AI এজেন্টের দ্বারা ব্লাশকে বক্ররেখার ইনভেরিয়েন্ট পুনরাবিষ্কার: একটি একক পরীক্ষা এবং তার সীমাবদ্ধতা
ইউনুস জেইতুনজুর কাজে পরীক্ষা করা হয়েছে, কোনো উপপাদ্যের স্পষ্ট বিবৃতি ছাড়াই একটি স্বায়ত্তশাসিত এজেন্ট সংখ্যাগত তথ্য থেকে ব্লাশকে সাধারণীকৃত বক্ররেখার একটি ধর্ম নির্ণয় করতে পারে কি না। ঘন মডেলটি নতুন প্যারামিটারের জন্য স্থানাঙ্কগুলো নিখুঁতভাবে পূর্বাভাস দেয়, তবে ফলাফলটি নির্ধারিত বহুপদী অনুসন্ধানের তুলনায় কোনো সুবিধা দেখায় না এবং এটি একটি বিশেষ ক্ষেত্রই থেকে যায়।

প্রেক্ষাপট: নিয়ন্ত্রিত পরিবেশ হিসেবে ব্লাশকে বক্ররেখা
প্রিপ্রিন্ট «Can an AI Agent Rediscover a Blaschke-Curve Invariant?» (লেখক — Yunus E. Zeytuncu, arxiv.org/abs/2609.38369)-এ সাধারণীকৃত ব্লাশকে বক্ররেখা নিয়ে আলোচনা করা হয়েছে। এগুলোকে AI-এর সাহায্যে গাণিতিক পুনরাবিষ্কারের জন্য নিয়ন্ত্রিত পরিবেশ হিসেবে বিবেচনা করা হয়েছে।
পরীক্ষাটি চতুর্থ ডিগ্রির একটি নির্দিষ্ট ব্লাশকে গুণফলকে কেন্দ্র করে সাজানো হয়েছে। এজেন্টকে ছয় জোড়া রেখার সংখ্যাসূচক স্থানাঙ্ক দেওয়া হয়েছিল। 80টি সীমানা-সংবিন্যাসের প্রতিটিই এই রেখাগুলো নির্ধারণ করেছিল। লক্ষ্য উপপাদ্যটি কাজের নির্দেশনায় অন্তর্ভুক্ত করা হয়নি।
এই পরিবেশে ঠিক কী দেওয়া হয়েছে:
- বস্তু — চতুর্থ ডিগ্রির একটি নির্দিষ্ট ব্লাশকে গুণফল;
- এজেন্টের ইনপুট — ছয় জোড়া রেখার সংখ্যাসূচক স্থানাঙ্ক;
- ইনপুটের পরিমাণ — 80টি সীমানা-সংবিন্যাস;
- গোপন অংশ — লক্ষ্য উপপাদ্য, যা নির্দেশনায় নেই।

উপসংহার: এই পরিবেশে পরিচিত ইনপুট ও অজানা লক্ষ্যকে আলাদা রাখা হয়েছে। এই ব্যবধানই প্রস্তুত উত্তর পুনরুৎপাদনের বদলে পুনরাবিষ্কারের কাজ তৈরি করে।
গবেষণার লগে কী নথিভুক্ত হয়েছে
সংরক্ষিত লগে বাতিল করা জ্যামিতিক অনুমানগুলোর বিবরণ রয়েছে। এতে বহুভুজের বাহুর সঙ্গে মানানসই একটি সমসত্ত্ব ঘন বহুপদীও নথিভুক্ত করা হয়েছে।
নথিভুক্ত সহগগুলো আগে না-দেখা প্যারামিটারের 80টি মানের জন্য 480টি রেখার পূর্বাভাস দেয়। নথিভুক্ত বর্গমূল গড় বর্গ অবমাত্রিক অবশিষ্টাংশ হলো 8.88×10⁻¹⁷।
