Mathematical Scientific Discovery Using Large Language Models: A Systematic Literature Review
यह व्यवस्थित साहित्य समीक्षा, जो PRISMA 2020 दिशानिर्देशों का पालन करती है, गणितीय खोज के लिए लार्ज लैंग्वेज मॉडल्स के उपयोग पर 32 अध्ययनों का विश्लेषण करती है ताकि सात तकनीकी प्रतिमानों की पहचान की जा सके, औपचारिक सत्यापन के साथ मिलकर विकासवादी खोज (evolutionary search) की श्रेष्ठ प्रभावकारिता को रेखांकित किया जा सके, और इस क्षेत्र में भविष्य के अनुसंधान को निर्देशित करने के लिए एक वर्गीकरण (taxonomy) प्रदान किया जा सके।
मूल पेपर CC BY 4.0 (https://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 ऐसी दुनिया की कल्पना करें जहाँ गणित केवल दूसरों द्वारा लिखे गए पहेलियों को हल करने के बारे में नहीं है, बल्कि खुद पहेलियाँ बनाने के बारे में है। सदियों से, गणित का सबसे रोमांचक हिस्सा—एक बिल्कुल नई सच्चाई, एक अजीब नए पैटर्न, या एक ऐसे नियम की खोज का "यूरेका!" क्षण जिसे पहले कभी नहीं देखा गया था—इसे एक ऐसी विशेष शक्ति माना जाता था जो केवल मनुष्यों के पास है। इसके लिए एक विशेष प्रकार की अंतर्दृष्टि, रचनात्मकता की एक ऐसी चमक की आवश्यकता थी जो कंप्यूटरों में नहीं हो सकती थी। लेकिन हाल ही में, "लार्ज लैंग्वेज मॉडल" (या LLM) नामक एक नए प्रकार के कृत्रिम बुद्धिमत्ता (AI) ने खेल को बदलना शुरू कर दिया है। एक LLM को केवल एक कैलकुलेटर के रूप में नहीं, बल्कि एक सुपर-रीडिंग मशीन के रूप में सोचें जिसने लगभग हर गणित की किताब, कोड मैनुअल और वैज्ञानिक शोध पत्र को निगल लिया है। यह उन्हें केवल याद नहीं करता; यह गणित और कोड के "व्याकरण" को इतनी अच्छी तरह सीख लेता है कि यह अपने स्वयं के वाक्य लिखना शुरू कर सकता है। बड़ा सवाल जो शोधकर्ता पूछ रहे हैं वह यह है: क्या यह मशीन-पठन सुपर-ब्रेन केवल सवालों के जवाब देने से अधिक कुछ कर सकता है? क्या यह वास्तव में नया गणित खोज सकता है जो मनुष्यों ने अभी तक नहीं खोजा है?
यही वह चीज़ है जिसकी जांच करने के लिए क्लेमसन यूनिवर्सिटी और कोलोराडो कॉलेज के शोधकर्ताओं की एक टीम ने एक विशाल नए अध्ययन में हाथ आजमाया। उन्होंने केवल एक दिलचस्प प्रयोग को नहीं देखा; वे एक डिजिटल खजाने की खोज पर निकले, 2025 के अंत तक प्रकाशित सैकड़ों शोध पत्रों को छान डाला ताकि उन शोधों को खोजा जा सके जहाँ AI वास्तव में नया गणितीय ज्ञान बना रहा था। उन्होंने यह सुनिश्चित करने के लिए एक सख्त, वैज्ञानिक चेकलिस्ट (जिसे PRISBMA कहा जाता है) का उपयोग किया कि वे कुछ भी महत्वपूर्ण न छोड़ दें और उन अध्ययनों को बाहर कर दें जो केवल पुराने समस्याओं को हल करने के बारे में थे। जब धूल जमी, तो उन्हें 32 अध्ययन मिले जिन्होंने कुछ वास्तव में उल्लेखनीय दिखाया: AI वास्तव में गणितीय खोज में एक भागीदार बनता जा रहा है, न कि केवल एक कैलकुलेटर।
