Markdown பதிப்பு

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

# நிச்சயமின்மையை வெளிப்படையாக வைத்திருக்கும் அறிவியல் கருதுகோள்களுக்கான தேடல் முறை

> புள்ளியியல் உறுதிப்படுத்தல், பின்னணி அறிவுடனான பொருத்தம், எளிமை ஆகியவற்றின் அடிப்படையில் சாத்தியமான விளக்கங்களைப் புதிய ஆய்வுக் கட்டுரை வரிசைப்படுத்துகிறது; பின்னர் செயற்கை மற்றும் தரவுத்தொகுப்பு சார்ந்த பணிகளில் இந்த அணுகுமுறை எவ்வாறு செயல்படுகிறது எனச் சோதிக்கிறது.

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.

சான்றுகள் திரள்வதோடு சாத்தியமான விளக்கங்களின் பட்டியல் வளரும்போது அவற்றை வரிசைப்படுத்தும் வழியைப் புதிய கட்டுரை முன்மொழிகிறது. Possibility Frontier Search எனப்படும் அதன் முறை, முதலில் புள்ளியியல் உறுதிப்படுத்தலுக்கும், அடுத்து பின்னணி அறிவுடனான பொருத்தத்திற்கும், பின்னர் எளிமைக்கும் முன்னுரிமை அளிக்கிறது. முந்தைய எதிர்பார்ப்புகளுடன் பொருந்துகிறது என்பதற்காக மட்டுமே கவர்ச்சிகரமான ஆனால் ஆதாரமற்ற விளக்கம் வெல்லாமல் தடுப்பதே இந்த வரிசையின் நோக்கம்.

இந்தப் பணி ஒரு கட்டமைப்பும் வழிமுறையும் ஆகும்; அறிவியல் கண்டுபிடிப்பைச் செய்த அமைப்பைப் பற்றிய அறிக்கை அல்ல. Anita Yang மற்றும் நான்கு இணை ஆசிரியர்கள் 2026 அக்டோபர் 8 அன்று இந்தக் கட்டுரையை arXiv v1 ஆக வெளியிட்டனர். குறிப்பிடப்பட்ட அனுமானங்களின் கீழான முறையான முடிவுகள், கட்டுப்படுத்தப்பட்ட செயற்கைச் சோதனை, இரண்டு நிஜ உலகத் தரவுத்தொகுப்புகளில் ஆராய்ச்சிநிலைச் சோதனைகள் ஆகியவற்றை இது ஒருங்கிணைக்கிறது.

## பெரிய மாற்றம்

- **என்ன மாறியது:** வளர்ந்து வரும் கருதுகோள் தொகுப்புகளைப் புள்ளியியல் உறுதிப்படுத்தல், பின்னணி அறிவுடனான பொருத்தம், எளிமை ஆகியவற்றின் அடிப்படையில் வரிசைப்படுத்தும் Possibility Frontier Search முறையை இந்தக் கட்டுரை முன்மொழிகிறது.
- **இது ஏன் முக்கியம்:** AI உருவாக்கிய விளக்கங்களை மதிப்பிடும் ஆராய்ச்சியாளர்களுக்கு, இது புள்ளியியல் ஆதரவை முந்தைய அறிவின் அடிப்படையிலான நம்பகத்தன்மையிலிருந்து பிரிக்கிறது; சமநிலையைத் தீர்க்க மட்டுமே குறிப்புத்தன்மையைப் பயன்படுத்துகிறது. வரிசை எங்கு சான்றை பிரதிபலிக்கிறது, எங்கு நிலையான பின்னணி மாதிரியை பிரதிபலிக்கிறது என்பதைக் காட்டுகிறது. முறையான முடிவு நிபந்தனைக்குட்பட்டது; இரண்டு தரவுத்தொகுப்பு வழக்காய்வுகளும் ஆசிரியர்கள் தெரிவித்த ஆராய்ச்சிநிலை மதிப்பீடுகள்.
- **எதைக் கவனிக்க வேண்டும்:** ஜெனரேட்டர் எதை முன்மொழிய முடியும், கூற்றுகள் சோதிக்கக்கூடிய தொகுப்புகளாக எப்படிமாற்றப்படுகின்றன, நிலையான பின்னணி மாதிரி எவ்வளவு நன்றாகப் பொருந்துகிறது என்பவற்றை இந்த முறையின் முடிவுகள் சார்ந்துள்ளன. நடைமுறைப்படுத்தப்பட்ட கண்டுபிடிப்பையோ சுயாதீன மறுஉருவாக்கத்தையோ முன்வெளியீடு தெரிவிக்கவில்லை.

