Agentic Autoresearch for CT Reconstruction

कल्पना कीजिए कि आप एक विशाल, धुंधली पहेली (जिग्सॉ पजल) को सुलझाने की कोशिश कर रहे हैं। मेडिकल इमेजिंग की दुनिया में, यह पहेली मानव शरीर के भीतर की एक तस्वीर है, जिसे एक्स-रे द्वारा बनाया गया है। लक्ष्य कच्चे, शोर वाले डेटा को लेकर उसे एक स्पष्ट छवि में बदलना है जिस पर डॉक्टर भरोसा कर सकें। लंबे समय तक, वैज्ञानिकों ने कंप्यूटर को यह सिखाने के लिए "डीप लर्निंग" का उपयोग किया है, जो आर्टिफिशियल इंटेलिजेंस का एक प्रकार है जो हजारों उदाहरणों को देखकर सीखता है। लेकिन इसमें एक पेंच है: यदि कंप्यूटर उन विशिष्ट उदाहरणों के बारे में बहुत अधिक सीख जाता है जिन्हें उसने देखा है, तो वह "हैलुसिनेट" (hallucinate) करना शुरू कर सकता है—यानी ऐसी शारीरिक संरचनाएं बना सकता है जो वास्तव में वहां नहीं हैं, जैसे कि केवल अच्छा दिखने के लिए एक नकली हड्डी जोड़ देना। इसे रोकने के लिए, शोधकर्ता एआई (AI) को भौतिकी के नियमों के अनुसार काम करने के लिए मजबूर करते हैं, यह सुनिश्चित करते हुए कि अंतिम तस्वीर वास्तविक एक्स-रे माप से मेल खाती हो।

अब, कल्पना कीजिए कि आपके पास एक रोबोट सहायक है जो निर्देशों को पढ़ने और कोड लिखने में अविश्वसनीय रूप से कुशल है, लेकिन उसके अपने कोई विचार नहीं हैं। यह शोध पत्र एक बड़ा सवाल पूछता है: क्या हम इस रोबोट सहायक को अपने आप पूरा रिसर्च लैब चलाने दे सकते हैं? क्या वह पहेली को सुलझाने के दर्जनों अलग-अलग तरीके आजमा सकता है, कोड में बदलाव कर सकता है, प्रयोग चला सकता है, और हमें बता सकता है कि कौन सा तरीका सबसे अच्छा है, और वह भी बिना किसी इंसान के हाथ थामे हर कदम पर मार्गदर्शन किए? शोधकर्ता यह पता लगाना चाहते थे कि क्या यह "एजेंटिक" (agentic) रोबोट वैज्ञानिक खोज का कठिन कार्य कर सकता है, और इससे भी महत्वपूर्ण बात यह है कि वे यह देखना चाहते थे कि क्या "सबसे अच्छा" तरीका, जो एक आदर्श, साफ पहेली पर पाया गया था, अभी भी सबसे अच्छा रहेगा जब पहेली के टुकड़े थोड़े गंदे और शोर वाले हो जाएं, जैसा कि वास्तविक जीवन में होता है।

रोबोट वैज्ञानिक और दो पहेलियाँ

लेखकों ने एक लूप बनाया जहाँ एक लार्ज लैंग्वेज मॉडल (एक बहुत ही स्मार्ट एआई जो टेक्स्ट पढ़ता और लिखता है) एक शोधकर्ता के रूप में कार्य करता है। इस रोबोट को एक विशिष्ट काम दिया गया था: 26 अलग-अलग "समाधानों" (सीटी स्कैन को ठीक करने के गणितीय नुस्खे) की एक सूची लें, उनमें सुधार करें, और देखें कि कौन सा सबसे अच्छा काम करता है। रोबोट ने केवल अनुमान नहीं लगाया; उसने पिछले प्रयास के परिणाम पढ़े, यह समझा कि क्या गलत हुआ, कोड में एक छोटा सा बदलाव किया, और एक नया परीक्षण चलाया। उसने यह बार-बार किया, जैसे एक छात्र अभ्यास परीक्षा देता है, अपनी गलतियों से सीखता है, और फिर से प्रयास करता है।

