A Differentiable Measure of Algebraic Complexity: Provably Exact Discovery of Group Structures

तकनीकी सारांश: बीजगणितीय जटिलता का एक अवकलनीय माप (A Differentiable Measure of Algebraic Complexity)

समस्या का निरूपण (Problem Formulation)
यह शोध पत्र डेटा से विविक्त बीजगणितीय नियमों (discrete algebraic rules), विशेष रूप से समूह संरचनाओं (group structures) की खोज करने की मौलिक चुनौती को संबोधित करता है। जहाँ मैट्रिक्स पूर्णता (matrix completion) ने निरंतर निम्न-आयामी मैनिफोल्ड्स (continuous low-dimensional manifolds) की खोज को सफलतापूर्वक औपचारिक रूप दिया है, वहीं बीजगणितीय अभिगृयों (axioms) (जैसे साहचर्य/associativity) की विविक्त प्रकृति उन्हें मानक ग्रेडिएंट-आधारित अनुकूलन (gradient-based optimization) के प्रति प्रतिरोधी बनाती है। लेखक इस चुनौती को केले टेबल पूर्णता (Cayley-table completion) के रूप में औपचारिक रूप देते हैं: आंशिक या पूर्ण प्रेक्षणों से एक विविक्त द्वि-संक्रिया (binary operation) को पुनः प्राप्त करना। रैखिक रैंक (linear rank) के विपरीत, जो लैटिन वर्गों (Latin squares) के अंतर्निहित क्रमपरिवर्तन गुणों के कारण बीजगणितीय संरचनाओं के लिए अपर्याप्त है, यह शोध पत्र प्रतिपादित करता है कि साहचर्य (associativity) ही बीजगणितीय संक्षिप्तता (algebraic parsimony) का वास्तविक माप है। मुख्य समस्या एक निरंतर, अवकलनीय (differentiable) माप खोजने की है जो जटिल संयोजी खोज (combinatorial search) पर निर्भर किए बिना साहचर्य उल्लंघन को दंडित करता है।

कार्यप्रणाली: हाइपरक्यूब आर्किटेक्चर (The Hyper-Cube Architecture)
यह अध्ययन हाइपरक्यूब (HyperCube) आर्किटेक्चर का विश्लेषण करता है, जो एक ऑपरेटर-मानित टेंसर गुणनखंड मॉडल (operator-valued tensor factorization model) है जिसे विविक्त द्वि-संक्रियाओं को सीखने के लिए डिज़ाइन किया गया है।

• मॉडल संरचना: मॉडल संरचना टेंसर $\delta \in \{0, 1\}^{n \times n \times n}$ को एक त्ररेखीय उत्पाद (trilinear product) $T_{abc}(\Theta) = \frac{1}{n} \text{Tr}(A_a B_b C_c)$ के माध्यम से दर्शाता है, जहाँ $\Theta = (A, B, C)$ गुणनखंड मैट्रिसेस (factor matrices) हैं।
• उद्देश्य फलन (Objective Function): अनुकूलन एक जैकोबियन-आधारित उद्देश्य $H(\Theta)$ को कम करता है, जो कारकों के सापेक्ष जैकोबियन पदों के स्क्वेर्ड फ्रोबेनियस नॉर्म (squared Frobenius norms) का योग है। एक क्वासीग्रुप (quasigroup) लक्ष्य के लिए, इसे समर्थित ट्रिपल्स (supported triples) के योग के रूप में पुनर्गठित किया जाता है:
  $$H(\Theta) = \sum_{a,b,c} \delta_{abc} \left( \|B_b C_c\|^2 + \|C_c A_a\|^2 + \|A_a B_b\|^2 \right)$$
• सैद्धांतिक ढांचा: लेखक $\mathcal{F}_\delta$ (जहाँ $T(\Theta) = \delta$) पर $H(\Theta)$ के परिदृश्य का गहन विश्लेषण करते हैं। वे उद्देश्य को दो ऑर्थोगोनल घटकों में विभाजित करते हैं:
  1. ज्यामितीय मिसअलाइनमेंट ($R_\delta$): एक दंड पद जो कारक स्लाइसों (factor slices) के बीच सहरेखता (collinearity) से विचलन को मापता है।
  2. इनवर्स-स्केल पेनल्टी ($B_\delta$): एक पद जो संतुलित, फुल-रैंक गुणनखंडन (full-rank factorizations) को बढ़ावा देता है।

