Goal-Oriented Logic-based Semantic Communication for Neuro-Symbolic Reasoning with Applications onto Autonomous Driving

कल्पना कीजिए कि आप एक विशाल, चलते हुए पहेली को सुलझाने की कोशिश कर रहे हैं जहाँ पहेली के टुकड़े कारें, पैदल चलने वाले लोग और ट्रैफिक लाइटें हैं, लेकिन आप केवल तस्वीर का एक छोटा सा कोना ही देख सकते हैं। यह सेल्फ-ड्राइविंग कारों की दैनिक वास्तविकता है। उनके पास कैमरे और सेंसर होते हैं, लेकिन जिस तरह आप एक बड़े ट्रक द्वारा अपनी दृष्टि बाधित किए जाने पर उसके पीछे नहीं देख सकते, इन कारों के भी अक्सर "ब्लाइंड स्पॉट्स" (अंधे क्षेत्र) होते हैं। सुरक्षित रहने के लिए, उन्हें एक-दूसरे से और सड़क के किनारे स्थित कंप्यूटरों से बात करने और जो वे देख पाते हैं उसे साझा करने की आवश्यकता होती है। इस क्षेत्र को "सिमेंटिक कम्युनिकेशन" (अर्थपूर्ण संचार) कहा जाता है। सब कुछ का एक विशाल, धुंधला वीडियो स्ट्रीम भेजने के बजाय (जिसमें बहुत समय लगता है और जो इंटरनेट को जाम कर देता है), सिमेंटिक कम्युनिकेशन एक चतुर टेक्स्ट मैसेज भेजने जैसा है जो कहता है, "हे, उस ट्रक के पीछे एक बच्चा दौड़ रहा है!" यह कच्चे पिक्सेल के बजाय केवल उस अर्थ पर ध्यान केंद्रित करता है जो निर्णय लेने के लिए आवश्यक है। बड़ा सवाल जो शोधकर्ता पूछ रहे हैं वह यह है: हम यह कैसे सुनिश्चित करें कि कार सबसे महत्वपूर्ण अर्थ भेजे जब इंटरनेट कनेक्शन धीमा या सीमित हो?

जॉर्जिया टेक के शोधकर्ताओं द्वारा लिखा गया यह शोध पत्र ठीक इसी समस्या को संबोधित करता है जो मिलकर काम करने वाली सेल्फ-ड्राइविंग कारों के लिए है। वे बातचीत करने का एक नया तरीका प्रस्तावित करते हैं जो केवल अनुमान लगाने के बजाय "तर्क" (logic) का उपयोग करता है। इसे एक जासूसों की टीम की तरह समझें। यादृच्छिक (random) सुरागों का ढेर मेज पर डालने के बजाय, प्रत्येक कार एक विशेष नियम पुस्तिका (ट्रैफिक कानूनों पर आधारित) का उपयोग करती है ताकि यह पता लगाया जा सके कि "क्या हम टकराएंगे?" के रहस्य को सुलझाने के लिए वास्तव में किन सुरागों की आवश्यकता है। शोधकर्ताओं ने एक ऐसा सिस्टम बनाया है जहाँ कारें जो देखती हैं उसे तार्किक कथनों (logical statements) में अनुवाद करती हैं, सबसे उपयोगी कथनों को चुनती हैं, और फिर सुरक्षित ड्राइविंग निर्णय लेने के लिए उन्हें जोड़ती हैं। उन्होंने इसे एक व्यस्त शहर के कंप्यूटर सिमुलेशन में परखा और पाया कि उनके "स्मार्ट लॉजिक" तरीके ने कारों को सुरक्षित रखा, जबकि एक "रैंडम" तरीके के कारण दुर्घटनाएं हुईं।

सेल्फ-ड्राइविंग कारों का जासूसी खेल

कल्पना कीजिए कि सेल्फ-ड्राइविंग कारों का एक समूह जासूसों की एक टीम के रूप में एक रहस्य सुलझाने की कोशिश कर रहा है: "क्या आगे बढ़ना सुरक्षित है?" प्रत्येक जासूस (कार) के पास एक टॉर्च है, लेकिन शहर अंधेरा है और बड़े ट्रकों से भरा है जो उनकी दृष्टि को रोक रहे हैं। एक जासूस एक पैदल यात्री का जूता देखता है; दूसरा ब्रेक लाइट देखता है; तीसरा स्टॉप साइन देखता है। यदि वे सभी जो कुछ भी देखते हैं उसे चिल्लाकर बोलेंगे, तो रेडियो चैनल जाम हो जाएगा, और महत्वपूर्ण सुराग शोर में खो जाएंगे।

