कल्पना कीजिए कि आप एक वास्तुकार (architect) हैं, लेकिन घरों को डिजाइन करने के बजाय, आप एनालॉग सर्किट नामक छोटी, अदृश्य मशीनें डिजाइन कर रहे हैं। ये आपके फोन, आपकी कार और आपके लैपटॉप के भीतर छिपे अनसुने नायक हैं, जो बैटरी की शक्ति को स्क्रीन के लिए सही वोल्टेज में बदलने या एक शोर भरे रेडियो सिग्नल को साफ करने जैसे काम संभालते हैं। दशकों से, इन सर्किटों को बनाना एक धीमा, मैनुअल कला रूप रहा है। एक मानव विशेषज्ञ को एक डिजाइन तैयार करना होता है, यह देखने के लिए कंप्यूटर सिमुलेशन चलाना होता है कि क्या यह काम करता है, यह महसूस करना होता है कि यह टूट गया है, इसे मिटाना होता है, और फिर से शुरू करना होता है। यह चक्र एक एकल डिजाइन के लिए सैकड़ों बार दोहराया जाता है। यह घास के ढेर में एक विशिष्ट सुई खोजने की कोशिश करने जैसा है, जहाँ आप हर उस घास के टुकड़े के लिए एक नई सुई बनाते हैं जिसे आप उठाते हैं, इस उम्मीद में कि उनमें से एक सही होगी।

हाल ही में, वैज्ञानिकों ने कंप्यूटर को "लैंग्वेज मॉडल्स" का उपयोग करके ये स्केच बनाना सिखाने की कोशिश की—वही तरह के स्मार्ट AI जो कहानियाँ लिख सकते हैं या सवालों के जवाब दे सकते हैं। उन्होंने इन AI को नियमों का एक सेट (जैसे "मुझे एक ऐसा सर्किट चाहिए जो वोल्टेज को दोगुना कर दे") पढ़ना और तुरंत एक सर्किट का चित्र उगलना सिखाया। लेकिन एक पेंच था: ये AI ऐसे छात्रों की तरह थे जिन्होंने कुछ सरल रेसिपी याद कर ली थीं लेकिन जटिल दावत बनाने के लिए पूछे जाने पर घबरा गए। यदि सर्किट थोड़ा बड़ा या अधिक जटिल हो जाता, तो AI बस एक रैंडम, टूटा हुआ डिजाइन बना देता। वह अपनी गलतियों के बारे में "सोचना" या फिर से प्रयास करना नहीं जानता था। यह एक "वन-शॉट" (one-shot) प्रयास था: एक बार अनुमान लगाओ, और यदि आप विफल हुए, तो आप विफल हो गए।

यहीं पर EXPLORE नामक एक नया शोध पत्र काम आता है। शोधकर्ताओं ने, जो ड्यूक यूनिवर्सिटी और IBM की एक टीम है, महसूस किया कि AI को पहली बार में सही होने के लिए मजबूर करने के बजाय, उन्हें एक अंतिम डिजाइन के लिए प्रतिबद्ध होने से पहले विभिन्न विकल्पों को खोजने और "ज़ोर से सोचने" (think out loud) की अनुमति देनी चाहिए। उन्होंने एक ऐसा सिस्टम बनाया जो AI की रचनात्मकता को एक कठोर खोज प्रक्रिया के साथ जोड़ता है, जो एक जासूस की तरह है जो केवल अपराधी का अनुमान नहीं लगाता बल्कि हर सुराग की जांच करता है, हर सुराग का पीछा करता है, और केवल तभी संदिग्ध को गिरफ्तार करता है जब सबूत पुख्ता हों।

समस्या: "वन-शॉट" का जाल

यह समझने के लिए कि EXPLORE क्यों विशेष है, कल्पना कीजिए कि आप "ड्राइंग गेस द गेम" खेल रहे हैं। आपको एक बिल्ली का चित्र बनाना है, लेकिन आप पेन का केवल एक ही स्ट्रोक लगा सकते हैं। यदि आप कान बनाने में गलती करते हैं, तो पूरी बिल्ली खराब हो जाती है। पुराने AI तरीके इसी तरह काम करते थे। वे आपके अनुरोध को देखते थे और तुरंत एक पूर्ण सर्किट बना देते थे। यदि सर्किट काम नहीं करता था, तो AI के पास इसे ठीक करने का कोई तरीका नहीं था; उसे बस शुरुआत से फिर से प्रयास करना पड़ता था।

