← नवीनतम पेपर
💬 NLP

QUBO-Optimized Evidence Selection for Retrieval-Augmented Question Answering with Unconventional Solvers

यह शोध पत्र रिट्रीवल-ऑगमेंटेड क्वेश्चन अनswering के लिए एक QUBO-अनुकूलित फ्रेमवर्क प्रस्तावित करता है जो मल्टी-हॉप प्रश्नों के लिए कॉम्पैक्ट और पूरक पैसेज उपसमुच्चयों (passages subsets) को कुशलतापूर्वक पहचानने के लिए साक्ष्य चयन को एक डिस्क्रीट एनर्जी मिनिमाइजेशन समस्या के रूप में तैयार करता है, जो प्रतिस्पर्धी उत्तर जनरेशन प्रदर्शन को बनाए रखते हुए लागतपूर्ण LLM-आधारित चयनकर्ताओं के एक स्केलेबल विकल्प के रूप में कार्य करता है।

मूल लेखक: Rahul Singh, Madhav Vadlamani

प्रकाशित 2026-07-15
📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Rahul Singh, Madhav Vadlamani

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 कठिन पहेली को हल करने की कोशिश कर रहे हैं, जैसे कि "चंद्रमा पर लैंडिंग के समय राष्ट्रपति कौन थे?" सही उत्तर पाने के लिए, आप केवल उन पहली तीन किताबों को नहीं उठा सकते जिनमें "चंद्रमा" या "राष्ट्रपति" शब्द का उल्लेख हो। आपको संकेतों के एक विशिष्ट सेट की आवश्यकता है जो पूरी तरह से एक साथ फिट बैठते हों: चंद्रमा लैंडिंग के बारे में एक किताब, राष्ट्रपति के कालक्रम के बारे में दूसरी, और शायद एक तीसरी जो दोनों को जोड़ती हो। यदि आप बहुत अधिक किताबें उठाते हैं, तो कहानी उलझ जाती है; यदि आप गलत किताबें उठाते हैं, तो आप फंस जाते हैं।

यह बिल्कुल वही समस्या है जिसे यूसी सांता बारबरा और जॉर्जिया टेक के शोधकर्ता रिट्रीवल-ऑगमेंटेड जनरेशन (RAG) के एक नए तरीके के साथ हल कर रहे हैं। RAG को एक सुपर-स्मार्ट रोबोट के रूप में समझें जो दस्तावेजों के पुस्तकालय को पहले पढ़ने के बाद प्रश्नों के उत्तर देता है। आमतौर पर, यह रोबोट एक साधारण स्कोर के आधार पर सबसे प्रासंगिक "शीर्ष 3" दस्तावेजों को चुन लेता है, जैसे कि एक लाइब्रेरियन आपको वे तीन किताबें थमा दे जिनके कवर पर सबसे अधिक "चंद्रमा" शब्द लिखे हों। लेकिन जटिल, बहु-चरणीय (multi-step) प्रश्नों के लिए, यह अक्सर पर्याप्त नहीं होता। रोबोट एक महत्वपूर्ण सेतु तथ्य (bridge fact) को मिस कर सकता है या दोहराव वाली जानकारी से भ्रमित हो सकता है।

बड़ा विचार: क्लू सिलेक्शन (सुराग चयन) को एक पहेली में बदलना

एक विशाल, महंगे AI (एक लार्ज लैंग्वेज मॉडल या LLM) से सैकड़ों दस्तावेजों को पढ़ने और यह अनुमान लगाने के लिए कहने के बजाय कि किन्हें चुनना है, लेखक चयन प्रक्रिया को एक गणितीय पहेली जिसे QUBO (क्वाड्रेटिक अनकन्स्ट्रेंड बाइनरी ऑप्टिमाइज़ेशन) कहा जाता है, में बदलने का सुझाव देते हैं।

यह कैसे काम करता है, इस उपमा का उपयोग करते हुए:
कल्पना कीजिए कि आप एक केस के लिए एक आदर्श "एविडेंस बोर्ड" (साक्ष्य बोर्ड) बनाने की कोशिश कर रहे हैं। आपके पास 100 संभावित सुरागों (अनुच्छेदों) का ढेर है।

