🔢 mathematics

Machines Learn Number Fields, But How? The Case of Galois Groups

यह शोध पत्र प्रदर्शित करता है कि व्याख्यात्मक मशीन लर्निंग मॉडल, विशेष रूप से डेडेकिंड ज़ेटा गुणांकों (Dedekind zeta coefficients) पर प्रशिक्षित निर्णय वृक्ष (decision trees), संख्या क्षेत्रों के गैलवा समूहों (Galois groups) को प्रभावी ढंग से वर्गीकृत कर सकते हैं और अंतर्निहित गणितीय पैटर्न को प्रकट कर सकते हैं जो नए वर्गीकरण मानदंडों की ओर ले जाते हैं।

मूल लेखक: Kyu-Hwan Lee, Seewoo Lee

प्रकाशित 2026-05-19

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kyu-Hwan Lee, Seewoo Lee

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

कल्पना कीजिए कि आप एक अंधेरे कमरे में एक रहस्यमय वस्तु की पहचान करने की कोशिश कर रहे हैं। आप उस वस्तु को देख नहीं सकते, लेकिन आपके पास संख्याओं की एक सूची है जो बताती है कि वह प्रकाश के साथ कैसे प्रतिक्रिया करती है। यह मूल रूप से वही है जो गणितज्ञ क्यू-हवान ली (Kyu-Hwan Lee) और सीवू ली (Seewoo Lee) ने अपने शोध पत्र में किया था, लेकिन अंधेरे कमरे के बजाय, वे नंबर फील्ड्स (जटिल गणितीय संरचनाएं) को देख रहे थे, और प्रकाश के बजाय, उन्होंने जीटा गुणांकों (एक विशिष्ट सूची जो फील्ड से प्राप्त होती है) का उपयोग किया।

यहाँ इस बारे में बताया गया है कि कैसे उन्होंने इस गणितीय रहस्य को सुलझाने के लिए कंप्यूटर का उपयोग किया, जिसे रोजमर्रा की भाषा में समझाया गया है।

समस्या: गणित का "ब्लैक बॉक्स"

लंबे समय से, गणितज्ञ इन नंबर फील्ड्स को उनके "गैलोआ ग्रुप्स" (Galois Groups) के आधार पर वर्गीकृत करना जानते हैं। गैलोआ ग्रुप को नंबर फील्ड का डीएनए (DNA) या फिंगरप्रिंट समझें। यह आपको बताता है कि उस फील्ड में किस प्रकार की समरूपता (symmetry) है।

आमतौर पर, इस डीएनए को समझना हाथ से रूबिक क्यूब (Rubik's cube) हल करने जैसा है: इसके लिए जटिल, चरण-दर-चरण तर्क और गहरे सैद्धांतिक ज्ञान की आवश्यकता होती है। हालाँकि, हाल के वर्षों में, कंप्यूटर (मशीन लर्निंग) डेटा को देखने और उत्तर का अनुमान लगाने में बहुत कुशल हो गए हैं।

समस्या क्या है? कंप्यूटर अक्सर "ब्लैक बॉक्स" होते हैं। आप उन्हें डेटा देते हैं, और वे एक उत्तर देते हैं, लेकिन वे यह नहीं समझा सकते कि उन्होंने वह चुनाव क्यों किया। यह एक मैजिक 8-बॉल (magic 8-ball) की तरह है जो हमेशा सही उत्तर तो देता है, लेकिन अपना रहस्य बताने से इनकार कर देता है।

प्रयोग: कंप्यूटर को "संख्याओं को पढ़ना" सिखाना

लेखक चाहते थे कि वे यह देख सकें कि क्या वे एक सरल, पारदर्शी प्रकार के कंप्यूटर लर्निंग, जिसे डिसीजन ट्री (Decision Tree) कहा जाता है, का उपयोग कर सकते हैं। कल्पना कीजिए कि एक डिसीजन ट्री एक जटिल न्यूरल नेटवर्क नहीं, बल्कि एक विशाल फ्लोचार्ट या "20 सवाल" (20 Questions) के खेल की तरह है।

