Intuitionistic -Do-Calculus in Topos Causal Models
यह शोधपत्र -do-कैलकुलस को पेश करके टोपोस कॉज़ल मॉडल्स (Topos Causal Models) के भीतर एक अंतर्ज्ञानवादी (intuitionistic) परिवेश में पर्ल के do-कैलकुलस का सामान्यीकरण करता है, जो एक सुदृढ़ नियम प्रणाली है जो कारण संबंधी हस्तक्षेपों (causal interventions) और सशर्त स्वतंत्रताओं (conditional independences) को एक लॉवरे-टियरनी टोपोलॉजी (Lawvere-Tierney topology) के तहत स्थिर स्थानीय सत्यों के रूप में परिभाषित करती है और उनकी व्याख्या क्रिप्की-जॉयल सिमेंटिक्स (Kripke-Joyal semantics) के माध्यम से करती है।
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 जासूस हैं जो एक रहस्य सुलझाने की कोशिश कर रहे हैं, लेकिन आपके द्वारा खोजे गए सुराग पूरी तरह से इस बात पर निर्भर करते हैं कि आप घर के किस कमरे में खड़े हैं। एक कमरे में, खिड़की पर एक उंगली का निशान यह साबित करता है कि संदिग्ध अंदर आया था; अगले कमरे में, वही उंगली का निशान सफाई करने वाले कर्मचारियों का एक धब्बा मात्र है। यही कारण संबंधी अनुमान (causal inference) का मूल है, जो विज्ञान की एक शाखा है जो यह पता लगाने की कोशिश करती है कि क्या चीज़ वास्तव में क्या कारण बनती है, न कि केवल यह कि क्या चीज़ें साथ-साथ घटित होती हैं। आमतौर पर, जासूस तर्क के नियमों के एक सेट (जिसे do-calculus कहा जाता है) का उपयोग करते हैं ताकि यह पूछा जा सके कि "क्या होगा यदि मैं संदिग्ध को अंदर आने के लिए मजबूर कर दूँ?"—यह मानसिक रूप से घटनाओं की सामान्य कड़ियों को काटकर किया जाता है। लेकिन ये नियम यह मान लेते हैं कि आप एक एकल, पूर्ण दृष्टिकोण से पूरे विश्व को देख रहे हैं।
समस्या यह है कि वास्तविक दुनिया एक एकल कमरा नहीं है; यह विभिन्न संदर्भों या "रेजीम" (regimes) वाला एक भवन है। एक चिकित्सा उपचार धूप वाले अस्पताल में काम कर सकता है लेकिन बारिश वाले क्लिनिक में विफल हो सकता है। एक समूह के लिए जो नियम काम करता है, वह दूसरे समूह के लिए टूट सकता है। वैज्ञानिक लंबे समय से एक ऐसा तरीका चाहते आए हैं जिससे वे इन अलग-अलग दृष्टिकोणों को बिना कारण-प्रभाव की तर्क श्रृंखला को खोए आपस में मिला सकें। उन्हें एक ऐसी प्रणाली की आवश्यकता है जो कह सके, "यह नियम इन विशिष्ट कमरों में सत्य है, और क्योंकि ये कमरे पूरे भवन को कवर करते हैं, इसलिए नियम पूरे भवन के लिए सत्य है।"
यही वह काम है जिसे श्रीधर महादेवन का शोध पत्र, Intuitionistic j-Do-Calculus in Topos Causal Models, करने का प्रयास करता है। लेखक एक नया गणितीय "गोंद" (glue) बनाता है जो हमें मानक कारण-और-प्रभाव के नियमों को विभिन्न वातावरणों में टुकड़ों-में-टुकड़े लागू करने और फिर उन टुकड़ों को एक एकल, विश्वसनीय सत्य में वापस जोड़ने की अनुमति देता है।
जासूस का टूलकिट: एकल कमरों से लेकर पूरे शहर तक
इस शोध पत्र के जादू को समझने के लिए, आइए पहले इसके द्वारा उपयोग किए जाने वाले उपकरणों को देखें। एक ऐसे शहर की कल्पना करें जहाँ हर पड़ोस के अपने कानून हैं। "अवलोकन जिले" (Observation District) में, आप केवल स्वाभाविक रूप से होने वाली चीजों को देख सकते हैं। "हस्तक्षेप जिले" (Intervention District) में, आप चीजों को बदलने के लिए भौतिक रूप से बदलाव कर सकते हैं।
पुराने तरीके में (जिसे क्लासिकल डू-कैलकुलस कहा जाता है), आपको एक जिला चुनना होता था और उसी का पालन करना होता था। यदि आप जानना चाहते थे कि क्या एक नई नीति ने अपराध में कमी का कारण बनी, तो आपको यह मानना पड़ता था कि आपका डेटा एक एकल, सुसंगत दुनिया से आया है। लेकिन क्या होगा यदि आपका डेटा एक अस्त-व्यस्त मिश्रण हो? क्या होगा यदि कुछ डेटा उस समय का हो जब बारिश हो रही थी, और कुछ उस समय का हो जब धूप खिली थी?
