How AI Agents Discover Scientific Equations: From Hydrotope Rediscovery to New Water-Wave Amplitudes
यह शोध पत्र प्रदर्शित करता है कि एक मल्टी-एजेंट एआई वर्कफ़्लो, जहाँ एक लीड प्रिंसिपल इन्वेस्टिगेटर अनुसंधान एजेंटों के लिए पूरक विश्लेषणात्मक और संख्यात्मक कार्यों का समन्वय करता है, गैररेखीय सतह-तरंग प्रकीर्णन (nonlinear surface-wave scattering) के लिए एक जटिल ज्यामितीय सूत्र को सफलतापूर्वक पुनः प्राप्त करने और एक छह-बिंदु आयाम (six-point amplitude) के लिए एक नए सत्यापित विश्लेषणात्मक व्यंजक की खोज करने में सफल रहा, जो सिंगल-प्रॉम्ट एलएलएम (LLMs) और पारंपरिक मशीन लर्निंग विधियों दोनों से बेहतर प्रदर्शन 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
एक विशाल, अशांत महासागर की कल्पना कीजिए जहाँ लहरें केवल एक-दूसरे के ऊपर से गुजरती नहीं हैं, बल्कि जटिल पैटर्न में टकराती हैं, आपस में मिलती हैं और ऊर्जा का आदान-प्रदान करती हैं। जब ये लहरें छोटी होती हैं, तो उनका व्यवहार पूर्वानुमानित और सरल होता है, जैसे संख्याओं को आपस में जोड़ना। लेकिन जब वे बड़ी हो जाती हैं, तो वे एक गैर-रेखीय (nonlinear) तरीके से परस्पर क्रिया करती हैं, जिससे ऊर्जा का एक ऐसा अराजक नृत्य पैदा होता है जो सरल जोड़-घटाव की सीमाओं को चुनौती देता है। भौतिकविदों ने लंबे समय से एक एकल, सुरुचिपूर्ण गणितीय नियम खोजने की कोशिश की है जो लहरों की संख्या के लिए, चाहे वे किसी भी व्यवस्था में हों, उनके बीच की अंतःक्रियाओं की शक्ति का वर्णन कर सके। चुनौती यह है कि नियम लहरों की विशिष्ट आवृत्तियों (frequencies) के आधार पर बदलते रहते हैं। एक विशेष परिस्थितियों के सेट में, एक सरल सूत्र पूरी तरह से काम करता है; वहीं पास की ही दूसरी परिस्थितियों के सेट में, एक पूरी तरह से अलग सूत्र प्रभावी हो जाता है। वास्तविक लक्ष्य एक ऐसा 'मास्टर एक्सप्रेशन' (मुख्य सूत्र) खोजना है जो इन विभिन्न नियमों के बीच सहजता से स्विच कर सके, और बिना विफल हुए हर संभव परिदृश्य को कवर कर सके।
द दशकों तक, यह समस्या एक पहेली बनी रही, जिसके लिए शोधकर्ताओं को लहरों के स्पेक्ट्रम के विभिन्न क्षेत्रों के लिए अलग-अलग सूत्रों को मैन्युअल रूप से जोड़ना पड़ता था। हाल ही में, एक सफलता तब मिली जब एक मानव शोधकर्ता और एक आर्टिफिशियल इंटेलिजेंस (AI) एजेंट ने मिलकर एक एकीकृत अभिव्यक्ति की खोज की, जिसे उन्होंने "हाइड्रोटोप" (hydrotope) नाम दिया। यह नया सूत्र एक ज्यामितीय मानचित्र की तरह कार्य करता है, जो सभी अलग-अलग नियमों को एक एकल, वैश्विक विवरण में पिरो देता है कि जल तरंगें कैसे बिखरती हैं। हालाँकि, इसे खोजने की कहानी एक 'ब्लैक बॉक्स' की तरह रही। क्या AI वास्तव में भौतिकी को समझ गया था, या यह केवल भाग्यशाली था? इस प्रश्न का उत्तर देने के लिए, प्रिंसटन यूनिवर्सिटी, टेक्सास विश्वविद्यालय ऑस्टिन और इंस्टीट्यूट फॉर एडवांस्ड स्टडीज की एक टीम ने इस खोज को रिवर्स-इंजीनियर करने का निर्णय लिया। वे यह देखना चाहते थे कि क्या एक AI स्वयं इस जटिल सूत्र को खोज सकता है, या इसे बदलते नियमों के भूलभुलैया में मार्गदर्शन के लिए मानवीय सहायता की आवश्यकता थी।