डेटा: उन्होंने कंप्यूटर को नंबर फील्ड्स का एक विशाल पुस्तकालय (LMFDB नामक डेटाबेस से) दिया। प्रत्येक फील्ड के लिए, उन्होंने उसके "जीटा फंक्शन" (गुणांकों की सूची) से पहली 1,000 संख्याएँ प्रदान कीं।
लक्ष्य: कंप्यूटर को उन संख्याओं को देखना था और फील्ड के "डीएनए" (गैलोआ ग्रुप) का अनुमान लगाना था।

खोज: कंप्यूटर ने एक गुप्त कोड ढूंढ लिया

कंप्यूटर ने केवल अनुमान नहीं लगाया; उसने एक पैटर्न सीखा। जब शोधकर्ताओं ने उस फ्लोचार्ट को देखा जिसे कंप्यूटर ने बनाया था, तो उन्होंने एक अद्भुत बात देखी: कंप्यूटर अधिकांश संख्याओं को अनदेखा कर रहा था और केवल कुछ बहुत विशिष्ट संख्याओं पर ध्यान केंद्रित कर रहा था।

विशेष रूप से, कंप्यूटर बार-बार ऐसे सवाल पूछ रहा था जैसे:

"क्या चौथी संख्या शून्य है?"
"क्या नौवीं संख्या शून्य है?"
"क्या सोलहवीं संख्या शून्य है?"

ये संख्याएँ (4, 9, 16) पूर्ण वर्ग (perfect squares) हैं। कंप्यूटर को समझ आया कि यदि सूची में एक विशिष्ट "वर्ग संख्या" शून्य थी, तो फील्ड एक निश्चित प्रकार की थी। यदि वह शून्य नहीं थी, तो वह एक अलग प्रकार की थी।

"आहा!" क्षण: अनुमान से प्रमाण तक

यहीं पर यह शोध पत्र वास्तव में दिलचस्प हो जाता है। आमतौर पर, जब कोई कंप्यूटर पैटर्न पाता है, तो गणितज्ञ बस कहते हैं, "ठीक है, कंप्यूटर सही है, अब आगे बढ़ते हैं।"

लेकिन इन लेखकों ने कहा, "ठहरिए। कंप्यूटर केवल वर्ग संख्याओं को ही क्यों देख रहा है? इसके पीछे एक गहरा गणितीय कारण होना चाहिए।"

उन्होंने कंप्यूटर के "अनुमान लगाने के नियमों" को लिया और उन्हें नए गणितीय सत्यों को खोजने के लिए एक मानचित्र के रूप में उपयोग किया। वे संख्या सिद्धांत (number theory) की पुरानी, धूल भरी किताबों पर वापस गए और सिद्ध किया कि कंप्यूटर वास्तव में सही था। उन्होंने कंप्यूटर के "अंतर्ज्ञान" (intuition) को कठोर, लिखित प्रमाणों में बदल दिया।

यहाँ कुछ उदाहरण दिए गए हैं जो उन्होंने सिद्ध किए:

"शून्य" का नियम: उन्होंने सिद्ध किया कि कुछ प्रकार के नंबर फील्ड्स के लिए, यदि आप सूची में पूर्ण वर्ग (जैसे 4, 9, या 16) के अनुरूप संख्या देखते हैं और वह शून्य है, तो वह फील्ड निश्चित रूप से "साइक्लिक" (एक विशिष्ट, सरल प्रकार की समरूपता) है।
"गैर-शून्य" का नियम: इसके विपरीत, यदि वह संख्या शून्य नहीं है, तो वह एक अधिक जटिल प्रकार का फील्ड है।
"प्राइम" का नियम: उन्हें अभाज्य संख्याओं (जैसे 2, 3, 5) और उनकी घातों से संबंधित संख्याओं के लिए समान नियम मिले।

