🤖 AI

Agentic-Ideation: Sample Efficient Agentic Trajectories Synthesis for Scientific Ideation Agents

यह शोध पत्र Agentic-Ideation प्रस्तुत करता है, जो एक ओरकल-गाइडेड डेटा सिंथेसिस (Oracle-Guided Data Synthesis) रणनीति का लाभ उठाते हुए वैज्ञानिक विचारोन्मेष (scientific ideation) एजेंटों के लिए उच्च-गुणवत्ता वाले प्रशिक्षण प्रक्षेपवक्र (training trajectories) को कुशलतापूर्वक उत्पन्न करता है, जिससे पिछले तरीकों की उच्च लागतों पर विजय प्राप्त होती है और अत्याधुनिक बेसलाइनों की तुलना में डेटा सिंथेसिस दक्षता और समग्र विचारोन्मेष गुणवत्ता दोनों में महत्वपूर्ण सुधार प्राप्त होता है।

मूल लेखक: Keyu Zhao, Lingyan Kong, Fengli Xu, Yong Li

प्रकाशित 2026-07-01

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Keyu Zhao, Lingyan Kong, Fengli Xu, Yong Li

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

बड़ी तस्वीर: एक रोबोट को "वैज्ञानिक" बनना सिखाना

कल्पना कीजिए कि आप एक ऐसा रोबोट बनाना चाहते हैं जो अपने आप शानदार नए वैज्ञानिक विचार पैदा कर सके। यह एक "AI वैज्ञानिक" का सपना है।

वर्तमान में, इस तरह के रोबोट बनाने के अधिकांश प्रयास एक कठोर, पहले से लिखी गई रेसिपी देने जैसे हैं। रोबोट को इंसान द्वारा लिखे गए चरणों 1, 2 और 3 का ठीक वैसे ही पालन करना होता है। यदि रेसिपी कहती है "एक किताब खोजो," तो वह एक किताब खोजता है। यदि यह कहती है "एक वाक्य लिखो," तो वह एक वाक्य लिखता है। समस्या यह है कि वास्तविक विज्ञान एक सीधी रेखा नहीं है; यह एक टेढ़ा-मेढ़ा, घुमावदार रास्ता है जहाँ आपको दिशा बदलनी पड़ती है, नए उपकरण आज़माने पड़ते हैं, और अपनी रणनीति पर लगातार पुनर्विचार करना पड़ता है। कठोर रेसिपी इस काम के लिए बहुत सख्त होती हैं।

यह पेपर एक नया तरीका प्रस्तावित करता है: रोबोट को रेसिपी देने के बजाय, वे रोबोट को एक लचीले, स्वतंत्र शोधकर्ता की तरह सोचने और कार्य करने के लिए प्रशिक्षित करते हैं।

समस्या: "सुई और घास का ढेर" (Needle in a Haystack) वाली समस्या

रोबोट को लचीला बनाने के लिए, आपको उसे अच्छे सोचने (जिसे "ट्रैजेक्टरीज" कहा जाता है) के उदाहरण दिखाने होंगे। आप सोच सकते हैं, "आइए हम बस रोबोट को विचार लाने की कोशिश करने दें, और यदि वह सही हो जाता है, तो हम उस उदाहरण को सुरक्षित कर लेते हैं।"

लेकिन विज्ञान में, गणित की क्विज़ की तरह कोई एक "सही उत्तर" नहीं होता। लाखों संभावित विचार हो सकते हैं, और उनमें से अधिकांश बेकार होते हैं। यदि आप रोबोट को बेतरतीब ढंग से अनुमान लगाने देंगे, तो उसे एक अच्छा विचार खोजने के लिए 12 बार प्रयास करना पड़ सकता है। यह घास के ढेर में एक विशिष्ट सुई को अंधेरे में हाथ मारकर खोजने जैसा है। इसमें बहुत समय लगता है और कंप्यूटर की भारी शक्ति बर्बाद होती है।

समाधान: "ओरेकल" (जादुвई दिशा-सूचक यंत्र)

