विश्लेषणात्मक ज्यामिति — AI के लिए अनकही बाधा
आधुनिक मॉडल ज्यामितीय समस्याओं को हल करने में काफी अच्छे हो गए हैं, जिनमें आकृतियाँ पहले से ही चित्र में बनी होती हैं। विश्लेषणात्मक ज्यामिति के मामले में स्थिति कहीं अधिक जटिल है: यहाँ वस्तुएँ समीकरणों, निर्देशांकों और स्पर्श या प्रतिच्छेदन की शर्तों द्वारा परिभाषित होती हैं। ऐसी प्रणालियों को प्रशिक्षित करने के लिए लेबल किए गए उदाहरणों की आवश्यकता होती है — कार्य, पाठ, सटीक चित्र और उत्तर। और इन्हीं के साथ सबसे बड़ी समस्या है: तैयार डेटासेट लगभग नहीं हैं, और उन्हें स्वचालित रूप से प्राप्त करना अत्यंत कठिन है।
आखिर टेम्पलेट से चित्र क्यों नहीं बनाए जा सकते? पता चलता है कि क्लासिकल टास्क जनरेटर केवल कठोर रूप से निर्धारित परिदृश्यों के साथ काम करते हैं। जैसे ही कोई बाधा आती है जैसे «वृत्त परवलय को पूर्णांक निर्देशांक वाले बिंदु पर स्पर्श करता है», टेम्पलेट टूट जाता है। दूसरी ओर, जनरेटिव न्यूरल नेटवर्क विश्वसनीय आरेख बना सकते हैं, लेकिन गणितीय सटीकता की गारंटी नहीं देते: वक्र वहाँ प्रतिच्छेद नहीं कर सकते जहाँ आवश्यक हो, और स्पर्श केवल दृश्य हो सकता है।
एक ऐसे दृष्टिकोण की आवश्यकता है जो शुरू से ही औपचारिक नियमों के अनुसार आरेख बनाए, न कि इंटरनेट से «औसत» तस्वीर के आधार पर।
फ्रेमवर्क कैसे काम करता है: शर्त से सटीक चित्र तक
शोधकर्ताओं ने FormalAnalyticGeo प्रस्तावित किया — एक पूर्णतः स्वचालित पाइपलाइन जो न्यूरल नेटवर्क को प्रतीकात्मक सत्यापन के साथ जोड़ती है। जनरेटिव मॉडल पर चित्र बनाने का भरोसा करने के बजाय, सिस्टम कार्य को एक मध्यवर्ती औपचारिक विवरण में अनुवादित करता है और उसके बाद ही आरेख रेंडर करता है। यह पूरे कार्य के दौरान ज्यामितीय सटीकता को नियंत्रण में रखने की अनुमति देता है।
CDL और SDF: पाठ और चित्र के बीच का सेतु
केंद्रीय विचार CDL (Condition Description Language) — शर्त विवरण भाषा है। यह एक मध्यवर्ती प्रतिनिधित्व है जो दो भूमिकाएँ निभाता है: यह कार्य की शर्तों को संरचित करता है, जिन्हें मुक्त पाठ में वर्णित किया गया है, और साथ ही रेंडरिंग के लिए आवश्यक सभी डेटा रखता है। यह प्रारूप पारंपरिक पैरामीट्रिक टेम्पलेट्स की तुलना में कहीं अधिक लचीला साबित होता है: इसमें बिंदुओं, रेखाओं और शंकु वर्गों के मनमाने संयोजन व्यक्त किए जा सकते हैं।
रेंडरिंग एक इंजन द्वारा की जाती है जो Signed Distance Field (SDF) तकनीक पर काम करता है। प्रत्येक वस्तु को उसकी सीमा तक दूरी के फलन द्वारा वर्णित किया जाता है — बाहर सकारात्मक क्षेत्र, अंदर नकारात्मक। इसके कारण वस्तुओं की पारस्परिक स्थिति की गणना करना आसान होता है: प्रतिच्छेदन, स्पर्श, बिंदु का वक्र पर होना। यही SDF वह गणितीय सटीकता प्रदान करता है जिसकी सामान्य जनरेटिव दृष्टिकोणों में कमी होती है।
