When Does AI for PDEs Yield Scientific Evidence?

आधुनिक विज्ञान के विशाल परिदृश्य में, शोधकर्ताओं को भौतिक दुनिया को समझने में मदद करने के लिए एक शक्तिशाली नया उपकरण उभरा है: प्रकृति को नियंत्रित करने वाले समीकरणों पर लागू किया गया कृत्रिम बुद्धिमत्ता (AI)। ये समीकरण, जिन्हें आंशिक अवकल समीकरण (partial differential equations) के रूप में जाना जाता है, उस गणितीय भाषा का उपयोग करते हैं जो पानी के प्रवाह और हवा की गति से लेकर गर्मी और बिजली के व्यवहार तक सब कुछ वर्णित करती है। दशकों से, वैज्ञानिक इन समीकरणों को हल करने के लिए पारंपरिक कंप्यूटर सिमुलेशन पर निर्भर रहे हैं, लेकिन हाल के वर्षों में, AI मॉडलों ने दिखाया है कि वे उल्लेखनीय गति और सटीकता के साथ इन भौतिक व्यवहारों की भविष्यवाणी करना सीख सकते हैं। इन AI मॉडलों को आंकने का मानक तरीका सरल और सीधा रहा है: AI की भविष्यवाणी ज्ञात, सही उत्तर से कितनी करीब है? यदि संख्याएँ मेल खाती हैं, तो मॉडल को अच्छा माना जाता है। इस दृष्टिकोण ने तीव्र प्रगति को प्रेरित किया है, जिससे ऐसे मॉडल बनाने की दौड़ लग गई है जो अपने आउटपुट और सत्य के बीच के अंतर को कम करते हैं।

हालाँकि, एक महत्वपूर्ण प्रश्न काफी हद तक अनकहा रह गया है: क्या एक मॉडल जो एक अत्यधिक सटीक संख्या उत्पन्न करता है, वास्तव में उस प्रकार का प्रमाण प्रदान करता है जिसकी वैज्ञानिकों को वास्तविक खोज करने के लिए आवश्यकता होती है? वास्तविक दुनिया में, शोधकर्ता केवल एक संख्या नहीं चाहते; वे एक विशिष्ट दावे का समर्थन करने के लिए साक्ष्य चाहते हैं, जैसे कि "यह बर्फ की परत हमारी सोच से अधिक तेजी से पिघल रही है" या "यह तरल इन स्थितियों के तहत अस्थिर हो जाएगा।" एक मॉडल समग्र रूप से अविश्वसनीय रूप से सटीक हो सकता है लेकिन फिर भी उस विशिष्ट विवरण को चूक सकता है जो उस दावे के लिए महत्वपूर्ण है, या यह इस तरह से थोड़ा गलत हो सकता है जो निष्कर्ष को पूरी तरह से बदल दे। अब तक, वैज्ञानिक समुदाय ने यह मान लिया था कि उच्च सटीकता स्वतः ही मजबूत साक्ष्य के बराबर है। एक नया अध्ययन इस धारणा को चुनौती देता है, यह सुझाव देते हुए कि सफलता को मापने के लिए हम जिन उपकरणों का उपयोग करते हैं, वे हमें वैज्ञानिक खोज के काम के लिए गलत AI मॉडल चुनने की ओर ले जा रहे हैं।

शोधकर्ताओं ने, जो दक्षिण चीन प्रौद्योगिकी विश्वविद्यालय में वेनशू वांग के नेतृत्व में थे, एक नया मूल्यांकन तरीका विकसित करके इस विचार का परीक्षण करने का निर्णय लिया। केवल यह पूछने के बजाय कि, "आपका उत्तर सही उत्तर के कितना करीब है?" उन्होंने पूछा, "क्या आपका उत्तर इस विशिष्ट वैज्ञानिक दावे का समर्थन करने के लिए पर्याप्त प्रमाण प्रदान करता है?" इसे करने के लिए, उन्होंने भौतिकी में AI के दो मौजूदा, व्यापक रूप से उपयोग किए जाने वाले बेंचमार्क लिए—एक जो प्रणालियों के समय के साथ विकास की भविष्यवाणी करता है और दूसरा जो डेटा से छिपे हुए भौतिक गुणों का पता लगाता है—और उनमें मूल्यांकन की एक नई परत जोड़ी। उन्होंने उन्हीं AI मॉडलों को लिया, उन्हें समान डेटा दिया, और उन्हें समान समस्याओं को हल करने के लिए कहा। लेकिन इस बार, पारंपरिक सटीकता स्कोर के साथ-साथ, उन्होंने यह भी जांचा कि क्या मॉडल का आउटपुट विशिष्ट, पूर्व-निर्धारित वैज्ञानिक कथनों का समर्थन कर सकता है।