উপসংহার: লগে শুধু চূড়ান্ত ফল নয়, অনুসন্ধানের পরিত্যক্ত পথগুলোও দেখা যায়। ব্যবহারিক মানদণ্ড হলো—ফলাফলের সাধারণ বর্ণনার বদলে নথিভুক্ত সহগ, পূর্বাভাস দেওয়া বস্তুর সংখ্যা এবং অবশিষ্টাংশ দেখা।
সামঞ্জস্য যাচাই ও তার সীমা
আবিষ্কারের সেটের কর্ণগুলো ফিটিংয়ের বাইরে সামঞ্জস্য যাচাইয়ের সুযোগ দেয়। তবে এগুলো সম্পূর্ণভাবে সংরক্ষিত পরীক্ষাসেট নয়।
একটি কনফিগারেশন নিয়ে আলাদা চালনায় দেখা গেছে, ইনভারিয়ান্ট প্রতিষ্ঠা করার জন্য ডেটা যথেষ্ট ছিল না।
উপসংহার: ফিটিংয়ের বাইরে সামঞ্জস্য এবং সংরক্ষিত পরীক্ষা—প্রমাণের দুটি ভিন্ন স্তর। এ ধরনের কাজ বিশ্লেষণের সময় সবার আগে এমন ডেটা খুঁজতে হবে, যা এজেন্ট দেখেনি।
নির্ধারণবাদী বেসলাইন পদ্ধতির সঙ্গে তুলনা
পিয়ার রিভিউয়ের পর পরিচালিত নির্ধারণবাদী ডিগ্রি-অনুসন্ধান বেসলাইন পদ্ধতিটিও একটি ঘন বহুপদী পুনরুদ্ধার করেছে। পরীক্ষাটি বহুপদী ফিটিংয়ের তুলনায় কোনো সুবিধা প্রমাণ করে না।
| মানদণ্ড | AI এজেন্ট | নির্ধারণবাদী বেসলাইন পদ্ধতি |
|---|---|---|
| যা করা হয়েছে | নিয়ন্ত্রিত পরিবেশে ইনভারিয়ান্ট পুনরাবিষ্কার | পিয়ার রিভিউয়ের পর ডিগ্রি অনুসন্ধান |
| ফলাফল | নথিভুক্ত সহগসহ সমসত্ত্ব ঘন বহুপদী | একই ঘন বহুপদী |
| প্রমাণিত সুবিধা | প্রতিষ্ঠিত হয়নি | প্রতিষ্ঠিত হয়নি |
উপসংহার: ফলাফলের মিল এজেন্টের পক্ষে যুক্তি হিসেবে এই ফলের মূল্য কমিয়ে দেয়। এই তুলনার গুরুত্ব হলো, নাল হাইপোথিসিস এড়িয়ে যাওয়া হয়নি, বরং যাচাই করা হয়েছে।
একটি ঘটনার সীমাবদ্ধতা
লেখকেরা কাজটিকে একটি একক ঘটনার গবেষণা এবং একটি প্রোটোকল হিসেবে উপস্থাপন করেছেন। প্রোটোকলটি অনুমান উত্থাপন, সংখ্যাসূচক যাচাই এবং প্রমাণকে পৃথক করে। এজেন্টের মেটাডেটা, পূর্বজ্ঞান এবং পুনরুৎপাদনযোগ্যতার সঙ্গে সম্পর্কিত সীমাবদ্ধতাগুলোও আলাদাভাবে উল্লেখ করা হয়েছে।
উপসংহার: একটি বিচ্ছিন্ন সাফল্য অনুসন্ধানের সংগঠন বর্ণনা করে, পদ্ধতির প্রমাণিত বৈশিষ্ট্য নয়। এমন ফলকে অন্য অনুসন্ধানপদ্ধতির তুলনায় AI-এর শ্রেষ্ঠত্বের প্রমাণ না ধরে, প্রোটোকলের উদাহরণ হিসেবে পড়াই যুক্তিযুক্ত।
কাজের ধরন ও অবস্থা
কাজটি NeurIPS 2026 Workshop on Mathematical Reasoning and AI (MATH-AI)-তে পোস্টার উপস্থাপনার জন্য গৃহীত হয়েছে।
