ट्रैवलिंग सेल्समैन प्रॉब्लम एक क्लासिक पहेली है जिसने दशकों से गणितज्ञों और लॉजिस्टिक्स विशेषज्ञों को चुनौती दी है। कल्पना कीजिए कि एक डिलीवरी ड्राइवर को शहरों की एक विशिष्ट सूची में से प्रत्येक शहर की ठीक एक बार यात्रा करनी है और वापस घर भी लौटना है, और यह सब करते हुए उसे ईंधन और समय बचाने के लिए सबसे छोटा संभव मार्ग खोजना है। हालांकि नियम सरल हैं, लेकिन प्रत्येक नए शहर के जुड़ने के साथ संभावित मार्गों की संख्या इतनी तेजी से बढ़ती है कि सबसे शक्तिशाली सुपरकंप्यूटर भी बड़े समूहों के लिए सबसे अच्छा रास्ता खोजने के लिए संघर्ष करते हैं। यही कारण है कि इस समस्या को जटिल पहेलियों को हल करने के किसी भी नए तरीके के लिए एक केंद्रीय परीक्षण माना जाता है। हाल के वर्षों में, वैज्ञानिकों ने इस चुनौती से निपटने के लिए आर्टिफिशियल इंटेलिजेंस, विशेष रूप से सीखने के एक प्रकार की ओर रुख किया है जो मानव मस्तिष्क द्वारा पैटर्न प्रोसेस करने के तरीके की नकल करता है। ये लर्निंग सिस्टम हर एक संभावना की गणना नहीं करते हैं; इसके बजाय, वे नियमों का एक सेट सीखने के लिए हजारों उदाहरणों का अध्ययन करते हैं जो आमतौर पर एक बहुत अच्छे, यदि पूर्ण नहीं भी, समाधान की ओर ले जाते हैं। लक्ष्य एक ऐसा सिस्टम बनाना है जो वास्तविक जीवन में उपयोगी होने के लिए पर्याप्त तेज़ हो लेकिन इतना स्मार्ट भी हो कि खराब रूट पर फंसने से बच सके।

शंघाई के शोधकर्ताओं की एक टीम ने इस समस्या के लिए एक नया दृष्टिकोण विकसित किया है जो एक अभिनव तरीके से गति और सटीकता के बीच संतुलन बनाता है। उनका कार्य, जिसका शीर्षक DA-GAT-CADS है, एक विशिष्ट कठिनाई को संबोधित करता है जिसने पिछले प्रयासों को परेशान किया है: पास के विकल्पों को देखने और दूर के विकल्पों को देखने के बीच का तनाव। एक शहर के मानचित्र में, एक अच्छे रूट पर अगला पड़ाव आमतौर पर एक पड़ोसी होता है, लेकिन कभी-कभी ड्राइवर को दो दूर स्थित समूहों को जोड़ने के लिए कई नजदीकी कस्बों को छोड़ना पड़ता है। पुराने एआई मॉडल अक्सर दो चरम सीमाओं में से एक को चुनने के लिए मजबूर होते थे। वे एक दूर के कनेक्शन को मिस न करने के लिए हर एक अनविजिटेड (बिना देखे गए) शहर को देख सकते थे, लेकिन यह धीमा और कम्प्यूटेशनल रूप से भारी था। या, वे समय बचाने के लिए केवल निकटतम पड़ोसियों को देख सकते थे, लेकिन इससे वे अक्सर कुशलतापूर्वक टूर पूरा करने के लिए आवश्यक लंबी दूरी की छलांगों को मिस कर देते थे। शोधकर्ताओं ने महसूस किया कि समाधान किसी एक पक्ष को चुनने में नहीं था, बल्कि एक ऐसा सिस्टम बनाने में था जो स्थानीय पड़ोस को एक सुरक्षित डिफ़ॉल्ट के रूप में उपयोग करे और साथ ही एक ऐसी व्यवस्था रखे जो आवश्यकता पड़ने पर दूर तक पहुँच सके।

