Collaborative AI agents for autonomous experimental research with solid-state quantum spins

विज्ञान ने लंबे समय से एक ऐसे भविष्य की कल्पना की है जहाँ मशीनें न केवल संख्याओं की गणना कर सकें, बल्कि वास्तव में शोधकर्ताओं की तरह सोच भी सकें। सपना एक ऐसे प्रयोगशाला का है जो स्वयं संचालित हो सके, जहाँ कृत्रिम बुद्धिमत्ता (AI) प्रश्न पूछे, परीक्षणों को डिजाइन करे, और बिना किसी मानवीय हस्तक्षेप के यह तय करे कि परिणामों का अर्थ क्या है। इसके सफल होने के लिए, मशीनों को केवल निर्देशों का पालन करने से कहीं अधिक सक्षम होना होगा; उन्हें अपने काम पर संदेह करने, अपनी गलतियों को पहचानने और साक्ष्य के आधार पर अपना मार्ग बदलने में सक्षम होना चाहिए। यह कंप्यूटरों के लिए एक कठिन बाधा है, क्योंकि वे अक्सर अपनी गलती मानने या यह समझने में संघर्ष करते हैं कि एक आशाजनक विचार वास्तव में एक मृत अंत (dead end) भी हो सकता है। चुनौती डिजिटल वैज्ञानिकों की एक ऐसी टीम बनाने की है जो आपस में बहस कर सके, बुरे विचारों को खारिज कर सके, और किसी खोज की घोषणा करने से पहले कठोर प्रमाण पर जोर दे सके।

हाल ही में एक अध्ययन में, जापान के शोधकर्ताओं ने इन सीमाओं का परीक्षण करने के लिए ठीक ऐसा ही एक सिस्टम बनाया। उन्होंने एक सहयोगात्मक प्रयोगशाला बनाई जहाँ कई कृत्रिम बुद्धिमत्ता एजेंट मिलकर हीरे के भीतर सूक्ष्म चुंबकीय कणों से जुड़े भौतिकी की एक वास्तविक समस्या को हल करने के लिए काम कर रहे थे। ये कण, जिन्हें नाइट्रोजन-वैकेंसी सेंटर कहा जाता है, छोटे कंपास सुइयों की तरह कार्य करते हैं जिन्हें प्रकाश और माइक्रोवेव के माध्यम से पढ़ा और नियंत्रित किया जा सकता है। चूंकि वे इतने संवेदनशील होते हैं, इसलिए वे भविष्य के क्वांटम कंप्यूटरों और अति-सटीक सेंसरों के लिए उपयोगी हैं, लेकिन उनके साथ काम करना काफी जटिल भी है। एक वास्तविक हीरे में, इनमें से लाखों कण एक-दूसरे से थोड़ा अलग व्यवहार करते हैं, जिससे यह अनुमान लगाना कठिन हो जाता है कि पूरा समूह एक विशिष्ट नियंत्रण संकेत (control signal) के प्रति कैसे प्रतिक्रिया करेगा। शोधकर्ता यह देखना चाहते थे कि क्या उनकी AI टीम इस बात का पता लगा सकती है कि इस अराजक समूह के व्यवहार की भविष्यवाणी करने के लिए न्यूनतम कितनी जानकारी आवश्यक है, और फिर इसे एक वास्तविक प्रयोग के साथ सिद्ध कर सके।