मुख्य योगदान और सैद्धांतिक परिणाम
यह शोध पत्र हाइपरक्यूब के वैश्विक अनुकूलन परिदृश्य (global optimization landscape) का एक कठोर गणितीय लक्षण वर्णन प्रदान करता है, जो मॉडल के इंडक्टिव बायस (inductive bias) के संबंध में हूह (Huh) [1] के खुले अनुमान (conjecture) को हल करता है।

1. सहरेखता–साहचर्य तुल्यता (Collinearity–Associativity Equivalence):
   लेखक सिद्ध करते हैं कि "सहरेखीय मैनिफोल्ड" (जहाँ ज्यामितीय मिसअलाइनमेंट $R_\delta = 0$ है) तभी अस्तित्व में होता है जब लक्षित केले टेबल (Cayley table) एक समूह के आइसोटोपिक (isotopic to a group) हो। यह एक सख्त समानता स्थापित करता है: निरंतर पैरामीटर स्पेस में ज्यामितीय संरेखण यह सुनिश्चित करता कि लक्षित विविक्त बीजगणितीय संरचना साहचर्य अभिगृय का पालन करती है।

2. रैंक-अधिकतम दबाव और युनिटैरिटी (Rank-Maximizing Pressure and Unitarity):
   सहरेखीय मैनिफोल्ड के भीतर, उद्देश्य एक सटीक इनवर्स रैंक पेनल्टी में बदल जाता है। यह परिवर्तनशील दबाव (variational pressure) कारक स्लाइसों को फुल-रैंक युनिटैरिटी (full-rank unitarity) की ओर ले जाता है। फलस्वरूप, यूनिटरी गेज (unitary gauge) तक अद्वितीय वैश्विक न्यूनतमीकरणकर्ता (global minimizer) को अंतर्निहित समूह के लेफ्ट-रेगुलर रिप्रेजेंटेशन (left-regular representation) के रूप में पहचाना जाता है।

3. निरपेक्ष निचली सीमा और साहचर्य अंतराल (Absolute Lower Bound and the Associativity Gap):
   यह शोध पत्र उद्देश्य के लिए एक निरपेक्ष निचली सीमा स्थापित करता है: $H(\Theta) \geq 3|\delta|$, जहाँ $|\delta| = n^2$ टेबल का आकार है।

• समूह आइसोटोप (Group Isotopes): यदि लक्ष्य एक समूह के आइसोटोपिक है, तो यह फ्लोर (floor) प्राप्त किया जा सकता है ($H_{inf}(\delta) = 3|\delta|$), और समाधान रेगुलर रिप्रेजेंटेशन है।
• गैर-समूह आइसोटोप (Non-Group Isotopes): यदि लक्ष्य एक समूह नहीं है, तो वैश्विक इन्फिमम (infimum) फ्लोर से एक अवशिष्ट दंड (residual penalty) द्वारा स्पष्ट रूप से अलग होता है, जिसे साहचर्य अंतराल (Associativity Gap) कहा जाता है ($H_{inf}(\delta) > 3|\delta|$)। यह अंतराल साहचर्य उल्लंघन की डिग्री के साथ स्केल करता है और एक अवकलनीय माप के रूप में कार्य करता है।

4. यांत्रिक सत्यापन (Mechanized Verification):
   सभी मौलिक सैद्धांतिक परिणाम, जिसमें उद्देश्य का अपघटन और तुल्यता प्रमेय शामिल हैं, गणितीय कठोरता सुनिश्चित करने के लिए Lean 4 का उपयोग करके यांत्रिक रूप से सत्यापित किए गए हैं।

