Belief-Guided Decision Making with Uncertainty Gating in the Game of Go
यह शोध पत्र कंप्यूटर गो (Computer Go) के लिए एक नवीन 'बलीफ-गाइडेड' (Belief-Guided) आर्किटेक्चर प्रस्तावित करता है जो एपिस्टेमिक अनिश्चितता (epistemic uncertainty) को मॉडल करने और गेटिंग मैकेनिज्म के माध्यम से मतिभ्रम (hallucinations) को फ़िल्टर करने के लिए पॉलिसी और बलीफ हेड्स को अलग करता है, जिससे रनटाइम ट्री सर्च से कम्प्यूटेशनल इंटेलिजेंस को पैरामीट्रिक इंट्यूशन (parametric intuition) की ओर स्थानांतरित करके उपभोक्ता-ग्रेड हार्डवेयर पर पेशेवर-स्तर का, सर्च-मुक्त खेल सक्षम किया जा सके।
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
एक ऐसी दुनिया की कल्पना करें जहाँ कंप्यूटर केवल नंबरों की गणना नहीं करते, बल्कि वास्तव में खेलों के बारे में "सोचते" हैं। दशकों से, वैज्ञानिक मशीनों को गो (Go) के प्राचीन खेल में महारत हासिल करना सिखाने की कोशिश कर रहे हैं, जो कि एक ऐसा बोर्ड गेम है जिसकी जटिलता इतनी अधिक है कि इसमें संभावित चालों की संख्या ब्रह्मांड में परमाणुओं की संख्या से भी अधिक है। ऐसा करने के लिए, आधुनिक एआई (AI) आमतौर पर दो मुख्य उपकरणों पर निर्भर करता है: एक "अंतर्ज्ञान" (एक न्यूरल नेटवर्क जो सबसे अच्छी चाल का अनुमान लगाता है) और एक "सुपर-कैलकुलेटर" (एक सर्च एल्गोरिदम जो यह जांचने के लिए हजारों भविष्य के परिदृश्यों का अनुकरण करता है कि क्या वह अनुमान सुरक्षित है)। "अंतर्ज्ञान" को एक शतरंज खिलाड़ी के सहज ज्ञान के रूप में और "सुपर-कैलकुलेटर" को एक रेफरी के रूप में सोचें जो हर चाल चलने से पहले उसकी दोबारा जांच करता है। हालाँकि यह संयोजन विशाल, महंगे सुपरकंप्यूटरों पर अविश्वसनीय रूप से अच्छा काम करता है, लेकिन यह सामान्य होम कंप्यूटरों पर एक दीवार से टकरा जाता है। सुपर-कैलकुलेटर शक्ति के लिए इतना भूखा है कि यह सब कुछ धीमा कर देता है, और यदि आप इसे बहुत तेज़ी से काम करने के लिए मजबूर करते हैं, तो एआई जंगली, आत्मविश्वासी गलतियाँ करने लगता है—जैसे कि एक खिलाड़ी जिसे 100% यकीन है कि वह जीत रहा है, केवल यह महसूस करने के लिए कि वह अभी एक जाल में फंस गया है। यह शोध एक बड़े सवाल को संबोधित करता है: क्या हम एक ऐसा एआई बना सकते हैं जो ग्रैंडमास्टर की तरह खेल सके बिना अपने काम को दोबारा जांचने के लिए सुपरकंप्यूटर की आवश्यकता के?
इस अध्ययन के पीछे के शोधकर्ताओं ने, गो के खेल के साथ काम करते हुए, इस समस्या को हल करने का एक चतुर नया तरीका प्रस्तावित किया है। भारी, धीमे "सुपर-कैलकुलेटर" पर गलतियों को ठीक करने के लिए निर्भर रहने के बजाय, वे एआई को एक नया आंतरिक बोध देते हैं जिसे "विश्वास" (Belief) कहा जाता है। उनकी नई प्रणाली में, एआई के पास मिलकर काम करने वाले दो अलग-अलग मस्तिष्क हैं। पहला मस्तिष्क "पॉलिसी" (Policy) है, जो सामान्य अंतर्ज्ञान है जो एक चाल चुनता है। दूसरा मस्तिष्क "विश्वास" (Belief) है, जो एक आंतरिक सिम्युलेटर या एक सतर्क आलोचक के रूप में कार्य करता है। यह विश्वास मस्तिष्क केवल अनुमान नहीं लगाता; यह लगातार पूछता है, "मैं इस बारे में कितना आश्वस्त हूँ? क्या यह चाल वास्तव में सुरक्षित है, या मैं केवल एक जीत का भ्रम पाल रहा हूँ?"
