Interference Search: Reachability-Preserving State Merging and Learned Pruning for Parallel Reasoning Search
यह शोध पत्र इंटरफेरेंस सर्च (Interference Search) प्रस्तुत करता है, जो एक समानांतर तर्क ढांचा (parallel reasoning framework) है जो लक्ष्य तक पहुँचने की क्षमता को प्रमाणित रूप से सुरक्षित रखते हुए, एक्सपोनेंशियल प्रतिनिधित्व बचत (exponential representational savings) प्राप्त करने के लिए एक फ्रंटियर का समकालिक विस्तार करता है और समतुल्य अवस्थाओं को मर्ज करता है, जो काउंटडाउन (Countdown) और MBPP जैसे कार्यों पर पारंपरिक रैखिक खोज विधियों की तुलना में महत्वपूर्ण प्रदर्शन लाभ प्रदर्शित 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
आर्टिफिशियल इंटेलिजेंस की दुनिया में, बड़े लैंग्वेज मॉडल्स की अक्सर एक एकाकी विचारक के रूप में कल्पना की जाती है, जो किसी समस्या को हल करने के लिए टेक्स्ट की एक एकल, निरंतर धारा उत्पन्न करते हैं। यह दृष्टिकोण, जिसे 'रीजनिंग ट्रेस' (तर्क पथ) कहा जाता है, सरल कार्यों के लिए तो अच्छा काम करता है, लेकिन जब कोई समस्या कई अलग-अलग संभावनाओं को खोजने की मांग करती है, तो यह संघर्ष करता है। एक जटिल भूलभुलैया से रास्ता खोजने की कोशिश करने की कल्पना करें जहाँ आप अपने द्वारा उठाए गए हर कदम को लिखते जाते हैं; यदि आप किसी बंद रास्ते पर पहुँच जाते हैं, तो आपको वापस शुरुआत तक जाना होगा और एक अलग रास्ता आज़माना होगा, और अपने पिछले असफल प्रयासों का पूरा इतिहास अपने साथ लेकर चलना होगा। यह तरीका अक्षम है क्योंकि यह हर प्रयास को अद्वितीय मानता है, भले ही दो अलग-अलग रास्ते भूलभुलैया में बिल्कुल एक ही स्थान पर पहुँचते हों। शोधकर्ता अब इन एआई सिस्टम्स को स्मार्ट बनाने के तरीकों की खोज कर रहे हैं, जिससे यह पहचाना जा सके कि कब विचार की विभिन्न रेखाएं एक ही स्थिति पर आकर मिल गई हैं, जिससे सिस्टम को खुद को दोहराने से रुकने और अगले चरण पर ध्यान केंद्रित करने में मदद मिले।
शोधकर्ताओं ने इस विशिष्ट अक्षमता को दूर करने के लिए 'इंटरफेरेंस सर्च' (Interference Search) नामक एक नई विधि विकसित की है। एआई को एक एकल पथ या अलग-अलग शाखाओं वाले पेड़ के माध्यम से भटकने देने के बजाय, जो आपस में कभी बात नहीं करतीं, यह विधि समस्या को विशिष्ट अवस्थाओं (states) या स्थितियों की एक श्रृंखला के रूप में मानती है। जैसे ही एआई विभिन्न कार्यों का अन्वेषण करता है, सिस्टम यह जाँचता है कि क्या तर्क की दो अलग-अलग रेखाएं बिल्कुल एक ही अवस्था पर पहुँची हैं। जब वे ऐसा करते हैं, तो सिस्टम उन्हें एक एकल प्रतिनिधि में मिला देता है, और डुप्लिकेट इतिहास को हटा देता है। यह प्रक्रिया केवल अनुमान लगाने के बारे में नहीं है; यह यह देखने के लिए एक कठोर जाँच है कि क्या वर्तमान स्थिति पहले से देखी गई स्थिति के समान है। ऐसा करके, एआई बिना मेमोरी या समय समाप्त किए अपने खोज क्षेत्र का विस्तार बहुत आगे तक कर सकता है, क्योंकि वह भविष्य की संभावनाओं की कई प्रतियों पर प्रयास बर्बाद नहीं कर रहा है।
