AutoScientists: Self-Organizing Agent Teams for Long-Running Scientific Experimentation
यह शोध पत्र AutoScientists को प्रस्तुत करता है, जो AI एजेंटों की एक विकेंद्रीकृत टीम है जो परिकल्पना सृजन और आलोचना के माध्यम से लंबे समय तक चलने वाले वैज्ञानिक प्रयोगों को स्वायत्त रूप से संचालित करने के लिए स्वयं को व्यवस्थित करती है, और बायोमेडिकल मशीन लर्निंग, लैंग्वेज मॉडल ऑप्टिमाइज़ेशन और प्रोटीन फिटनेस प्रेडिक्शन कार्यों में मौजूदा सिंगल-एजेंट और केंद्रीकृत दृष्टिकोणों से काफी बेहतर प्रदर्शन करती 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 विशाल, अविश्वसनीय रूप से जटिल पहेली को हल करने की कोशिश कर रहे हैं। अतीत में, आप शायद इस पहेली को सुलझाने के लिए एक बहुत ही बुद्धिमान जासूस को काम पर रखते। वह जासूस एक टुकड़ा देखता, अनुमान लगाता कि वह कहाँ फिट होगा, उसे आजमाता, और यदि वह फिट नहीं बैठता, तो वह फिर से प्रयास करता। वह यह सब अकेले, एक समय में एक कदम करके करता।
यह शोध पत्र AutoScientists पेश करता है, जो खेल को पूरी तरह से बदल देता है। एक अकेले जासूस के बजाय, आप 9 AI एजेंटों की एक टीम को काम पर रखते हैं जो एक गतिशील अनुसंधान प्रयोगशाला (research lab) की तरह मिलकर काम करती है।
यह कैसे काम करता है, यहाँ सरल उपमाओं (analogies) का उपयोग किया गया है:
1. "स्व-संगठित" (Self-Organizing) टीम
अधिकांश AI सिस्टम एक सख्त सैन्य कमांड चेन की तरह काम करते हैं: एक जनरल (एक केंद्रीय योजनाकार) सैनिकों को बताता है कि उन्हें ठीक क्या करना है। यदि जनरल एक बुरा प्लान बनाता है, तो पूरी टीम विफल हो जाती है।
AutoScientists एक कॉफी शॉप में बैठे बुद्धिमान वैज्ञानिकों के समूह की तरह है। उनके पास कोई बॉस नहीं है जो उन्हें निर्देश दे। इसके बजाय:
- वे सभी एक साझा व्हाइटबोर्ड ("Shared State") देखते हैं जिसमें सबसे अच्छा वर्तमान समाधान, असफल प्रयास और नए विचार सूचीबद्ध होते हैं।
- वे सबसे आशाजनक विचारों के इर्द-गिर्द टीमें बनाते हैं।
- यदि कोई टीम किसी गतिरोध (dead end) पर पहुँच जाती है (जैसे कि एक गोल छेद में चौकोर खूँटा फिट करने की कोशिश करना), तो वे बस कोशिश करना जारी नहीं रखते। वे समूह से बात करते हैं, स्वीकार करते हैं कि वह विचार अब काम का नहीं रहा, और एक पूरी तरह से अलग दृष्टिकोण आज़माने के लिए पुनर्गठित (reorganize) होते हैं।
2. "खर्च करने से पहले समीक्षा करें" का नियम
कई AI प्रयोगों में, कंप्यूटर एक नया विचार आज़माता है, एक सिमुलेशन चलाता है, और फिर उसे एहसास होता है कि यह समय की बर्बादी थी। यह एक कॉन्सर्ट का टिकट खरीदने, आयोजन स्थल पर पहुँचने और फिर यह महसूस करने जैसा है कि शो रद्द हो गया है।
AutoScientists में एक रिव्यू बोर्ड होता है। किसी भी महंगे कंप्यूटर समय को खर्च करने से पहले:
- एक एजेंट "रिसर्च फोरम" में एक प्रस्ताव पोस्ट करता है।
- अन्य एजेंट पीयर रिव्यूअर्स (सहकर्मी समीक्षक) के रूप में कार्य करते हैं। वे कहते हैं, "रुको, वह विचार कमजोर लग रहा है," या "हमने पिछले हफ्ते कुछ ऐसा ही आज़माया था और वह विफल रहा।"
- यह कंप्यूटर द्वारा काम शुरू करने से पहले ही खराब विचारों को फ़िल्टर कर देता है, जिससे समय और ऊर्जा बचती है।
3. "डेड-एंड रजिस्ट्री" (Dead-End Registry)