উপসংহার: পোস্টার উপস্থাপনার ধরন এবং MATH-AI-তে উপস্থাপনের সুযোগ—দুটিই একটি একক গবেষণা হিসেবে ঘোষিত অবস্থার সঙ্গে সামঞ্জস্যপূর্ণ। এজেন্টদের সক্ষমতা সম্পর্কে চূড়ান্ত দাবি হিসেবে নয়, বরং পদ্ধতি নিয়ে আলোচনার আমন্ত্রণ হিসেবে উপাদানটিকে দেখা উচিত।
সাধারণ প্রশ্নোত্তর
বিভিন্ন উপাদান
সব উপাদান
ফাইন-টিউনিং ছাড়াই উৎসের SQL উপস্থাপনার মাধ্যমে LLM-এর হ্যালুসিনেশন যাচাই করা
এই গবেষণায় যাচাই করা হয়েছে, হ্যালুসিনেশন শনাক্তকরণে তত্ত্বাবধান ছাড়াই উৎসের সঙ্গে সংযোগ স্থাপনের জন্য LLM কি একটি মৌলিক প্রতীকী দক্ষতা—উৎস নথি থেকে SQL ডেটাবেস তৈরি—ব্যবহার করতে পারে। RAGTruth ও DiaHalu-তে এই নিউরো-সিম্বলিক পাইপলাইনটি সরাসরি পূর্বাভাসের চেয়ে বেশি নির্ভুল এবং অত্যাধুনিক পদ্ধতিগুলোর সঙ্গে তুলনীয়, অথচ বিষয়ভিত্তিক সূক্ষ্ম-টিউনিংয়ের প্রয়োজন হয় না।
9 নভেম্বর 2026
MathAdv: মেশিন-উৎপন্ন প্রমাণের চূড়ান্ত নির্ভুলতার আড়ালে কী লুকিয়ে আছে
গণিতের ১৩টি বিশ্ববিদ্যালয় ও স্নাতকোত্তর শাখার কাজ নিয়ে তৈরি এই ডায়াগনস্টিক সেটটি Lean 4-এ মেশিন প্রুফ সিস্টেমকে শুধু চূড়ান্ত ফলাফলের ভিত্তিতে নয়, বিষয়জ্ঞান, অনানুষ্ঠানিক যুক্তির গুণমান এবং শর্তাবলি নতুনভাবে উপস্থাপন করা হলে তা সামাল দেওয়ার সক্ষমতার ভিত্তিতেও মূল্যায়ন করে। উপাদানভিত্তিক বিশ্লেষণে দেখা যায়, কোনো সমস্যাকে আনুষ্ঠানিক রূপে রূপান্তর করা এখনও প্রধান বাধা; আর সাফল্য গণিতের শাখা ও সমস্যা উপস্থাপনের পদ্ধতির ওপর অনেকটাই নির্ভর করে।
9 নভেম্বর 2026
AffordanceWAM: দৃশ্য পূর্বাভাস ও ম্যানিপুলেটর নিয়ন্ত্রণের মধ্যস্থতাকারী হিসেবে অ্যাফোর্ড্যান্সগুলি
এই কাজটিতে এমন একটি জেনারেটিভ মডেলের বর্ণনা দেওয়া হয়েছে, যা একই সঙ্গে ভবিষ্যতের RGB পর্যবেক্ষণ, স্কেলার ফিল্ড ও অ্যাফোর্ড্যান্সের হিটম্যাপ এবং রোবটের অবিচ্ছিন্ন কমান্ড পূর্বাভাস দেয়। অ্যাকশন অ্যানোটেশন ও রিটার্গেটিং ছাড়াই মানুষের ভিডিও ব্যবহার করে এটি পারস্পরিক ক্রিয়ার বৈচিত্র্য বাড়ায়। RoboCasa, CALVIN ABC→D এবং বাস্তব কাজগুলোতে, শুধু RGB ও শুধু রোবটের ডেটার ওপর ভিত্তি করে তৈরি বেসলাইনগুলোর তুলনায় এই পদ্ধতি ধারাবাহিকভাবে ভালো ফল দেয়।
9 নভেম্বর 2026