Benchmarking and Reasoning Distillation of Large Language Models for Feedback Controller Design in Complex Dynamical Systems
यह शोध पत्र जटिल फीडबैक कंट्रोलर डिज़ाइन पर लार्ज लैंग्वेज मॉडल्स का मूल्यांकन करने के लिए CoDyControlBench प्रस्तुत करता है, जो कंट्रोल नॉलेज द्वारा संचालित महत्वपूर्ण प्रदर्शन अंतराल को प्रकट करता है और यह प्रदर्शित करता है कि एक रीजनिंग-डिस्टिल्ड 1.5B-पैरामीटर मॉडल भौतिक रोबोटिक अनुप्रयोगों में मजबूत, एज-डिप्लॉय करने योग्य सफलता प्राप्त कर सकता 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 चलना, उड़ना या एक नाजुक कप को बिना गिराए पकड़ना सिखाने की कोशिश कर रहे हैं। ऐसा करने के लिए, आपको एक "फीडबैक कंट्रोलर" (feedback controller) की आवश्यकता होगी। इस कंट्रोलर को अपने रोबोट के कान और मस्तिष्क के एक साथ काम करने के रूप में सोचें: यह लगातार जांचता है कि रोबोट कहाँ है, इसकी तुलना इससे करता है कि उसे कहाँ होना चाहिए, और सब कुछ स्थिर रखने के लिए तुरंत छोटे-छोटे समायोजन करता है। यदि रोबोट डगमगाने लगता है, तो कंट्रोलर वापस दबाव डालता है; यदि वह बहुत धीमा है, तो कंट्रोलर उसे एक हल्का सा धक्का देता है। दशकों से, इन कंट्रोलर्स को डिजाइन करना अत्यधिक प्रशिक्षित मानव इंजीनियरों का काम रहा है जिन्होंने गणित और भौतिकी का अध्ययन करने में वर्षों बिताए हैं। लेकिन हाल ही में, एक प्रकार का नया डिजिटल मस्तिष्क जिसे 'लार्ज लैंग्वेज मॉडल' (LLM) कहा जाता है, सामने आया है। ये उसी प्रकार के AI हैं जो कविताएं लिख सकते हैं, पहेलियां सुलझा सकते हैं और आपसे चैट कर सकते हैं। वैज्ञानिक अब एक बड़ा सवाल पूछ रहे हैं: क्या ये बातूनी, रचनात्मक AI दिमाग इंजीनियरिंग का भारी काम भी कर सकते हैं? क्या वे उस गणित को डिजाइन कर सकते हैं जो एक रोबोट को गिरने से बचाता है, तब भी जब रोबोट जटिल, डगमगाता हुआ या अजीब तरीके से चलता हुआ हो?
यह शोध पत्र, जिसका शीर्षक "Complex Dynamical Systems के लिए Feedback Controller Design के लिए Large Language Models का Benchmarking और Reasoning Distillation" है, सीधे इसी सवाल में उतरता है। शोधकर्ताओं ने महसूस किया कि हालांकि AI सरल कार्यों में बहुत अच्छा है, लेकिन किसी ने वास्तव में यह परीक्षण नहीं किया था कि क्या यह वास्तविक दुनिया की मशीनों की अव्यवस्थ और जटिल वास्तविकता को संभाल सकता है। इसलिए, उन्होंने एक विशाल वीडियो गेम जैसे परीक्षण मैदान का निर्माण किया जिसे CoDyControlBench कहा गया। एक विशाल बाधा दौड़ वाले कोर्स की कल्पना करें जिसमें 132 अलग-अलग स्तर हैं। कुछ स्तर आसान हैं, जैसे एक सपाट सड़क पर लुढ़कता हुआ एक एकल पहिया। अन्य स्तर डरावने स्तर हैं: एक छह-पहियों वाला रोबोट जहाँ हर पहिया दूसरे के साथ उलझा हुआ है, सड़क हिल रही है, और रोबोट का अपना वजन भी चलते समय बदल रहा है। लक्ष्य क्या है? यह देखना कि क्या एक AI इस रोबोट को बिना टकराए या नियंत्रण खोए किसी लक्षित स्थान तक ले जाने के लिए कोड लिख सकता है।
टीम ने छह अलग-अलग "सुपर-इंटेलिजेंट" AI को इस बाधा दौड़ के माध्यम से उतारा। कुछ प्रसिद्ध व्यावसायिक मॉडल थे (जैसे GPT, Gemini, और Claude), और अन्य ओपन-सोर्स मॉडल थे (जैसे Qwen और DeepSeek)। परिणाम विस्मय और सावधानी का मिश्रण थे। मुख्य आकर्षण GPT था, जिसने 94.8% जटिल चुनौतियों के लिए एक सफल कंट्रोलर डिजाइन किया। यह एक मास्टर इंजीनियर की तरह था जो स्प्रिंग्स और मोटरों के उलझे हुए जाल को देख सकता था और तुरंत जान सकता था कि उन्हें कैसे ट्यून करना है। दूसरी ओर, Qwen मॉडल केवल 50% समय सफल रहा। यह एक ऐसे छात्र की तरह था जो एक साधारण खिलौना कार को तो संभाल सकता था लेकिन पूरी तरह से भ्रमित हो गया जब उसके पहिए अलग-अलग दिशाओं में घूमने लगे।
