Unmodeled states and uncertain action outcomes in agentic scanning tunneling microscopy
यह शोध पत्र यह प्रदर्शित करता है कि जबकि फ्रंटियर एलएलएम (LLM) एजेंट संक्षिप्त मानव प्रशिक्षण के बाद स्वायत्त रूप से जटिल स्कैनिंग टनलिंग माइक्रोस्कोपी टिप कंडीशनिंग कर सकते हैं, उनकी प्रभावशीलता अंततः अनमॉडल किए गए प्रयोगात्मक अवस्थाओं और अनिश्चित क्रिया परिणामों द्वारा सीमित है, जो भविष्य के स्वायत्त प्रणालियों के लिए छिपे हुए गतिकी (dynamics) का अनुमान लगाने और वास्तविक उपकरण सीमाओं के भीतर कार्य करने की आवश्यकता पर बल देता 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
एक भौतिकी प्रयोगशाला की शांत, नियंत्रित दुनिया में, वैज्ञानिक अक्सर अदृश्य को देखने के लिए मशीनों पर भरोसा करते हैं। ऐसी ही एक मशीन है स्कैनिंग टनलिंग माइक्रोस्कोप, एक ऐसा उपकरण जो इतना संवेदनशील है कि यह किसी पदार्थ की सतह का परमाणु दर परमाणु मानचित्रण कर सकता है। ऐसा करने के लिए, यह एक प्रोब टिप का उपयोग करता है जिसका सिरा एक एकल परमाणु से अधिक चौड़ा नहीं होता है। इस टिप को एक तीखी आँख के रूप में कार्य करने के लिए पूरी तरह से आकार में होना चाहिए; यदि यह कुंद या क्षतिग्रस्त है, तो इसके द्वारा बनाई गई छवियां धुंधली और बेकार होती हैं। पारंपरिक रूप से, इस टिप को तैयार करना एक धीमी, निराशाजनक प्रक्रिया रही है जिसमें एक मानव विशेषज्ञ को सूक्ष्म समायोजन करने, अनुमान लगाने और तब तक प्रयास करने की आवश्यकता होती है जब तक कि छवि स्पष्ट न हो जाए। यह एक ऐसे कार्य से संचालित होता है जो छिपे हुए चरों (variables) द्वारा नियंत्रित है: वैज्ञानिक टिप के आकार को सीधे नहीं देख सकता, केवल उसके द्वारा ली गई तस्वीरों से उसका अनुमान लगा सकता है। अब, प्रयोगशाला में एक नए प्रकार के सहायक ने प्रवेश किया है: एक कृत्रिम बुद्धिमत्ता (AI) एजेंट जो निर्देशों को पढ़ने, परिणामों को देखने और अपने स्वयं के निर्णय लेने में सक्षम है। शोधकर्ता यह उत्तर जानना चाहते थे कि क्या ऐसा एजेंट इन नाजुक टिप्स को अपने आप ठीक करना सीख सकता है, भले ही उसके कार्यों का परिणाम अनिश्चित हो और मशीन अप्रत्याशित तरीके से व्यवहार करती हो।
बोस्टन कॉलेज के शोधकर्ताओं की एक टीम ने एक बड़े भाषा मॉडल (large language model) के रूप में जानी जाने वाली एक विशिष्ट प्रकार की कृत्रिम बुद्धिमत्ता का उपयोग करके इस विचार का परीक्षण करने का निर्णय लिया। ये मॉडल पाठ की विशाल मात्रा पर प्रशिक्षित होते हैं और जटिल समस्याओं के माध्यम से तर्क कर सकते हैं, लेकिन उनका परीक्षण शायद ही कभी उस वास्तविक भौतिक प्रयोग की अव्यवस्था में किया गया है जहाँ चीजें हमेशा योजना के अनुसार नहीं चलती हैं। वैज्ञानिकों ने AI और माइक्रोस्कोप के बीच एक सेतु के रूप में 'क्वेलबॉट' (Quailbot) नामक एक प्रणाली बनाई। इस प्रणाली ने AI को मशीन से आने वाले डेटा को देखने और सेटिंग्स बदलने के लिए कमांड भेजने की अनुमति दी। शोधकर्ताओं ने पहले AI को एक गुरु से सीखने वाले प्रशिक्षु की तरह, निर्देशित अभ्यास के माध्यम से माइक्रोस्कोप चलाना सिखाया। इस दौरान, मानव विशेषज्ञ ने AI को टिप को नया आकार देने के लिए हिलाने और उसे साफ करने के लिए वोल्टेज पल्स लगाने का तरीका दिखाया। AI ने न केवल चरणों को सीखा, बल्कि यह भी सीखा कि यह कैसे तय किया जाए कि कोई चरण सफल रहा या नहीं, और छवियों का उपयोग करके यह निर्णय लिया कि आगे क्या करना है।
