Executable Chain-of-Thought Symbolic Regression with Large Language Models for Automated Physical Discovery
यह शोध पत्र \ours को प्रस्तुत करता है, जो एक सत्यापन-वहन (verification-carrying) ढांचा है जो चेन-ऑफ-थॉट रीजनिंग को एक टाइप किए गए सिम्बोलिक डेरिवेशन ग्राफ के रूप में निष्पादित करके लार्ज लैंग्वेज मॉडल-आधारित सिम्बोलिक रिग्रेशन को एक कठोर प्रक्रिया में परिवर्तित करता है, जो संकुचित, मशीन-जांच योग्य भौतिक नियमों और निष्पादन योग्य व्युत्पत्ति ट्रेसेस (derivation traces) को उत्पन्न करने के लिए कठोर बाधाओं और सॉफ्ट वेरिफिकेशन संकेतों को लागू 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 अक्सर संपीड़न (compression) की एक प्रक्रिया जैसा महसूस होता है। एक वैज्ञानिक घटनाओं के एक विशाल संग्रह का अवलोकन करता है—आकाश में ग्रहों की गति, फ्लास्क में रसायनों की प्रतिक्रिया, या पाइप में बहता पानी—और उस अराजकता को एक एकल, संक्षिप्त गणितीय नियम में निचोड़ने का प्रयास करता है। यह नियम केवल अगले डेटा बिंदु की भविष्यवाणी करने के लिए एक उपकरण नहीं है; यह इस बात का विवरण है कि दुनिया कैसे काम करती है, जिसे नए स्थितियों में जाँचा, समझा और विस्तारित किया जा सके। सदियों से, इन नियमों को खोजने के लिए मानवीय अंतर्ज्ञान की आवश्यकता रही है, लेकिन आधुनिक डेटा की विशाल मात्रा ने उनकी खोज को तेजी से कठिन बना दिया है। संभावित समीकरणों का स्थान इतना विशाल है कि शक्तिशाली कंप्यूटर भी गलत संभावनाओं के समुद्र में खो जाए बिना सही एक को खोजने में संघर्ष करते हैं। चुनौती केवल उस सूत्र को खोजने की नहीं है जो हमारे पास मौजूद डेटा पर सटीक बैठता है, बल्कि उस विशिष्ट सूत्र को खोजने की है जो तब भी सत्य बना रहे जब स्थितियाँ बदल जाएँ, जब डेटा शोर (noisy) वाला हो, या जब हम प्रणाली के उस हिस्से को देखें जिसे हमने पहले कभी नहीं देखा है।
हाल के वर्षों में, शोधकर्ताओं ने बड़े भाषा मॉडलों (large language models)—जो पाठ और कोड की विशाल मात्रा पर प्रशिक्षित हैं—की मदद ली है ताकि इस खोज में सहायता मिल सके। ये मॉडल परिचित पैटर्न को याद करने और समीकरणों के लिए संभावित संरचनाओं का सुझाव देने में उत्कृष्ट हैं। हालाँकि, इन मॉडलों द्वारा प्रस्तावित करने और उनके द्वारा सिद्ध करने के बीच एक महत्वपूर्ण अंतर बना हुआ है। एक मॉडल ऐसा सूत्र सुझा सकता है जो सतह पर सही दिखता है, लेकिन उस तक पहुँचने के लिए उसने जो कदम उठाए वे तार्किक रूपamente दोषपूर्ण, भौतिक रूप से असंभव, या गणितीय रूप से अस्थिर हो सकते हैं। यह उस छात्र की तरह है जो परीक्षा में सही उत्तर तो लिख देता है लेकिन अपना कार्य (work) नहीं दिखा पाता, या इससे भी बुरा, वह ऐसा कार्य दिखाता है जिसमें छिपी हुई त्रुटियाँ होती हैं जो समस्या में थोड़ा सा बदलाव आने पर ही स्पष्ट होती हैं। मौजूदा विधियाँ अक्सर तर्क प्रक्रिया (reasoning process) को एक मुक्त-रूप बातचीत (free-form conversation) के रूप में मानती थीं, जहाँ केवल अंतिम समीकरण ही मायने रखता था, जिससे उस समीकरण तक पहुँचने का मार्ग अपरीक्षित और संभावित रूप से अविश्वसनीय रह जाता था।