लेखकों ने Oracle-Guided Synthesis नामक एक चतुर तकनीक का आविष्कार किया है।

कल्पना कीजिए कि आप एक छात्र को रहस्य सुलझाना सिखा रहे हैं।

पुराना तरीका (Rejection Sampling): आप छात्र को घर में बेतरतीब ढंग से भटकने देते हैं। वह शायद एक फूलदान गिरा दे, गलत दराज खोल दे और खो जाए। आप केवल उन समयों को रखते हैं जब वह गलती से कोई सुराग ढूंढ लेता है। यह धीमा और निराशाजनक है।
नया तरीका (Oracle-Guided): आप छात्र को एक जादुवई दिशा-सूचक यंत्र (Oracle) देते हैं जो सीधे छिपे हुए सुराग की ओर इशारा करता है। छात्र को अभी भी रास्ता तय करना होगा और यह समझना होगा कि वहाँ कैसे पहुँचा जाए, लेकिन दिशा-सूचक यंत्र यह सुनिश्चित करता है कि वह जंगल में भटक न जाए।

इस पेपर में, "ओरेकल" एक पूर्ण, पूर्व-मौजूद वैज्ञानिक विचार ("Reference Idea") है। सिस्टम इस विचार का उपयोग रोबोट को उस तक पहुँचने के तार्किक पथ को पुनर्गठित करने में मदद करने के लिए करता है।

रोबोट मंजिल (Reference Idea) को देखता है।
वह चरणों को समझता है: "मुझे इसके लिए खोजना चाहिए," "मुझे शोध में एक कमी (gap) ढूंढनी चाहिए," "मुझे अपने विचार पर चिंतन करना चाहिए।"
वह बिना किसी गलत रास्ते पर समय बर्बाद किए, एक ही बार में पूरा रास्ता लिख देता है।

यह डेटा निर्माण प्रक्रिया को पुराने रैंडम अनुमान लगाने वाले तरीके की तुलना में 10 गुना तेज़ बनाता है।

रोबोट का टूलकिट: "सोचना" और "करना"

रोबोट को स्मार्ट बनाने के लिए, लेखकों ने इसे दो श्रेणियों में विभाजित उपकरणों का एक विशिष्ट सेट दिया है:

बाहरी उपकरण (आंखें और कान):
- Search (खोज): डेटाबेस में शोध पत्रों को खोजता है।
- Get_References (संदर्भ प्राप्त करना): यह जाँचता है कि एक पेपर ने किन चीज़ों को उद्धृत (cite) किया है (उसकी जड़ें)।
- Get_Cited (उद्धृत किया गया): यह जाँचता है कि उस पेपर को किन लोगों ने उद्धृत किया है (उसका भविष्य का प्रभाव)।
- उपमा: ये रोबोट के लाइब्रेरी कार्ड और इंटरनेट कनेक्शन की तरह हैं।
संज्ञानात्मक उपकरण (दिमाग):
- Analyse_Gap (कमी का विश्लेषण): यह देखता है कि वह क्या जानता है और पूछता है, "क्या गायब है?"
- Ideation (विचार सृजन): उस गायब हिस्से के आधार पर एक नया विचार सामने लाता है।
- Reflection (चिंतन/प्रतिबिंब): एक सख्त संपादक की तरह कार्य करता है। यह पूछता है, "क्या यह विचार वास्तव में नया है? या यह सिर्फ किसी पुरानी चीज़ की नकल है?" यदि यह एक नकल है, तो रोबोट इसे फेंक देता है और फिर से प्रयास करता है।
- उपमा: ये रोबोट के आलोचनात्मक सोच कौशल हैं।

प्रशिक्षण: उत्तर छिपाना

जब वे रोबोट को प्रशिक्षित करते हैं, तो वे एक विशेष तकनीक का उपयोग करते हैं। वे रोबोट को उसके द्वारा लिए गए चरण (खोज, गैप विश्लेषण, विचार) दिखाते हैं, लेकिन सीखने की प्रक्रिया के दौरान वे खोजों के वास्तविक परिणाम को छिपा देते हैं।

