Structured Scaling of AI Discovery Across Diverse Scientific Domains
यह शोध पत्र SIMPLETES को प्रस्तुत करता है, जो पुनरावृत्ति प्रक्षेप पथों (iterative trajectories) के माध्यम से मूल्यांकन संकेतों को व्यवस्थित करके और इतिहासओं का चुनिंदा रूप से पुन: उपयोग करके एआई-संचालित वैज्ञानिक खोज को संरचित करता है, जिससे एक एकल ओपन-सोर्स मॉडल 28 विविध वैज्ञानिक डोमेन में अत्याधुनिक परिणाम प्राप्त करने में सक्षम होता है और परिणाम-आधारित पोस्ट-ट्रेनिंग के माध्यम से और अधिक सुधार करता है।
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
विज्ञान लंबे समय से प्रयास और त्रुटि (ट्रायल एंड एरर) के चक्र पर निर्भर रहा है। एक शोधकर्ता एक विचार प्रस्तावित करता है, उसे प्रकृति के नियमों या किसी समस्या की सीमाओं के विरुद्ध परखता है, और फिर परिणाम का उपयोग अगले प्रयास को परिष्कृत करने के लिए करता है। दशकों तक, आर्टिफिशियल इंटेलिजेंस ने इस लूप में शामिल होकर एक विशेष उपकरण के रूप में काम किया है जो परिणामों की भविष्यवाणी करता है या ज्ञात चरों (variables) को अनुकूलित करता है। हाल ही में, भाषा मॉडल स्वयं शोधकर्ताओं की तरह कार्य करने लगे हैं, जो संभावित समाधान उत्पन्न करते हैं, उन्हें परीक्षण करने के लिए कोड लिखते हैं, और फीडबैक के आधार पर अपने कार्य को संशोधित करते हैं। हालांकि, केवल एक कंप्यूटर से अधिक विचार आज़माने के लिए कहना बेहतर खोजों की गारंटी नहीं देता है। यदि कोई प्रणाली बिना किसी स्पष्ट संरचना के हजारों प्रयास उत्पन्न करती है, तो उनमें से कई डुप्लिकेट होंगे, या प्रक्रिया एक मृत अंत (dead end) को परिष्कृत करने में फंस सकती है। मुख्य चुनौती केवल प्रयासों की संख्या को बढ़ाना नहीं है, बल्कि उस स्केलिंग को व्यवस्थित करना है ताकि प्रत्येक परीक्षण पिछले परीक्षण पर आधारित हो, जिससे समय के साथ प्रगति संचयी (compound) हो सके।
एक शोधकर्ता ने इस समस्या को हल करने के लिए SIMPLETES नामक एक नया ढांचा पेश किया है। एक एकल, विशाल आर्टिफिशियल इंटेलिजेंस मॉडल या जटिल, कस्टम-निर्मित खोज इंजनों पर निर्भर रहने के बजाय, उन्होंने खोज प्रक्रिया को स्वयं संरचित करने पर ध्यान केंद्रित किया। उन्होंने खोज लूप को एक वैज्ञानिक समुदाय की तरह माना: समानांतर में कई स्वतंत्र जांच चलाना, प्रत्येक लाइन को समय के साथ अपने सर्वश्रेष्ठ विचारों को परिष्कृत करने देना, और सावधानीपूर्वक यह चुनना कि अगले दौर के प्रयासों के साथ कौन सी विफलताओं और सफलताओं को साझा किया जाए। एक एकल, ओपन-सोर्स भाषा मॉडल का उपयोग करते हुए, इस प्रणाली ने क्वांटम भौतिकी, गहरे अंतरिक्ष यात्रा और शुद्ध गणित जैसे विविध क्षेत्रों के अट्ठाईस अलग-अलग खुले-अंत वाले (open-ended) समस्याओं का सामना किया। प्रत्येक मामले में, इस प्रणाली ने ऐसे समाधान खोजे जो मानव विशेषज्ञों या अन्य उन्नत एआई प्रणालियों के सर्वोत्तम ज्ञात परिणामों से बेहतर थे, और अक्सर काफी कम कंप्यूटिंग शक्ति का उपयोग किया।
