Markdown সংস্করণ

AI-translated from English; not yet reviewed by a fluent editor.

# বৈজ্ঞানিক অনুমানের অনুসন্ধানে অনিশ্চয়তা দৃশ্যমান রাখার একটি পদ্ধতি

> একটি নতুন গবেষণাপত্র প্রার্থী ব্যাখ্যাগুলোকে পরিসংখ্যানগত প্রত্যয়ন, পটভূমি জ্ঞানের সঙ্গে সামঞ্জস্য এবং সরলতার ভিত্তিতে ক্রমবিন্যাস করে; এরপর কৃত্রিম ও ডেটাসেটভিত্তিক কাজে পদ্ধতিটির আচরণ পরীক্ষা করে।

By BIG CHANGE Editorial

Published: 2026-10-10T09:19:56.532Z
Updated: 2026-10-10T09:19:56.532Z
Canonical: https://bigchange.ai/blog/possibility-frontier-search-scientific-hypotheses

![Two subtly different mineral inclusions share a fractured stone slab, with a narrow beam of light revealing their boundary.](https://bigchange.ai/api/media/file/possibility-frontier-states-hero-v1.png)
AI-generated conceptual illustration by BIG CHANGE; mineral forms and light are metaphorical, not a reported experiment.

একটি নতুন গবেষণাপত্র প্রমাণ জমতে থাকা এবং প্রার্থী ব্যাখ্যার তালিকা বাড়তে থাকার সময় ব্যাখ্যাগুলো সাজানোর পদ্ধতি প্রস্তাব করেছে। Possibility Frontier Search নামের পদ্ধতিটি প্রথমে পরিসংখ্যানগত প্রত্যয়ন, তারপর পটভূমি জ্ঞানের সঙ্গে সামঞ্জস্য, এরপর সরলতাকে অগ্রাধিকার দেয়। এই ক্রমের উদ্দেশ্য হলো আকর্ষণীয় হলেও অসমর্থিত ব্যাখ্যাকে কেবল পূর্বধারণার সঙ্গে মেলে বলে জিততে না দেওয়া।

কাজটি একটি কাঠামো ও অ্যালগরিদম, কোনো ব্যবস্থার বৈজ্ঞানিক আবিষ্কারের প্রতিবেদন নয়। Anita Yang ও চার সহলেখক ৮ অক্টোবর ২০২৬-এ arXiv v1 হিসেবে গবেষণাপত্রটি প্রকাশ করেন। এতে ঘোষিত অনুমানের অধীনে আনুষ্ঠানিক ফল, একটি নিয়ন্ত্রিত কৃত্রিম পরীক্ষা এবং বাস্তব জগতের দুটি ডেটাসেটে অনুসন্ধানমূলক পরীক্ষা রয়েছে।

## বড় পরিবর্তন

- **কী বদলেছে:** গবেষণাপত্রটি Possibility Frontier Search প্রস্তাব করে, যা ক্রমবর্ধমান অনুমানসমষ্টিকে পরিসংখ্যানগত প্রত্যয়ন, পটভূমির সঙ্গে সামঞ্জস্য এবং সরলতার ভিত্তিতে সাজায়।
- **কেন গুরুত্বপূর্ণ:** এআই-তৈরি ব্যাখ্যা মূল্যায়নকারী গবেষকদের জন্য এটি পরিসংখ্যানগত সমর্থনকে পূর্বজ্ঞানভিত্তিক সম্ভাব্যতা থেকে আলাদা করে এবং নির্দিষ্টতাকে কেবল সমতা ভাঙার মানদণ্ড হিসেবে ব্যবহার করে। ফলে র‌্যাঙ্কিং কোথায় প্রমাণ প্রতিফলিত করে আর কোথায় স্থির পটভূমি মডেল প্রতিফলিত করে, তা বোঝা যায়। আনুষ্ঠানিক ফলটি শর্তসাপেক্ষ; দুটি ডেটাসেটের কেস স্টাডি লেখকদের রিপোর্ট করা অনুসন্ধানমূলক মূল্যায়ন।
- **যা নজরে রাখবেন:** পদ্ধতির সিদ্ধান্ত নির্ভর করে এর জেনারেটর কী প্রস্তাব করতে পারে, দাবিগুলো কীভাবে পরীক্ষাযোগ্য সেটে রূপান্তরিত হয় এবং স্থির পটভূমি মডেল কতটা মানানসই তার ওপর। প্রিপ্রিন্টে বাস্তবে মোতায়েন করা আবিষ্কার বা স্বাধীন পুনরাবৃত্তির কথা নেই।