क्यों? यदि रोबोट तुरंत उत्तर देख लेता है, तो वह इसे खोजने के बजाय उत्तर को रटने लग सकता है।
परिणाम: परिणामों को छिपाकर, रोबोट निर्णय लेने के तर्क (logic) को सीखने के लिए मजबूर होता है। वह यह सीखता है कि किसी चीज़ को क्यों खोजना है, न कि केवल यह कि उसने क्या पाया। यह रोबोट को मजबूत बनाता है और नए, अनदेखे समस्याओं को संभालने में सक्षम बनाता है।

परिणाम: एक स्मार्ट, तेज़ वैज्ञानिक

लेखकों ने अपने नए रोबोट का परीक्षण मौजूदा "रेसिपी-फॉलोइंग" रोबोटों और एक मानक AI मॉडल के विरुद्ध किया।

गुणवत्ता: नए रोबोट ने कुल मिलाकर 11.9% बेहतर विचार दिए। विशेषज्ञों ने इसके विचारों को अधिक नवीन (नया), अधिक महत्वपूर्ण और अधिक व्यवहार्य (वास्तव में संभव) माना।
दक्षता: जैसा कि उल्लेख किया गया है, इसे प्रशिक्षण डेटा बनाने में 10 गुना कम प्रयास लगा।
वास्तविक दुनिया का परीक्षण: एक विशिष्ट उदाहरण में, रोबोट को "Diffusion Models" (AI इमेज जनरेटर का एक प्रकार) में एक समस्या खोजने के लिए कहा गया था।
- इसने कमजोरियों की खोज की।
- इसने एक कमी पाई: वर्तमान मॉडल काम करते समय त्रुटियों को ठीक नहीं करते हैं।
- इसने इसे ठीक करने के लिए एक नया विचार प्रस्तावित किया।
- महत्वपूर्ण रूप से: इसने अपने "Reflection" टूल का उपयोग यह समझने के लिए किया कि उसका पहला ड्राफ्ट मौजूदा पद्धति के बहुत समान था, उसने इसे खारिज कर दिया और इसे एक वास्तव में नए, उच्च-गुणवत्ता वाले विचार में परिष्कृत किया।

सारांश

यह पेपर एक ऐसा सिस्टम पेश करता है जो AI को एक कठोर स्क्रिप्ट-फॉलोअर के बजाय एक लचीले वैज्ञानिक शोधकर्ता के रूप में प्रशिक्षित करता है। यह "हम AI को रचनात्मक होना कैसे सिखाएं?" की समस्या को हल करता है, और प्रशिक्षण प्रक्रिया को कुशलतापूर्वक निर्देशित करने के लिए एक जादुवई दिशा-सूचक यंत्र (Oracle) का उपयोग करता है, जिससे यह सुनिश्चित होता है कि AI केवल उत्तरों को रटने के बजाय खोज के तर्क को सीखता है। परिणाम एक ऐसा AI है जो पिछले तरीकों की तुलना में बहुत तेज़ी से बेहतर, अधिक अभिनव वैज्ञानिक विचार उत्पन्न करता है।

तकनीकी सारांश: एजेंटिक-इडिएशन (Agentic-Ideation)

1. समस्या विवरण

वैज्ञानिक विचारोन्मेष (Scientific ideation) अनुसंधान जीवनचक्र का आधारभूत चरण है, जो डाउनस्ट्रीम खोजों की नवीनता और प्रभाव को निर्धारित करता है। जबकि लार्ज लैंग्वेज मॉडल्स (LLMs) ने इस प्रक्रिया को स्वचालित करने के लिए क्षमता दिखाई है, मौजूदा दृष्टिकोण दो महत्वपूर्ण सीमाओं का सामना करते हैं:

वर्कफ्लो-आधारित प्रणालियों की कठोरता: वर्तमान "AI वैज्ञानिक" प्रणालियाँ मुख्य रूप से पूर्व-निर्धारित, रैखिक वर्कफ्लो (जैसे, साहित्य पुनर्प्राप्ति के बाद टेम्प्लेट भरना) पर निर्भर करती हैं। ये स्थिर पाइपलाइन, जो जटिल मानव-निर्मित प्रॉम्प्ट द्वारा संचालित होती हैं, वैज्ञानिक साहित्य के विशाल खोज स्थान या अनुसंधान तर्क के जटिल एक्शन स्पेस को अनुकूल रूप से नेविगेट करने में लचीलेपन की कमी रखती हैं।
एजेंटिक डेटा संश्लेषण में अक्षमता: लचीले एजेंटिक LLMs को प्रशिक्षित करने के लिए उच्च-गुणवत्ता वाले ट्राजेक्टरी डेटा की आवश्यकता होती है। हालाँकि, निश्चित उत्तरों वाले कार्यों (जैसे, QA) के लिए उपयोग की जाने वाली मानक डेटा संश्लेषण विधियाँ (जैसे, रिजेक्शन सैंपलिंग) वैज्ञानिक विचारोन्मेष में विफल रहती हैं। क्योंकि विचारोन्मेष एक ओपन-एंडेड उत्तर स्थान शामिल करता है जिसमें कोई एकल "सही" ग्राउंड ट्रुथ नहीं होता, इसलिए अनगाइडेड एजेंट उच्च-गुणवत्ता वाले विचारों पर अभिसरण (converge) करने के लिए संघर्ष करते हैं, जिससे अत्यधिक कम्प्यूटेशनल लागत और कम सैंपल दक्षता उत्पन्न होती है।

2. कार्यप्रणाली

लेखक एजेंटिक-इडिएशन (Agentic-Ideation) का प्रस्ताव करते हैं, जो एक ऐसा फ्रेमवर्क है जिसे कुशल एजेंटिक ट्राजेक्टरीज को सिंथेसाइज करने और वैज्ञानिक विचारोन्मेष के लिए एक विशेष LLM को प्रशिक्षित करने के लिए डिज़ाइन किया गया है। यह फ्रेमवर्क तीन एकीकृत चरणों से बना है:

A. एजेंटिक टूल स्पेस परिभाषा

लेखक एक हाइब्रिड टूल स्पेस ( $T = T_{ext} \cup T_{think}$ ) को परिभाषित करते हैं जिसमें शामिल हैं:

बाहरी उपकरण ( $T_{ext}$ ):
- Search(q): व्यापक मेटाडेटा (एब्स्ट्रैक्ट्स, साइटेशन्स) के लिए एक अकादमिक डेटाबेस को क्वेरी करता है।
- Get_References(did): एक लक्षित पेपर के लिए बिब्लियोग्राफी (केवल शीर्षक) प्राप्त करता है।
- Get_Cited(did): एक लक्षित पेपर को साइट करने वाले पेपर्स (केवल शीर्षक) की पहचान करता है।
सोचने के उपकरण ( $T_{think}$ ):
- Analyse_Gap(H): तार्किक विसंगतियों या कम खोजे गए अंतर्संबंधों ("रिसर्च वॉइड्स") की पहचान करने के लिए पुनर्प्राप्त जानकारी का संश्लेषण करता है।
- Ideation(H, ogap): पहचाने गए गैप के आधार पर एक नवीन वैज्ञानिक विचार उत्पन्न करता है।
- Reflection(H, oidea): यदि आवश्यक हो तो रिफाइनमेंट को ट्रिगर करने के लिए उत्पन्न विचार का आलोचनात्मक मूल्यांकन करता है।

B. ओरकल-गाइडेड एजेंटिक डेटा सिंथेसिस

डेटा की कमी को दूर करने के लिए, लेखक एक "ओरकल" द्वारा निर्देशित एक पदानुक्रमित मल्टी-एजेंट सिस्टम पेश करते हैं:

आर्किटेक्चर: सिस्टम में एक प्लानर (एक उच्च-स्तरीय रोडमैप बनाता है), एक कंट्रोलर (टूल चयन को निष्पादित करता है), और विशिष्ट टूल एजेंट शामिल हैं।
ओरकल मार्गदर्शन: अंधे परीक्षण-और-त्रुटि (trial-and-error) पर भरोसा करने के बजाय, सिस्टम एक "रेफरेंस आइडिया" ( $I_{ref}$ ) का उपयोग करता है, जो एक "एंकर पेपर" से प्राप्त होता है, एक नेविगेशनल बीकन के रूप में।
डुअल-थॉट मैकेनिज्म: कंट्रोलर दो संज्ञानात्मक स्ट्रीम्स को एक साथ उत्पन्न करता है:
1. प्राइवेट थॉट ( $th_{priv}$ ): रेफरेंस आइडिया का उपयोग करके इष्टतम टूल पाथ की गणना करता है, जो "फॉरसाइट" (foresight) के साथ सर्च स्पेस को प्रभावी ढंग से कम करता है।
2. पब्लिक थॉट ( $th_{pub}$ ): केवल उपलब्ध हिस्ट्री का उपयोग करके निर्णयों को तर्कसंगत बनाता है (रेफरेंस आइडिया को मास्क करते हुए), जो प्राकृतिक स्वायत्त अन्वेषण की नकल करता है।
सिंथेसिस प्रक्रिया: सिस्टम ओरकल के मार्गदर्शन का लाभ उठाकर वर्तमान स्थिति और लक्षित विचार के बीच के अंतर को पाटकर एक ही पास में एक वैध, तार्किक रूप से सुसंगत रीजनिंग पाथ को पुनर्गठित करता है। ट्राजेक्टरीज को तभी संरक्षित किया जाता है जब अंतिम उत्पन्न विचार, रेफरेंस आइडिया के साथ सिमेंटिक रूप से संरेखित होता है।

C. एजेंटिक सुपरवाइज्ड फाइन-ट्यूनिंग (SFT)

सिंथेसाइज की गई ट्राजेक्टरीज का उपयोग लक्षित LLM (Qwen3-8B) को प्रशिक्षित करने के लिए किया जाता है:

लीनियराइजेशन: ट्राजेक्टरीज को टूल कॉल्स, रिजल्ट्स और थॉट्स के लिए विशेष टोकन्स के साथ एक स्ट्रक्चर्ड फॉर्मेट में परिवर्तित किया जाता है।
मास्किंग रणनीति: लॉस कैलकुलेशन के दौरान, बाहरी टूल निष्पादन के परिणाम (टोकन्स जो <Result>...</Result> के भीतर हैं) को मास्क किया जाता है। यह मॉडल को विशिष्ट रिटर्न वैल्यूज को याद करने के बजाय टूल इनवोकेशन के पीछे के निर्णय लेने के तर्क और रीजनिंग पर ध्यान केंद्रित करने के लिए मजबूर करता है, जिससे मजबूती और सामान्यीकरण सुनिश्चित होता है।

3. प्रमुख योगदान

एजेंटिक इडेएशन की ओर पैराडाइम शिफ्ट: यह कार्य वैज्ञानिक विचारोन्मेष के लिए एजेंटिक LLMs के अनुप्रयोग को अग्रणी बनाता है, जो कठोर, वर्कफ्लो-आधारित दृष्टिकोणों से हटकर लचीले, स्वायत्त तर्क ढांचों की ओर बढ़ता है।
ओरकल-गाइडेड सिंथेसिस फ्रेमवर्क: एक नवीन मल्टी-एजेंट डेटा सिंथेसिस रणनीति जो ट्राजेक्टरी जनरेशन को निर्देशित करने के लिए ग्लोबल व्यू (रेफरेंस आइडिया) का उपयोग करती है। यह ओपन-एंडेड डोमेन में डेटा की कमी को संबोधित करता है और रिजेक्शन सैंपलिंग की तुलना में 10x से अधिक बेहतर सैंपल दक्षता प्रदान करता है।
स्टेट-ऑफ-द-आर्ट प्रदर्शन: प्रशिक्षित एजेंट सभी मूल्यांकन मेट्रिक्स में बेहतर परिणाम प्राप्त करता है, जो यह प्रदर्शित करता है कि प्रस्तावित प्रशिक्षण प्रतिमान मॉडल की नवीन, महत्वपूर्ण और व्यवहार्य वैज्ञानिक विचार उत्पन्न करने की क्षमता को प्रभावी ढंग से बढ़ाता है।

