🔢 mathematics

Explicit Construction of Approximate Kolmogorov Superpositions with C2 Smoothness

यह शोध पत्र किसी भी $\alpha$ -हॉल्डर निरंतर (Hölder continuous) फलनों को $N^{-\alpha}$ की त्रुटि दर के साथ अनुमानित करने के लिए $C^2$ -सुचारू (smooth) आंतरिक और बाह्य फलनों का उपयोग करते हुए अनुमानित कोल्मोगोरोव सुपरपोजिशन (Kolmogorov superpositions) का एक स्पष्ट निर्माण प्रस्तुत करता है, जिससे उनकी सटीक प्रतिनिधित्व रणनीति को बनाए रखते हुए शास्त्रीय निरूपणों के विकृत व्यवहारों पर विजय प्राप्त की जा सकती है।

मूल लेखक: Lunji Song, Zilan Cheng, Juan Diego Toscano, Li-Lian Wang

प्रकाशित 2026-05-19

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Lunji Song, Zilan Cheng, Juan Diego Toscano, Li-Lian Wang

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

एक बड़ी तस्वीर: 1D धागों के साथ 3D पहेली को सुलझाना

कल्पना कीजिए कि आपके पास एक जटिल, बहु-आयामी (multi-dimensional) वस्तु है, जैसे कि एक विशाल, जटिल 3D मूर्तिकला (जो कई चरों (variables) वाले फलन (function) का प्रतिनिधित्व करती है, जैसे कि $x_1, x_2, \dots, x_d$ )। दशकों से, गणितज्ञों को एक "जादुई ट्रिक" (कोलमोगोरोव सुपरपोजिशन थ्योरम - Kolmogorov Superposition Theorem) के बारे में पता है जो कहती है कि आप इस 3D मूर्तिकला का वर्णन केवल साधारण, एक-आयामी धागों (एक चर वाले फलन) के ढेर का उपयोग करके पूरी तरह से कर सकते हैं।

हालाँकि, इसमें एक पेच था। इस जादुई ट्रिक में उपयोग किए गए मूल "धागे" जंगली और ऊबड़-खाबड़ (wild and jagged) थे। वे इतने खुरदरे और टूटे हुए थे कि उनमें कोई चिकनी वक्रता (smooth curves) नहीं थी, जिससे उन्हें आधुनिक उपकरणों जैसे कि कंप्यूटर सिमुलेशन या न्यूरल नेटवर्क (जो चिकनी, बहती हुई रेखाओं को पसंद करते हैं) में उपयोग करना असंभव हो गया।

यह शोध पत्र इस जादुic ट्रिक का एक नया, अधिक चिकना (smoother) संस्करण प्रस्तुत करता है। लेखकों ने स्पष्ट रूप से "चिकने धागों" का एक सेट बनाया है जो अभी भी जटिल 3D मूर्तिकला को पुनर्गठित (reconstruct) कर सकता है, लेकिन बिना उन ऊबड़-खाबड़ और टूटे हुए किनारों के। उन्होंने सिद्ध किया है कि ये नए धागे अच्छी तरह से काम करते हैं और किसी भी चिकनी या थोड़ी ऊबड़-खाबड़ आकृति को उच्च सटीकता के साथ अनुमानित (approximate) कर सकते हैं।

समस्या: "जंगली" धागे

मूल सिद्धांत में, "आंतरिक धागे" (जो इनपुट लेते हैं) टूटे हुए कांच से बनी सीढ़ियों की तरह थे।

वे बहुत छोटे, तीखे चरणों में ऊपर और नीचे जाते थे।
वे इतने ऊबड़-खाबड़ थे कि यदि आप अधिकांश बिंदुओं पर उनके ढलान (derivative) को मापने की कोशिश करते, तो वह शून्य या अपरिभाषित होता।
क्योंकि वे इतने "जंगली" थे, कंप्यूटर उनका सीखने या भविष्यवाणी करने के लिए प्रभावी ढंग से उपयोग नहीं कर सकते थे।

शोध पत्र पूछता है: क्या हम इन टूटे हुए कांच के धागों को चिकने, पॉलिश किए हुए धागों से बदल सकते हैं, बिना 3D आकार को पुनर्गठित करने की क्षमता खोए?

