🔬 condensed matter

The Sokoban Random Walk: A Trapping Perspective

यह शोध पत्र सोकोबन-प्रकार के मॉडलों में केजिंग (caging) घटनाओं की जांच करता है जहाँ एक रैंडम वॉकर बाधाओं को धकेल सकता है, जो यह प्रकट करता है कि उत्तरजीविता प्रायिकताएं (survival probabilities) विशिष्ट मध्यवर्ती-समय घातांकीय क्षय (exponential decay) और दीर्घकालिक स्ट्रेच्ड-एक्सपोनेंशियल रिलैक्सेशन (एक आयाम में 1/3 और दो आयामों में 1/2 के घातांक के साथ) प्रदर्शित करती हैं जो शास्त्रीय ट्रैपिंग सिद्धांतों के अनुरूप हैं, साथ ही बाधा घनत्व पर औसत ट्रैप आकार की गैर-एकदिष्ट (nonmonotonic) निर्भरता भी दर्शाती है।

मूल लेखक: Prashant Singh, Eli Barkai, David A Kessler

प्रकाशित 2026-02-24

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Prashant Singh, Eli Barkai, David A Kessler

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 घने, कोहरे से भरे जंगल में टहल रहे हैं जो विशाल पत्थरों (boulders) से भरा हुआ है। एक क्लासिक भौतिकी प्रयोग में, आप एक नन्ही चींटी हैं। यदि आप किसी पत्थर से टकराते हैं, तो आप तुरंत रुक जाते हैं। आप "फँस" जाते हैं। यह क्लासिक "लैबिरिंथ में चींटी" (Ant in a Labyrinth) की समस्या है: जंगल स्थिर है, और आपका भाग्य टकराते ही तय हो जाता है।

लेकिन इस नए शोध पत्र में, लेखक सोकोबन (Sokoban) नामक एक पात्र पेश करते हैं।

सोकोबन सिर्फ एक नन्ही चींटी नहीं है; सोकोबन एक मजबूत, दृढ़ निश्चयी यात्री है जो पत्थरों को रास्ते से धकेल (push) सकता है। हालांकि, सोकोबन की एक सीमा है: वे कुछ ही पत्थरों को धकेल सकते हैं इससे पहले कि वे थक जाएं, या शायद पत्थर आगे बढ़ने के लिए बहुत भारी हैं।

यह शोध पत्र एक सरल लेकिन गहरा सवाल पूछता है: यदि आप बाधाओं को धकेल सकते हैं, तो क्या इसका मतलब यह है कि आप हमेशा के लिए बच निकल सकते हैं? या क्या आप अंततः खुद को फँसा लेंगे?

यहाँ उनके निष्कर्षों की कहानी है, जिसे रोजमर्रा की अवधारणाओं में विभाजित किया गया है।

1. फँसने के दो तरीके

शोधकर्ताओं ने पाया कि सोकोबन दो बहुत अलग तरीकों से फँस जाता है, यह इस पर निर्भर करता है कि जंगल कितना घना है।

"पहले से मौजूद पिंजरा" (उच्च घनत्व/High Density): एक ऐसे जंगल की कल्पना करें जो पत्थरों से इतना भरा हुआ है कि वहां लगभग कोई जगह नहीं बची है। यहाँ, जंगल पहले से ही एक भूलभुलैया है। भले ही आप एक पत्थर को धकेल दें, आप बस एक छोटा सा छेद बनाते हैं, केवल यह देखने के लिए कि उसके ठीक पीछे एक और पत्थर है। आप इसलिए फँस जाते हैं क्योंकि वातावरण चलने से पहले ही एक पिंजरा बन चुका था।
"स्व-निर्मित पिंजरा" (कम घनत्व/Low Density): अब एक ऐसे जंगल की कल्पना करें जहाँ काफी जगह है। आप लंबे समय तक स्वतंत्र रूप से चल सकते हैं। लेकिन यहाँ एक मोड़ है: आप खुद को फँसा लेते हैं। जैसे-जैसे आप अपना रास्ता साफ करने के लिए पत्थरों को धकेलते हैं, आप अनजाने में उन्हें अपने चारों ओर एक घेरे में व्यवस्थित कर देते हैं। आपने पत्थरों को एक पूर्ण वलय (ring) में धकेल दिया, जिससे आपका भाग्य स्वयं ही सील हो गया। आपने अपना ही कारागार बना लिया।

