कल्पना कीजिए एक ऐसी दुनिया की जहाँ कंप्यूटर केवल गेम नहीं खेलते या सोशल मीडिया नहीं चलाते, बल्कि वास्तव में वैज्ञानिकों को ब्रह्मांड की सबसे कठिन पहेलियों को सुलझाने में मदद करते हैं। यह "विज्ञान के लिए AI" (AI for Science) का क्षेत्र है, जहाँ आर्टिफिशियल इंटेलिजेंस शोधकर्ताओं के लिए एक अथक सहायक के रूप में कार्य करता है जो यह समझने की कोशिश कर रहे हैं कि चीजें कैसे चलती हैं, बहती हैं और बदलती हैं। इन कई रहस्यों के केंद्र में 'पार्शियल डिफरेंशियल इक्वेशंस' (PDEs) नामक समीकरण होते हैं। इन समीकरणों को प्रकृति के अंतिम नियमपुस्तिकाओं के रूप में सोचें: वे वर्णन करते हैं कि एक धातु की छड़ के माध्यम से गर्मी कैसे फैलती है, एक नाव के चारों ओर पानी कैसे तेजी से बहता है, या एक वायरस भीड़ में कैसे फैल सकता है। दशकों से, मनुष्यों को इन नियमपुस्तिकाओं को हल करने के लिए जटिल कंप्यूटर प्रोग्राम लिखने पड़ते रहे हैं, एक ऐसी प्रक्रिया जो धीमी, कठिन है और जिसके लिए बहुत अधिक विशेषज्ञ ज्ञान की आवश्यकता होती है। हाल ही में, वैज्ञानिकों ने इन प्रोग्रामों को स्वचालित रूप से लिखने के लिए "लार्ज लैंग्वेज मॉडल" (LLM) नामक एक विशेष प्रकार के AI का उपयोग करना शुरू किया है—वही तकनीक जो चैटबॉट्स को शक्ति प्रदान करती है। विचार सरल था: बस AI से कहें कि "इस समीकरण के लिए एक सॉल्वर लिखें," और वह बाकी काम कर देगा। लेकिन एक समस्या थी: AI से कच्चा कंप्यूटर कोड लिखने के लिए कहना एक ऐसे बच्चे से ऊँची इमारत बनाने के लिए कहने जैसा है जिसके पास ढीले ईंटों का एक डिब्बा है। AI अक्सर अपने ही पैरों में उलझ जाता है, ऐसा कोड लिखता है जो देखने में तो ठीक लगता है लेकिन तुरंत क्रैश हो जाता है, या बड़े काम को हल करने के बजाय छोटी-मोटी टाइपिंग गलतियों को ठीक करने के अंतहीन लूप में फंस जाता है।

यह ADSL-PDE नामक एक नए दृष्टिकोण की कहानी है, जो उस अनाड़ी बच्चे को ढीली रेत के ढेर के बजाय, पहले से बने, आपस में जुड़ने वाले लेगो (Lego) ब्रिक्स का एक सेट देकर सुधारने की कोशिश करता है। शोधकर्ताओं ने, जिनका नेतृत्व शेंगक्सिन कोंग, लीवेन जू और जिंगवेन फू ने किया, महसूस किया कि समस्या यह नहीं थी कि AI पर्याप्त स्मार्ट नहीं था; बल्कि यह था कि "सर्च स्पेस" (search space)—संभावित प्रोग्रामों का विशाल महासागर जिसमें AI तैर रहा था—बहुत अधिक कचरे से भरा था। अधिकांश यादृच्छिक (random) प्रोग्राम जो AI उत्पन्न कर सकता था, वे टूटे हुए, असंगत या पूरी तरह से निरर्थक थे। इसे हल करने के लिए, उन्होंने PDE सॉल्वर्स के लिए एक विशेष "डोमेन-विशिष्ट भाषा" (Domain-Specific Language - DSL) का आविष्कार किया। AI को शुरुआत से कच्चा पायथन (Python) कोड लिखने देने के बजाय, उन्होंने एक संरचित भाषा बनाई जहाँ AI को केवल उच्च-स्तरीय निर्णय लेने होते हैं, जैसे कि "एक गहरा न्यूरल नेटवर्क चुनें," "एक भौतिक बाधा (physics constraint) जोड़ें," या "सैंपलिंग रणनीति बदलें।" एक कंप्यूटर कंपाइलर फिर इन उच्च-स्तरीय विकल्पों को सटीक, काम करने वाले कोड में स्वचालित रूप से अनुवादित करता है। यह ऐसा है जैसे AI अब ब्लूप्रिंट बनाने वाला आर्किटेक्ट है, जबकि कंपाइलर वह निर्माण दल है जो यह सुनिश्चित करता है कि इमारत ढह न जाए।

