Learning GR(1) Specifications from Traces
यह शोध पत्र GR1MINE को प्रस्तुत करता है, जो एक SAT-आधारित टूल है जो टेम्पोरल स्केलेटन और इंक्रीमेंटल क्लॉज लर्निंग का लाभ उठाकर सिस्टम ट्रेसेस से GR(1) स्पेसिफिकेशन को कुशलतापूर्वक सीखता है, और मौजूदा LTL माइनिंग टूल्स की तुलना में काफी तेज़ सिंथेसिस और रियलाइज़ेबल फॉर्मूला की उच्च रिकवरी दर प्राप्त करता है।
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
कल्पना कीजिए कि आप एक रोबोट को यह सिखाने की कोशिश कर रहे हैं कि उसे कैसा व्यवहार करना चाहिए, लेकिन आप नियमों को लिख नहीं सकते क्योंकि आप उन्हें जानते ही नहीं हैं। इसके बजाय, आपके पास रोबोट को रिकॉर्ड करने वाला एक वीडियो कैमरा है। आप कैमरे को बहुत सारे क्लिप दिखाते हैं जहाँ रोबोट ने बहुत अच्छा काम किया (अच्छे "traces") और बहुत सारे क्लिप जहाँ वह क्रैश हो गया या अजीब तरह से व्यवहार करने लगा (बुरे "traces")। आपका लक्ष्य एक ऐसा नियम-पुस्तिका लिखना है जो अच्छे क्लिप्स को बुरे क्लिप्स से पूरी तरह अलग कर सके। यह स्पेसिफिकेशन माइनिंग (specification mining) की दुनिया है: डेटा के भीतर से उन छिपे हुए कानूनों को खोजना जो किसी सिस्टम को नियंत्रित करते हैं।
लेकिन इसमें एक पेंच है। वास्तविक दुनिया में, सेल्फ-ड्राइविंग कार या फैक्ट्री रोबोट जैसे सिस्टम केवल नियमों का पालन नहीं करते; वे अपने वातावरण के प्रति प्रतिक्रिया भी देते हैं। यदि वातावरण (जैसे कि बारिश वाली सड़क या किसी इंसान द्वारा बटन दबाना) कुछ करता है, तो सिस्टम को उस पर प्रतिक्रिया देनी चाहिए। इसे एक रिएक्टिव सिस्टम (reactive system) कहा जाता है। इन सिस्टम्स को सुरक्षित बनाने के लिए, कंप्यूटर वैज्ञानिक तर्क (logic) के एक विशेष प्रकार का उपयोग करते हैं जिसे GR(1) कहा जाता है। GR(1) को एक सख्त अनुबंध (contract) के रूप में समझें: "यदि वातावरण अच्छा व्यवहार करने का वादा करता है (assumptions), तो सिस्टम अपना काम करने का वादा करता है (guarantees)।" यदि आप इस अनुबंध को सही ढंग से तैयार कर लेते हैं, तो आप स्वचालित रूप से एक ऐसा रोबोट बना सकते हैं जो गणितीय रूप से गारंटी के साथ काम करेगा। यदि आप इसे गलत करते हैं, तो रोबट विफल हो सकता है, या इससे भी बुरा यह कि गणित यह कह सकता है कि रोबोट बनाना असंभव है जबकि वास्तव में वह बनाया जा सकता था।
समस्या यह है कि सही अनुबंध खोजना कठिन है। मौजूदा उपकरण अक्सर तर्क की भाषा के हर संभावित वाक्य को देखकर नियमों का अनुमान लगाने की कोशिश करते हैं। यह ब्रह्मांड के हर एक तिनके को जाँचकर घास के ढेर में एक विशिष्ट सुई खोजने जैसा है। इसमें बहुत समय लगता है, और अक्सर उपकरण आपको एक ऐसा नियम दे देते हैं जो ठीक तो दिखता है लेकिन वास्तव में एक जाल है—वह अच्छे क्लिप्स को बुरे से अलग तो कर देता है, लेकिन वह एक ऐसा नियम है जिसे कोई रोबोट वास्तव में कभी नहीं निभा सकता।
