🤖 AI

Improved Upper Bounds for Slicing the Hypercube

यह शोध पत्र एक $n$ -आयामी हाइपरक्यूब के सभी किनारों (edges) को काटने के लिए आवश्यक हाइपरप्लेन की न्यूनतम संख्या के ज्ञात ऊपरी बाउंड (upper bound) को $\lceil 5n/6 \rceil$ से घटाकर लगभग $4n/5$ तक सुधारता है, जो कि CPro1 टूल का उपयोग करके $n=10$ के लिए एक विशिष्ट समाधान का निर्माण करके प्राप्त किया गया है, जो रीजनिंग LLMs को ऑटोमेटेड हाइपरपैरामीटर ट्यूनिंग के साथ जोड़ता है।

मूल लेखक: Duncan Soiffer, Nathaniel Itty, Christopher D. Rosin, Blake Bruell, Mason DiCicco, Gábor N. Sárközy, Ryan Offstein, Daniel Reichman

प्रकाशित 2026-07-01

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Duncan Soiffer, Nathaniel Itty, Christopher D. Rosin, Blake Bruell, Mason DiCicco, Gábor N. Sárközy, Ryan Offstein, Daniel Reichman

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: 10-आयामी घन (Cube) को काटना

कल्पना कीजिए कि आपके पास तार से बना एक विशाल, एकदम सटीक घन (cube) है। हमारी सामान्य 3D दुनिया में, एक घन में 12 किनारे (edges) होते हैं। अब कल्पना करें कि यह घन 10 आयामों (dimensions) में मौजूद है। इस "हाइपरक्यूब" (hypercube) में हजारों किनारे (विशेष रूप से, 5,120) होते हैं।

गणितीय चुनौती जिसे लेखकों ने हल किया वह यह है: आपको इस 10D घन को काटने के लिए न्यूनतम कितने सपाट परतों (hyperplanes) की आवश्यकता होगी ताकि हर एक तार वाले किनारे को बीच से काट दिया जाए?

यदि आप एक किनारे को काटते हैं, तो परत को तार के बिल्कुल बीच से गुजरना चाहिए, न कि केवल उसके सिरे को छूना चाहिए।

पुराना रिकॉर्ड बनाम नया रिकॉर्ड

50 से अधिक वर्षों तक, कोई भी जो सबसे अच्छा कर सकता था, वह 1971 में पेटर्सन नामक एक गणितज्ञ द्वारा स्थापित एक नियम था। उनके नियम ने कहा: "एक $n$ आकार के घन को काटने के लिए, आपको लगभग $n$ परतों के $5/6$ भाग की आवश्यकता होगी।"

एक 10-आयामी घन के लिए, पेटर्सन के नियम ने कहा कि हर किनारे को काटने की गारंटी देने के लिए आपको 9 परतों की आवश्यकता होगी।

बड़ी सफलता:
लेखकों ने पाया कि वे इसे केवल 8 परतों के साथ कर सकते हैं।

पुराना तरीका: आपको 9 प्लेन (planes) चाहिए थे।
नया तरीका: आपको केवल 8 प्लेन चाहिए।

उन्होंने सिद्ध किया कि लगभग किसी भी आकार के हाइपरक्यूब के लिए, आप इसे लगभग आयाम संख्या के $4/5$ भाग (या उससे भी कम) के साथ काट सकते हैं, जो कि पुराने $5/6$ के सीमा से एक महत्वपूर्ण सुधार है।

उन्होंने यह कैसे किया? (मानव + AI टीम-अप)

यहीं से कहानी दिलचस्प होती है। लेखकों ने इसे केवल पेंसिल और कागज लेकर नहीं सुलझाया। उन्होंने एक "टीम प्रयास" का उपयोग किया जिसमें मानव गणितज्ञ और CPro1 नामक एक विशिष्ट प्रकार की आर्टिफिशियल इंटेलिजेंस (AI) शामिल थी।

इस समस्या को एक ऐसी खोज की तरह समझें जैसे आकाशगंगा के आकार के घास के ढेर में एक विशिष्ट सुई को ढूंढना।