यह शोध पत्र एक नई अवधारणा पेश करता है जिसे j-स्थिरता (j-stability) कहा जाता है। इसे अपने तर्क के लिए एक "सुरक्षा जाल" के रूप में समझें। यह पूछने के बजाय कि "क्या यह नियम हर जगह सत्य है?", यह शोध पत्र पूछता है, "क्या यह नियम स्थानीय मानचित्रों के एक विशिष्ट सेट पर सत्य है, जो मिलकर पूरे क्षेत्र को कवर करते हैं?"
यहाँ बताया गया है कि इस शोध पत्र की नई प्रणाली कैसे काम करती है, एक मनोरंजक रूपक का उपयोग करते हुए:
1. रेजीम का मानचित्र (The Site)
कल्पना कीजिए कि दुनिया एक विशाल पहेली है, लेकिन सपाट टुकड़ों के बजाय, टुकड़े अलग-अलग "रेजीम" या संदर्भ हैं। एक टुकड़ा "अवलोकन संबंधी डेटा" है, दूसरा "प्रायोगिक डेटा" है, और तीसरा "एक विशिष्ट अस्पताल का डेटा" है। शोध पत्र की भाषा में, इन्हें स्टेज (stages) या चार्ट (charts) कहा जाता है। लेखक इन सबको केवल डेटा के अलग-अलग ढेर के रूप में नहीं, बल्कि एक जुड़े हुए नेटवर्क के रूप में देखते हैं जहाँ आप एक संदर्भ से दूसरे संदर्भ में जा सकते हैं।
2. स्थानीय नियम (Chartwise Semantics)
प्रत्येक व्यक्तिगत पहेली के टुकड़े (प्रत्येक रेजीम) पर, लेखक कारण-और-प्रभाव के मानक, भरोसेमंद नियमों का उपयोग करते हैं। यदि आप "अवलोकन संबंधी" टुकड़े में हैं, तो आप यह देखने के लिए मानक तर्क का उपयोग करते हैं कि क्या दो चीजें स्वतंत्र हैं। यदि आप "हस्तक्षेप" वाले टुकड़े में हैं, तो आप यह देखने के लिए मानक तर्क का उपयोग करते हैं कि क्या होता है जब आप एक बदलाव के लिए मजबूर करते हैं। शोध पत्र इस बात पर जोर देता है कि हम इन स्थानीय टुकड़ों के लिए नए नियम नहीं बनाते; हम बस उन्हीं का उपयोग करते हैं जिन पर हम पहले से ही भरोसा करते हैं।
3. गोंद (Sheaf Theory and Descent)
यह सबसे रचनात्मक हिस्सा है। शोध पत्र पूछता है: "यदि एक नियम 'अवलोकन संबंधी' टुकड़े पर सत्य है AND यह 'हस्तक्षेप संबंधी' टुकड़े पर भी सत्य है, और ये दोनों टुकड़े एक ऐसे तरीके से ओवरलैप होते हैं जो समझ में आता है, तो क्या हम कह सकते हैं कि नियम पूरी पहेली के लिए सत्य है?"