इस प्रणाली को एक मानव अनुसंधान टीम की तरह डिजाइन किया गया था, जिसमें विभिन्न एजेंट विशिष्ट भूमिकाएँ निभा रहे थे। कुछ एजेंट विचार उत्पन्न करने वाले (idea generators) के रूप में कार्य करते थे, जो जांच के लिए नए प्रश्न प्रस्तावित करते थे। अन्य मुख्य अन्वेषक (principal investigator) की भूमिका निभाते थे, जिसमें विचारों की गुणवत्ता का निर्णय लेना, गणित की जांच करना और यह तय करना शामिल था कि क्या किसी योजना पर आगे बढ़ना सार्थक है। कुछ एजेंट सुपरकंप्यूटरों पर सिमुलेशन चलाने के लिए समर्पित थे ताकि त्रुटियों की जांच की जा सके, और अन्य एजेंट वास्तविक प्रयोगशाला उपकरणों को नियंत्रित करते थे। महत्वपूर्ण रूप से, इन एजेंटों को संशयवादी (skeptical) होने के लिए प्रोग्राम किया गया था। उन्होंने केवल पहला मिला उत्तर स्वीकार नहीं किया; उन्हें एक-दूसरे के काम को चुनौती देने के लिए बाध्य किया गया था। यदि एक एजेंट ने कोई सिद्धांत प्रस्तावित किया, तो दूसरे एजेंट को उसे गलत साबित करने की कोशिश करनी थी। यदि एक प्रयोग डिजाइन किया गया, तो एक अलग एजेंट को यह सुनिश्चित करना था कि वह नए सिद्धांत और पुराने, सरल स्पष्टीकरणों के बीच अंतर कर सके।

टीम ने एक विशिष्ट पहेली पर ध्यान केंद्रित किया: माइक्रोवेव स्पंदों (pulses) के एक अनुक्रम के प्रति हीरे के कणों के समूह की प्रतिक्रिया की भविष्यवाणी करने के लिए कितने अंशांकन (calibration) मापों की आवश्यकता है? एजेंटों ने पहले कई संभावित शोध प्रश्न उत्पन्न किए, लेकिन मुख्य अन्वेषक एजेंट ने उनमें से अधिकांश को खारिज कर दिया। उसने उन विचारों को ठुकरा दिया जो पहले से ज्ञात थे, तार्किक रूप से त्रुटिपूर्ण थे, या परीक्षण करने में असंभव थे। अस्वीकृति और संशोधन के कई दौरों के बाद, टीम एक सटीक प्रश्न पर पहुँची: पूरे समूह की किसी भी संभावित स्पंद अनुक्रम के प्रति प्रतिक्रिया की भविष्यवाणी करने के लिए न्यूनतम कितनी सेटिंग्स की आवश्यकता है? मुख्य अन्वेषक एजेंट ने फिर एक गणितीय उत्तर निकाला, यह सिद्ध करते हुए कि एक विशिष्ट संख्या ही समस्या को हल करने के लिए आवश्यक और पर्याप्त थी। यह एक पिछले, ढीले अनुमान की तुलना में एक महत्वपूर्ण प्रगति थी, जिसने आवश्यक डेटा को एक बड़ी, बोझिल संख्या से घटाकर एक बहुत छोटी, सटीक संख्या तक सीमित कर दिया।

हालाँकि, एक गणितीय प्रमाण पर्याप्त नहीं था। एजेंटों को इसे वास्तविक दुनिया में सिद्ध करना था। प्रयोगात्मक विशेषज्ञ (experimentalist) एजेंट ने यह देखने के लिए एक परीक्षण डिजाइन किया कि क्या नया गणितीय नियम मानक तरीकों की तुलना में बेहतर काम करता है। प्रारंभिक डिजाइन आशाजनक लग रहा था, लेकिन मुख्य अन्वेषक एजेंट ने इसे खारिज कर दिया। इसका कारण सूक्ष्म लेकिन महत्वपूर्ण था: प्रस्तावित प्रयोग को 'इंटरपोलेशन' नामक एक सरल, पुराने जमाने के गणितीय तरीके से हल किया जा सकता था। यदि प्रयोग सफल होता, तो यह सिद्ध नहीं होता कि नया सिद्धांत विशेष था; यह केवल यह दिखाता कि पुराना तरीका अभी भी काम कर रहा है। टीम को प्रयोग को फिर से डिजाइन करना पड़ा ताकि यह सुनिश्चित हो सके कि केवल नया, जटिल सिद्धांत ही परिणामों की व्याख्या कर सके। इसके लिए मापों की एक चतुर व्यवस्था की आवश्यकता थी जो एक ऐसा अंतराल छोड़ सके जिसे केवल नया नियम ही भर सके।