समाधान: चिकने "आंतरिक" धागे बनाना

लेखकों ने एक नए प्रकार का "आंतरिक धागा" (जिसे इनर फंक्शन कहा जाता है) डिजाइन किया है जो $C^2$ -स्मूथ (smooth) है।

$C^2$ -स्मूथ का क्या अर्थ है? कल्पना कीजिए कि आप कार चला रहे हैं।
- एक ऊबड़-खाबड़ धागा एक गड्ढे में गिरने जैसा है: आप झटके के साथ आगे बढ़ते हैं, फिर रुकते हैं, फिर झटके के साथ आगे बढ़ते हैं।
- एक $C^1$ -स्मूथ धागा एक चिकनी सड़क की तरह है: आप झटका नहीं खाते, लेकिन स्टीयरिंग व्हील अभी भी तेजी से मुड़ सकता है।
- एक $C^2$ -स्मूथ धागा एक परफेक्टली बैंक की गई रेसट्रैक (banked racetrack) की तरह है। न केवल सड़क चिकनी है, बल्कि सड़क की वक्रता (curvature) भी सुचारू रूप से बदलती है। आप बिना किसी अचानक झटके या तीखे मोड़ के इस पर गाड़ी चला सकते हैं।

उन्होंने इसे कैसे बनाया?
टूटे हुए चरणों के बजाय, उन्होंने विशेष गणितीय आकृतियों (बहुपद और साइन वेव्स) से बने "गोंद" का उपयोग किया।

अंतराल (The Gaps): उन्होंने सड़क में छोटे अंतराल बनाए जहाँ धागा धीरे से ऊपर की ओर मुड़ता है (एक "स्मियर-आउट" आकार का उपयोग करके)।
सपाट भाग (The Flat Parts): अंतरालों के बीच, धागा काफी हद तक सपाट रहता है लेकिन फिर भी आगे बढ़ता रहता है।
परिणाम: एक एकल, निरंतर, चिकनी रेखा जो कभी आगे बढ़ना बंद नहीं करती (strictly increasing) और जिसमें कोई तीखे कोने नहीं हैं।

"मैप" की समस्या: अराजकता को व्यवस्थित करना

एक बार जब आपके पास चिकने धागे होते हैं, तो आपको 3D दुनिया को 1D रेखा में मैप करने के लिए उन्हें संयोजित करना होता है। यह एक अस्त-व्यस्त कमरे को एक लंबे गलियारे में पैक करने की कोशिश करने जैसा है।

यदि आप चीजों को बेतरतीब ढंग से पैक करते हैं, तो कमरे के विभिन्न हिस्सों की वस्तुएं गलियारे में एक-दूसरे के बगल में आ सकती हैं, जिससे अव्यवस्था पैदा होगी (गणितज्ञ इसे "डिसलोकेशन" कहते हैं)।

लेखकों का समाधान:
उन्होंने धागों को मिलाने का एक सटीक नुस्खा तैयार किया।

उन्होंने प्रत्येक आयाम को अलग-अलग "भार" (जिसे $\lambda$ कहा जाता है) दिए।
उन्होंने सिद्ध किया कि यदि आप इन भारों को सही ढंग से चुनते हैं (अंतरालों के आकार के आधार पर), तो "गलियारा" व्यवस्थित रहेगा।
उपमा (Analogy): कल्पना कीजिए कि आप किताबों को उनकी ऊंचाई के आधार पर छाँट रहे हैं। यदि आप उन्हें बस एक ढेर में फेंक देते हैं, तो एक छोटी किताब एक बड़ी किताब के बगल में आ सकती है। लेकिन यदि आप एक विशिष्ट छंटाई नियम (उनका गणितीय नुस्खा) का उपयोग करते हैं, तो हर छोटी किताब अन्य छोटी किताबों के पास रहती है, और हर बड़ी किताब अन्य बड़ी किताबों के पास रहती है। यह सुनिश्चित करता है कि 1D मैप 3D वस्तु की संरचना को सुरक्षित रखता है।