## சாத்தியம் என்பது நிகழ்தகவு அல்ல

விலக்கப்படாத நிலைகளைப் பிரதிநிதித்துவப்படுத்த, இந்தக் கட்டுரை சாத்தியக் கோட்பாட்டைப் பயன்படுத்துகிறது. சாத்திய மதிப்பு 1 என்பது ஒரு கருதுகோள் 100 சதவீதம் உண்மையாக இருக்கும் என்று பொருளல்ல. சான்றுகள் அதை விலக்கவில்லை என்பதே பொருள். தகவல் பலவீனமாக இருக்கும்போது, ஒரு கூற்றும் அதன் எதிர்மறையும் சாத்தியமாகத் தொடரலாம்.

போட்டியிடும் விளக்கங்களுக்கிடையே ஒரு நிலையான மொத்த நிகழ்தகவைப் பகிர்ந்தளிக்குமாறு அமைப்பை வற்புறுத்தாமல், தீராத நிச்சயமின்மையை இந்த வேறுபாடு ஆசிரியர்களுக்குப் பிரதிநிதித்துவப்படுத்த உதவுகிறது. காலப்போக்கில் தரவுச் சேகரிப்பும் நிறுத்த முடிவுகளும் மாறினாலும் செல்லுபடியாக இருக்குமாறு வடிவமைக்கப்பட்ட புள்ளியியல் சான்றின் ஒரு வகையான தொடர் e-processes-இலிருந்து, சான்று சார்ந்த சாத்தியத்தை அவர்கள் உருவாக்குகின்றனர்.

தேர்ந்தெடுத்த பிழை வரம்பில், குவிந்த சான்றுகள் விலக்காத அளவுரு நிலைகளின் தொகுப்பான version space-ஐ இந்த முறை பராமரிக்கிறது. அந்தத் தொகுப்புடன் தொடர்புபடுத்தி வேட்புக் கருதுகோள்களை வகைப்படுத்துகிறது. எஞ்சிய நிலை எதுவும் இல்லாத கருதுகோள் முரண்படுத்தப்பட்டதாகும். எஞ்சிய நிலைகளில் சிலவற்றைக் கொண்டிருந்தாலும் அனைத்தையும் கொண்டிருக்காவிட்டால் அது திறந்த நிலையில் இருக்கும். version space காலியாக இல்லாமல், அதில் எஞ்சிய ஒவ்வொரு நிலையும் கருதுகோளுக்குள் இருந்து, முழு நிலை வெளியின் முறையான உட்தொகுப்பாகக் கருதுகோள் இருந்தால் அது உறுதிப்படுத்தப்படுகிறது. சாத்தியமான எல்லா நிலைகளையும் உள்ளடக்கும் வட்டமான கூற்றை இந்த இறுதி நிபந்தனை விலக்குகிறது.

கட்டுரையின் மாதிரி அனுமானங்களின் கீழ், இது காலம் முழுவதும் ஒரே மாதிரியான உத்தரவாதத்தை அளிக்கிறது: எந்தத் தவறான வேட்பாளரும் எந்த நேரத்திலும் உறுதிப்படுத்தப்படும் வாய்ப்பைத் தேர்ந்தெடுத்த பிழை நிலை வரையறுக்கிறது. தகவமைக்கும் சான்றுகளையும் அதே திரட்டிய பதிவைப் பயன்படுத்தி உருவாக்கப்பட்ட வேட்புகளையும் இந்த உத்தரவாதம் கணக்கில் கொள்கிறது. சோதிக்கக்கூடிய கூற்றின் முறையான பிரதிநிதித்துவத்திற்கே இது பொருந்தும்; குறியீடாக்கி சோதிக்கப்படாத கூடுதல் காரண அல்லது செயல்முறை விளக்கங்களுக்கு அல்ல.