यहीं पर यह शोध पत्र काम आता है। शोधकर्ताओं ने, सैम निकोलस कौटेली और उनकी टीम के नेतृत्व में, एक नया टूल बनाया जिसे GR1MINE कहा जाता है। बिना किसी अंदाजे के, GR1MINE पहले से ही अनुबंध के आकार को जानता है। वह GR(1) नियम के ढांचे को जानता है: "यदि वातावरण X करता है, तो सिस्टम को Y करना चाहिए।" उसे केवल यह पता लगाना है कि X और Y वास्तव में क्या हैं।
ऐसा करने के लिए, उन्होंने एक "SAT सॉल्वर" का उपयोग करने की चतुर तकनीक का इस्तेमाल किया, जो एक सुपर-फास्ट पहेली सुलझाने वाले यंत्र की तरह है। कल्पना कीजिए कि आप लेगो (LEGO) का एक किला बना रहे हैं, लेकिन आप नहीं जानते कि कौन सी ईंटों का उपयोग करना है। पूरे किले को बनाने, उसका परीक्षण करने और फिर उसे गिराकर दोबारा प्रयास करने के बजाय, GR1MINE एक बार किले का ढांचा बनाता है। फिर, यह उस ढांचे के भीतर ईंटों के विभिन्न संयोजन (combinations) आज़माता है। यदि कोई संयोजन विफल हो जाता है, तो सॉल्वर याद रखता है कि वह क्यों विफल हुआ और इस स्मृति का उपयोग हजारों अन्य खराब संयोजनों को तुरंत छोड़ देने के लिए करता है। इसे "इन्क्रीमेंटल सॉल्विंग" (incremental solving) कहा जाता है।
टीम ने अपने टूल का परीक्षण 120 अलग-अलग पहेलियों (benchmarks) पर किया जो वास्तविक दुनिया की हार्डवेयर और रोबोटिक्स चुनौतियों से ली गई थीं। परिणाम आश्चर्यजनक थे। जब पहेलियाँ मानक GR(1) नियमों से बनी थीं, तो GR1MINE ने उनमें से सभी 60 को हल किया। इसके विपरीत, पिछले सर्वश्रेष्ठ उपकरणों ने केवल आधे या एक तीसरे हिस्से को ही हल किया था। इससे भी अधिक प्रभावशाली बात यह है कि इन विशिष्ट पहेलियों पर GR1MINE, सामान्य उपकरणों की तुलना में 30 गुना से अधिक तेज़ था।
लेकिन असली जादू तब हुआ जब उन्होंने उन पहेलियों पर परीक्षण किया जो पूर्ण GR(1) नियम नहीं थे। यहाँ तक कि जब मूल नियम अव्यवस्थित थे और उस साफ-सुथरे टेम्पलेट में फिट नहीं बैठते थे, तब भी GR1MINE ने 60 में से 38 मामलों में एक काम करने योग्य, 'रियलाइज़ेबल' (realizable) नियम खोजने में सफलता प्राप्त की। अन्य उपकरण संघर्ष करते रहे, और जो नियम उन्होंने खोजे वे अक्सर "अनरियलाइज़ेबल" (unrealizable) थे—यानी गणितीय रूप से एक रोबोट के लिए उनका पालन करना असंभव था।
संक्षेप में, GR1MINE केवल अच्छे से बुरे को अलग करने वाला नियम ही नहीं खोजता; यह एक ऐसा नियम खोजता है जिसे एक रोबोट वास्तव में जी सके। GR(1) की ज्ञात संरचना पर टिके रहकर और काम को दोहराने से बचने के लिए स्मार्ट मेमोरी ट्रिक्स का उपयोग करके, टीम ने दिखाया कि हम पहले की तुलना में बहुत तेज़ी से और अधिक विश्वसनीयता के साथ जटिल, सुरक्षित अनुबंधों को स्वचालित रूप से खोज सकते हैं। उन्होंने केवल घास के ढेर में सुई नहीं ढूंढी; बल्कि उन्होंने एक चुंबक बनाया जो केवल सही तरह की सुइयों को ही आकर्षित करता 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।