🤖 AI

Iteris: Agentic Research Loops for Computational Mathematics

यह शोध पत्र इटेरिस (Iteris) को प्रस्तुत करता है, जो कम्प्यूटेशनल गणित की खुली समस्याओं के लिए डिज़ाइन किया गया एक एजेंटिक एआई (agentic AI) सिस्टम है, जिसने सफलतापूर्वक दो जटिल शोध चुनौतियों के लिए संख्यात्मक साक्ष्य, निर्माण और प्रमाण के प्रारूप तैयार किए जिन्हें बाद में मानव विशेषज्ञों द्वारा सत्यापित किया गया।

मूल लेखक: Leheng Chen, Zihao Liu, Wanyi He, Bin Dong

प्रकाशित 2026-06-02

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Leheng Chen, Zihao Liu, Wanyi He, Bin Dong

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 शोधकर्ताओं की एक टीम संख्याओं और एल्गोरिदम की दुनिया में दो बहुत ही कठिन, अनसुलझी पहेलियों को हल करने की कोशिश कर रही है। ये केवल साधारण गणित के होमवर्क वाले सवाल नहीं हैं; ये वे खुले प्रश्न हैं जिन पर पेशेवर गणितज्ञ काफी समय से अटके हुए हैं।

इनका सामना करने के लिए, लेखकों ने एक डिजिटल अनुसंधान सहायक बनाया जिसे Iteris नाम दिया गया। Iteris को एक एकल 'सुपर-ब्रेन' के रूप में नहीं, बल्कि विशेषज्ञ AI एजेंटों की एक टीम द्वारा संचालित एक सहयोगात्मक कार्यशाला (collaborative workshop) के रूप में समझें, जिनमें से प्रत्येक के पास एक विशिष्ट कार्य है।

यह प्रणाली कैसे काम करती है, इसके लिए एक सरल उपमा यहाँ दी गई है:

कार्यशाला टीम (एजेंट)

एक अकेले AI के बजाय जो एक साथ सब कुछ करने की कोशिश करता है, Iteris काम को तीन मुख्य भूमिकाओं वाले एक लूप में विभाजित करता है:

एक्सप्लोरर (द स्काउट - खोजकर्ता): यह एजेंट "अनुसंधान के जंगल" में घूमता है। यह अंतिम निर्णय नहीं लेता है। इसके बजाय, यह अलग-अलग रास्तों की जांच करता है, पुराने नोट्स पढ़ता है, और पूछता है, "हे, क्या यह रास्ता किसी बंद गली की ओर ले जा रहा है, या यहाँ कुछ दिलचस्प है?" यह प्लानर को एक त्वरित रिपोर्ट भेजता है।
प्लानर (द प्रोजेक्ट मैनेजर - परियोजना प्रबंधक): यह एजेंट बड़ी तस्वीर देखता है। यह स्काउट की रिपोर्ट और परियोजना के इतिहास को पढ़ता है। यह तय करता है, "ठीक है, अगले कदम के लिए, हमें एक विशिष्ट कंप्यूटर सिमुलेशन चलाना होगा," या "आइए इस विशिष्ट भाग के लिए एक प्रमाण (proof) लिखने का प्रयास करें।" यह एक 'टू-डू लिस्ट' बनाता है।
एक्सेक्यूटर्स (द स्पेशलिस्ट्स - विशेषज्ञ): ये वे कार्यकर्ता हैं जो वास्तव में कार्यों को करते हैं।
- फाउंडेशन एजेंट: यह सुनिश्चित करता है कि सभी परिभाषाओं पर सबकी सहमति हो (जैसे यह सुनिश्चित करना कि सभी जानते हैं कि "त्रिभुज" क्या है)।
- एक्सपेरिमेंट एजेंट: वास्तविक दुनिया में क्या होता है यह देखने के लिए नंबर और सिमुलेशन चलाता है।
- प्रूफ एजेंट: यह सिद्ध करने के लिए तार्किक तर्क लिखने का प्रयास करता है कि कोई चीज़ क्यों सत्य है।
- रिव्यू एजेंट: यह एक गुणवत्ता नियंत्रण निरीक्षक के रूप में कार्य करता है, यह जाँचता है कि क्या काम ठोस है या इसमें कहीं कोई खामी है।

