Markdown ایڈیشن

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

# سائنسی مفروضوں کی تلاش کا ایسا طریقہ جو غیر یقینی کو نمایاں رکھتا ہے

> ایک نیا مقالہ ممکنہ وضاحتوں کو شماریاتی توثیق، پس منظر کے علم سے مطابقت اور سادگی کے لحاظ سے درجہ دیتا ہے، پھر مصنوعی اور ڈیٹاسیٹ پر مبنی کاموں میں اس طریقے کو آزماتا ہے۔

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.

ایک نیا مقالہ اس وقت وضاحتوں کی درجہ بندی کا طریقہ تجویز کرتا ہے جب شواہد جمع ہوتے ہیں اور ممکنہ وضاحتوں کی فہرست بڑھتی ہے۔ اس طریقے، Possibility Frontier Search، میں پہلے شماریاتی توثیق، پھر پس منظر کے علم سے مطابقت، اور آخر میں سادگی کو ترجیح دی جاتی ہے۔ اس ترتیب کا مقصد یہ ہے کہ کوئی دلکش مگر بے بنیاد وضاحت صرف اس لیے نہ جیتے کہ وہ پہلے سے موجود توقعات سے میل کھاتی ہے۔

یہ کام ایک فریم ورک اور الگورتھم ہے، کسی نظام کی جانب سے سائنسی دریافت کرنے کی رپورٹ نہیں۔ Anita Yang اور چار شریک مصنفین نے مقالہ 8 اکتوبر 2026 کو arXiv v1 کے طور پر شائع کیا۔ اس میں بیان کردہ مفروضوں کے تحت رسمی نتائج، ایک کنٹرول شدہ مصنوعی تجربہ، اور حقیقی دنیا کے دو ڈیٹاسیٹس پر دریافتّی ٹیسٹ شامل ہیں۔

## بڑی تبدیلی

- **کیا بدلا:** مقالہ Possibility Frontier Search تجویز کرتا ہے، جو بڑھتے ہوئے مفروضوں کے مجموعوں کو شماریاتی توثیق، پس منظر سے مطابقت اور سادگی کی بنیاد پر درجہ دیتا ہے۔
- **یہ کیوں اہم ہے:** اے آئی سے تیار کردہ وضاحتوں کا جائزہ لینے والے محققین کے لیے یہ طریقہ شماریاتی تائید کو سابقہ علم کے تحت معقولیت سے الگ کرتا ہے اور تخصیص کو صرف برابر نتائج کی صورت میں فیصلہ کن معیار بناتا ہے۔ اس سے پتا چلتا ہے کہ درجہ بندی کہاں شواہد اور کہاں مقررہ پس منظر ماڈل کی عکاسی کرتی ہے۔ رسمی نتیجہ مشروط ہے؛ دو ڈیٹاسیٹ کیس اسٹڈیز مصنفین کی رپورٹ کردہ دریافتّی جانچیں ہیں۔
- **کس بات پر نظر رکھیں:** طریقے کے نتائج اس بات پر منحصر ہیں کہ اس کا جنریٹر کیا تجویز کر سکتا ہے، دعووں کو قابلِ آزمائش مجموعوں میں کیسے بدلا جاتا ہے، اور مقررہ پس منظر ماڈل کتنا موزوں ہے۔ پری پرنٹ میں نہ عملی طور پر تعینات دریافت ہے اور نہ آزادانہ اعادہ۔

## امکان، احتمال نہیں

مقالہ ان حالتوں کی نمائندگی کے لیے امکان کا نظریہ استعمال کرتا ہے جنہیں رد نہیں کیا گیا۔ امکان کا اسکور 1 ہونے کا مطلب یہ نہیں کہ مفروضہ درست ہونے کا امکان 100 فیصد ہے۔ اس کا مطلب ہے کہ شواہد نے اسے خارج نہیں کیا۔ معلومات کمزور ہوں تو دعویٰ اور اس کی نفی دونوں ممکن رہ سکتے ہیں۔

یہ فرق مصنفین کو متضاد وضاحتوں میں مقررہ کل احتمال تقسیم کرنے پر نظام کو مجبور کیے بغیر غیر حل شدہ غیر یقینی ظاہر کرنے دیتا ہے۔ وہ سلسلہ وار e-processes سے شہودی امکان تشکیل دیتے ہیں؛ یہ شماریاتی شواہد کی ایسی صورت ہے جو وقت کے ساتھ ڈیٹا جمع کرنے اور رکنے کے فیصلوں کے بدلنے پر بھی درست رہنے کے لیے بنائی گئی ہے۔

