Energy-guided Recursive Model
यह शोध पत्र एनर्जी-गाइडेड रिकर्सिव मॉडल (ERM) को प्रस्तुत करता है, जो रिकर्सिव रीजनिंग में टेस्ट-टाइम स्केलिंग के लिए एक सिद्धांतपूर्ण चयन तंत्र प्रदान करने हेतु स्पष्ट हॉपफील्ड ऊर्जाओं (Hopfield energies) का उपयोग करता है, जिससे सुडोकू और मेज़ (Mazes) जैसे संरचित समस्या-समाधान बेंचमार्क पर अत्याधुनिक प्रदर्शन प्राप्त होता 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, पेचीदा पहेली को हल करने की कोशिश कर रहे हैं, जैसे कि सुडोकू या कोई भूलभुलैया (maze)। आपके पास एक सुपर-स्मार्ट रोबोट दोस्त है जो सोचने में बहुत माहिर है। लेकिन यहाँ एक पेंच है: एक उत्तर देने के बजाय, आपका दोस्त एक साथ 128 अलग-अलग संभावित समाधान उत्पन्न करने के लिए एक "सोचने की मुद्रा" (thinking trance) में चला जाता है।
बड़ा सवाल यह है: उन 128 उत्तरों में से आपको किस पर भरोसा करना चाहिए?
लंबे समय तक, वैज्ञानिकों ने विजेता चुनने के लिए रोबोट से पूछा, "आप कितने आश्वस्त हैं?" या उत्तरों के बीच वोटिंग ली। लेकिन यिफ़ेई झाओ और यिंग तांग का पेपर बताता है कि ये पुराने तरीके किसी टैलेंट शो में विजेता चुनने के समान हैं, जहाँ आप केवल इसलिए जीतते हैं क्योंकि वे सबसे ज्यादा मुस्कुराते हैं। कभी-कभी रोबोट बहुत आत्मविश्वासी होता है लेकिन पूरी तरह गलत होता है, या हो सकता है कि भीड़ में कोई एकदम सही उत्तर छिपा हो जिसे किसी ने नोटिस ही न किया हो।
नया विचार: "ऊर्जा" (Energy) वाला चुंबक
लेखक एक नया सिस्टम पेश करते हैं जिसे एनर्जी-गाइडेड रिकर्सिव मॉडल (ERM) कहा जाता है। इसे इस तरह सोचें:
कल्पना कीजिए कि रोबोट द्वारा उत्पन्न प्रत्येक संभावित उत्तर एक छोटा धातु का गोला है। अब, कल्पना कीजिए कि पहेली के नियम (जैसे "पंक्तियों में नंबर दोहराए नहीं जा सकते" या "रास्ता जुड़ना चाहिए") मेज पर रखे विशाल चुंबक हैं।
- गलत उत्तर लकड़ी के बने गोलों की तरह हैं; चुंबक उन्हें नहीं खींचते, या वे उन्हें दूर धकेल देते हैं।
- सही उत्तर लोहे के बने गोलों की तरह हैं; उन्हें चुंबकों द्वारा मजबूती से खींचा जाता है।
इस नए सिस्टम में, "ऊर्जा" (Energy) इस बात का माप है कि एक समाधान पहेली के नियमों द्वारा कितनी मजबूती से खींचा जा रहा है। ऊर्जा जितनी कम होगी, गोला चुंबक के उतना ही करीब होगा, और उसके सही होने की संभावना उतनी ही अधिक होगी।
रोबोट से "क्या आप आश्वस्त हैं?" पूछने के बजाय, सिस्टम यह पूछता है कि "यह उत्तर पहेली के छिपे हुए चुंबकों में कितनी अच्छी तरह फिट बैठता है?"
यह वास्तविक दुनिया में कैसे काम करता है
शोधकर्ताओं ने इसका परीक्षण तीन अलग-अलग प्रकार की पहेलियों पर किया:
- सुडोकू: उन्होंने पंक्तियों, कॉलम और बॉक्स के नियमों का प्रतिनिधित्व करने वाले चुंबकों का उपयोग किया।
- पेंसिल पहेलियाँ (PPBench): विभिन्न प्रकार के लॉजिक गेम्स का मिश्रण जहाँ चुंबक विशिष्ट स्थानीय संकेतों और वैश्विक पैटर्न का प्रतिनिधित्व करते हैं।
- भूलभुलैया (Mazes): उन्होंने एक विशेष "ग्लोबल मैग्नेट" का उपयोग किया जो शुरुआत से अंत तक के सबसे छोटे रास्ते का प्रतिनिधित्व करता है।
उन्होंने रोबोट को 128 उम्मीदवार (K = 128) उत्पन्न करने और सोचने के 64 चरणों (D = 64) के माध्यम से चलाने दिया। फिर, उन्होंने अपने नए "ऊर्जा" सिस्टम का उपयोग करके विजेता को चुना।
परिणाम: क्या यह काम आया?