2. "गोल्डिलॉक्स" घनत्व (The "Goldilocks" Density)

सबसे आश्चर्यजनक खोज यह है कि जब आप जंगल के घनत्व (वहाँ कितने पत्थर हैं) को बदलते हैं तो क्या होता है।

यदि आप जाल के आकार (आप कितनी जगह में फँसे हुए हैं) को पत्थरों की संख्या के विरुद्ध दर्शाते हैं, तो आपको एक उभार वाला आकार (hump shape) प्राप्त होता है:

बहुत अधिक पत्थर: आप तुरंत एक छोटी सी जगह में फँस जाते हैं। (छोटा जाल)।
बहुत कम पत्थर: आपके पास इतनी जगह है कि आप शायद ही कभी उन्हें एक पिंजरे के रूप में व्यवस्थित करते हैं। आप लंबे समय तक घूमते रहते हैं, और जब आप अंततः फँसते हैं, तो पिंजरा छोटा होता है क्योंकि आपने बहुत कम पत्थर धकेले थे। (छोटा जाल)।
बिल्कुल सही (द स्वीट स्पॉट): एक विशिष्ट घनत्व (मानक सोकोबन के लिए लगभग 55% भरा हुआ) है जहाँ जाल विशाल होते हैं। आपके पास घूमने और पत्थरों को धकेलने के लिए पर्याप्त जगह है, लेकिन इतने पत्थर भी हैं कि आप अंततः अपने चारों ओर एक विशाल, जटिल पिंजरा बना सकें।

यह रेत से किला बनाने जैसा है। यदि समुद्र तट खाली है, तो आप कुछ भी नहीं बना सकते। यदि यह एक ठोस चट्टान है, तो आप खुदाई नहीं कर सकते। लेकिन यदि रेत बिल्कुल सही है, तो आप एक विशाल, जटिल महल बना सकते है जो अंततः आपको अंदर फँसा लेता है।

3. "लंबी यात्रा" बनाम "छोटी यात्रा"

यह शोध पत्र इस बात पर भी नज़र डालता है कि फँसने में कितना समय लगता है। उन्होंने अस्तित्व (survival) के दो अलग-अलग "युग" पाए हैं:

शुरुआती दिन (मध्यवर्ती समय/Intermediate Time): शुरुआत में, आपके जीवित रहने की संभावना धीरे-धीरे गिरती है। यह कुछ कुर्सियों वाले कमरे में चलने जैसा है। आप लड़खड़ा सकते हैं, लेकिन आप उन्हें एक तरफ धकेल सकते हैं। यहाँ गणित क्लासिक "चींटी" की समस्या से अलग है क्योंकि आप सक्रिय रूप से कमरे को बदल रहे हैं।
लंबा सफर (देर का समय/Late Time): यदि आप लंबे समय तक जीवित रहते हैं, तो नियम बदल जाते हैं। शोध पत्र सिद्ध करता है कि अंततः, आपकी जीवित रहने की संभावना एक बहुत ही विशिष्ट, अनुमानित तरीके से गिरती है (जिसे "स्ट्रेच्ड एक्सपोनेंशियल" कहा जाता है)।

बड़ा आश्चर्य: भले ही सोकोबन पत्थरों को धकेल सकता है, और चींटी नहीं कर सकती, वे दोनों अंततः एक ही गणितीय दर पर फँस जाते हैं। ऐसा है मानो, चाहे आप कितना भी धकेलें, ब्रह्मांड अंततः आपको बिल्कुल उसी तरह एक पिंजरे में फँसा देता है। धकेलने की क्षमता यह बदल देती है कि आप कैसे फँसते हैं, लेकिन यह आपके विनाश की अंतिम गति को नहीं बदलती।

