एआई एजेंट द्वारा ब्लाश्के वक्र के इनवेरिएंट की पुनः खोज: एकल प्रयोग और उसकी सीमाएँ

28 अक्टूबर 20262 बार देखा गया

यूनुस ज़ेतुन्जू के काम में यह जाँचा जाता है कि क्या कोई स्वायत्त एजेंट प्रमेय का स्पष्ट सूत्र दिए बिना संख्यात्मक डेटा से सामान्यीकृत ब्लाश्के वक्रों के गुण का निष्कर्ष निकाल सकता है। घन मॉडल नए पैरामीटरों के लिए निर्देशांकों की सटीक भविष्यवाणी करता है, लेकिन परिणाम नियतात्मक बहुपद खोज की तुलना में कोई लाभ नहीं दिखाता और एक विशेष मामला ही बना रहता है।

एआई एजेंट द्वारा ब्लाश्के वक्र के इनवेरिएंट की पुनः खोज: एकल प्रयोग और उसकी सीमाएँ

समस्या की रूपरेखा: नियंत्रित परिवेश के रूप में ब्लाश्के वक्र

प्रीप्रिंट «Can an AI Agent Rediscover a Blaschke-Curve Invariant?» (लेखक — Yunus E. Zeytuncu, arxiv.org/abs/2609.38369) सामान्यीकृत ब्लाश्के वक्रों का अध्ययन करता है। इन्हें AI की मदद से गणितीय पुनर्खोज के लिए एक नियंत्रित परिवेश के रूप में देखा गया है।

प्रयोग चौथी घात के एक नियत ब्लाश्के गुणनफल के इर्द-गिर्द बनाया गया है। एजेंट को छह युग्मित रेखाओं के संख्यात्मक निर्देशांक दिए गए। इन रेखाओं को 80 सीमा विन्यासों में से प्रत्येक ने निर्धारित किया था। लक्ष्य प्रमेय को कार्य-निर्देशों में शामिल नहीं किया गया था।

इस परिवेश में ठीक-ठीक क्या दिया गया है:

  • वस्तु — चौथी घात का एक नियत ब्लाश्के गुणनफल;
  • एजेंट का इनपुट — छह युग्मित रेखाओं के संख्यात्मक निर्देशांक;
  • इनपुट का आकार — 80 सीमा विन्यास;
  • छिपा हुआ हिस्सा — लक्ष्य प्रमेय, जो निर्देशों में नहीं है।

निष्कर्ष: यह परिवेश ज्ञात इनपुट और अज्ञात लक्ष्य को अलग रखता है। यही अंतर तैयार उत्तर को दोहराने के बजाय पुनर्खोज की समस्या पैदा करता है।

शोध लॉग में क्या दर्ज किया गया

सहेजे गए लॉग में वे ज्यामितीय परिकल्पनाएँ दर्ज हैं जिन्हें खारिज कर दिया गया था। इसमें बहुभुज की भुजाओं के आधार पर फिट किया गया एक समघात घन बहुपद भी दर्ज है।

दर्ज किए गए गुणांक, पैरामीटर के पहले न देखे गए 80 मानों के लिए 480 रेखाओं की भविष्यवाणी करते हैं। दर्ज किया गया RMS आयामरहित अवशेष 8.88×10⁻¹⁷ है।

निष्कर्ष: लॉग केवल अंतिम परिणाम ही नहीं, बल्कि खोज की छोड़ी गई शाखाएँ भी दिखाता है। व्यावहारिक मानदंड यह है कि परिणाम के सामान्य वर्णन के बजाय दर्ज गुणांकों, पूर्वानुमानित वस्तुओं की संख्या और अवशेष को देखा जाए।

संगति की जाँच और उसकी सीमाएँ

खोज के लिए इस्तेमाल किए गए समूह के विकर्ण, फिटिंग से बाहर संगति की जाँच देते हैं। लेकिन वे पूरी तरह अलग रखे गए परीक्षण नहीं हैं।

डेटा के एक ही विन्यास के साथ अलग से किए गए रन में, अपरिवर्तनीयता स्थापित करने के लिए पर्याप्त डेटा नहीं था।

निष्कर्ष: फिटिंग से बाहर संगति और अलग रखे गए परीक्षण, साक्ष्य के अलग-अलग स्तर हैं। ऐसे कार्यों का विश्लेषण करते समय सबसे पहले उन डेटा को देखना चाहिए जिन्हें एजेंट ने नहीं देखा था।

नियतात्मक आधारभूत विधि से तुलना

समीक्षा के बाद की गई नियतात्मक आधारभूत विधि ने भी घन बहुपद पुनर्प्राप्त किया। यह प्रयोग बहुपद फिटिंग पर किसी लाभ को सिद्ध नहीं करता।

मानदंडAI एजेंटनियतात्मक आधारभूत विधि
क्या किया गयानियंत्रित परिवेश में अपरिवर्तनीय की पुनर्खोजसमीक्षा के बाद घात की खोज
परिणामदर्ज गुणांकों वाला समघात घन बहुपदवही घन बहुपद
सिद्ध लाभस्थापित नहींस्थापित नहीं