मानव की भूमिका: मनुष्यों ने नियम निर्धारित किए और "जासूस" के रूप में कार्य किया। वे जानते थे कि पिछले प्रयास इसलिए विफल रहे क्योंकि खोज का क्षेत्र (search space) बहुत विशाल था। उन्होंने AI की आंशिक सफलताओं में एक पैटर्न भी देखा: सर्वोत्तम समाधानों में बहुत अधिक दोहराव (जैसे एक पैटर्न जहाँ सूची के पहले कुछ नंबर हमेशा समान होते हैं) था।
AI की भूमिका: AI (CPro1) एक "सुपर-फास्ट जनरेटर" के रूप में कार्य करता था। इसने हजारों अलग-अलग कंप्यूटर प्रोग्राम (एल्गोरिदम) लिखे ताकि समाधान खोजने का प्रयास किया जा सके। इसने "सिमुलेटेड एनीलिंग" (एक विधि जो सर्वोत्तम समाधान खोजने के लिए समाधान को 'ठंडा' करती है) और "हिल क्लाइंबिंग" (सबसे ऊँची चोटी तक चढ़ने की विधि) जैसी विभिन्न रणनीतियों को आजमाया।
सहयोग: AI ने "लगभग सही" समाधानों की एक विशाल सूची तैयार की। यह अपने आप में पूर्ण 8-शीट समाधान नहीं खोज सका। हालाँकि, मनुष्यों ने AI के "लगभग सही" प्रयासों को देखा, छिपे हुए पैटर्न (दोहराव) को पहचाना, और खोज के नियमों को मैन्युअल रूप से बदल दिया ताकि AI को उस विशिष्ट क्षेत्र में खोजने के लिए मजबूर किया जा सके। एक बार जब मनुष्यों ने AI को वह संकेत दिया, तो AI ने तुरंत पूर्ण 8-शीट समाधान खोज लिया।

उपमा (Analogy): कल्पना कीजिए कि आप एक छिपे हुए खजाने की तलाश कर रहे हैं। AI एक रोबोट है जो एक मिनट में 10,000 गड्ढे खोद सकता है लेकिन उसे नहीं पता कि कहाँ खोदना है। मानव मानचित्र पढ़ने वाला व्यक्ति है। रोबोट हर जगह खुदाई करता है और कहता है, "हे, मुझे बहुत सारी मिट्टी मिली जो लग रही है कि खजाने के पास हो सकती है।" मानव देखता है, और महसूस करता है, "आहा! खजाना हमेशा लाल पत्थरों के नीचे होता है," और रोब्रोट को बताता है, "अब केवल लाल पत्थरों के नीचे ही खोदो।" रोबोट फिर तुरंत खजाना ढूंढ लेता है।

"रिड्यूस्ड हाइपरक्यूब" (Reduced Hypercube) की तरकीब

खोज को तेज़ बनाने के लिए, लेखकों ने रिड्यूस्ड हाइपरक्यूब नामक एक चतुर गणितीय ट्रिक का उपयोग किया।

कल्पना कीजिए कि आपके पास एक विशाल, जटिल भूलभुलैया (maze) है। पूरी भूलभुलैया को एक साथ हल करने के बजाय, आप महसूस करते हैं कि भूलभुलैया के कई हिस्से एक-दूसरे की समान प्रतियां हैं। इसलिए, आप भूलभुलैया को एक छोटे, सरल संस्करण में सिकोड़ देते हैं जो सभी महत्वपूर्ण नियमों को बनाए रखता है लेकिन उबाऊ दोहराव को हटा देता है।

अपने गणित में, उन्होंने घन के 10 आयामों को छोटे समूहों में विभाजित किया जहाँ संख्याएँ समान थीं। इसने एक विशाल, असंभव समस्या को एक बहुत छोटी, प्रबंधनीय पहेली में बदल दिया। इसने उन्हें वर्षों के बजाय सेकंडों में लाखों संभावनाओं की जांच करने की अनुमति दी।

उन्होंने क्या पाया (परिणाम)