अनुभवजन्य परिणाम (Empirical Results)
क्वासीग्रुप लक्ष्यों (क्रम $n=5$ से $8$) पर छोटे पैमाने के प्रयोग हाइपरक्यूब के सैद्धांतिक परिदृश्य को प्रमाणित करते हैं:

• अभिसरण गतिकी (Convergence Dynamics): अनुकूलन प्रक्षेपव been (trajectories) स्पूरियस लोकल मिनिमा में फंसे बिना सुचारू अभिसरण प्रदर्शित करते हैं।
• पारेटो फ्रंटियर (Pareto Frontier): मिसअलाइनमेंट ($R_\delta$) और बेस पेनल्टी ($B_\delta$) के बीच का ट्रेड-ऑफ एक सख्त पारेटो फ्रंटियर का पालन करता है। मिसअलाइनमेंट को कम करने से बेस पेनल्टी में वृद्धि होती है, लेकिन कुल प्रभाव कुल हानि (total loss) में कमी है।
• द्विभाजन (Dichotomy): समूह लक्ष्य शून्य मिसअलाइनमेंट के साथ ठीक $3|\delta|$ फ्लोर पर अभिसरित होते हैं। गैर-समूह लक्ष्य ज्यामितीय रूप से बाधित होते हैं, जो एक उच्च हानि मान के साथ अभिसरित होते हैं जिसमें सकारात्मक अवशिष्ट मिसअलाइनमेंट होता है, जो सीधे 'साहचर्य अंतराल' को दृश्यमान बनाता है।
• उभरता हुआ विसंयोजन (Emergent Disentanglement): क्रमविनिमेय समूहों (commutative groups) के लिए, मॉडल स्वाभाविक रूप से अपरिवर्तनीय निरूपणों (irreducible representations - irreps) की खोज करता है, जिससे लेटेंट स्पेस को एक सटीक ऑर्थोगोनल फ्रीक्वेंसी डिकंपोजिशन में बदल दिया जाता है।

महत्व और दावे (Significance and Claims)
यह शोध पत्र यह दावा करता है कि कुछ विविक्त बीजगणितीय संरचनाओं को सटीक रूप से अवकलनीय मापों द्वारा वर्णित किया जा सकता है।

• ग्रेडिएंट-आधारित खोज: यह प्रदर्शित करता है कि ग्रेडिएंट-आधारित अनुकूलन संयोजी खोज के बिना सटीक विविक्त नियमों (साहचर्य) की खोज कर सकता है, जो निरंतर लॉस सरफेस की ज्यामिति द्वारा संचालित होता है।
• इंडक्टिव बायस (Inductive Bias): यह कार्य हाइपरक्यूब की अनुभवजन्य सफलता की औपचारिक व्याख्या करता है, जो इसके "स्ट्रक्चरल प्रायर" (structural prior) को श्रेय देता है जहाँ अनुकूलन परिदृश्य स्वाभाविक रूप से गैर-साहचर्य संरचनाओं के ऊपर साहचर्य संरचनाओं को प्राथमिकता देता है।
• ज्यामितीय डीप लर्निंग (Geometric Deep Learning): अज्ञात समरूपता समूहों (symmetry groups) वाले डोमेन में व्यवस्थित सामान्यीकरण को सक्षम करके, यह दृष्टिकोण आर्किटेक्चर को मैन्युअल रूप से निर्धारित इंडक्टिव बायस से मुक्त करता है।

लेखक अपनी स्केलेबिलिटी (scalability) के संबंध में विनम्र रहते हैं, यह नोट करते हुए कि वर्तमान सैद्धांतिक गारंटी और अनुभवजन्य सत्यापन छोटे पैमाने के, पूर्णतः देखे गए विविक्त लक्ष्यों तक सीमित हैं। उच्च-आयामी, शोर युक्त, या आंशिक रूप से देखे गए वास्तविक डेटा तक स्केल करना एक खुला प्रश्न बना हुआ है।