सीक्रेट सॉस (गुप्त मंत्र): टीम केवल एक-दूसरे से बात नहीं करती है; वे एक साझा "डिजिटल नोटबुक" (फाइलों) में नोट्स छोड़ते हैं। यह सुनिश्चित करता है कि यदि टीम अटक जाती है या चक्कर लगा रही है, तो वे देख सकें कि उन्होंने पहले क्या आजमाया था और गलतियों को दोहराने से बच सकें।

हल की गई दो पहेलियाँ

पेपर बताता है कि इस टीम ने हाल ही में एक कार्यशाला से दो विशिष्ट समस्याओं को कैसे हल किया:

1. दो धावकों के बीच की दौड़ (कंजुगेट ग्रेडिएंट बनाम रैंडमाइज्ड कोऑर्डिनेट डिसेंट)

समस्या: कल्पना कीजिए कि दो धावक एक फिनिश लाइन (एक गणितीय समीकरण को हल करना) तक पहुँचने की कोशिश कर रहे हैं। एक धावक (CG) एक मैराथन विशेषज्ञ है जो एक बार में पूरे मानचित्र को देखता है। दूसरा (RCD) एक स्प्रिंटर है जो छोटे, सस्ते कदम उठाता है लेकिन उसे बहुत अधिक कदम उठाने पड़ते हैं। सवाल यह था: किन परिस्थितियों में स्प्रिंटर मैराथनर को हरा देता है?
परिणाम: Iteris ने हजारों सिमुलेशन चलाए और एक "मानचित्र" (फेज डायग्राम) बनाया, जो ठीक से दिखाता है कि कब स्प्रिंटर जीतता है और कब मैराथनर जीतता है, जो इलाके (गणितीय गुणों) पर निर्भर करता है।
मानवीय स्पर्श: AI ने सामान्य मानचित्र तैयार किया, लेकिन इसने एक विशिष्ट क्षेत्र में, कि धावक कितनी तेजी से धीमे होते हैं, एक गलती की। एक मानव गणितज्ञ ने त्रुटि को पहचाना, और AI ने इसे ठीक किया।

2. खराब तरीके से व्यवस्थित बुकशेल्फ़ (QR फैक्टराइजेशन)

समस्या: कल्पना कीजिए कि आपके पास एक बुकशेल्फ़ (एक मैट्रिक्स) है और आप सबसे अच्छे किताबें (कॉलम) चुनने का प्रयास कर रहे हैं ताकि शेल्फ स्थिर रहे। एक मानक नियम (QRCP) कहता है, "उस किताब को चुनें जो सबसे भारी दिखती है।" सवाल यह था: क्या यह नियम हमेशा एक स्थिर सेट चुनता है, भले ही किताबें एक पेचीदा तरीके से व्यवस्थित हों?
परिणाम: Iteris ने यह सिद्ध करने का प्रयास किया कि नियम हमेशा काम करता है, लेकिन वह बार-बार विफल रहा। हार मानने के बजाय, सिस्टम ने यह समझने के लिए उन विफलताओं का उपयोग किया कि एक "ट्रिकी बुकशेल्फ़" कैसे बनाया जाए जो नियम को तोड़ दे। इसने एक विशिष्ट, अंतर्ज्ञान-विरोधी उदाहरण का निर्माण किया जहाँ नियम एक डगमगाता हुआ, अस्थिर सेट चुनता है।
मानवीय स्पर्श: AI ने "ट्रिकी बुकशेल्फ़" बनाया, लेकिन स्पष्टीकरण अव्यवस्थित और पढ़ने में कठिन था। एक मानव गणितज्ञ को AI के बिखरे हुए नोट्स को एक साफ, पठनीय कहानी में व्यवस्थित करना पड़ा जिसे अन्य मनुष्य समझ सकें।

मुख्य निष्कर्ष

पेपर तर्क देता है कि AI वास्तविक अनुसंधान में मदद करने के लिए पर्याप्त सक्षम होता जा रहा है, लेकिन यह कोई जादुई छड़ी नहीं है जो सब कुछ स्वचालित रूप से हल कर देती है।

