🤖 AI

Learning to Search and Searching to Learn for Generalization in Planning

यह शोध पत्र एक स्व-सुधार (self-improving) ढांचे का प्रस्ताव करता है जो एक रिलेशनल ग्राफ न्यूरल नेटवर्क को $\mathrm{WA}^\star$ सर्च के साथ एकीकृत करता है ताकि डीप रिइन्फोर्समेंट लर्निंग एजेंटों को स्पार्स-रिवॉर्ड प्लानिंग डोमेन में मजबूत ज़ीरो-शॉट सामान्यीकरण (zero-shot generalization) प्राप्त करने में सक्षम बनाया जा सके, जिससे वे बिना सर्च या विशेषज्ञ प्रदर्शन (expert demonstrations) के काफी बड़े समस्या इंस्टेंस को हल कर सकें।

मूल लेखक: Michael Aichmüller, Yannik Hesse, Hector Geffner

प्रकाशित 2026-05-26

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Michael Aichmüller, Yannik Hesse, Hector Geffner

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 रोबोट को एक जटिल पहेली हल करना सिखाने की कोशिश कर रहे हैं, जैसे कि सोकोबन (Sokoban) का एक विशाल खेल (जहाँ आप बक्सों को विशिष्ट स्थानों पर धकेलते हैं) या ब्लॉकवर्ल्ड (Blocksworld) (जहाँ आप ब्लॉकों को एक निश्चित क्रम में रखते हैं)।

सबसे बड़ी चुनौती केवल एक पहेली को हल करना नहीं है; बल्कि रोबोट को उस पहेली के किसी भी संस्करण को हल करना सिखाना है, भले ही वह पहेली उसने पहले कभी न देखी हो, जिसमें अधिक बक्से हों, अलग शुरुआती स्थितियाँ हों, या बड़े लक्ष्य हों। इसे जनरलाइजेशन (Generalization) कहा जाता है।

यहाँ बताया गया है कि "लर्निंग टू सर्च एंड सर्चिंग टू लर्न" (Learning to Search and Searching to Learn) नामक शोध पत्र इस समस्या को कैसे हल करता है, इसे सरल भाषा में समझाया गया है:

1. समस्या: भूलभुलैया में खो जाना

मानक AI प्रशिक्षण (डीप रिइन्फोर्समेंट लर्निंग) में, रोबोट आमतौर पर एक कदम उठाने, यह देखने कि क्या हुआ, और फिर दूसरा कदम उठाने से सीखता है। यह अंधेरी भूलभुलैया में हाथ से दीवार को छूते हुए चलने जैसा है।

समस्या: इन प्लानिंग पहेलियों में, "रिवॉर्ड्स" (समाधान खोजना) बहुत दुर्लभ होते हैं। यदि रोबोट बस बेतरतीब ढंग से भटकता रहता है, तो उसे बाहर निकलने का रास्ता खोजने में लाखों साल लग सकते हैं। वह डेड एंड (बंद रास्तों) या लूप में फंस जाता है।
पुराना तरीका: कुछ तरीके रोबोट को पहले समाधान दिखाते हैं (जैसे कि शिक्षक उत्तर कुंजी दिखाते हैं), लेकिन यह नकल करना है। अन्य तरीके लक्ष्य से पीछे की ओर चलते हुए सीखने की कोशिश करते हैं, जो इन विशिष्ट प्रकार के तर्क वाले पहेलियों के लिए हमेशा काम नहीं करता है।

2. समाधान: "स्मार्ट मैप" और "सेल्फ-इंप्रूविंग लूप"

लेखक एक नई विधि प्रस्तावित करते हैं जिसे GSP (जेनरालाइज्ड सर्च फॉर प्लानिंग) कहा जाता है। अंधेरे में भटकने के बजाय, वे रोबोट को दो सुपरपावर देते हैं जो एक-दूसरे की मदद करते हैं:

A. "स्मार्ट मैप" (द ह्यूरिस्टिक)

सोचिए कि रोबोट के पास एक जादुई नक्शा (एक न्यूरल नेटवर्क) है जो वर्तमान पहेली को देखता है और अनुमान लगाता है: "अगर मैं इस बक्से को यहाँ धकेलता हूँ, तो क्या मैं फिनिश लाइन के करीब पहुँच जाऊँगा?"

