Markdown संस्करण

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

# वैज्ञानिक परिकल्पनाओं के लिए खोज-विधि जो अनिश्चितता को स्पष्ट रखती है

> एक नया शोध-पत्र संभावित व्याख्याओं को सांख्यिकीय प्रमाणन, पृष्ठभूमि-ज्ञान से मेल और सरलता के आधार पर क्रम देता है, फिर कृत्रिम और डेटासेट-आधारित कार्यों में इस तरीके का व्यवहार परखता है।

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.

एक नया शोध-पत्र ऐसा तरीका प्रस्तावित करता है जो प्रमाण जमा होने और संभावित व्याख्याओं की सूची बढ़ने के साथ व्याख्याओं को क्रम देता है। Possibility Frontier Search नाम का यह तरीका पहले सांख्यिकीय प्रमाणन, फिर पृष्ठभूमि-ज्ञान से संगति और उसके बाद सरलता को प्राथमिकता देता है। इस क्रम का उद्देश्य ऐसी आकर्षक लेकिन अप्रमाणित व्याख्या को केवल इसलिए जीतने से रोकना है कि वह पहले की अपेक्षाओं से मेल खाती है।

यह काम एक ढाँचा और एल्गोरिदम है; किसी वैज्ञानिक खोज करने वाली प्रणाली की रिपोर्ट नहीं। Anita Yang और चार सहलेखकों ने 8 अक्टूबर 2026 को शोध-पत्र को arXiv v1 के रूप में प्रकाशित किया। इसमें बताई गई मान्यताओं के तहत औपचारिक नतीजे, एक नियंत्रित कृत्रिम प्रयोग और दो वास्तविक डेटासेट पर खोजपरक परीक्षण शामिल हैं।

## बड़ा बदलाव

- **क्या बदला:** शोध-पत्र Possibility Frontier Search प्रस्तावित करता है, जो बढ़ते परिकल्पना-समूहों को सांख्यिकीय प्रमाणन, पृष्ठभूमि-ज्ञान से संगति और सरलता के आधार पर क्रम देता है।
- **यह क्यों मायने रखता है:** AI-निर्मित व्याख्याओं का मूल्यांकन करने वाले शोधकर्ताओं के लिए यह सांख्यिकीय समर्थन को पूर्व ज्ञान के आधार पर संभाव्यता से अलग करता है और विशिष्टता का उपयोग केवल बराबरी तोड़ने के लिए करता है। इससे पता चलता है कि क्रम कहाँ प्रमाण को दर्शाता है और कहाँ स्थिर पृष्ठभूमि मॉडल को। औपचारिक नतीजा शर्तों पर निर्भर है; दोनों डेटासेट केस अध्ययन लेखकों द्वारा बताई गई खोजपरक जाँच हैं।
- **क्या देखना है:** इस विधि के निष्कर्ष इस पर निर्भर करते हैं कि इसका जनरेटर क्या प्रस्तावित कर सकता है, दावों को परीक्षण योग्य समूहों में कैसे बदला जाता है और स्थिर पृष्ठभूमि मॉडल कितना अच्छा मेल खाता है। प्रीप्रिंट किसी लागू खोज या स्वतंत्र पुनरावृत्ति की रिपोर्ट नहीं करता।

## संभाव्यता, प्रायिकता नहीं है

शोध-पत्र संभावना सिद्धांत का उपयोग यह दिखाने के लिए करता है कि किन अवस्थाओं को अभी खारिज नहीं किया गया है। संभावना स्कोर 1 का अर्थ यह नहीं कि किसी परिकल्पना के सही होने की 100 प्रतिशत संभावना है। इसका अर्थ है कि प्रमाण ने उसे खारिज नहीं किया। जानकारी कमजोर हो तो कोई दावा और उसका उलटा, दोनों संभव रह सकते हैं।

यह अंतर लेखकों को अनसुलझी अनिश्चितता दिखाने देता है, बिना प्रणाली को प्रतिस्पर्धी व्याख्याओं में एक तय कुल प्रायिकता बाँटने के लिए मजबूर किए। वे क्रमिक e-processes से साक्ष्य-आधारित संभावना बनाते हैं; यह सांख्यिकीय प्रमाण का ऐसा रूप है जिसे समय के साथ डेटा-संग्रह और रोकने के निर्णय बदलने पर भी वैध बने रहने के लिए बनाया गया है।