4. एक आयाम बनाम दो आयाम (One Dimension vs. Two Dimensions)

एक रेखा में (1D): कल्पना कीजिए कि आप बाईं और दाईं ओर पत्थरों वाले एक संकीर्ण गलियारे में चल रहे हैं। यहाँ गणित बहुत स्पष्ट है। शोधकर्ताओं ने सिद्ध किया कि आप कितने भी पत्थर धकेल सकें (1, 10, या 100), दीर्घकालिक जाल दर हमेशा एक ही रहती है।
एक मैदान में (2D): कल्पना कीजिए कि आप एक वर्गाकार मैदान में चल रहे हैं। यह गणना करना बहुत कठिन है। शोधकर्ताओं ने बड़े कंप्यूटर सिमुलेशन का उपयोग करके दिखाया कि यहाँ भी वही "उभार" (hump) मौजूद है, और दीर्घकालिक उत्तरजीविता दर 1D मामले के समान ही सार्वभौमिक नियमों का पालन करती है।

निष्कर्ष (The Takeaway)

यह शोध पत्र नियंत्रण बनाम अराजकता (control vs. chaos) के बारे में है।

हम अक्सर सोचते हैं कि यदि हम अपने वातावरण को बदल सकते हैं (पत्थरों को धकेल सकते हैं), तो हम फँसने से बच सकते हैं। सोकोबन मॉडल दिखाता है कि हालांकि हम अपने कारागार के आकार को बदलने और अपने भाग्य में देरी करने में सक्षम हैं, लेकिन हम अव्यवस्था के मौलिक नियमों से बच नहीं सकते।

वास्तव में, हमारे वातावरण को नियंत्रित करने के प्रयास कभी-कभी उल्टा भी पड़ सकते हैं, जिससे हम अपने ही पिंजरे बना लेते हैं। चाहे आप बाधाओं को धकेलने वाले रोबोट हों, कोशिका के माध्यम से चलती हुई एक अणु हों, या भीड़भाड़ वाले शहर में रास्ता खोजता हुआ एक व्यक्ति, गणित यह सुझाव देता है कि अंततः, दुनिया की अराजकता आप तक पहुँच ही जाएगी, चाहे आप कितनी भी ज़ोर से धकेलें।

यहाँ प्रशांत सिंह, एली बार्कई और डेविड ए. केसलर के शोध पत्र "द सोकोबन रैंडम वॉक: ए ट्रैपिंग पर्सपेक्टिव" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र विस्कृत माध्यमों (disordered media) में ट्रैपिंग (या केजिंग) की घटना की जांच करता है, जो विशेष रूप से सोकोबन मॉडल्स नामक रैंडम वॉक के एक वर्ग पर केंद्रित है।

संदर्भ: शास्त्रीय पर्कोलेशन मॉडल्स (जैसे, "एंट इन अ लैबिरिंथ") में, एक रैंडम वाकर बाधाओं के एक स्थिर जाली (static lattice) के माध्यम से चलता है। यदि बाधा घनत्व $\rho$ , एक महत्वपूर्ण सीमा $\rho_c$ से अधिक हो जाता है, तो वाकर एक परिमित क्लस्टर में फंस जाता है, जिससे पर्कोलेशन ट्रांजिशन होता है।
सोकोबन का मोड़ (The Sokoban Twist): सोकोबन मॉडल में, वाकर के पास अपने पथ से बाधाओं को धकेलने (push) की क्षमता होती है, जिससे वह अपने स्थानीय वातावरण को गतिशील रूप से संशोधित कर सकता है। पिछले अध्ययनों ने सुझाव दिया था कि यह क्षमता 2D में पर्कोलेशन ट्रांजिशन को नष्ट कर देती है (अर्थात, वाकर शास्त्रीय अर्थों में कभी स्थायी रूप से नहीं फंसता है)।
मुख्य प्रश्न: पर्कोलेशन ट्रांजिशन के लुप्त होने के बावजूद, क्या एक ट्रैपिंग तंत्र अभी भी मौजूद है? बाधाओं को धकेलने की क्षमता, शास्त्रीय रिएक्टिव ट्रैपिंग की तुलना में उत्तरजीविता प्रायिकता (survival probability), ट्रैपिंग समय और ट्रैप के आकार को कैसे प्रभावित करती है?

