What Should a Large Language Model See? Physical Invariants as a Data Representation for PDE Discovery
यह शोध पत्र "डेटा इंटरप्रिटेशन" (data interpretation) को प्रस्तुत करता है, जो एक प्रशिक्षण-मुक्त विधि है जो कच्चे स्थानिक-कालिक क्षेत्रों (spatiotemporal fields) को बड़े भाषा मॉडलों के लिए प्रत्यक्ष इनपुट के रूप में सिद्धांतकार-प्रासंगिक भौतिक अपरिवर्तों (physical invariants) में परिवर्तित करती है, जिससे कच्चे डेटा का उपयोग करने की तुलना में स्वचालित आंशिक अवकल समीकरण (partial differential equation) की खोज की सटीकता लगभग तीन गुना बढ़ जाती 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
आणविक विज्ञान की दुनिया में, शोधकर्ता लगातार यह समझने की कोशिश कर रहे हैं कि अणुओं के बीच होने वाली सूक्ष्म, अदृश्य अंतःक्रियाएं कैसे बड़े पैमाने पर दिखने वाले व्यवहारों को जन्म देती हैं। कल्पना कीजिए कि आप पानी में स्याही की एक बूंद को फैलते हुए देख रहे हैं या तेंदुए की त्वचा पर धब्बों का एक पैटर्न उभरते हुए देख रहे हैं; ये वे स्थूल (macroscopic) घटनाएं हैं जो जटिल रासायनिक नियमों द्वारा संचालित होती हैं। दशकों से, वैज्ञानिक इन प्रक्रियाओं को नियंत्रित करने वाले गणितीय नियमों को लिखने के लिए मानव विशेषज्ञों पर निर्भर रहे हैं। यह एक धीमी, श्रमसाध्य कार्य है जिसमें अक्सर विशेषज्ञ कार्य के महीनों या वर्षों लग जाते हैं। इस बीच, आधुनिक प्रयोग अविश्वसनीय रूप से तेज़ हो गए हैं, जो एक ही दिन में हजारों अलग-अलग रासायनिक प्रणालियों को उत्पन्न करने में सक्षम हैं। डेटा संग्रह की गति और मानव सिद्धांत-निर्माण की गति के बीच का अंतर एक प्रमुख बाधा बन गया है। इस अंतर को पाटने के लिए, वैज्ञानिक कृत्रिम बुद्धिमत्ता (AI) की ओर मुड़े हैं, इस उम्मीद में कि वे इन शासी नियमों की खोज को स्वचालित कर सकें। हालाँकि, चुनौती यह है कि ये प्रणालियाँ जो डेटा उत्पन्न करती हैं, वह उस प्रारूप में नहीं होता जिसे कंप्यूटर किसी वाक्य की तरह आसानी से "पढ़" सके। यह मूल्यों का एक विशाल, परिवर्तनशील क्षेत्र है जो स्थान और समय के साथ बदलता रहता है, और इस कच्चे डेटा को सीधे AI में डालना अक्सर बहुत महंगा और भ्रमित करने वाला होता है जिससे मॉडल अर्थ निकाल सके।
कैलिफोर्निया इंस्टीट्यूट ऑफ टेक्नोलॉजी के शोधकर्ताओं का एक नया अध्ययन इस समस्या के लिए एक चतुर समाधान प्रस्तावित करता है। AI को कच्चे, अत्यधिक डेटा को घूरने के लिए मजबूर करने के बजाय, टीम ने "डेटा व्याख्या" (data interpretation) नामक एक चरण पेश किया। इसे एक अनुवादक के रूप में समझें जो जटिल, बदलते डेटा के क्षेत्र को भौतिक तथ्यों के एक संक्षिप्त, स्पष्ट सारांश में परिवर्तित करता है—ठीक उसी तरह जैसे एक मानव विशेषज्ञ पहेली को हल करने से पहले नोट्स लिखता है। अपने प्रयोगों में, शोधकर्ताओं ने विभिन्न भौतिक क्षेत्रों का अनुकरण किया, जैसे कि तरंगें या रासायनिक प्रतिक्रियाएं, और फिर यह परीक्षण किया कि क्या एक AI उन अंतर्निहित समीकरणों का पता लगा सकता है जिन्होंने उन्हें बनाया था। उन्होंने दो दृष्टिकोणों की तुलना की: एक जहाँ AI को कच्चा डेटा दिखाया गया था, और दूसरा जहाँ AI को व्याख्यायित सारांश दिखाया गया था। परिणाम चौंकाने वाले थे। जब AI को व्याख्यायित सारांश प्राप्त हुआ, तो वह कच्चे डेटा की तुलना में सही समीकरणों को पुनः प्राप्त करने में लगभग तीन गुना अधिक सटीक था। यह सुधार बिना किसी अतिरिक्त प्रशिक्षण के और बहुत कम लागत पर हुआ, जिससे सिद्ध हुआ कि मशीन को "सिद्धांतकार का दृष्टिकोण" देना कच्चे डेटा के ढेर को देने की तुलना में कहीं अधिक प्रभावी है।
