Automating Parent Selection Configuration in Genetic Programming with Agentic AI
यह शोध पत्र प्रदर्शित करता है कि लार्ज लैंग्वेज मॉडल्स और रिट्रीवल-ऑगमेंटेड जनरेशन का लाभ उठाने वाला एक एजेंटिक एआई फ्रेमवर्क जेनेटिक प्रोग्रामिंग के लिए पैरेंट सिलेक्शन एल्गोरिदम के डिजाइन और कार्यान्वयन को प्रभावी ढंग से स्वचालित कर सकता है, जो -लेक्सिकेस जैसे स्थापित तरीकों के तुलनीय सिम्बोलिक रिग्रेशन कार्यों में प्रतिस्पर्धी प्रदर्शन 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
आर्टिफिशियल इंटेलिजेंस के विशाल परिदृश्य में, 'इवोल्यूशनरी कंप्यूटिंग' (evolutionary computing) नामक एक विशिष्ट शाखा प्रकृति द्वारा जीवन के विकास की नकल करती है। कल्पना कीजिए कि एक कंप्यूटर प्रोग्राम किसी मानव द्वारा लिखे गए निर्देशों के कठोर सेट का पालन नहीं करता है, बल्कि इसके बजाय डिजिटल उम्मीदवारों की एक आबादी बनाता है, यह परीक्षण करता है कि वे किसी समस्या को कितनी अच्छी तरह हल करते हैं, और फिर अगली पीढ़ी बनाने के लिए सबसे अच्छे उम्मीदवारों का प्रजनन करता है। यह प्रक्रिया, जिसे 'जेनेटिक प्रोग्रामिंग' (genetic programming) कहा जाता है, इसलिए शक्तिशाली है क्योंकि यह उन जटिल समाधानों की खोज कर सकती है जिन्हें मनुष्य कभी सोच भी नहीं सकते। हालाँकि, इस डिजिटल विकास के काम करने के लिए, कंप्यूटर को यह तय करने का एक तरीका चाहिए कि किन उम्मीदवारों को प्रजनन करने का अवसर मिलेगा। इस निर्णय को 'पैरेंट सिलेक्शन' (parent selection) कहा जाता है। यदि कंप्यूटर गलत माता-पिता (parents) चुनता है, तो पूरी आबादी स्थिर हो सकती है या सुधार करने में विफल हो सकती है। पारंपरिक रूप से, मनुष्यों को इन चयन नियमों को मैन्युअल रूप से डिजाइन करना पड़ता था, जो एक ऐसा कार्य है जिसमें गहन विशेषज्ञता की आवश्यकता होती है और इसमें अक्सर बहुत अधिक परीक्षण और त्रुटि (trial and error) शामिल होती है। शोधकर्ता अब यह सवाल पूछ रहे हैं कि क्या एक नए प्रकार का आर्टिफिशियल इंटेलिजेंस, जो एक मानव विशेषज्ञ की तरह तर्क कर सके और जानकारी खोज सके, इस कठिन डिजाइन प्रक्रिया को स्वचालित कर सकता है।
शोधकर्ताओं की एक टीम ने इस विचार का परीक्षण करने के लिए एक विशेष डिजिटल एजेंट बनाकर इस विचार का परीक्षण करने का निर्णय लिया, जिसे पैरेंट सिलेक्शन का काम संभालने के लिए डिज़ाइन किया गया था। उन्होंने एजेंट से शून्य से पैरेंट सिलेक्शन का एक बिल्कुल नया तरीका आविष्कार करने के लिए नहीं कहा, बल्कि मौजूदा सर्वोत्तम विधि की पहचान करने और उसे काम करने के लिए कंप्यूटर कोड लिखने के लिए कहा। ऐसा करने के लिए, उन्होंने एजेंट को पैरेंट सिलेक्शन के बारे में वैज्ञानिक शोध पत्रों की एक लाइब्रेरी तक पहुंच दी, जिससे वह ठीक उसी तरह प्रासंगिक ज्ञान प्राप्त कर सके जैसे कि एक मानव शोधकर्ता करता है। एजेंट को एक सरल लक्ष्य दिया गया था: समस्या को देखें, यह तय करें कि कौन सी चयन विधि सबसे अच्छी काम करेगी, और फिर एक कार्यात्मक पायथन (Python) प्रोग्राम तैयार करें जिसे जेनेटिक प्रोग्रामिंग सिस्टम में जोड़ा जा सके। उन्होंने इस सेटअप का परीक्षण 'सिंबॉलिक रिग्रेशन' (symbolic regression) नामक एक प्रकार की समस्या का उपयोग करके किया, जहाँ कंप्यूटर को डेटा बिंदुओं के एक सेट पर फिट होने वाला गणितीय सूत्र खोजना होता है। ये सिस्टम इन समस्याओं के लिए एक सामान्य परीक्षण स्थल है क्योंकि इसके लिए कंप्यूटर को बिना बताए यह खोजना पड़ता है कि संख्याओं के बीच क्या संबंध हैं।