टीम का सुझाव है कि इन दो भूमिकाओं को अलग करके, एआई अपनी स्वयं की "अंतर्दृष्टि" पर अधिक सटीक रूप से भरोसा करना सीख सकता है। उन्होंने इस नई प्रणाली को एक विशेष तकनीक का उपयोग करके प्रशिक्षित किया जहाँ "विश्वास" मस्तिष्क पेशेवर खेलों और विशेषज्ञ डेटा से पहले सीखता है, जिससे वास्तविक मैच खेलने से पहले उसे वास्तविकता में स्थापित किया जा सके। उन्होंने एआई में एक "मेमोरी" (स्मृति) प्रणाली भी जोड़ी, जिससे वह खेल के इतिहास को याद रख सके, जो महत्वपूर्ण है क्योंकि गो में "को" (Ko) नामक एक पेचीदा नियम है जो बिल्कुल समान बोर्ड स्थिति को दोहराने से रोकता है।
यहाँ जादू का तरीका है: शोधकर्ताओं ने दोनों मस्तिष्कों के बीच एक "गेट" (द्वार) बनाया है। यदि पॉलिसी मस्तिष्क बहुत उत्साहित हो जाता है और उच्च आत्मविश्वास के साथ एक चाल का सुझाव देता है, तो विश्वास मस्तिष्क उसकी जांच करता है। यदि विश्वास मस्तिष्क अनिश्चितता या खतरे को महसूस करता है, तो वह उन जोखिम भरी चालों को रोकने या फिल्टर करने के लिए एक फिल्टर के रूप में कार्य करता है, जिससे उन्हें चुने जाने से रोका जा सके। यह एआई को उन आत्मविश्वासी, विनाशकारी त्रुटियों को करने से रोकता है जिन्हें "भ्रम" (hallucinations) के रूप में जाना जाता है।
शोध पत्र दिखाता है कि यह दृष्टिकोण आश्चर्यजनक रूप से अच्छा काम करता है। उनके परीक्षणों में, एक मानक उपभोक्ता ग्राफिक्स कार्ड (विशेष रूप से RTX 2060) पर चलते हुए, यह नया "बलीफ-गाइडेड" (Belief-Guided) मॉडल उन पारंपरिक मॉडलों की तुलना में बहुत बेहतर खेला जो हार्डवेयर सीमाओं के कारण अपनी गहरी खोज (deep search) को छोड़ने के लिए मजबूर थे। परिणाम बताते हैं कि मॉडल काफी अधिक स्थिर हो गया, जिससे खेल के अंत में मूर्खतापूर्ण गलतियों की संख्या में लगभग 30% की कमी आई। लेखकों ने पाया कि जब विश्वास मस्तिष्क अधिक "आत्म-जागरूक" (अर्थात खेल की स्थिति का आकलन करने में कम त्रुटि दर वाला) था, तो पॉलिसी मस्तिष्क ने बहुत बेहतर चालें चलीं।
हालाँकि, शोध पत्र सावधानीपूर्वक नोट करता है कि यह सब कुछ हल करने वाला कोई जादुई डंडा नहीं है। परिणाम विशिष्ट हार्डवेयर पर सिमुलेशन और प्रयोगों पर आधारित हैं, और लेखक सुझाव देते हैं कि जबकि यह तरीका सीमित उपकरणों पर एआई को पेशेवर रूप से खेलने में मदद करता है, यह अभी भी विशेषज्ञ डेटा से प्रारंभिक प्रशिक्षण पर निर्भर करता है। उनका तर्क है कि उनकी विधि भारी काम को "सर्च चलाने" से बदलकर "बेहतर आंतरिक विश्वास रखने" की ओर स्थानांतरित करती है, जो सत्यापन कार्य को विशाल ट्री सर्च से हटाकर एक स्मार्ट, अधिक जमीनी अंतर्दृष्टि पर डाल देती है। लेखक निष्कर्ष निकालते हैं कि "क्या करना है" को "मैं क्या मानता हूँ कि सत्य है" से अलग करने से एक अधिक मजबूत एआई बनता है जो अपनी जेब में सुपरकंप्यूटर रखे बिना गो की जटिलता को संभाल सकता 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।