## সম্ভাব্যতা আর probability এক নয়

কোন অবস্থাগুলো এখনো বাতিল হয়নি তা দেখাতে গবেষণাপত্রটি possibility theory ব্যবহার করে। possibility score 1 হওয়ার অর্থ কোনো অনুমান সত্য হওয়ার ১০০ শতাংশ সম্ভাবনা নয়। এর অর্থ প্রমাণ সেটিকে বাদ দেয়নি। তথ্য দুর্বল হলে কোনো দাবি এবং তার বিপরীত—দুটিই সম্ভব থেকে যেতে পারে।

এই পার্থক্য লেখকদের প্রতিদ্বন্দ্বী ব্যাখ্যাগুলোর মধ্যে নির্দিষ্ট মোট probability ভাগ করতে ব্যবস্থা বাধ্য না করেই অমীমাংসিত অনিশ্চয়তা প্রকাশ করতে দেয়। তাঁরা ধারাবাহিক e-process থেকে প্রমাণভিত্তিক possibility তৈরি করেন; এটি পরিসংখ্যানগত প্রমাণের এমন রূপ যা সময়ের সঙ্গে তথ্য সংগ্রহ ও থামার সিদ্ধান্ত বদলালেও বৈধ থাকার জন্য নকশা করা হয়েছে।

নির্বাচিত ত্রুটি-সীমায় পদ্ধতিটি একটি version space বজায় রাখে: জমা হওয়া প্রমাণ যে parameter state-গুলো বাদ দেয়নি, তাদের সমষ্টি। ওই সমষ্টির সঙ্গে সম্পর্ক রেখে এটি প্রার্থী অনুমানগুলো চিহ্নিত করে। কোনো অনুমানে অবশিষ্ট কোনো state না থাকলে সেটি খণ্ডিত। কিছু অবশিষ্ট state থাকলেও সব না থাকলে সেটি উন্মুক্ত থাকে। version space ফাঁকা না হলে, তার প্রতিটি অবশিষ্ট state অনুমানের মধ্যে পড়লে এবং অনুমানটি পূর্ণ state space-এর প্রকৃত উপসেট হলে সেটি প্রত্যয়িত হয়। শেষ শর্তটি সব সম্ভাব্য state-কে অন্তর্ভুক্ত করা বৃত্তাকার দাবিকে বাদ দেয়।

গবেষণাপত্রের মডেল-অনুমানের অধীনে এটি সময়-সর্বত্রের নিশ্চয়তা দেয়: যেকোনো মিথ্যা প্রার্থী যেকোনো সময় প্রত্যয়িত হওয়ার সম্ভাবনা নির্বাচিত ত্রুটি-স্তরে সীমাবদ্ধ। নিশ্চয়তাটি অভিযোজিত প্রমাণ এবং একই জমা রেকর্ড ব্যবহার করে তৈরি প্রার্থীকে বিবেচনা করে। এটি দাবির আনুষ্ঠানিক, পরীক্ষাযোগ্য উপস্থাপনার ক্ষেত্রে প্রযোজ্য; কোড ও পরীক্ষা করা হয়নি এমন অতিরিক্ত কারণগত বা প্রক্রিয়াগত ভাষার ক্ষেত্রে নয়।