इस खोज का मूल आधार यह है कि शोधकर्ताओं ने डेटा को कैसे रूपांतरित किया। AI को प्रत्येक बिंदु पर क्षेत्र की स्थिति दर्शाने वाले हजारों नंबर दिखाने के बजाय, उन्होंने पहले डेटा का विश्लेषण करके विशिष्ट भौतिक मात्राओं को निकाला। उन्होंने डेटा से चार सरल प्रश्न पूछे: क्या प्रणाली एक सरल, सुचारू तरीके से बदल रही है, या यह एक लहर की तरह दोलन (oscillate) कर रही है? परिवर्तन कितनी तेजी से हो रहे हैं? क्या प्रणाली एक सीधी रेखा में व्यवहार कर रही है, या इसके विभिन्न हिस्से जटिल, गैर-रैखिक (non-linear) तरीकों से परस्पर क्रिया कर रहे हैं? और क्या कोई दिशात्मक प्रवाह है, जैसे कोई धारा किसी चीज़ को बहा ले जा रही हो? इन प्रश्नों ने मापों का एक संक्षिप्त सेट तैयार किया जो बहुत कम जगह लेता था और जिसे AI द्वारा एक सेकंड के अंश में पढ़ा जा सकता था। यह प्रक्रिया इस बात की नकल करती है कि एक मानव वैज्ञानिक किसी नई घटना के प्रति कैसे दृष्टिकोण अपनाता है: वे हर एक डेटा बिंदु को याद नहीं करते बल्कि वे प्रमुख संरचनाओं की तलाश करते हैं, जैसे कि शॉक वेव्स या दोहराते पैटर्न, जो अंतर्निहित नियमों का संकेत देते हैं। इन अंतर्दृष्टि को सीधे AI को खिलाकर, शोधकर्ताओं ने मॉडल को केवल नंबरों की गणना करने के बजाय भौतिकी के बारेंे तर्क करने की अनुमति दी।
टीम ने आठ सामान्य गणितीय शब्दों की एक लाइब्रेरी का उपयोग करके इस पद्धति का परीक्षण किया जो रासायनिक प्रणालियों में परिवहन, वृद्धि और प्रतिक्रिया का वर्णन करते हैं। उन्होंने चालीस और चार अलग-अलग सिम्युलेटेड परिदृश्य बनाए, जिनमें सरल रैखिक प्रणालियों से लेकर गैर-रैखिक अंतःक्रियाओं वाले जटिल सिस्टम तक शामिल थे। सबसे सरल मामलों में, जहाँ डेटा साफ था और नियम सरल थे, व्याख्यायित सारांश दिए जाने पर AI ने पूर्ण सटीकता प्राप्त की। यहाँ तक कि जटिल, गैर-रैखिक अंतःक्रियाओं वाले कठिन मामलों में भी, AI ने कच्चे डेटा के आधार पर अनुमान लगाने के अपने प्रयासों की तुलना में काफी बेहतर प्रदर्शन किया। अध्ययन में एक नियंत्रण समूह (control group) भी शामिल था जहाँ शोधकर्ताओं ने सारांशों को आपस में बदल दिया था, जिससे AI को एक प्रणाली का विवरण दिया गया जबकि उससे दूसरी प्रणाली को हल करने के लिए कहा गया। इन मामलों में, AI का प्रदर्शन गिर गया और वह रैंडम अनुमान लगाने के स्तर तक पहुँच गया। इसने पुष्टि की कि AI केवल सामान्य पैटर्न को याद नहीं कर रहा था बल्कि वास्तव में अपने उत्तरों का निर्माण करने के लिए प्रदान किए गए भौतिक मापों का उपयोग कर रहा था। शोधकर्ताओं ने नोट किया कि AI तब सबसे अधिक संघर्ष करता था जब डेटा व्याख्या यह पहचानने में सक्षम थी कि एक जटिल अंतःक्रिया मौजूद है लेकिन यह निर्दिष्ट नहीं कर पाती थी कि वह किस रूप में थी, जो यह दर्शाता है कि सारांश की गुणवत्ता अंतिम उत्तर की गुणवत्ता से सीधे जुड़ी हुई है।
यह दृष्टिकोण वैज्ञानिक खोज को स्वचालित करने के लिए एक व्यावहारिक मार्ग प्रदान करता है। इस प्रक्रिया के लिए न तो AI को नए डेटा पर पुन: प्रशिक्षित करने की आवश्यकता है, और न ही इसके लिए भारी कंप्यूटिंग शक्ति की आवश्यकता है। व्याख्या चरण तेज़ है, जिसमें प्रति क्षेत्र केवल एक सेकंड का छोटा सा हिस्सा लगता है, और परिणामी सारांश उस कच्चे डेटा की तुलना में बहुत छोटा है जिसे वह प्रतिस्थापित करता है। डेटा को समझने के कार्य को समीकरण प्रस्तावित करने के कार्य से अलग करके, शोधकर्ताओं ने एक ऐसा पाइपलाइन बनाया है जहाँ एक AI प्रयोगों के साथ सह-विकसित (co-evolve) हो सकता है। जैसे-जैसे प्रयोगशालाएँ हजारों आणविक प्रणालियों से नया डेटा उत्पन्न करती हैं, यह विधि प्रत्येक के लिए संभावित सिद्धांतों को स्वतः उत्पन्न कर सकती है, जिन्हें उसी डेटा के विरुद्ध सत्यापित किया जा सकता है जिसने उन्हें बनाया है। हालाँकि वर्तमान अध्ययन सिम्युलेटेड, शोर-मुक्त (noise-free) डेटा तक सीमित था, लेखक सुझाव देते हैं कि वास्तविक दुनिया के प्रयोगात्मक शोर को संभालने के लिए और विकास के साथ, यह तकनीक वैज्ञानिकों द्वारा सिद्धांत बनाने के तरीके को बदल सकती है, जिससे एक ऐसी प्रक्रिया जो कभी वर्षों लेती थी, मिनटों में होने लगेगी। यह कार्य प्रदर्शित करता है कि कृत्रिम बुद्धिमत्ता को विज्ञान में वास्तव में सहायता करने के लिए, उसे सब कुछ देखने की आवश्यकता नहीं है; उसे बस सही चीजों को देखने की आवश्यकता 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।