منتخب کردہ خطا کی حد پر طریقہ ایک version space برقرار رکھتا ہے: پیرامیٹر کی ان حالتوں کا مجموعہ جنہیں جمع شدہ شواہد نے خارج نہیں کیا۔ یہ امیدوار مفروضوں کو اس مجموعے کے لحاظ سے نشان زد کرتا ہے۔ اگر مفروضے میں کوئی باقی حالت نہ ہو تو اسے رد کیا جاتا ہے۔ اگر کچھ مگر تمام باقی حالتیں شامل ہوں تو وہ کھلا رہتا ہے۔ جب version space خالی نہ ہو، اس میں باقی ہر حالت مفروضے کے اندر ہو، اور مفروضہ مکمل state space کا باقاعدہ ذیلی مجموعہ ہو تو اسے توثیق شدہ قرار دیا جاتا ہے۔ آخری شرط اس بدیہی دعوے کو خارج کرتی ہے جس میں ہر ممکن حالت شامل ہو۔

مقالے کے ماڈل کے مفروضوں کے تحت اس سے وقت کے ہر مقام پر یکساں ضمانت ملتی ہے: کسی بھی غلط امیدوار کے کسی بھی وقت توثیق ہونے کا امکان منتخب خطا کی سطح سے محدود ہوتا ہے۔ یہ ضمانت موافق شواہد اور اسی جمع شدہ ریکارڈ سے بنائے گئے امیدواروں کو مدنظر رکھتی ہے۔ اس کا اطلاق دعوے کی رسمی، قابلِ آزمائش نمائندگی پر ہوتا ہے، نہ کہ اضافی علّی یا میکانکی زبان پر جسے کوڈ اور آزمائش میں شامل نہ کیا گیا ہو۔

## ترتیب سے تین آزمائشیں

درجہ بندی لغوی ترتیب سے ہے، اس لیے بعد کی ترجیح پہلے والی کو نہیں بدل سکتی۔

1. **شماریاتی توثیق۔** امیدوار کو شواہد کی آزمائش میں کامیاب ہونا چاہیے۔ محض کھلا رہ جانے والا مفروضہ توثیق شدہ مفروضے سے اوپر نہیں آسکتا۔
2. **پس منظر کے علم سے مطابقت۔** توثیق شدہ امیدواروں میں طریقہ سب سے زیادہ یقینی امکان والے کو ترجیح دیتا ہے۔ اسکور ان تمام حالتوں میں پس منظر سے مطابقت کی سب سے کم قدر ہے جنہیں مفروضہ اجازت دیتا ہے۔ مصنفین اسے اس تبدیلی کو کم سے کم کرنے سے تعبیر کرتے ہیں جو دعوے کو جگہ دینے کے لیے مقررہ پس منظر خاکے میں درکار ہوگی۔ یہ امیدواروں کے درمیان موازنہ ہے، سائنسی علم کی خودکار نظرثانی نہیں۔
3. **سادگی۔** اگر ان آزمائشوں پر امیدوار برابر ہوں تو طریقہ کم حالتوں کی نمائندگی کرنے والے مفروضے کو ترجیح دیتا ہے۔ اس رسمی صورت میں کم حالتوں کا مطلب زیادہ مخصوص دعویٰ ہے۔

ترتیب اہم ہے۔ سادگی توثیق میں ناکام دعوے کو نہیں بچاتی، اور سابقہ مطابقت کو ثبوت نہیں سمجھا جاتا۔ پس منظر کا اسکور بھی یہ نہیں بتاتا کہ مفروضہ غالباً درست ہے: یہ منتخب پس منظر ماڈل کے تحت مطابقت ناپتا ہے۔

## محاذ کی تلاش

Possibility Frontier Search مفروضے تجویز کرنے اور تجربات چننے کے درمیان باری باری کام کرتا ہے۔ اس کا جنریٹر پس منظر کے علم، جمع شدہ ڈیٹا، باقی رہنے والی حالتوں اور پہلے کے امیدواروں سے امیدوار پیش کرتا ہے۔ طریقہ ان امیدواروں کو برقرار رکھتا ہے جنہیں پہلے رد نہیں کیا گیا۔

پھر یہ تجرباتی کوشش ان کھلے مفروضوں پر مرکوز کرتا ہے جو موجودہ بہترین نتیجہ بہتر بنا سکتے ہیں: ایسا امیدوار جس کی پس منظر سے مطابقت بہتر ہو، یا مطابقت برابر مگر زیادہ سادہ ہو۔ ایسے ہر مفروضے کے لیے، “محاذ” اس کے دعوے کے مخالف اطراف پر واقع باقی حالتوں کے جوڑوں پر مشتمل ہے۔ اگلا تجربہ اس لیے منتخب ہوتا ہے کہ ماڈل کے متوقع نتائج کے فرق سے سب سے مشکل سے الگ ہونے والے فعال جوڑے کو زیادہ سے زیادہ جدا کیا جا سکے۔ محدود صورتوں میں مصنفین اس انتخاب کو ایسی optimization کہتے ہیں جسے linear program سے حل کیا جا سکتا ہے۔