## ক্রম অনুসারে তিনটি পরীক্ষা

র‌্যাঙ্কিংটি lexicographic, তাই পরের পছন্দ আগেরটিকে অতিক্রম করতে পারে না।

1. **পরিসংখ্যানগত প্রত্যয়ন।** প্রার্থীকে প্রমাণের পরীক্ষা টিকে থাকতে হবে। কেবল উন্মুক্ত থাকা অনুমান প্রত্যয়িত অনুমানের চেয়ে ওপরে যেতে পারে না।
2. **পটভূমি জ্ঞানের সঙ্গে সামঞ্জস্য।** প্রত্যয়িত প্রার্থীদের মধ্যে পদ্ধতিটি সর্বোচ্চ নিশ্চিত possibility-যুক্তটিকে পছন্দ করে। অনুমানটি যে সব state অনুমোদন করে, তাদের মধ্যে সর্বনিম্ন পটভূমি-সামঞ্জস্য মান হলো score। লেখকদের ব্যাখ্যায়, দাবি মানাতে স্থির পটভূমি কাঠামো কতটা বদলাতে হবে তা কমানোই এর অর্থ। এটি প্রার্থীগুলোর মধ্যে তুলনা, বৈজ্ঞানিক জ্ঞানের স্বয়ংক্রিয় সংশোধন নয়।
3. **সরলতা।** এই পরীক্ষাগুলোতে প্রার্থীরা সমান হলে, কম state উপস্থাপন করা অনুমানকে পদ্ধতিটি পছন্দ করে। এই আনুষ্ঠানিকতায় কম state মানে আরও নির্দিষ্ট দাবি।

ক্রমটি গুরুত্বপূর্ণ। সরলতা প্রত্যয়নে ব্যর্থ দাবিকে বাঁচায় না, আর পূর্বের সঙ্গে সামঞ্জস্য প্রমাণ হিসেবে গণ্য হয় না। পটভূমি score-ও কোনো অনুমান সম্ভবত সত্য বোঝায় না: এটি নির্বাচিত পটভূমি মডেলের অধীনে সামঞ্জস্য মাপে।

## সীমান্ত অনুসন্ধান

Possibility Frontier Search অনুমান প্রস্তাব করা এবং পরীক্ষা বেছে নেওয়ার মধ্যে পালাক্রমে কাজ করে। এর জেনারেটর পটভূমি জ্ঞান, জমা ডেটা, টিকে থাকা state এবং আগের প্রার্থীদের থেকে প্রার্থী তৈরি করে। ইতিমধ্যে খণ্ডিত হয়নি এমন প্রার্থী পদ্ধতিটি ধরে রাখে।

এরপর এটি এমন উন্মুক্ত অনুমানের ওপর পরীক্ষামূলক প্রচেষ্টা কেন্দ্রীভূত করে যা বর্তমান সেরা ফল উন্নত করতে পারে: পটভূমির সঙ্গে বেশি সামঞ্জস্যপূর্ণ প্রার্থী, অথবা সমান সামঞ্জস্যের হলেও সরলতর প্রার্থী। প্রতিটি এমন অনুমানের জন্য “frontier” হলো দাবির বিপরীত পাশে থাকা টিকে যাওয়া state-গুলোর জোড়া। মডেলের প্রত্যাশিত ফল-পার্থক্য ব্যবহার করে সবচেয়ে কঠিনে আলাদা করা সক্রিয় জোড়াকে যতটা সম্ভব পৃথক করবে, এমন পরের পরীক্ষা নির্বাচন করা হয়। সসীম ক্ষেত্রে লেখকেরা এই নির্বাচনকে linear program দিয়ে সমাধানযোগ্য optimization হিসেবে বর্ণনা করেন।

গবেষণাপত্রে থামার একটি সনদও আছে। জানা কোনো উন্মুক্ত প্রার্থী র‌্যাঙ্কিং উন্নত করতে না পারলে এবং সেরা প্রত্যয়িত utility ও পৌঁছানো সম্ভব utility-র ঊর্ধ্বসীমার ব্যবধান নির্বাচিত tolerance-এর বেশি না হলে অ্যালগরিদম থামতে পারে। এই সনদে পৌঁছানো মানেই অনুসন্ধান সসীম সময়ে শেষ হবে—এ নিশ্চয়তা নয়; লেখকেরা তা স্পষ্ট বলেছেন।