उपमा: जासूस और सुराग

कल्पना कीजिए कि आप एक संदिग्ध की पहचान करने की कोशिश कर रहे एक जासूस हैं।

पुराना तरीका: आप संदिग्ध का इंटरव्यू लेते हैं, उसके बहाने की जांच करते हैं, और उसकी लिखावट का विश्लेषण करते हैं। इसमें घंटों लगते हैं और बहुत विशेषज्ञता की आवश्यकता होती है।
कंप्यूटर का तरीका: आप कंप्यूटर को एक फोटो देते हैं। कंप्यूटर कहता है, "यह संदिग्ध है!" लेकिन यह नहीं बताता कि क्यों।
इस शोध पत्र का तरीका: आप कंप्यूटर को एक फोटो देते हैं। कंप्यूटर कहता है, "वह संदिग्ध है क्योंकि उसके बाएं गाल पर तिल है।"
- फिर आप पुलिस मैनुअल (गणित सिद्धांत) में जाते हैं और सत्यापित करते हैं: "रुको, क्या बाएं गाल पर तिल होने से वास्तव में वह व्यक्ति वही संदिग्ध साबित होता है?"
- आप रिकॉर्ड चेक करते हैं और महसूस करते हैं: हाँ! इस विशिष्ट मामले में, तिल एक गारंटीकृत संकेत है।
- अब आपके पास पुलिस मैनुअल के लिए एक नया, सरल नियम है: "यदि आप बाएं गाल पर तिल देखते हैं, तो वह वही संदिग्ध है।"

परिणाम: गणित करने का एक नया तरीका

शोध पत्र इस निष्कर्ष पर पहुँचता है कि मशीन लर्निंग केवल भविष्यवाणियाँ करने का एक उपकरण नहीं है; यह खोज (discovery) का एक उपकरण है।

कंप्यूटर को पहले डेटा देखने देने से, लेखकों ने सरल "शॉर्टकट" (विशिष्ट संख्याओं पर आधारित नियम) खोजे जिन्हें वे शायद पारंपरिक मानव तर्क का उपयोग करके मिस कर देते। उन्होंने एक परिकल्पना (hypothesis) उत्पन्न करने के लिए कंप्यूटर का उपयोग किया, और फिर उसे सिद्ध करने के लिए मानव गणित का उपयोग किया।

संक्षेप में: उन्होंने एक कंप्यूटर को जटिल गणितीय वस्तुओं को वर्गीकृत करना सिखाया, यह देखा कि कंप्यूटर इसे कैसे कर रहा है, और फिर उन अवलोकनों का उपयोग करके नए, सिद्ध गणितीय नियम लिखे जो पहले की तुलना में कहीं अधिक सरल हैं। यह एक ऐसी साझेदारी है जहाँ कंप्यूटर पैटर्न पहचानता है, और गणितज्ञ उसका प्रमाण लिखता है।

तकनीकी सारांश: मशीनें संख्या क्षेत्रों (Number Fields) सीखती हैं, लेकिन कैसे? गैलुआ समूहों (Galois Groups) का मामला

समस्या विवरण
यह शोध पत्र $\mathbb{Q}$ के गैलुआ विस्तारों (Galois extensions) के लिए गैलुआ समूहों के वर्गीकरण को संबोधित करता है जिनकी डिग्री 4, 6, 8, 9 और 10 है। जबकि इन समूहों को निर्धारित करने के लिए शास्त्रीय विधियाँ मौजूद हैं (अक्सर डिस्क्रिमिनेन्ट्स, रिजोल्वेंट्स या विशिष्ट बहुपद गुणों के माध्यम से), लेखक इस बात की जांच करते हैं कि क्या गैलुआ समूह को डेडेकिंड ज़ेटा फलन (Dedekind zeta function), $\zeta_K(s)$ के गुणांकों के एक परिमित सेट से ही निर्धारित किया जा सकता है। विशेष रूप से, वे ज़ेटा गुणांकों $a_n(K)$ के वितरण और अंतर्निहित गैलुआ समूह संरचना के बीच संबंध की खोज करते हैं। केंद्रीय चुनौती यह है कि जबकि मशीन लर्निंग (ML) मॉडल इस वर्गीकरण कार्य में उच्च सटीकता प्राप्त कर सकते हैं, उनका निर्णय तर्क आमतौर पर अपारदर्शी ("ब्लैक-बॉक्स") होता है। लेखक इस तर्क को रिवर्स-इंजीनियर करने का लक्ष्य रखते हैं ताकि कठोर गणितीय मानदंड प्राप्त किए जा सकें।