जब टीम ने अंततः प्रयोग चलाया, तो पहला प्रयास सफल होता प्रतीत हुआ। डेटा भविष्यवाणी से मेल खा रहा था, और संख्याएँ एकदम सही दिख रही थीं। लेकिन सिस्टम को केवल मिलान खोजने के लिए नहीं, बल्कि उससे कहीं अधिक के लिए बनाया गया था। एजेंटों ने छिपी हुई त्रुटियों को पकड़ने के लिए डिज़ाइन किए गए सुरक्षा नियंत्रणों की जाँच की, जैसे कि वातावरण में परिवर्तन जो परिणामों को प्रभावित कर सकते हैं। वे नियंत्रण विफल हो गए। हीरे से प्राप्त संकेत माप के दौरान विचलित हो गया था, संभवतः इसलिए क्योंकि प्रयोगशाला में किसी ने लाइट जला दी थी, जिससे तापमान या विद्युत शोर (electrical noise) बदल गया। चूंकि डेटा अस्थिर था, इसलिए मुख्य अन्वेषक एजेंट ने परिणाम को स्वीकार करने से इनकार कर दिया, भले ही संख्याएँ अच्छी दिख रही थीं। टीम ने उस रन को अनिर्णायक घोषित कर दिया।

हार मानने या अपने मानकों को कम करने के बजाय, एजेंटों ने योजना में संशोधन किया। उन्होंने प्रयोग चलाने के तरीके को बदला, विभिन्न मापों के बीच का समय कम किया और क्रम को यादृच्छिक (randomize) बनाया ताकि सिग्नल इस तरह से विचलित न हो जो नियंत्रणों को धोखा दे सके। उन्होंने प्रयोग को फिर से चलाया, इस बार छह घंटे तक, सख्त निगरानी के साथ। दूसरा प्रयास सफल रहा। सिग्नल स्थिर रहा, सुरक्षा नियंत्रण पास हो गए, और माप नई गणितीय भविष्यवाणी से पूरी तरह मेल खाते थे। परिणाम पुराने, सरल तरीकों द्वारा अनुमानित परिणामों से भिन्न था, जिससे पुष्टि हुई कि नया नियम सही था।

यह अध्ययन प्रदर्शित करता है कि कृत्रिम बुद्धिमत्ता एजेंट केवल कार्यों को स्वचालित करने से कहीं अधिक कर सकते हैं; वे वास्तविक वैज्ञानिक तर्क में संलग्न हो सकते हैं। वे एक सार्थक प्रश्न चुनने, एक नया सैद्धांतिक परिणाम निकालने और एक ऐसा प्रयोग डिजाइन करने में सक्षम थे जो वास्तव में उस परिणाम का परीक्षण कर सके। सबसे महत्वपूर्ण बात यह है कि उन्होंने यह पहचानने की क्षमता दिखाई कि उनका अपना काम कब त्रुटिपूर्ण था। जब पहला प्रयोग सुरक्षा जाँचों में विफल रहा, तो एजेंटों ने निष्कर्ष निकालने के लिए दबाव नहीं डाला; वे रुक गए, त्रुटि का विश्लेषण किया, और फिर से शुरू किया। संगठित संदेह (organized skepticism) की यह क्षमता, जहाँ सिस्टम अपने स्वयं के अनुमानों को चुनौती देता है और कठोर प्रमाण की मांग करता है, वास्तव में स्वायत्त विज्ञान की दिशा में एक महत्वपूर्ण कदम है। शोधकर्ताओं ने दिखाया कि AI एजेंटों को अपने स्वयं के विचारों को "ना" कहने की शक्ति देकर, वे एक ऐसा सिस्टम बना सकते हैं जो न केवल तेज़ है, बल्कि विश्वसनीय और भरोसेमंद भी है।