🤖 AI

Eigenius: A Typed Knowledge-Graph DBMS with Epistemic Stratification and Institution-Mediated Reasoning

Eigenius एक ओपन-सोर्स, टाइप्ड नॉलेज-ग्राफ DBMS है जो डिपेंडेंट टाइप थ्योरी, इंस्टीट्यूशनल इंटीग्रेशन बाउंड्रीज़ और इम्यूटेबल स्टोरेज को एकीकृत करता है ताकि एपिस्टेमिक स्टेटस को एक स्ट्रक्चरल इनवेरिएंट के रूप में लागू किया जा सके, जिससे नाजुक, एफेमेरल AI रिसर्च स्क्रिप्ट्स को एक मशीन-वॉकेबल, ऑडिट-रेडी एविडेंस ग्राफ से बदला जा सके जो वैज्ञानिक निष्कर्षों को सत्यापित करने और विसंगतियों का पता लगाने में सक्षम है।

मूल लेखक: Hans-Martin Will, Allen L. Brown Jr., Matthew Fuchs

प्रकाशित 2026-08-06

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Hans-Martin Will, Allen L. Brown Jr., Matthew Fuchs

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

जासूस की दुविधा: हमें सत्य को ट्रैक करने के लिए एक बेहतर तरीके की आवश्यकता क्यों है

कल्पना कीजिए कि आप एक जासूस हैं जो एक विशाल रहस्य को सुलझाने की कोशिश कर रहे हैं। पुराने दिनों में, आप शायद स्टिकी नोट्स पर सुराग लिख सकते थे, एक कॉर्कबोर्ड पर तस्वीरें चिपका सकते थे, और अपनी डायरी में अपने निष्कर्ष लिख सकते थे। यदि कोई पूछता, "आपको कैसे पता कि बटलर ने यह किया?" तो आप अपने नोट्स पलट सकते थे और साक्ष्यों की श्रृंखला दिखा सकते थे। लेकिन क्या होगा अगर आपकी डायरी केवल ढीले, अस्थायी नोट्स का संग्रह हो जिसे किसी भी क्षण मिटाया या फिर से लिखा जा सके? क्या होगा अगर आपका "साक्ष्य" एक ऐसा स्क्रिप्ट हो जो एक बार चलता है और फिर गायब हो जाता है, जिससे इस बात का कोई निशान नहीं बचता कि वह निष्कर्ष तक कैसे पहुँचा?

यह वर्तमान स्थिति है कि कैसे वैज्ञानिक और तेजी से बढ़ते हुए आर्टिफिशियल इंटेलिजेंस (AI) "वैज्ञानिक" काम कर रहे हैं। वे जटिल प्रयोग चलाने और कोड लिखने के लिए शक्तिशाली उपकरणों का उपयोग कर रहे हैं, लेकिन उनके काम का "प्रमाण" अक्सर नाजुक, अस्थायी फाइलों में रहता है। जब एक AI इससे सीखने की कोशिश करता है, तो यह अदृश्य स्याही से भरे बोर्ड के साथ रहस्य सुलझाने जैसा है। जिस शोध पत्र को हम अब देखने जा रहे हैं, Eigenius, तर्क देता है कि हमें एक नए प्रकार के "जासूस के बहीखाते" (detective's ledger) की आवश्यकता है। यह एक ऐसी प्रणाली का प्रस्ताव करता है जहाँ सूचना का हर एक टुकड़ा, हर गणना, और हर निष्कर्ष स्थायी रूप से स्टैम्प किया गया, टाइप किया गया और आपस में जुड़ा हुआ है जिसे कभी भी फर्जी नहीं बनाया जा सकता या खोया नहीं जा सकता। यह एक ऐसा डेटाबेस बनाने के बारे में है जो न केवल तथ्यों को संग्रहीत करता है, बल्कि उन तथ्यों की वारंटी को भी संग्रहीत करता है—इस बात का प्रमाण कि वे सत्य हैं।