उन्होंने इन तरीकों का परीक्षण दो अलग-अलग प्रकार की पहेलियों पर किया:

1. "शोर वाली" पहेली (मेयो लो-डोज सीटी): यह एक धुंधली खिड़की में चेहरा देखने की कोशिश करने जैसा है। यह वास्तविक रोगी स्कैन है, लेकिन इन्हें रेडिएशन की कम खुराक के साथ लिया गया है, जिससे छवि दानेदार और शोर (static) से भरी होती है। लक्ष्य विवरणों को धुंधला किए बिना शोर को साफ करना है।
2. "गायब टुकड़ों वाली" पletली (स्पार्स-व्यू ब्रेस्ट सीटी): यह एक ऐसी पहेली को हल करने जैसा है जहाँ आधे टुकड़े गायब हैं। स्कैनर ने पूर्ण रोटेशन के बजाय केवल कुछ कोणों से कुछ तस्वीरें ली हैं। लक्ष्य यह पता लगाना है कि गायब हिस्से कैसे दिखते हैं बिना कुछ मनगढ़ंत बनाए।

रोबोट की बड़ी खोज: "परफेक्ट" सॉल्वर एक धोखा है

रोबोट ने सफलतापूर्वक सभी 26 तरीकों को लागू, ट्यून और टेस्ट किया। उसने इन तरीकों के सबसे अच्छे हिस्सों को मिलाकर एक नया, सुपर-कुशल "कॉम्पैक्ट सॉल्वर" बनाने में भी मदद की, हालांकि इन टुकड़ों को एक कॉम्पैक्ट सॉल्वर में मिलाने का विचार वास्तव में एक मानव शोधकर्ता से आया था। यह नया सॉल्वर बहुत छोटा था—इसमें केवल 969 पैरामीटर (एआई के मस्तिष्क कोशिकाएं) थे, जबकि दिग्गजों द्वारा उपयोग किए जाने वाले लाखों पैरामीटर्स के मुकाबले। शोर वाली पहेली पर, यह छोटा सॉल्वर दिग्गजों के समान ही प्रदर्शन करता था, और शीर्ष स्थान के लिए बराबरी कर रहा था। गायब-टुकड़ों वाली पहेली पर, इसने एक अलग, और भी छोटा नुस्खा खोजा जो अत्यधिक प्रतिस्पर्धी था, हालांकि यह पूर्ण नहीं था, लेकिन शीर्ष स्तर के प्रदर्शन के बहुत करीब था।

हालांकि, कहानी का सबसे आश्चर्यजनक हिस्सा तब हुआ जब शोधकर्ताओं ने गायब-टुकड़ों वाली पहेली में थोड़ा सा "शोर" (noise) जोड़ा। उन्होंने उन मॉडलों को लिया जिन्हें एकदम साफ, शोर-मुक्त डेटा पर प्रशिक्षित किया गया था और उनसे उसी पहेली को हल करने के लिए कहा, लेकिन इस बार इनपुट में थोड़ा सा स्टैटिक (static) जोड़ दिया गया।

रैंकिंग पूरी तरह से पलट गई।

वह तरीका जो साफ डेटा पर निर्विवाद चैंपियन था (एक "सुपरवाइज्ड इमेज-डोमेन डिनोइज़र"), पूरी तरह विफल हो गया। वह सर्वश्रेष्ठ से बदलकर बेकार हो गया, उसका स्कोर शून्य तक गिर गया। यह एक विश्व स्तरीय शेफ की तरह था जो एक साफ रसोई में तो बेहतरीन भोजन बना सकता है, लेकिन जैसे ही बर्तन में थोड़ी सी गंदगी आती है, वह खाना जला देता है।

