Beyond AI as Assistants: Toward Autonomous Discovery in Cosmology
यह शोध पत्र दो पूरक एआई एजेंट प्रणालियों, \texttt{CMBEvolve} और \texttt{CosmoEvolve} को प्रस्तुत करता है, जो क्रमशः कोड विकास के माध्यम से मात्रात्मक कार्यों को अनुकूलित करके और ओपन-एंडेड अनुसंधान वर्कफ़्लो को प्रबंधित करके कॉस्मोलॉजी (ब्रह्मांड विज्ञान) में स्वायत्त वैज्ञानिक खोज को आगे बढ़ाते हैं, जैसा कि कमजोर-लेंसिंग मानचित्र विश्लेषण और ACT DR6 डेटा प्रोसेसिंग पर उनके सफल अनुप्रयोग द्वारा प्रदर्शित किया गया 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 आपके पास प्रतिभाशाली, अथक शोध सहायकों (research assistants) की एक टीम है जो न केवल आदेशों का पालन करती है बल्कि वास्तव में यह भी समझ सकती है कि समस्याओं को कैसे हल किया जाए। यह लिकोंग ज़ू (Licong Xu) और थॉमस बोरेट (Thomas Borrett) के इस शोध पत्र के पीछे का मूल विचार है। वे दो अलग-अलग प्रकार के "AI वैज्ञानिकों" का परीक्षण कर रहे हैं ताकि यह देखा जा सके कि क्या कंप्यूटर केवल संख्याओं की गणना करने से कहीं अधिक कुछ कर सकते हैं—वे यह देखना चाहते हैं कि क्या AI वास्तव में ब्रह्मांड विज्ञान (cosmology - ब्रह्मांड का अध्ययन) में नई चीजों की खोज कर सकता है।
यहाँ उनके दो दृष्टिकोणों का एक सरल विवरण दिया गया, जिसमें रोजमर्रा के उदाहरणों का उपयोग किया गया है:
1. "कोड का टूर्नामेंट" (CMBEvolve)
सर्वश्रेष्ठ: उन कार्यों के लिए जहाँ आप ठीक से जानते हैं कि "जीतना" कैसा दिखता है (जैसे कि एक गणितीय समस्या जिसका एक सही उत्तर होता है)।
CMBEvolve को एक विशाल, स्वचालित कोडिंग टूर्नामेंट के रूप में समझें।
- सेटअप: आप AI को एक विशिष्ट लक्ष्य देते हैं, जैसे "ब्रह्मांड के इन मानचित्रों में नकली डेटा को पहचानने का सबसे अच्छा तरीका खोजें।"
- प्रक्रिया: AI केवल एक प्रोग्राम नहीं लिखता और उम्मीद नहीं करता कि वह काम कर जाएगा। इसके बजाय, यह एक कोच की तरह काम करता है जो 'ट्री-सर्च' (tree-search) टूर्नामेंट चला रहा है।
- यह एक बुनियादी "वॉर्म-अप" विचार से शुरू होता है।
- यह उस कोड के कई संस्करण (mutations) बनाता है, जैसे कि एक शेफ अलग-अलग रेसिपी आज़माता है।
- यह प्रत्येक संस्करण को चलाता है, उन्हें स्कोर देता है, और विजेताओं को रखता है।
- फिर यह सर्वश्रेष्ठ विजेताओं को लेता है, उन्हें आपस में मिलाता है, और फिर से प्रयास करता है।
- परिणाम: उनके परीक्षण में, AI को 'वीक-लेंसिंग' (weak-lensing) मानचित्रों में "आउट-ऑफ-डिस्ट्रीब्यूशन" त्रुटियों को खोजने के लिए कहा गया था (मूल रूप से ऐसा डेटा खोजना जो नियमों के अनुकूल न हो)। हजारों छोटे, स्वचालित बदलावों के माध्यम से, AI ने धीरे-धीरे अपने स्कोर में सुधार किया, और एक ऐसा समाधान विकसित किया जो शायद एक इंसान अकेले इतनी जल्दी नहीं खोज पाता।
उपमा: कल्पना कीजिए कि आप एक ताले को खोलने के लिए सही चाबी खोजने की कोशिश कर रहे हैं। केवल एक चाबी का अनुमान लगाने के बजाय, आपके पास एक रोबोट है जो 1,000 चाबियाँ बनाता है, उन सभी को आज़माता है, जो ताले को थोड़ा सा घुमा देती हैं उन्हें रखता है, और फिर उन "लगभग सही" चाबियों का उपयोग करके 1,000 नई, थोड़ी बेहतर चाबियाँ बनाता है। अंततः, वह सही चाबी ढूंढ लेता है।