## வரிசைப்படி மூன்று சோதனைகள்

இந்த வரிசை lexicographic ஆகும்; எனவே பிந்தைய விருப்பம் முந்தையதை மீற முடியாது.

1. **புள்ளியியல் உறுதிப்படுத்தல்.** சான்றுச் சோதனையில் வேட்பாளர் நிலைத்திருக்க வேண்டும். திறந்த நிலையில் மட்டுமே இருக்கும் கருதுகோள் உறுதிப்படுத்தப்பட்ட ஒன்றை மிஞ்ச முடியாது.
2. **பின்னணி அறிவுடனான பொருத்தம்.** உறுதிப்படுத்தப்பட்ட வேட்புகளில், மிக உயர்ந்த உத்தரவாத சாத்தியம் கொண்டதை இந்த முறை விரும்புகிறது. கருதுகோள் அனுமதிக்கும் எல்லா நிலைகளிலும் பின்னணி பொருத்தத்தின் மிகக் குறைந்த மதிப்பே மதிப்பெண். கூற்றை ஏற்க நிலையான பின்னணி வரையறை எவ்வளவு மாற வேண்டும் என்பதைக் குறைப்பதாக ஆசிரியர்கள் இதை விளக்குகின்றனர். இது வேட்பாளர்-நிலை ஒப்பீடு; அறிவியல் அறிவின் தானியங்கி திருத்தம் அல்ல.
3. **எளிமை.** இந்தச் சோதனைகளில் வேட்புகள் சமமாக இருந்தால், குறைவான நிலைகளைப் பிரதிநிதித்துவப்படுத்தும் கருதுகோளை முறை விரும்புகிறது. இந்த முறையாக்கத்தில், குறைவான நிலைகள் என்பது மேலும் குறிப்பான கூற்று என்று பொருள்.

வரிசை முக்கியம். உறுதிப்படுத்தலில் தோல்வியுற்ற கூற்றை எளிமை காப்பாற்றாது; முந்தையவற்றுடன் பொருந்துவது சான்றாகாது. பின்னணி மதிப்பெண் கருதுகோள் உண்மையாக இருக்கலாம் என்பதையும் குறிக்காது: தேர்ந்தெடுத்த பின்னணி மாதிரியின் கீழான பொருத்தத்தையே அளக்கிறது.

## எல்லையைத் தேடுதல்

Possibility Frontier Search, கருதுகோள்களை முன்மொழிவதற்கும் சோதனைகளைத் தேர்ந்தெடுப்பதற்கும் இடையே மாறிமாறிச் செயல்படுகிறது. பின்னணி அறிவு, திரட்டிய தரவு, எஞ்சிய நிலைகள், முந்தைய வேட்புகள் ஆகியவற்றிலிருந்து அதன் ஜெனரேட்டர் வேட்புகளை முன்மொழிகிறது. ஏற்கெனவே முரண்படுத்தப்படாதவற்றை முறை தக்கவைக்கிறது.

தற்போதைய சிறந்த முடிவை மேம்படுத்தக்கூடிய திறந்த கருதுகோள்களில் சோதனை முயற்சியை அது கவனப்படுத்துகிறது: சிறந்த பின்னணி பொருத்தம் கொண்ட வேட்பாளர் அல்லது பொருத்தத்தில் சமமாக இருந்தாலும் எளிமையான வேட்பாளர். அத்தகைய ஒவ்வொரு கருதுகோளுக்கும், அதன் கூற்றின் எதிரெதிர் பக்கங்களில் உள்ள எஞ்சிய நிலைகளின் ஜோடிகளே “எல்லை”. முடிவுகளுக்கிடையிலான மாதிரியின் எதிர்பார்க்கப்பட்ட வேறுபாட்டைப் பயன்படுத்தி, வேறுபடுத்த மிகவும் கடினமான செயலில் உள்ள ஜோடியை இயன்றளவு பிரிக்கும் வகையில் அடுத்த சோதனை தேர்ந்தெடுக்கப்படுகிறது. வரையறுக்கப்பட்ட அமைப்புகளில், நேரியல் நிரலாகத் தீர்க்கக்கூடிய உகப்பாக்கமாக இந்தத் தேர்வை ஆசிரியர்கள் விவரிக்கின்றனர்.