AI ने क्या अच्छा किया: इसने कई अलग-अलग विचारों का पता लगाया, भारी संख्या में प्रयोग चलाए और प्रमाणों के कच्चे मसौदे (drafts) तैयार किए। इसने समाधान का "आकार" ढूंढ लिया।
इंसान ने क्या किया: इंसान ने संपादक और सुरक्षा जाल के रूप में कार्य किया। उन्होंने AI की तार्किक त्रुटियों को पकड़ा, अस्पष्ट स्पष्टीकरणों को ठीक किया, और यह सुनिश्चित किया कि अंतिम परिणाम गणितीय रूप से सुदृढ़ हो।

संक्षेप में, Iteris एक शक्तिशाली अनुसंधान भागीदार है जो विचार और मसौदे उत्पन्न करता है, लेकिन इसे अंतिम कार्य को सत्यापित करने, मरम्मत करने और पॉलिश करने के लिए अभी भी एक मानव विशेषज्ञ की आवश्यकता होती है। पेपर दिखाता है कि जटिल गणनात्मक गणित की समस्याओं को हल करने के लिए यह "ह्यूमन-इन-द-लूप" दृष्टिकोण वर्तमान में सबसे अच्छा तरीका है।

तकनीकी सारांश: Iteris: कम्प्यूटेशनल गणित के लिए एजेंटिक रिसर्च लूप्स (Agentic Research Loops)

1. समस्या विवरण

यह शोध पत्र कम्प्यूटेशनल गणित के खुले प्रश्नों (open problems) पर AI को लागू करने की चुनौती को संबोधित करता है। प्रतियोगिता आधारित समस्याओं या एकल-उद्देश्य वाले अनुकूलन कार्यों के विपरीत, इस क्षेत्र में अनुसंधान के लिए संख्यात्मक प्रयोग (numerical experimentation), प्रतिरोधी निर्माण (adversarial construction), और औपचारिक प्रमाण विकास (formal proof development) के बीच एक जटिल परस्पर क्रिया की आवश्यकता होती है। वर्तमान AI सिस्टम अक्सर इन अलग-अलग अनुसंधान मोडों को समन्वित करने या लंबे समय तक चलने वाले अनुसंधान पथों (long-horizon research trajectories) को बनाए रखने में संघर्ष करते हैं जहाँ तथ्यों को अलग करना, जांचना और पुनर्गठित करना आवश्यक होता है।

लेखक अपनी प्रस्तावित प्रणाली, Iteris, को Simons Workshop collection [3] से दो विशिष्ट खुले प्रश्नों पर लागू करते हैं:

समस्या 2.4: पावर-लॉ स्पेक्ट्रा (power-law spectra) वाले लीनियर सिस्टम पर कंजुगेट ग्रेडिएंट (CG) और रैंडमाइज्ड कोऑर्डिनेट डिसेंट (RCD) के बीच एक एसिम्प्टोटिक तुलना। लक्ष्य दोनों विधियों के बीच सामान्यीकृत लागत अनुपात (normalized cost ratio) के लिए एक फेज डायग्राम (phase diagram) निर्धारित करना है।
समस्या 4.3: यह प्रश्न कि क्या QR फैक्टराइजेशन विद कॉलम पिवोटिंग (QRCP), ऑर्थोनॉर्मल पंक्तियों (orthonormal rows) वाली मैट्रिक्स से विश्वसनीय रूप से सुव्यवस्थित सब-मैट्रिक्स (well-conditioned submatrices) का चयन करता है, विशेष रूप से लो-कोहेरेंस (low-coherence) स्थितियों के तहत।

2. कार्यप्रणाली: Iteris प्रणाली

Iteris एक एजेंटिक रिसर्च सिस्टम है जिसे एक एक्सप्लोर-प्लान-एग्जीक्यूट (explore–plan–execute) लूप के रूप में व्यवस्थित किया गया है। यह एक फ़ाइल-आधारित मेमोरी सिस्टम के माध्यम से विभिन्न अनुसंधान मोडों को समन्वित करता है जो दीर्घकालिक स्टेट स्टोरेज और एजेंटों के बीच संरचित संदेश भेजने के रूप में कार्य करता है।