चुनी हुई त्रुटि-सीमा पर विधि एक version space बनाए रखती है: पैरामीटर अवस्थाओं का वह समूह जिसे संचित प्रमाण ने खारिज नहीं किया। यह संभावित परिकल्पनाओं को उस समूह के संदर्भ में चिह्नित करती है। यदि किसी परिकल्पना में कोई शेष अवस्था नहीं है, तो उसका खंडन होता है। यदि उसमें कुछ, लेकिन सभी नहीं, शेष अवस्थाएँ हैं, तो वह खुली रहती है। वह तब प्रमाणित होती है जब version space खाली न हो, उसमें बची हर अवस्था परिकल्पना के भीतर हो और परिकल्पना पूरे state space का उचित उपसमूह हो। अंतिम शर्त उस चक्रीय दावे को बाहर रखती है जिसमें हर संभव अवस्था शामिल हो।

शोध-पत्र की मॉडल मान्यताओं के तहत इससे समय-एकरूप गारंटी मिलती है: किसी भी बिंदु पर किसी गलत उम्मीदवार के प्रमाणित होने की संभावना चुने गए त्रुटि-स्तर से सीमित रहती है। यह गारंटी अनुकूलित प्रमाण और उसी संचित रिकॉर्ड से बनाए गए उम्मीदवारों का हिसाब रखती है। यह दावे के औपचारिक, परीक्षण योग्य रूप पर लागू होती है; ऐसे अतिरिक्त कारणात्मक या तंत्र-संबंधी कथनों पर नहीं जिन्हें कोडित और परीक्षण नहीं किया गया।

## तीन परीक्षण, इसी क्रम में

क्रम lexicographic है, इसलिए बाद की प्राथमिकता पहले वाली को पलट नहीं सकती।

1. **सांख्यिकीय प्रमाणन।** उम्मीदवार को प्रमाण-परीक्षण से गुजरना होगा। केवल खुली रहने वाली परिकल्पना प्रमाणित परिकल्पना से आगे नहीं निकल सकती।
2. **पृष्ठभूमि-ज्ञान से संगति।** प्रमाणित उम्मीदवारों में विधि उस उम्मीदवार को प्राथमिकता देती है जिसकी गारंटीकृत संभावना सबसे अधिक हो। स्कोर उन सभी अवस्थाओं में पृष्ठभूमि-संगति का सबसे कम मान है जिन्हें परिकल्पना अनुमति देती है। लेखक इसकी व्याख्या इस रूप में करते हैं कि दावे को समायोजित करने के लिए स्थिर पृष्ठभूमि रूपरेखा में कितना बदलाव जरूरी होगा, उसे कम किया जाए। यह उम्मीदवार-स्तर की तुलना है, वैज्ञानिक ज्ञान का स्वतः संशोधन नहीं।
3. **सरलता।** यदि इन परीक्षणों पर उम्मीदवार बराबर हों, तो विधि कम अवस्थाओं का प्रतिनिधित्व करने वाली परिकल्पना को चुनती है। इस औपचारिक रूप में कम अवस्थाओं का अर्थ अधिक विशिष्ट दावा है।

क्रम मायने रखता है। सरलता ऐसे दावे को नहीं बचाती जो प्रमाणन में विफल रहा हो, और पहले से मेल खाना प्रमाण नहीं है। पृष्ठभूमि स्कोर का अर्थ यह भी नहीं कि परिकल्पना संभवतः सही है: यह चुने गए पृष्ठभूमि मॉडल के तहत संगति मापता है।

## सीमा पर खोज

Possibility Frontier Search परिकल्पनाएँ सुझाने और प्रयोग चुनने के बीच बारी-बारी से चलता है। इसका जनरेटर पृष्ठभूमि-ज्ञान, संचित डेटा, बची हुई अवस्थाओं और पहले के उम्मीदवारों से उम्मीदवार बनाता है। विधि उन उम्मीदवारों को रखती है जिनका अभी खंडन नहीं हुआ।

इसके बाद यह प्रयोग का प्रयास उन खुली परिकल्पनाओं पर केंद्रित करता है जो मौजूदा सर्वश्रेष्ठ नतीजे को बेहतर कर सकती हैं: बेहतर पृष्ठभूमि-संगति वाला उम्मीदवार, या संगति में बराबर लेकिन सरल उम्मीदवार। ऐसी हर परिकल्पना के लिए “सीमा” में उसके दावे के विपरीत पक्षों पर बची हुई अवस्थाओं के जोड़े होते हैं। अगला प्रयोग उस सक्रिय जोड़े को यथासंभव अलग करने के लिए चुना जाता है जिसे अलग पहचानना सबसे कठिन है; इसके लिए मॉडल के अनुसार परिणामों के अपेक्षित अंतर का उपयोग होता है। सीमित स्थितियों में लेखक इस चयन को ऐसा अनुकूलन बताते हैं जिसे linear program से हल किया जा सकता है।