நிறுத்தச் சான்றிதழையும் கட்டுரை வழங்குகிறது. அறியப்பட்ட திறந்த வேட்பாளர் எவராலும் வரிசையை மேம்படுத்த முடியாதபோதும், சிறந்த உறுதிப்படுத்தப்பட்ட பயனுக்கும் அடையக்கூடிய பயனின் மேல் வரம்புக்கும் இடையிலான இடைவெளி தேர்ந்தெடுத்த சகிப்பளவை மீறாதபோதும் வழிமுறை நிறுத்தலாம். இந்தச் சான்றிதழை அடைவது, தேடல் வரையறுக்கப்பட்ட நேரத்தில் முடியும் என்று உறுதியளிக்காது; ஆசிரியர்கள் இதைத் தெளிவாகக் கூறுகின்றனர்.

முறையான மீட்பு முடிவு நிபந்தனைக்குட்பட்டது. அதன் தேற்றம், மற்றவற்றுடன், வரையறுக்கப்பட்ட நிலை மற்றும் செயல் வெளி, வேறுபட்ட நிலைகளை வேறுபடுத்தக்கூடிய சோதனைகள், likelihood-ratio சான்று கட்டமைப்பு, ஏறத்தாழ உகந்த இலக்கிற்கான நேர்மறைப் பிரிப்பு நிபந்தனை, உறுதிப்படுத்தக்கூடிய ஏறத்தாழ உகந்த வேட்பை முன்மொழியும் பூஜ்ஜியமற்ற வாய்ப்புள்ள கருதுகோள் ஜெனரேட்டர் ஆகியவற்றை அனுமானிக்கிறது. இந்த நிபந்தனைகளின் கீழ், அடையக்கூடிய epsilon-உகந்த கருதுகோளை மீட்டெடுப்பதை நோக்கி வரம்பு நெருங்குகிறது. “அடையக்கூடியது” முக்கியம்: ஜெனரேட்டர் உருவாக்கக்கூடிய கருதுகோள்களையே முடிவு குறிக்கிறது; இருக்கக்கூடிய ஒவ்வொரு விளக்கத்தையும் அல்ல.

## சோதனைகள் எதை உள்ளடக்குகின்றன

கட்டுப்படுத்தப்பட்ட சோதனை, அறியப்பட்ட நிலை கொண்ட செயற்கைச் சூழலைப் பயன்படுத்துகிறது. ஆராய்ச்சியாளர்கள் நிலை வெளியை 1,540 அளவுரு நிலைகளாகப் பிரித்து, 44 அடையக்கூடிய கருதுகோள்களை வரையறுத்து, உண்மையான கருதுகோள் எதுவும் இல்லாத வேட்புத் தொகுப்பிலிருந்து வேண்டுமென்றே தொடங்குகின்றனர். முறை தொகுப்பை விரிவாக்கி, உண்மையான வேட்பை உறுதிப்படுத்தி, அதன் abductive utility-ஐ மேம்படுத்தியதாக அவர்கள் தெரிவிக்கின்றனர். ஒப்பீடுகளில் ஆரம்பத் தொகுப்புக்குள் மட்டுப்படுத்தப்பட்ட அதிகபட்ச வாய்ப்புத் தேர்வு மற்றும் அதிகபட்ச பின்நிலைத் தேர்வு, விரிவடையும் தேடலுடன் AutoDiscovery ஆகியவை அடங்கும். செயற்கை முடிவுகள் எட்டு சீரற்ற விதைகளின் சராசரி.