इस प्रयोग के परिणाम काफी उत्साहजनक हैं। जब शोधकर्ताओं ने सरल एक-आयामी प्रवाह से लेकर जटिल 2D और 3D सिमुलेशन तक, गणित की एक विस्तृत श्रृंखला पर अपने नए सिस्टम का परीक्षण किया, तो ADSL-PDE सिस्टम ने अन्य AI विधियों को लगातार पछाड़ दिया जो कच्चा कोड लिखने की कोशिश कर रहे थे। इसने अध्ययन में सूचीबद्ध विशिष्ट बेंचमार्क पर भी सर्वश्रेष्ठ परिणाम प्राप्त किए, और अक्सर मानव-निर्मित सॉल्वर्स को भी पीछे छोड़ दिया। हालाँकि, पेपर में उल्लेख किया गया है कि यह पूर्ण विजय नहीं थी; KS समीकरण या Burgers-C जैसे कुछ विशिष्ट कार्यों पर, अन्य विशिष्ट विधियों (जैसे Lang-PINN) ने वास्तव में थोड़ा बेहतर प्रदर्शन किया। इन अपवादों के बावजूद, ADSL-PDE सिस्टम का सभी कार्यों में "जियोमेट्रिक मीन" (geometric mean) त्रुटि सबसे कम था, जिसका अर्थ है कि यह समग्र रूप रूप से सबसे सुसंगत रूप से मजबूत प्रदर्शन करने वाला था। वास्तव में, AI द्वारा अपने डिजाइनों को "विकसित" करने के पहले दस राउंड के भीतर ही, सिस्टम ने अपने प्रदर्शन में 52% से अधिक सुधार किया। यह सुझाव देता है कि AI को एक संरचित, वैध सेट तक सीमित करके, हम उसे टूटे हुए कोड पर समय बर्बाद करने से रोक सकते हैं और उसकी मानसिक शक्ति को स्मार्ट डिजाइन निर्णय लेने पर केंद्रित कर सकते हैं। पेपर का सुझाव है कि यह केवल एक विशिष्ट समस्या के लिए एक विधि नहीं है, बल्कि एक व्यापक सिद्धांत है: विज्ञान में AI का सर्वोत्तम लाभ उठाने के लिए, हमें उसे कोडर बनने के लिए कहना बंद करना होगा और उसे एक विशेष भाषा देनी होगी जो उस समस्या का अर्थ निकाल सके जिसे वह हल करने की कोशिश कर रहा है।

"स्मार्ट आर्किटेक्ट" बनाम "अनाड़ी कोडर" की कहानी

आइए समझते हैं कि यह कैसे काम करता है, एक मजेदार उपमा का उपयोग करते हुए। कल्पना कीजिए कि आप भूलभुलैया (maze) को हल करने के लिए परम रोबोट बनाने की कोशिश कर रहे हैं।

पुराना तरीका: रॉ कोड जनरेटर
अतीत में, शोधकर्ताओं ने AI को पायथन नामक भाषा में पूरे रोबट का कोड लिखने के लिए कहकर इन गणितीय पहेलियों को हल करने की कोशिश की थी। यह एक रोबोट को लाखों रैंडम स्क्रू, तार और गियर का बैग सौंपने और कहने जैसा है, "मेरे लिए भूलभुलैया सुलझाने वाला रोबोट बनाओ!" AI तेजी से टाइप करना शुरू करता है। वह एक लाइन लिख सकता है जो कहती है import gravity (जो अस्तित्व में ही नहीं है), या वह पहिये को लाइट बल्ब से जोड़ने की कोशिश कर सकता है। ज्यादातर समय, रोबोट शुरू होने से पहले ही बिखर जाता है। AI अपना 90% समय सिंटैक्स एरर (टाइपिंग की गलतियाँ) को ठीक करने में बिताता है और केवल 10% समय वास्तव में भूलभुलैया को हल करने के बारे में सोचने में। यह निराशाजनक, धीमा है, और रोबोट शायद ही कभी काम करता है।