एक गुफा का मानचित्र बनाने वाले खोजकर्ताओं की टीम की कल्पना करें। यदि एक खोजकर्ता गड्ढे में गिर जाता है, तो वे इसे भूल नहीं जाते। वे मानचित्र पर उस स्थान को चिह्नित करते हैं ताकि कोई और उसमें न गिरे।
AutoScientists एक डेड-एंड रजिस्ट्री रखता है। यह याद रखता है कि हर असफल प्रयोग क्या था और वह क्यों विफल हुआ। यह टीम को वही गलतियाँ दोहराने में समय बर्बाद करने से रोकता है। यह उन्हें यह समझने में भी मदद करता है कि वे कब एक "लोकल ऑप्टिमम" (एक छोटी पहाड़ी जो पहाड़ जैसी दिखती है) में फंस गए हैं और उन्हें एक ऊंचे शिखर को खोजने के लिए मानचित्र के दूसरे हिस्से पर जाने के लिए प्रोत्साहित करता है।
4. परिणाम: अकेले जासूस को मात देना
लेखकों ने इस टीम का परीक्षण "सर्वश्रेष्ठ एकल जासूस" (एक सिस्टम जिसे Autoresearch कहा जाता है) और अन्य AI एजेंटों के विरुद्ध तीन प्रमुख क्षेत्रों में किया:
- बायोमेडिकल मशीन लर्निंग (BioML-Bench): इसे 24 अलग-अलग चिकित्सा पहेलियों (जैसे दवा की प्रभावशीलता का अनुमान लगाना या सेल इमेज का विश्लेषण करना) वाली एक विशाल परीक्षा के रूप में समझें।
- परिणाम: AutoScientists टीम ने औसत रूप से किसी भी अन्य AI की तुलना में उच्च स्कोर प्राप्त किया। वे विशेष रूप से ड्रग डिस्कवरी (दवा की खोज) में बेहतर थे, जहाँ उन्होंने एकल-एजेंट सिस्टम की तुलना में बेहतर समाधान खोजे।
- AI मॉडल को प्रशिक्षित करना (GPT Optimization): यह एक भाषा मॉडल को उसकी सेटिंग्स को बदलकर और स्मार्ट बनाने जैसा है।
- परिणाम: टीम ने एकल जासूस की तुलना में 1.9 गुना तेज़ी से उच्च स्तर का प्रदर्शन प्राप्त किया। इससे भी अधिक प्रभावशाली बात यह है कि जब एकल जासूस अटक गया और कोई सुधार नहीं ढूँढ सका, तब भी AutoScientists टीम नए और बेहतर बदलाव ढूँढती रही।
- प्रोटीन इंजीनियरिंग (ProteinGym): इसमें यह भविष्यवाणी करना शामिल है कि प्रोटीन की संरचना बदलने से उसके कार्य पर क्या प्रभाव पड़ता है।
- परिणाम: मौजूदा सर्वोत्तम विधि (Kermut) से शुरुआत करते हुए, टीम ने डेटा को संयोजित करने का एक नया तरीका खोजा जिसने एक विशिष्ट परीक्षण पर भविष्यवाणी की सटीकता में 12.5% और पूरे बेंचमार्क पर 6.5% का सुधार किया।
निचोड़ (The Bottom Line)
लेखक दावा करते हैं कि AutoScientists दीर्घकालिक वैज्ञानिक खोज के लिए बेहतर है क्योंकि यह इस तरह काम करता है जैसे मानव अनुसंधान टीमें वास्तव में काम करती हैं: वे बहस करते हैं, वे विफलताओं को साझा करते हैं, वे फंस जाने पर अपना रास्ता बदलते हैं, और वे यह जानने के लिए किसी एक बॉस पर निर्भर नहीं रहते कि आगे क्या करना है।
महत्वपूर्ण नोट: शोध पत्र स्पष्ट रूप से कहता है कि यह प्रणाली खोज की प्रक्रिया को तेज़ करने (बेहतर मॉडल और परिकल्पना खोजने) के लिए डिज़ाइन की गई है। यह दावा नहीं करता है कि ये AI एजेंट नैदानिक निर्णयों (clinical decisions) के लिए मानव वैज्ञानिकों की जगह ले सकते हैं, और न ही यह दावा करता है कि इनके द्वारा खोजे गए मॉडल बिना मानव समीक्षा के अस्पतालों में दवाओं या उपचारों के रूप में उपयोग के लिए तैयार हैं। "इम्पैक्ट स्टेटमेंट" चेतावनी देता है कि वास्तविक दुनिया के जीव विज्ञान या चिकित्सा में उपयोग करने से पहले इन आउटपुट को विशेषज्ञों द्वारा सत्यापित किया जाना चाहिए।
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।