कार्यप्रणाली (Methodology)
लेखक एक "मशीन लर्निंग-संचालित खोज" प्रतिमान का उपयोग करते हैं:

डेटा जनरेशन: वे LMFDB (L-functions and Modular Forms Database) संख्या क्षेत्र डेटाबेस का उपयोग करते हैं, और अपने डेटासेट को डिग्री 4, 6, 8, 9 और 10 के गैलुआ विस्तारों तक सीमित करते हैं। विशेषताएं दो स्रोतों से प्राप्त की जाती हैं:
- ज़ेटा गुणांक: डेडेकिंड ज़ेटा फलन के पहले 1000 गुणांक ( $a_n(K)$ )।
- बहुपद गुणांक: संख्या क्षेत्रों के सामान्यीकृत परिभाषित बहुपदों (defining polynomials) के गुणांक।
मॉडल प्रशिक्षण: वे व्याख्या योग्य मशीन लर्निंग मॉडल, मुख्य रूप से डिसीजन ट्री (Decision Trees) और लॉजिस्टिक्स रिग्रेशन (Logistic Regression) को प्रशिक्षित करते हैं, जिसके लिए scikit-learn लाइब्रेरी का उपयोग किया जाता है।
- व्याख्यात्मकता को अधिकतम करने के लिए 'गिनी मानदंड' (Gini criterion) के साथ डिसीजन ट्री को प्रशिक्षित किया जाता है, जिससे लेखकों को विभाजन नियमों (splitting rules) का निरीक्षण करने की अनुमति मिलती है।
- लॉजिस्टिक्स रिग्रेशन का उपयोग फीचर वेट्स (feature weights) के विश्लेषण के लिए किया जाता है, विशेष रूप से यह पहचानने के लिए कि कौन से इंडेक्स (जैसे, वर्ग या घन इंडेक्स) सबसे अधिक भविष्य कहनेवाला शक्ति (predictive power) रखते हैं।
व्याख्या और प्रमाण: मुख्य कार्यप्रणाली प्रशिक्षित मॉडलों की संरचना के विश्लेषण में निहित है। जब एक मॉडल लगातार विशिष्ट ज़ेटा गुणांकों (जैसे, $a_{p^k}(K) = 0$ ) पर विभाजित होता है, तो लेखक इन पैटर्न के आधार पर कठोर गणितीय अनुमान (conjectures) तैयार करते हैं। वे फिर इन अनुमानों को कठोरता से सिद्ध करने के लिए शास्त्रीय बीजगणितीय संख्या सिद्धांत—विशेष रूप से रैमिफिकेशन थ्योरी (ramification theory), अपघटन समूह (decomposition groups), इनरशिया समूह (inertia groups), और चेबोटेव घनत्व प्रमेय (Chebotarev density theorem)—का उपयोग करते हैं।