यह नक्शा केवल अनुमान नहीं लगाता; यह अनुभव से सीखता है।
महत्वपूर्ण रूप से, यह नक्शा रिलेशनल ग्राफ न्यूरल नेटवर्क्स (Relational Graph Neural Networks) का उपयोग करके बनाया गया है। कल्पना करें कि पहेली के टुकड़े (ब्लॉक, बॉक्स) एक कहानी के पात्र हैं। नक्शा उनके बीच के संबंधों को समझता है (जैसे, "बॉक्स A, बॉक्स B के ऊपर है") न कि उन्हें केवल पिक्सल के रूप में देखता है। यह नक्शे को नियमों को समझने की अनुमति देता है, भले ही पहेली कितनी भी बड़ी क्यों न हो जाए।

B. "स्मार्ट सर्च" (द एक्सप्लोरर)

एक समय में एक कदम उठाने के बजाय, रोबोट बेस्ट-फर्स्ट सर्च (विशेष रूप से WA* नामक एल्गोरिदम) का उपयोग करता है।

उपमा: कल्पना कीजिए कि आप जंगल में एक खोए हुए कुत्ते को खोज रहे हैं।
- मानक RL (रियल-टाइम सर्च): आप एक रैंडम रास्ता चुनते हैं, 10 कदम चलते हैं, और देखते हैं कि क्या कुत्ता वहाँ है। यदि नहीं, तो आप वापस जाते हैं और दूसरा रैंडम रास्ता आज़माते हैं। आप बहुत सारी ऊर्जा बर्बाद करते हैं।
- GSP (बेस्ट-फर्स्ट सर्च): आप अपने स्मार्ट मैप को देखते हैं। वह आपको 5 सबसे आशाजनक रास्ते दिखाता है। आप उन रास्तों को अपने दिमाग में एक साथ एक्सप्लोर करते हैं, यह देखते हुए कि कौन सा सबसे अच्छा लग रहा है। आप केवल उसी रास्ते पर आगे बढ़ते हैं जिसके बारे में नक्शा कहता है कि कुत्ते के मिलने की सबसे अधिक संभावना है।

3. जादुई लूप: "लर्निंग टू सर्च, सर्चिंग टू लर्न"

ऊपर दिए गए दोनों हिस्से एक चक्र में एक-दूसरे को फीड करते हैं:

सर्च टू लर्न (सीखने के लिए खोज): रोबोट अपने वर्तमान, अपूर्ण स्मार्ट मैप का उपयोग करके एक पहेली पर स्मार्ट सर्च चलाता है। वह एक समाधान ढूंढता है (या उसके करीब पहुँचता है)।
डेटा: सर्च प्रक्रिया डेटा का एक खजाना बनाती है: "जब मैं इस स्थिति में था, तो उस क्रिया को करने से एक समाधान मिला।"
लर्न टू सर्च (खोजने के लिए सीखना): रोबel इस नए डेटा का उपयोग स्मार्ट मैप को अपडेट और बेहतर बनाने के लिए करता है। नक्शा यह अनुमान लगाने में बेहतर होता जाता है कि कौन से मूव अच्छे हैं।
दोहराना: अब, एक बेहतर नक्शे के साथ, रोबोट और भी कठिन पहेलियों को अधिक कुशलता से खोज सकता है। सर्च बेहतर डेटा पाता है, जिससे नक्शा और भी स्मार्ट बनता है।

यह एक आत्म-सुधार चक्र है: सर्च मैप को सिखाता है, और मैप सर्च का मार्गदर्शन करता है।

4. परिणाम: असंभव को हल करना

लेखक ने कुछ बहुत कठिन बेंचमार्क पर इसका परीक्षण किया:

ब्लॉकवर्ल्ड (Blocksworld): रोबोट को 30 से कम ब्लॉकों वाली पहेलियों पर प्रशिक्षित किया गया था। जब इसका परीक्षण 488 ब्लॉकों वाली पहेली (आकार में एक बड़ी छलांग) पर किया गया, तो इसने बिना किसी खोज की आवश्यकता के इसे हल कर दिया। इसने बस नक्शे को देखा और बिल्कुल जान लिया कि क्या करना है। इसे "जीरो-शॉट जनरलाइजेशन" कहा जाता है।
सोकोबन (Sokoban) और द विटनेस (The Witness): इसने लगभग 100% जटिल पहेलियों को हल किया, और अक्सर अन्य शीर्ष AI तरीकों की तुलना में बहुत तेज़ी से (कम स्टेप्स में) समाधान खोजा।
पुशवर्ल्ड (PushWorld): इसने उन नए, कठिन स्तरों को संभाला जिन्हें इसने पहले कभी नहीं देखा था, और मानक AI से बेहतर प्रदर्शन किया जो रैंडम एक्सप्लोरेशन पर निर्भर करता है।