2.1 एजेंटिक प्रोटोकॉल

सिस्टम का प्रत्येक इटरेशन तीन विशिष्ट चरणों का पालन करता है:

एक्सप्लोर (Explore): एक एक्सप्लोरेशन एजेंट (Exploration Agent) "लाइट रिपॉजिटरी-लेवल प्रोबिंग" करता है। यह प्रोजेक्ट फ़ाइलों को पढ़ता है, हाल के इटरेशन का निरीक्षण करता है, और संभावित मार्गों पर 'स्क्रैच रीजनिंग' का मसौदा तैयार करता है। महत्वपूर्ण बात यह है कि यह आधिकारिक योजना नहीं लिखता है, बल्कि एक सलाहकार रिकॉर्ड तैयार करता है जिसमें अनुशंसित कार्य के आकार, लोकल-मिनिमा चेक और जोखिम मूल्यांकन शामिल होते हैं ताकि सिस्टम को किसी स्थिर शाखा (stagnant branch) के प्रति अत्यधिक प्रतिबद्ध होने से रोका जा सके।
प्लान (Plan): एक प्लान एजेंट (Plan Agent) वैश्विक प्रोजेक्ट स्टेट (समस्या विवरण, रोडमैप, मेमोरी, रूट स्टेटस) और एक्सप्लोरेशन एडवाइजरी को पढ़ता है। यह अगले इटरेशन के लिए टास्क पूल (task pool) का निर्णय लेता है, और एक संरचित TASK_POOL.json आउटपुट करता है जो कार्य श्रेणियों, लक्ष्यों, इनपुट और सत्यापन आवश्यकताओं को परिभाषित करता है।
एग्जीक्यूट (Execute): विशेष एग्जीक्यूशन एजेंट (Execution Agents) सौंपे गए कार्यों को प्राप्त करते हैं और विशिष्ट अनुसंधान क्रियाएं करते हैं, और प्रोजेक्ट मेमोरी में संरचित परिणाम फ़ाइलें वापस लिखते हैं।

2.2 एग्जीक्यूशन एजेंट

सिस्टम चार श्रेणियों के एग्जीक्यूशन एजेंटों का उपयोग करता है, जिनमें से प्रत्येक के पास मार्केडाउन-आधारित क्षमता विनिर्देशों द्वारा परिभाषित कार्य-विशिष्ट कौशल होते हैं:

फाउंडेशन एजेंट (Foundation Agent): स्रोतों का ऑडिट करता है, परिभाषाओं को फ्रीज करता है, अनुमान कार्ड (conjecture cards) का मसौदा तैयार करता है, और क्लेम अनुशासन बनाए रखता है।
एक्सपेरिमेंट एजेंट (Experiment Agent): संख्यात्मक कार्य (टेस्ट हार्नेस, डायग्नोस्टिक्स, काउंटर-एग्जांपल सर्च) चलाता है। साक्ष्य (evidence) को मार्गदर्शन के रूप में माना जाता है, प्रमाण के रूप में नहीं।
प्रूफ एजेंट (Proof Agent): स्थिर कथनों, विशेष मामलों या लेम्मा के लिए प्रमाण आर्टिफैक्ट्स का निर्माण और जांच करता है।
रिव्यू एजेंट (Review Agent): साक्ष्य, प्रमाण अंतराल (proof gaps), और रूट वैल्यू का मूल्यांकन करता है, और यह अनुशंसा करता है कि किसी अनुसंधान शाखा को गहरा करना है, पुनर्गठित करना है, या सेवानिवत्त (retire) करना है।

2.3 पृथक्करण (Separation of Concerns)

एक प्रमुख डिज़ाइन विशेषता एक्सप्लोरेशन एजेंट और प्लान एजेंट का पृथक्करण है। जबकि प्लान एजेंट वैश्विक सामंजस्य (global coherence) बनाए रखता है, एक्सप्लोरेशन एजेंट "लोकल इनर्शिया" (जैसे, वृद्धिशील फॉलो-अप कार्य) का पता लगाने के लिए आक्रामक जांच करता है और आधिकारिक रूप से कार्य प्रतिबद्ध होने से पहले वैकल्पिक दिशाओं का सुझाव देता है। यह सिस्टम को अपने वर्तमान पथ से परे खोजने की अनुमति देता है जबकि नियोजन को वैश्विक स्तर पर सुसंगत रखता है।