इस समस्या के समाधान के लिए, इस अध्ययन के लेखक ने CoT-SR नामक एक नया ढांचा विकसित किया है। यह प्रणाली वैज्ञानिक नियमों की खोज करने के तरीके को बदल देती है, जहाँ तर्क प्रक्रिया को अनुमान लगाने और जाँचने के खेल के बजाय एक कठोर, चरण-दर-चरण निर्माण के रूप में माना जाता है। एक भाषा मॉडल को समीकरण को न्यायसंगत ठहराने के लिए पैराग्राफ लिखने देने के बजाय, यह प्रणाली मॉडल को विशिष्ट, निष्पादन योग्य (executable) क्रियाएं प्रस्तावित करने के लिए मजबूर करती है जो एक सरल प्रारंभिक अभिव्यक्ति को एक अधिक जटिल अभिव्यक्ति में बदल देती हैं। प्रत्येक चरण एक 'टाइप्ड एक्शन' (typed action) है, जैसे कि एक नया पद जोड़ना, एक चर (variable) बदलना, या एक ज्ञात भौतिक नियम लागू करना। महत्वपूर्ण रूप से, प्रत्येक चरण को तुरंत एक अलग, स्वतंत्र प्रणाली द्वारा जांचा जाता है ताकि यह सुनिश्चित किया जा सके कि वह वैध है। प्रणाली यह सत्यापित करती है कि गणित वाक्यात्मक (syntactically) रूप से सही है, भौतिक इकाइयाँ (units) तर्कसंगत हैं (उदाहरण के लिए, यह सुनिश्चित करना कि आप मीटर को सेकंड में नहीं जोड़ रहे हैं), और समीकरण चरम स्थितियों के तहत उचित व्यवहार करता है।
इस कार्य का मुख्य नवाचार एक "प्रतीकात्मक व्युत्पत्ति ग्राफ" (symbolic derivation graph) का निर्माण है। एक ऐसे मानचित्र की कल्पना करें जहाँ प्रत्येक पथ एक समीकरण बनाने के विभिन्न तरीकों का प्रतिनिधित्व करता है। पिछली विधियों में, कंप्यूटर एक अस्पष्ट धारणा के आधार पर एक विचार से दूसरे विचार पर कूद सकता था। इस नए दृष्टिकोण में, कंप्यूटर केवल तभी एक पथ पर आगे बढ़ सकता है जब अगला चरण नियमों के एक सख्त सेट को पास कर ले। यदि कोई प्रस्तावित चरण भौतिकी के नियमों या बीजगणित के नियमों का उल्लंघन करता है, तो वह पथ तुरंत बंद कर दिया जाता है, और प्रणाली उस मृत अंत (dead end) को खोजने में समय बर्बाद नहीं करती है। यह प्रक्रिया कानून की खोज को वैध संभावनाओं के परिदृश्य के माध्यम से एक यात्रा में बदल देती है, जहाँ प्रत्येक चाल को प्रलेखित और सत्यापित किया जाता है। प्रणाली प्रत्येक सफल चरण और प्रत्येक असफल प्रयास का रिकॉर्ड रखती है, जिससे एक पूर्ण, ऑडिट योग्य ट्रेल (auditable trail) बनता है जो बताता है कि अंतिम समीकरण कैसे प्राप्त किया गया और वैकल्पिक पथों को क्यों खारिज किया गया।
शोधकर्ताओं ने विविध चुनौतियों पर इस प्रणाली का परीक्षण किया, जिसमें ग्रहों की गति और ऊष्मागतिकी (thermodynamics) से जुड़ी क्लासिक भौतिकी की समस्याओं से लेकर कृत्रिम बुद्धिमत्ता को चकमा देने के लिए डिज़ाइन किए गए जटिल, सिंथेटिक डेटासेट शामिल थे। उन्होंने पाया कि CoT-SR पिछले तरीकों की तुलना में सही समीकरण खोजने में काफी बेहतर था। उन परीक्षणों में जहाँ लक्ष्य एक ज्ञात भौतिक नियम को सटीक रूप से पुनः प्राप्त करना था, इस नई प्रणाली ने तुलना किए गए तरीकों में उच्चतम सटीक-रिकवरी दर हासिल की, जैसा कि बेंचमार्क परिणामों में विस्तृत है, और अगली सर्वश्रेष्ठ पद्धति को पीछे छोड़ दिया। इससे भी महत्वपूर्ण बात यह है कि शोर वाले डेटा (noisy data) का सामना करने या मूल मापों की सीमा से बाहर व्यवहार की भविष्यवाणी करने के लिए पूछे जाने पर यह प्रणाली बहुत अधिक मजबूत साबित हुई। जबकि अन्य विधियाँ अक्सर तब विफल हो जाती थीं जब डेटा थोड़ा विकृत होता था या जब इनपुट वेरिएबल्स को नए चरम स्तरों तक खींचा जाता था, CoT-SR ने अपनी सटीकता बनाए रखी। ऐसा इसलिए है क्योंकि यह प्रणाली उन समीकरणों को प्राथमिकता देती है जो संरचनात्मक रूप से सुदृढ़ और भौतिक रूप से सुसंगत हैं, न कि केवल उन्हें जो वर्तमान संख्याओं पर पूरी तरह फिट बैठते हैं।
