Pre-Strings Lectures on Artificial Intelligence
शंघाई में प्री-स्ट्रिंग्स 2026 स्कूल के ये व्याख्यान नोट्स आर्टिफिशियल इंटेलिजेंस और स्ट्रिंग थ्योरी के बीच द्वि-मार्गी संबंध का एक व्यापक अवलोकन प्रस्तुत करते हैं, जिसमें फील्ड-थ्योरेटिक दृष्टिकोण के माध्यम से न्यूरल नेटवर्क की मौलिक बातों से लेकर, फील्ड थ्योरी को परिभाषित करने और हल करने के लिए न्यूरल नेटवर्क के अनुप्रयोग, और स्ट्रिंग थ्योरी एवं संबंधित गणितीय भौतिकी में अनुसंधान को आगे बढ़ाने के लिए एआई तकनीकों के उपयोग को शामिल किया गया 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
यहाँ जिम हलवरसन के "प्री-स्ट्रिंग्स लेक्चर्स ऑन आर्टिफिशियल इंटेलिजेंस" का हिंदी अनुवाद दिया गया है:
एक बड़ी तस्वीर: एक तीन-दिवसीय कार्यशाला
कल्पना कीजिए कि एक भौतिक विज्ञानी (physicist) उन छात्रों को तीन-दिवसीय कार्यशाला दे रहा है जो ब्रह्मांड के ताने-बाने (स्ट्रिंग थ्योरी) का अध्ययन करते हैं। लक्ष्य उन्हें यह सिखाना है कि आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग केवल एक कैलकुलेटर के रूप में नहीं, बल्कि भौतिकी के बारे में सोचने के एक नए तरीके के रूप में कैसे किया जाए।
ये व्याख्यान तीन अलग-अलग दिनों में विभाजित हैं, जो AI को समझने से शुरू होकर, भौतिकी बनाने के लिए AI का उपयोग करने और अंत में भौतिकी की समस्याओं को हल करने के लिए AI का उपयोग करने तक जाते हैं।
दिन 1: AI मशीन को समझना
उपमा: पासा फेंकने वालों का "एन्सेम्बल" (Ensemble)
आमतौर पर, जब हम एक न्यूरल नेटवर्क (आधुनिक AI का मस्तिष्क) के बारे में सोचते हैं, तो हम एक विशिष्ट कंप्यूटर प्रोग्राम के बारे में सोचते हैं। लेकिन व्याख्यानकर्ता हमें अलग तरह से सोचने के लिए कहते हैं। कल्पना कीजिए कि आपके पास केवल एक व्यक्ति नहीं है जो पासा फेंक रहा है; आपके पास पासा फेंकने वाले लोगों से भरा एक स्टेडियम है।
- अभिव्यक्ति क्षमता (यह कितना शक्तिशाली है?): व्याख्यान बताता है कि ये नेटवर्क लेगो (Lego) सेट की तरह हैं। पर्याप्त पुर्जों (न्यूरॉन्स) और सही कनेक्शनों के साथ, आप लगभग किसी भी आकार का निर्माण कर सकते हैं जिसकी आप कल्पना कर सकते हैं। यह एक प्रसिद्ध गणितीय नियम (यूनिवर्सल एप्रोक्सिमेशन) का उल्लेख करता है जो कहता है कि एक सरल नेटवर्क भी जटिल वक्रों (curves) की नकल कर सकता है। यह "ट्रांसफॉर्मर्स" (चैटबॉट्स के पीछे की तकनीक) को भी पेश करता है, जो एक कहानी को शब्द-दर-शब्द पढ़ने का एक तरीका है, जहाँ शब्दों के बीच के संबंध पर ध्यान दिया जाता है, न कि उन्हें अलग-थलग देखने पर।
- सांख्यिकी (भीड़ की राय): एक नेटवर्क से यह पूछने के बजाय कि वह क्या सोचता है, हम पूरे स्टेडियम से पूछते हैं। यदि आप यादृच्छिक (random) सेटिंग्स से शुरुआत करते हैं, तो पूरी भीड़ का "औसत" उत्तर एक बहुत ही अनुमानित पैटर्न का पालन करता है, जैसे कि एक बेल कर्व (bell curve)। भौतिकी के संदर्भ में, यह एक "फ्री फील्ड थ्योरी" की तरह है—एक सरल, शांत अवस्था जहाँ सब कुछ स्वतंत्र है।