सारांश

यह शोध पत्र पेश करता है कि कैसे एक AI एक स्मार्ट, लर्निंग-आधारित मैप का उपयोग करके एक व्यवस्थित खोज (सिस्टमैटिक सर्च) को निर्देशित करके तर्क पहेलियों को हल करना सीखता है।

अंधेरे में भटकने के बजाय, यह सबसे अच्छे रास्तों को चुनने के लिए मैप का उपयोग करता है।
केवल एक पहेली को याद करने के बजाय, यह वस्तुओं के बीच के संबंधों को सीखता है ताकि यह किसी भी आकार की पहेली को हल कर सके।
सर्च और लर्निंग एक-दूसरे को बढ़ावा देते हैं, जिससे एक ऐसा रोबोट बनता है जो पुरानी पहेलियों पर अभ्यास करके नए, अनदेखे समस्याओं को हल करने में बेहतर होता जाता है।

संक्षेप में: उन्होंने AI को अंदाज़ा लगाना बंद करने और प्लानिंग (योजना बनाना) शुरू करने के लिए सिखाया, और फिर उस प्लानर को अपने स्वयं के प्लानिंग से सीखना सिखाया।

तकनीकी सारांश: सामान्यीकरण के लिए सीखने हेतु खोज और खोजने हेतु सीखना (Learning to Search and Searching to Learn for Generalization in Planning)

समस्या विवरण (Problem Statement)

कॉम्बिनेटोरियल जनरलाइजेशन (Combinatorial generalization) डीप रिइन्फोर्समेंट लर्निंग (DRL) में एक केंद्रीय चुनौती बनी हुई है, जहाँ नीतियों या वैल्यू फंक्शन्स को एक सामान्य समस्या संरचना द्वारा परिभाषित आउट-ऑफ-डिस्ट्रीब्यूशन परिदृश्यों में सामान्यीकरण करना होता है। क्लासिकल प्लानिंग इस समस्या के लिए एक आदर्श परीक्षण स्थल प्रदान करती है क्योंकि अंतर्निहित रिलेशनल स्ट्रक्चर (प्रेडिकेट्स और एक्शन स्कीमा) स्थिर और स्पष्ट है, जबकि इंस्टेंस (instances) ऑब्जेक्ट काउंट, शुरुआती स्टेट्स और लक्ष्यों के आधार पर भिन्न होते हैं।

हालाँकि, मानक DRL दृष्टिकोण स्पार्स-रिवॉर्ड (sparse-reward) प्लानिंग डोमेन में संघर्ष करते हैं। रियल-टाइम सर्च (इटरेटिव स्टेट-टू-स्टेट ट्रांजिशन), जो LRTA* या RTDP जैसे RL एल्गोरिदम में विशिष्ट है, इन सेटिंग्स में योजनाएँ (plans) खोजने के लिए अप्रभावी है। इसके विपरीत, क्लासिकल प्लानर्स बेस्ट-फर्स्ट सर्च (जैसे A*, WA*) का उपयोग करते हैं लेकिन वे हैंड-क्राफ्टेड ह्यूरिस्टिक्स पर निर्भर होते हैं। जबकि हालिया कार्यों ने सामान्य नीतियां या ह्यूरिस्टिक्स सीखने का प्रयास किया है, मौजूदा विधियाँ अक्सर रियल-टाइम सर्च, एक्सपर्ट प्रदर्शनों से सुपरवाइज्ड लर्निंग, या हिंडसाइट रीलेबलिंग (hindsight relabeling) पर निर्भर करती हैं, जो एक ऐसा स्व-सुधार चक्र (self-improving loop) स्थापित करने में विफल रहती हैं जहाँ सर्च और लर्निंग एक-दूसरे को सुदृढ़ करते हैं ताकि विभिन्न समस्या आकारों में ज़ीरो-शॉट जनरलाइजेशन प्राप्त किया जा सके।

