🔢 mathematics

Dekker's floating point number system and compensated summation algorithms

यह शोधपत्र डेकर के गैर-विशिष्ट फ्लोटिंग-पॉइंट संख्या तंत्र का उपयोग करते हुए पूर्ण त्रुटि व्यवहारों को व्युत्पन्न करने, सटीकता-सीमित संचालनों की पहचान करने और कम-परिशुद्धता वाले कंप्यूटिंग परिवेशों में संख्यात्मक परिशुद्धता बढ़ाने के लिए अधिक सूक्ष्म तकनीकों के डिजाइन को निर्देशित करने हेतु प्रतिपूरित योग एल्गोरिदम (compensated summation algorithms) का एक व्यापक विश्लेषण प्रदान करता है।

मूल लेखक: Longfei Gao, Frimpong Baidoo

प्रकाशित 2026-02-24

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Longfei Gao, Frimpong Baidoo

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 अपने किराने के बिल का हिसाब रख रहे हैं। आपके पास एक कैलकुलेटर है, लेकिन वह थोड़ा पुराना है और उसकी स्क्रीन बहुत छोटी है। हर बार जब आप कोई नई चीज़ जोड़ते हैं, तो स्क्रीन पर फिट होने के लिए कैलकुलेटर को उस संख्या को राउंड (round) करना पड़ता है। यदि आप एक बहुत बड़ी संख्या (जैसे $1,000 का टीवी) और फिर एक बहुत छोटी संख्या (जैसे$ 0.01 का स्टिकर) जोड़ते हैं, तो कैलकुलेटर टीवी के बगल में दिखाने के लिए उस एक पैसे को अनदेखा कर सकता है।

समय के साथ, यदि आप हजारों चीजें जोड़ते हैं, तो वे अनदेखी की गई छोटी रकम एक बड़ी राशि बन सकती है। कंप्यूटर की दुनिया में, इसे राउंडिंग एरर (rounding error) कहा जाता है।

यह शोध पत्र इस बारे में है कि कैसे इन "अनदेखी की गई छोटी रकम" को गणनाओं को बर्बाद करने से रोका जाए, खासकर जैसे-जैसे कंप्यूटर तेज़ हो रहे हैं लेकिन ऊर्जा बचाने के लिए "छोटी" संख्याओं का उपयोग कर रहे हैं।

यहाँ उनके काम का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. समस्या: "छोटा पैसा" गायब हो जाता है

आधुनिक कंप्यूटर रिड्यूस्ड प्रिसिजन (reduced precision) की ओर बढ़ रहे हैं। इसे एक हाई-डेफिनिशन टीवी से लो-रेज़ोल्यूशन टीवी पर स्विच करने की तरह समझें। आप जगह और ऊर्जा बचाते हैं, लेकिन विवरण खो देते हैं।

समस्या: जब आप एक विशाल संख्या और एक छोटी संख्या को एक साथ जोड़ते हैं, तो छोटी संख्या अक्सर बड़ी संख्या में "घुल" जाती है।
परिणाम: वैज्ञानिक सिमुलेशन (जैसे मौसम की भविष्यवाणी करना या ग्रहों की गति का अनुकरण करना) में, ये छोटी त्रुटियां जमा होती रहती हैं। कुछ समय बाद, सिमुलेशन दिखा सकता है कि एक ग्रह सूर्य से टकरा गया जबकि उसे कक्षा में रहना चाहिए था, या एक वित्तीय मॉडल लाखों से भी अधिक गलत हो सकता है।

2. समाधान: "एरर कैचर" (Compensated Summation)

लेखक एक तकनीक देखते हैं जिसे कंपेंसेटेड समेशन (Compensated Summation) कहा जाता है।

उपमा: कल्पना कीजिए कि आप कैशियर हैं। हर बार जब आप कोई आइटम जोड़ते हैं और आपका कैलकुलेटर एक पैसे को राउंड कर देता है, तो आप उस पैसे को केवल फेंकते नहीं हैं। आप उसे एक अलग "पैसे के जार" (एक दूसरा वेरिएबल) में पकड़ लेते हैं।
जादू: अगले चरण में, आप उस "पjar" को मुख्य कुल योग में जोड़ने से पहले अगले आइटम के साथ जोड़ देते हैं। इस तरह, वे छोटे पैसे जो पहले दिखाई देने के लिए बहुत छोटे थे, अंततः इतने बड़े हो जाते हैं कि उन्हें गिना जा सके।

