द ग्रेट डिटेक्टिव गेम: जब गणित और मशीन लर्निंग का मिलन होता है

कल्पना कीजिए कि आप एक रहस्य सुलझाने की कोशिश कर रहे हैं, लेकिन आपके पास केवल आधे सुराग हैं। विज्ञान की दुनिया में, यह एक आम समस्या है। वैज्ञानिकों के पास अक्सर इस बारे में एक ठोस सिद्धांत होता है कि दुनिया कैसे काम करती है—नियमों का एक समूह, जैसे भौतिकी या जीव विज्ञान के नियम, जिसे वे मेकेनिस्टिक मॉडल (mechanistic model) कहते हैं। इसे एक केक बनाने की रेसिपी की तरह समझें: आप जानते हैं कि आपको मैदा, अंडे और चीनी की आवश्यकता है, और आप उन्हें मिलाने के सामान्य चरणों को भी जानते हैं। लेकिन कभी-कभी, रेसिपी में एक महत्वपूर्ण सामग्री गायब होती है, या ओवन का तापमान किसी अजीब तरीके से बदल जाता है जिसकी मूल रेसिपी ने गणना नहीं की थी।

दूसरे छोर पर, हमारे पास डीप लर्निंग (Deep Learning) (या न्यूरल नेटवर्क) है। ये सुपर-स्मार्ट जासूसों की तरह हैं जो पहाड़ों जैसी तस्वीरों को देख सकते हैं और तुरंत एक बिल्ली को पहचान सकते हैं, भले ही उन्होंने पहले कभी वह विशिष्ट बिल्ली न देखी हो। वे डेटा में पैटर्न खोजने में अविश्वसनीय रूप से अच्छे हैं, लेकिन वे अक्सर "ब्लैक बॉक्स" होते हैं। आप उन्हें डेटा देते हैं, और वे एक उत्तर देते हैं, लेकिन वे हमेशा यह नहीं समझा पाते कि ऐसा क्यों हुआ या अंतर्निहित नियम क्या हैं। उन्हें सीखने के लिए भारी मात्रा में डेटा की आवश्यकता होती है, और यदि आप उनसे ऐसी स्थिति के बारे में अनुमान लगाने के लिए कहते हैं जो उन्होंने पहले कभी नहीं देखी, तो वे बस अपनी ओर से कुछ भी बना सकते हैं।

बड़ा सवाल जो वैज्ञानिक पूछ रहे हैं: क्या हम दोनों दुनियाओं की सर्वश्रेष्ठ चीजों को मिला सकते हैं? क्या हम अपने विश्वसनीय, नियम-आधारित व्यंजनों को ले सकते हैं और सुपर-स्मार्ट जासूसों को उन लापता हिस्सों को भरने दे सकते हैं जिन्हें हम पूरी तरह से नहीं समझते? यह बिल्कुल वही है जो हाइब्रिड न्यूरल मॉडलिंग (Hybrid Neural Modelling) का क्षेत्र करने की कोशिश कर रहा है। यह एक ऐसा सिस्टम बनाने के बारे में है जहाँ कठोर विज्ञान एक कंकाल (skeleton) प्रदान करता है, और AI उन मांसपेशियों और तंत्रिकाओं को सीखता है जिन्हें हम अभी तक पूरी तरह से नहीं समझते हैं। यह महत्वपूर्ण है क्योंकि वास्तविक दुनिया में, हमारे पास शायद ही कभी पूर्ण डेटा होता है। चाहे हम किसी वायरस को ट्रैक कर रहे हों, मौसम की भविष्यवाणी कर रहे हों, या यह अध्ययन कर रहे हों कि मस्तिष्क कैसे कार्य करता है, हमें ऐसे मॉडलों की आवश्यकता है जो सीमित डेटा से सीखने के लिए पर्याप्त स्मार्ट हों लेकिन भविष्य को समझने के लिए पर्याप्त ठोस (grounded) भी हों।

द पेपर: रोबोट के साथ रेसिपी मिलाना

अपने शोध पत्र, "हाइब्रिड न्यूरल मॉडलिंग: थ्योरी एंड एप्लिकेशन्स" में, थॉमस गैस्किन, अनास्तासिया बैंकौस्की और स्टेफ़नी विंकेलमैन इस नए प्रकार के विज्ञान के वास्तुकार (architects) के रूप में कार्य करते हैं। वे केवल यह नहीं कहते कि "चलो इन्हें मिलाते हैं"; वे एक कठोर गणितीय ढांचा बनाते हैं जो यह समझाने के लिए है कि यह मिश्रण कैसे और कब काम करता है, और कब यह गलत हो सकता है।

"ग्रे बॉक्स" का स्पेक्ट्रम
लेखक इन मॉडलों के बारे में सोचने का एक मजेदार तरीका पेश करते हैं जिसे "स्पेक्ट्रल" दृष्टिकोण कहा जाता है। एक स्लाइडिंग स्केल की कल्पना करें:

• व्हाइट बॉक्स (White Box): एक शुद्ध गणित मॉडल जहाँ प्रत्येक नियम ज्ञात है और लिखा गया है (जैसे एक आदर्श, पुराने जमाने का भौतिक समीकरण)।
• ब्लैक बॉक्स (Black Box): एक शुद्ध AI मॉडल जहाँ कंप्यूटर बिना किसी मानवीय इनपुट के, पूरी तरह से डेटा से नियमों का अनुमान लगाता है।
• ग्रे बॉक्स (Grey Box - हाइब्रिड): यह सबसे सटीक स्थान (sweet spot) है। यह एक ऐसा मॉडल है जहाँ हम ज्ञात नियमों (व्हाइट बॉक्स) को रखते हैं लेकिन भ्रमित करने वाले, अज्ञात भागों को एक न्यूरल नेटवर्क (ब्लैक बॉक्स) से बदल देते हैं।

पेपर तर्क देता है कि जबकि कुछ लोग सोचते हैं कि हमें पुराने नियमों को फेंक देना चाहिए और AI को सब कुछ करने देना चाहिए, यह एक बुरा विचार है। AI को अच्छी तरह से काम करने के लिए बहुत बड़े डेटा की आवश्यकता होती है, और कई क्षेत्रों (जैसे जीव विज्ञान या सामाजिक विज्ञान) में, हमारे पास वास्तव में इतना डेटा नहीं होता है। इसके अलावा, शुद्ध AI पर भरोसा करना कठिन है क्योंकि यह एक ब्लैक बॉक्स है। ज्ञात नियमों को बनाए रखकर, हम मॉडल को व्याख्या योग्य (interpretable) रखते हैं और इसे उन चीजों की भविष्यवाणी करने में सक्षम बनाते हैं जो इसने पहले नहीं देखी हैं।

"लापता हिस्सों को सीखना" का जादू
पेपर का मूल हिस्सा एक तरीका है जिससे AI को हमारे वैज्ञानिक व्यंजनों में "लापता सामग्रियों" को खोजने के लिए सिखाया जाता है।

• सेटअप: एक महामारी (महामारी कैसे फैलती है) के मॉडल की कल्पना करें। हम बुनियादी गणित जानते हैं: लोग बीमार होते हैं, ठीक होते हैं, और शायद फिर से बीमार पड़ सकते हैं। लेकिन हमें ठीक से नहीं पता कि वे कितनी तेजी से बीमार होते हैं या क्या यह गति मौसम के साथ बदलती है।
• ट्रिक: लेखक दिखाते हैं कि उन लापता गतियों का अनुमान लगाने के लिए समीकरण में एक न्यूरल नेटवर्क को कैसे प्लग किया जाए। नेटवर्क वास्तविक डेटा (जैसे मंगलवार को कितने लोग बीमार थे) को देखता है और अपने अनुमान को तब तक समायोजित करता है जब तक कि गणितीय मॉडल का पूर्वानुमान वास्तविक डेटा से मेल न खा जाए।
• परिणाम: अपने सिमुलेशन में, उन्होंने पाया कि यदि आप केवल कुछ सरल संख्याओं (जैसे एक स्थिर गति) का अनुमान लगाने की कोशिश करते हैं, तो AI उत्तर जल्दी और पूरी तरह से ढूंढ लेता है। लेकिन यदि आप AI को एक जटिल, बदलती हुई गति का अनुमान लगाने के लिए कहते हैं, तो वह भ्रमित हो जाता है। यह एक ऐसा समाधान ढूंढ सकता है जो पिछले डेटा के लिए बिल्कुल सही बैठता है, लेकिन भविष्य की भविष्यवाणी करने में बुरी तरह विफल हो जाता है।

"मैनिफोल्ड" (Manifold) का रहस्य
पेपर में सबसे दिलचस्प विचारों में से एक आइडेंटिफिएबिलिटी (identifiability) के बारे में है। कभी-कभी, केवल एक सही उत्तर नहीं होता; कई अलग-अलग संयोजनों के होते हैं जो डेटा को एक जैसा ही दिखाई देते हैं। लेखक इसे एक "मैनिफोल्ड" के रूप में वर्णित करते हैं—एक उच्च-आयामी स्थान (high-dimensional space) में एक आकार जहाँ सभी सही उत्तर मौजूद होते हैं।

• उपमा: कल्पना कीजिए कि आप एक छिपी हुई वस्तु की छाया को महसूस करके उसके आकार का अनुमान लगाने की कोशिश कर रहे हैं। कभी-कभी, एक गोला और एक चपटा डिस्क एक ही कोण से बिल्कुल एक जैसी छाया डाल सकते हैं। AI यह अनुमान लगाने में फंस सकता है कि यह एक डिस्क है जबकि वास्तव में यह एक गोला है।
• समाधान: पेपर इस पूरे "आकार" को मैप करने के लिए एक विशेष प्रकार के AI आर्किटेक्चर (जैसे एनकोडर-डिकोडर) का उपयोग करने का सुझाव देता है। केवल एक उत्तर चुनने के बजाय, यह संभावनाओं के पूरे परिदृश्य को सीखता है, जिससे हमें अनिश्चितता की बेहतर समझ मिलती है।