शोधकर्ताओं ने पाया कि AI के लिए सबसे बड़ी समस्या यह नहीं थी कि रोबोट "नॉनलीनियर" (टेढ़ा-मेढ़ा) था या "टाइम-वेरिंग" (समय के साथ बदलने वाला), बल्कि यह थी कि उसमें कितने चलते हुए हिस्से थे। जैसे-जैसे चलते हुए हिस्सों की संख्या (जिसे "डिग्री ऑफ फ्रीडम" या DoF कहा जाता है) 1 से बढ़कर 6 हुई, AI की सफलता दर काफी गिर गई। यह ऐसा है जैसे AI एक गेंद को आसानी से उछाल सकता है, लेकिन जब आपने इसमें दूसरी, तीसरी या छठी गेंद जोड़ दी, तो वह उन्हें गिराने लगा। दिलचस्प बात यह है कि AI ने एक विशिष्ट प्रकार के जटिल गणित-आधारित कंट्रोलर (जिसे "स्लाइडिंग मोड कंट्रोल" कहा जाता है) को अधिक सरल और सामान्य "PID" कंट्रोलर की तुलना में डिजाइन करना आसान पाया। यह एक आश्चर्य था, क्योंकि इंसान आमतौर पर सोचते हैं कि सरल वाला आसान होता है। ऐसा लगता है कि AI को सरल वाले के "अनुमान और जांच" (guess-and-check) वाले अंदाज के बजाय जटिल गणित के कठोर, चरण-दर-चरण नियमों में अधिक पसंद आया।
लेकिन कहानी का सबसे रोमांचक हिस्सा यहाँ है: शोधकर्ता केवल यह नहीं देखना चाहते थे कि बड़े, क्लाउड-आधारित AI काम कर सकते हैं या नहीं; वे यह जानना चाहते थे कि क्या एक छोटा AI रोबोट के अंदर एक छोटे चिप पर चल सकता है। इसे टेस्ट करने के लिए, उन्होंने रीजनिंग डिस्टिलेशन (Reasoning Distillation) नामक तकनीक का उपयोग किया। एक जीनियस शिक्षक (एक विशाल AI) की कल्पना करें जो आपको केवल गणित के सवाल का जवाब नहीं देता, बल्कि अपनी पूरी सोचने की प्रक्रिया भी लिख देता है: "पहले, मैं देखता हूँ कि रोबोट बाईं ओर डगमगा रहा है, इसलिए मुझे दाईं ओर धकेलने की आवश्यकता है। लेकिन रुकिए, यदि मैं बहुत ज़ोर से धकेलता हूँ, तो यह लक्ष्य से आगे निकल जाएगा, इसलिए मैं थोड़ा धीमा हो जाऊंगा।" उन्होंने एक छोटे, हल्के AI (केवल 1.5 बिलियन पैरामीटर्स वाला, जो AI के लिए छोटा है) को केवल अंतिम उत्तर को नहीं, बल्कि इस सोचने की प्रक्रिया को कॉपी करना सिखाया।
परिणाम? वह छोटा AI जिसने जीनियस शिक्षक की तरह सोचना सीखा (जिसे "थिंक-मॉडल" कहा गया), एक आश्चर्यजनक रूप से अच्छा इंजीनियर बन गया। इसने उस छोटे AI को पछाड़ दिया जिसने केवल उत्तर रटे थे और उस बेस मॉडल को भी पीछे छोड़ दिया जिसे प्रशिक्षित नहीं किया गया था। एक वास्तविक दुनिया के परीक्षण में, इस छोटे AI को हवा से चलने वाली मांसपेशियों (जो स्वभाव से डगमगाती और कठिन होती हैं) वाले एक रोबोटिक आर्म पर स्थापित किया गया। छोटे AI ने तीन में से तीनों प्रयासों में आर्म को एक लक्षित कोण तक सफलतापूर्वक निर्देशित किया, उसे स्थिर और सटीक बनाए रखा। यह सुझाव देता है कि हमें भविष्य के रोबोट को नियंत्रित करने के लिए क्लाउड में स्थित विशाल सुपर कंप्यूटरों की आवश्यकता नहीं हो सकती है; इसके बजाय, हम रोबोट के अपने मस्तिष्क चिप पर एक स्मार्ट, तर्क करने वाला इंजीनियर फिट कर सकते हैं।
संक्षेप में, यह पेपर दिखाता है कि जबकि आज का AI रोबोट कंट्रोलर डिजाइन करने में बहुत अच्छा होता जा रहा है, फिर भी यह सबसे जटिल, बहु-भाग वाली मशीनों के साथ संघर्ष करता है। हालांकि, छोटे AI को केवल समाधान याद करने के बजाय समस्या के माध्यम से तर्क करना सिखाकर, हम हल्के, स्मार्ट कंट्रोलर बना सकते हैं जो सीधे 'एज' (edge) पर काम कर सकें, जो हमारे भविष्य के रोबोट को स्थिर, सुरक्षित और लक्ष्य पर बनाए रखने के लिए तैयार हों।
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।