4. प्रयोगात्मक परिणाम

फ्रेमवर्क का मूल्यांकन ICLR 2025, ICML 2025, और NeurIPS 2025 के स्वीकृत पेपर्स के एक डेटासेट पर किया गया, जिसमें 300 पेपर्स का टेस्ट सेट शामिल था।

प्रदर्शन: एजेंटिक-इडिएशन ने सभी बेसलाइन्स (ResearchAgent, SciPIP, SciMON, VirSci, और बैकबोन Qwen3-8B सहित) को पछाड़ दिया।
- ओवरऑल स्कोर: 6.67 का स्कोर प्राप्त किया, जो सर्वश्रेष्ठ बेसलाइन से 11.91% सुधार है।
- मेट्रिक ब्रेकडाउन: नवीनता (Novelty) (+11.40%), महत्व (Significance) (+11.14%), और व्यवहार्यता (Feasibility) (+8.70%) में महत्वपूर्ण लाभ देखे गए।
- ह्यूमन इवैल्यूएशन: मानव विशेषज्ञों द्वारा ब्लाइंड इवैल्यूएशन ने स्वचालित परिणामों की पुष्टि की, जिसमें एजेंटिक-इडिएशन ने ओवरऑल क्वालिटी (6.45) और महत्व (+12.28% सर्वश्रेष्ठ बेसलाइन से अधिक) में उच्चतम स्कोर किया।
दक्षता: ओरकल-गाइडेड रणनीति ने एक एकल वैध सैंपल को सिंथेसाइज करने के लिए आवश्यक औसत रोलआउट प्रयासों को 12 (रिजेक्शन सैंपलिंग में) से घटाकर 1 कर दिया, जो >10x सुधार दर्शाता है।
एब्लेशन स्टडीज: किसी भी एकल टूल (Search, Get_References, Get_Cited, Analyse_Gap, Reflection) को हटाने से निरंतर प्रदर्शन में गिरावट आई, जो पूर्ण हाइब्रिड टूल स्पेस की आवश्यकता की पुष्टि करती है। विशेष रूप से, Search व्यवहार्यता के लिए महत्वपूर्ण था, और Analyse_Gap नवीनता के लिए महत्वपूर्ण था।

5. महत्व और दावे

पेपर का दावा है कि एजेंटिक-इडिएशन ओपन-एंडेड वैज्ञानिक कार्यों के लिए एजेंटिक सिस्टम को प्रशिक्षित करने में डेटा की कमी की महत्वपूर्ण बाधा को दूर करता है। अंधाधुंध परीक्षण-और-त्रुटि को निर्देशित ट्राजेक्टरी पुनर्गठन में बदलकर, यह फ्रेमवर्क बड़े पैमाने पर एजेंटिक डेटा सिंथेसिस को कम्प्यूटेशनल रूप से व्यवहार्य बनाता है।

लेखक का तर्क है कि उनकी विधि ग्राउंडेड रीजनिंग और विश्वसनीय नवाचार में सक्षम स्वायत्त AI वैज्ञानिकों को विकसित करने में सक्षम बनाती है। उन सिंथेसाइज की गई ट्राजेक्टरीज पर प्रशिक्षण देकर जहाँ मॉडल विशिष्ट फीडबैक को याद करने के बजाय तर्क के आधार पर निर्णय लेना सीखता है, सिस्टम ऐसे विचार उत्पन्न करता है जो न केवल रचनात्मक हैं बल्कि तकनीकी रूप से सुदृढ़ और वैज्ञानिक रूप से मूल्यवान भी हैं। इस प्रगति को प्रभावी मानव-AI सहयोग के माध्यम से विविध वैज्ञानिक विषयों में उच्च-स्तरीय विचारोन्मेष क्षमताओं के लोकतंत्रीकरण की दिशा में एक कदम के रूप में देखा जा रहा है।