🤖 machine learning

CayleyPy RL: Pathfinding and Reinforcement Learning on Cayley Graphs

यह शोध पत्र CayleyPy परियोजना प्रस्तुत करता है, जो विशाल Cayley ग्राफ पर पाथफाइंडिंग को कुशलतापूर्वक हल करने के लिए डिफ्यूजन डिस्टेंस विधियों के साथ सुदृढीकरण लर्निंग (reinforcement learning) को जोड़ता है, जो GAP जैसे शास्त्रीय उपकरणों से सफलतापूर्वक पार पाकर, सिमेट्रिक ग्रुप के व्यास (diameter) के संबंध में OEIS-A186783 अनुमान के लिए पुख्ता प्रमाण प्रदान करता है, और नए सैद्धांतिक बंध स्थापित करते हुए Kaggle चुनौतियों के माध्यम से सामुदायिक भागीदारी को आमंत्रित करता है।

मूल लेखक: A. Chervov, M. Obozov, A. Soibelman, S. Lytkin, I. Kiselev, S. Fironov, A. Lukyanenko, A. Dolgorukova, A. Ogurtsov, F. Petrov, S. Krymskii, M. Evseev, L. Grunvald, D. Gorodkov, G. Antiufeev, G. Verbii

प्रकाशित 2026-05-19

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: A. Chervov, M. Obozov, A. Soibelman, S. Lytkin, I. Kiselev, S. Fironov, A. Lukyanenko, A. Dolgorukova, A. Ogurtsov, F. Petrov, S. Krymskii, M. Evseev, L. Grunvald, D. Gorodkov, G. Antiufeev, G. Verbii, V. Zamkovoy, L. Cheldieva, I. Koltsov, A. Sychev, A. Eliseev, S. Nikolenko, N. Narynbaev, R. Turtayev, N. Rokotyan, S. Kovalev, A. Rozanov, V. Nelin, S. Ermilov, L. Shishina, D. Mamayeva, A. Korolkova, K. Khoruzhii, A. Romanov

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

मुख्य विचार: दर्पणों के भूलभुलैया में घर पहुँचने का सबसे छोटा रास्ता

कल्पना कीजिए कि आप एक विशाल, अनंत भूलभुलैया में हैं। लेकिन यह सामान्य दीवारों वाली भूलभुलैया नहीं है; यह नियमों से बनी एक भूलभुलैया है। हर बार जब आप एक कदम उठाते हैं, तो आप एक विशिष्ट नियम का पालन करते हैं जो आपकी स्थिति को बदल देता है। गणित में, इसे केली ग्राफ (Cayley graph) कहा जाता है।

इस शोध पत्र का लक्ष्य एक विशिष्ट प्रकार की भूलभुलैया को हल करना है: LRX भूलभुलैया। यह भूलभुलैया ताश की गड्डी (या संख्याओं के क्रम) को शफल करने के नियमों का उपयोग करके बनाई गई है।

नियम L: सब कुछ एक स्थान बाईं ओर खिसका दें।
नियम R: सब कुछ एक स्थान दाईं ओर खिसका दें।
नियम X: पहले दो आइटम्स को आपस में बदल दें।

चुनौती यह है: यदि आप ताश की गड्डी को एक अस्त-व्यस्त क्रम में शुरू करते हैं, तो उन्हें वापस सही क्रम में लाने के लिए 'Left', 'Right' और 'Swap' (बदलने) के मूव्स का सबसे छोटा क्रम क्या होगा?

समस्या: भूलभुलैया इंसानों (और पुराने कंप्यूटरों) के लिए बहुत बड़ी है

ताश की छोटी गड्डी के लिए, एक इंसान या एक मानक कंप्यूटर प्रोग्राम (जैसे प्रसिद्ध गणित सॉफ्टवेयर GAP) समाधान निकाल सकता है। लेकिन जैसे-जैसे कार्डों की संख्या ( $n$ ) बढ़ती है, संभावित व्यवस्थाओं की संख्या विस्फोट की तरह बढ़ती जाती है।

$n=20$ के लिए, भूलभुलैया बहुत बड़ी है।
$n=100$ के लिए, भूलभुलैया इतनी बड़ी है कि इसमें ब्रह्मांड के परमाणुओं से भी अधिक रास्ते हैं।