शोध पत्र: विज्ञान के लिए एक "सत्य मशीन" का निर्माण

यह शोध पत्र Eigenius को पेश करता है, जो विशेष रूप से AI वैज्ञानिकों के युग के लिए डिज़ाइन किया गया एक नया प्रकार का डेटाबेस है। लेखक, हंस-मार्टिन विल, ए. एल. ब्राउन जूनियर, और मैथ्यू फुच्स का तर्क है कि डेटा को संग्रहीत करने का वर्तमान तरीका मशीनों के भरोसे के लिए बहुत अव्यवस्थित है। आज, वैज्ञानिक तर्क अक्सर "क्षणिक जाल" (ephemeral webs) होते हैं—स्क्रिप्ट और कहानियों के बीच अस्थायी लिंक जिन्हें ऑडिट करना कठिन होता है। यदि एक AI एजेंट इन्हें पढ़ने की कोशिश करता है, तो वह सुनिश्चित नहीं हो सकता कि गणित सही ढंग से किया गया था या प्रक्रिया के दौरान डेटा बदल दिया गया था।

Eigenius इसे एक उच्च-सुरक्षा तिजोरी की तरह व्यवहार करके ठीक करता है जहाँ प्रत्येक वस्तु के पास एक स्थायी, अपरिवable आईडी कार्ड होता है। यह कैसे काम करता है, इसके कुछ मजेदार उदाहरण यहाँ दिए गए हैं:

1. "एपिस्टेमिक" (Epistemic) आईडी कार्ड (आप क्या जानते हैं, उसे जानना)
Eigenius में, डेटा के प्रत्येक टुकड़े को एक विशिष्ट "एपिस्टेमिक स्टेटस" टैग मिलता है। इसे एक जासूस की फाइल पर रंगीन बैज की तरह समझें:

घोषित (Declared): "मैं कहता हूँ कि यह सत्य है क्योंकि एक अधिकारिक स्रोत ने ऐसा कहा है।" (अभी तक कोई प्रमाण नहीं)।
अवलोकन किया गया (Observed): "मैंने एक मशीन के साथ इसे होते देखा है।" (वास्तविक दुनिया का साक्ष्य)।
व्युत्पन्न (Derived): "मैंने इसे अन्य तथ्यों से गणना करके निकाला है।" (कंप्यूटर द्वारा की गई गणित)।
सत्यापित (Verified): "मेरे पास एक औपचारिक, मशीन-जांचा गया प्रमाण है कि यह 100% सत्य है।" (स्वर्ण मानक)।

यह प्रणाली आपको डेटा का प्रत्येक टुकड़ा बचाने से पहले उसके लिए एक बैज चुनने के लिए मजबूर करती है। आप केवल एक संख्या डाल नहीं सकते; आपको साबित करना होगा कि वह कहाँ से आई है। यह "ऑडिट प्रश्न" ("आपको कैसे पता?") को डेटाबेस का एक संरचनात्मक हिस्सा बना देता है, न कि कुछ ऐसा जिसे आपको बाद में अनुमान लगाना पड़े।

2. "संस्थान" (Institution) सेतु (सार्वभौमिक अनुवादक)
विज्ञान कई अलग-अलग भाषाओं का उपयोग करता है। एक लैब पायथन (Python) का उपयोग कर सकती है, दूसरी लीन (Lean) नामक गणितीय उपकरण का, और तीसरी एक सांख्यिकी कार्यक्रम का। आमतौर पर, इन्हें जोड़ना अंग्रेजी से फ्रेंच से जापानी में और फिर वापस अंग्रेजी में किताब अनुवाद करने जैसा है—गलतियाँ आती हैं, और मूल अर्थ खो जाता है। इसे "पॉलिस्टोर बॉटलनेक" (polystore bottleneck) कहा जाता है, और यह बहुत महंगा हो जाता है (गणितीय रूप से, यह एक $O(N^2)$ समस्या है, जिसका अर्थ है कि यह बहुत तेज़ी से अव्यवस्थित हो जाती है)।