शोधकर्ताओं ने यह देखने के लिए प्रयोगों की एक श्रृंखला चलाई कि उनके एजेंट के विभिन्न संस्करण कितने बेहतर प्रदर्शन करते हैं। उन्होंने एक मानक 'लार्ज लैंग्वेज मॉडल' (large language model) की तुलना किया, जो केवल अपने प्रारंभिक प्रशिक्षण के दौरान सीखे गए ज्ञान पर निर्भर करता है, बनाम एक ऐसा एजेंट जो समस्या के बारे में चरण-दर-चरण सोच सकता है, और अंत में एक ऐसे एजेंट के विरुद्ध जो सोच भी सकता है और उनकी क्यूरेटेड लाइब्रेरी में जानकारी भी खोज सकता है। परिणाम बहुत ही उत्साहजनक थे। जब मॉडलों को केवल अपने आंतरिक ज्ञान पर निर्भर रहने के लिए छोड़ दिया गया, तो उन्होंने लगभग हमेशा 'टूर्नामेंट सिलेक्शन' (tournament selection) नामक एक बहुत ही बुनियादी, सामान्य विधि चुनी, जहाँ कुछ उम्मीदवारों को यादृच्छिक (random) रूप से चुना जाता है और सर्वश्रेष्ठ की जीत होती है। यह एक सुरक्षित, परिचित विकल्प था। हालाँकि, जब एजेंटों को लाइब्रेरी में जानकारी खोजने की अनुमति दी गई, तो उनका व्यवहार नाटकीय रूप रूप से बदल गया। एजेंटों ने 'एप्सिलॉन-लेक्सिकेस सिलेक्शन' (epsilon-lexicase selection) नामक एक अधिक परिष्कृत विधि की पहचान करना और उसे लागू करना शुरू कर दिया। यह विधि अधिक सूक्ष्म है; केवल एक समग्र स्कोर को देखने के बजाय, यह उम्मीदवारों का मूल्यांकन इस आधार पर करती है कि वे विशिष्ट व्यक्तिगत डेटा बिंदुओं पर कैसा प्रदर्शन करते हैं, जिससे अधिक विविध और अक्सर अधिक प्रभावी विकास संभव होता है।
अध्ययन में पाया गया कि एजेंट को बेहतर विधियों की ओर निर्देशित करने के लिए सूचना प्राप्त करने की क्षमता महत्वपूर्ण थी, लेकिन यह अपने आप में सफलता की गारंटी नहीं देती थी। उपयोग किए गए आर्टिफिशियल इंटेलिजेंस मॉडल का विशिष्ट प्रकार उतना ही मायने रखता था जितने कि उसके पास मौजूद उपकरण। एक विशेष मॉडल ने, सूचना खोजने की क्षमता के साथ मिलकर, लगातार सही, परिष्कृत चयन एल्गोरिदम उत्पन्न किए और मानव-डिजाइन किए गए संस्करणों के समान या उनसे बेहतर प्रदर्शन किया। इस विशिष्ट सेटअप ने उच्च सटीकता के साथ 'एप्सिलॉन-लेक्सिकेस' पद्धति को लागू करने वाला कोड लिखने में सफलता प्राप्त की, जिसमें यह निर्धारित करने के लिए एक सांख्यिकीय दृष्टिकोण का उपयोग किया गया कि चयन कितना सख्त होना चाहिए। छह अलग-अलग वास्तविक दुनिया की डेटा समस्याओं में सीधे आमने-सामने के परीक्षणों में, इस स्वचालित एजेंट ने ऐसे परिणाम दिए जो सर्वश्रेष्ठ मानव-डिजाइन किए गए चयन तरीकों से सांख्यिकीय रूप से अविभेद्य थे और बुनियादी टूर्नामेंट सिलेक्शन से काफी बेहतर थे।
हालाँकि, शोधकर्ताओं ने यह भी पाया कि यह स्वचालन अभी भी पूर्ण नहीं है। जबकि सबसे अच्छा सेटअप विश्वसनीय रूप से काम करता था, मॉडल और उपकरणों के अन्य संयोजन कभी-कभी ऐसा कोड उत्पन्न करते थे जो सही दिखता था लेकिन चलने में विफल रहा, या ऐसे एल्गोरिदम बनाए जो खराब प्रदर्शन करते थे क्योंकि उन्होंने गणित के विवरण को गलत समझा था। अध्ययन ने दिखाया कि केवल ज्ञान की लाइब्रेरी तक पहुंच होना ही किसी आर्टिफिशियल इंटेलिजेंस को विशेषज्ञ नहीं बना देता; अंतर्निहित मॉडल को उस जानकारी की सही व्याख्या करने और उसे काम करने वाले कोड में अनुवादित करने में सक्षम होना चाहिए। शोधकर्ताओं ने निष्कर्ष निकाला कि हालांकि 'एजेंटिक आर्टिफिशियल इंटेलिजेंस' (agentic artificial intelligence) इन विकासवादी प्रणालियों के डिजाइन को स्वचालित करने के लिए बहुत बड़ी संभावना दिखाता है, लेकिन वर्तमान में यह एक ऐसा उपकरण है जो सही मॉडल और सावधानीपूर्वक निरीक्षण के साथ मिलकर सबसे अच्छा काम करता है। यह कार्य एक महत्वपूर्ण प्रगति को प्रदर्शित करता है, जो यह सिद्ध करता है कि मशीनें जटिल डोमेन ज्ञान को निष्पादन योग्य घटकों में अनुवाद करना शुरू कर सकती हैं, जिससे संभावित रूप से उस भारी बोझ को कम किया जा सकता है जो मैनुअल डिजाइन के कारण लंबे समय से इन शक्तिशाली कम्प्यूटेशनल उपकरणों के उपयोग को धीमा कर रहा 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।