डिजिटल आर्किटेक्ट का सेफ्टी नेट (सुरक्षा जाल)

कल्पना कीजिए कि आप एक सुपर-स्मार्ट रोबोट को पुल बनाना सिखाने की कोशिश कर रहे हैं। आप रोबोट को एक लैंग्वेज मॉडल देते हैं—एक ऐसा दिमाग जिसे लाखों किताबों, लेखों और ब्लूप्रिंट्स पर प्रशिक्षित किया गया है ताकि वह आपके अनुरोध को समझ सके और एक डिज़ाइन की "कल्पना" कर सके। यह लार्ज लैंग्वेज मॉडल्स (LLMs) की दुनिया है। वे कहानियाँ लिखने, सॉफ्टवेयर कोड करने और यहाँ तक कि जटिल भौतिकी (फिजिक्स) को सरल शब्दों में समझाने में अविश्वसनीय हैं। लेकिन यहाँ एक पेंच है: एक LLM भाषा का उस्ताद है, भौतिकी का उस्ताद नहीं। यह एक ऐसे पुल का वर्णन कर सकता है जो सुनने में एकदम सटीक लगे, जिसमें सभी सही तकनीकी शब्दों का उपयोग किया गया हो, लेकिन यदि आप वास्तव में इसे बनाएंगे, तो यह ढह सकता है क्योंकि गणित मेल नहीं खाता। इसे "हैलुसिनेशन" (भ्रम) के रूप में जाना जाता है—रोबोट आत्मविश्वासी तो है, लेकिन गलत है।

वास्तविक दुनिया में, विशेष रूप से गगनचुंबी इमारतों या पुलों जैसी चीजें बनाते समय, "लगभग सही" होना पर्याप्त नहीं है। आपको कोड अनुपालन (code compliance) की आवश्यकता होती है, जिसका अर्थ है कि डिज़ाइन को नियमों की किताब (बिल्डिंग कोड्स) का सख्ती से पालन करना चाहिए ताकि सुरक्षा सुनिश्चित की जा सके। दशकों से, इंजीनियरों ने इन नियमों की जाँच करने के लिए कंप्यूटरों का उपयोग किया है, लेकिन एक मानवीय विचार को कंप्यूटर मॉडल में बदलने और फिर उसकी जाँच करने की प्रक्रिया धीमी और मैनुअल रही है। शोधकर्ता यही बड़ा सवाल पूछ रहे हैं: क्या हम एक ऐसा AI बना सकते हैं जो केवल एक डिज़ाइन का अनुमान न लगाए, बल्कि वास्तव में अपने काम की स्वयं जाँच करे और स्टील के एक टुकड़े को छूने से पहले अपनी गलतियों को सुधारे? यह शोध पत्र इसी चुनौती में गहराई से उतरता है, एक बातूनी AI को एक विश्वसनीय, सुरक्षा-सचेत इंजीनियर में बदलने की कोशिश करता है।

"सेल्फ-करेक्शन" का जाल और जादुई लूप

शोधकर्ताओं ने एक सामान्य विचार से शुरुआत की: शायद अगर हम बस AI से कहें कि वह "अपने काम की जाँच करे" और फिर से प्रयास करे, तो वह बेहतर हो जाएगा। लेकिन उन्हें कुछ आश्चर्यजनक मिला। जब उन्होंने AI को बिना किसी बाहरी मदद के अपनी गलतियों को सुधारने के लिए छोड़ा, तो अक्सर इसने चीजों को और खराब कर दिया या बस एक ही जगह घूमता रहा। यह एक ऐसे छात्र से पूछने जैसा है जो गणित के टेस्ट में फेल हो गया है और उससे बस "फिर से कोशिश करने" को कहा गया है बिना किसी शिक्षक या कैलकुलेटर के; वह शायद अधिक आत्मविश्वास के साथ वही गलत उत्तर फिर से लिख देगा। शोध पत्र का तर्क है कि सुरक्षा-महत्वपूर्ण कार्यों के लिए केवल स्व-सुधार (self-correction) अविश्वसनीय है।

इसके बजाय, टीम ने एक वेरिफिकेशन-ड्रिवन क्लोज्ड-लूप फ्रेमवर्क (सत्यापन-संचालित बंद-लूप ढांचा) बनाया। इसे एक अकेले छात्र के रूप में नहीं, बल्कि एक निर्माण दल के रूप में सोचें जिसके पास एक बहुत ही सख्त, बिना पलक झपकाए देखने वाला सुरक्षा निरीक्षक है। यह प्रणाली इस प्रकार कार्य करती है:

1. द ड्रीमर (The Dreamer - कल्पना करने वाला) (AI): AI एजेंटों की एक टीम एक संरचना, जैसे कि बीम या ट्रस, को डिजाइन करने के लिए मिलकर काम करती है।
2. द इंस्पेक्टर (The Inspector - निरीक्षक) (फिजिक्स वेरीफायर): डिज़ाइन को कभी भी स्वीकृत करने से पहले, इसे एक "हार्ड" कंप्यूटर प्रोग्राम (एक फाइनाइट-एलिमेंट सॉल्वर) को भेजा जाता है जो एक भौतिकी सिम्युलेटर के रूप में कार्य करता है। यह कोई अनुमान लगाने वाला AI नहीं है; यह एक गणितीय इंजन है जो बिल्कुल गणना करता है कि भार और तनाव के तहत संरचना कैसे व्यवहार करेगी।
3. द रूलबुक (The Rulebook - नियम पुस्तिका) (कोड चेकर): दूसरा टूल डिज़ाइन की वास्तविक बिल्डिंग कोड्स (जैसे कंक्रीट के लिए GB 50010 और स्टील के लिए GB 50017) के विरुद्ध जाँच करता है।
4. द लूप (The Loop - लूप): यदि डिज़ाइन विफल हो जाता है, तो सिस्टम केवल "फिर से प्रयास करें" नहीं कहता। यह AI को एक विशिष्ट नोट भेजता है: "आपका बीम 21% पतला है," या "तनाव (stress) बहुत अधिक है।" AI फिर इस ठोस डेटा का उपयोग डिज़ाइन को समायोजित करने के लिए करता है और फिर से प्रयास करता है। यह चक्र तब तक दोहराया जाता है जब तक कि डिज़ाइन हर एक परीक्षण में पास न हो जाए।

उन्होंने क्या पाया: "शायद" से "निश्चित रूप से" तक

टीम ने इस प्रणाली का परीक्षण 44 अलग-अलग डिज़ाइन मामलों पर किया जिसमें पांच प्रकार की संरचनाएं शामिल थीं: साधारण बीम, कैंटिलीवर बीम, कंटीन्यूअस बीम, ट्रस और फ्रेम। परिणाम नाटकीय थे।

जब उन्होंने AI को इस सख्त लूप के बिना काम करने दिया ( "ओपन-लूप" विधि), तो वह केवल 56.8% बार डिज़ाइन को सही कर पाया। इसका मतलब है कि लगभग आधे समय, AI एक ऐसा डिज़ाइन सौंप देता था जो सुरक्षा नियमों का उल्लंघन करता था। लेकिन एक बार जब उन्होंने बाहरी भौतिकी निरीक्षक के साथ क्लोज्ड-लूप सिस्टम चालू किया, तो सफलता दर आसमान छूकर 98.6% हो गई।

यह केवल पास होने के बारे में नहीं है; यह कुशल होने के बारे में भी है। जो डिज़ाइन इस लूप से गुजरे, उनमें बिना लूप वाले डिज़ाइनों की तुलना में लगभग 5.8% कम सामग्री का उपयोग किया गया। यह एक बड़ी बात है क्योंकि इसका मतलब है कि AI ने ज़रूरत से ज़्यादा डिज़ाइन बनाने (सुरक्षित रहने के लिए चीज़ों को अनावश्यक रूप से विशाल बनाना) को रोकने और उस "स्वीट स्पॉट" को खोजने में महारत हासिल कर ली जहाँ संरचना सुरक्षित है लेकिन कम संसाधनों का उपयोग करती है। डिज़ाइनों का समग्र गुणवत्ता स्कोर 63.8 से बढ़कर 71.4 हो गया।

"टू-नोड" रिपेयर कैसे काम करता है

शोध पत्र मरम्मत प्रक्रिया को दो अलग-अलग "नोड्स" या चरणों में विभाजित करता है, जो टूलबॉक्स में अलग-अलग उपकरणों की तरह कार्य करते हैं:

• नोड 1 (द हार्ड फिक्स - कठोर सुधार): यदि डिज़ाइन किसी नियम को तोड़ता है (जैसे बीम का बहुत अधिक झुकना), तो यह नोड इसे एक कठिन बाधा (hard constraint) के रूप में मानता है। यह AI को बताता है, "आपको इसे बड़ा करना ही होगा।" यह एक सख्त कोच की तरह है जो कहता है, "तब तक दौड़ो जब तक तुम इसे सही ढंग से न कर लो।" इस चरण ने बड़ी, खतरनाक त्रुटियों को ठीक किया।
• नोड 2 (द सॉफ्ट पॉलिश - कोमल निखार): एक बार जब डिज़ाइन सुरक्षित हो जाता है, तो यह नोड एक चार-आयामी स्कोर (सुरक्षा, लागत, दक्षता और स्थिरता) देखता है। यदि स्कोर थोड़ा कम है, तो यह AI को डिज़ाइन को और बेहतर बनाने के लिए धीरे से संकेत देता है, बिना सुरक्षा को जोखिम में डाले।