Eigenius Institutions पेश करता है। कल्पना कीजिए कि ये डेटाबेस के भीतर विशेष "दूतावास" या "अनुवाद बूथ" हैं। जब डेटा एक सिस्टम से दूसरे सिस्टम में जाता है, तो यह केवल कॉपी नहीं होता; इसे एक सख्त, टाइप्ड प्रोटोकॉल द्वारा अनुवादित किया जाता है जिसे कोमोर्फिज्म (comorphism) कहा जाता है। सिस्टम इसे सेव करने से पहले अनुवाद की जाँच करता है। यदि गणित पूरी तरह से मेल नहीं खाता है, तो अनुवाद को अस्वीकार कर दिया जाता है। यह सुनिश्चित करता है कि जब डेटा विभिन्न वैज्ञानिक उपकरणों के बीच घूमता है, तो वह बिल्कुल वैसा ही पहुँचता है जैसा वह छोड़ा गया था, बिना कोई अर्थ खोए।

3. "लीन" (Lean) प्रमाण (जादुई स्पेल चेक)
शुद्ध गणित के लिए, Eigenius Lean 4 नामक एक शक्तिशाली उपकरण का उपयोग करता है। Lean 4 को एक ऐसे स्पेल-चेकर के रूप में सोचें जो न केवल टाइपिंग की गलतियाँ (typos) चेक करता है, बल्कि यह भी देखता है कि पूरा वाक्य तार्किक रूप से सही है या नहीं। Eigenius में, यह चेकर डेटाबेस के अंदर ही चलता है। जब एक वैज्ञानिक दावा करता है कि एक गणितीय प्रमेय सत्य है, तो डेटाबेस केवल उनके शब्द पर विश्वास नहीं करता; यह प्रमाण को अपने आंतरिक "स्पेल-चेकर" के माध्यम से चलाकर सत्यापित करता है। यदि प्रमाण सही रहता है, तो दावे को "सत्यापित" (Verified) बैज मिलता है। यदि यह विफल होता है, तो इसे अस्वीकार कर दिया जाता है। यह बिना किसी बाहरी कंप्यूटर को कॉल किए, तुरंत होता है, जो इसे तेज़ और सुरक्षित बनाता है।

4. "अपरिवर्तनीय" श्रृंखला (Unbreakable Ledger - अटूट बहीखाता)
Eigenius में सब कुछ कंटेंट-एड्रेस्ड (content-addressed) तरीके से संग्रहीत है। एक ऐसी लाइब्रेरी की कल्पना करें जहाँ हर किताब की पहचान उसके शीर्षक से नहीं, बल्कि उसके वास्तविक शब्दों के एक अद्वितीय फिंगरप्रिंट से होती है। यदि आप किताब में एक अल्पविराम (comma) भी बदलते हैं, तो उसका फिंगरप्रिंट बदल जाएगा, और वह पूरी तरह से एक अलग किताब बन जाएगी। इसका मतलब है कि डेटा का इतिहास इन फिंगरप्रिंट्स की एक श्रृंखला (एक मेर्केल ट्री - Merkle tree) है। यदि कोई चुपके से पिछले प्रयोग को बदलने की कोशिश करता है, तो फिंगरप्रिंट मेल नहीं खाएगा, और सिस्टम को तुरंत पता चल जाएगा।

बड़ा परीक्षण: एक प्रसिद्ध अध्ययन का पुनर्लेखन

यह सिद्ध करने के लिए कि यह प्रणाली काम करती है, लेखकों ने केवल इसे बनाया ही नहीं; उन्होंने इसका उपयोग नेचर (Nature) जर्नल में प्रकाशित एक प्रसिद्ध वैज्ञानिक अध्ययन को दोबारा करने के लिए किया। यह अध्ययन एक विशिष्ट एंजाइम (WRN हेलिकेज़) और कैंसर में इसकी भूमिका के बारे में था। मूल अध्ययन को नाजुक स्क्रिप्ट और अस्थायी फाइलों का उपयोग करके लिखा गया था।