مقالہ رکنے کا سرٹیفکیٹ بھی دیتا ہے۔ الگورتھم اس وقت رک سکتا ہے جب کوئی معلوم کھلا امیدوار درجہ بندی بہتر نہ کر سکے اور بہترین توثیق شدہ افادیت اور قابلِ رسائی افادیت کی بالائی حد کے درمیان فرق منتخب برداشت کے اندر ہو۔ اس سرٹیفکیٹ تک پہنچنا اس بات کی ضمانت نہیں کہ تلاش محدود وقت میں ختم ہو جائے گی؛ مصنفین یہ بات واضح کہتے ہیں۔

رسمی بحالی کا نتیجہ مشروط ہے۔ اس کا قضیہ، دیگر باتوں کے ساتھ، محدود state اور action space، مختلف حالتوں میں فرق کرنے کے قابل تجربات، likelihood-ratio پر مبنی شہودی تعمیر، قریب ترین بہترین ہدف کے لیے مثبت جدائی کی شرط، اور ایسا مفروضہ جنریٹر فرض کرتا ہے جس میں توثیق کے قابل قریب ترین بہترین امیدوار تجویز کرنے کا امکان صفر نہ ہو۔ ان شرائط کے تحت حد epsilon-optimal قابلِ رسائی مفروضے کی بحالی کے قریب پہنچتی ہے۔ “قابلِ رسائی” اہم ہے: نتیجہ ان مفروضوں سے متعلق ہے جو جنریٹر بنا سکتا ہے، ہر ممکن وضاحت سے نہیں۔

## تجربات میں کیا شامل ہے

کنٹرول شدہ تجربہ معلوم حالت والے مصنوعی ماحول میں کیا گیا۔ محققین state space کو 1,540 پیرامیٹر حالتوں میں تقسیم کرتے ہیں، 44 قابلِ رسائی مفروضے متعین کرتے ہیں، اور جان بوجھ کر ایسے امیدواروں کے مجموعے سے شروع کرتے ہیں جس میں کوئی درست مفروضہ نہیں۔ ان کے مطابق طریقہ مجموعہ بڑھاتا ہے، ایک درست امیدوار کی توثیق کرتا ہے، اور اس کی abductive utility بہتر بناتا ہے۔ موازنوں میں ابتدائی مجموعے تک محدود maximum likelihood اور maximum a posteriori انتخاب، نیز پھیلتی تلاش والا AutoDiscovery شامل ہیں۔ مصنوعی نتائج آٹھ random seeds پر اوسط ہیں۔

حقیقی دنیا کا حصہ DiscoveryBench کے دو ڈیٹاسیٹس، Incarceration اور SES، استعمال کرتا ہے۔ محققین ان ڈیٹاسیٹس کے تعلقات کے بارے میں سوالات بناتے ہیں، قدرتی زبان کے پانچ مفروضوں اور ان کے منطقی متضاد سے شروع کرتے ہیں، اور 16 ڈیٹا فولڈز پر measurement queries کے ذریعے آبادی کی مقداروں کے ایک مقررہ مجموعے کا جائزہ لیتے ہیں۔ وہ قدرتی زبان کے مفروضے بنانے اور جانچنے کے لیے GPT-5 استعمال کرتے ہیں اور اپنے طریقے کا AutoDiscovery سے موازنہ کرتے ہیں۔ رپورٹ کردہ پیمانے LLM کے فیصلے پر مبنی hypothesis matching score، abductive utility اور hypothesis cardinality ہیں۔ مقالہ بتاتا ہے کہ دونوں صورتوں میں طریقہ آخرکار پہلے دو پر زیادہ اور cardinality پر کم اسکور کرتا ہے۔

حقیقی ڈیٹا کے یہ نتائج دریافتّی کیس اسٹڈیز ہیں۔ مصنفین کہتے ہیں کہ ٹیسٹ تخمینی ہیں اور اس سیٹ اپ کے لیے درست anytime-validity اور recovery guarantees قائم نہیں کی گئیں۔ ماحول کا action space اور پس منظر خاکہ مقرر ہے، اس لیے طریقے کی “open-ended” تلاش اسی سیٹ اپ کے اندر مفروضوں کا مجموعہ بڑھاتی ہے۔ یہ ناپے گئے state space کو نہیں بڑھاتی اور نہ پس منظر کا علم آن لائن بدلتی ہے۔ مقالہ یہ بھی خبردار کرتا ہے کہ غلط متعین یا ناقص calibrated پس منظر ماڈل ان مفروضوں میں تعصب پیدا کر سکتا ہے جنہیں طریقہ ترجیح دیتا ہے۔