कार्यप्रणाली: प्लानिंग के लिए सामान्यीकृत खोज (Generalized Search for Planning - GSP)

लेखक GSP का प्रस्ताव करते हैं, जो एक स्व-सुधार फ्रेमवर्क है जो जनरल एक्शन-वैल्यू फंक्शन्स ( $Q_\theta$ ) सीखने के लिए बेस्ट-फर्स्ट सर्च को Q-लर्निंग के साथ जोड़ता है।

मुख्य लूप (Core Loop)

सर्च-गाइडेड लर्निंग: रियल-टाइम सर्च के बजाय, GSP प्रशिक्षण इंस्टेंस को हल करने के लिए वेटेड ए-स्टार (Weighted A - WA)** का उपयोग करता है। यह सर्च वर्तमान सीखे गए $Q_\theta(s, a)$ मानों द्वारा निर्देशित होता है।
डेटा जनरेशन: जैसे-जैसे WA* नोड्स को एक्सपैंड करता है, यह ट्रांजिशन का एक रिप्ले बफर बनाता है। महत्वपूर्ण रूप से, सर्च उन सुपरविजन सिग्नल्स को प्रदान करता है जो मानक RL में नहीं होते:
- गोल पाथ्स (Goal Paths): जब कोई लक्ष्य प्राप्त हो जाता है, तो एल्गोरिदम वास्तविक 'रिटर्न-टू-गो' (return-to-go) वैल्यूज को समाधान पथ पर मौजूद जोड़ों (pairs) को असाइन करने के लिए बैकट्रैक करता है।
- डेड-एंड्स (Dead-Ends): यदि कोई स्टेट डेड-एंड है (कोई लागू क्रिया नहीं है), तो पैरेंट पेयर को एक फिक्स्ड पेनल्टी रिटर्न असाइन किया जाता है।
- लोअर बाउंड्स (Lower Bounds): सर्च किसी भी समाधान पथ पर मौजूद स्टेट-एक्शन पेयर के लिए इष्टतम रिटर्न के लोअर बाउंड प्रदान करता है।
Q-लर्निंग अपडेट: $Q_\theta$ नेटवर्क को इन सर्च-व्युत्पन्न लक्ष्यों (targets) का उपयोग करके अपडेट किया जाता है। गोल-पाथ पेयर्स के लिए, लक्ष्य $\max(R, \hat{y})$ है, जहाँ $R$ सर्च-व्युत्पन्न लोअर बाउंड है और $\hat{y}$ मानक बूटस्ट्रैप टारगेट है। यह वैल्यू एस्टीमेट्स को उस स्तर से नीचे गिरने से रोकता है जो सर्च पहले ही हासिल करने में सक्षम सिद्ध कर चुका है।
इंस्टेंस सिलेक्शन: सीखने की दक्षता को अनुकूलित करने के लिए, फ्रेमवर्क इंस्टेंस के तीन पूल (अनसॉल्व्ड, सॉल्व्ड, और सैटिसफाइस्ड) बनाए रखता है और उन्हें तेजी से बढ़ते भार (exponentially increasing weights) के साथ सैंपल करता है, जिससे उन इंस्टेंस को प्राथमिकता मिलती है जो सबसे अधिक सूचनात्मक अपडेट प्रदान करते हैं (जैसे, सब-ऑप्टिमल सॉल्यूशंस)।

प्रतिनिधित्व: रिलेशनल GNNs

विभिन्न ऑब्जेक्ट्स और लक्ष्यों की संख्या में सामान्यीकरण सुनिश्चित करने के लिए, $Q_\theta$ को एक रिलेशनल ग्राफ न्यूरल नेटवर्क (R-GNN) द्वारा दर्शाया गया है।