10 आयामों के लिए: उन्होंने 8 प्लेन का एक विशिष्ट सेट पाया जो सभी 5,120 किनारों को काटता है।
अन्य आकारों के लिए: उन्होंने अन्य आकारों के क्यूब (जैसे 11, 12, या 15 आयाम) को पहले से सोचे गए आकार से कम प्लेन का उपयोग करके काटने के नए और बेहतर तरीके भी खोजे।
पैटर्न: उन्होंने देखा कि "सर्वोत्तम" समाधानों में हमेशा एक बहुत ही संरचित, दोहराव वाला रूप होता था। प्लेन के समीकरणों में पहले कुछ नंबर हमेशा समान होते थे। यह सुझाव देता है कि इन क्यूब्स को काटने का सबसे कुशल तरीका यादृच्छिक (random) नहीं है; यह एक सख्त, सुंदर पैटर्न का पालन करता है।

यह क्यों महत्वपूर्ण है (पेपर के अनुसार)

पेपर दो मुख्य बिंदुओं पर जोर देता है:

गणितीय प्रगति: उन्होंने ज्यामिति की एक प्रसिद्ध समस्या के लिए 50 साल पुराने रिकॉर्ड को तोड़ दिया।
हम गणित कैसे करते हैं: उन्होंने दिखाया कि इन कठिन समस्याओं को हल करने का सबसे अच्छा तरीका वर्तमान में "AI द्वारा सब कुछ करना" या "मनुष्यों द्वारा सब कुछ करना" नहीं है। यह एक साझेदारी है। AI विचारों और पैटर्न का आयतन (volume) उत्पन्न करता है, और मानव उन पैटर्न को समझने और खोज को निर्देशित करने के लिए अंतर्दृष्टि प्रदान करता है।

लेखक स्पष्ट रूप से कहते हैं कि AI ने अपने आप गणितीय प्रमाणों को "सोचा" या "व्युत्पन्न" नहीं किया। AI ने कोड बनाया, मनुष्यों ने परिणामों की व्याख्या की, और मनुष्यों ने अंतिम गणितीय प्रमाण लिखा। उनके द्वारा उपयोग किए गए उपकरण ओपन-सोर्स हैं, जिसका अर्थ है कि अन्य शोधकर्ता अन्य कठिन गणितीय समस्याओं को हल करने के लिए उसी "मानव-AI टीम" दृष्टिकोण का उपयोग कर सकते हैं।

तकनीकी सारांश: हाइपरक्यूब को स्लाइस करने के लिए बेहतर ऊपरी सीमाएँ (Improved Upper Bounds for Slicing the Hypercube)

समस्या की परिभाषा
यह शोध पत्र $S(n)$ निर्धारित करने की समस्या को संबोधित करता है, जो $n$ -आयामी हाइपरक्यूब $Q_n$ के सभी किनारों (edges) को "स्लाइस" करने के लिए आवश्यक हाइपरप्लेन (hyperplanes) की न्यूनतम संख्या है। हाइपरक्यूब $Q_n$ का शीर्ष सेट (vertex set) $\{-1, 1\}^n$ है। एक हाइपरप्लेन $H$ एक किनारे को तब स्लाइस करता है जब वह किनारे के दोनों सिरों को जोड़ने वाले रेखाखंड को उसके आंतरिक भाग में काटता है। हाइपरप्लेन का एक संग्रह एक "पूर्ण समाधान" (full solution) कहलाता है यदि $Q_n$ का प्रत्येक किनारा उस संग्रह के कम से कम एक हाइपरप्लेन द्वारा स्लाइस किया जाता है।

ऐतिहासिक रूप से, $S(n)$ के लिए सबसे अच्छी ज्ञात ऊपरी सीमा पेटर्सन (ओ'नील द्वारा 1971 में रिपोर्ट की गई) द्वारा स्थापित $\lceil 5n/6 \rceil$ थी। संयोजन विज्ञान (combinatorics), ज्यामिति और सैद्धांतिक कंप्यूटर विज्ञान में महत्वपूर्ण ध्यान दिए जाने के बावजूद, यह सीमा पचास वर्षों से अधिक समय तक नहीं सुधरी थी। जबकि निचली सीमाओं (lower bounds) में हाल ही में प्रगति देखी गई है (वर्तमान में $\Omega(n^{13/19} \log^{-32/12} n)$ ), ऊपरी और निचली सीमाओं के बीच का अंतर बहुत बड़ा बना हुआ है।

कार्यप्रणाली (Methodology)
लेखक मानव निरीक्षण और गणितीय अंतर्दृष्टि के साथ संचालित बड़े भाषा मॉडल (LLMs) द्वारा संचालित स्वचालित खोज के संयोजन वाले एक हाइब्रिड दृष्टिकोण का उपयोग करते हैं।