इस नए ढांचे की एक प्रमुख विशेषता इसकी अपने स्वयं के परिकल्पनाओं (hypotheses) का सक्रिय रूप से परीक्षण करने की क्षमता है। जब प्रणाली दो प्रतिस्पर्धी समीकरणों के बीच अनिश्चित होती है, तो वह केवल उस समीकरण को नहीं चुनती जो कागज़ पर बेहतर दिखता है। इसके बजाय, वह गणना करती है कि दोनों समीकरण कहाँ सबसे अधिक असहमत होंगे और उस विशिष्ट बिंदु पर एक नया माप मांगती है। यह एक वैज्ञानिक द्वारा दो सिद्धांतों के बीच अंतर करने के लिए एक महत्वपूर्ण प्रयोग डिजाइन करने के समान है। सबसे सूचनात्मक डेटा बिंदुओं पर अपने सीमित संसाधनों को केंद्रित करके, प्रणाली गलत संभावनाओं को तेजी से खारिज कर सकती है और वास्तविक नियम पर ध्यान केंद्रित कर सकती है। सिमुलेशन में, इस सक्रिय दृष्टिकोण ने प्रणाली को गलत उत्तरों को यादृच्छिक (randomly) डेटा एकत्र करने की तुलना में बहुत तेज़ी से समाप्त करने की अनुमति दी। परिणाम केवल एक अंतिम समीकरण नहीं है, बल्कि एक पूर्ण पैकेज है जिसमें समीकरण, चरण-दर-चरण व्युत्पत्ति और इसे समर्थन देने वाले साक्ष्य का रिकॉर्ड शामिल है।
यह अध्ययन केवल एक भाषा मॉडल की स्मृति पर निर्भर रहने की सीमाओं को भी रेखांकित करता है। कई पिछली प्रणालियाँ थोड़े बदले हुए या छद्म रूप में प्रस्तुत किए गए समीकरणों के साथ संघर्ष करती थीं, क्योंकि वे वास्तव में अंतर्निहित तर्क को समझने के बजाय केवल अपने प्रशिक्षण डेटा से पैटर्न को याद कर रही थीं। इसके विपरीत, CoT-SR व्युत्पत्ति के चरणों की वैधता पर निर्भर करता है। भले ही मॉडल ने पहले कभी विशिष्ट समीकरण नहीं देखा हो, फिर भी वह इसे सही ढंग से बना सकता है यदि तार्किक चरण सुदृढ़ हैं। यह सुझाव देता है कि वैज्ञानिक खोज के लिए, उत्तर को याद करने की क्षमता से अधिक प्रक्रिया को सत्यापित करने की क्षमता महत्वपूर्ण है। शोधकर्ताओं ने पाया कि जब उन्होंने सख्त सत्यापन चरणों को हटा दिया, तो प्रणाली का प्रदर्शन काफी गिर गया, जिससे पुष्टि हुई कि प्रत्येक चरण की कठोर जाँच ही इस दृष्टिकोण को प्रभावी बनाती है।
अंततः, यह कार्य इस दिशा में एक बदलाव का प्रतिनिधित्व करता है कि कृत्रिम बुद्धिमत्ता वैज्ञानिक खोज में कैसे सहायता कर सकती है। यह एक ब्लैक बॉक्स के विचार से दूर जाता है जो केवल एक भविष्यवाणी आउटपुट करता है, और एक पारदर्शी प्रणाली की ओर बढ़ता है जो ज्ञान को चरण-दर-चरण बनाता है, जहाँ प्रत्येक दावा साक्ष्य द्वारा समर्थित है। अंतिम आउटपुट केवल एक सूत्र नहीं है, बल्कि यह एक सत्यापित कहानी है कि वह सूत्र कैसे पाया गया। यह अंतर विज्ञान के लिए अत्यंत महत्वपूर्ण है, जहाँ "क्या" के साथ-साथ "क्यों" को समझना भी उतना ही महत्वपूर्ण है। प्रत्येक मध्यवर्ती चरण को निष्पादन योग्य और जांचने योग्य सुनिश्चित करके, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो वैज्ञानिकों को नए नियमों की जटिल खोज में नेविगेट करने में मदद कर सकता है, जो विश्वसनीयता और स्पष्टता का एक ऐसा स्तर प्रदान करता है जो पहले पहुंच से बाहर था। यह प्रणाली पूर्णतः अचूक होने का दावा नहीं करती है, और इसे अभी भी मानवीय निरीक्षण की आवश्यकता है, लेकिन यह भाषा मॉडलों की पैटर्न-पहचान की शक्ति को भौतिक विज्ञान की कठोर मांगों के साथ संयोजित करने का एक शक्तिशाली नया तरीका प्रदान करती 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।