समस्या तब और खराब हो जाती है जब सर्किट बड़ा होता है। पेपर बताता है कि जैसे-जैसे आप सर्किट में अधिक भाग (जैसे कैपेसिटर, इंडक्टर और स्विच) जोड़ते हैं, उन्हें जोड़ने के संभावित तरीकों की संख्या विस्फोट की तरह बढ़ती है। यह एक ऐसी पहेली को हल करने की कोशिश करने जैसा है जहाँ हर एक नया टुकड़ा जोड़ने पर टुकड़ों की संख्या दोगुनी हो जाती है। 3 या 4 भागों वाले सरल सर्किट के लिए, AI आसानी से सही उत्तर का अनुमान लगा सकता था। लेकिन 6 भागों वाले सर्किट के लिए, गलत अनुमानों की संख्या इतनी बड़ी है कि AI खो जाता है। पुराने तरीकों ने इसे हजारों रैंडम अनुमान लगाकर ज़बरदस्ती (brute-force) हल करने की कोशिश की, लेकिन यह अविश्वसनीय रूप से धीमा और अक्षम था।

समाधान: एक निर्देशित खोज (A Guided Search)

EXPLORE फ्रेमवर्क एक "निर्देशित खोज" (guided search) पेश करके खेल बदल देता है। AI द्वारा केवल एक अंतिम उत्तर उगलने के बजाय, यह एक पर्वतारोही की तरह कार्य करता है जो पहाड़ चढ़ रहा है। पर्वतारोही (AI) के पास एक "मानचित्र" (उसका प्रशिक्षण डेटा) है जो उसे बताता है कि रास्ता संभवतः कहाँ जाता है। लेकिन पहाड़ खड़ा और धुंधला है, इसलिए पर्वतारोही केवल अंधाधुंध नहीं चलता।

यहाँ EXPLORE चरण-दर-चरण कैसे काम करता है:

1. मानचित्र (द लैंग्वेज मॉडल): AI एक "मानचित्र" के साथ शुरू करता है जो उसने हजारों मौजूदा सर्किटों को देखकर सीखा है। यह मानचित्र उसे एक अच्छा अंदाज़ा देता है कि एक वैध सर्किट कैसा दिखता है।
2. शाखाओं वाले रास्ते (मोंटे कार्लो ट्री सर्च): जब AI को निर्णय लेने की आवश्यकता होती है (जैसे "क्या मैं इस तार को यहाँ या वहाँ जोड़ूँ?"), तो वह केवल एक विकल्प नहीं चुनता। वह आगे के कई अलग-अलग रास्तों की कल्पना करता है। इसे "ट्री सर्च" कहा जाता है। यह सड़क के एक मोड़ पर खड़े होकर दोनों रास्तों पर चलने की कल्पना करने जैसा है ताकि देखा जा सके कि कौन सा रास्ता बेहतर दृश्य की ओर ले जाता है।
3. वास्तविकता की जाँच (द सिम्युलेटर): AI द्वारा कल्पना किए गए प्रत्येक पथ के लिए, वह एक सर्किट सिम्युलेटर का उपयोग करके एक त्वरित "परीक्षण" चलाता है। यह सच्चाई का क्षण है। सिम्युलेटर कहता है, "अरे, यदि आप इसे इस तरह जोड़ते हैं, तो वोल्टेज गलत है," या "बहुत बढ़िया, यह हिस्सा काम कर रहा है!"
4. स्मार्ट स्किप (P-फिल्टरिंग): यह एक चतुर ट्रिक है जिसे शोधकर्ताओं ने आविष्कार किया है। उस भाषा में जिसमें AI सर्किट का वर्णन करता है, लगभग आधे शब्द केवल "व्याकरण" के शब्द हैं—जैसे "the" या "and"—जो वास्तव में डिज़ाइन को नहीं बदलते। वे केवल वाक्य को सही दिखाने के लिए वहाँ हैं। EXPLORE सिस्टम यह समझ जाता है कि यदि AI इन व्याकरण संबंधी शब्दों में से किसी एक के बारे में 99% सुनिश्चित है, तो उसे उन्हें टेस्ट करने में समय बर्बाद करने की आवश्यकता नहीं है। यह उन्हें स्वतः स्वीकार कर लेता है और अपनी ऊर्जा वास्तविक निर्णयों के लिए बचा लेता है। यह एक ऐसे शेफ की तरह है जिसे नमक डालने से पहले नमक के डिब्बे को चखने की आवश्यकता नहीं होती; वे बस जानते हैं कि नमक डालना है और अपने चखने के समय को सूप के लिए बचाना है।