उनके नए तरीके के मूल में दो मुख्य भाग मिलकर काम करते हैं। सबसे पहले, सिस्टम शहरों के ज्यामितीय लेआउट के आधार पर एक मानसिक मानचित्र बनाता है, विशेष रूप से 'डेलोने ट्राइएंगुलेशन' नामक एक गणितीय संरचना का उपयोग करता है। इसे शहरों के बीच रेखाएं खींचकर एक जाल बनाने के रूप में समझें जो स्वाभाविक रूप से एक-दूसरे के करीब हैं। शोधकर्ताओं ने एक एनकोडर डिज़ाइन किया है जो इन स्थानीय रेखाओं पर बारीकी से ध्यान देता है, और शहरों के बीच की वास्तविक दूरी का उपयोग यह वजन देने के लिए करता है कि प्रत्येक कनेक्शन कितना महत्वपूर्ण है। यह सुनिश्चित करता है कि सिस्टम समस्या के तात्कालिक भूगोल को समझता है। हालांकि, उन्होंने एक हल्का ग्लोबल फीडबैक लूप भी जोड़ा है, जिससे सिस्टम अपने दिमाग में पूरे मानचित्र का बोध रख सके, न कि केवल तत्काल परिवेश का। यह संयोजन सिस्टम को अनावश्यक विवरणों से अभिभूत हुए बिना शहरों की स्थिति की एक मजबूत समझ बनाने में मदद करता है।

सिस्टम का दूसरा भाग डिकोडर है, जो वास्तव में अगले शहर को चुनने के लिए जिम्मेदार है। हर शहर को अंधाधुंध जांचने या केवल निकटतम पड़ोसियों तक सीमित रहने के बजाय, यह सिस्टम एक डायनेमिक सैंपलिंग पद्धति का उपयोग करता है। यह हमेशा स्थानीय मानचित्र से अनविजिटेड पड़ोसियों को एक सुरक्षित उम्मीदवार सूची के रूप में रखता है। लेकिन इसमें एक "गेट" (द्वार) भी है जो दूर के शहरों को अंदर आने देने के लिए खुल सकता है यदि वर्तमान पथ यह सुझाव देता है कि उनकी आवश्यकता है। यह गेट स्थिर नहीं है; यह टूर की स्थिति के आधार पर निर्णय लेना सीखता है। यदि ड्राइवर शहरों के एक समूह में फंस गया है और एक खराब रूट से बचने के लिए दूर के समूह तक कूदने की आवश्यकता है, तो गेट दूर के विकल्पों पर विचार करने के लिए अधिक खुल जाता है। यदि स्थानीय पड़ोसी पर्याप्त हैं, तो गेट बंद रहता है, जिससे खोज केंद्रित और तेज़ बनी रहती है। इस निर्णय लेने की प्रक्रिया को एक विशेष रिवॉर्ड सिस्टम का उपयोग करके प्रशिक्षित किया जाता है जो मॉडल को बहुत अधिक प्रतिबंधात्मक होने (अच्छे दूर के विकल्पों को अनदेखा करने) या बहुत अधिक विस्तृत होने (बहुत अधिक शहरों की जांच करने और समय बर्बाद करने) के लिए दंडित करता है।

जब शोधकर्ताओं ने पचास, एक सौ और दो सौ शहरों के समूहों पर इस नए सिस्टम का परीक्षण किया, तो परिणामों ने दिखाया कि उनके एआई ने गुणवत्ता और गति के बीच कैसे बेहतर संतुलन बनाया। एक सौ शहरों वाले मानक परीक्षण पर, उनके तरीके ने एक मानक मॉडल की तुलना में त्रुटि दर को 0.65% से घटाकर 0.28% कर दिया। अधिक महत्वपूर्ण बात यह है कि जब उन्होंने अपने डायनेमिक गेट सिस्टम की तुलना एक निश्चित सिस्टम से की जो केवल पड़ोसियों की एक निर्धारित संख्या को देखता था, तो नए तरीके ने बेहतर रूट खोजे जबकि औसतन बहुत कम शहरों की जांच की। विशेष रूप से, नए सिस्टम को एक समाधान की गुणवत्ता प्राप्त करने के लिए लगभग उतना ही सक्षम होने के लिए केवल लगभग 24% अनविजिटेड शहरों पर विचार करने की आवश्यकता थी जितना कि हर एक शहर की जांच करने में लगता है। यह दक्षता वास्तविक दुनिया के लाभों में अनुवादित हुई: सिस्टम ने कम मेमोरी का उपयोग करते हुए और कम कंप्यूटर मेमोरी का उपयोग करते हुए, सभी विकल्पों की जांच करने वाले मॉडलों की तुलना में तेज़ी से काम किया, बिना अंतिम रूट की गुणवत्ता से समझौता किए।