एक मौसम भविष्यवक्ता की कल्पना करें जो देश के प्रत्येक शहर के लिए तापमान की भविष्यवाणी करने में तो पूर्ण है, लेकिन एक विशिष्ट तटीय शहर में तूफान आने की भविष्यवाणी करने में विफल रहता है। यदि आप केवल औसत तापमान त्रुटि को देखते हैं, तो भविष्यवक्ता शानदार दिखता है। लेकिन यदि आपका लक्ष्य शहर को तूफान के बारे में चेतावनी देना है, तो वह भविष्यवक्ता विफल रहा है। शोधकर्ताओं ने पाया कि भौतिकी में AI मॉडलों के साथ भी ऐसा ही होता है। उन्होंने पाया कि जो मॉडल शुद्ध संख्यात्मक सटीकता के लिए उच्चतम रैंक रखते थे, वे अक्सर वे मॉडल नहीं थे जो वैज्ञानिक दावे का समर्थन करने के लिए साक्ष्य प्रदान करने में उच्चतम रैंक रखते थे। वास्तव में, दोनों लक्ष्य अक्सर अलग-अलग विजेषों की ओर संकेत करते थे।

इस निष्कर्ष पर पहुँचने के लिए, टीम ने कई विविध AI मॉडलों की जांच की, जिनमें वर्तमान में उपयोग किए जाने वाले कुछ सबसे उन्नत और लोकप्रिय मॉडल शामिल हैं। उन्होंने उथली नदियों में पानी के प्रवाह के सिमुलेशन से लेकर भूमिगत चट्टानी परतों के छिपे हुए गुणों का अनुमान लगाने तक के कार्यों पर इन मॉडलों का परीक्षण किया। प्रत्येक कार्य के लिए, उन्होंने विशिष्ट वैज्ञानिक दावे परिभाषित किए, जैसे कि क्या एक क्षेत्र में औसत जल स्तर एक निश्चित सीमा के भीतर रहेगा, या क्या एक विशिष्ट चट्टान दबाव के तहत एक निश्चित तरीके से व्यवहार करेगी। इसके बाद उन्होंने प्रत्येक मॉडल के लिए दो चीजें मापीं: इसकी भविष्यवाणी वास्तविक उत्तर के कितने करीब थी, और क्या इसकी भविष्यवाणी, इसके अनुमानित अनिश्चितता के साथ, दावे की पुष्टि करने के लिए पर्याप्त मजबूत थी।

परिणाम चौंकाने वाले थे। लगभग हर प्रमुख तुलना में, वह मॉडल जो त्रुटि को कम करने में "सर्वश्रेष्ठ" था, वह उस मॉडल से भिन्न था जो वैज्ञानिक दावे का समर्थन करने के लिए "सर्वश्रेष्ठ" था। कभी-कभी अंतर छोटा था, लेकिन अक्सर यह महत्वपूर्ण था। शोधकर्ताओं ने पाया कि एक मॉडल संख्यात्मक रूप से सटीक हो सकता है लेकिन फिर भी एक दावे का समर्थन करने में विफल हो सकता है यदि उसकी त्रुटियाँ गलत दिशा में होती हैं या यदि मॉडल वैकल्पिक संभावनाओं को खारिज करने के लिए बहुत अनिश्चित है। इसके विपरीत, एक मॉडल जिसमें थोड़ी बड़ी समग्र त्रुटियां हो सकती हैं, फिर भी एक दावे के लिए मजबूत साक्ष्य प्रदान कर सकता है यदि वे त्रुटियां उस विशिष्ट क्षेत्र में छोटी हों जो मायने रखता है।