टीम ने मूल डेटा लिया और पूरे तर्क को Eigenius के भीतर फिर से बनाया। उन्होंने "क्षणिक स्क्रिप्ट" को एक ठोस, स्थायी "साक्ष्य ग्राफ" (evidence graph) में बदल दिया।

परिणाम: अध्ययन के सभी 52 व्युत्पन्न निष्कर्ष पिन किए गए डेटा के विरुद्ध जाँच के बाद भी सही पाए गए।
आश्चर्य: इस प्रक्रिया ने मूल पेपर के टेक्स्ट और उसके वास्तविक डेटा के बीच चार विसंगतियों का खुलासा किया। उदाहरण के लिए, मूल पेपर में कहा गया था कि सैंपल साइज 54 है, लेकिन डेटा ने दिखाया कि वास्तव में यह 51 था क्योंकि कुछ पंक्तियाँ गायब थीं। एक अन्य त्रुटि एक सांख्यिकीय गणना के बारे में थी जो तेरह ऑर्डर्स ऑफ मैग्नीट्यूड (वह एक बहुत बड़ा अंतर है!) से गलत थी।

ये केवल "ओह, गलती हो गई" वाले क्षण नहीं थे; इन्हें मशीन-चेकेबल तथ्यों के रूप में दर्ज किया गया था, जो मूल दावों के साथ अगल-बगल रखे गए थे। सिस्टम ने दिखाया कि हर चरण को एक "टाइप्ड रिसोर्स" बनाने के लिए मजबूर करने से, मूल अध्ययन की छिपी हुई त्रुटियाँ अनदेखी करना असंभव हो गया।

यह क्यों महत्वपूर्ण है

शोध पत्र सुझाव देता है कि जैसे-जैसे AI एजेंट अपने आप अधिक विज्ञान करने लगेंगे, हम अव्यवस्थित, अस्थायी फाइलों पर भरोसा नहीं कर सकते। हमें एक "कर्नेल" (कोर इंजन) की आवश्यकता है जो टाइप सिस्टम, स्टोरेज और अनुवाद नियमों को एक साथ नियंत्रित करे। Eigenius प्रस्तावित करता है कि "ऑडिट ट्रेल" को डेटा संरचना का एक स्थायी हिस्सा बनाकर, हम एक ऐसा वैज्ञानिक आधार बना सकते हैं जो मशीनों के भरोसे के लिए पर्याप्त मजबूत हो।

लेखक स्वीकार करते हैं कि यह एक प्रोटोटाइप है और अभी भी कई खुले प्रश्न हैं, जैसे कि यह पूरी तरह से कैसे सिद्ध किया जाए कि उनके "टाइप्ड मर्ज" हमेशा काम करेंगे। हालाँकि, नेचर अध्ययन के साथ उनके प्रयोग से पता चलता है कि यह दृष्टिकोण व्यवहार्य है। यह वैज्ञानिक पद्धति को केवल एक कहानी बताने से बदलकर साक्ष्यों की एक ऐसी श्रृंखला में बदल देता है जिसमें हम कदम-दर-कदम चल सकते हैं, और एक मशीन हर कड़ी की जाँच करती है। यह केवल डेटा को संग्रहीत करने के बारे में नहीं है; यह सत्य के लिए वारंटी को संग्रहीत करने के बारे में है।

तकनीकी सारांश: Eigenius: एपिस्टेमिक स्ट्रैटिफिकेशन और इंस्टीट्यूशन-मीडिएटेड रीजनिंग के साथ एक टाइप्ड नॉलेज-ग्राफ DBMS

