Solvable Sokoban Without a Solver via Diffusion

कंप्यूटर विज्ञान की दुनिया में, समस्याओं का एक ऐसा वर्ग है जो इतनी जटिल है कि समाधान की जांच करना आसान हो सकता है, लेकिन उसे खोजने के लिए संभावनाओं के ऐसे विशाल भूलभुलैया में रास्ता बनाना पड़ता है जो ब्रूट फोर्स (brute force) द्वारा हल करने में ब्रह्मांड की आयु से भी अधिक लंबा समय ले सकता है। ये केवल कठिन पहेलियाँ नहीं हैं; ये ऐसी समस्याएँ हैं जहाँ उत्तर तक पहुँचने का मार्ग न केवल लंबा है, बल्कि घातीय रूप से (exponentially) लंबा है, जिसका अर्थ है कि आपके द्वारा उठाया गया हर कदम नए संभावनाओं का एक ब्रह्मांड खोल सकता है और साथ ही अन्य को बंद भी कर सकता है। इसका एक सबसे प्रसिद्ध उदाहरण 'सोकोबन' (Sokoban) नामक एक खेल है, जो एक ग्रिड पर खेला जाता है जहाँ एक अकेला पात्र बक्सों को विशिष्ट लक्ष्य वर्गों पर धकेलता है। पेच यह है कि पात्र केवल धक्का दे सकता है, कभी खींच नहीं सकता, और एक बार जब कोई बॉक्स किसी कोने में फंस जाता है, तो वह अक्सर हमेशा के लिए फंस जाता है। क्योंकि एक बॉक्स की स्थिति पूरे बोर्ड की पहुंच (reachability) को पूरी तरह से बदल सकती है, इसलिए इस खेल को छोटे, स्वतंत्र कार्यों में विभाजित नहीं किया जा सकता है। इसे हल करने के लिए एक समग्र योजना की आवश्यकता होती है जो एक भी चाल चलने से पहले हर अंतःक्रिया (interaction) का हिसाब रखे। दशकों तक, इस प्रकार के नए, वैध पहेलियाँ उत्पन्न करने की क्षमता एक चुनौती रही है, क्योंकि एक समाधान योग्य भूलभुलैया बनाना उतना ही कठिन है जितना कि उसे हल करना, और यह जांचना कि कोई भूलभुलैया काम करती है या नहीं, आमतौर पर हर संभावित चाल का अनुकरण करने के लिए एक शक्तिशाली कंप्यूटर की आवश्यकता होती है।

एक हालिया अध्ययन ने इन जटिल पहेलियों को बिना कभी यह सिखाए उत्पन्न करने का एक आश्चर्यजनक तरीका खोजा है कि उन्हें कैसे हल किया जाए। शोधकर्ताओं ने एक प्रकार के आर्टिफिशियल इंटेलिजेंस मॉडल को सोकोबन ग्रिड के लुप्त हिस्सों को भरने के लिए प्रशिक्षित किया, ठीक वैसे ही जैसे एक इंसान आसपास के अक्षरों के आधार पर गायब शब्दों का अनुमान लगाकर क्रॉसवर्ड पहेली को पूरा करता है। मॉडल को हजारों वास्तविक पहेलियाँ दिखाई गईं और उससे दीवारों, फर्शों और बक्सों के पैटर्न को सीखने के लिए कहा गया, लेकिन उसे कभी यह नहीं बताया गया कि कौन सी पहेलियाँ समाधान योग्य थीं, और न ही उसे एक काम करने वाला खेल बनाने के लिए कोई पुरस्कार दिया गया। इसने केवल यह सीखा कि दृश्यमान टाइल्स के आधार पर एक छिपी हुई जगह में कौन सी टाइल होनी चाहिए। परिणाम चौंकाने वाला था: जब मॉडल ने शून्य से नई पहेलियाँ बनाईं, तो उनमें से 77.4 प्रतिशत समाधान योग्य थीं। यह एक उल्लेखनीय परिणाम है क्योंकि मॉडल को स्पष्ट रूप से समाधान योग्यता सुनिश्चित करने के लिए प्रशिक्षित नहीं किया गया था; इसे केवल रिक्त स्थानों को भरने के लिए प्रशिक्षित किया गया था। शोधकर्ताओं ने पाया कि एक समाधान योग्य पहेली बनाने की क्षमता वह अलग कौशल नहीं था जिसे मॉडल ने सीखा, बल्कि यह खेल के स्थानीय पैटर्न को सीखने का एक स्वाभाविक उपोत्पाद (byproduct) था।