  • पुराना तरीका: आप बस उन शीर्ष 5 सुरागों को चुन लेते हैं जो सबसे चमकदार दिखते हैं या जिनमें सबसे अधिक कीवर्ड हैं।
  • नया QUBO तरीका: आप प्रत्येक सुराग को एक लाइट स्विच की तरह मानते हैं जिसे या तो ON (1) या OFF (0) किया जा सकता है। आपका लक्ष्य स्विचों को बदलकर एक "लो-एनर्जी" (निम्न-ऊर्जा) अवस्था बनाना है।

इस पहेली में, "ऊर्जा" इस बात का प्रतिनिधित्व करती है कि आपका एविडेंस बोर्ड कितना खराब है। आप कम ऊर्जा चाहते हैं, जिसका अर्थ है:

  • उच्च प्रासंगिकता (High Relevance): आपको तब इनाम (कम ऊर्जा) मिलता है जब आप ऐसे सुराग चुनते हैं जो वास्तव में प्रश्न का उत्तर देते हैं।
  • पूर्ण कवरेज (Full Coverage): आपको इनाम मिलता है जब आप यह सुनिश्चित करते हैं कि प्रश्न के हर हिस्से को कम से कम एक सुराग द्वारा कवर किया गया है।
  • कोई अतिरेक नहीं (No Redundancy): आपको दंड (उच्च ऊर्जा) मिलता है यदि आप दो ऐसे सुराग चुनते हैं जो बिल्कुल एक ही बात कहते हैं।
  • पूरकता (Complementarity): आपको एक बोनस मिलता है यदि आप ऐसे सुराग चुनते हैं जो एक-दूसरे से अलग हैं लेकिन पूरे पहेली को सुलझाने के लिए मिलकर काम करते हैं।
  • संक्षिप्तता (Compactness): आपको दंड मिलता है यदि आप बहुत अधिक सुराग चुनते हैं, जिससे बोर्ड व्यवस्थित रहता है।

जादू यह है कि यह पूरी संतुलन प्रक्रिया एक एकल गणितीय समीकरण के रूप में लिखी गई है। एक बार जब समीकरण सेट हो जाता है, तो आपको टेक्स्ट को फिर से पढ़ने के लिए एक विशाल AI की आवश्यकता नहीं होती है। आप बस इस समीकरण को एक विशेष सॉल्वर (जो एक मानक कंप्यूटर, एक "क्वांटम-इंस्पायर्ड" मशीन, या भविष्य का क्वांटम कंप्यूटर भी हो सकता है) को सौंप देते हैं ताकि स्विचों के संयोजन को खोजने के लिए सबसे सटीक चुनाव किया जा सके।

शोध पत्र ने वास्तव में क्या पाया (और क्या नहीं)

शोधकर्ताओं ने इस विचार का परीक्षण HotpotQA पर किया, जो पेचीदा, मल्टी-हॉप प्रश्नों से भरा एक बेंचमार्क है। उन्होंने अपने QUBO डिटेक्टिव की तुलना अन्य कई तरीकों से की:

  1. सिंपल टॉप-K (Simple Top-K): केवल शीर्ष-रैंक वाले दस्तावेजों को उठाना।
  2. MMR (मैक्सिमल मार्जिनल रिलेवेंस): एक तरीका जो डुप्लिकेट्स से बचने की कोशिश करता है।
  3. SetR-शैली के LLMs: दस्तावेजों का सेट स्पष्ट रूप से चुनने के लिए एक विशाल AI का उपयोग करना।

परिणाम:
QUBO विधि सुझाव देती है कि यह एक बहुत ही मजबूत प्रतिस्पर्धी है। 500 उदाहरणों पर अपने परीक्षणों में:

  • QUBO सेलेक्टर ने 0.6500 का Exact Match (EM) स्कोर और 0.7866 का F1 स्कोर प्राप्त किया।
  • यह LLM-आधारित "SetR" विधि के बेहद करीब है, जिसने 0.6540 EM और 0.7930 F1 स्कोर प्राप्त किया।
  • QUBO विधि ने Requirement Coverage (आवश्यकता कवरेज) में बेहतर काम किया (SetR के 0.9847 के मुकाबले 0.9893 हासिल करके), जिसका अर्थ है कि यह सुनिश्चित करने में थोड़ी बेहतर थी कि प्रश्न के हर हिस्से को संबोधित किया गया है।