प्रमुख योगदान और परिणाम

क्वार्टिक और नोनिक क्षेत्र (डिग्री 4 और 9):
- अवलोकन: डिसीजन ट्री ने पूर्ण घात वाले इंडेक्स (डिग्री 4 के लिए वर्ग, डिग्री 9 के लिए घन) पर विभाजित होकर लगभग पूर्ण सटीकता (100%) प्राप्त की।
- प्रमेय: एक गैलुआ विस्तार $K/\mathbb{Q}$ के लिए जिसकी डिग्री $\ell^2$ है (जहाँ $\ell$ एक अभाज्य संख्या है), गैलुआ समूह चक्रीय ( $C_{\ell^2}$ ) होगा यदि और केवल यदि एक अभाज्य $p$ मौजूद है जिससे $a_{p^\ell}(K) = 0$ हो। इसके विपरीत, यदि समूह $C_\ell^2$ है, तो सभी अभाज्य $p$ के लिए $a_{p^\ell}(K) \neq 0$ होगा।
- प्रमाण: यह अपघटन प्रकारों (decomposition types) के विश्लेषण पर निर्भर करता है। $C_\ell^2$ विस्तारों के लिए, अपघटन समूह स्थानीय क्षेत्रों (local fields) में इनरशिया और फ्रोबेनियस क्रियाओं पर बाधाओं के कारण चक्रीय $\ell^2$ का नहीं हो सकता (जिसके लिए $a_{p^\ell}=0$ की आवश्यकता होती)।
सेक्सटिक क्षेत्र (डिग्री 6):
- अवलोकन: चक्रीय समूह $C_6$ और सिमेट्रिक समूह $S_3$ के बीच का अंतर $p \pmod 6$ के कॉंग्रुएंस क्लास के सापेक्ष $a_{p^2}(K)$ और $a_{p^3}(K)$ के मानों पर निर्भर करता है।
- परिणाम: लेखक सिद्ध करते हैं कि यदि $p \equiv 1 \pmod 6$ और $a_{p^2}(K) = 1$ , तो समूह $C_6$ होना चाहिए। यदि $p \equiv 5 \pmod 6$ और $a_{p^2}(K) = 1$ , तो समूह $S_3$ होना चाहिए। इसी तरह के मानदंड $a_{p^3}(K)$ के लिए भी स्थापित किए गए हैं।
- तंत्र: ये परिणाम इस तथ्य से प्राप्त होते हैं कि $S_3$ में विशिष्ट चक्रीय कोश (cyclic quotients) या उपसमूहों (जैसे, विशिष्ट कॉंग्रुएंसों के लिए डिग्री 3 या 6 के पूर्णतः रैमिफाइड चक्रीय विस्तार) की कमी होती है।
डेसिक क्षेत्र (डिग्री 10):
- अवलोकन: चक्रीय समूह $C_{10}$ और डायहेड्रल समूह $D_5$ के बीच अंतर वर्गों ( $p^2$ ) और पांच घातों ( $p^5$ ) द्वारा इंडेक्स किए गए गुणांकों पर निर्भर करता है।
- परिणाम: मानदंड स्थापित किए गए हैं जहाँ $a_{p^2}(K)$ और $a_{p^5}(K)$ के मान, और $p \pmod{10}$ के संयोजन के साथ, गैलुआ समूह को अनन्य रूप से निर्धारित करते हैं। उदाहरण के लिए, $p \neq 5$ के लिए $a_{p^5}(K)=1$ एक चक्रीय विस्तार को दर्शाता है।
ऑक्टिक क्षेत्र (डिग्री 8):
- एबेलियन मामला: लेखक $C_8$ , $C_4 \times C_2$ , और $C_2^3$ के बीच अंतर करते हैं। वे सिद्ध करते हैं कि यदि किसी $p$ के लिए $a_{p^4}(K) = 0$ है, तो यह $C_8$ होने के बराबर है। इसके अलावा, यदि सभी $p$ के लिए $a_{p^2}(K) \neq 0$ है, तो यह $C_2^3$ होगा।
- गैर-एबेलियन मामला: केवल ज़ेटा गुणांकों के माध्यम से $D_4$ और $Q_8$ के बीच अंतर करना कठिन साबित हुआ, क्योंकि दिए गए अभाज्य के लिए संभावित अपघटन प्रकार दोनों समूहों के लिए समान हैं। हालाँकि, डिसीजन ट्री मॉडलों ने वर्ग-इंडेक्स वाले गुणांकों के वितरण में सूक्ष्म सांख्यिकीय अंतरों का लाभ उठाकर उच्च सटीकता (98.67%) प्राप्त की, लेकिन इस विशिष्ट जोड़ी के लिए कोई सरल "यदि-तो" प्रमेय नहीं निकाला गया।
- एबेलियन बनाम गैर-एबेलियन: एक स्पष्ट मानदंड प्रदान किया गया है: यदि $a_{p^4}(K) = 0$ , तो विस्तार एबेलियन (विशेष रूप से $C_8$ ) है। यदि $a_{p^4}(K)=1$ और $p \equiv 3 \pmod 4$ के लिए $a_{p^2}(K)>0$ है, तो विस्तार गैर-एबेलियन है।
बहुपद गुणांक:
- जबकि डिसीजन ट्री बहुपद गुणांकों का उपयोग करके अच्छा प्रदर्शन करते थे, मॉडल जटिल और व्याख्या करने में कठिन थे। लेखकों ने नोट किया कि मॉडल अक्सर गुणांकों के परिमाण (magnitude) पर निर्भर करते थे (जैसे, $C_6$ विस्तारों के गुणांक $S_3$ की तुलना में बहुत बड़े होते हैं), लेकिन उन्होंने इन पैटर्न से कोई नए प्रमेय प्राप्त नहीं किए, यह देखते हुए कि LMFDB में बहुपदों का सामान्यीकरण (normalization) इन वितरणों को गहराई से प्रभावित करता है।