शोध-पत्र रुकने का प्रमाणपत्र भी देता है। एल्गोरिदम तब रुक सकता है जब कोई ज्ञात खुला उम्मीदवार क्रम को बेहतर न कर सके और सर्वश्रेष्ठ प्रमाणित उपयोगिता तथा पहुँच योग्य उपयोगिता की ऊपरी सीमा के बीच का अंतर चुनी हुई सहनशीलता से अधिक न हो। यह प्रमाणपत्र मिलना गारंटी नहीं देता कि खोज सीमित समय में समाप्त होगी; लेखक इसे स्पष्ट रूप से कहते हैं।

औपचारिक पुनर्प्राप्ति नतीजा शर्तों पर निर्भर है। प्रमेय अन्य बातों के साथ सीमित state और action space, अलग अवस्थाओं में भेद कर सकने वाले प्रयोग, likelihood-ratio प्रमाण-निर्माण, लगभग-इष्टतम लक्ष्य के लिए सकारात्मक पृथक्करण शर्त और ऐसा परिकल्पना जनरेटर मानता है जिसमें प्रमाणित किए जा सकने वाले लगभग-इष्टतम उम्मीदवार का प्रस्ताव देने की संभावना शून्य से अधिक हो। इन शर्तों में सीमा किसी पहुँच योग्य epsilon-इष्टतम परिकल्पना की पुनर्प्राप्ति के करीब आती है। “पहुँच योग्य” महत्वपूर्ण है: नतीजा उन परिकल्पनाओं पर है जिन्हें जनरेटर बना सकता है, हर संभव व्याख्या पर नहीं।

## प्रयोग क्या कवर करते हैं

नियंत्रित प्रयोग ज्ञात अवस्था वाले कृत्रिम परिवेश का उपयोग करता है। शोधकर्ता state space को 1,540 पैरामीटर अवस्थाओं में बाँटते हैं, 44 पहुँच योग्य परिकल्पनाएँ परिभाषित करते हैं और जानबूझकर ऐसे उम्मीदवार-समूह से शुरू करते हैं जिसमें कोई सही परिकल्पना नहीं होती। वे बताते हैं कि विधि समूह का विस्तार करती है, सही उम्मीदवार को प्रमाणित करती है और उसकी abductive utility बढ़ाती है। तुलनाओं में शुरुआती समूह तक सीमित maximum-likelihood और maximum-a-posteriori चयन तथा विस्तृत होती खोज वाला AutoDiscovery शामिल हैं। कृत्रिम नतीजे आठ random seeds पर औसत हैं।

वास्तविक दुनिया वाला हिस्सा DiscoveryBench के दो डेटासेट, Incarceration और SES, उपयोग करता है। शोधकर्ता उन डेटासेटों के संबंधों पर प्रश्न बनाते हैं, प्राकृतिक भाषा की पाँच परिकल्पनाओं और उनके तार्किक पूरकों से शुरू करते हैं, और 16 डेटा folds पर मापन प्रश्नों के जरिए जनसंख्या-मात्राओं के तय समूह का मूल्यांकन करते हैं। प्राकृतिक भाषा की परिकल्पनाएँ बनाने और जाँचने के लिए वे GPT-5 का उपयोग करते हैं और अपनी विधि की तुलना AutoDiscovery से करते हैं। रिपोर्ट किए गए मापों में LLM द्वारा आँका गया परिकल्पना-मिलान स्कोर, abductive utility और hypothesis cardinality शामिल हैं। शोध-पत्र बताता है कि दोनों मामलों में अंततः इसकी विधि पहले दो मापों पर अधिक और cardinality पर कम स्कोर करती है।

वास्तविक डेटा के ये नतीजे खोजपरक केस अध्ययन हैं। लेखक कहते हैं कि परीक्षण लगभग-आधारित हैं और इस व्यवस्था के लिए सटीक anytime-validity तथा पुनर्प्राप्ति गारंटियाँ स्थापित नहीं हैं। परिवेश का action space और पृष्ठभूमि रूपरेखा स्थिर हैं, इसलिए विधि की “open-ended” खोज उसी व्यवस्था के भीतर परिकल्पना-समूह का विस्तार करती है। यह मापे गए state space का विस्तार नहीं करती और न ही पृष्ठभूमि-ज्ञान को ऑनलाइन संशोधित करती है। शोध-पत्र यह भी चेतावनी देता है कि गलत ढंग से निर्दिष्ट या खराब calibrated पृष्ठभूमि मॉडल, विधि की पसंदीदा परिकल्पनाओं को पक्षपाती बना सकता है।