আনুষ্ঠানিক পুনরুদ্ধার ফলটি শর্তসাপেক্ষ। উপপাদ্যটি ধরে নেয়, অন্যান্য বিষয়ের মধ্যে, সসীম state ও action space, পৃথক state আলাদা করতে সক্ষম পরীক্ষা, likelihood-ratio প্রমাণ নির্মাণ, প্রায়-সেরা লক্ষ্যটির জন্য ধনাত্মক বিচ্ছিন্নতা শর্ত এবং প্রত্যয়নযোগ্য প্রায়-সেরা প্রার্থী প্রস্তাব করার অশূন্য সম্ভাবনাযুক্ত অনুমান-জেনারেটর। এসব শর্তে সীমাটি একটি epsilon-সেরা পৌঁছানো যায় এমন অনুমান পুনরুদ্ধারের দিকে এগোয়। “পৌঁছানো যায়” কথাটি গুরুত্বপূর্ণ: ফলটি জেনারেটর যে অনুমান তৈরি করতে পারে তার জন্য, সম্ভাব্য সব ব্যাখ্যার জন্য নয়।

## পরীক্ষাগুলো কী অন্তর্ভুক্ত করে

নিয়ন্ত্রিত পরীক্ষায় পরিচিত state-সহ কৃত্রিম পরিবেশ ব্যবহার করা হয়। গবেষকেরা state space-কে ১,৫৪০টি parameter state-এ ভাগ করেন, ৪৪টি পৌঁছানো যায় এমন অনুমান নির্ধারণ করেন এবং সত্য কোনো অনুমান নেই এমন প্রার্থী-সমষ্টি দিয়ে ইচ্ছাকৃতভাবে শুরু করেন। তাঁরা জানান, পদ্ধতিটি সমষ্টি প্রসারিত করে, একটি সত্য প্রার্থী প্রত্যয়িত করে এবং এর abductive utility উন্নত করে। তুলনায় baseline হিসেবে ছিল প্রাথমিক সমষ্টিতে সীমাবদ্ধ maximum likelihood ও maximum a posteriori নির্বাচন, এবং প্রসারমান অনুসন্ধানসহ AutoDiscovery। কৃত্রিম ফল আটটি random seed-এর গড়।

বাস্তব জগতের অংশে DiscoveryBench-এর দুটি ডেটাসেট, Incarceration ও SES ব্যবহার করা হয়েছে। গবেষকেরা সেগুলোর সম্পর্ক নিয়ে প্রশ্ন তৈরি করেন, প্রাকৃতিক ভাষার পাঁচটি অনুমান ও তাদের যৌক্তিক পরিপূরক দিয়ে শুরু করেন, এবং ১৬টি data fold জুড়ে measurement query দিয়ে নির্দিষ্ট population quantity-র সমষ্টি মূল্যায়ন করেন। প্রাকৃতিক ভাষার অনুমান তৈরি ও মূল্যায়নে GPT-5 ব্যবহার করে নিজেদের পদ্ধতির সঙ্গে AutoDiscovery-র তুলনা করেন। তাঁদের রিপোর্ট করা মাপকাঠি হলো LLM-বিচারিত hypothesis matching score, abductive utility এবং hypothesis cardinality। গবেষণাপত্রে বলা হয়েছে, দুই ক্ষেত্রেই পদ্ধতিটি শেষ পর্যন্ত প্রথম দুই মাপে বেশি এবং cardinality-তে কম score পায়।

বাস্তব ডেটার ফলগুলো অনুসন্ধানমূলক কেস স্টাডি। লেখকেরা বলেন পরীক্ষা আনুমানিক, এবং এই সেটআপে নির্ভুল anytime-validity ও recovery guarantee প্রতিষ্ঠিত হয়নি। পরিবেশের action space এবং পটভূমি কাঠামো স্থির, তাই পদ্ধতির “open-ended” অনুসন্ধান এই সেটআপের ভেতরেই অনুমান-সমষ্টি বাড়ায়। এটি পরিমাপ করা state space বাড়ায় না বা অনলাইনে পটভূমি জ্ঞান সংশোধন করে না। গবেষণাপত্রটি আরও সতর্ক করে যে ভুলভাবে নির্দিষ্ট বা দুর্বলভাবে calibrated পটভূমি মডেল পদ্ধতির পছন্দের অনুমানকে পক্ষপাতদুষ্ট করতে পারে।