अध्ययन ने यह भी पता लगाया कि सिस्टम अपने सेटिंग्स के प्रति कितना संवेदनशील था, विशेष रूप से इस बात के प्रति कि इसे समय बचाने के लिए कितना प्रोत्साहित किया गया बनाम एक पूर्ण रूट खोजने के लिए। उन्होंने पाया कि एक एकल नियंत्रण को समायोजित करके, वे सिस्टम के व्यवहार को बदल सकते थे। यदि उन्होंने इसे बहुत अधिक 'स्पार्स' (विरल) होने के लिए मजबूर किया, तो इसने महत्वपूर्ण दूर के कनेक्शनों को मिस कर दिया और रूट खराब हो गए। यदि उन्होंने इसे बहुत अधिक शहरों की जांच करने दिया, तो यह धीमा हो गया। हालांकि, उन्होंने एक 'स्वीट स्पॉट' की पहचान की जहाँ सिस्टम ने उच्च-गुणवत्ता वाले रूट बनाए रखते हुए चेक किए गए शहरों की संख्या को कम रखा। संतुलन को ट्यून करने की यह क्षमता बताती है कि यह तरीका मजबूत और अनुकूलनीय है। इसके अलावा, जब बेंचमार्क समस्याओं के एक सार्वजनिक लाइब्रेरी से वास्तविक दुनिया के मैप डेटा पर परीक्षण किया गया, तो सिस्टम ने अन्य उन्नत तरीकों के मुकाबले प्रतिस्पर्धी प्रदर्शन किया, जिससे साबित हुआ कि इसकी ज्यामितीय सहज बुद्धि उन मानचित्रों पर भी अच्छी तरह काम करती है जो इसके प्रशिक्षण का हिस्सा नहीं थे।

शोधकर्ता सावधानीपूर्वक यह नोट करते हैं कि उनका कार्य एक विशिष्ट क्षेत्र में एक कदम आगे है: समतल तल (फ्लैट प्लेन) में बिखरे हुए शहरों वाले छोटे से मध्यम आकार के मानचित्र। वे हर संभव परिदृश्य या विशाल, जटिल नेटवर्क के लिए इस समस्या को हल करने का दावा नहीं करते हैं। उनका योगदान एक विशिष्ट डिजाइन सिद्धांत है: स्थानीय निर्णयों के लिए एक विश्वसनीय आधार के रूप में ज्यामिति का उपयोग करना और आवश्यकता पड़ने पर दूर के विकल्पों को चुनि적으로 रिकवर करने के लिए सीखे गए संदर्भ (लर्नड कॉन्टेक्स्ट) का उपयोग करना। यह मानकर कि किस शहरों पर विचार करना एक लचीला, सीखने योग्य कार्य है न कि एक निश्चित नियम, उन्होंने एक ऐसा सॉल्वर बनाया है जो कुशल और प्रभावी दोनों है। यह दृष्टिकोण भविष्य के लॉजिस्टिक्स और रूटिंग अनुप्रयोगों के लिए एक आशाजनक मार्ग प्रदान करता है, जहाँ एक बहुत अच्छा समाधान जल्दी पाना अक्सर एक पूर्ण समाधान की प्रतीक्षा करने से अधिक मूल्यवान होता है।