प्रयोग दिखाते हैं कि प्रस्तावित क्रम और खोज एक कृत्रिम निर्माण तथा डेटासेट-आधारित दो कार्यों में कैसे चले। वे स्वतंत्र रूप से दोहराई गई खोज, तैनात शोध एजेंट या कारावास, सामाजिक-आर्थिक स्थिति अथवा किसी अन्य क्षेत्र के बारे में नया वैज्ञानिक परिणाम स्थापित नहीं करते। शोध-पत्र स्वचालित परिकल्पना-क्रम के पीछे की मान्यताओं को स्पष्ट करने का तरीका देता है। अध्ययन यह नहीं दिखाता कि खुली वैज्ञानिक प्रक्रिया में वे मान्यताएँ और घटक भरोसेमंद हैं।

## स्रोत और आगे पढ़ें

- [Yang et al., “Open-ended Scientific Discovery with Possibilistic Reasoning,” arXiv:2610.11289v1](https://arxiv.org/html/2610.11289v1). 8 अक्टूबर 2026 को जमा किया गया। पूर्ण पाठ में परिभाषाएँ, प्रस्ताव, पुनर्प्राप्ति प्रमेय, एल्गोरिदम, प्रयोग-विधियाँ, सीमाएँ और परिशिष्ट हैं। इस लेख में बताए गए सभी निष्कर्ष इसी संस्करण के लेखकों के नतीजे हैं।
- [arXiv सार और संस्करण इतिहास](https://arxiv.org/abs/2610.11289v1). शीर्षक, सार, लेखक रिकॉर्ड और v1 जमा करने का समय पुष्ट करता है।
- [Ramdas और Wang, “Hypothesis testing with e-values”](https://doi.org/10.1561/3600000002). शोध-पत्र में उद्धृत anytime-valid परीक्षण दृष्टिकोण की पृष्ठभूमि।
- [Agarwal et al., “AutoDiscovery: Open-ended Scientific Discovery via Bayesian Surprise”](https://proceedings.neurips.cc/paper_files/paper/2025/hash/23b127521af7ca7a42f5cdb7507be4f2-Abstract-Conference.html). शोध-पत्र में चर्चा की गई तुलना-विधि; नए काम के स्वतंत्र मूल्यांकन के रूप में नहीं, संदर्भ के लिए उद्धृत।

## Sources

- [Yang et al., Open-ended Scientific Discovery with Possibilistic Reasoning, arXiv v1](https://arxiv.org/html/2610.11289v1) — परिभाषाओं, एल्गोरिदम, मान्यताओं, प्रमेय, कृत्रिम अनुकरण, वास्तविक डेटासेट पर खोजपरक प्रयोगों और बताई गई सीमाओं के लिए arXiv v1 पर आधारित प्राथमिक स्रोत। प्रमाणित परिकल्पनाओं के लिए बची हुई अवस्थाओं का गैर-खाली समूह और पूरे state space का उचित उपसमूह जरूरी है। लेखकों द्वारा बताए गए नतीजे; स्वतंत्र पुनरावृत्ति या तैनाती का प्रमाण नहीं।
- [2610.11289v1 के लिए arXiv सार और जमा करने का इतिहास](https://arxiv.org/abs/2610.11289v1) — शीर्षक, लेखकता, सार और v1 जमा करने का समय पुष्ट करता है।
- [Ramdas और Wang, Hypothesis testing with e-values](https://doi.org/10.1561/3600000002) — शोध-पत्र में उद्धृत anytime-valid परीक्षण दृष्टिकोण की पृष्ठभूमि।
- [Agarwal et al., AutoDiscovery: Open-ended Scientific Discovery via Bayesian Surprise](https://proceedings.neurips.cc/paper_files/paper/2025/hash/23b127521af7ca7a42f5cdb7507be4f2-Abstract-Conference.html) — शोध-पत्र में चर्चा किए गए AutoDiscovery baseline का सटीक NeurIPS 2025 सम्मेलन रिकॉर्ड; नए काम का स्वतंत्र मूल्यांकन नहीं।