3. मुख्य योगदान और परिणाम

3.1 परिणाम I: CG बनाम RCD फेज डायग्राम

Iteris को पावर-लॉ स्पेक्ट्रा ( $A_n = U_n \text{diag}(1^{-p}, \dots, n^{-p})U_n^*$ ) पर CG और RCD की तुलना के लिए लागू किया गया था।

थ्योरम 1: सिस्टम ने $n \to \infty$ होने पर $\rho_n(\epsilon, p)$ (RCD इपोक्स बनाम CG स्टेप्स) के एसिम्प्टोटिक व्यवहार के लिए एक फिक्स्ड-पैरामीटर फेज डायग्राम स्थापित किया।
मुख्य निष्कर्ष:
- $p > 1$ (सम्मेय स्पेक्ट्रम/summable spectrum) के लिए, RCD $O(1)$ इपोक्स में अभिसरित (converge) होता है जबकि CG $O(n)$ स्टेप्स लेता है, इसलिए $\rho_n \to 0$ ।
- $p = 1$ के लिए, $\rho_n \to 0$ होता है, जिसमें एक लॉगरिदमिक बाउंड शामिल है।
- $0 < p < 1$ के लिए, व्यवहार एक लिमिटिंग CG फ्लोर $F(p)$ द्वारा शासित होता है, जिसे टेल मेजर $\nu_p$ वाले परिमित-आयामी मोमेंट समस्या से निकाला गया है।
- यदि एरर थ्रेशोल्ड $\epsilon < F(p)$ है, तो CG को अभिसरित होने के लिए बढ़ते डिग्री की आवश्यकता होती है, जबकि RCD एक सीमित रहता है, जिससे $\rho_n \to 0$ होता है।
- यदि $\epsilon > F(p)$ है, तो CG $O(1)$ स्टेप्स में अभिसरित होता है जबकि RCD को एक पॉजिटिव फ्रैक्शन ऑफ एक इपोक की आवश्यकता होती है, जिससे $\rho_n$ शून्य से दूर (bounded away from zero) रहता है।
मानव-AI इंटरेक्शन: सिस्टम ने फेज स्ट्रक्चर और "हेंकेल फ्लोर" (Hankel floor) तंत्र की पहचान की। हालाँकि, एक प्रारंभिक प्रूफ ड्राफ्ट $p < 1$ शासन में दर विश्लेषण के लिए एक अनुचित मजबूत धारणा पर निर्भर था। मानव विशेषज्ञों ने इस अंतराल का पता लगाया, और इंटरैक्शन के माध्यम से तर्क को संरक्षित, सत्यापित दर सीमाओं (verified rate bounds) प्रदान करने के लिए सुधारा गया।

3.2 परिणाम II: QRCP काउंटर-एग्जांपल

Iteris ने इस बात को संबोधित किया कि क्या QRCP, ऑर्थोनॉर्मल पंक्तियों और सीमित कोहेरेंस वाली मैट्रिक्स के लिए सुव्यवस्थित सब-मैट्रिक्स का चयन सुनिश्चित करता है।

