Knowledge Graph-Driven Expert-Level Reasoning for Neuroscience
यह शोधपत्र प्रदर्शित करता है कि एक एकल तंत्रिका विज्ञान (न्यूरोसाइंस) पाठ्यपुस्तक से प्राप्त उच्च-गुणवत्ता वाले नॉलेज ग्राफ पर, मल्टी-हॉप क्यू एंड ए (QA) प्रशिक्षण और सुदृढीकरण शिक्षण (रीइन्फोर्समेंट लर्निंग) के साथ संवर्धित करके, एक भाषा मॉडल को विशेष रूप से फाइन-ट्यून करना, विशेषज्ञ-स्तरीय तर्क क्षमता को सक्षम बनाता है जो सटीकता में बड़े भाषा मॉडलों से बेहतर है जबकि इसमें आदेशों के परिमाण (ऑर्डर्स ऑफ मैग्नीट्यूड) कम पैरामीटर्स का उपयोग होता 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 आप एक कंप्यूटर को न्यूरोसाइंस (तंत्रिका विज्ञान) में विश्व स्तरीय विशेषज्ञ बनने के लिए सिखाना चाहते हैं। पारंपरिक तरीका यह है कि कंप्यूटर को पूरे इंटरनेट का डेटा खिला दिया जाए, इस उम्मीद में कि वह लाखों किताबें, समाचार लेख और रैंडम ब्लॉग पढ़ते हुए गलती से सही तथ्य सीख लेगा। आज के अधिकांश बड़े AI मॉडल इसी तरह काम करते हैं। वे बहुत विशाल होते हैं, उन्हें सब कुछ थोड़ा-थोड़ा पता होता है, लेकिन जब आप उनसे मस्तिष्क के काम करने के तरीके के बारे में कोई बहुत विशिष्ट और गहरा प्रश्न पूछते हैं, तो वे अक्सर भ्रमित हो जाते हैं या गलत जानकारी देने लगते हैं (जिसे "हैलुसिनेशन" या भ्रम की समस्या कहा जाता है)।
यह शोध पत्र एक अलग, अधिक स्मार्ट तरीके का प्रस्ताव करता है। इंटरनेट के पूरे महासागर में AI को डुबोने के बजाय, लेखकों ने इसे एक एकल, सटीक पाठ्यपुस्तक और पालन करने के लिए नियमों का एक विशिष्ट सेट देने का निर्णय लिया। वे इसे "बॉटम-अप" (नीचे से ऊपर की ओर) दृष्टिकोण कहते हैं।
यहाँ बताया गया है कि उन्होंने इसे कैसे किया, जिसे सरल चरणों में विभाजित किया गया है:
1. "तथ्य-जांचने वाले" लाइब्रेरियन (नॉलेज ग्राफ बनाना)
सबसे पहले, टीम ने एक प्रसिद्ध, आधिकारिक न्यूरोसाइंस पाठ्यपुस्तक (कैंडल एट अल. द्वारा) ली और एक AI से उससे सभी तथ्य निकालने को कहा। लेकिन AI आलसी हो सकता है या गलतियाँ कर सकता है। इसलिए, उन्होंने केवल एक AI पर भरोसा नहीं किया। उन्होंने दो अलग-अलग AI "लाइब्रेरियन" की एक प्रणाली स्थापित की।
हर बार जब पहला AI एक तथ्य निकालता था (जैसे कि "डोपामाइन स्ट्रिएटम को रोकता है"), तो दूसरे AI को पाठ्यपुस्तक के साथ उसकी जाँच करनी होती थी और कहना होता था, "हाँ, यह सच है," या "नहीं, यह गलत है।" केवल वे तथ्य रखे गए जिन पर दोनों लाइब्रेरियन सहमत थे। इससे तथ्यों का एक साफ, त्रुटि-मुक्त मानचित्र तैयार हुआ जिसे नॉलेज ग्राफ (Knowledge Graph) कहा जाता है। इस ग्राफ को मस्तिष्क की अवधारणाओं के एक विशाल, पूरी तरह से व्यवस्थित पारिवारिक वृक्ष (फैमिली ट्री) के रूप में सोचें, जहाँ हर संबंध 100% सत्य होने के लिए सत्यापित है।
2. "स्मार्ट एक्सपेंडर" (रिक्त स्थानों को भरना)
एक सटीक मानचित्र होने के बावजूद, कुछ संबंध गायब थे क्योंकि पाठ्यपुस्तक में उन्हें स्पष्ट रूप से एक वाक्य के रूप में नहीं लिखा गया था। इसे ठीक करने के लिए, उन्होंने GraphMERT नामक एक विशेष उपकरण का उपयोग किया। कल्पना कीजिए कि यह उपकरण एक जासूस की तरह है जो मौजूदा फैमिली ट्री को देखता है और कहता है, "यदि A का B से संबंध है, और B का C से संबंध है, तो A का C से भी संबंध होना चाहिए।" इसने मानचित्र में नए, तार्किक संबंधों की भविष्यवाणी करने और उन्हें जोड़ने के लिए गणित का उपयोग किया, जिन्हें बाद में लाइब्रेरियन द्वारा फिर से जांचा गया।
3. "ट्रेनिंग कैंप" (करिकुलम लर्निंग)
अब उनके पास मस्तिष्क के तर्क का एक सटीक मानचित्र था। लेकिन वे AI को इस मानचित्र का उपयोग करके सोचना कैसे सिखाएं? उन्होंने पूरे मानचित्र को AI के दिमाग में नहीं डाल दिया। इसके बजाय, उन्होंने एक प्रशिक्षण पाठ्यक्रम (training curriculum) बनाया, जैसे कि स्कूल का सिलेबस:
- स्तर 1 (1-hop): सरल प्रश्न जैसे "डोपामाइन क्या करता है?"