शोधकर्ताओं ने एक नियंत्रित वातावरण में AI का परीक्षण करके शुरुआत की। उन्होंने कंप्यूटर को एक शक्तिशाली उपकरण तक पहुंच दी जो आवृत्तियों के किसी भी विशिष्ट सेट के लिए लहरों के टकराव के सटीक परिणाम की गणना कर सकता था, लेकिन उन्होंने उसे उत्तर नहीं बताया। उन्होंने AI को डेटा को देखने और अंतर्निlying (अंतर्निहित) सूत्र का पता लगाने के लिए कहा। उन्होंने यह प्रयोग अठारह बार चलाया, जिसमें विभिन्न प्रकार के AI मॉडल का उपयोग किया गया और उन्हें मदद के विभिन्न स्तर दिए गए। कुछ दौरों में, AI को एक गलत संकेत दिया गया, कि वह एक सरल बहुपदों (polynomials) के अनुपात की तलाश करे जो हर जगह काम करे। अन्य में, उसे एक सही संकेत दिया गया, कि विभिन्न क्षेत्रों में अलग-अलग नियम लागू होते हैं। अंतिम सेट में, AI को कोई संकेत नहीं दिया गया, उसे शून्य से पैटर्न खोजने के लिए स्वतंत्र छोड़ दिया गया।
परिणाम बेहद स्पष्ट करने वाले थे। अधिकांश AI एजेंट, अकेले काम करते हुए, एक दीवार से टकराकर रुक गए। वे लहरों की आवृत्तियों के एक विशिष्ट क्षेत्र के लिए सही सूत्र खोजने में काफी कुशल थे। वे डेटा को देख सकते थे, पैटर्न पहचान सकते थे और एक ऐसा नियम लिख सकते थे जो उस एक मामले के लिए पूरी तरह से काम करता था। हालाँकि, वे यह समझने में लगातार विफल रहे कि जब स्थितियाँ बदलती हैं तो नियम को बदलना आवश्यक है। वे पहेली के एक हिस्से के लिए सही उत्तर तो ढूंढ लेते थे, लेकिन उन अलग-अलग टुकड़ों को एक एकल, वैश्विक सूत्र में संयोजित करने में असमर्थ रहे जो सभी संभावनाओं को कवर करता हो। यहाँ तक कि जब उन्हें एक गलत संकेत दिया गया जिसने उन्हें गलत रास्ते पर डाल दिया, तो कई एजेंटों ने उस गलत विचार को अपनाने के बजाय, डेटा को उस पर फिट करने की जिद की, जब आंकड़े मेल नहीं खा रहे थे। केवल कुछ ही एकल-एजेंट रन पूरे चित्र को जोड़ने में सफल रहे, और फिर भी, वे अक्सर अंतिम चरणों को पूरा करने में चूक गए जो यह सत्यापित करता कि उनका सूत्र हर संभावित परिदृश्य में काम करता है।
शोधकर्ताओं ने महसूस किया कि समस्या यह नहीं थी कि AI गणित नहीं कर सकता था; समस्या यह थी कि AI एक साथ बहुत कुछ करने की कोशिश कर रहा था। वह एक वास्तुकार (architect) और एक निरीक्षक (inspector) दोनों की भूमिका निभा रहा था—सूत्र का निर्माण करना और यह जांचना कि क्या वह सही है। जब निरीक्षक और वास्तुकार एक ही मस्तिष्क थे, तो वह केवल उसी साक्ष्य को देखने लगा जो उसके डिजाइन का समर्थन करता था और खामियों को अनदेखा कर देता था। इस समस्या को ठीक करने के लिए, टीम ने एक नया वर्कफ़्लो तैयार किया जो इस बात से प्रेरित था कि मानव अनुसंधान दल कैसे कार्य करते हैं। उन्होंने एक प्रणाली बनाई जिसमें एक "प्रधान अन्वेषक" (principal investigator) और दो "छात्र" थे। दोनों छात्र समानांतर में काम