इस दृष्टिकोण की सफलता इस बात पर निर्भर करती है कि मॉडल ग्रिड के बारे में कैसे सोचता है। पारंपरिक कंप्यूटर प्रोग्राम जो अनुक्रम (sequences) उत्पन्न करते हैं, जैसे कि वे जो टेक्स्ट लिखते हैं, एक निश्चित क्रम में काम करते हैं, पहले शब्द का निर्णय लेते हैं, फिर दूसरे का, फिर तीसरे का। यह रैखिक दृष्टिकोण सोकोबन के लिए संघर्ष करता है क्योंकि ग्रिड के बिल्कुल शुरुआत में लिया गया निर्णय ग्रिड के बिल्कुल अंत में क्या संभव है, इसे सीमित कर सकता है, जिससे एक ऐसा संघर्ष पैदा होता है जिसे प्रोग्राम बाद में ठीक नहीं कर सकता। हालाँकि, इस अध्ययन में उपयोग किया गया मॉडल एक निश्चित क्रम का पालन नहीं करता है। यह एक पूरी तरह से खाली ग्रिड से शुरू होता है जहाँ प्रत्येक सेल छिपा हुआ होता है और उन्हें एक यादृच्छिक (random) क्रम में एक-एक करके प्रकट करता है। प्रत्येक चरण में, यह वर्तमान में मौजूद पूरे बोर्ड को देखता है—यहाँ दीवारें, वहाँ बॉक्स, और दूसरी ओर खाली स्थान—और तय करता है कि अगली छिपी हुई जगह में क्या होना चाहिए। यह मॉडल को एक कोने में दीवार रखने और विपरीत कोने में एक लक्ष्य रखने, और फिर उन्हें जोड़ने वाले गलियारे को खोजने, तथा हर नए टुकड़े को प्रकट करने के साथ पूरे बोर्ड की अपनी समझ को समायोजित करने की अनुमति देता है। यह लचीलापन उस तरीके को दर्शाता है जिससे एक मानव खिलाड़ी को खेल के बारे में सोचना पड़ता है, जहाँ कठिनाई बोर्ड के दूरस्थ हिस्सों के बीच की गैर-स्थानीय (non-local) अंतःक्रियाओं से आती है।

यह परीक्षण करने के लिए कि यह तरीका कितना प्रभावी रहा, शोधकर्ताओं ने 50,000 नई पहेलियाँ बनाईं और प्रत्येक की जाँच एक मानक सॉल्वर (solver) के साथ की। उन्होंने पाया कि लगभग तीन-चौथाई पहेलियाँ तुरंत समाधान योग्य थीं। इससे भी अधिक महत्वपूर्ण बात यह थी कि जो पहेलियाँ विफल रहीं, उनके साथ क्या हुआ। असफल मामलों में से 94.5 प्रतिशत में, पहेली को केवल एक आंतरिक दीवार को हटाकर ठीक किया जा सकता था। यह सुझाव देता है कि मॉडल केवल रैंडम अनुमान नहीं लगा रहा था; यह ऐसी संरचनाएँ बना रहा था जो लगभग पूरी तरह से सही थीं, केवल मामूली, सतही त्रुटियों के कारण समाधान नहीं मिल पा रहा था। शोधकर्ताओं ने यह सुनिश्चित करने के लिए भी जाँच की कि मॉडल केवल प्रशिक्षण के दौरान देखी गई पales को याद तो नहीं कर रहा है। उन्होंने नए पहेलियों की तुलना मूल डेटासेट से की और पाया कि उत्पन्न की गई पहेलियाँ वास्तविक, अनदेखी पहेलियों की तरह ही अपने प्रशिक्षण डेटा से भिन्न थीं। मॉडल ने खेल की अंतर्निहित संरचना को सीख लिया था, न कि केवल विशिष्ट उदाहरणों की एक सूची को।