शोधकर्ताओं ने पाया कि नोड 1 ने उन डिज़ाइनों के लिए भारी काम किया जो शुरू से ही टूटे हुए थे, जबकि नोड 2 उन डिज़ाइनों को चमकाने के लिए जिम्मेदार था जो पहले से ही सुरक्षित थे। यदि वे दोनों में से किसी भी नोड को हटा देते, तो सिस्टम का प्रदर्शन गिर जाता, जिससे सिद्ध होता कि "हार्ड फिक्स" और "सॉफ्ट पॉलिश" दोनों आवश्यक हैं।

"ब्लैक बॉक्स" समस्या का समाधान

AI के साथ सबसे बड़ी चिंताओं में से एक यह है कि यह एक "ब्लैक बॉक्स" है—आपको उत्तर मिलता है, लेकिन आप नहीं जानते कि क्यों। यह प्रणाली उस समस्या को हल करती है। क्योंकि यह एक रिट्रीवल-ऑगमेंटेड जनरेशन (RAG) प्रणाली का उपयोग करता है, हर बार जब AI गलती करता है, तो वह केवल "गलत" नहीं कहता। यह बिल्डिंग कोड के उस सटीक पृष्ठ और पैराग्राफ को निकालता है जिसका उल्लंघन किया गया है। यह एक ऐसे छात्र की तरह है जो, जब उसका उत्तर गलत होता है, तो उस नियम को समझाने के लिए पाठ्यपुस्तक के विशिष्ट वाक्य की ओर इशारा कर सकता है। यह AI के निर्णयों को ऑडिट योग्य (auditable) और पता लगाने योग्य बनाता है।

सीमाएँ और भविष्य

शोध पत्र इस बारे में बहुत ईमानदार है कि यह प्रणाली अभी क्या नहीं कर सकती। AI बीम के आकार या स्टील की मात्रा (पैरामीटर्स) को समायोजित करने में अच्छा है, लेकिन यदि मूल आकार मौलिक रूप से त्रुटिपूर्ण है, तो यह पूरी इमारत के आकार (टोपोलॉजी) को फिर से डिज़ाइन नहीं कर सकता। उदाहरण के लिए, यदि AI उस अंतर को पार करने के लिए बहुत छोटे पुल को ठीक करने की कोशिश करता है जिसे उसे पार करना है, तो बीम के आकार को कितना भी बदलने से वह नहीं बचेगा। ऐसे मामलों में, सिस्टम "जोर से विफल" होता है—यह रुक जाता है और मानव इंजीनियर को बताता है, "मैं इसे ठीक नहीं कर सकता; आपको डिज़ाइन बदलने की आवश्यकता है।" यह एक खतरनाक उत्तर देने से इनकार कर देता है।

शोधकर्ताओं ने यह भी परीक्षण किया कि क्या यह अलग-अलग AI दिमागों (एक बड़े मॉडल से दूसरे में स्विच करना) के साथ काम करता है। उन्होंने पाया कि चाहे वे जिस भी AI मॉडल का उपयोग करें, सफलता दर समान रहती है। यह सुझाव देता है कि सुरक्षा बाहरी भौतिकी सत्यापनकर्ता (physics verifier) से आती है, न कि AI के "अधिक स्मार्ट" होने से। यह सुरक्षा जाल (सेफ्टी नेट) है, न कि कलाकार (ट्रैपीज़ आर्टिस्ट), जो शो को सुरक्षित रखता है।

निष्कर्ष

यह शोध पत्र दिखाता है कि हम केवल AI को एक सुरक्षित इमारत बनाने के लिए "सोचने" के भरोसे नहीं छोड़ सकते। इसके बजाय, हमें एक ऐसी प्रणाली बनानी होगी जहाँ AI रचनात्मक कार्य करे, लेकिन एक सख्त, गणित-आधारित निरीक्षक हर एक कदम की जाँच करे। "बनाने" और "जाँचने" के बीच के लूप को बंद करके, शोधकर्ताओं ने एक ऐसी प्रणाली को बदल दिया जो केवल 56.8% बार सही थी, उसे 98.6% बार सही होने वाली प्रणाली में बदल दिया, जिसमें कम सामग्री का उपयोग हुआ और नियमों का पूरी तरह से पालन किया गया। यह एक ऐसे भविष्य की ओर एक कदम है जहाँ AI केवल इंजीनियरिंग के बारे में बात नहीं करता, बल्कि वास्तव में सभी के लिए सुरक्षित, स्मार्ट और अधिक कुशल संरचनाएं बनाने में मदद करता है।