महत्वपूर्ण रूप से, शोध पत्र इस विचार को खारिज करता है कि चयन चरण के लिए आपको एक विशाल LLM का उपयोग करना ही होगा। वे दिखाते हैं कि आप "सोचने" (सही सुराग चुनना) को "उत्तर देने" (अंतिम वाक्य लिखना) से अलग कर सकते हैं। LLM का उपयोग अभी भी प्रश्न और अंतिम उत्तर उत्पन्न करने के लिए किया जाता है, लेकिन सुरागों को चुनने का भारी काम इस कुशल गणितीय सॉल्वर को सौंप दिया जाता है।

लेखक किस बात के प्रति आश्वस्त हैं (और वे केवल अनुमान लगा रहे हैं)

  • सिमुलेशन में सिद्ध: लेखकों ने इन परीक्षणों को एक सिम्युलेटेड एनीलिंग सॉल्वर (एक मानक कंप्यूटर एल्गोरिदम जो सर्वोत्तम समाधान खोजने के लिए धातु को ठंडा करने की नकल करता है) का उपयोग करके चलाया। वे स्पष्ट रूप से कहते हैं कि हालांकि वे "यूनिवर्सल क्वांटम स्पीडअप" का अनुमान नहीं लगाते हैं, लेकिन उनकी विधि क्वांटम एनीलर्स या डिजिटल एनीलर्स जैसे भविष्य के हार्डवेयर के अनुकूल बनाई गई है।
  • कोई जादुई समाधान नहीं: पेपर स्वीकार करता है कि QUBO विधि ने LLM-आधारित चयनकर्ताओं को बहुत बड़े अंतर से नहीं हराया; यह "प्रतिस्पर्धी" थी। वास्तव में, कुछ विशिष्ट परीक्षणों में, LLM चयनकर्ता अंतिम उत्तर स्कोर में थोड़े बेहतर थे, लेकिन QUBO विधि आवश्यक जानकारी आवश्यकताओं को कवर करने में अधिक सुसंगत थी।
  • "क्यों" स्पष्ट है: उनके "एब्लेशन स्टडीज" (जहाँ उन्होंने गणित के कुछ हिस्सों को बंद कर दिया) के माध्यम से, उन्होंने पाया कि प्रासंगिकता (relevance) और आवश्यकता कवरेज (requirement coverage) सफलता के सबसे बड़े चालक थे। अन्य फैंसी शब्द (जैसे अतिरेक को दंडित करना) ने चुने गए सुरागों के सेट को अधिक संक्षिप्त और व्यवस्थित बनाने में मदद की, भले ही उन्होंने हमेशा अंतिम उत्तर स्कोर को नाटकीय रूप से नहीं बदला।

निष्कर्ष

यह पेपर स्मार्ट प्रश्न-उत्तर प्रणाली बनाने के एक नए तरीके का सुझाव देता है। एक विशाल AI को यह अनुमान लगाने देने के बजाय कि किन दस्तावेजों को पढ़ना है, हम चयन प्रक्रिया को एक संरचित अनुकूलन पहेली (optimization puzzle) में बदल सकते हैं। यह हमें विशेष, संभावित रूप से तेज़ और अधिक ऊर्जा-कुशल हार्डवेयर (जैसे क्वांटम-इंस्पायर्ड मशीनों) का उपयोग करने की अनुमति देता है, जो चुटकियों में सही सुरागों का चयन कर सके, जबकि बड़े AI को केवल अंतिम उत्तर लिखने के काम के लिए बचा कर रखता है।

यह एक सुपर-फास्ट रोबट को लाखों फाइलों को छाँटने और आपके लिए परफेक्ट 5 फाइलें चुनने के लिए काम पर रखने जैसा है, ताकि केवल महंगा जीनियस ही उन 5 फाइलों को पढ़ सके और रिपोर्ट लिख सके। पेपर दिखाता है कि यह लगभग उतना ही अच्छा काम करता है जितना कि उस जीनियस को स्वयं छँटाई करने के लिए कहना, लेकिन यह भविष्य के लिए बहुत तेज़ और सस्ते सिस्टम के द्वार खोलता 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।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 💬 cs.CL →