमियों की पहचान करता है। विशेष रूप से, बेंचमार्क निम्नलिखित को उजागर करता है:

खराब डाउनस्ट्रीम प्रेडिक्टिव प्रदर्शन जब एजेंट स्मृतिबद्ध कानूनों पर निर्भर नहीं रह पाते।
भौतिक नियमों के सटीक प्रतीकात्मक अभिव्यक्तियों को रिकवर करने में कठिनाई, भले ही डेटा उपलब्ध हो।
बाधाओं के तहत रणनीतिक योजना की आवश्यकता, एक ऐसी क्षमता जहाँ वर्तमान मॉडलों में सुधार की काफी गुंजाइश है।

लेखक निष्कर्ष निकालते हैं कि जबकि वर्तमान मॉडल तर्क करने में आशाजनक दिखते हैं, वे वैज्ञानिक जांच की व्यावहारिक वास्तविकताओं के साथ संघर्ष करते हैं: सूचना लाभ को अधिकतम करने के लिए सीमित संसाधनों का आवंटन करना और बाधित, शोर वाले डेटा से नवीन गतिकी का अनुमान लगाना। भविष्य के कार्य के लिए अधिक परिष्कृत एजेंट स्कैफोल्ड, अनुकूलित प्रॉम्प्टिंग और अधिक जटिल भौतिक प्रणालियों के विस्तार की खोज करने का सुझाव दिया गया है।