تجربات دکھاتے ہیں کہ مجوزہ درجہ بندی اور تلاش ایک مصنوعی تشکیل اور ڈیٹاسیٹ پر مبنی دو کاموں میں کیسے چلے۔ وہ آزادانہ طور پر دہرائی گئی دریافت، تعینات تحقیقی ایجنٹ، یا قید، سماجی و اقتصادی حیثیت یا کسی اور شعبے سے متعلق نیا سائنسی نتیجہ ثابت نہیں کرتے۔ مقالہ خودکار مفروضہ درجہ بندی کے پیچھے مفروضات واضح کرنے کا طریقہ پیش کرتا ہے۔ مطالعہ یہ نہیں دکھاتا کہ کھلی سائنسی تحقیق میں یہ مفروضے اور اجزا قابلِ اعتماد ہیں۔

## ذرائع اور مزید مطالعہ

- [Yang وغیرہ، “Open-ended Scientific Discovery with Possibilistic Reasoning”، arXiv:2610.11289v1](https://arxiv.org/html/2610.11289v1)۔ جمع کرانے کی تاریخ 8 اکتوبر 2026۔ مکمل متن میں تعریفیں، قضیے، recovery theorem، الگورتھم، تجرباتی طریقے، حدود اور ضمیمے شامل ہیں۔ اس مضمون میں رپورٹ کردہ تمام نتائج اس نسخے میں مصنفین کے اپنے نتائج ہیں۔
- [arXiv خلاصہ اور نسخوں کی تاریخ](https://arxiv.org/abs/2610.11289v1)۔ عنوان، مصنفین کا ریکارڈ، خلاصہ اور v1 جمع کرانے کا وقت تصدیق کرتا ہے۔
- [Ramdas اور Wang، “Hypothesis testing with e-values”](https://doi.org/10.1561/3600000002)۔ مقالے میں حوالہ دیے گئے anytime-valid آزمائشی طریقے کا پس منظر۔
- [Agarwal وغیرہ، “AutoDiscovery: Open-ended Scientific Discovery via Bayesian Surprise”](https://proceedings.neurips.cc/paper_files/paper/2025/hash/23b127521af7ca7a42f5cdb7507be4f2-Abstract-Conference.html)۔ مقالے میں زیرِ بحث موازنہ طریقہ؛ یہاں نئے کام کی آزادانہ جانچ کے طور پر نہیں بلکہ پس منظر کے لیے حوالہ دیا گیا ہے۔

## Sources

- [Yang وغیرہ، Open-ended Scientific Discovery with Possibilistic Reasoning، arXiv v1](https://arxiv.org/html/2610.11289v1) — تعریفوں، الگورتھم، مفروضوں، قضیے، مصنوعی simulation، حقیقی دنیا کے ڈیٹاسیٹ کے دریافتّی تجربات اور بیان کردہ حدود کے لیے بنیادی ماخذ، arXiv v1 تک محدود۔ توثیق شدہ مفروضوں کے لیے باقی حالتوں کا غیر خالی مجموعہ اور مکمل state space کا باقاعدہ ذیلی مجموعہ ضروری ہے۔ مصنفین کے رپورٹ کردہ نتائج؛ آزادانہ اعادہ یا تعیناتی کا کوئی ثبوت نہیں۔
- [2610.11289v1 کے لیے arXiv خلاصہ اور جمع کرانے کی تاریخ](https://arxiv.org/abs/2610.11289v1) — عنوان، مصنفین، خلاصہ اور v1 جمع کرانے کا وقت تصدیق کرتا ہے۔
- [Ramdas اور Wang، Hypothesis testing with e-values](https://doi.org/10.1561/3600000002) — مقالے میں حوالہ دیے گئے anytime-valid آزمائشی طریقے کا پس منظر۔
- [Agarwal وغیرہ، AutoDiscovery: Open-ended Scientific Discovery via Bayesian Surprise](https://proceedings.neurips.cc/paper_files/paper/2025/hash/23b127521af7ca7a42f5cdb7507be4f2-Abstract-Conference.html) — مقالے میں زیرِ بحث AutoDiscovery baseline کا NeurIPS 2025 کا درست کانفرنس ریکارڈ؛ نئے کام کی آزادانہ جانچ نہیں۔