स्मृति और समय
पेपर स्मृति (memory) की समस्या को भी संबोधित करता है। वास्तविक दुनिया में, चीजें केवल इस पर निर्भर नहीं होतीं कि अभी क्या हो रहा है; वे इस पर भी निर्भर करती हैं कि कल, पिछले सप्ताह या पिछले महीने क्या हुआ था।

• प्रयोग: उन्होंने इसे फ्रूट फ्लाई न्यूरोट्रांसमिशन (तंत्रिका कोशिकाएं कैसे संवाद करती हैं) के मॉडल के साथ परखा। उन्होंने एक विशेष प्रकार के AI का उपयोग किया जिसे रिकरेंट न्यूरल नेटवर्क (RNN) कहा जाता है जिसमें "स्मृति" होती है।
• निष्कर्ष: AI ने सफलतापूर्वक सीखा कि तंत्रिका संकेतों की गति केवल वर्तमान तापमान पर नहीं, बल्कि तापमान परिवर्तन के इतिहास पर निर्भर करती है। इसने मॉडल को मक्खियों के भविष्य के व्यवहार की भविष्यवाणी करने में बहुत बेहतर बनाया।

वास्तविक दुनिया के अनुप्रयोग (सिम्युलेटेड)
लेखकों ने केवल सिद्धांत तक ही सीमित नहीं रहे; उन्होंने यह दिखाने के लिए सिमुलेशन चलाए कि यह कैसे काम करता है:

1. महामारियाँ: उन्होंने दिखाया कि एक हाइब्रिड मॉडल संक्रमण दर में समय के साथ बदलाव को सीख सकता है, लेकिन केवल तभी जब मॉडल बहुत अधिक "मुक्त" न हो। यदि उन्होंने AI को समीकरण के हर हिस्से को बदलने की अनुमति दी, तो वह भविष्य की भविष्यवाणी करने में विफल रहा, भले ही उसने अतीत को पूरी तरह से याद कर लिया था।
2. लेजर नियंत्रण: उन्होंने एक लेजर सिस्टम का सिमुलेशन किया जहाँ वातावरण लगातार बदलता रहता है (जैसे हवा का गर्म या ठंडा होना)। एक न्यूरल नेटवर्क एक कंट्रोलर के रूप में कार्य करता है, जो बीम को स्थिर रखने के लिए लेजर की सेटिंग्स को लगातार समायोजित करता है। सिमुलेशन ने दिखाया कि AI इन परिवर्तनों के अनुकूल वास्तविक समय में ढल सकता है, प्रभावी रूप से एक जटिल भौतिक प्रणाली को नियंत्रित करना "सीख" सकता है।

क्या पेपर खारिज करता है
यह ध्यान रखना महत्वपूर्ण है कि यह पेपर क्या नहीं कहता है। यह स्पष्ट रूप से इस विचार के विरुद्ध तर्क देता है कि हमें केवल अपने सभी वैज्ञानिक मॉडलों को शुद्ध AI से बदल देना चाहिए। लेखक दिखाते हैं कि उनके सिमुलेशन में, एक "ब्लैक बॉक्स" AI (बिना नियमों वाला एक) अक्सर नई स्थितियों में विफल हो जाता है यदि प्रशिक्षण डेटा सीमित हो। वे यह भी स्पष्ट करते हैं कि हालांकि हाइब्रिड मॉडल शक्तिशाली हैं, वे जादुई नहीं हैं; यदि समस्या बहुत जटिल है या डेटा बहुत कम है, तो AI अभी भी एक "लोकल मिनिमम" (एक गलत उत्तर जो अच्छा दिखता है) में फंस सकता है या वास्तविक अंतर्निहित भौतिकी को खोजने में विफल हो सकता है।

निष्कर्ष
गैस्किन, बैंकौस्की और विंकेलmann ने वैज्ञानिक मॉडलिंग के भविष्य के लिए एक "यूजर मैनुअल" प्रदान किया है। वे साबित करते हैं कि हमारे समीकरणों के अज्ञात हिस्सों को न्यूरल नेटवर्क द्वारा हल किए जाने वाले एक पहेली के रूप में मानकर, हम ऐसे मॉडल बना सकते हैं जो डेटा-संचालित और वैज्ञानिक रूप से ठोस दोनों हों। उनका सुझाव है कि सफलता की कुंजी केवल AI को स्मार्ट बनाना नहीं है, बल्कि उस समस्या के "आकार" को समझना है जिसे हम हल करने की कोशिश कर रहे हैं। यदि हम जानते हैं कि समस्या के कई संभावित समाधान हैं (एक मैनिफोल्ड), तो हमें एक ऐसे AI की आवश्यकता है जो उस पूरे आकार को मैप कर सके, न कि केवल एक बिंदु को चुने। यह दृष्टिकोण उन क्षेत्रों के लिए एक आशाजनक मार्ग प्रदान करता जहाँ डेटा दुर्लभ है और दांव ऊंचे हैं, जिससे हमें दुनिया को नियंत्रित करने वाले नियमों को खोए बिना अतीत से सीखने की अनुमति मिलती है।