"बाहरी" धागे: मानचित्र को पढ़ना

एक बार जब 3D वस्तु को 1D रेखा में समतल (flattened) कर दिया जाता है (आंतरिक भाग), तो आपको अंतिम उत्तर प्राप्त करने के लिए उस बिंदु पर मान (value) को पढ़ने की आवश्यकता होती है। यह बाहरी फलन (outer function) है।

लेखकों ने इन बाहरी फलनों का निर्माण पैक किए गए 3D ब्लॉकों के "केंद्रों" को देखकर किया।
उन्होंने एक चिकने इंटरपोलेशन (interpolation) तरीके का उपयोग किया (बिंदुओं को चिकने वक्रों के साथ जोड़कर) ताकि एक ऐसा फलन बनाया जा सके जो 1D रेखा को पढ़ सके और मूल 3D आकार के लिए सही मान आउटपुट कर सके।

परिणाम: यह कितना अच्छा है?

शोध पत्र दो मुख्य बातें सिद्ध करता है:

सटीकता (Accuracy): नया चिकना निर्माण किसी भी फलन को, जिसमें एक निश्चित स्तर की चिकनाई (जिसे $\alpha$ -Hölder continuous कहा जाता है) हो, उसे एक निश्चित त्रुटि के साथ अनुमानित कर सकता है, जैसे-जैसे आप अधिक "धागे" (N बढ़ाते हैं) जोड़ते हैं। त्रुटि $O(N^{-\alpha})$ की दर से कम होती जाती है।
सत्यापन (Verification): उन्होंने 9 आयामों तक के फलनों पर कंप्यूटर परीक्षण चलाए। परिणाम उनके गणितीय अनुमानों से पूरी तरह मेल खाते थे, जिससे पता चला कि त्रुटि ठीक उसी गति से कम हुई जैसा कि उन्होंने कहा था।

यह क्यों महत्वपूर्ण है (शोध पत्र के अनुसार)

यह व्यावहारिक है: मूल "जंगली" फलनों के विपरीत, इन नए चिकने फलनों का उपयोग वास्तव में न्यूरल नेटवर्क (कंप्यूटर लर्निंग सिस्टम) में किया जा सकता है।
यह स्पष्ट (Explicit) है: लेखकों ने केवल यह नहीं कहा कि "यह मौजूद है"; उन्होंने इन फलनों को बनाने के सटीक सूत्र और चरण दिए।
यह एक लंबे समय से चले आ रहे प्रश्न को हल करता है: वर्षों से, शोधकर्ता यह जानना चाह रहे थे कि क्या आप मूल सिद्धांत के जादू को तोड़े बिना इन चिकने संस्करणों को बना सकते हैं। यह शोध पत्र कहता है "हाँ," और दिखाता है कि यह बिल्कुल कैसे किया जाता है।

संक्षेप में: लेखकों ने एक गणितीय जादू का उपयोग किया जो टेढ़े-मेढ़े, टूटे हुए धागों का उपयोग करता था और उसे चिकने, पॉलिश किए हुए धागों से बदल दिया। उन्होंने सिद्ध किया कि ये नए धागे अभी भी जटिल 3D आकृतियों को पूरी तरह से पुनर्गठित कर सकते हैं, जिससे यह सिद्धांत वास्तविक दुनिया के कंप्यूटर अनुप्रयोगों के लिए तैयार हो गया है।

तकनीकी सारांश: $C^2$ -स्मूथनेस के साथ अनुमानित कोलमोगोरोव सुपरपोज़िशन का स्पष्ट निर्माण