करते थे, जिनमें से प्रत्येक एक अलग दृष्टिकोण अपनाता था। एक का ध्यान सूत्र निकालने पर था, जबकि दूसरे का ध्यान इसे नई, कठिन स्थितियों में परीक्षण करने पर था। प्रधान अन्वेषक एक समन्वयक के रूप में कार्य करता था, जो उनके काम को पढ़ता, कमियों को पहचानता और उन कमियों को भरने के लिए नए कार्य सौंपता। महत्वपूर्ण रूप से, प्रधान अन्वेषक ने शून्य से लिखे गए कोड का उपयोग करके स्वतंत्र जाँच की, यह सुनिश्चित करते हुए कि अंतिम उत्तर केवल एक भाग्यशाली अनुमान नहीं बल्कि एक सत्यापित सत्य है।
इस टीम दृष्टिकोण ने सब कुछ बदल दिया। जब शोधकर्ताओं ने इसी कठिन समस्या के साथ इस समन्वित समूह के साथ प्रयोग किया, तो परिणाम तत्काल और पूर्ण थे। टीम ने बिना किसी मानवीय संकेत के पूर्ण हाइड्रोटोप सूत्र को सफलतापूर्वक पुनः प्राप्त कर लिया, प्रत्येक क्षेत्र के लिए सही नियम पाया और सैकड़ों परीक्षण मामलों में इसकी पुष्टि की। सिस्टम ने केवल एक स्थानीय पैटर्न नहीं खोजा; इसने वैश्विक संरचना को समझा। इसने उन सीमाओं को देखना सीखा जहाँ नियम बदलते हैं और विभिन्न टुकड़ों को एक निर्बाध संपूर्णता में बुनना सीखा। शोधकर्ताओं ने फिर सिस्टम को और आगे बढ़ाया, इसे एक और कठिन समस्या हल करने के लिए कहा: एक दिशा में तीन लहरों और दूसरी दिशा में तीन लहरों वाले अधिक जटिल लहर संपर्क का सूत्र खोजना। यह एक ऐसी समस्या थी जिसके लिए कोई ज्ञात सूत्र मौजूद नहीं था। टीम फिर से सफल रही, इस छह-तरंग अंतःक्रिया के लिए एक नया, सत्यापित गणितीय अभिव्यक्ति प्रस्तुत की जो पहले कभी नहीं देखी गई थी।
यह अध्ययन विज्ञान में आर्टिफिशियल इंटेलिजेंस के योगदान में एक मौलिक बदलाव को रेखांकित करता है। यह दर्शाता है कि जबकि AI मॉडल गणना और पैटर्न पहचान के लिए शक्तिशाली उपकरण हैं, वे अक्सर आंशिक सत्यों से एक पूर्ण सिद्धांत को संश्लेषित करने के उच्च-स्तरीय कार्य में संघर्ष करते हैं। वे एक विशिष्ट मामले के लिए सही उत्तर पा सकते हैं लेकिन बड़े चित्र को देखने में विफल रहते हैं। खोज और सत्यापन की भूमिकाओं को अलग करके, और विभिन्न एजेंटों को एक-दूसरे के काम को चुनौती देने के लिए बनाकर, शोधकर्ताओं ने एक ऐसी प्रणाली बनाई जो उनकी सीमाओं को पार कर सकती थी। AI ने केवल मानव खोज की नकल नहीं की; इसने उस सहयोगात्मक प्रक्रिया को दोहराया जो मानव विज्ञान को सफल बनाती है। निष्कर्ष बताते हैं कि AI के साथ वैज्ञानिक खोज का भविष्य एक एकल, सुपर-इंटेलिजेंट एजेंट बनाने में नहीं है जो सब कुछ करता हो, बल्कि विशेषज्ञ एजेंटों की ऐसी टीमें बनाने में है जो मिलकर काम करें, एक-दूसरे के काम की जाँच करें और उन सीमाओं को पार करें जिन्हें वे अकेले कभी प्राप्त नहीं कर सकते। हाइड्रोटोप मिल गया था, और लहरों की अंतःक्रिया का एक नया सूत्र जन्म ले चुका था, न कि किसी अकेले प्रतिभाशाली व्यक्ति द्वारा, बल्कि एक समन्वित प्रयास द्वारा जिसने अंशों के संग्रह को एक पूर्ण सत्य में बदल दिया।
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।