शोधकर्ता ने प्रदर्शित किया कि खोज का आयोजन कैसे किया जाता है, यह उस मॉडल के आकार से अधिक महत्वपूर्ण है जो इसे चला रहा है। उन्होंने अंतरिक्ष यान के लिए ईंधन-कुशल प्रक्षेप पथ (trajectories) डिजाइन करने से लेकर सबसे तेज़ कंप्यूटर चिप्स पर चलने वाले कोड को अनुकूलित करने जैसे कार्यों पर अपने ढांचे का परीक्षण किया। अंतरिक्ष यात्रा के क्षेत्र में, प्रणाली ने बृहस्पति और अन्य ग्रहों के मिशनों के लिए उड़ान पथ को फिर से डिजाइन किया, जिससे ऐतिहासिक रिकॉर्ड की तुलना में ईंधन लागत में बीस प्रतिशत तक की कमी आई। क्वांटटन कंप्यूटिंग में, इसने चिप्स पर डेटा को व्यवस्थित करने के नए तरीके खोजे, जिससे सूचना को स्थानांतरित करने के लिए आवश्यक अतिरिक्त ऑपरेशनों को लगभग पच्चीस प्रतिशत कम कर दिया गया। इसने गणितीय समस्याओं के लिए नया कंप्यूटर कोड भी लिखा जो दशकों से अनसुलझे थे, जिसमें ओवरलैपिंग सेट्स (overlapping sets) से संबंधित एक समस्या शामिल थी जो 1955 से खुली थी। प्रणाली ने एक ऐसा समाधान खोजा जिसने सर्वोत्तम ज्ञात रिकॉर्ड में सुधार किया, और उसने यह बिना किसी मानवीय हस्तक्षेप या उन विशिष्ट कार्यों के लिए विशेष प्रशिक्षण के किया।
सबसे महत्वपूर्ण निष्कर्षों में से एक यह था कि प्रणाली अपने स्वयं के खोज प्रक्रिया से सीखकर और भी बेहतर हो सकती है। शोधकर्ता ने प्रणाली द्वारा खोजे गए सफल पथों को लिया और उस भाषा मॉडल को आगे प्रशिक्षित करने के लिए उनका उपयोग किया। मॉडल को केवल एक एकल प्रयास पर अच्छा स्कोर प्राप्त करने के लिए पुरस्कृत करने के बजाय, उन्होंने इसे एक संपूर्ण खोज यात्रा के अंतिम परिणाम को महत्व देने के लिए सिखाया। इससे मॉडल यह सीखने में सक्षम हुआ कि एक कठिन प्रारंभिक प्रयास बाद में एक बड़ी सफलता की ओर ले जाने वाला एक आवश्यक कदम हो सकता है। नई गणितीय समस्याओं पर परीक्षण किए जाने पर, इस प्रशिक्षित मॉडल ने ऐसे समाधान खोजे जो मूल प्रणाली की तुलना में और भी अधिक उन्नत थे, जिससे वह सीमाएं टूट गईं जिन्हें पहले तक संभव माना जाता था।
इस दृष्टिकोण की सफलता यह सुझाव देती है कि खोज का संगठन अपने आप में एक शक्तिशाली उपकरण है। मूल्यांकन प्रक्रिया को विविध अन्वेषण और पुनरावृत्ति (iterative) परिशोधन को प्रोत्साहित करने के लिए संरचित करके, शोधकर्ता ने दिखाया कि एक एकल, अपेक्षाकृत मामूली ओपन-सोर्स मॉडल कहीं अधिक बड़े, प्रोप्राइटरी मॉडलों के साथ निर्मित प्रणालियों को पछाड़ सकता है। इस ढांचे ने केवल एक अच्छा उत्तर नहीं खोजा; इसने खोज का एक सामान्य तरीका स्थापित किया जो बहुत अलग वैज्ञानिक डोमेन में काम करता है। मस्तिष्क गतिविधि का विश्लेषण करने के लिए बेहतर एल्गोरिदम डिजाइन करने से लेकर आर्टिफिशियल इंटेलिजेंस के लिए तेज़ सॉफ़्टवेयर बनाने तक, प्रणाली ने सिद्ध किया कि एक संरचित, मूल्यांकन-संचालित दृष्टिकोण वैज्ञानिक प्रगति को तेज कर सकता है। परिणाम संकेत देते हैं कि एआई-संचालित खोज का भविष्य बड़े 'दिमाग' बनाने पर कम और उन दिमागों के लिए अज्ञात को खोजने के स्मार्ट तरीके डिजाइन करने पर अधिक निर्भर हो सकता 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।