उत्तर है हाँ, लेकिन केवल तभी जब टुकड़े पूरी तरह से फिट बैठते हों। लेखक शीफ थ्योरी (sheaf theory) नामक एक गणितीय अवधारणा (इसे बहुत सख्त, उच्च-गुणवत्ता वाले गोंद के रूप में सोचें) का उपयोग यह सुनिश्चित करने के लिए करते हैं कि स्थानीय सत्य आपस में विरोधाभासी न हों। यदि स्थानीय सत्य उनके ओवरलैप (मिलन स्थल) पर सहमत होते हैं, तो "गोंद" उन्हें एक एकल, वैश्विक सत्य में उतरने (descend) की अनुमति देता है। इसे डिसेन्ट (descent) कहा जाता है।
यह शोध पत्र वास्तव में क्या पाता है
यह शोध पत्र एक लोकल-टू-ग्लोबल साउंडनेस थ्योरम (local-to-global soundness theorem) सिद्ध करता है। सरल शब्दों में, इसका अर्थ है:
- यदि आप स्थानीय मानचित्रों (एक J-कवर) के एक संग्रह पर एक कारण नियम (जैसे "चर A, चर B का कारण बनता है") को सत्यापित कर सकते हैं जो मिलकर आपकी पूरी स्थिति को कवर करते हैं...
- और यदि इन मानचित्रों के बीच जाने का तरीका कारण संरचना (जैसे समान चर और नियमों को बनाए रखना) को संरक्षित करता है...
- तो आप गणितीय रूप से गारंटी देते हैं कि वह नियम पूरी स्थिति के लिए सत्य है, भले ही आप एक बार में पूरी तस्वीर न देख पा रहे हों।
लेखक पर्ल (Pearl) के तीन प्रसिद्ध डू-कैलकुलस (do-calculus) नियमों पर इसे लागू करते हैं। ये नियम हमें बताते हैं कि हम अपने समीकरणों में एक क्रिया (जैसे दवा) को एक अवलोकन (जैसे लक्षण) के साथ कब बदल सकते हैं। शोध पत्र दिखाता है कि ये नियम इस बिखरे हुए, बहु-रेजीम वाले संसार में भी काम करते हैं, बशर्ते वे स्थानीय मानचित्रों पर सत्य हों।
यह शोध पत्र स्पष्ट रूप से किसे खारिज करता है
यह जानना महत्वपूर्ण है कि यह शोध पत्र क्या नहीं करता है, क्योंकि लेखक सीमाओं को खींचने में बहुत सावधान हैं:
- यह सब कुछ हल करने का दावा नहीं करता है। शोध पत्र स्पष्ट रूप से कहता है कि यह एक "साउंडनेस" (soundness) प्रमेय है, जिसका अर्थ है कि यह आपको बताता है कि आप नियमों का उपयोग करने के लिए कब सुरक्षित हैं। यह यह दावा नहीं करता है कि यह एक "कम्प्लीटनेस" (completeness) प्रमेय है, जिसका अर्थ होगा कि यह हर संभावित कारण उत्तर खोज सकता है। ऐसे कारण सत्य हो सकते हैं जिन्हें यह पद्धति बस तक नहीं पहुँच सकती।
- यह यह नहीं कहता कि "हस्तक्षेप" (Intervention) और "कंडीशनिंग" (Conditioning) एक ही चीज़ हैं। कुछ उन्नत गणित में, लोग "करने" (doing) और "देखने" (watching) को एक ही सिक्के के दो पहलू के रूप में मानने की कोशिश करते हैं (Kan extensions का उपयोग करके)। यह शोध पत्र स्पष्ट रूप से इस विचार को खारिज करता है। इसका तर्क है कि हस्तक्षेप एक तंत्र (mechanism) का भौतिक प्रतिस्थापन है (जैसे मशीन में पुर्जा बदलना), जबकि कंडीशनिंग केवल डेटा का एक विशिष्ट हिस्सा देखना है। वे अलग-अलग ऑपरेशन हैं, और शोध पत्र उन्हें आपस में मिलाने से इनकार करता है।