2. कार्यप्रणाली (Methodology)

लेखक विश्लेषणात्मक लार्ज-डेविएशन थ्योरी (1D के लिए) और व्यापक संख्यात्मक सिमुलेशन (1D और 2D के लिए) के संयोजन का उपयोग करते हैं।

अध्ययन किए गए मॉडल्स:
- 1D NP-Sokoban: एक 1D जाली पर वाकर जो $N_P$ तक लगातार बाधाओं को धकेल सकता है। यहाँ $N_P=0$ मानक रिएक्टिव ट्रैप है; $N_P=1$ मूल सोकोबन है; $N_P \gg 1$ सामान्यीकृत सीमा है।
- 2D Sokoban: मानक मॉडल जहाँ एक बाधा केवल वाकर द्वारा किए गए प्रयास की दिशा में धकेली जाती है।
- 2D G-Sokoban (Generalized): एक भिन्न मॉडल जहाँ एक धकेली गई बाधा अपने तीन उपलब्ध पड़ोसी साइटों में से किसी एक पर (वाकर की स्थिति को छोड़कर) समान प्रायिकता के साथ जा सकती है।
प्रमुख अवलोकन (Key Observables):
1. उत्तरजीविता प्रायिकता $S(n)$ : वह प्रायिकता कि वाकर अनकैज्ड (uncaged) रहेगा (उसने सभी सुलभ साइटों का भ्रमण नहीं किया है) समय $n$ तक।
2. ट्रैपिंग समय $n_T$ : वह समय जब विज़िट की गई विशिष्ट साइटों की संख्या $\Omega(n)$ संतृप्त (saturate) हो जाती है।
3. ट्रैप का आकार $A_T$ : ट्रैपिंग के समय के दौरान घेरे (cage) के भीतर रिक्त साइटों की संख्या।
विश्लेषणात्मक दृष्टिकोण (1D):
- समस्या को अंतराल $[-L_1, L_2]$ के भीतर एक रैंडम वॉक के रूप में मैप किया गया है, जो $(N_P+1)$ -वीं बाधा द्वारा निर्धारित होता है।
- पुनरुद्धार सिद्धांत (renewal theory) और स्पेक्ट्रल विधियों (एब्जॉर्बिंग/रिफ्लेक्टिंग बाउंड्रीज़ के साथ डिफ्यूजन इक्वेशन को हल करना) का उपयोग करके फर्स्ट-पासेज प्रोबेबिलिटी प्राप्त की जाती है।
- डिसऑर्डर एवरेजिंग: $N_P \gg 1$ के लिए लार्ज-डेविएशन थ्योरी का उपयोग करके बाधा विन्यास के वितरण पर सशर्त उत्तरजीविता प्रायिकताओं का औसत निकाला जाता है।