3. टूलकिट: डेकर का "मैजिक नोटबुक"

यह साबित करने के लिए कि यह "पैसे के जार" वाला तरीका पूरी तरह से काम करता है, लेखकों ने डेकर (Dekker) नामक व्यक्ति द्वारा आविष्कार की गई एक विशेष गणितीय प्रणाली का उपयोग किया।

उपमा: मानक गणित के नियम (जैसे IEEE मानक) एक सख्त लाइब्रेरियन की तरह हैं जो कहता है, "हर संख्या के पास ठीक एक अद्वितीय आईडी कार्ड होना चाहिए।" यह चीजों को व्यवस्थित बनाता है लेकिन जब चीजें उलझती हैं तो विश्लेषण करना कठिन बना देता है।
डेकर की प्रणाली: डेकर की प्रणाली एक ऐसी नोटबुक की तरह है जहाँ आप एक ही संख्या को अलग-अलग तरीकों से लिख सकते हैं (जैसे "5" को "5.0" या "05" के रूप में लिखना)। यह सुनने में अराजक लग सकता है, लेकिन वास्तव में यह लेखकों के लिए यह ट्रैक करना बहुत आसान बना देता है कि हर एक "पैसा" कहाँ गया। यह उन्हें गणितीय रूप से यह सिद्ध करने की अनुमति देता है कि उनकी त्रुटि-पकड़ने वाली विधि दोषरहित है, यहाँ तक कि उन सबसे छोटी, अजीब संख्याओं (जिन्हें "सबनॉर्मल" नंबर कहा जाता है) के लिए भी जिन्हें आमतौर पर अनदेखा कर दिया जाता है।

4. अपग्रेड: "एक जार" से "तीन जार" तक

यह पेपर इस "पैसे पकड़ने" की रणनीति के विभिन्न संस्करणों का परीक्षण करता है:

बेसिक वर्शन (3 ऑपरेशन्स): यह त्रुटि को एक बार पकड़ता है। यह अच्छा है, लेकिन कभी-कभी त्रुटि इतनी छोटी होती है कि वापस जोड़ने से पहले ही वह फिर से खो जाती है।
बेहतर वर्शन (6 ऑपरेशन्स): यह त्रुटि को पकड़ने के लिए चरणों के एक अधिक जटिल सेट का उपयोग करता है। यह एक बेहतर जाल की तरह है जो सबसे छोटी मछलियों को भी पकड़ लेता है।
सुपर वर्शन (डबल/ट्रिपल कंपनसेशन): लेखकों ने यहाँ तक कि और भी परिष्कृत संस्करण डिज़ाइन किए।
- परिणाम: उन्होंने पाया कि इन उन्नत तरीकों का उपयोग करके, एक कंप्यूटर जो "लो-रेज़ोल्यूशन" संख्याओं (जैसे सिंगल प्रिसिजन) का उपयोग कर रहा है, वह उसी सटीकता प्राप्त कर सकता है जो "हाई-रेज़ोल्यूशन" संख्याओं (जैसे डबल प्रिसिजन) का उपयोग करने पर मिलती है।
- रूपक: यह एक धुंधली फोटो लेने और फिर एक बहुत ही स्मार्ट एल्गोरिदम का उपयोग करके उसे इतना शार्प करने जैसा है कि वह 4K फोटो की तरह दिखने लगे, बिना बेहतर कैमरा लिए।

5. वास्तविक दुनिया में यह क्यों महत्वपूर्ण है

लेखकों ने इसे दो बड़े परिदृश्यों पर परखा:

मोंटे कार्लो सिमुलेशन (Monte Carlo Simulations): लाखों रैंडम घटनाओं (जैसे शेयर बाजार की गिरावट या कण भौतिकी) का अनुकरण करें। "पैसे के जार" वाले तरीके ने परिणामों को सटीक रखा, जबकि मानक तरीका नियंत्रण से बहुत दूर भटक गया।
"फिगर-एट" (Figure-Eight) ग्रह नृत्य: उन्होंने तीन ग्रहों को एक परफेक्ट फिगर-एट पैटर्न में नाचते हुए सिम्युलेट किया।
- सुधार के बिना: छोटी त्रुटियां जमा होने के कारण ग्रह कुछ समय बाद अलग हो गए और टकरा गए।
- सुधार के साथ: ग्रह सिमुलेशन के हजारों वर्षों तक परफेक्ट फिगर-एट पैटर्न में नाचते रहे।