1. समस्या विवरण

मॉडल कॉन्टेक्स्ट प्रोटोकॉल (MCP) का उपयोग करने वाले स्वायत्त "AI वैज्ञानिकों" के उदय ने वर्तमान वैज्ञानिक डेटा इंफ्रास्ट्रक्चर की महत्वपूर्ण सीमाओं को उजागर कर दिया है। मौजूदा प्रणालियाँ क्षणिक स्क्रिप्ट्स और वर्णनात्मक गद्य (narrative prose) पर निर्भर करती हैं, जो ऐसी नाजुक पाइपलाइनें बनाती हैं जहाँ मानव ऑडिट संभव तो है, लेकिन स्वायत्त एजेंटों के लिए अपर्याप्त है जिन्हें क्रिप्टोग्राफिक रूप से सुरक्षित, पूर्णतः चलने योग्य (walkable) प्रमाण श्रृंखलाओं (proof chains) की आवश्यकता होती है।

औपचारिक रूप से मशीन-ऑडिट योग्य विज्ञान के पिछले प्रयास, जैसे कि 2008 का Pharos प्रोजेक्ट, इसलिए विफल रहे क्योंकि वे एक फेडरेटेड आर्किटेक्चर पर आधारित थे। Pharos ने SQL Server, DataNet, और HOL थ्योरम प्रूवर्स जैसे विखंडित उप-तंत्रों को अपारदर्शी, कस्टम ब्रिज के माध्यम से जोड़ा था। इस दृष्टिकोण में एक एकीकृत कर्नेल (unified kernel) का अभाव था, जिसके परिणामस्वरूप निम्नलिखित समस्याएं हुईं:

ऑन्टोलॉजिकल विखंडन (Ontological fragmentation): स्कीमा और इंस्टेंस डेटा अलग-अलग श्रेणियों में रहते थे।
संरचनात्मक इनवेरिएंट्स (Structural invariants) का अभाव: क्रॉस-सिस्टम अनुवाद क्षणिक थे और औपचारिक रूप से जांचे नहीं गए थे।
पॉलिस्टोर बॉटलनेक्स (Polystore bottlenecks): $N$ प्रणालियों को एकीकृत करने के लिए $O(N^2)$ पेयरवाइज एडेप्टर की आवश्यकता थी।
रीजनिंग को एकीकृत करने में अक्षमता: अनुभवजन्य औचित्य तर्क (empirical justification logic) और औपचारिक गणितीय प्रमाणों को बिना किसी साझा टाइप सिस्टम के अलग-अलग इंजनों द्वारा संभाला जाता था।

मूल चुनौती एक ऐसा डेटाबेस आर्किटेक्चर बनाने की है जो "ऑडिट प्रश्न" ("आप क्या जानते हैं, और आपकी वारंटी क्या है?") को डेटा मॉडल के स्वयं के एक संरचनात्मक इनवेरिएंट के रूप में मानता है, न कि एक ऐसा गुण जिसे उप-प्रणाली सीमाओं के पार पुनर्गठित किया जाता है।

2. कार्यप्रणाली और आर्किटेक्चर

Eigenius एक एकीकृत गणितीय कर्नेल पर निर्मित एक ओपन-सोर्स, टाइप्ड नॉलेज-ग्राफ DBMS है। यह फेडरेटेड स्टैक के स्थान पर एक एकल आर्किटेक्चर का उपयोग करता है जो टाइप सिस्टम, स्टोरेज इंजन और इंटीग्रेशन प्रोटोकॉल को मजबूती से जोड़ता है।