शोधकर्ताओं ने पाया कि सबसे सफल AI "गणितज्ञ" केवल बेतरतीब ढंग से अनुमान नहीं लगा रहे हैं। इसके बजाय, वे कुछ चतुर तरीकों का उपयोग करते हैं। सबसे शक्तिशाली तरीकों में से एक विकास (evolution) का डिजिटल संस्करण है। कल्पना करें कि एक कंप्यूटर हजारों छोटे, सरल गणितीय प्रोग्राम बना रहा है। यह उन्हें परीक्षण करता है, जो सबसे अच्छा काम करते हैं उन्हें रखता है, और फिर AI का उपयोग उन्हें "म्यूटेट" करने के लिए करता है—उन्हें और भी बेहतर बनाने के लिए छोटे, रचनात्मक बदलाव करना। समय के साथ, यह प्रक्रिया ऐसे समाधान विकसित करती है जो इतने अच्छे होते हैं कि उन रिकॉर्ड्स को तोड़ देते हैं जिन्हें मनुष्यों ने दशकों से थाम रखा है। उदाहरण के लिए, अध्ययन इस बात पर प्रकाश डालता है कि कैसे इन प्रणालियों ने हाल ही में मैट्रिक्स (एक विशिष्ट प्रकार का गणितीय ग्रिड) को गुणा करने का एक तेज़ तरीका खोजा जो 1969 के एक प्रसिद्ध एल्गोरिदम में सुधार करता है, जिसे 50 से अधिक वर्षों में किसी मानव ने नहीं किया था।
एक अन्य लोकप्रिय विधि एक वीडियो गेम की तरह है जहाँ AI अपने आप के विरुद्ध खेलता है। AI का एक हिस्सा एक कठिन गणितीय समस्या (एक "कन्जेक्चर" या अनुमान) बनाने की कोशिश करता है, और दूसरा हिस्सा उसे हल करने की कोशिश करता है। जैसे-जैसे हल करने वाला बेहतर होता जाता है, समस्या बनाने वाला और भी स्मार्ट होता जाता है, जिससे एक लूप बनता है जहाँ वे दोनों एक साथ स्तर बढ़ाते हैं। इसने AI को हजारों नए, सत्यापित गणितीय प्रमेय और लेम्मा (छोटे, सहायक प्रमाण) उत्पन्न करने में मदद की है जो अब डिजिटल पुस्तकालयों में जोड़े जा रहे हैं। हालाँकि, पेपर बहुत स्पष्ट है कि ये AI सिस्टम अभी जादू की छड़ी नहीं हैं। वे अभी भी कंप्यूटर पावर के लिए बहुत भूखे हैं, जिन्हें अक्सर एक अच्छा उत्तर खोजने के लिए लाखों प्रयासों की आवश्यकता होती है। साथ ही, जबकि वे पैटर्न खोजने में माहिर हैं, वे कभी-कभी ऐसे उत्तर भी देते हैं जो तकनीकी रूप से सही तो हैं लेकिन उबाऊ या बेकार हैं।
अध्ययन यह भी बताता है कि इन खोजों पर भरोसा करने के लिए, उन्हें एक "रेफरी" की आवश्यकता होती है। गणित की दुनिया में, आप केवल यह नहीं कह सकते कि "मुझे लगता है कि यह सच है।" आपको इसे सिद्ध करना होगा। इन AI प्रयोगों में सबसे लोकप्रिय रेफरी "लीन" (Lean) नामक एक उपकरण है, जो एक डिजिटल प्रूफ-चेकर है जो गणित के लिए एक सख्त व्याकरण पुलिस की तरह कार्य करता है। यदि AI कहता है कि उसने एक नया प्रमेय खोजा है, तो लीन हर एक चरण की जाँच करता है ताकि यह सुनिश्चित हो सके कि यह 100% तार्किक है। शोधकर्ताओं ने पाया कि सबसे सफल परियोजनाएं वे थीं जहाँ AI और रेफरी एक तंग लूप में मिलकर काम करते थे, जहाँ रेफरी तुरंत फीडबैक देता था ताकि AI अपनी गलतियों को चलते-चलते ठीक कर सके।
तो, मुख्य निष्कर्ष क्या है? पेपर सुझाव देता है कि हम एक नए युग के किनारे पर खड़े हैं। AI गणितज्ञों की जगह नहीं ले रहा है, बल्कि यह एक शक्तिशाली "विचार सैंडबॉक्स" (idea sandbox) बन रहा है। यह लाखों संभावनाओं को निकाल सकता है, डेटा की विशाल मात्रा में पैटर्न पहचान सकता है, और यहाँ तक कि उन समस्याओं को हल कर सकता है जो आधे दशक से अटकी हुई हैं। लेकिन अंतिम चरण—एक मशीन-जनित कोड स्निपेट को एक सुंदर, समझने योग्य गणितीय अंतर्दृष्टि में बदलना—अभी भी मानवीय स्पर्श की मांग करता है। भविष्य एक टीम वर्क जैसा दिखता है: AI खोज और परीक्षण का भारी काम करता है, और मानव गणितज्ञ वह अंतर्दृष्टि प्रदान करता है जिससे यह तय किया जा सके कि वास्तव में क्या दिलचस्प है। यह एक ऐसी साझेदारी है जहाँ मशीन गति और पैमाना लाती है, और मानव आत्मा लाता 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।