समस्या विवरण
कोलमोगोरोव सुपरपोज़िशन प्रमेय (KST) यह स्थापित करता है कि किसी भी निरंतर बहुचर फलन (multivariate function) को एकचर निरंतर फलनों के सुपरपोज़िशन के रूप में दर्शाया जा सकता है। हालाँकि, मौजूदा रचनात्मक प्रमाण (जैसे कि स्प्रेचर, काहाने और लोरेंट द्वारा) ऐसे आंतरिक फलनों पर निर्भर करते हैं जो "जंगली" (wild) और "पैथोलॉजिकल" व्यवहार प्रदर्शित करते हैं, जैसे कि सीढ़ीनुमा संरचनाएं जहाँ व्युत्पन्न (derivatives) लगभग हर जगह शून्य हो जाते हैं। ये गैर-सुचारू (non-smooth) फलन आधुनिक अनुप्रयोगों, विशेष रूप से न्यूरल नेटवर्क आर्किटेक्चर (जैसे कि कोलमोगोरोव-आर्नोल्ड नेटवर्क या KANs) के लिए अनुपयुक्त हैं, जहाँ अवकलनीयता (differentiability) और सुचारूता (smoothness) अनुकूलन और अभिसरण विश्लेषण (convergence analysis) के लिए महत्वपूर्ण हैं। जबकि सटीक निरूपण की गैर-अवकलनीयता से बचने के लिए कुछ अनुमानित संस्करण प्रस्तावित किए गए हैं, कोलमोगोरोव की रणनीति के सार को बनाए रखते हुए $C^2$ -स्मूथ अनुमानित सुपरपोज़िशन का एक कठोर, स्पष्ट निर्माण एक खुला प्रश्न बना हुआ था।

कार्यप्रणाली
लेखक अनुमानित कोलमोगोरोव सुपरपोज़िशन के एक नवीन, स्पष्ट निर्माण का प्रस्ताव करते हैं जो आंतरिक और बाहरी दोनों फलनों के लिए $C^2$ -स्मूथनेस प्राप्त करता है। कार्यप्रणाली तीन विशिष्ट चरणों में आगे बढ़ती है:

सुचारू आंतरिक फलनों का निर्माण:
सीढ़ीनुमा फलनों के बजाय, लेखक एक जनरेटिंग फंक्शन $\phi(t)$ को परिभाषित करते हैं जिसे दो विशिष्ट शेप फंक्शन्स को जोड़कर बनाया गया है:

एक "स्मियर्ड-आउट" (smeared-out) $C^2$ -हेविसाइड फंक्शन $S(z)$ (जो एक त्रिकोणमितीय बहुपद से व्युत्पन्न है) जिसका उपयोग $\delta = N^{-2}$ आकार के छोटे "गैप्स" पर किया जाता है।
एक क्विंटिक बहुपद $P(z)$ जिसका उपयोग $h = N^{-1}$ आकार के मुख्य उप-अंतरालों पर किया जाता है।
इन टुकड़ों को एक सख्ती से बढ़ता हुआ (strictly increasing), खंडवार $C^2$ फंक्शन बनाने के लिए जोड़ा जाता है। आंतरिक फलन $\psi_q(x)$ को इस एकल जनरेटिंग फंक्शन $\phi$ पर उपयुक्त अनुवाद (translations) और स्केलिंग (dilations) लागू करके उत्पन्न किया जाता है। एक ट्यूनिंग पैरामीटर $\nu$ जंक्शनों पर व्यवहार को नियंत्रित करता है, जिससे यह सुनिश्चित होता है कि फलन सख्ती से बढ़ते हुए और $C^2$ -स्मूथ बने रहें और उनके व्युत्पन्न नियंत्रणीय हों।