चार घटक: जनरेशन, औपचारिकीकरण, माप और नियंत्रण
फ्रेमवर्क के भीतर चार विशेषीकृत LLM-घटक काम करते हैं, प्रत्येक का अपना कार्य है:
- Generator — कार्य की शर्त बनाता है, पैरामीटर और ज्यामितीय कथानक चुनता है।
- Formalizer — पाठ को CDL में अनुवादित करता है, अर्थात मुक्त अभिव्यक्ति को औपचारिक संरचना में बदलता है जिसे इंजन समझ सके।
- Measurer — पहले से गणना किए गए आरेख का विश्लेषण करता है और उससे संदर्भ उत्तर «मापता» है, मानवीय क्रियाओं का अनुकरण करते हुए।
- Quality Verifier — पिछले तीन चरणों में से प्रत्येक पर गुणवत्ता की जाँच करता है: पाठ की शुद्धता, CDL की औपचारिक वैधता और चित्र के साथ उत्तर की संगति।
Quality Verifier केवल खराब उदाहरणों को अस्वीकार नहीं करता। यह संरचित प्रतिक्रिया बनाता है और पाइपलाइन को आवश्यक चरण को फिर से निष्पादित करने के लिए भेजता है। इस प्रकार एक बंद लूप बनता है जिसमें कोई भी मानव भाग नहीं लेता: त्रुटियाँ स्वचालित रूप से ठीक होती हैं जब तक कि परिणाम सभी जाँचों को पार नहीं कर लेता।
AnalyticGeo7K: वास्तविक डेटा पर परीक्षण
फ्रेमवर्क को वास्तविक रूप से परखने के लिए, लेखकों ने AnalyticGeo7K डेटासेट एकत्र और साफ किया। इसमें सात हज़ार से अधिक कार्य शामिल हैं, जिनमें से प्रत्येक में चार तत्व संगत हैं: शर्त, आरेख, औपचारिक एनोटेशन और उत्तर। पिछले डेटासेट में इस जटिलता का अभाव था।
परिणाम उत्साहजनक दिखते हैं। आरेखों के दृश्य माप से प्राप्त संदर्भ उत्तरों की माध्यिका सापेक्ष त्रुटि लगभग 0.7% रही। यदि सटीक प्रतीकात्मक समाधान से पाँच प्रतिशत तक की सहनशीलता मान ली जाए, तो सभी जनरेट किए गए उत्तरों का 82.3% इस अंतराल में आता है। इसका अर्थ है कि स्वचालित पाइपलाइन न केवल विश्वसनीय, बल्कि वास्तव में सही कार्य सटीक चित्रों के साथ उत्पन्न करने में सक्षम है।
आगे क्या
लेखक फ्रेमवर्क और डेटासेट दोनों को सार्वजनिक उपयोग के लिए खोलने की योजना बना रहे हैं। यह दिलचस्प संभावनाएँ खोलता है: शिक्षक सटीक चित्रण के साथ असीमित संख्या में नए कार्य शीघ्रता से प्राप्त कर सकेंगे, और शोधकर्ता गणितीय सोच के लिए मॉडलों को प्रशिक्षित करने हेतु नए डेटा का उपयोग कर सकेंगे। इसके अलावा, वास्तुकला को निश्चित रूप से ज्यामिति के अन्य वर्गों या यहाँ तक कि संबंधित विषयों में स्थानांतरित किया जा सकता है, जहाँ पाठ, सूत्र और छवि के बीच सख्त संबंध महत्वपूर्ण है।
फिलहाल FormalAnalyticGeo मुख्य बात प्रदर्शित करता है: न्यूरल नेटवर्क जनरेशन का औपचारिक सत्यापन के साथ संयोजन बिना मैन्युअल कार्य के गुणवत्तापूर्ण मल्टीमॉडल डेटा प्राप्त करने की अनुमति देता है, और यह सिद्धांत संभवतः भविष्य के शैक्षिक सामग्री जनरेटर के लिए मानक बन जाएगा।