2. "आभासी अनुसंधान प्रयोगशाला" (CosmoEvolve)
सर्वश्रेष्ठ: खुले अंत वाले रहस्यों के लिए जहाँ आप अभी तक उत्तर नहीं जानते (जैसे कि एक नए महाद्वीप की खोज करना)।
CosmoEvolve को एक वास्तविक विश्वविद्यालय अनुसंधान प्रयोगशाला के सिमुलेशन के रूप में समझें।
- सेटअप: आपके पास एक "प्रिंसिपल इन्वेस्टिगेटर" (PI) एजेंट (बॉस) और "स्टूडेंट" एजेंटों (वर्कर्स) की एक टीम है।
- प्रक्रिया:
- PI बड़े चित्र (big picture) को देखता है, "बैठकें" आयोजित करता है, और कार्य सौंपता है।
- स्टूडेंट्स के पास अपने स्वयं के उपकरण, कौशल और यादें होती हैं। वे केवल एक स्क्रिप्ट का पालन नहीं करते; वे डेटा का पता लगा सकते हैं, कोड लिख सकते हैं और यहाँ तक कि कार्यों को छोटे उप-कार्यों में भी विभाजित कर सकते हैं।
- वे सभी एक "ब्लैकबोर्ड" साझा करते हैं जहाँ वे अपने निष्कर्ष, समीक्षाएं और विचार पोस्ट करते हैं।
- परिणाम: टीम को अटाकामा कॉस्मोलॉजी टेलीस्कोप (ACT DR6) से वास्तविक डेटा दिया गया था, जिसमें यह निर्देश नहीं दिया गया था कि क्या खोजना है। AI टीम ने डेटा का अपने आप अन्वेषण किया। उन्होंने पाया कि टेलीस्कोप डेटा के विभिन्न हिस्से उपयोग की जाने वाली फ्रीक्वेंसी (frequency) के आधार पर अलग-अलग व्यवहार करते हैं। उन्होंने पता लगाया कि आप सभी डेटा के लिए एक ही "नियमों" का उपयोग नहीं कर सकते; कुछ हिस्सों का विश्लेषण अधिक सावधानी से किया जाना चाहिए।
उपमा: कल्पना कीजिए कि एक जासूस (PI) मेज पर बिना क्रम के रखे गए सबूतों का ढेर डाल देता है और कहता है, "पता लगाओ कि क्या चल रहा है।" वह जासूस अलग-अलग विशेषज्ञों (स्टूडेंट्स) को सबूतों को देखने के लिए नियुक्त करता है। एक उंगलियों के निशान (fingerprints) की जाँच करता है, दूसरा समय-सीमा (timeline) की जाँच करता है, और तीसरा मौसम की रिपोर्ट देखता है। वे एक-दूसरे से बात करते हैं, यह महसूस करते हैं कि मौसम की रिपोर्ट उंगलियों के निशान के दिखने के तरीके को कैसे बदल देती है, और मिलकर उस पूरे रहस्य की व्याख्या करने के लिए एक रिपोर्ट लिखते हैं।
यह क्यों महत्वपूर्ण है
यह शोध पत्र तर्क देता है कि आज का विज्ञान मनुष्यों के लिए अकेले करने के लिए बहुत जटिल और महंगा होता जा रहा है।
- CMBEvolve दिखाता है कि AI स्पष्ट नियमों वाले कार्यों के लिए एक "सुपर-ऑप्टिमाइज़र" (super-optimizer) हो सकता है।
- CosmoEvoIe दिखाता है कि AI उन समस्याओं के लिए एक "सुपर-एक्सप्लोरर" (super-explorer) हो सकता है जहाँ नियम अभी स्पष्ट नहीं हैं।
लेखक यह दावा नहीं कर रहे हैं कि इन प्रणालियों ने ब्रह्मांड को सुलझा लिया है। इसके बजाय, वे दिखा रहे हैं कि ये दो अलग-अलग "AI वैज्ञानिक" शैलियाँ ब्रह्मांड के विभिन्न पहेलियों के लिए अच्छी तरह से काम करती हैं, जो एक ऐसे भविष्य का मार्ग प्रशस्त करती हैं जहाँ AI मनुष्यों को ब्रह्मांड के बारे में नई चीजें खोजने में मदद करेगा।
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।