अध्ययन ने आगे यह समझाने के लिए विस्तार किया कि यह बेमेल क्यों होता है। यह निकलकर आया कि सटीकता और साक्ष्य के बीच का संबंध तीन प्रमुख कारकों पर निर्भर करता है: वास्तविक मान दावे के किनारे के कितने करीब है, मॉडल की त्रुटियां कहाँ होती हैं, और मॉडल की अनिश्चितता का मार्जिन कितना विस्तृत है। यदि एक वास्तविक मान दावे की सीमा पर है, तो एक छोटी सी त्रुटि भी निष्कर्ष को "समर्थित" से "खंडित" में बदल सकती है। यदि मॉडल गलत दिशा में त्रुटियां करता है, तो यह एक दावे को कमजोर कर सकता है भले ही समग्र त्रुटि कम हो। और यदि मॉडल बहुत अनिश्चित है, तो वह दावे की पुष्टि करने के लिए आवश्यक निर्णायक प्रमाण प्रदान नहीं कर सकता, चाहे उसका औसत अनुमान कितना भी सटीक क्यों न हो।

इस निष्कर्ष के वैज्ञानिक समुदाय द्वारा AI के विकास और उपयोग के लिए गहरे निहितार्थ हैं। वर्षों से, शोधकर्ता अपने मॉडलों को यथासंभव सटीक बनाने के लिए अनुकूलित करते रहे हैं, यह मानते हुए कि इससे स्वाभाविक रूप से बेहतर वैज्ञानिक अंतर्दृष्टि प्राप्त होगी। यह अध्ययन सुझाव देता है कि यह धारणा त्रुटिपूर्ण है। केवल सटीकता पर ध्यान केंद्रित करके, समुदाय अनजाने में उन मॉडलों का पक्ष ले रहा है जो डेटा को पुनरुत्पादित करने में तो अच्छे हैं लेकिन खोज के लिए आवश्यक विशिष्ट साक्ष्य प्रदान करने में कमजोर हैं। लेखक का तर्क है कि हमें इन उपकरणों के मूल्यांकन के तरीके को बदलने की आवश्यकता है। केवल सटीकता के एकल स्कोर को देखने के बजाय, हमें यह मूल्यांकन करना चाहिए कि क्या एक AI मॉडल वास्तव में उन विशिष्ट दावों का समर्थन कर सकता है जो वैज्ञानिक करने की कोशिश कर रहे हैं।

शोधकर्ताओं ने केवल समस्या ही नहीं बताई; उन्होंने समाधान को मापने के लिए एक ढांचा भी बनाया। उन्होंने एक नई मूल्यांकन प्रणाली बनाई जो वैज्ञानिक दावे के समर्थन को संख्यात्मक सटीकता से अलग, एक विशिष्ट लक्ष्य के रूप में मानती है। उन्होंने वास्तविक दुनिया के परिदृश्यों, जिसमें अंटार्कटिक बर्फ की परतों का प्रवाह और छिद्रपूर्ण चट्टानों में तरल पदार्थों की गति शामिल है, पर इस प्रणाली का परीक्षण किया, और पाया कि यह इच्छानुसार काम करती है। यह प्रणाली स्पष्ट रूप से उन मॉडलों के बीच अंतर कर सकती थी जो मजबूत साक्ष्य प्रदान करते हैं और जो नहीं करते हैं, भले ही उनकी संख्यात्मक सटीकता समान हो।

यह कार्य एक महत्वपूर्ण अनुस्मारक के रूप में कार्य करता है कि विज्ञान में, लक्ष्य केवल सही होना नहीं है, बल्कि इस तरह से सही होना है जो मायने रखता है। एक मॉडल जो सांख्यिकीय रूप से सटीक है लेकिन वैज्ञानिक रूप से अनुपयोगी है, वह एक खोया हुआ अवसर है। जैसे-जैसे AI वैज्ञानिक अनुसंधान में अधिक एकीकृत हो रहा है, इन मॉडलों को परखने का हमारा तरीका विकसित होना चाहिए। हमें यह सुनिश्चित करने की आवश्यकता है कि हमारे द्वारा बनाए गए उपकरण न केवल संख्याएं बताने में अच्छे हों, बल्कि मानव समझ को आगे बढ़ाने के लिए ठोस, विश्वसनीय साक्ष्य प्रदान करने में भी सक्षम हों। अध्ययन का निष्कर्ष है कि हमें सटीकता को साक्ष्य के बराबर मानना बंद करना चाहिए और इन दोनों को अलग-अलग मापना शुरू करना चाहिए, यह सुनिश्चित करते हुए कि भविष्य के AI मॉडल वास्तव में वैज्ञानिक खोज के उद्देश्य के लिए उपयुक्त हों।