- यह यह नहीं मानता कि दुनिया हमेशा "बूलियन" (काला और सफेद) होती है। मानक तर्क में, एक कथन या तो सत्य है या असत्य। इस नए ढांचे में, एक कथन "एक कवर पर सत्य" (स्थानीय मानचित्रों में सत्य) हो सकता है बिना "वैश्विक रूप से सत्य" (सरल, बाइनरी अर्थ में) हुए। तर्क अधिक लचीला है, जैसे एक ऑन/ऑफ स्विच के बजाय एक डिमर स्विच।
निचोड़: दुनिया को एक साथ जोड़ने का एक नया तरीका
यह शोध पत्र आपको कोई नई दवा या कोई नया एल्गोरिदम नहीं देता है जिसे आप अभी अपने कंप्यूटर पर चला सकें। इसके बजाय, यह आपको इस बारे में सोचने के लिए एक नया तार्किक ढांचा देता है कि कारण संबंधी तर्क कैसे किया जाए जब दुनिया जटिल और खंडित हो।
कल्पना कीजिए कि आप मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं। आपके पास समुद्र तट के लिए एक स्थानीय पूर्वानुमान है, पहाड़ों के लिए एक, और शहर के लिए एक। यदि समुद्र तट का पूर्वानुमान कहता है "धूप निकली है" और पहाड़ों का पूर्वानुमान कहता है "धूप निकली है", और वे एक ऐसे तरीके से ओवरलैप होते हैं जो समझ में आता है, तो आप विश्वास के साथ कह सकते हैं कि "हर जगह धूप है।" लेकिन यदि समुद्र तट कहता है "धूप निकली है" और पहाड़ कहते हैं "बारिश हो रही है", तो आप केवल अनुमान नहीं लगा सकते।
महादेवन का शोध पत्र इस बात का कठोर गणितीय प्रमाण प्रदान करता है कि आपको उन स्थानीय पूर्वानुमानों को एक वैश्विक भविष्यवाणी में जोड़ने की अनुमति कब है। यह सिद्ध करता है कि यदि कारण-संबंध के स्थानीय नियम प्रत्येक विशिष्ट संदर्भ (चार्ट्स) में बने रहते हैं, और वे संदर्भ पूरी तस्वीर को कवर करते हैं, तो कारण संबंधी निष्कर्ष पूरे सिस्टम के लिए मान्य है।
लेखक सावधानी से नोट करते हैं कि यह एक सैद्धांतिक (theoretical) सफलता है। शोध पत्र यह मान लेता है कि आपके पास पहले से ही स्थानीय मानचित्र और कवर मौजूद हैं; यह आपको कच्चे डेटा से उन्हें खोजने का तरीका नहीं बताता है (वह एक साथी शोध पत्र का काम है)। लेकिन जो कोई भी ऐसे AI या मशीन लर्निंग सिस्टम बनाने की कोशिश कर रहा है जिन्हें विभिन्न वातावरणों में कारण और प्रभाव के बारे में तर्क करने की आवश्यकता है—जैसे कि एक स्वायत्त कार जो धूप बनाम बारिश में अलग तरह से व्यवहार करती है—उसके लिए यह शोध पत्र यह सुनिश्चित करने के लिए आवश्यक "गोंद" प्रदान करता है कि तर्क बना रहे।
संक्षेप में, शोध पत्र कहता है: "आपको सत्य जानने के लिए दुनिया के एक एकल, पूर्ण दृष्टिकोण की आवश्यकता नहीं है। यदि आपके पास पर्याप्त स्थानीय दृष्टिकोण हैं जो आपस में फिट बैठते हैं, तो सत्य उस गोंद से उभर कर सामने आएगा।"
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।