महत्व और दावे
यह शोध पत्र यह दावा करता है कि यह गणितीय अनुसंधान में एक नए प्रतिमान को प्रदर्शित करता है जहाँ मशीन लर्निंग केवल एक भविष्य कहनेवाला उपकरण (predictive tool) नहीं बल्कि एक अनुमान (conjecture) जनरेटर के रूप में कार्य करती है।

व्याख्यात्मकता (Interpretability): व्याख्या योग्य मॉडलों (डिसीजन ट्री) का उपयोग करके, लेखक मशीन के तर्क को "रिवर्स-इंजीनियर" करने में सक्षम हुए ताकि सटीक गणितीय कथन प्राप्त किए जा सकें जो पहले साहित्य में अज्ञात या अनछुए थे।
कठोर प्रमाण: कई ML अनुप्रयोगों के विपरीत जो उच्च सटीकता पर ही रुक जाते हैं, यह कार्य पारंपरिक संख्या-सिद्धांत संबंधी प्रमाणों का उपयोग करके अनुमानों को सिद्ध करके चक्र को पूरा करता है।
नए मानदंड: यह पत्र ज़ेटा गुणांकों पर आधारित गैलुआ समूहों के वर्गीकरण के लिए सरल, नए मानदंड प्रदान करता है (जैसे, यह जाँचना कि यदि $a_{1000}(K) \leq 4$ है तो यह नोनिक क्षेत्रों के लिए चक्रीयता को दर्शाता है), जिसे ML विश्लेषण के बिना तैयार नहीं किया जा सकता था।
सीमाएँ: लेखक अपने दायरे के बारे में विनम्र हैं, यह नोट करते हुए कि हालांकि यह दृष्टिकोण अध्ययन की गई विशिष्ट डिग्री के लिए काम करता है, यह अभी तक सभी डिग्री के लिए एक सार्वभौमिक एल्गोरिदम प्रदान नहीं करता है। उन्होंने यह भी रेखांकित किया कि गैर-एबेलियन ऑक्टिक समूहों ( $D_4$ बनाम $Q_8$ ) के लिए, ML मॉडलों ने सांख्यिकीय पैटर्न पाए जो तुरंत एक सरल सैद्धांतिक मानदंड में अनुवादित नहीं हुए, जो यह सुझाव देता है कि कुछ ML अंतर्दृष्टि संरचनात्मक के बजाय सांख्यिकीय बनी रहती है।

कार्य इस निष्कर्ष के साथ समाप्त होता है कि इस कार्यप्रणाली को गैर-गैलुआ विस्तारों, उच्च डिग्री और अन्य आधार क्षेत्रों (base fields) तक बढ़ाया जा सकता है, जिससे गैलुआ समूहों की गणना के लिए अधिक कुशल एल्गोरिदम की ओर ले जाने की संभावना है।