मुख्य स्तंभ

डिपेंडेंट टाइप थ्योरी (EigenTT): कर्नेल एक डिपेंडेंट टाइप थ्योरी (CIC परिवार) का उपयोग करता है जो इसके मूल में बुना गया है। स्कीमा और डेटा एकीकृत हैं; एक क्लास घोषित करना केवल एक रिसोर्स को कमिट करना है। कमिट की इकाई एक लेयर (layer) है—एक अपरिवर्तनीय रिसोर्स सेट जिसमें एक पैरेंट पॉइंटर होता है। लेयर की पहचान कंटेंट-एड्रेस्ड (कैनोनिकल CBOR का SHA-256) है, जो ग्राफ इतिहास के लिए एक मर्केल कमिटमेंट (Merkle commitment) बनाती है।
एपिस्टेमिक स्ट्रैटिफिकेशन (Epistemic Stratification): प्रत्येक रिसोर्स एक एपिस्टेमिक स्टेटस वहन करता है जिसे सख्त कमिट-टाइम इनवेरिएंट के रूप में लागू किया जाता है। सिस्टम निम्नलिखित के बीच अंतर करता है:
- घोषित (Declared): साक्ष्य के बिना अधिकार (वेल-फॉर्म्डनेस के लिए जांचा गया)।
- अवलोकित (Observed): बाहरी प्रोवेनेंस के साथ रिकॉर्ड किया गया।
- व्युत्पन्न (Derived): टाइप्ड कंप्यूटेशन द्वारा उत्पादित।
- सत्यापित (Verified): एक औपचारिक रूप से पुन: जांचे गए प्रूफ टर्म को वहन करता है।
  यह स्ट्रैटिफिकेशन जस्टिफिकेशन लॉजिक पर आधारित है, जहाँ वारंट पूरी तरह से तथ्यात्मक (factive) नहीं होते हैं, यह स्वीकार करते हुए कि वैज्ञानिक दावे उन अवलोकनों और परंपराओं पर निर्भर करते हैं जिन्हें एक प्रवर (prover) द्वारा डिस्चार्ज नहीं किया जा सकता।
इंस्टीट्यूशन-मीडिएटेड रीजनिंग (Institution-Mediated Reasoning): बाहरी रीजनर्स (ODE सॉल्वर्स, थ्योरम प्रवर्स) को एकीकृत करने के लिए, Eigenius गोगुएन और बस्टॉल इंस्टीट्यूशंस (Goguen and Burstall institutions) को स्ट्रॉन्गली टाइप्ड स्टोर्ड प्रोसीजर के एक सामान्यीकरण के रूप में अपनाता है।
- कोमॉर्फिज्म (Comorphisms): क्रॉस-सिस्टम अनुवादों को कोमॉर्फिज्म के रूप में मॉडल किया गया है—जो इंजन के भीतर ही निष्पादित होने वाले स्ट्रॉन्गली टाइप्ड ETL पाइपलाइन हैं।
- कमिट-टाइम चेकिंग: अनुवादों को कमिट के समय स्टैटिकली चेक किया जाता है। यदि रूपांतरण $m: S \to T$ पेलोड प्रकारों से मेल नहीं खाता है, तो इसे स्कीमा उल्लंघन की तरह अस्वीकार कर दिया जाता है।
- मटेरियलाइजेशन (Materialization): पारंपरिक फेडरेटेड डेटाबेस में जहाँ अनुवाद क्षणिक होते हैं, Eigenius एक कोमॉर्फिज्म के आउटपुट को सीधे ग्राफ में एक ड्यूरेबल, कंटेंट-एड्रेस्ड रिसोर्स के रूप में मटेरियलाइज करता है।

औपचारिक सत्यापन एकीकरण (Formal Verification Integration)

शुद्ध गणित को संभालने के लिए, Eigenius IPC ओवरहेड के बिना अपारदर्शी प्रूफ पेलोड्स को सत्यापित करने की चुनौती को हल करता है:

इन-प्रोसेस चेकिंग: कर्नेल सीधे बाइनरी में एक न्यूनतम रस्ट टर्म चेकर (nanoda_lib) को लिंक करता है।
डिपेंडेंट पेयर्स (Dependent Pairs): एक सत्यापित दावा एक डिपेंडेंट पेयर $(P, t)$ के रूप में संग्रहीत किया जाता है, जहाँ $P$ प्रस्ताव (EigenTT के अनुरूप) है और $t$ प्रूफ पेलोड (ओपेक लीन 4 बाइट्स) है।
बाइंडिंग समस्या (The Binding Problem): कमिट के समय, कर्नेल तीन-चरणीय जाँच करता है: (1) इन-प्रोसेस चेकर के माध्यम से प्रूफ की वैधता, (2) मिरर कॉरेस्पोंडेंस (लीन कांस्टेंट को चेन क्लास IRIs से मैप करना), और (3) एंकर कंसिस्टेंसी (स्रोत आर्काइव को हैश करना)।