पुराने कंप्यूटर प्रोग्राम अटक जाते हैं। वे हर एक रास्ते का नक्शा बनाने की कोशिश करते हैं, मेमोरी खत्म हो जाती है और वे हार मान लेते हैं। लेखक यह देखना चाहते थे कि क्या आर्टिफिशियल इंटेलिजेंस (AI) एक स्मार्ट खोजकर्ता की तरह काम कर सकता है ताकि वह हर इंच का नक्शा बनाए बिना इन विशाल भूलभुलभैयाओं के माध्यम से रास्ता खोज सके।

समाधान: AI को "अनुमान" लगाना सिखाना

लेखकों ने CayleyPy RL नामक एक सिस्टम बनाया। इसे एक रोबोट को भूलभुलैया में रास्ता दिखाना सिखाने की तरह समझें। उन्होंने रीइन्फोर्समेंट लर्निंग (RL) नामक एक विधि का उपयोग किया।

उन्होंने रोबोट को कैसे प्रशिक्षित किया, इसके लिए एक सरल उपमा यहाँ दी गई है:

1. "वॉर्म-अप" (डिफ्यूजन डिस्टेंस)
कल्पना कीजिए कि आप पानी के गिलास में स्याही की एक बूंद गिराते हैं। स्याही बेतरतीब ढंग से फैल जाती है। यदि आप जानना चाहते हैं कि कोई विशिष्ट बिंदु केंद्र से कितनी दूर है, तो आप देख सकते हैं कि स्याही वहां तक पहुँचने में कितना समय लेती है।

AI ने सबसे पहले लाखों "रैंडम वॉक" (जैसे स्याही का फैलना) को देखकर सीखा। उसे सबसे छोटा रास्ता नहीं पता था, लेकिन उसने दूरी का एक "एहसास" विकसित कर लिया। वह जानता था, "अगर मैं यहाँ हूँ, तो आमतौरकर घर पहुँचने में लगभग 50 रैंडम स्टेप्स लगेंगे।"
इसने AI को एक मोटा नक्शा तो दिया, लेकिन यह एकदम सटीक नहीं था।

2. "स्मार्ट ट्रेनिंग" (रीइन्फोर्समेंट लर्निंग)
इसके बाद, उन्होंने AI को अधिक स्मार्ट बनाया। केवल रैंडम वॉक के आधार पर अनुमान लगाने के बजाय, उन्होंने डीप Q-लर्निंग (Deep Q-Learning) नामक तकनीक का उपयोग किया।

कल्पना कीजिए कि AI एक ऐसा खेल खेल रहा है जहाँ उसे हर कदम के लिए "पेनल्टी" (जुर्माना) मिलती है। वह कम से कम पेनल्टी के साथ फिनिश लाइन तक पहुँचना चाहता है।
AI ने अलग-अलग मूव्स आजमाए, देखा कि कौन से मूव्स उसे करीब ले जाते हैं, और अपने दिमाग (न्यूरल नेटवर्क) को बेहतर अनुमान लगाने के लिए समायोजित किया।
नवाचार: उन्होंने "स्याही के फैलने" वाले अंतर्ज्ञान को "खेल खेलने" वाले तर्क के साथ जोड़ा। इससे AI को उन "डेड एंड्स" (बंद रास्तों) में फंसने से बचने में मदद मिली जो आमतौर पर सरल एल्गोरिदम को फंसा देते हैं।

3. "बीम सर्च" (खोजकर्ताओं की एक टीम)
यह सबसे महत्वपूर्ण हिस्सा है। कल्पना कीजिए कि आप भूलभुलैया में एक खोजकर्ता भेज रहे हैं। यदि वह गलत मोड़ लेता है, तो आप हार जाते हैं।

इसके बजाय, लेखकों ने खोजकर्ताओं की एक टीम (एक "बीम") भेजी।
हर चौराहे पर, टीम विभाजित होती है। वे शीर्ष 10,000 सबसे आशाजनक रास्तों को रखते हैं और खराब रास्तों को हटा देते हैं।
इतने बड़े दल (कुछ मामलों में लाखों रास्ते) को बनाए रखकर, AI यह सुनिश्चित करता है कि भले ही अधिकांश खोजकर्ता भटक जाएं, कम से कम एक को सबसे छोटा और सटीक रास्ता मिल जाए।

"जादुई ट्रिक" (X-ट्रिक)

लेखकों को एक छोटी सी शॉर्टकट ट्रिक मिली। उनके कोड में, उन्होंने एक सिंगल लॉजिक जोड़ा:

यदि पहले दो कार्ड पहले से ही सही क्रम में हैं, तो उन्हें बदलें नहीं।

यह एक इंसान के लिए बहुत स्पष्ट लगता है, लेकिन कंप्यूटर के लिए यह गेम-चेंजर साबित हुआ। इस छोटी सी नियम, जिसे उन्होंने "X-ट्रिक" कहा, ने उनके AI को 100 कार्डों ( $n=100$ ) वाली भूलभुलैया को हल करने में सक्षम बनाया।

ट्रिक के बिना: AI केवल लगभग 40 कार्डों को संभाल सकता था।
ट्रिक के साथ: इसने 100+ कार्डों को संभाला, जो पुराने कंप्यूटर सॉफ्टवेयर (GAP) को पछाड़ दिया जो 20 कार्डों के आसपास क्रैश हो जाता था।

उन्होंने क्या सिद्ध किया? (गणित का हिस्सा)

केवल एक तेज़ सॉल्वर बनाने के अलावा, उन्होंने इन भूलभुलैयाओं के बारे में गणितीय खोज करने के लिए अपने AI का उपयोग किया:

"गॉड्स नंबर" (God's Number) का अनुमान: गणित में एक प्रसिद्ध अनुमान है कि $n$ कार्डों के सबसे कठिन शफल के लिए ठीक $n(n-1)/2$ मूव्स की आवश्यकता होती है। AI ने बहुत बड़ी संख्याओं के लिए इसका परीक्षण किया और कभी भी ऐसा शफल नहीं पाया जो इससे अधिक कठिन हो। यह इस विचार का पुरजोर समर्थन करता है कि यह फॉर्मूला पूर्ण सीमा है।
"सबसे लंबा" शफल: उन्होंने सबसे अराजक संभव शफल (लॉन्गेस्ट एलिमेंट) की पहचान की और यह सिद्ध किया कि इसे मूव्स में कैसे तोड़ा जाए।
नई सीमाएँ (New Bounds): उन्होंने गणितीय रूप से सिद्ध किया कि भूलभुलैया एक निश्चित आकार से छोटी नहीं हो सकती और दूसरे आकार से बड़ी नहीं हो सकती, जिससे उत्तर काफी सीमित हो गया।
भूलभुलैया का आकार: उन्होंने पाया कि यदि आप शुरुआत से प्रत्येक दूरी पर कितने शफल मौजूद हैं, तो गिनती एक परफेक्ट बेल कर्व (सामान्य वितरण) का पालन नहीं करती है। इसके बजाय, वे एक अजीब, टेढ़े-मेढ़े आकार का पालन करते हैं जिसे गमबेल डिस्ट्रीब्यूशन (Gumbel distribution) कहा जाता है।

परिणाम: AI बनाम पुराना गार्ड

यह पेपर उनके नए AI मेथड की तुलना मानक कंप्यूटर अलजेब्रा सिस्टम GAP से करता है:

GAP: लगभग ~20 कार्डों तक हल कर सकता है। इसमें घंटों या दिन लग जाते हैं। इसके द्वारा खोजे गए रास्ते अक्सर लंबे और अक्षम होते हैं।
CayleyPy RL (AI): लगभग ~100 कार्डों तक हल कर सकता है। यह बहुत तेज़ है। यह ऐसे रास्ते खोजता है जो सैद्धांतिक रूप से सबसे छोटे संभव पथ के बहुत करीब होते हैं।

सारांश

लेखकों ने एक स्मार्ट AI सिस्टम बनाया है जो जटिल गणितीय समस्याओं को एक विशाल भूलभुलैया की तरह देखता है। रैंडम अनुमान लगाने को स्मार्ट लर्निंग के साथ जोड़कर और वर्चुअल खोजकर्ताओं की एक विशाल "टीम" भेजकर, वे उन भूलभुलैयाओं में रास्ता खोज सकते हैं जो पारंपरिक कंप्यूटरों के लिए बहुत बड़ी हैं। उन्होंने एक छोटा सा "चीट कोड" (X-ट्रिक) भी खोजा जो उन्हें पहले की तुलना में 5 गुना बड़ी समस्याओं को हल करने में सक्षम बनाता है, और साथ ही यह भी सिद्ध करता है कि इन भूलभुलैयाओं की संरचना कैसी है।

उन्होंने अपना कोड और चुनौतियाँ Kaggle नामक प्लेटफॉर्म पर भी रखी हैं, जहाँ वे अन्य लोगों को अपने रिकॉर्ड तोड़ने और इन पहेलियों के और भी कठिन संस्करणों को हल करने के लिए आमंत्रित कर रहे हैं।