3. मुख्य योगदान और परिणाम

A. एक-आयामी परिणाम (विश्लेषणात्मक)

सार्वभौमिक दीर्घकालिक क्षय (Universal Long-Time Decay): किसी भी $N_P \geq 0$ के लिए, उत्तरजीविता प्रायिकता $S(n)$ दीर्घ समय में एक स्ट्रेच्ड-एक्सपोनेंशियल क्षय प्रदर्शित करती है:
$S(n) \sim \exp\left[ -f_1(\rho) n^{1/3} \right]$
एक्सपोनेंट $\mu_1 = 1/3$ $N_P$ से स्वतंत्र है और बालगुरुव-वाक्स-डॉन्स्कर-वरधान (BVDV) सार्वभौमिकता वर्ग से मेल खाता है।
लार्ज-डेवiation विश्लेषण: $N_P \gg 1$ $N_{P} ≫ 1$ के लिए, लेखक एक लार्ज-डेविएशन रेट फंक्शन $I(\omega)$ $I (ω)$ प्राप्त करते हैं जहाँ $\omega = n/N_P^3$ $ω = n / N_{P}^{3}$ है। यह एक क्रॉसओवर को प्रकट करता है:
- मध्यवर्ती समय ( $n \ll N_P^3$ ): एक्सपोनेंशियल क्षय $S(n) \sim \exp(-c n)$ ।
- दीर्घ समय ( $n \gg N_P^3$ ): $1/3$ एक्सपोनेंट के साथ स्ट्रेच्ड-एक्सपोनेंशियल क्षय।
मध्यवर्ती-समय व्यवहार: शास्त्रीय रोसेన్‌स्टॉक सन्निकटन (reactive trapping के लिए $1-\phi(n) \sim \sqrt{n}\rho$ $1 - ϕ (n) \sim n ρ$ ) के विपरीत, सोकोबन मॉडल विशिष्ट व्यवहार दिखाता है:
- $N_P=0$ : $1-S(n) \sim n\rho^2$ ।
- $N_P=1$ : $1-S(n) \sim n^2\rho^4$ ।
  यह इंगित करता है कि बाधाओं को धकेलने की क्षमता लघु-से-मध्यवर्ती शासन (short-to-intermediate regime) में ट्रैपिंग की शुरुआत को काफी विलंबित कर देती है।

B. दो-आयामी परिणाम (संख्यात्मक)

स्ट्रेच्ड-एक्सपोनेंशियल रिलैक्सेशन: संख्यात्मक सिमुलेशन पुष्टि करते हैं कि 2D में, उत्तरजीविता प्रायिकता भी स्ट्रेच्ड एक्सपोनेंशियल के रूप में घटती है:
$S(n) \sim \exp\left[ -f_2(\rho) n^{1/2} \right]$
एक्सपोनेंट $\mu_2 = 1/2$ 2D शास्त्रीय ट्रैपिंग के लिए BVDV भविष्यवाणी से मेल खाता है। यह मानक सोकोबन और G-सोकोबन दोनों वेरिएंट्स के लिए मान्य है, जो यह सुझाव देता है कि दीर्घकालिक एक्सपोनेंट के संबंध में धक्का देने के विशिष्ट नियमों के बावजूद सार्वभौमिकता (universality) मौजूद है।
पर्कोलेशन ट्रांजिशन का अभाव: औसत ट्रैपिंग समय $\langle n_T \rangle$ सभी $\rho < 1$ के लिए परिमित (finite) रहता है। "एंट इन अ लैबिरिंथ" (AIL) मॉडल के विपरीत, जहाँ $\langle n_T \rangle$ पर्कोलेशन थ्रेशोल्ड $\rho_c \approx 0.407$ पर डाइवर्ज होता है, सोकोबन वाकर बाधाओं को पुनर्व्यवस्थित करके अनंत क्लस्टरों से बच सकता है।
गैर-मोनोटोनिक ट्रैप आकार (द ट्रैपिंग क्रॉसओवर):
- औसत ट्रैप आकार $\langle A_T \rangle$ घनत्व $\rho$ के संबंध में गैर-मोनोटोनिक है।
- उच्च घनत्व ( $\rho \to 1$ ): ट्रैप छोटे होते हैं और पूर्व-मौजूद रिक्त स्थानों (voids) द्वारा निर्धारित होते हैं। $\rho$ घटने के साथ $\langle A_T \rangle$ बढ़ता है।
- निम्न घनत्व ( $\rho < \rho^*$ ): एक स्व-ट्रैपिंग तंत्र (self-trapping mechanism) उभरता है। वाकर एक सीमित विन्यास बनाने के लिए बाधाओं को धकेल कर गतिशील रूप से एक पिंजरा (cage) बनाता है। जैसे-जैसे $\rho$ और कम होता है, ऐसे पिंजरे बनाने के लिए कम बाधाएं उपलब्ध होती हैं, जिससे $\langle A_T \rangle$ कम हो जाता है।
- महत्वपूर्ण घनत्व $\rho^*$ : $\langle A_T \rangle$ $⟨ A_{T} ⟩$ का शिखर एक विशिष्ट घनत्व पर होता है:
  - सोकोबन: $\rho^* \approx 0.55$
  - G-सोकोबन: $\rho^* \approx 0.675$
    यह क्रॉसओवर पूर्व-मौजूद ट्रैपिंग (उच्च घनत्व) और स्व-प्रेरित ट्रैपिंग (निम्न घनत्व) के बीच के अंतर को स्पष्ट करता है।