निष्कर्ष: परिणामों का मेल एजेंट के पक्ष में तर्क देने की गुंजाइश नहीं छोड़ता। इस तुलना का महत्व यह है कि शून्य परिकल्पना को जाँचा गया, उससे बचा नहीं गया।

एक मामले की सीमाएँ

लेखक इस कार्य को एक मामले के अध्ययन और एक प्रोटोकॉल के रूप में प्रस्तुत करते हैं। यह प्रोटोकॉल परिकल्पना बनाने, संख्यात्मक जाँच और प्रमाण को अलग-अलग रखता है। एजेंट के मेटाडेटा, पूर्व ज्ञान और पुनरुत्पादकता से जुड़ी सीमाओं का भी अलग से उल्लेख किया गया है।

निष्कर्ष: एकल सफलता खोज की प्रक्रिया का वर्णन करती है, विधि के किसी सिद्ध गुण का नहीं। ऐसे परिणाम को खोज-प्रोटोकॉल के उदाहरण के रूप में पढ़ना उचित है, न कि खोज के अन्य तरीकों पर AI की श्रेष्ठता की पुष्टि के रूप में।

कार्य का प्रारूप और स्थिति

कार्य को NeurIPS 2026 Workshop on Mathematical Reasoning and AI (MATH-AI) में पोस्टर प्रस्तुति के लिए स्वीकार किया गया है।

निष्कर्ष: पोस्टर प्रारूप और MATH-AI का मंच, एकल अध्ययन की बताई गई स्थिति के अनुरूप हैं। सामग्री को एजेंटों की क्षमताओं पर अंतिम दावे के बजाय, विधि पर चर्चा के निमंत्रण के रूप में देखना चाहिए।

अक्सर पूछे जाने वाले प्रश्न

समान सामग्री

सभी सामग्री
बिना फ़ाइन-ट्यूनिंग के स्रोतों के SQL व्यू के ज़रिए LLM के भ्रमों की जाँच
समाचार

बिना फ़ाइन-ट्यूनिंग के स्रोतों के SQL व्यू के ज़रिए LLM के भ्रमों की जाँच

यह काम जाँचता है कि क्या LLM मतिभ्रम का पता लगाने के लिए बिना पर्यवेक्षण के स्रोत से जोड़ने हेतु एक बुनियादी प्रतीकात्मक कौशल—स्रोत दस्तावेज़ों के आधार पर SQL डेटाबेस बनाना—का उपयोग कर सकता है। RAGTruth और DiaHalu पर यह न्यूरो-सिम्बॉलिक पाइपलाइन सीधे भविष्यवाणी करने से अधिक सटीक साबित होती है और अत्याधुनिक तरीकों के बराबर प्रदर्शन करती है, जबकि इसके लिए डोमेन-विशिष्ट फ़ाइन-ट्यूनिंग की आवश्यकता नहीं होती।

9 नवम्बर 2026
MathAdv: मशीन-निर्मित प्रमाणों की अंतिम सटीकता के पीछे क्या छिपा है?
समाचार

MathAdv: मशीन-निर्मित प्रमाणों की अंतिम सटीकता के पीछे क्या छिपा है?

गणित के 13 स्नातक और स्नातकोत्तर विषयों के कार्यों का यह नैदानिक ​​समूह Lean 4 में स्वचालित प्रमेय-प्रमाणन प्रणालियों का मूल्यांकन केवल अंतिम परिणाम के आधार पर नहीं, बल्कि विषय पर उनकी पकड़, अनौपचारिक तर्क की गुणवत्ता और शर्तों को नए शब्दों में प्रस्तुत किए जाने पर उनकी मजबूती के आधार पर भी करता है। घटक-वार विश्लेषण से पता चलता है कि किसी समस्या को औपचारिक रूप में बदलना अब भी सबसे बड़ी बाधा है, और सफलता गणित के क्षेत्र तथा समस्या को प्रस्तुत करने के तरीके पर बहुत अधिक निर्भर करती है।

9 नवम्बर 2026
AffordanceWAM: दृश्य पूर्वानुमान और मैनिपुलेटर नियंत्रण के बीच मध्यस्थ के रूप में अफ़ॉर्डेंस
अनुसंधान

AffordanceWAM: दृश्य पूर्वानुमान और मैनिपुलेटर नियंत्रण के बीच मध्यस्थ के रूप में अफ़ॉर्डेंस

यह कार्य एक जनरेटिव मॉडल का वर्णन करता है, जो मानव वीडियो का उपयोग करके बिना क्रिया एनोटेशन और रीटार्गेटिंग के अंतःक्रियाओं की विविधता बढ़ाते हुए, भविष्य के RGB अवलोकनों, स्केलर फ़ील्ड्स और अफ़ॉर्डेंस हीटमैप्स तथा रोबोट के सतत कमांड्स का एक साथ पूर्वानुमान लगाता है। RoboCasa, CALVIN ABC→D और वास्तविक दुनिया के कार्यों पर, यह दृष्टिकोण केवल-RGB और केवल-रोबोट डेटा वाले बेसलाइन की तुलना में लगातार बेहतर प्रदर्शन करता है।

9 नवम्बर 2026
एआई एजेंट द्वारा ब्लाश्के वक्र के इनवेरिएंट की पुनः खोज: एकल प्रयोग और उसकी सीमाएँ