इनपुट: एक स्टेट $s$ और गोल $g$ को ग्राउंड एटम्स के सेट के रूप में एनकोड किया जाता है। लागू क्रियाओं को ऑक्सिलरी "एक्शन ऑब्जेक्ट्स" और एटम्स को पेश करके स्पष्ट रूप से दर्शाया जाता है, जिससे नेटवर्क स्टेट के संदर्भ में विशिष्ट एक्शन चॉइस का मूल्यांकन कर पाता है।
आर्किटेक्चर: नेटवर्क रिलेशनल स्ट्रक्चर पर मैसेज पासिंग का उपयोग करता है। प्रेडिकेट-विशिष्ट MLPs आर्गुमेंट रोल्स के आधार पर मैसेज जेनरेट करते हैं, जिन्हें परम्यूटेशन-इनवेरिएंट फंक्शन्स के माध्यम से एग्रीगेट किया जाता है।
आउटपुट: एक साझा रीडआउट MLP विशिष्ट एक्शन ऑब्जेक्ट के एम्बेडिंग को स्टेट और गोल के पूल्ड समरी के साथ जोड़कर Q-वैल्यू उत्पन्न करता है। यह आर्किटेक्चर यह सुनिश्चित करता है कि मॉडल प्रत्येक स्कीमा के लिए अलग-अलग प्रेडिक्टर के बजाय ग्राउंडेड एक्शन्स के लिए एक सामान्य स्कोरिंग सिद्धांत सीखता है।

प्रमुख योगदान (Key Contributions)

स्व-सुधारने वाला सर्च-लर्निंग चक्र: पेपर एक ऐसा फ्रेमवर्क पेश करता है जहाँ बेस्ट-फर्स्ट सर्च (WA*) उच्च-गुणवत्ता वाला प्रशिक्षण डेटा (लोअर बाउंड्स और डेड-एंड सिग्नल्स सहित) जेनरेट करता है ताकि एक सीखे गए ह्यूरिस्टिक को अपडेट किया जा सके, जो बदले में भविष्य के अधिक कुशल सर्च को निर्देशित करता है।
ज़ीरो-शॉट जनरलाइजेशन: सीखे गए Q-फंक्शन्स सामान्य नीतियां (policies) के रूप में कार्य करते हैं जो प्रशिक्षण के दौरान देखे गए ऑब्जेक्ट्स की संख्या और लक्ष्यों से काफी अधिक बड़े इंस्टेंस को बिना सर्च के हल कर सकते हैं।
एकीकृत फ्रेमवर्क: यह दृष्टिकोण 2023 के इंटरनेशनल प्लानिंग कॉम्पिटिशन (IPC) बेंचमार्क्स से लेकर कॉम्बिनेटरियल पजल्स (Sokoban, The Witness) और पुशवर्ल्ड (PushWorld) डोमेन तक विविध डोमेन पर एक ही आर्किटेक्चर और हाइपरपैरामीटर सेट का उपयोग करके समान रूप से लागू होता है।
रियल-टाइम सर्च पर श्रेष्ठता: यह कार्य प्रदर्शित करता है कि लर्निंग लूप में रियल-टाइम सर्च के स्थान पर बेस्ट-फर्स्ट सर्च का उपयोग करना स्पार्स-रिवॉर्ड, हाई-ब्रांचिंग-फैक्टर वाले डोमेन में सफलता के लिए महत्वपूर्ण है।

प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने तीन श्रेणियों के बेंचमार्क्स पर GSP का मूल्यांकन किया:

2023 IPC लर्निंग ट्रैक:
- ग्रीडी एक्जीक्यूशन ( $G_\pi$ ): इसने ब्लॉकस्वोल्ड (Blocksworld), मिकोनिक (Miconic), और स्पैनर (Spanner) पर 100% कवरेज प्राप्त किया, जो लिफ्टेड HER, LAMA, और अल्फाज़ीरो-स्टाइल पॉलिसी जैसे बेसलाइन्स से बेहतर रहा।
- सर्च-गाइडेड ( $G_{WA^*}$ ): मिश्रित परिणाम दिखाए; जबकि इसने सोकोबन (Sokoban) जैसे पजल्स पर कवरेज में सुधार किया (14% $\to$ 32%), यह कभी-कभी उन डोमेन में कवरेज कम कर देता है जहाँ ब्रांचिंग फैक्टर बहुत अधिक होता है (जैसे, ब्लॉकस्वोल्ड), जहाँ सीखा गया ह्यूरिस्टिक लोकल रैंकिंग के लिए तो अच्छा है, लेकिन ग्लोबल कैलिब्रेशन में कमी रखता है।
- स्केलिंग: $<30$ ब्लॉक्स वाले ब्लॉकस्वोल्ड इंस्टेंस पर प्रशिक्षित ह्यूरिस्टिक्स ने बिना सर्च के 488 ब्लॉक्स वाले इंस्टेंस को सफलतापूर्वक हल किया।
कॉम्बिनेटरियल पजल्स (Sokoban, The Witness, 24-Puzzle):
- Sokoban पर, $G_{WA^*}$ ने 207 औसत एक्सपेंशन्स के साथ 100% इंस्टेंस हल किए, जो मानक ह्यूरिस्टिक्स के साथ WA* (3298 एक्सपेंशन्स) और डीप क्यूब ए (DeepCubeA - 1050 एक्सपेंशन्स) से काफी बेहतर रहा।
- The Witness पर, विधि ने सभी इंस्टेंस हल किए, जो डेड-एंड स्टेट्स पर प्रशिक्षण के महत्व को दर्शाता है।
- 24-Puzzle पर, विधि प्रशिक्षण के दौरान समाधान खोजने में विफल रही, जो यह उजागर करता है कि दृष्टिकोण को सीखने के लिए कम से कम एक समाधान खोजने की क्षमता की आवश्यकता होती है, जो बिना इंफोर्म्ड ह्यूरिस्टिक्स के अत्यंत कठिन फिक्स्ड-साइज़ पजल्स में कठिन है।
PushWorld:
- लेवल 0 पर प्रशिक्षित मॉडल, लेवल 1 पर सामान्यीकरण कर सका। $G_{WA^*}$ ने 48/63 लेवल 1 इंस्टेंस को क्लासिकल प्लानर LAMA की तुलना में छोटे प्लान और ~30 $\times$ कम एक्सपेंशन्स के साथ हल किया।
- एक ग्रीडी पॉलिसी के रूप में, इसने मॉडल-फ्री RL बेसलाइन्स (DQN, PPO) को काफी पीछे छोड़ दिया।

महत्व और दावे (Significance and Claims)

पेपर का दावा है कि बेस्ट-फर्स्ट सर्च, जनरल रिइन्फोर्समेंट लर्निंग के लिए एक बेहतर एक्सप्लोरेशन मैकेनिज्म है जब ट्रांजिशन मॉडल ज्ञात हो, विशेष रूप से उन स्पार्स-रिवॉर्ड डोमेन में जहाँ रियल-टाइम सर्च सूचनात्मक ट्रेजेक्टरीज खोजने में विफल रहता है।

प्राथमिक महत्व एक स्व-सुदृढ़ीकरण चक्र (self-reinforcing cycle) के प्रदर्शन में निहित है: सर्च उन प्रशिक्षण लक्ष्यों (लोअर बाउंड्स, डेड-एंड्स) को प्रदान करता है जो ह्यूरिस्टिक को बेहतर बनाने की अनुमति देते हैं, और बेहतर ह्यूरिस्टिक भविष्य के सर्च को अधिक कुशल बनाता है। यह सिस्टम को ऐसी सामान्य नीतियां सीखने की अनुमति देता है जो बिना सर्च के किसी भी आकार और जटिलता की समस्याओं को हल कर सकती हैं, या ऐसे कुशल ह्यूरिस्टिक्स बना सकती है जो इष्टतम समाधानों तक पहुँचने के लिए सर्च को निर्देशित करते हैं।

लेखक विनम्रतापूर्वक सीमाओं को नोट करते हैं: सीखा गया Q-फंक्शन अक्सर एक मजबूत लोकल एक्शन-रैंकिंग मैकेनिज्म के रूप में कार्य करता है, लेकिन पूरे सर्च फ्रंटियर में ग्लोबल कैलिब्रेशन की कमी हो सकती है, जिससे अत्यधिक बड़े ब्रांचिंग फैक्टर वाले डोमेन में WA* पर उप-इष्टतम प्रदर्शन हो सकता है। वे सुझाव देते हैं कि भविष्य के कार्य वैल्यू जनरलाइजेशन को बेहतर बनाने और बेस्ट-फर्स्ट सर्च को रियल-टाइम सर्च और हिंडसाइट एक्सपीरियंस रीलेबलिंग की पूरक शक्तियों के साथ जोड़ने पर ध्यान केंद्रित कर सकते हैं।