C. शास्त्रीय ट्रैपिंग के साथ तुलना

जबकि दीर्घकालिक एक्सपोनेंट्स रिएक्टिव ट्रैपिंग (जहाँ वाकर बाधा के पहले संपर्क पर मर जाता है) के लिए BVDV थ्योरी से मेल खाते हैं, इनके प्रीफैक्टर्स (prefactors) और मध्यवर्ती-समय गतिकी (intermediate-time dynamics) भिन्न हैं।

प्रीफैक्टर्स: एक्सपोनेंशियल टर्म में आनुपातिक स्थिरांक (proportionality constants) रिएक्टिव ट्रैपिंग और सोकोबन के बीच भिन्न होते हैं।
गतिकी: बाधाओं को धकेलने की क्षमता वातावरण की एक "स्मृति" (memory) बनाती है, जिससे अलग शॉर्ट-टाइम स्केलिंग लॉ (जैसे, $n^2$ बनाम $n^{1/2}$ ) और पिंजरा निर्माण के लिए मौलिक रूप से भिन्न तंत्र विकसित होता है।

4. महत्व

सार्वभौमिकता वर्ग की पुष्टि: यह शोध पत्र सिद्ध करता है कि वातावरण के सक्रिय संशोधन के बावजूद, सोकोबन मॉडल दीर्घकालिक स्पर्शोन्मुखी व्यवहार (long-time asymptotic behavior) के संबंध में शास्त्रीय निष्क्रिय ट्रैपिंग समस्याओं के समान ही BVDV सार्वभौमिकता वर्ग से संबंधित है।
स्व-ट्रैपिंग तंत्र: यह एक नवीन स्व-ट्रैपिंग तंत्र की पहचान करता है जहाँ वाकर की अपनी गतिकी ट्रैप उत्पन्न करती है, जो शास्त्रीय पर्कोलेशन के स्थिर ज्यामितीय ट्रैपिंग के विपरीत है।
पर्कोलेशन विरोधाभास का समाधान: यह स्पष्ट करता है कि जबकि 2D सोकोबन मॉडल्स में पर्कोलेशन ट्रांजिशन (क्लस्टर आकार का डाइवर्जेंस) लुप्त हो जाता है, एक गत्यात्मक ट्रैपिंग ट्रांजिशन (ट्रैप आकार व्यवहार में क्रॉसओवर) अभी भी मौजूद है।
पद्धतिगत प्रगति: 1D के लिए सटीक लार्ज-डेविएशन रेट फंक्शन का व्युत्पन्न और गैर-मोनोटोनिक ट्रैप आकारों की पहचान, विस्कृत माध्यमों में सक्रिय कणों के अध्ययन के लिए एक कठोर ढांचा प्रदान करती है।

निष्कर्षतः, यह शोध पत्र स्थापित करता है कि बाधाओं को धकेलने की क्षमता ट्रैपिंग के तंत्र और समय-पैमानों को मौलिक रूप से बदल देती है, लेकिन उत्तरजीविता प्रायिकता के स्केलिंग एक्सपोनेंट्स को सुरक्षित रखती है, जिससे सक्रिय परिवहन (active transport) को शास्त्रीय सांख्यिकीय भौतिकी सार्वभौमिकता वर्गों से जोड़ा जाता है।