शोधकर्ताओं ने इस विचार का परीक्षण 'काउंटडाउन' (Countdown) नामक एक क्लासिक गणितीय पहेली का उपयोग करके किया, जहाँ लक्ष्य शुरुआती संख्याओं के एक सेट और बुनियादी अंकगणितीय ऑपरेशनों का उपयोग करके एक लक्ष्य संख्या तक पहुँचना होता है। इस वातावरण में, 'अवस्था' (state) केवल उपलब्ध संख्याओं का संग्रह है। टीम ने पाया कि गणितीय ऑपरेशनों के विभिन्न क्रम अक्सर संख्याओं के ठीक उसी सेट की ओर ले जाते हैं। उदाहरण के लिए, दो संख्याओं को एक क्रम में जोड़ने के बजाय दूसरे क्रम में जोड़ने से एक ही मध्यवर्ती कुल प्राप्त हो सकता है। छह-संख्या वाली समस्याओं के साथ अपने प्रयोगों में, सिस्टम ने 8,31,000 से अधिक अलग-अलग पथ उत्पन्न किए, फिर भी ये पथ केवल 13,229 विशिष्ट अवस्थाओं में सिमट गए। इसका अर्थ है कि औसतन, 62 से अधिक पथ एक ही स्थिति की ओर ले जा रहे थे। इन डुप्लिकेट्स को मिलाकर, सिस्टम ने प्रत्येक पथ को अलग रखने वाले तरीकों की तुलना में अपने समस्या क्षेत्र का अधिक प्रभावी ढंग से अन्वेषण किया।
यह सुनिश्चित करने के लिए कि यह विलय (merging) गलती से किसी समाधान को न फेंक दे, शोधकर्ताओं ने गणितीय रूप से सिद्ध किया कि यदि उनके द्वारा 'समानता' की परिभाषा लक्ष्य तक पहुँचने की क्षमता को सुरक्षित रखती है, तो कोई भी वैध समाधान कभी खोया नहीं जाता है। उन्होंने दिखाया कि जब तक विलय की गई अवस्था मूल पथों की तरह ही भविष्य के कदमों की अनुमति देती है, तब तक खोज पूर्ण बनी रहती है। हालाँकि, उन्होंने नियंत्रण की एक दूसरी परत भी पेश की: एक सीखा हुआ जज (learned judge)। यह एक अलग एआई है जिसे उन अवस्थाओं की भविष्यवाणी करने के लिए प्रशिक्षित किया गया है जो संभावित रूप से मृत अंत (dead ends) हो सकती हैं। शोधकर्ता 'समान अवस्थाओं के सटीक विलय', जो कि सुरक्षित है, और 'असंभावित अवस्थाओं की छंटनी', जिसमें जोखिम होता है, के बीच अंतर करने में सावधानी बरतते रहे। यदि जज बहुत अधिक आक्रामक है, तो वह एक ऐसे पथ को काट सकता है जो समाधान की ओर ले जा सकता था। उनके परिणामों ने दिखाया कि जबकि यह छंटनी (pruning) सिस्टम द्वारा किए जाने वाले काम को काफी कम कर सकती है, इसके लिए कठिन समस्याओं को हल करने की क्षमता को खोए बिना एक सावधानीपूर्ण संतुलन की आवश्यकता होती है।