क्वेरी लैंग्वेज (EigenQL)

EigenQL एक एग्रीगेशन और संस्थागत सेटिंग्स के लिए दो विशिष्ट क्लॉज के साथ एक टाइप्ड स्ट्रैटिफाइड डैटलॉग (Datalog) है:

FIBER: क्वेरी के बीच में बाहरी संस्था को निष्पादन डिस्पैच करता है।
INTO: बाहरी इंजन की प्रतिक्रिया को एक नामित IRI पर चेन में पिन करता है, जिससे कमिट पाइपलाइन ट्रिगर होती है।

3. प्रमुख योगदान

पेपर चार प्राथमिक योगदानों को रेखांकित करता है:

C1: एकीकृत डेटा मॉडल: एक स्व-वर्णन करने वाला टाइप्ड-ग्राफ मॉडल जो अनुभवजन्य औचित्य तर्क और औपचारिक गणितीय प्रमाण को एकीकृत करता है। एपिस्टेमिक स्टेटस एक स्ट्रक्चरल बेस क्लास है जिसे कमिट के समय लागू किया जाता है। औपचारिक सत्यापन को एक एम्बेडेड इन-प्रोसेस टर्म चेकर के माध्यम से संभाला जाता है जो ओपेक प्रूफ पेलोड्स को स्कीमा से बांधता है।
C2: इंस्टीटशनल इंटीग्रेशन प्रोटोकॉल: डेटाबेस की दुनिया में संस्थाओं (institutions) का परिचय, जो स्ट्रॉन्गली टाइप्ड स्टोर्ड प्रोसीजर के सामान्यीकरण के रूप में कार्य करते हैं। क्रॉस-सिस्टम रूपांतरण (comorphisms) को कमिट के समय स्टैटिकली चेक किया जाता है और ड्यूरेबल रिसोर्स के रूप में मटेरियलाइज किया जाता है।
C3: पॉलिस्टोर बॉटलनेक्स का उन्मूलन: ग्राफ के स्कीमा में एक साझा, स्ट्रॉन्गली टाइप्ड इंटरमीडिएट रिप्रेजेंटेशन (IR) को नेटिवली उठाकर, उन प्रणालियों के बीच कोमॉर्फिज्म रूपांतरण जो उस IR को साझा करते हैं, शुद्ध आइडेंटिटी में बदल जाते हैं, जिससे $O(N^2)$ एडेप्टर लागत समाप्त हो जाती है।
C4: एंड-टू-एंड रेप्लिकेशन: नेचर स्टडी (Chan et al. on WRN helicase) का एक पूर्ण पुनर्गणना और पुन: एनकोडिंग, जो नाजुक स्क्रिप्ट्स से हटकर एक मटेरियलाइज्ड एविडेंस ग्राफ की ओर बढ़ता है।

4. परिणाम और मूल्यांकन

प्रोटोटाइप, जिसे रस्ट (Rust) में लिखा गया है और इसमें रॉक्सडीबी (RocksDB) स्टोरेज और gRPC API का उपयोग किया गया है, का सूक्ष्म बेंचमार्क और मैक्रो-इवैल्यूएशन के माध्यम से मूल्यांकन किया गया।