AI-संचालित एल्गोरिदम खोज (CPro1): लेखकों ने CPro1 का उपयोग किया, जो एक ऐसी प्रणाली है जो संय combinational समस्याओं के लिए खोज एल्गोरिदम उत्पन्न करने, मूल्यांकन करने और ट्यून करने के लिए LLMs का उपयोग करती है। उन्होंने CPro1 को विविध रणनीतियाँ (जैसे कि सिम्युलेटेड एनीलिंग, टैबू सर्च) प्रस्तावित करने के लिए कॉन्फ़िगर किया ताकि $Q_n$ के किनारों को स्लाइस करने वाले $k$ हाइपरप्लेन के संग्रह खोजे जा सकें। सिस्टम ने हजारों संभावित प्रोग्राम उत्पन्न किए, उन्हें "dev" इंस्टेंस (जहाँ समाधान पहले से ज्ञात थे) पर मूल्यांकित किया, और कठिन इंस्टेंस के लिए आशाजनक रणनीतियों की पहचान की।
लोकल सर्च और एडेप्टिव वेटिंग (Adaptive Weighting): AI-जनित उम्मीदवारों के विश्लेषण से पता चला कि एडेप्टिव एज वेटिंग के साथ लोकल हिल-क्लाइंबिंग सर्च एल्गोरिदम सबसे प्रभावी थे। इस विधि में, बिना स्लाइस किए गए किनारों का "भार" (weight) पुनरावृत्तियों (iterations) के दौरान बढ़ाया जाता है, जिससे एल्गोरिदम कठिन किनारों को प्राथमिकता देने और स्थानीय इष्टतम (local optima) से बाहर निकलने के लिए मजबूर होता है।
रिड्यूस्ड हाइपरक्यूब और संरचनात्मक बाधाएं: AI के आंशिक समाधानों को देखने से प्राप्त एक महत्वपूर्ण गणितीय अंतर्दृष्टि एक "कंपोजिशन" संरचना की उपस्थिति थी। लेखकों ने रिड्यूस्ड हाइपरक्यूब की अवधारणा को औपचारिक रूप दिया, जहाँ हाइपरप्लेन गुणांकों (coefficients) को समान सेटों में समूहित करके $n$ $n$ -आयामी हाइपरक्यूब को $\ell$ $ℓ$ -आयामी लैटिस (lattice) पर प्रोजेक्ट किया जाता है।
- एक विशिष्ट कंपोजिशन को लागू करना (उदाहरण के लिए, $n=10$ के लिए $[6, 1, 1, 1, 1]$ ) खोज स्थान के आयाम को नाटकीय रूप से कम कर देता है।
- यह $n$ -घन को एक छोटे ग्रिड पर मैप करके कुशल फिटनेस गणना (fitness calculations) की अनुमति देता है।
- लेखकों ने देखा कि उच्च-प्रदर्शन वाले समाधानों में, प्रत्येक हाइपरप्लेन के पहले कई गुणांक समान थे। उन्होंने मैन्युअल रूप से इस बाधा को शामिल किया (प्रारंभिक कॉलम को एक स्थिर मान पर फिक्स करना) और वर्टिकल (vertices) से बचने के लिए बायस टर्म्स को $0.5$ पर फिक्स कर दिया।
मानव संश्लेषण (Human Synthesis): AI प्रणालियों (CPro1 और OpenEvolve) ने ज्ञात सीमाओं को सफलतापूर्वक पुनरुत्पादित किया और मजबूत आंशिक समाधान भी खोजे, लेकिन वे अकेले $S(10) \le 8$ के पूर्ण समाधान को खोजने में विफल रहे। सफलता तब हुई जब मानव शोधकर्ताओं ने AI के आउटपुट से प्राप्त अंतर्दृष्टि—विशेष रूप से एज-वेटेड हिल-क्लाइंबिंग रणनीति और कॉलम-कंपोजिशन बाधा—को संश्लेषित किया ताकि मैन्युअल रूप से एक अंतिम एल्गोरिदम डिजाइन किया जा सके। इस एल्गोरिदम ने सफलतापूर्वक $Q_{10}$ के सभी किनारों को स्लाइस करने वाले 8 हाइपरप्लेन का सेट खोजा।