நிஜ உலகப் பகுதி DiscoveryBench-இன் Incarceration மற்றும் SES என்ற இரண்டு தரவுத்தொகுப்புகளைப் பயன்படுத்துகிறது. அவற்றிலுள்ள உறவுகள் குறித்து ஆராய்ச்சியாளர்கள் கேள்விகளை அமைத்து, இயற்கை மொழியிலான ஐந்து கருதுகோள்களையும் அவற்றின் தர்க்கரீதியான நிரப்புகளையும் கொண்டு தொடங்கி, 16 தரவுப் பிரிவுகளின் அளவீட்டு வினவல்களால் நிலையான மக்கள் தொகை அளவுகளின் தொகுப்பை மதிப்பிடுகின்றனர். இயற்கை மொழிக் கருதுகோள்களை உருவாக்கவும் மதிப்பிடவும் GPT-5-ஐப் பயன்படுத்தி, தங்கள் முறையை AutoDiscovery-யுடன் ஒப்பிடுகின்றனர். LLM மதிப்பிட்ட கருதுகோள் பொருத்த மதிப்பெண், abductive utility, கருதுகோள் cardinality ஆகியவை அவர்கள் தெரிவித்த அளவீடுகள். இரு நிகழ்வுகளிலும் முதல் இரண்டு அளவீடுகளில் தங்கள் முறை இறுதியில் அதிக மதிப்பெண்ணும் cardinality-யில் குறைந்த மதிப்பெண்ணும் பெற்றதாகக் கட்டுரை கூறுகிறது.

நிஜத் தரவு முடிவுகள் ஆராய்ச்சிநிலை வழக்காய்வுகள். சோதனைகள் தோராயமானவை என்றும் இந்த அமைப்பில் துல்லியமான anytime-validity மற்றும் மீட்பு உத்தரவாதங்கள் நிறுவப்படவில்லை என்றும் ஆசிரியர்கள் தெரிவிக்கின்றனர். சூழலின் செயல் வெளியும் பின்னணி வரையறையும் நிலையானவை; எனவே முறையின் “open-ended” தேடல் அந்த அமைப்புக்குள் கருதுகோள் தொகுப்பை விரிவாக்குகிறது. அளவிடப்பட்ட நிலை வெளியை அது விரிவாக்கவோ பின்னணி அறிவை ஆன்லைனில் திருத்தவோ இல்லை. தவறாகக் குறிப்பிடப்பட்ட அல்லது சரியாக அளவுத்திருத்தப்படாத பின்னணி மாதிரி, முறை விரும்பும் கருதுகோள்களைச் சாய்வாக்கலாம் என்றும் கட்டுரை எச்சரிக்கிறது.

ஒரு செயற்கைக் கட்டமைப்பிலும் தரவுத்தொகுப்பு சார்ந்த இரண்டு பணிகளிலும் முன்மொழியப்பட்ட வரிசைப்படுத்தலும் தேடலும் எவ்வாறு நடந்தன என்பதைச் சோதனைகள் காட்டுகின்றன. சுயாதீனமாக மறுஉருவாக்கப்பட்ட கண்டுபிடிப்பு, பயன்பாட்டில் உள்ள ஆராய்ச்சி முகவர், சிறைவாசம், சமூகப் பொருளாதார நிலை அல்லது வேறு துறையைப் பற்றிய புதிய அறிவியல் முடிவு ஆகியவற்றை அவை நிறுவவில்லை. தானியங்கி கருதுகோள் வரிசைப்படுத்தலுக்குப் பின்னால் உள்ள அனுமானங்களை வெளிப்படையாக்கும் வழியை கட்டுரை வழங்குகிறது. திறந்த அறிவியல் நடைமுறையில் அந்த அனுமானங்களும் கூறுகளும் நம்பகமானவை என்று ஆய்வு காட்டவில்லை.