माइक्रोबेंचमार्क (इनजेशन): सिस्टम ने वर्डनेट (WordNet) और UMLS लेक्सिकॉन्स (9.19M चेन रिसोर्स) को इनजेस्ट किया। इसने सिंगल कोर पर लगभग 5,200 वैलिडेटेड रिसोर्स प्रति सेकंड का स्तर बनाए रखा। कमिट गेट प्राथमिक लागत है, जहाँ स्ट्रक्चरल क्लास लेयर्स ~28k/s की दर से लोड होती हैं और कठोरता से टाइप-चेक किए गए लेक्सिकल एंट्रीज़ ~4k/s की दर से।
मैक्रो-इवैल्यूएशन (नेचर स्टडी रेप्लिकेशन): सिस्टम ने जीनोम-वाइड डिपेंडेंसी स्क्रीन्स, वेट-लैब वैलिडेशन और इन विवो मॉडल्स से जुड़ी एक उच्च-प्रोफाइल स्टडी को फिर से चलाया।
- कंसिस्टेंसी (Consistency): सभी 52 व्युत्पन्न निष्कर्ष पिन किए गए डेटा से कायम रहे।
- डिस्क्रिपेंसी डिटेक्शन (Discrepancy Detection): पुनर्गणना ने पेपर के गद्य (prose) और इसके डेटा के बीच चार मशीन-चेक्ड विसंगतियों को सामने लाया, जिसमें एक सुधारा गया सैंपल साइज ( $n=54 \to 51$ ) और एक स्यूडोरेप्लिकेशन एरर शामिल था जहाँ ईमानदार $p$ -वैल्यू में तेरह ऑर्डर्स ऑफ मैग्नीट्यूड का अंतर था।
- ऑडिटेबिलिटी (Auditability): पेपर का प्रत्येक विश्लेषण क्लास लाइव चलता है; धारणाएं (assumptions) गद्य चेतावनी के बजाय निरीक्षण योग्य रिसोर्स हैं।

5. महत्व और दावे

पेपर का दावा है कि Eigenius अगली पीढ़ी के AI-संचालित वैज्ञानिक अनुसंधान को समर्थन देने के लिए आवश्यक डेटाबेस कर्नेल प्रदान करता है। इसका महत्व निम्नलिखित में निहित है:

स्ट्रक्चरल इनवेरिएंट्स: यह डेटा प्रोवेनेंस और एपिस्टेमिक स्टेटस को पोस्ट-होक पुनर्निर्माण के बजाय डेटा मॉडल के स्ट्रक्चरल इनवेरिएंट्स में बदल देता है।
एजेंट-रेडी इंफ्रास्ट्रक्चर: यह "एजेंट इन्वर्जन" को संबोधित करता है, जहाँ स्वायत्त एजेंटों को वैज्ञानिक तर्क के लिए टाइप-चेकिंग और टेस्टिंग (एक "कंपाइलर" और "टेस्ट सूट") के एक टाइट लूप की आवश्यकता होती है, जिसे क्षणिक स्क्रिप्ट्स प्रदान नहीं कर सकतीं।
एकीकृत एपिस्टेमोलॉजी: यह सफलतापूर्वक दो डोमेन—अनुभवजन्य विज्ञान के लिए जस्टिफिकेशन लॉजिक और गणित के लिए औपचारिक सत्यापन—को एक ही इंजन के भीतर एकीकृत करता है।
वेरिफिएबल ऑडिट चेन्स: यह एक "क्लोज ऑडिट चेन" को सक्षम बनाता है जहाँ एक ऑडिटर केवल ग्राफ का उपयोग करके, मध्यवर्ती मिडलवेयर से संपर्क किए बिना, एक निर्णय (verdict) से लेकर कच्चे डेटा और प्रूफ टर्म तक की पूरी प्रूफ पाथ को पुनः चल (re-walk) सकता है।

लेखक सीमाओं को भी स्वीकार करते हैं, जिसमें भारी नेटिव लाइब्रेरीज़ का समर्थन करने के लिए कंटेनराइज्ड सबस्ट्रेट्स के लिए Wasm को छोड़ने का निर्णय, और वैलिडेटर एवं कोमॉर्फिज्म टाइप-चेकर को यांत्रिक बनाने की निरंतर आवश्यकता शामिल है। अंतिम लक्ष्य एक AI वैज्ञानिक को वैज्ञानिक ग्राफ को बिना मानवीय हस्तक्षेप के पार करने, बदलने और सत्यापित करने में सक्षम बनाना है।