परिणाम बताते हैं कि जब रोबोट पहले से ही विकल्प उत्पन्न करने का कठिन काम कर चुका हो, तो सही उत्तर चुनने के लिए यह "ऊर्जा" दृष्टिकोण एक गेम-चेंजर है।
- सुडोकू पर: पुराने तरीकों (जैसे वोटिंग या आत्मविश्वास की जाँच) ने लगभग 98.54% से 98.58% पहेलियाँ सही हल कीं। नए एनर्जी सिस्टम ने 98.83% सही हल किया। इसने लगभग हर उस मामले में सही उत्तर ढूँढ लिया जहाँ समूह में एक सटीक उत्तर मौजूद था।
- पेंसिल पहेलियों पर: यह सबसे बड़ी जीत थी। पुराने तरीके संघर्ष कर रहे थे, जो लगभग 83.39% सही थे। एनर्जी सिस्टम उछलकर 88.04% पर पहुँच गया, जो कि उस स्कोर के बराबर है जो आपको तब मिलता यदि आपके पास एक जादू की छड़ी होती जिससे आप समूह से एकदम सही उत्तर चुन सकते।
- भूलभुलैया (Mazes) पर: पुराने तरीकों ने लगभग 97.30% प्राप्त किया। एनर्जी सिस्टम ने 99.30% हासिल किया, जो इस सेटअप के लिए उच्चतम संभव स्कोर है।
लेखकों ने पैरेलल टेम्परिंग (Parallel Tempering) नामक एक फैंसी ट्रिक भी आजमाई। कल्पना कीजिए कि आपके पास रोबोटों का एक समूह है, कुछ ठंड में (बहुत सख्त) और कुछ गर्मी में (बहुत खोजी) काम कर रहे हैं। वे आपस में विचार साझा करते हैं। इसने सिस्टम को और भी अधिक सही उत्तर खोजने में मदद की, जिससे सुडोकू का स्कोर बढ़कर 98.97% और भूलभुलैया का स्कोर 99.30% हो गया।
इसका क्या अर्थ है (और क्या नहीं)
पेपर सुझाव देता है कि AI को बेहतर सोचने के लिए बनाने में सबसे बड़ी समस्या केवल अधिक विचार उत्पन्न करना नहीं है; बल्कि यह है कि सही एक को चुनने का बेहतर तरीका क्या है। "ऊर्जा" (जो कि मूल रूप से यह मापने का एक गणितीय तरीका है कि एक उत्तर नियमों में कितनी अच्छी तरह फिट बैठता है) का उपयोग करके, सिस्टम उन छिपे हुए सही उत्तरों को खोज सकता है जिन्हें कॉन्फिडेंस स्कोर मिस कर देते हैं।
हालाँकि, लेखक कुछ बातें स्पष्ट करने में भी सावधान हैं:
- यह अभी जादू नहीं है: इन पहेलियों के लिए "चुंबक" (यादें) मनुष्यों द्वारा हाथ से डिज़ाइन किए गए थे। सुडोकू के लिए, उन्होंने पंक्ति/कॉलम के नियमों को प्रोग्राम किया। भूलभुलैया के लिए, उन्होंने सबसे छोटे पथ के नियम को प्रोग्राम किया। सिस्टम इन नियमों को शून्य से सीखता नहीं है; यह उत्तरों की जाँच करने के लिए उनका उपयोग करता है।
- यह एक विशिष्ट सुधार है: यह उन पहेलियों के लिए बहुत अच्छा काम करता है जिनमें स्पष्ट नियम होते हैं। पेपर यह दावा नहीं करता है कि यह सोचने के हर प्रकार की समस्या को हल कर देता है, केवल इन संरचित (structured) समस्याओं को।
- यह भविष्य के लिए एक सुझाव है: लेखक सुझाव देते हैं कि अगला कदम AI को अपने स्वयं के "चुंबक" सीखने के लिए प्रशिक्षित करना है, बजाय इसके कि मनुष्य उन्हें बनाएँ, लेकिन इस प्रयोग में इसे पूरी तरह से हल नहीं किया गया है।
संक्षेप में, पेपर दिखाता है कि यदि आप एक AI को बहुत सारे अनुमान देते हैं, तो आप यह देखने के बजाय कि AI कितना आश्वस्त महसूस करता है, यह जाँचकर कि वह पहेली के नियमों के साथ कितनी अच्छी तरह फिट बैठता है (ऊर्जा), सही उत्तर को बहुत बेहतर तरीके से चुन सकते हैं। यह "रोबोट की भावना पर भरोसा करने" से "पहेली के भौतिकी (physics) पर भरोसा करने" की ओर एक छोटा लेकिन शक्तिशाली बदलाव 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।