हाइपरक्यूब्स का पृथक्करण और पैरामीटर चयन:
डोमेन $[0, 1]^d$ को गैप्स द्वारा अलग किए गए हाइपरक्यूब्स में विभाजित किया गया है। लेखक कोलमोगोरोव मैप्स $\Psi_q(x) = \sum_{p=1}^d \lambda_p \psi_q(x_p)$ को परिभाषित करते हैं। एक महत्वपूर्ण चुनौती यह सुनिश्चित करना है कि ये मैप्स हाइपरक्यूब्स को अलग करें (अर्थात, उन्हें 1D डोमेन में अलग-अलग हाइपरक्यूब्स को विलग अंतराल में मैप करें) ताकि वैश्विक इंटरपोलेशन संभव हो सके।
लेखक इन मैपों के सख्त मोनोटोनिसिटी (strict monotonicity) को सुनिश्चित करने के लिए स्केलिंग पैरामीटर्स $\lambda = (\lambda_1, \dots, \lambda_d)$ और ट्यूनिंग पैरामीटर $\nu$ पर स्पष्ट शर्तें निकालते हैं। $\nu$ (जिसे $\nu^*$ कहा जाता है) के लिए एक द्विघात समीकरण को हल करके और $\lambda$ के आंशिक योगों के लिए एक पुनरावर्ती अनुक्रम (recursive sequence) को परिभाषित करके, लेखक $\lambda^*$ के पैरामीटर्स का एक स्पष्ट सेट प्रदान करते हैं जो यह सुनिश्चित करता है कि मैप किए गए डेटा बिंदु सुव्यवस्थित और अलग हों, जिससे "डिसलोकेशन" (dislocations) की समस्या कम हो जाती है जो पिछले निर्माणों में आम थी।
बाहरी फलनों का निर्माण:
बाहरी फलन $g_q$ को हाइपरक्यूब्स के केंद्रों पर नमूना लिए गए लक्ष्य फलन मानों के रो-वाइज (row-wise) इंटरपोलेशन के माध्यम से बनाया जाता है। लेखक मैप किए गए डेटा बिंदुओं के बीच खंडवार $C^2$ इंटरपोलेशन करने के लिए उसी शेप फंक्शन $S(z)$ का उपयोग करते हैं जिसका उपयोग आंतरिक निर्माण में किया गया था। यह सुनिश्चित करता है कि बाहरी फलन भी $C^2$ -स्मूथ हों।

प्रमुख योगदान

स्पष्ट $C^2$ निर्माण: यह शोध पत्र अनुमानित कोलमोगोरोव सुपरपोज़िशन का पहला स्पष्ट निर्माण प्रदान करता है जहाँ दोनों आंतरिक और बाहरी फलन सख्ती से बढ़ते हुए और $C^2$ -स्मूथ हैं। यह सटीक KST निरूपणों में निहित "जंगली" व्यवहार को दूर करता है।
कठोर पैरामीटर चयन: लेखक $\lambda^*$ और ट्यूनिंग पैरामीटर $\nu^*$ का एक विशिष्ट सेट व्युत्पन्न करते हैं जो कोलमोगोरोव मैप्स के तहत हाइपरक्यूब्स के पृथक्करण की गारंटी देता है। यह डेटा डिसलोकेशन की समस्या को हल करता है, जो इंटरपोलेशन की वैधता के लिए महत्वपूर्ण है।
अभिसरण विश्लेषण (Convergence Analysis): वे सिद्ध करते हैं कि निर्मित सन्निकटन $f_N$ , किसी भी $\alpha$ -होल्डर निरंतर फलन $f \in H^\alpha([0, 1]^d)$ के लिए $O(N^{-\alpha})$ की सटीकता के साथ अभिसरित होता है। प्रमाण स्पष्ट रूप से हाइपरक्यूब्स के भीतर के बिंदुओं और गैप्स के भीतर गिरने वाले बिंदुओं दोनों से होने वाली त्रुटियों का हिसाब रखता है।
संख्यात्मक सत्यापन: लेखक एल्गोरिदम को लागू करते हैं और आयाम $d$ के 2 से 9 तक के रेंज के लिए सैद्धांतिक अभिसरण दरों को संख्यात्मक रूप से सत्यापित करते हैं, यह प्रदर्शित करते हुए कि देखा गया त्रुटि क्षय (error decay) अनुमानित $O(N^{-\alpha})$ दर से मेल खाता है।