प्रशिक्षण पूरा होने के बाद, शोधकर्ताओं ने AI को पूरी तरह से अपने दम पर प्रयोग चलाने दिया। उन्होंने जानबूझकर एक क्षतिग्रस्त टिप के साथ शुरुआत की जो खराब छवियां बना रही थी। AI ने अपना काम शुरू किया, टिप को हिलाने और वोल्टेज को समायोजित करने के लिए कमांड भेजे। इसने वास्तविक समय में छवियों को बनते हुए देखा। जब AI ने देखा कि टिप की ओर एक उभार बढ़ रहा है, तो उसने टकराने के जोखिम के बजाय पीछे हटने का निर्णय लिया। जब उसने छवि में एक अजीब त्रिकोणीय आकार देखा जिससे मलबे का संकेत मिला, तो उसने अपनी रणनीति बदली और टिप को एक नई जगह पर स्थानांतरित कर दिया। लगभग सत्तर मिनट के इस स्वतंत्र कार्य के बाद, AI रुक गया और उसने कार्य पूरा होने की घोषणा की। इसके द्वारा बनाई गई अंतिम छवि परमाणुओं का एक स्पष्ट, तीखा पैटर्न दिखाती है, जिसे बाद में एक मानव विशेषज्ञ ने सफल घोषित किया। दूसरे परीक्षण में, शोधकर्ताओं ने एक यांत्रिक समस्या पेश की: मशीन का वह हिस्सा जो टिप को हिलाता है, फंस गया था। AI ने देखा कि गति अपेक्षित रूप से नहीं हो रही है और उसने अपनी रणनीति को समायोजित किया, छोटे कदम उठाए और परिणामों की बार-बार जांच की। अंततः वह टिप तैयार करने में सफल रहा, भले ही मशीन खराब स्थिति में थी।
हालाँकि, इस नए प्रकार की स्वायत्तता ने इस प्रयोग के माध्यम से सीमाओं को भी उजागर किया। एक परिदृश्य में, शोधकर्ताओं ने AI के शुरू होने से पहले ही टिप को गुप्त रूप से मोड़ दिया था। AI ने असामान्य व्यवहार देखा, जैसे कि विद्युत धारा में अचानक उछाल, और जो कुछ उसने सीखा था उसका उपयोग करके इसे समझाने की कोशिश की। उसने अनुमान लगाया कि टिप का दूसरा बिंदु सतह को छू रहा होगा, लेकिन वह कभी यह नहीं समझ पाया कि टिप वास्तव में भौतिक रूप से मुड़ी हुई है। उसने उपलब्ध हर संभव सुधार को आजमाया, लेकिन क्योंकि वह मोड़ को देख नहीं सकता था, इसलिए वह समस्या को हल नहीं कर सका। एक अन्य मामले में, AI को नमूने पर एक साफ क्षेत्र खोजने में कठिनाई हुई क्योंकि सतह अशुद्धियों से ढकी हुई थी। AI ने टिप को बदलने का सुझाव दिया, लेकिन वास्तविक समाधान के लिए एक मानव द्वारा नमूना धारक (sample holder) को भौतिक रूप से घुमाने की आवश्यकता थी, जो कि एक ऐसा यांत्रिक कार्य था जिसे सॉफ्टवेयर नियंत्रित नहीं कर सकता था। एक बार जब मानव ने वह घुमाव किया, तो AI काम को जल्दी से पूरा करने में सक्षम रहा, जिससे यह संकेत मिला कि टिप वास्तव में ठीक थी; बस उसे देखने के लिए एक साफ जगह की आवश्यकता थी।
ये परिणाम दर्शाते हैं कि हालांकि कृत्रिम बुद्धिमत्ता जटिल भौतिक कार्यों को सफलतापूर्वक प्रबंधित कर सकती है, लेकिन यह अभी भी हर स्थिति में मानवीय निर्णय का विकल्प नहीं है। AI ने साबित किया कि वह अनुभव से सीख सकता है, अप्रत्याशित परिवर्तनों के अनुकूल हो सकता है, और उन समस्याओं को हल कर सकता है जिनमें निर्णयों के क्रम की आवश्यकता होती है। यह इस अनिश्चितता को संभाल सकता था कि क्या वोल्टेज पल्स टिप को तेज करेगा या उसे और नुकसान पहुँचाएगा। लेकिन जब समस्या उस जानकारी के बाहर थी जो मशीन प्रदान कर सकती थी—जैसे कि मुड़ी हुई टिप या यांत्रिक जाम जिसके लिए भौतिक घुमाव की आवश्यकता थी—तो AI विफल हो गया। वह पहचान तो सकता था कि कुछ गलत है, लेकिन वह हमेशा यह नहीं समझ पाता था कि क्यों या इसे बिना मदद के कैसे ठीक किया जाए। अध्ययन बताता है कि विज्ञान को वास्तव में स्वायत्त बनाने के लिए, मशीनों को इस तरह से डिजाइन किया जाना चाहिए कि वे AI को अधिक पूर्ण जानकारी और कार्यों की एक विस्तृत श्रृंखला करने की क्षमता दे सकें। तब तक, सबसे प्रभावी प्रयोग संभवतः एक साझेदारी ही रहेंगे, जहाँ मशीन दिनचर्या को संभालती है और मानव आश्चर्यों को संभालता 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।