नया तरीका: ADSL-PDE (संरचित ब्लूप्रिंट)
लेखकों ने कहा, "रुकिए जरा। आइए AI को मैकेनिक बनने के लिए कहना बंद करें और उसे आर्किटेक्ट बनने के लिए कहना शुरू करें।" उन्होंने ADSL-PDE नामक एक विशेष भाषा बनाई।

कच्चा कोड लिखने के बजाय, AI अब एक संरचित फॉर्म भरता है। इसे एक वीडियो गेम कैरेक्टर क्रिएटर की तरह समझें, लेकिन गणितीय सॉल्वर्स के लिए। AI इंजन के लिए कोड नहीं लिखता; उसे बस एक मेनू से विकल्प चुनने होते हैं:

• आर्किटेक्चर (Architecture): "क्या हमें एक लंबा, पतला दिमाग चाहिए या एक चौड़ा, छोटा एक?"
• फिजिक्स (Physics): "क्या हमें एक नियम जोड़ना चाहिए कि 'ऊर्जा संरक्षित रहनी चाहिए'?"
• सैंपलिंग (Sampling): "क्या हमें हर सेकंड या हर दसवें सेकंड में भूलभुलैया की जांच करनी चाहिए?"

एक बार जब AI इन विकल्पों को चुन लेता है, तो एक जादुई "कंपाइलर" (एक कंप्यूटर प्रोग्राम) इन विकल्पों को तुरंत एक काम करने वाले रोबोट में जोड़ देता है। क्योंकि मेनू में केवल वैध विकल्प हैं, इसलिए रोबोट हमेशा काम करता है। AI कभी भी टूटे हुए कोड पर समय बर्बाद नहीं करता। वह पूरी तरह से रणनीति पर ध्यान केंद्रित कर सकता है: "यदि मैं दिमाग को गहरा करता हूँ, तो क्या यह भूलभलैया को तेजी से हल करेगा?"

उन्होंने क्या पाया: "स्नैप-टुगेदर" विज्ञान का जादू

शोधकर्ताओं ने इस विचार का परीक्षण गणित की समस्याओं की एक बड़ी सूची पर किया, जिसमें यह शामिल है कि दीवार के माध्यम से गर्मी कैसे चलती है (Diffusion), तरल पदार्थ कैसे घूमते हैं (Burgers equation), और बिजली कैसे बहती है (Poisson equation)। उन्होंने अपने नए "स्नैप-टुगेदर" तरीके की तुलना तीन अन्य समूहों से की:

1. मानव विशेषज्ञ: सर्वश्रेष्ठ वैज्ञानिक जिन्होंने मैन्युअल रूप से सॉल्वर्स डिजाइन किए।
2. पुराने AI खोजकर्ता: वे सिस्टम जो संख्याओं को बेतरतीब ढंग से बदलते थे।
3. रॉ कोड AI: वे सिस्टम जो शुरुआत से पायथन कोड लिखने की कोशिश कर रहे थे।

परिणाम:
ADSL-PDE सिस्टम एक चैंपियन था। इसने न केवल रैंडम सर्चर्स को हराया; इसने सूचीबद्ध अधिकांश बेंचमार्क पर मानव विशेषज्ञों को भी पीछे छोड़ दिया!

• 1D Burgers नामक समस्या पर, सबसे अच्छे मानव-डिजाइन किए गए सॉल्वर की त्रुटि लगभग 0.0603 थी। ADSL-PDE सिस्टम ने इसे घटाकर 0.0022 कर दिया। यह एक बहुत बड़ा सुधार है।
• 2D Darcy Flow (एक कठिन फ्लूइड समस्या) पर, नए सिस्टम ने 0.0042 की त्रुटि हासिल की, जो पिछले सर्वश्रेष्ठ तरीकों से बहुत बेहतर था।
• सभी अलग-अलग समस्याओं में, नए सिस्टम की "जियोमेट्रिक मीन" त्रुटि सबसे कम थी, जिसका अर्थ है कि यह पूरे बोर्ड पर सबसे सुसंगत विजेता था। हालांकि यह हर व्यक्तिगत कार्य में नहीं जीता (उदाहरण के लिए, KS और Burgers-C कार्यों पर Lang-PINN ने सर्वश्रेष्ठ प्रदर्शन किया), इसका समग्र औसत प्रदर्शन सबसे मजबूत था।