लेखक एक बेहतर तरीका सुझाते हैं: लक्ष्य-उन्मुख सिमेंटिक कम्युनिकेशन (Goal-Oriented Semantic Communication)। सब कुछ चिल्लाने के बजाय, प्रत्येक जासूस पूछता है, "मुझे ट्रैफिक नियमों के रहस्य को सुलझाने के लिए किस विशिष्ट सुराग की आवश्यकता है?" वे एक विशेष "नियम पुस्तिका" का उपयोग करते हैं जो 'फर्स्ट-ऑर्डर लॉजिक' (FOL) नामक भाषा में लिखी गई है। यह मानव अंग्रेजी नहीं है, बल्कि यह नियमों की एक अत्यंत सटीक गणितीय भाषा है, जैसे: "यदि एक कार चौराहे में है AND एक पैदल यात्री सड़क पार कर रहा है, तो कार को रुकना चाहिए।"

यहाँ उनका सिस्टम चरण-दर-चरण कैसे काम करता है:

1. अनुवाद (The Translation): प्रत्येक कार दुनिया को देखती है और जो वह देखती है उसे तार्किक तथ्यों की एक सूची में बदल देती है। उदाहरण के लिए, "पैदल यात्री P1 चौराहे I1 पर है।"
2. स्मार्ट फिल्टर (The Uplink): कार के पास डेटा भेजने के लिए सीमित "रेडियो समय" होता है। तथ्यों को यादृच्छिक रूप से भेजने के बजाय, यह गणना करने के लिए एक विशेष गणितीय सूत्र का उपयोग करती है (जो पुराने ज़माने के तर्कशास्त्रियों कार्नेप और हिंटिका के कार्य पर आधारित है) कि कौन से तथ्य ट्रैफिक नियमों के बारे में अनिश्चितता को सबसे अधिक कम करेंगे। यह एक जासूस द्वारा बंदूक के बारे में पुलिस को फोन करने के बजाय एक 'लाल टोपी' के बारे में फोन करने जैसा है क्योंकि बंदूक "खतरे" के नियम के लिए अधिक प्रासंगिक है।
3. दिमाग (The RSU): ये सभी बुद्धिमानी से चुने गए सुराग एक रोड साइड यूनिट (RSU) को भेजे जाते हैं, जो एक केंद्रीय पुलिस स्टेशन की तरह है। RSU विभिन्न कारों से प्राप्त सभी सुरागों को जोड़ता है। क्योंकि इसके पास पूरी तस्वीर है, यह उन चीजों का निष्कर्ष निकाल सकता है जो कोई भी अकेली कार अकेले नहीं देख सकती थी, जैसे "कार A और कार B आपस में टकराने की राह पर हैं।"
4. जवाब (The Downlink): RSU केवल विशिष्ट सुरक्षा चेतावनियाँ या "राइट-ऑफ-वे" (रास्ते का अधिकार) निर्देश वापस भेजता है जिसकी प्रत्येक कार को आवश्यकता होती है।
5. निर्णय (The Decision): कार इस नई जानकारी को लेती है, इसे अपने स्थानीय दृश्य के साथ मिलाती है, और एक लार्ज लैंग्वेज मॉडल (LLM)—जो भाषा को समझने वाला एक प्रकार का AI है—का उपयोग यह तय करने के लिए करती है कि आगे क्या करना है, जैसे "जोर से ब्रेक लगाओ" या "बाएं मुड़ो।"

"तार्किक संभाव्यता" का जादू

इस शोध पत्र का मुख्य आकर्षण "तार्किक संभाव्यता" (logical probability) की गणना करने का एक नया तरीका है। आमतौर पर, जब हम संभाव्यता की बात करते हैं, तो हम पासा फेंकने या सिक्का उछालने के बारे में सोचते हैं। लेकिन इस दुनिया में, लेखक "इंडक्टिव लॉजिक" के विचार से प्रेरित एक अलग प्रकार के गणित का उपयोग करते हैं।

कल्पना कीजिए कि आपके पास विभिन्न प्रकार के पहेली के टुकड़ों (जिन्हें Q-वाक्य कहा जाता है) का एक बैग है। कुछ टुकड़े "लाल कार" हो सकते हैं, अन्य "पैदल यात्री", और अन्य "ट्रक"। लेखकों ने एक ऐसा मॉडल बनाया है जो दो प्रश्न पूछता है:

1. अस्तित्व (Existence): क्या इस प्रकार का टुकड़ा इस शहर में मौजूद होने की अनुमति है? (शायद आज कोई ट्रक नहीं है)।
2. आवृत्ति (Frequency): यदि यह मौजूद है, तो उनमें से कितने हैं?

एक "रैंडम-सपोर्ट डिरिचलेट-कैटेगोरिकल मॉडल" नामक फैंसी सांख्यिकीय मॉडल का उपयोग करके, सिस्टम यह अनुमान लगा सकता है कि कौन से टुकड़े महत्वपूर्ण होने की संभावना रखते हैं। यदि एक कार एक ऐसा टुकड़ा देखती है जो यह साबित करने में मदद करता है कि एक ट्रैफिक नियम सत्य है या असत्य, तो उस टुकड़े का "सिमेंटिक मूल्य" उच्च होता है। सिस्टम उन उच्च-मूल्य वाले टुकड़ों को प्राथमिकता देता है। यह "20 सवाल" के खेल जैसा है जहाँ आप केवल वे प्रश्न पूछते हैं जो सबसे अधिक संभावनाओं को समाप्त कर देंगे, बजाय इसके कि आप यादृच्छिक प्रश्न पूछें।

बड़ा परीक्षण: क्या यह काम कर गया?