- गतिशीलता (यह कैसे सीखता है): जब नेटवर्क सीखता है, तो यह एक पर्वतारोही की तरह होता है जो सबसे निचले घाटी (सबसे अच्छे उत्तर) को खोजने के लिए पहाड़ से नीचे उतर रहा है। व्याख्यान बताता है कि यदि नेटवर्क बहुत बड़ा है, तो पर्वतारोही पहाड़ को हिलाता भी नहीं है; वे बस एक सुचारू, पूर्व-निर्धारित पथ पर फिसलते हैं। हालाँकि, यदि हम नेटवर्क को बिल्कुल सही तरीके से ट्यून करते हैं, तो पर्वतारोही वास्तव में पहाड़ को नया आकार दे सकता है (नई विशेषताओं को सीखना), और इसी तरह डीप लर्निंग वास्तव में काम करती है।
मुख्य निष्कर्ष: AI कोई जादू नहीं है; यह एक सांख्यिकीय प्रणाली है। यदि आप एक विशाल नेटवर्क को एक भीड़ के रूप में देखते हैं, तो इसका व्यवहार भौतिकी के गैसों या तरल पदार्थों के समान गणितीय नियमों का पालन करता है।
दिन 2: भौतिकी बनाने के लिए AI का उपयोग करना
उपमा: "रिवर्स-इंजीनियर्ड ब्रह्मांड"
दूसरे दिन, व्याख्यानकर्ता भूमिका बदल देते हैं। AI को समझने के लिए भौतिकी का उपयोग करने के बजाय, वे भौतिकी बनाने के लिए AI का उपयोग करते हैं।
- अवधारणा: कल्पना कीजिए कि आप एक ब्रह्मांड बनाना चाहते हैं। आमतौर पर, आप एक नियम पुस्तिका (एक समीकरण) से शुरू करते हैं और देखते हैं कि क्या होता है। यहाँ, आप एक न्यूरल नेटवर्क आर्किटेक्चर और यादृच्छिक संख्याओं (पैरामीटर्स) के सेट के साथ शुरू करते हैं। आप नेटवर्क के आउटपुट को अपने ब्रह्मांड के "क्षेत्र" (field) के रूप में मानते हैं।
- परिणाम:
- फ्री थ्योरीज (Free Theories): नेटवर्क को सही ढंग से सेट करके, वे सरल, गैर-परस्पर क्रिया करने वाले कणों (जैसे एक शांत समुद्र) को फिर से बना सकते हैं।
- इंटरैक्टिंग थ्योरीज (Interacting Theories): नेटवर्क के नियमों को बदलकर, वे "इंटरेक्शन" (जैसे लहरों का टकराना) बना सकते हैं। उन्होंने सफलतापूर्वक लिउविल थ्योरी (एक जटिल 2D ब्रह्मांड) और बोसोनिक स्ट्रिंग (कंपन करने वाली स्ट्रिंग्स का एक मॉडल) को फिर से बनाया।
- "जादुई" संख्या 26: स्ट्रिंग थ्योरी के सबसे बड़े रहस्यों में से एक यह है कि गणितीय रूप से काम करने के लिए ब्रह्मांड को 26 आयामों की आवश्यकता क्यों होती है। इस AI दृष्टिकोण का उपयोग करते हुए, व्याख्यानकर्ता ने केवल नेटवर्क के "मोड्स" या सेटिंग्स को गिनकर संख्या 26 प्राप्त की। यह एक रिमोट कंट्रोल के बटन गिनकर एक गुप्त कोड खोजने जैसा है।
- टोपोलॉजिकल डिफेक्ट्स (Topological Defects): उन्होंने विशेष "डिस्क्रीट" स्विचों को नेटवर्क में जोड़कर "भंवर" (तरल में भंवर) और चरण संक्रमण (जैसे पानी का जमना) को भी दिखाया।
मुख्य निष्कर्ष: एक ब्रह्मांड को परिभाषित करने के लिए आपको पारंपरिक समीकरण की आवश्यकता नहीं है। आप एक न्यूरल नेटवर्क के आर्किटेक्चर और उसके सेटिंग्स की संभावना द्वारा एक ब्रह्मांड को परिभाषित कर सकते हैं। यह साबित होता है कि AI भौतिकी के नियमों को निर्मित करने का एक वैध तरीका है।
दिन 3: अनुसंधान सहायक के रूप में AI
उपमा: "सुपर-इंटर्न"
अंतिम दिन व्यावहारिक उपकरणों के बारे में है। व्याख्यानकर्ता AI एजेंट्स का परिचय देते हैं।