सबसे शानदार खोजों में से एक यह था कि इसने कितनी तेजी से सीखा। पेपर नोट करता है कि सिस्टम ने विकास के पहले दस राउंड में ही 52% से अधिक सुधार किया। यह ऐसा है जैसे आपने किसी छात्र को गणित की समस्याएं हल करना सिखाया, और केवल दस अभ्यास सत्रों के बाद, वह पहले की तुलना में दोगुना बेहतर हो गया।

यह क्यों मायने रखता है: यह केवल "स्मार्टर" होने के बारे में नहीं है

आप सोच सकते हैं, "तो क्या AI बस स्मार्ट हो गया?" बिल्कुल नहीं। पेपर कुछ अधिक दिलचस्प सुझाव देता है: AI अनिवार्य रूप से स्मार्ट नहीं हुआ; बल्कि जिस तरीके से हम उससे बात कर रहे थे, वह बेहतर हो गया।

जब शोधकर्ताओं ने विभिन्न AI मॉडलों (जैसे DeepSeek, Qwen, और GLM) का परीक्षण किया, तो उन्होंने पाया कि ADSL-PDE भाषा का उपयोग करते समय "कमजोर" मॉडल भी आश्चर्यजनक रूप से अच्छा प्रदर्शन करते हैं। यह बताता है कि असली सफलता AI के दिमाग में नहीं, बल्कि उस भाषा में थी जिसे वह बोल रहा था। AI को एक संरचित, वैध भाषा बोलने के लिए मजबूर करके, हमने टूटे हुए कोड के "शोर" को हटा दिया और उसके तर्क (reasoning) को चमकने का मौका दिया।

पेपर ने कुछ चीजों को भी खारिज कर दिया। इसने दिखाया कि केवल AI को एक "संरचित प्रारूप" (जैसे चेकलिस्ट) देना पर्याप्त नहीं था; आपको उस "कंपाइलर" की भी आवश्यकता थी जो उन विकल्पों को वास्तविक कोड में बदल सके। और केवल AI को कच्चा पायथन कोड लिखने देना भी अक्षम साबित हुआ, जिसकी "पास रेट" बहुत कम थी (30 में से केवल 14 प्रयास सफल रहे)।

निष्कर्ष

यह पेपर विज्ञान में AI के भविष्य के लिए एक नया नियम सुझाता है: AI को केवल एक बड़ा दिमाग न दें; उसे एक बेहतर भाषा दें।

एक विशेष भाषा बनाकर जो कोडिंग के जटिल विवरणों को छिपाती है और भौतिकी और गणित के बड़े विचारों पर ध्यान केंद्रित करती है, हम AI को समस्याओं को तेजी से और अधिक विश्वसनीय रूप से हल करने में मदद कर सकते हैं। यह ऐसा है जैसे हम अब लोगों से बाइनरी कोड (0 और 1) में बात करने के लिए नहीं कहते; हम उन्हें उपयोगकर्ता के अनुकूल इंटरफेस देते हैं। ADSL-PDE ब्रह्मांड की सबसे जटिल गणितीय समस्याओं के लिए वह उपयोगकर्ता के अनुकूल इंटरफेस है। और सबसे अच्छी बात? यह विभिन्न प्रकार के AI के साथ काम करता है, जो यह सुझाव देता है कि यह बेहतर वैज्ञानिक खोज को अनलॉक करने की एक सार्वभौमिक कुंजी हो सकती है।

तो, अगली बार जब आप किसी AI को विज्ञान की समस्या हल करने की कोशिश करते देखें, तो याद रखें, यदि वह विफल हो रहा है, तो शायद यह AI की गलती नहीं है। शायद उसे खेलने के लिए लेगो के बेहतर ब्रिक्स की आवश्यकता है।