तकनीकी सारांश: CayleyPy RL: Cayley ग्राफ पर पाथफाइंडिंग और रीइन्फोर्समेंट लर्निंग

समस्या विवरण
यह शोध पत्र अत्यंत विशाल परिमित (finite) Cayley ग्राफ पर पाथफाइंडिंग की समस्या को संबोधित करता है, जो विशेष रूप से लेफ्ट साइक्लिक शिफ्ट ( $L$ ), राइट साइक्लिक शिफ्ट ( $R$ ), और पहले दो तत्वों के ट्रांसपोज़िशन ( $X$ ) द्वारा जनरेट किए गए सिमेट्रिक ग्रुप $S_n$ पर केंद्रित है। यह विन्यास, जिसे LRX Cayley ग्राफ कहा जाता है, OEIS अनुक्रम A186783 के अनुरूप है। मुख्य गणितीय चुनौती एक ग्रुप एलिमेंट को जनरेटर्स के लघुतम संभव उत्पाद में विघटित करना (ग्राफ में सबसे छोटा रास्ता खोजना) है। सामान्य परिमित Cayley ग्राफ के लिए यह समस्या NP-hard है। शास्त्रीय कंप्यूटर अलजेब्रा सिस्टम, जैसे कि GAP, श्रेयर-सिम्स (Schreier-Sims) एल्गोरिदम पर निर्भर करते हैं, जो अक्सर घातांकीय रूप से लंबे पथ उत्पन्न करते हैं और $10^{30}$ (लगभग $n \approx 20$ के लिए $S_n$ ) से अधिक आकार के समूहों को संभालने में विफल रहते हैं। लेखक $10^{70}$ तक के आकार के ग्राफों (जैसे $n \approx 40$ से $100 $के लिए$ S_n$) को संभालने में सक्षम कुशल आर्टिफिशियल इंटेलिजेंस-आधारित दृष्टिकोण विकसित करने का लक्ष्य रखते हैं, जो निकट-इष्टतम या इष्टतम पथ बना सकें।

कार्यप्रणाली (Methodology)
लेखक एक हाइब्रिड कार्यप्रणाली प्रस्तावित करते हैं जो रीइन्फोर्समेंट लर्निंग (RL), विशेष रूप से डीप Q-लर्निंग (DQN), को डिफ्यूजन डिस्टेंस (diffusion distances) पर आधारित प्री-ट्रेनिंग रणनीति के साथ जोड़ती है।