- एजेंट क्या है? एक बहुत ही बुद्धिमान इंटर्न की कल्पना करें जो शोध पत्र पढ़ सकता है, कोड लिख सकता है, सिमुलेशन चला सकता है, अपने काम की जाँच कर सकता है, और यदि वह फंस जाता है तो मदद मांग सकता है। यह केवल एक प्रश्न का उत्तर नहीं देता; यह काम करता है।
- अनुप्रयोग:
- ज्यामिति को हल करना: स्ट्रिंग थ्योरी के लिए 'कैलाबी-यौ मैनिफोल्ड्स' (Calabi-Yau manifolds) नामक जटिल आकृतियों की आवश्यकता होती है। हम जानते हैं कि ये आकृतियाँ मौजूद हैं, लेकिन हम उनके सटीक "मेट्रिक" (उन पर दूरी मापने का तरीका) को नहीं जानते। AI "फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स" नामक तकनीक का उपयोग करता है ताकि आकृति का अनुमान लगाया जा सके और फिर खुद को तब तक सुधारा जा सके जब तक कि गणित पूरी तरह से सही न हो जाए।
- लैंडस्केप की खोज: स्ट्रिंग थ्योरी में अरबों संभावित ब्रह्मांड (vacua) हैं। हमारे संसार जैसा दिखने वाला ब्रह्मांड खोजना घास के ढेर में सुई खोजने जैसा है। AI "रीइन्फोर्समेंट लर्निंग" (पुरस्कारों के साथ परीक्षण और त्रुटि) का उपयोग करके इस घास के ढेर में मानव की तुलना में बहुत तेज़ी से नेविगेट करता है, यहाँ तक कि सुई खोजने के लिए नए रणनीतियाँ भी आविष्कार करता है।
- गांठें खोलना: गणित में, यह तय करना कि क्या कोई गांठ वास्तव में केवल एक लूप (अनकॉट) है, कठिन है। AI ने गांठों को खोलने के लिए नियमों का एक सेट सीखकर गांठों को सुलझाना सीखा, प्रभावी रूप से एक गणितीय समस्या को हल किया और एक प्रमाण प्रदान किया जिसे मानव जांच सकता है।
- कन्जेक्चर जनरेशन (Conjecture Generation): AI डेटा को देख सकता है और उन पैटर्न को पहचान सकता है जिन्हें इंसान छोड़ देते हैं। यह एक नया गणितीय नियम (कन्जेक्चर) सुझा सकता है, जिसे एक मानव गणितज्ञ फिर सिद्ध करने का प्रयास कर सकता है।
मुख्य निष्कर्ष: AI एजेंट्स भौतिकी के कार्यप्रवाह (workflow) को बदल रहे हैं। वे उबाऊ "प्लंबिंग" (कोडिंग, जाँच, खोज) को संभालते हैं, जिससे मानव भौतिकविदों को बड़े विचारों और "क्यों" पर ध्यान केंद्रित करने की अनुमति मिलती है।
सारांश
यह पेपर तर्क देता है कि AI और भौतिकी के बीच का संबंध एक दो-तरफा रास्ता है:
- भौतिकी AI को समझाती है: न्यूरल नेटवर्क का गणित क्वांटम फील्ड्स के गणित के आश्चर्यजनक रूप से समान है।
- AI भौतिकी को समझाती है: हम नए भौतिक सिद्धांतों को परिभाषित करने और उन समस्याओं को हल करने के लिए न्यूरल नेटवर्क का उपयोग कर सकते हैं जिन्हें पहले गणना करना बहुत कठिन था।
- AI भौतिकविदों की मदद करती है: "एजेंट्स" का उपयोग करके जो सोच सकते हैं, कार्य कर सकते हैं और सत्यापन कर सकते हैं, जटिल भौतिक अनुसंधान करने की बाधा कम हो रही है, जिससे शोधकर्ताओं के लिए बड़े प्रश्नों को तेज़ी से हल करना संभव हो रहा है।
व्याख्यानकर्ता निष्कर्ष निकालते हैं कि हम एक नए युग की शुरुआत में हैं जहाँ AI केवल एक उपकरण नहीं है, बल्कि ब्रह्मांड कैसे काम करता है, इसकी खोज में एक साथी है।
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।