थ्योरम 2: सिस्टम ने एक लो-कोहेरेंस काउंटर-एग्जांपल फैमिली का निर्माण किया जो दिखाता है कि QRCP, सुव्यवस्थित सब-मैट्रिक्स चुनने में विफल हो सकता है, भले ही रो एनर्जी (row energies) समान रूप से नियंत्रित हो।
मुख्य निष्कर्ष: किसी भी $H^* > 1$ (कोहेरेंस बाउंड) और $B > 0$ के लिए, एक मैट्रिक्स $Q$ मौजूद है जिसकी ऑर्थोनॉर्मल पंक्तियाँ और कोहेरेंस $\mu(Q) < H^*$ है, जिससे चयनित सब-मैट्रिक्स का कंडीशन नंबर $B k^e$ से अधिक हो जाता है।
तंत्र (Mechanism): काउंटर-एग्जांपल एक "ट्रायंगुलर बैक-सबस्टीट्यूशन" दबाव का लाभ उठाता है। सिस्टम ने एक चयनित कोर ब्लॉक डिजाइन किया जो स्थानीय पिवट स्थितियों को संतुष्ट करता है लेकिन एक बड़ा इनवर्स नॉर्म बनाता है। ग्लोबल ऑर्थोनॉर्मैलिटी को बहाल करने के लिए अतिरिक्त कॉलम जोड़े गए जिन्हें पिवोटिंग नियम द्वारा नहीं चुना गया।
मानव-AI इंटरेक्शन: Iteris ने बाधा (obstruction) की पहचान की और निर्माण किया। प्रमाण का प्रक्षेपवक्र (trajectory) शुरू में घुमावदार था; मानव विशेषज्ञों ने तर्क को एक पठनीय प्रमाण में पुनर्गठित किया और अनौपचारिक थ्योरम को एक औपचारिक Lean 4 वेरिफिकेशन के साथ संरेखित किया।

4. महत्व और दावे

यह शोध पत्र दावा करता है कि एजेंटिक AI सिस्टम कम्प्यूटेशनल गणित के खुले प्रश्नों के लिए अनुसंधान वर्कफ़्लो में सार्थक रूप से भाग ले सकते हैं, लेकिन यह इस बात पर जोर देता है कि मानव सत्यापन (human validation) आवश्यक बना हुआ है।

बेंचमार्क से परे: Iteris यह प्रदर्शित करता है कि AI केवल आइसोलेटेड एक्सरसाइज हल करने से आगे बढ़कर वास्तविक अनुसंधान में भाग ले सकता है, दीर्घकालिक खोजपूर्ण आर्टिफैक्ट्स और प्रमाण के मसौदे तैयार कर सकता है।
वर्कफ़्लो एकीकरण: सिस्टम संख्यात्मक प्रयोगों (जैसे हेंकेल फ्लोर या बैक-सबस्टीट्यूशन प्रेशर जैसे संरचनात्मक लक्षणों की पहचान करना) को औपचारिक प्रमाण निर्माण के साथ सफलतापूर्वक समन्वित करता है।
मानवीय हस्तक्षेप की भूमिका: लेखक स्पष्ट रूप से कहते हैं कि Iteris मानव प्रयास को हटाता नहीं बल्कि उसे शिफ्ट (shift) करता है।
- CG के मामले में, सिस्टम ने संरचना पाई, लेकिन मनुष्यों ने दर विश्लेषण (rate analysis) को सुधारा।
- QRCP के मामले में, सिस्टम ने काउंटर-एग्जांपल पाया, लेकिन मनुष्यों ने प्रमाण को पुनर्गठित किया और सिमेंटिक स्थिरता को सत्यापित किया।
प्रत्यक्ष LLMs के साथ तुलना: उन्नत मॉडल्स (जैसे GPT-Pro) को सीधे क्वेरी करने पर प्रशंसनीय ह्यूरिस्टिक्स या उच्च-स्तरीय स्केच तो मिले, लेकिन वे प्रमाणों को पूरा करने में विफल रहे, अक्सर अपेक्षित और उच्च-संभावित बाउंड्स के बीच अंतर को धुंधला कर दिया या प्रशंसनीय स्टेप्स को पूर्ण दायित्वों के रूप में माना। इसके विपरीत, Iteris ह्यूरिस्टिक्स को ऑडिट योग्य प्रमाण दायित्वों में विभाजित करता है और अनधिकृत शॉर्टकट को रोकने के लिए रिव्यू एजेंटों का उपयोग करता है।

शोध पत्र निष्कर्ष निकालता है कि हालांकि AI खोज स्थान (search space) को व्यापक बना सकता है और ड्राफ्ट तर्क उत्पन्न कर सकता है, लेकिन अंतिम गणितीय निर्णय, सत्यापन, अंतराल का पता लगाना और प्रस्तुतिकरण (exposition) महत्वपूर्ण मानवीय जिम्मेदारियां बनी रहती हैं।