## ஆதாரங்கள் மற்றும் மேலும் வாசிக்க

- [Yang et al., “Open-ended Scientific Discovery with Possibilistic Reasoning,” arXiv:2610.11289v1](https://arxiv.org/html/2610.11289v1). 2026 அக்டோபர் 8 அன்று சமர்ப்பிக்கப்பட்டது. முழு உரையில் வரையறைகள், முன்மொழிவுகள், மீட்பு தேற்றம், வழிமுறை, சோதனை முறைகள், வரம்புகள், இணைப்புகள் உள்ளன. இந்தக் கட்டுரையில் தெரிவிக்கப்பட்ட அனைத்து முடிவுகளும் இந்தப் பதிப்பிலிருந்து ஆசிரியர்கள் அளித்தவையே.
- [arXiv சுருக்கமும் பதிப்பு வரலாறும்](https://arxiv.org/abs/2610.11289v1). தலைப்பு, சுருக்கம், ஆசிரியர் பதிவு, v1 சமர்ப்பிப்பு நேரம் ஆகியவற்றை உறுதிப்படுத்துகிறது.
- [Ramdas மற்றும் Wang, “Hypothesis testing with e-values”](https://doi.org/10.1561/3600000002). கட்டுரை மேற்கோள் காட்டும் எந்நேரத்திலும் செல்லுபடியாகும் சோதனை அணுகுமுறைக்கான பின்னணி.
- [Agarwal et al., “AutoDiscovery: Open-ended Scientific Discovery via Bayesian Surprise”](https://proceedings.neurips.cc/paper_files/paper/2025/hash/23b127521af7ca7a42f5cdb7507be4f2-Abstract-Conference.html). கட்டுரையில் விவாதிக்கப்படும் ஒப்பீட்டு முறை; புதிய பணியின் சுயாதீன மதிப்பீடாக அல்ல, சூழலுக்காக இங்கு மேற்கோள் காட்டப்படுகிறது.

## Sources

- [Yang et al., Open-ended Scientific Discovery with Possibilistic Reasoning, arXiv v1](https://arxiv.org/html/2610.11289v1) — வரையறைகள், வழிமுறை, அனுமானங்கள், தேற்றம், செயற்கை உருவகப்படுத்தல், நிஜ உலகத் தரவுத்தொகுப்பு ஆராய்ச்சிச் சோதனைகள், குறிப்பிடப்பட்ட வரம்புகள் ஆகியவற்றுக்கான முதன்மை ஆதாரம்; arXiv v1-ஐ அடிப்படையாகக் கொண்டது. உறுதிப்படுத்தப்பட்ட கருதுகோள்களுக்கு எஞ்சிய நிலைகளின் காலியாகாத தொகுப்பும் முழு நிலை வெளியின் முறையான உட்தொகுப்பும் தேவை. ஆசிரியர்கள் தெரிவித்த முடிவுகள்; சுயாதீன மறுஉருவாக்கமோ பயன்பாட்டுச் சான்றோ இல்லை.
- [2610.11289v1-க்கான arXiv சுருக்கமும் சமர்ப்பிப்பு வரலாறும்](https://arxiv.org/abs/2610.11289v1) — தலைப்பு, ஆசிரியத்துவம், சுருக்கம், v1 சமர்ப்பிப்பு நேரம் ஆகியவற்றை உறுதிப்படுத்துகிறது.
- [Ramdas மற்றும் Wang, Hypothesis testing with e-values](https://doi.org/10.1561/3600000002) — கட்டுரை மேற்கோள் காட்டும் எந்நேரத்திலும் செல்லுபடியாகும் சோதனை அணுகுமுறைக்கான பின்னணி.
- [Agarwal et al., AutoDiscovery: Open-ended Scientific Discovery via Bayesian Surprise](https://proceedings.neurips.cc/paper_files/paper/2025/hash/23b127521af7ca7a42f5cdb7507be4f2-Abstract-Conference.html) — கட்டுரையில் விவாதிக்கப்படும் AutoDiscovery அடிப்படை முறைக்கான துல்லியமான NeurIPS 2025 மாநாட்டுப் பதிவு; புதிய பணியின் சுயாதீன மதிப்பீடு அல்ல.