निष्कर्ष

जैसे-जैसे कंप्यूटर तेज़ हो रहे हैं और छोटी संख्याओं का उपयोग करके कम ऊर्जा का उपयोग कर रहे हैं, वे छोटी गलतियाँ करने के प्रति अधिक संवेदनशील होते जा रहे हैं। यह शोध पत्र एक "गणितीय सुरक्षा जाल" प्रदान करता है। इन कंपेंसेटेड समेशन एल्गोरिदम का उपयोग करके, हम अपनी गणनाओं को अविश्वसनीय रूप से सटीक रख सकते हैं, बिना अपने हार्डवेयर को अधिक ऊर्जा खपत करने वाली, उच्च-परिशुद्धता (high-precision) संख्याओं में अपग्रेड किए।

यह अनिवार्य रूप से कंप्यूटर को अपने खुले पैसों के प्रति सतर्क रहना सिखाने जैसा है, यह सुनिश्चित करते हुए कि अंतिम बिल में एक पैसे के सबसे छोटे हिस्से को भी गिना जाए।

यहाँ लॉन्गफेई गाओ और फ्रिम्पोंग बैडू द्वारा लिखित शोध पत्र "डेकर का फ्लोटिंग पॉइंट नंबर सिस्टम और कंपन्सेटेड समेशन एल्गोरिदम" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र आर्टिफिशियल इंटेलिजेंस (AI) और मशीन लर्निंग (ML) में कम-परिशुद्धता (reduced-precision) कंप्यूटिंग की बढ़ती मांग को संबोधित करता है, जो अक्सर संख्यात्मक सटीकता (numerical accuracy) का त्याग करती है। जबकि हार्डवेयर रुझान संकीर्ण डेटा प्रारूपों (जैसे, FP16, BF16) के पक्ष में हैं, कई वैज्ञानिक अनुप्रयोगों (जैसे, ODE/PDE सिमुलेशन और मोंटे कार्लो विधियाँ) को स्थिरता और शुद्धता बनाए रखने के लिए उच्च परिशुद्धता की आवश्यकता होती है।

विशिष्ट समस्या रिकर्सिव समेशन (एक अनुक्रम $x_1 + \dots + x_n$ का योग जहाँ जोड़ (addends) चलते समय उत्पन्न होते हैं) है। मानक रिकर्सिव समेशन राउंडिंग त्रुटियों को पदों की संख्या के साथ रैखिक रूप से ( $O(n\epsilon)$ ) संचित करता है, जिससे विशेष रूप से बहुत अलग परिमाण (magnitudes) वाली संख्याओं को जोड़ने पर महत्वपूर्ण अशुद्धताएँ होती हैं। हालाँकि कहान (Kahan) के एल्गोरिदम जैसी कंपन्सेटेड समेशन (Compensated Summation) तकनीकें इसे कम करने के लिए मौजूद हैं, लेकिन मौजूदा विश्लेषण अक्सर:

केवल अग्रणी-क्रम (leading-order) त्रुटि पदों को ट्रैक करने तक सीमित होते हैं।
एरर-फ्री ट्रांसफॉर्मेशन (EFTs) के विशिष्ट संस्करणों तक प्रतिबंधित होते हैं।
सबनॉर्मल (subnormal) संख्याओं या जटिल एल्गोरिदम विविधताओं को संभालने के लिए विस्तार करने में कठिन होते हैं।

2. कार्यप्रणाली (Methodology)

लेखक कंपन्सेटेड समेशन एल्गोरिदम का विश्लेषण करने और उनमें सुधार करने के लिए डेकर के फ्लोटिंग पॉइंट नंबर सिस्टम पर आधारित एक कठोर गणितीय ढांचे का उपयोग करते हैं।