इस बीच, वे तरीके जो साफ डेटा पर मध्यम स्तर पर थे, अचानक नायक बन गए। एक तरीका जिसने "भौतिकी" (एक्स-रे के नियमों के प्रति सच्चा रहना) का उपयोग किया और दूसरे ने सरल, हस्तनिर्मित स्मूथिंग नियमों का उपयोग किया, वे शीर्ष पर आ गए। रोबोट ने पाया कि "सबसे अच्छा" तरीका पूरी तरह से परिस्थितियों पर निर्भर करता है। एक तरीका जो एक साफ, आदर्श परीक्षण पर जीतता है, वह जरूरी नहीं कि वह हो जिसे आप वास्तविक, अस्त-व्यस्त दुनिया में उपयोग करना चाहते हैं।

सबक: साफ कमरे पर भरोसा न करें

यह शोध पत्र तर्क देता है कि हम गलत लीडरबोर्ड देख रहे हैं। वर्षों से, वैज्ञानिक एआई तरीकों को इस आधार पर रैंक करते आए हैं कि वे कितने बेहतर प्रदर्शन करते हैं जब डेटा शोर-मुक्त और आदर्श होता है। यह शोध पत्र दिखाता है कि यह एक जाल है। एक तरीका जो साफ परीक्षण पर अद्भुत दिखता है, वह वास्तव में बहुत नाजुक हो सकता है, और वास्तविक दुनिया की मामूली खामियों का सामना करते ही ढह सकता है।

शोधकर्ताओं ने पाया कि यदि वे "चैंपियन" तरीकों को शोर वाले डेटा पर फिर से प्रशिक्षित करते हैं, तो वे वापस ठीक हो सकते हैं और अच्छे बन सकते हैं। यह सुझाव देता है कि विफलता इसलिए नहीं थी क्योंकि तरीका बुरा था, बल्कि इसलिए थी क्योंकि इसे गलत प्रकार के डेटा पर प्रशिक्षित किया गया था। हालांकि, लेखक चेतावनी देते हैं कि शोर (noise) केवल सबसे आसान समस्या है जिसे ठीक किया जा सकता है। वास्तविक दुनिया में, कई अन्य चीजें गलत हो सकती हैं—जैसे कि एक्स-रे का हड्डियों के माध्यम से मुड़ना, या विभिन्न प्रकार की बीमारियां। यदि कोई तरीका केवल तभी काम करता है जब आप एक विशिष्ट समस्या (जैसे शोर) को ठीक करते हैं, तो यह दूसरी समस्या का सामना करने पर विफल हो सकता है।

निष्कर्ष

रोबोट सहायक ने साबित कर दिया कि वह अनुसंधान का भारी काम कर सकता है: वह कोड लिख सकता है, हजारों प्रयोग चला सकता है, और परिणामों की निष्पक्ष तुलना कर सकता है। लेकिन उस रोबोट ने हमें सफलता को आंकने के बारे में एक महत्वपूर्ण सबक भी सिखाया। सिर्फ इसलिए कि एक तरीका एक चिकने, खाली ट्रैक पर दौड़ जीतता है, इसका मतलब यह नहीं है कि वह ऊबड़-खाबड़, बरसात वाली सड़क को संभाल सकता है। डॉक्टरों और मरीजों के लिए वास्तव में उपयोगी एआई बनाने के लिए, हमें आदर्श, शोर-मुक्त डेटा पर परीक्षण करना बंद करना होगा और वास्तविक, अस्त-व्यस्त डेटा पर परीक्षण करना शुरू करना होगा जिसमें वे सभी चीजें शामिल हों जो गलत हो सकती हैं। यह शोध पत्र निष्कर्ष निकालता है कि मेडिकल इमेजिंग का भविष्य एक एकल "विजेता" खोजने के बारे में नहीं है, बल्कि ऐसी चुनौतियां बनाने के बारे में है जो यह परीक्षण करें कि ये तरीके एक साथ कई वास्तविक दुनिया की समस्याओं को कितनी अच्छी तरह संभाल सकते हैं।