मुख्य योगदान और परिणाम

बेहतर ऊपरी सीमा: यह शोध पत्र सिद्ध करता है कि $S(n) \le \lceil 4n/5 \rceil$ उन सभी $n$ के लिए है जो 5 के विषम गुणक (odd multiples) नहीं हैं। यदि $n$ , 5 का विषम गुणक है, तो $S(n) \le 4n/5 + 1$ । यह दशकों पुरानी $\lceil 5n/6 \rceil$ की सीमा में सुधार करता है।
$n=10$ के लिए निर्माण: $Q_{10}$ के सभी 5,120 किनारों को स्लाइस करने वाले 8 हाइपरप्लेन के स्पष्ट निर्माण का प्रमाण इस शोध का मुख्य आधार है। लेखक इन हाइपरप्लेन के लिए विशिष्ट गुणांक वेक्टर प्रदान करते हैं।
सबएडिटिविटी तर्क (Subadditivity Argument): ज्ञात सबएडिटिविटी गुण $S(k+\ell) \le S(k) + S(\ell)$ और नए $S(10) \le 8$ परिणाम का उपयोग करते हुए, लेखक सभी $n$ के लिए सामान्य सीमाएँ निकालते हैं।
आंशिक स्लाइसिंग के लिए नई निचली सीमाएँ: लेखक विभिन्न $n$ और $k$ के लिए $S(n, k)$ ( $k$ हाइपरप्लेन द्वारा स्लाइस किए जा सकने वाले किनारों की अधिकतम संख्या) के लिए नई निचली सीमाएँ प्रदान करते हैं (तालिका 1 और 2 में संक्षेपित)। इनमें वे मामले भी शामिल हैं जहाँ पूर्ण स्लाइसिंग प्राप्त की जाती है।
मेथोडोलॉजिकल फ्रेमवर्क: यह शोध पत्र एक वर्कफ़्लो प्रदर्शित करता है जहाँ AI उच्च-मात्रा में उम्मीदवार एल्गोरिदम और संरचनात्मक पैटर्न की पहचान करता है, जिसे फिर मानव द्वारा कठोर गणितीय निर्माणों में संश्लेषित और व्याख्यायित किया जाता है।

महत्व और दावे
यह शोध पत्र दावा करता है कि इसका प्राथमिक योगदान हाइपरक्यूब स्लाइसिंग समस्या के लिए 50 साल के ठहराव को तोड़ना है। यह खोजे गए समाधानों की संरचित प्रकृति को उजागर करता है, यह नोट करते हुए कि इष्टतम या निकट-इष्टतम स्लाइसिंग हाइपरप्लेन में निम्न-आयामी संरचनाएं (दोहराव वाले गुणांक) दिखाई देती हैं।

AI की भूमिका के संबंध में, लेखक अपने कार्य को एक "लेवल C" सहयोग (गहन मानव-AI सहयोग) के रूप में प्रस्तुत करते हैं जहाँ दोनों पक्ष अनिवार्य रूप से योगदान करते हैं। उनका तर्क है कि जबकि AI उपकरण विशाल, अगम्य खोज स्थानों का अन्वेषण कर सकते हैं और व्याख्या योग्य पैटर्न सामने ला सकते हैं, इन पैटर्न को वैध गणितीय प्रमाणों और अंतिम निर्माणों में संश्लेषित करने के लिए मानव निरीक्षण वर्तमान में आवश्यक है। वे इस बात पर जोर देते हैं कि उनके परिणाम व्यक्तिगत मशीनों पर ओपन-सोर्स टूल्स का उपयोग करके प्राप्त किए गए थे, जो यह सुझाव देता है कि इस प्रकार की AI-सहायता प्राप्त खोज अनुसंधानकर्ताओं के लिए सुलभ है जिनके पास औद्योगिक-स्तर के कंप्यूटिंग संसाधन नहीं हैं। वे निष्कर्ष निकालते हैं कि $S(n)$ में और सुधार संभव है और $S(n, k)$ को सीमित करने की समस्या गणितीय खोज में AI प्रणालियों के मूल्यांकन के लिए एक आकर्षक बेंचमार्क के रूप में कार्य करती है।