जब शोधकर्ताओं ने अपने विलय वाले दृष्टिकोण की तुलना एक मानक पद्धति से की जो तर्क की एक एकल रेखा का अनुसरण करती है, तो अंतर स्पष्ट था। तीस कठिन चार-संख्या वाली समस्याओं के एक सेट पर, एकल-रेखा पद्धति ने प्रयास की एक विशिष्ट सीमा के भीतर 30 में से केवल 21 समस्याओं को हल किया। इंटरफेरेंस सर्च विधि ने, समान प्रयास का उपयोग करते हुए, सभी 30 समस्याओं को हल किया। इसके अलावा, इसने समाधान तक पहुँचने में बहुत कम चरणों का उपयोग किया, जो यह सुझाव देता है कि यदि सिस्टम समानांतर हार्डवेयर पर चल रहा होता, तो यह इन समस्याओं को बहुत तेज़ी से हल कर सकता था। एक सौ छह-संख्या वाली समस्याओं के बड़े परीक्षण में, विलय वाले दृष्टिकोण ने उनमें से 77 प्रतिशत को हल किया, जबकि बिना विलय वाले संस्करण ने केवल 50 प्रतिशत को हल किया। ये संख्याएँ दर्शाती हैं कि तर्क पथों में रेडंडेंसी (अनावश्यक दोहराव) केवल एक मामूली मुद्दा नहीं है बल्कि एक बड़ी बाधा है जिसे यह नया तरीका सफलतापूर्वक हटा देता है।
अध्ययन ने यह भी देखा कि क्या यह दृष्टिकोण कोड जनरेशन (कोड निर्माण) के साथ काम कर सकता है, जो गणितीय पहेलियों की तुलना में बहुत अधिक जटिल कार्य है। प्रोग्रामिंग चुनौतियों से जुड़े एक प्रारंभिक परीक्षण में, इस विधि ने यह पहचानकर संभावना दिखाई कि कई उत्पन्न प्रोग्राम कार्यात्मक रूप से समान थे और उन्हें मर्ज किया गया। हालाँकि, शोधकर्ता यहाँ अपने निष्कर्षों को लेकर सतर्क थे। उनके तरीके और अन्य दृष्टिकोणों के बीच सफलता दर का अंतर छोटा था, और नमूना आकार इतना सीमित था कि निश्चित विजय का दावा नहीं किया जा सके। उन्होंने इस बात पर जोर दिया कि जबकि 'स्टेट' की परिभाषा सटीक होने पर (जैसे गणित में) विलय का विचार अच्छी तरह काम करता है, कोड लिखने जैसे खुले कार्यों के साथ यह बहुत कठिन हो जाता है, जहाँ दो प्रोग्राम कुछ परीक्षणों में समान दिख सकते हैं लेकिन अन्य परीक्षणों में अलग व्यवहार कर सकते हैं।
अंततः, यह कार्य प्रदर्शित करता है कि एआई अपने विचारों को उत्पन्न करने के लिए जिस बुद्धिमत्ता का उपयोग करता है, उसके साथ ही यह भी महत्वपूर्ण है कि वह अपनी खोज को कैसे व्यवस्थित करता है। एक अवस्था तक पहुँचने के इतिहास के बजाय स्वयं उस अवस्था पर ध्यान केंद्रित करके, और डुप्लिकेट्स को सख्ती से मिलाकर, शोधकर्ताओं ने दिखाया कि एआई अधिक कुशलता से तर्क कर सकता है। निष्कर्ष बताते हैं कि भविष्य के सिस्टमों को विचारों को प्रस्तावित करने और खोज स्थान को प्रबंधित करने के कार्य को अलग करके लाभ मिल सकता है, जिससे एआई अपने स्वयं के अनावश्यक विचारों में उलझे बिना संभावनाओं की एक विस्तृत श्रृंखला का अन्वेषण कर सकेगा। हालाँकि यह विधि हर प्रकार की समस्या के लिए जादुई समाधान नहीं है, लेकिन यह उन डोमेन में तर्क प्रणालियों को अधिक शक्तिशाली बनाने का एक ठोस, प्रमाणित तरीका प्रदान करती है जहाँ विभिन्न पथ अक्सर एक ही गंतव्य की ओर ले जाते हैं।
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।