अध्ययन ने यह भी पता लगाया कि जब शोधकर्ताओं ने मॉडल के आत्मविश्वास को समायोजित किया तो उसका व्यवहार कैसे बदला। मॉडल को उसके विकल्पों में अधिक निर्णायक बनाकर, वे समाधान योग्यता दर को लगभग 99 प्रतिशत तक बढ़ा सकते थे, हालांकि इसकी कीमत सामान्य से थोड़े अधिक दीवारों के निर्माण के रूप में चुकानी पड़ी। हालाँकि, डिफ़ॉल्ट सेटिंग ने ऐसी पहेलियाँ बनाईं जो मूल प्रशिक्षण सेट में पाई जाने वाली दीवारों के घनत्व (density) से पूरी तरह मेल खाती थीं। संरचना और यादृच्छिकता के बीच का यह संतुलन महत्वपूर्ण है। मॉडल ने सीखा कि एक पहेली के वैध होने के लिए, दीवारों और बक्सों को एक बहुत ही विशिष्ट तरीके से फिट होना चाहिए, और खाली स्थानों को सही ढंग से भरने को सीखकर, उसने अनजाने में समाधान योग्यता के नियमों को सीख लिया। शोधकर्ताओं ने नोट किया कि मॉडल का समाधान योग्यता के वैश्विक गुण (global property) पर प्रदर्शन तब भी सुधरता रहा जब व्यक्तिगत टाइल्स को पहचानने की उसकी क्षमता स्थिर हो गई थी। यह इंगित करता है कि दोनों लक्ष्य अलग हैं: एक मॉडल एक एकल टाइल को भरने में अच्छा हो सकता है बिना एक संपूर्ण पहेली बनाने में अच्छा हुए, लेकिन इस मामले में, स्थानीय विवरणों में महारत हासिल करना ही वैश्विक समाधान को अनलॉक करने के लिए पर्याप्त था।

इस निष्कर्ष के निहितार्थ केवल बेहतर पहेलियाँ बनाने तक ही सीमित नहीं हैं। यह प्रदर्शित करता है कि सरल, स्थानीय प्रशिक्षण उद्देश्यों से जटिल, वैश्विक गुण उभर सकते हैं। मॉडल को कभी नहीं बताया गया कि एक पहेली समाधान योग्य होनी चाहिए, फिर भी इसने उन्हें बनाना सीख लिया। यह सुझाव देता है कि डेटा की संरचना में ही समाधान का तर्क निहित होता है, और एक मॉडल जो किसी प्रणाली के सभी हिस्सों के बीच संबंधों को समझने में सक्षम है, वह उसे हल करने की क्षमता विरासत में प्राप्त कर सकता है। शोधकर्ताओं ने पुष्टि की कि मॉडल ने पीढ़ी (generation) को निर्देशित करने के लिए किसी छिपे हुए सॉल्वर का उपयोग नहीं किया। प्रक्रिया का प्रत्येक चरण ग्रिड के दृश्य भागों के आधार पर मॉडल के अपने अनुमानों द्वारा संचालित था। तथ्य यह है कि मॉडल बिना कभी समाधान पथ देखे एक समाधान योग्य भूलभुलैया बना सका, यह प्रणाली के पैटर्न को गहराई से समझने की शक्ति का प्रमाण है।

अंत में, यह कार्य दिखाता है कि एक समस्या उत्पन्न करने और उसे हल करने के बीच की बाधा उतनी ऊँची नहीं है जितनी पहले सोची गई थी। केवल एक पैटर्न को पूरा करने के लिए मॉडल को प्रशिक्षित करके, शोधकर्ताओं ने वैध, जटिल चुनौतियों को बनाने की क्षमता को अनलॉक कर दिया। मॉडल को खेलने योग्य खेल बनाने के लिए ग्रैंडमास्टर होने की आवश्यकता नहीं थी; उसे केवल टाइल्स के नियमों को समझने की आवश्यकता थी। यह दृष्टिकोण कृत्रिम बुद्धिमत्ता के बारे में सोचने का एक नया तरीका प्रदान करता है, यह सुझाव देते हुए कि यदि हम किसी प्रणाली को एक जटिल दुनिया के भीतर स्थानीय संबंधों को समझने के लिए सिखाते हैं, तो वह स्वाभाविक रूप से उस दुनिया की वैश्विक चुनौतियोंों को नेविगेट करना सीख सकती है, भले ही उसे इसके लिए स्पष्ट रूप से न सिखाया गया हो। उत्पन्न की गई पहेलियाँ पूर्ण तो नहीं थीं, लेकिन वे इतनी करीब थीं कि एक छोटा सा समायोजन उन्हें काम करने लायक बना सकता था, जो यह सिद्ध करता कि मॉडल ने खेल के सार को समझ लिया था।