यह देखने के लिए कि यह "स्मार्ट लॉजिक" केवल यादृच्छिक रूप से सुराग चुनने से बेहतर क्यों है, शोधकर्ताओं ने एक विशाल प्रयोग चलाया। उन्होंने CARLA नामक एक सिम्युलेटर का उपयोग किया, जो सेल्फ-ड्राइविंग कारों के परीक्षण के लिए एक नकली, वास्तविक दुनिया बनाता है। उन्होंने कैलिफोर्निया ड्राइवर हैंडबुक से 152 ट्रैफिक नियमों को उस तार्किक भाषा में बदल दिया जिसे सिस्टम समझता है।

उन्होंने 10 अलग-अलग कठिन परिदृश्यों का परीक्षण किया, जिनमें शामिल हैं:

• चौराहे के पास आने वाली कारें जहाँ एक ट्रक पैदल यात्री के दृश्य को बाधित करता है ("प्री-क्रैश" परिदृश्य)।
• एक राउंडअबाउट (गोल चक्कर) में चार कारों का मुकाबला।
• हाईवे पर मर्ज (जुड़ने) की कोशिश करती कारें।
• एक "डेडलॉक" (गतिरोध) जहाँ कारें एक-दूसरे का इंतज़ार करते हुए फंसी हुई हैं।

प्रत्येक मामले में, उन्होंने दो रणनीतियों की तुलना की:

• सिमेंटिक सिलेक्शन (Semantic Selection): कार सबसे अच्छे सुराग चुनने के लिए लॉजिक मैथ का उपयोग करती है।
• यूनिफॉर्म सिलेक्शन (Uniform Selection): कार बस यादृच्छिक रूप से सुराग चुनती है (जैसे टोपी से नाम निकालना)।

परिणाम:
अंतर नाटकीय था।

• सिमेंटिक सिलेक्शन: सभी 10 परिदृश्यों में, स्मार्ट लॉजिक का उपयोग करने वाली कारों ने एक भी टक्कर के बिना यात्रा पूरी की। उन्होंने सफलतापूर्वक खतरों से बचा, भले ही वे सब कुछ नहीं देख पा रही थीं।
• यूनिफॉर्म सिलेक्शन: यादृच्छिक रूप से सुराग चुनने वाली कारों ने 10 परिदृश्यों में कुल 22 बार टक्कर की। वास्तव में, हर उस परिदृश्य में जहाँ उन्होंने रैंडम विधि का उपयोग किया, कम से कम एक टक्कर हुई।

उदाहरण के लिए, एक "प्री-क्रैश" परिदृश्य में जहाँ एक कार और एक पैदल यात्री आपस में टकराने ही वाले थे, स्मार्ट सिस्टम ने 96% बार सही सुराग चुने, जिससे एक परफेक्ट ड्राइविंग स्कोर मिला। रैंडम सिस्टम ने केवल 45% बार सही सुराग चुने, जिससे एक टक्कर हुई। हाईवे मर्ज में, रैंडम सिस्टम के कारण 5 टक्करें हुईं, जबकि स्मार्ट सिस्टम के कारण शून्य हुईं।

यह क्यों मायने रखता है

यह शोध पत्र दिखाता है कि सेल्फ-ड्राइविंग कारों के सुरक्षित होने के लिए, उन्हें केवल डेटा भेजने वाले "डम्ब पाइप्स" (मूर्ख नल) होने की आवश्यकता नहीं है। उन्हें "स्मार्ट थिंकर" होने की आवश्यकता है जो समझते हैं कि जानकारी का महत्व क्यों है। शोधकर्ताओं ने पाया कि जब बैंडविड्थ सीमित होती है (जो हमेशा होगी), तो सही तार्किक साक्ष्य भेजना ही सुरक्षा की कुंजी है।

शोधकर्ताओं ने स्पष्ट रूप से इस विचार को खारिज कर दिया कि यादृच्छिक चयन या केवल "अधिक" डेटा भेजना ही उत्तर है। उनके सिमुलेशन ने दिखाया कि यादृच्छिक तथ्य भेजना वास्तव में आपदा की ओर ले जाता है क्योंकि महत्वपूर्ण सुराग खो जाते हैं। उन्होंने यह दावा नहीं किया कि यह अभी वास्तविक सड़कों के लिए एक पूर्ण, तैयार उत्पाद है; उन्होंने सिद्ध किया कि यह एक हाई-फिडेलिटी सिमुलेशन में काम करता है। हालाँकि, परिणाम बताते हैं कि लॉजिक, प्रोबेबिलिटी और लैंग्वेज मॉडल्स को जोड़ना सहयोगी ड्राइविंग को सुरक्षित बनाने का एक शक्तिशाली तरीका है। यह सड़क के अराजक शोर को एक स्पष्ट, तार्किक बातचीत में बदल देता है जहाँ हर शब्द का महत्व होता है।