रीइन्फोर्समेंट लर्निंग फ्रेमवर्क: पाथफाइंडिंग की समस्या को स्टेट $s$ से आइडेंटिटी एलिमेंट $e$ तक सबसे छोटा रास्ता खोजने के रूप में फ्रेम किया गया है। इसे बेलमैन समीकरण (Bellman equation) का उपयोग करके मॉडल किया गया है, जहाँ डिस्टेंस फंक्शन $d(s)$ इस प्रकार संतुष्ट होता है: $d(s) = 1 + \min_{t \in N(s)} d(t)$ । स्टैंडर्ड DQN को इस वैल्यू फंक्शन को अनुमानित करने के लिए न्यूरल नेटवर्क का उपयोग करके अनुकूलित किया गया है।
डिफ्यूजन डिस्टेंस प्री-ट्रेनिंग: "स्पार्स रिवॉर्ड" (sparse reward) की समस्या और स्टैंडर्ड DQN इनिशियलाइजेशन में निहित शोर (noise) को संबोधित करने के लिए, लेखक एक "वार्म-अप" चरण पेश करते हैं। वे टारगेट (target) से शुरू होने वाले रैंडम वॉक (डिफ्यूजन) के माध्यम से ट्रेनिंग डेटा उत्पन्न करते हैं। एक न्यूरल नेटवर्क को पहले इन रैंडम वॉक (डिफ्यूजन डिस्टेंस) में चरणों की संख्या का अनुमान लगाने के लिए प्रशिक्षित किया जाता है।
संशोधित DQN: प्री-ट्रेन्ड नेटवर्क को फिर एक संशोधित DQN एल्गोरिदम का उपयोग करके फाइन-ट्यून किया जाता है। महत्वपूर्ण रूप से, बेलमैन अपडेट टारगेट्स को उस टाइम स्टेप $k$ के आधार पर क्लिप किया जाता है जिस पर रैंडम वॉक जनरेशन के दौरान किसी स्टेट को पहली बार देखा गया था। यह नेटवर्क को दूरियों का अति-अनुमान (overestimation) लगाने से रोकता है और ट्रेनिंग को स्थिर करता है।
गाइडेड बीम सर्च (Guided Beam Search): एक बार जब न्यूरल नेटवर्क दूरियों का अनुमान लगाने के लिए प्रशिक्षित हो जाता है, तो यह बीम सर्च एल्गोरिदम के लिए एक ह्यूरिस्टिक फंक्शन के रूप में कार्य करता है। बीम सर्च प्रत्येक चरण पर सबसे आशाजनक स्टेट्स की एक निश्चित संख्या ( $W$ ) को बनाए रखता है, उनके पड़ोसियों (neighbors) का विस्तार करता है, और नेटवर्क के अनुमानों के आधार पर शीर्ष $W$ को चुनता है। यह ग्रीडी सर्च (greedy search) के सामान्य फेलियर मोड को टालने में मदद करता है, जहाँ एल्गोरिदम लोकल मिनिमा में फंस सकता है।
"X-ट्रिक": LRX जनरेटर्स के लिए एक विशिष्ट ह्यूरिस्टिक संशोधन पेश किया गया है। यदि पहले दो तत्व पहले से ही सॉर्ट किए गए हैं, तो जनरेटर $X$ (जो उन्हें स्वैप करता है) को नेबर सेट से बाहर कर दिया जाता है। यह एकल-लाइन संशोधन सर्च स्पेस को नाटकीय रूप से कम करता है और मिक्सिंग टाइम में सुधार करता है।
नॉन-बैकट्रैकिंग (Non-backtracking): लेखक रैंडम वॉक जनरेशन और बीम सर्च दोनों में वेरिएंस को कम करने और लोकल मिनिमा में ठहराव को रोकने के लिए नॉन-बैकट्रैकिंग बाधाओं को शामिल करते हैं।

मुख्य योगदान

एल्गोरिद्मिक प्रगति: यह शोध पत्र डिफ्यूजन डिस्टेंस प्री-ट्रेनिंग और संशोधित DQN के एक नवीन संयोजन को प्रस्तुत करता है। यह दृष्टिकोण स्टैंडर्ड DQN की सीमाओं (स्पार्स रिवॉर्ड, शोर वाले टारगेट्स) को पार करता है और शास्त्रीय तरीकों की तुलना में बेहतर प्रदर्शन करता है।
परफॉर्मेंस बेंचमार्क: प्रस्तावित विधियाँ बिना किसी पूर्व ज्ञान के $n \approx 44$ तक के LRX Cayley ग्राफ के लिए पथ खोजने में सफल रहती हैं और "X-ट्रिक" का उपयोग करके $n \approx 100$ तक के लिए भी सफल रहती हैं। यह GAP की क्षमताओं से काफी अधिक है, जो $n \approx 20$ तक सीमित है। AI विधियाँ तुलनीय $n$ के लिए GAP की तुलना में छोटे पथ बनाती हैं और तेजी से चलती हैं।
गणितीय परिणाम और अनुमान (Conjectures):
- डायमीटर अनुमान (Diameter Conjecture): लेखक OEIS-A186783 के इस अनुमान का पुरजोर समर्थन करते हैं कि LRX Cayley ग्राफ का डायमीटर $n(n-1)/2$ है। उन्होंने $n \le 15$ के लिए ब्रूट-फोर्स BFS और $n=200$ तक AI डिकंपोजिशन (Kaggle चुनौतियों के माध्यम से) के माध्यम से इसकी पुष्टि की, और अनुमानित लंबाई से छोटा कोई भी डिकंपोजिशन नहीं पाया।
- लॉन्गेस्ट एलिमेंट (Longest Element): उन्होंने एक अद्वितीय "लॉन्गेस्ट एलिमेंट" $\ell_n = (1, 0, n-1, n-2, \dots, 3, 2)$ की पहचान की और इसकी लंबाई $n(n-1)/2$ का स्पष्ट डिकंपोजिशन प्रदान किया।
- बाउंड्स (Bounds): उन्होंने एक कंस्ट्रक्टिव एल्गोरिदम के माध्यम से $n(n-1)/2 - n/2 - 1$ का लोअर बाउंड और $n(n-1)/2 + 3n$ का अपर बाउंड सिद्ध किया। एक एम्पिरिकल एल्गोरिदम एक टाइटर बाउंड $n(n-1)/2 + n/2$ का सुझाव देता है।
- ग्रोथ डिस्ट्रीब्यूशन (Growth Distribution): संख्यात्मक प्रयोग बताते हैं कि बड़े $n$ के लिए LRX ग्राफ का ग्रोथ फंक्शन एक लेफ्ट-स्क्यूड गंबल डिस्ट्रीब्यूशन (left-skewed Gumbel distribution) का पालन करता है, जो नेबर ट्रांसपोज़िशन ग्राफ में देखे जाने वाले गाऊसी (Gaussian) वितरण के विपरीत है।
- मिक्सिंग टाइम (Mixing Time): जबकि स्टैंडर्ड रैंडम वॉक का मिक्सिंग टाइम $O(n^3)$ और $O(n^3 \log n)$ के बीच होता है, लेखक अनुमान लगाते हैं कि "X-ट्रिक" के साथ संशोधित रैंडम वॉक तेजी से मिक्स होते हैं, जिनका टाइम कॉम्प्लेक्सिटी $O(n^2)$ है।
- स्पेक्ट्रम (Spectrum): LRX ग्राफ का स्पेक्ट्रम एक यूनिफॉर्म डिस्ट्रीब्यूशन का पालन करता प्रतीत होता है।
ओपन सोर्स और क्राउडसोर्सिंग: लेखकों ने "CayleyPy" प्रोजेक्ट जारी किया और लॉन्गएस्ट एलिमेंट को डिकंपोज करने और इष्टतम एल्गोरिदम खोजने के लिए Kaggle चुनौतियाँ बनाईं, जिससे AI और गणितीय समुदायों के बीच सहयोग को बढ़ावा मिला।