পরীক্ষাগুলো দেখায়, প্রস্তাবিত র‌্যাঙ্কিং ও অনুসন্ধান একটি কৃত্রিম নির্মাণ এবং ডেটাসেটভিত্তিক দুটি কাজে কীভাবে আচরণ করেছে। এগুলো স্বাধীনভাবে পুনরাবৃত্ত আবিষ্কার, মোতায়েন করা গবেষণা এজেন্ট, বা কারাবাস, আর্থসামাজিক অবস্থা কিংবা অন্য ক্ষেত্রের নতুন বৈজ্ঞানিক ফল প্রতিষ্ঠা করে না। স্বয়ংক্রিয় অনুমান-র‌্যাঙ্কিংয়ের পেছনের অনুমানগুলো স্পষ্ট করার উপায় দেয় গবেষণাপত্রটি। উন্মুক্ত বৈজ্ঞানিক চর্চায় ওই অনুমান ও উপাদানগুলো নির্ভরযোগ্য—এ গবেষণা তা দেখায় না।

## সূত্র ও আরও পড়ার জন্য

- [Yang প্রমুখ, “Open-ended Scientific Discovery with Possibilistic Reasoning,” arXiv:2610.11289v1](https://arxiv.org/html/2610.11289v1)। জমা দেওয়া হয়েছে ৮ অক্টোবর ২০২৬। পূর্ণ পাঠে সংজ্ঞা, প্রস্তাবনা, recovery theorem, algorithm, পরীক্ষার পদ্ধতি, সীমাবদ্ধতা ও পরিশিষ্ট রয়েছে। এই নিবন্ধে জানানো সব ফলই এই সংস্করণে লেখকদের ফল।
- [arXiv সারাংশ ও সংস্করণ ইতিহাস](https://arxiv.org/abs/2610.11289v1)। শিরোনাম, লেখক-তথ্য, সারাংশ এবং v1 জমার সময় নিশ্চিত করে।
- [Ramdas ও Wang, “Hypothesis testing with e-values”](https://doi.org/10.1561/3600000002)। গবেষণাপত্রে উদ্ধৃত anytime-valid পরীক্ষাপদ্ধতির পটভূমি।
- [Agarwal প্রমুখ, “AutoDiscovery: Open-ended Scientific Discovery via Bayesian Surprise”](https://proceedings.neurips.cc/paper_files/paper/2025/hash/23b127521af7ca7a42f5cdb7507be4f2-Abstract-Conference.html)। গবেষণাপত্রে আলোচিত তুলনামূলক পদ্ধতি; এখানে প্রেক্ষাপটের জন্য উদ্ধৃত, নতুন কাজের স্বাধীন মূল্যায়ন হিসেবে নয়।

## Sources

- [Yang প্রমুখ, Open-ended Scientific Discovery with Possibilistic Reasoning, arXiv v1](https://arxiv.org/html/2610.11289v1) — সংজ্ঞা, অ্যালগরিদম, অনুমান, উপপাদ্য, কৃত্রিম simulation, বাস্তব ডেটাসেটের অনুসন্ধানমূলক পরীক্ষা ও ঘোষিত সীমাবদ্ধতার জন্য arXiv v1-এ নির্দিষ্ট করা প্রধান উৎস। প্রত্যয়িত অনুমানে টিকে থাকা state-সমষ্টি খালি না হওয়া এবং পূর্ণ state space-এর প্রকৃত উপসেট হওয়া দরকার। লেখক-প্রতিবেদিত ফল; স্বাধীন পুনরাবৃত্তি বা মোতায়েনের প্রমাণ নেই।
- [2610.11289v1-এর arXiv সারাংশ ও জমার ইতিহাস](https://arxiv.org/abs/2610.11289v1) — শিরোনাম, লেখক, সারাংশ এবং v1 জমার সময় নিশ্চিত করে।
- [Ramdas ও Wang, Hypothesis testing with e-values](https://doi.org/10.1561/3600000002) — গবেষণাপত্রে উদ্ধৃত anytime-valid পরীক্ষাপদ্ধতির পটভূমি।
- [Agarwal প্রমুখ, AutoDiscovery: Open-ended Scientific Discovery via Bayesian Surprise](https://proceedings.neurips.cc/paper_files/paper/2025/hash/23b127521af7ca7a42f5cdb7507be4f2-Abstract-Conference.html) — গবেষণাপত্রে আলোচিত AutoDiscovery baseline-এর NeurIPS 2025-এর নির্ভুল সম্মেলন-রেকর্ড; নতুন কাজের স্বাধীন মূল্যায়ন নয়।