उन्होंने क्या पाया

टीम ने 6 घटकों वाले सर्किटों पर इस नए तरीके का परीक्षण किया, जो एक ऐसा बिंदु है जहाँ पुराने तरीके संघर्ष करने लगते हैं। उन्होंने एक बहुत सख्त लक्ष्य निर्धारित किया: सर्किट को त्रुटि के एक बहुत छोटे मार्जिन (0.01) के भीतर सटीक होना चाहिए।

• पुराना तरीका: जब AI ने एक शॉट में सर्किट का अनुमान लगाने की कोशिश की ( "Greedy" विधि), तो वह केवल 12% बार सफल हुआ। यहाँ तक कि जब उन्होंने एक ऐसी विधि का प्रयास किया जो कई रैंडम अनुमान उत्पन्न करती थी और सबसे अच्छे को चुनती थी ("Sampling and Filter"), तो वह केवल 33% बार सफल हुई।
• EXPLORE का तरीका: उनके निर्देशित खोज के साथ, सफलता दर बढ़कर 65% हो गई। यह पिछले सबसे अच्छे तरीके की सफलता से दोगुने से भी अधिक है।

लेकिन यह केवल अधिक बार जीतने के बारे में नहीं था; यह अधिक स्मार्ट होने के बारे में था। पेपर नोट करता है कि EXPLORE ने त्रुटियाँ (जिसे "मीन स्क्वेयर्ड एरर" कहा जाता है) रैंडम अनुमान लगाने वाली विधि की तुलना में 20 गुना से भी अधिक कम कीं। इसका मतलब है कि जो सर्किट उसने पाए, वे सटीक लक्ष्य के बहुत करीब थे।

शोधकर्ताओं ने और भी बड़ी चुनौतियों को देखा: 7, 8 और 9 घटकों वाले सर्किट। इन जटिल परिदृश्यों में, पुराने तरीकों ने लगभग हार मान ली, जहाँ सफलता दर शून्य के करीब गिर गई। हालाँकि, EXPLORE काम करता रहा। हालाँकि इसने हर एक समस्या को पूरी तरह से हल नहीं किया, लेकिन यह एकमात्र तरीका था जो अभी भी इन कठिन, अनछुए क्षेत्रों में भी काम करने योग्य डिज़ाइन ढूंढ सकता था।

यह क्यों मायने रखता है

पेपर सुझाव देता है कि यह दृष्टिकोण एक बड़ी प्रगति है क्योंकि यह AI को कार्य करने से पहले "सोचने" के लिए सिखाता है। हर संभव सर्किट के विशाल डेटाबेस (जिसे एकत्र करना असंभव है) पर निर्भर रहने के बजाय, EXPLORE AI के अंतर्ज्ञान का उपयोग एक स्मार्ट खोज को निर्देशित करने के लिए करता है, और काम करते समय अपने काम की जाँच करता है।

लेखक सावधानीपूर्वक उल्लेख करते हैं कि जबकि यह एक बहुत बड़ा सुधार है, यह कोई जादुвई छड़ी नहीं है जो सब कुछ तुरंत हल कर देती है। बहुत बड़े सर्किटों (10 घटक) के लिए सफलता दर अभी भी मध्यम थी, और इसे चलाने के लिए बहुत अधिक कंप्यूटर पावर की आवश्यकता होती है। हालाँकि, यह सिद्ध करके कि एक "सर्च-एनहैंस्ड" (search-enhanced) दृष्टिकोण "वन-शॉट" अनुमान से बेहतर काम करता है, उन्होंने एक नया द्वार खोल दिया है। यह सुझाव देता है कि सर्किट डिजाइन का भविष्य केवल स्मार्ट AI मॉडल के बारे में नहीं होगा, बल्कि उन मॉडलों को अपने विचारों को खोजने, परीक्षण करने और परिष्कृत करने के स्मार्ट तरीकों के बारे में होगा, इससे पहले कि वे एक भौतिक चिप का निर्माण करें।

संक्षेप में, EXPLORE को केवल अंधेरे में हाथ-पैर मारने और खजाना मिलने की उम्मीद करने के बजाय, सर्किट डिजाइनर को एक दिशा-सूचक यंत्र (compass) और एक मानचित्र देने जैसा है। यह शुद्ध भाग्य के खेल को रणनीति के खेल में बदल देता है।