परिणाम

दक्षता (Efficiency): $n=20$ के लिए, GAP को 217,944 की लंबाई का पथ खोजने के लिए 41 मिनट से अधिक का समय लगता है, जबकि डिफ्यूजन डिस्टेंस विधि 4 मिनट से कम समय में 190 की लंबाई का इष्टतम पथ खोज लेती है।
स्केलेबिलिटी (Scalability): "X-ट्रिक" के साथ, सिस्टम ने $n=100$ (ग्राफ साइज $\approx 10^{157}$ ) के इंस्टेंस को एक सिंगल GPU पर लगभग 8.5 घंटे में हल किया, जिससे 16,632 की लंबाई का पथ मिला (अनुमानित डायमीटर 4,950 की तुलना में)।
मॉडल प्रदर्शन: मल्टी-लेयर पर्सेप्ट्रॉन (MLP) और ग्रेडिएंट बूस्टिंग (CatBoost/XGBoost) जैसे सरल मॉडल अक्सर ट्रांसफॉर्मर और CNN जैसे जटिल आर्किटेक्चर की तुलना में इस विशिष्ट कार्य के लिए बेहतर प्रदर्शन करते हैं।
बीम सर्च: पथ खोजने की सफलता दर बीम विड्थ (beam width) पर अत्यधिक निर्भर करती है, जो बीम साइज बढ़ने के साथ सुपर-लीनियर सुधार दिखाती है, जो एक रिसर्च कम्युनिटी में "विचारों के आदान-प्रदान" के समान है।

महत्व
यह शोध पत्र दावा करता है कि कम्प्यूटेशनल प्रयोग, विशेष रूप से AI का लाभ उठाकर, Cayley ग्राफ पर गणितीय अनुसंधान को महत्वपूर्ण रूप से आगे बढ़ा सकते हैं। यह प्रदर्शित करता है कि AI विधियाँ स्केलेबिलिटी (बड़े $n$ को संभालना) और समाधान की गुणवत्ता (छोटे, निकट-इष्टतम पथ खोजना) दोनों में शास्त्रीय कंप्यूटर अलजेब्रा सिस्टम को "पराजित" कर सकती हैं। यह कार्य सैद्धांतिक समूह सिद्धांत (group theory) और व्यावहारिक AI के बीच के अंतर को पाटता है, जो ग्रोथ और मिक्सिंग टाइम पर कठोर बाउंड, नए अनुमान और अत्यंत बड़े स्टेट स्पेस में पाथफाइंडिंग समस्याओं को हल करने के लिए एक ढांचा प्रदान करता है जो पहले दुर्गम थे। लेखक इसे अन्य जटिल प्लानिंग समस्याओं पर AI को लागू करने की दिशा में एक कदम के रूप में देखते हैं।