- स्तर 2 (2-hop): थोड़े कठिन प्रश्न जैसे "यदि डोपामाइन X को रोकता है, और X, Y को नियंत्रित करता है, तो Y का क्या होगा?"
- स्तर 3-5 (3 से 5 hops): बहुत जटिल तार्किक श्रृंखलाएं।
उन्होंने पहले AI को सरल तथ्य सिखाए (सुपरवाइज्ड फाइन-ट्यूनिंग)। फिर, उन्होंने रीइन्फोर्समेंट लर्निंग (Reinforcement Learning) नामक एक विशेष प्रशिक्षण पद्धति का उपयोग किया। यहाँ दिलचस्प बात यह है कि एक मानव शिक्षक द्वारा AI को ग्रेड देने के बजाय, नॉलेज ग्राफ ने स्वयं एक शिक्षक के रूप में कार्य किया।
यदि AI ने किसी समस्या को हल करने की कोशिश की, तो सिस्टम ने जाँच की: "क्या AI ने उत्तर प्राप्त करने के लिए मानचित्र पर सही पथ का पालन किया?"
- यदि AI ने सही उत्तर दिया लेकिन गलत पथ अपनाया (अंदाज़ा लगाया), तो उसे कम स्कोर मिला।
- यदि AI ने मानचित्र पर सटीक तार्किक पथ का पालन करके सही उत्तर दिया, तो उसे उच्च स्कोर मिला।
इसने AI को कैसे तर्क करना है यह सीखने के लिए मजबूर किया, न कि केवल यह कि उत्तर क्या है।
परिणाम: एक छोटा विशेषज्ञ बनाम एक विशाल सामान्यज्ञ
टीम ने अपने नए AI (जो अपेक्षाकृत छोटा है, 14 बिलियन पैरामीटर्स के साथ) का परीक्षण एक विशाल, अत्याधुनिक AI (जेमिनी 3.1 प्रो) के विरुद्ध किया, जिसे पूरे इंटरनेट पर प्रशिक्षित किया गया है।
चौंकाने वाला परिणाम: छोटा, पाठ्यपुस्तक-प्रशिक्षित AI, विशाल इंटरनेट-प्रशिक्षित AI को पछाड़ गया।
- सरल प्रश्नों पर, वे करीब थे।
- जटिल, बहु-चरणीय प्रश्नों (तर्क के 3 से 5 चरणों) पर, छोटा AI सटीक और तेज बना रहा, जबकि विशाल AI का प्रदर्शन गिरने लगा।
यह क्यों महत्वपूर्ण है (शोध पत्र के अनुसार)
पत्र का तर्क है कि किसी विशिष्ट क्षेत्र में सच्चा विशेषज्ञ बनने के लिए, मात्रा से बेहतर गुणवत्ता है।
- विशाल AI उस व्यक्ति की तरह है जिसने पुस्तकालय की हर किताब पढ़ ली है लेकिन कभी किसी विशिष्ट विषय का गहराई से अध्ययन नहीं किया है। वे किसी भी विषय पर चर्चा कर सकते हैं, लेकिन जब उन्हें एक जटिल, चरण-दर-चरण पहेली सुलझाने के लिए कहा जाता है, तो वे लड़खड़ा जाते हैं।
- छोटा AI उस छात्र की तरह है जिसने एक आदर्श पाठ्यपुस्तक को याद किया है और केवल उसी पुस्तक के तर्क के आधार पर पहेलियाँ हल करने का अभ्यास किया है। क्योंकि उन्होंने केवल पैटर्न का अंदाज़ा लगाने के बजाय "खेल के नियमों" (तथ्यों की संरचना) को सीखा, वे उस विशिष्ट क्षेत्र में एक सच्चा विशेषज्ञ बन गए।
संक्षेप में: लेखकों ने सिद्ध किया कि एक सुपर-स्मार्ट विशेषज्ञ बनाने के लिए आपको एक विशाल, अव्यवस्थित इंटरनेट डेटासेट की आवश्यकता नहीं है। यदि आप किसी मॉडल को तथ्यों का एक साफ, सत्यापित मानचित्र देते हैं और उसे उस मानचित्र पर पथों का अनुसरण करना सिखाते हैं, तो वह उन दिग्गजों से बेहतर प्रदर्शन कर सकता है जो बहुत बड़े हैं लेकिन कम केंद्रित हैं।
उन्होंने क्या दावा नहीं किया:
- उन्होंने यह नहीं कहा कि यह AI अस्पताल में मरीजों का निदान कर सकता है।
- उन्होंने यह नहीं कहा कि यह AI अपने आप नई दवाओं की खोज कर सकता है।
- उन्होंने यह दावा नहीं किया कि यह अभी हर विषय के लिए काम करता है (उन्होंने केवल न्यूरोसाइंस का परीक्षण किया)।
- उन्होंने उल्लेख किया कि AI केवल उतना ही जानता है जितना उस एक पाठ्यपुस्तक में है; यह उन हालिया खोजों के बारे में नहीं जानता जो अभी तक पाठ्यपुस्तकों में नहीं लिखी गई हैं।
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।