परिणाम
मुख्य सैद्धांतिक परिणाम (प्रमेय 4.1) बताता है कि किसी भी $\alpha$ -होल्डर निरंतर फलन $f$ के लिए, $f$ और निर्मित सन्निकटन $f_N$ के बीच की त्रुटि निम्नलिखित होती है:
$\|f - f_N\|_\infty \leq C \cdot N^{-\alpha}$
जहाँ $C$ आयाम $d$ और होल्डर स्थिरांक (Hölder constant) पर निर्भर करता है। संख्यात्मक प्रयोग विभिन्न परीक्षण फलनों के लिए इस अभिसरण क्रम की पुष्टि करते हैं, जिसमें सिंगुलैरिटी (singularities) और उच्च-आयामी इनपुट वाले फलन शामिल हैं ( $d \leq 9$ )। परिणाम इंगित करते हैं कि अभिसरण दर मुख्य रूप से लक्ष्य फलन की सुचारूता ( $\alpha$ ) और बाहरी योगों की संख्या ( $N$ ) द्वारा निर्धारित होती है, जबकि आयाम $d$ स्थिरांकों को प्रभावित करता है लेकिन विषम क्रम (asymptotic order) को नहीं।

महत्व और दावे
लेखक दावा करते हैं कि यह कार्य सुचारू अनुमानित कोलमोगोरोव सुपरपोज़िशन के निर्माण के संबंध में एक खुले प्रश्न को हल करता है। इस निर्माण का महत्व कई क्षेत्रों में है:

न्यूरल नेटवर्क अनुप्रयोग: निर्मित फलनों की सुचारूता और सख्त मोनोटोनिसिटी उन्हें न्यूरल नेटवर्क (विशेष रूप से कोलमोगोरोव-आर्नोल्ड नेटवर्क या KANs) में कार्यान्वयन के लिए उपयुक्त बनाती है। यह निर्माण एक ऐसा सैद्धांतिक ढांचा प्रदान करता है जहाँ आंतरिक फलनों को स्मूथ एंसाज़ क्लासेज (जैसे स्प्लाइन्स, MLPs) द्वारा पैरामीटराइज किया जा सकता है, बिना गैर-अवकलनीयता के सैद्धांतिक अवरोध के।
अभिसरण सिद्धांत: एक स्पष्ट, सुचारू मध्यवर्ती निरूपण प्रदान करके, यह शोध पत्र KANs के लिए कठोर अभिसरण सिद्धांतों को स्थापित करने का मार्ग प्रशस्त करता है। यह KST प्रतिनिधित्व के अभिसरण त्रुटि और न्यूरल नेटवर्क एंसाज़ की अभिसरण त्रुटि के बीच कुल त्रुटि के अपघटन की अनुमति देता है।
सैद्धांतिक अंतर्दृष्टि: निर्माण यह प्रकट करता है कि जैसे-जैसे आयाम $d$ बढ़ता है, आंतरिक फलन हाइपरक्यूब्स के भीतर लगभग सपाट (flat) हो जाते हैं (व्युत्पन्न शून्य की ओर बढ़ते हैं), जो उच्च-आयामी जानकारी को एक आयाम में एनकोड करने का एक स्वाभाविक परिणाम है। यह अंतर्दृष्टि बताती है कि एक एकल आयाम में मैप करने की आवश्यकता को शिथिल करना (जैसे $d-1$ या निम्न आयामों में मैप करना) भविष्य के अनुसंधान के लिए एक फलदायी दिशा हो सकती है।

शोध पत्र इस बात पर जोर देता है कि जबकि सटीक KST निरूपण गणितीय रूप से सुंदर है, इसकी व्यावहारिक उपयोगिता गैर-सुचारूता के कारण सीमित है। यह कार्य ऐसे निरूपणों के सैद्धांतिक अस्तित्व और उनके व्यावहारिक, सुचारू कम्प्यूटेशनल फ्रेमवर्क कार्यान्वयन के बीच के अंतर को पाटता है।