डेकर का नंबर सिस्टम: मानक IEEE 754 प्रणाली के विपरीत, जो अद्वितीय निरूपण (unique representations) लागू करती है, डेकर की प्रणाली एक ही संख्या के लिए कई निरूपणों की अनुमति देती है (गैर-विशिष्टता)। लेखक तर्क देते हैं कि यह विश्लेषणात्मक रूप से श्रेष्ठ है क्योंकि:
- यह राउंडिंग और जोड़ के संबंध में प्रमाणों को सरल बनाता है।
- यह बिना किसी विशेष केसिंग के सबनॉर्मल संख्याओं को स्वाभाविक रूप से संभालता है।
- यह सामान्य कथन प्रदान करता है जिन्हें न्यूनतम प्रयास के साथ IEEE प्रणाली में मैप किया जा सकता है (लेम्मा 2.3 के माध्यम से सिद्ध)।
एरर-फ्री ट्रांसफॉर्मेशन (EFTs): इसके निर्माण खंड जोड़ के लिए EFTs हैं, जो योग $x+y$ $x + y$ को एक फ्लोटिंग-पॉइंट परिणाम $z$ $z$ और एक सटीक त्रुटि पद $zz $में विभाजित करते हैं ताकि$ $मेंविभाजितकरतेहैंताकि$ x+y = z + zz$ हो सके।
- 3op EFT: इसके लिए शर्त $e(x) \geq e(y)$ (x का एक्सपोनेंट y से बड़ा या उसके बराबर है) आवश्यक है।
- 6op EFT: एक्सपोनेंट बाधाओं के बिना $x$ और $y$ के किसी भी संयोजन के लिए कार्य करता है।
एल्गोरिदम विश्लेषण: लेखक विभिन्न समेशन एल्गोरिदम में त्रुटि प्रसार (error propagation) के लिए रिकर्सिव संबंधों को व्युत्पन्न करते हैं। केवल अंतिम त्रुटि को सीमित करने के बजाय, वे क्रमिक चरणों में मध्यवर्ती परिणामों के बीच संबंध को ट्रैक करते हैं ताकि उन विशिष्ट ऑपरेशनों की पहचान की जा सके जो सटीकता को सीमित करते हैं।

3. मुख्य योगदान (Key Contributions)

A. सैद्धांतिक आधार (Theoretical Foundations)

कठोर प्रमाण: यह शोध पत्र डेकर के 3op और 6op EFTs के पूर्ण और कठोर प्रमाण प्रदान करता है, जो डेकर के मूल 1971 के कार्य के विवरणों और छूटे हुए प्रमाणों को भरता है।
सबनॉर्मल हैंडलिंग: विश्लेषण स्पष्ट रूप से सबनॉर्मल संख्याओं को शामिल करता है, जिन्हें अक्सर पूर्व साहित्य में उपेक्षित किया जाता है लेकिन वे कम-परिशुद्धता प्रारूपों के लिए महत्वपूर्ण हैं।
सामान्यीकृत EFTs: लेखक सिद्ध करते हैं कि 6op EFT डेकर की प्रणाली के भीतर सार्वभौमिक रूप से कार्य करता है, जिससे जोड़ (addends) को परिमाण के आधार पर पूर्व-क्रमबद्ध (pre-sorting) करने की आवश्यकता समाप्त हो जाती है।

B. नए कंपन्सेटेड समेशन एल्गोरिदम (New Compensated Summation Algorithms)

लेखक तीन स्तरों के कंपन्सेटेड समेशन का प्रस्ताव और विश्लेषण करते हैं:

6op-कंपन्सेटेड रिकर्सिव समेशन (एल्गोरिदम 3): कहान के एल्गोरिदम में 3op EFT के स्थान पर 6op संस्करण का उपयोग करता है।
- लाभ: जोड़ (addends) के परिमाण के क्रम की आवश्यकता को हटा देता है।
- त्रुटि सीमा (Error Bound): कुछ शर्तों के तहत $O(n\epsilon^2)$ की त्रुटि सीमा प्राप्त करता है, जो मानक समेशन के $O(n\epsilon)$ से काफी बेहतर है।
डबल 6op-कंपन्सेटेड समेशन (एल्गोरिदम 4): त्रुटि संचय चरण (error accumulation step) में ही दूसरे स्तर के मुआवजे को लागू करता है।
- लाभ: त्रुटि चर (error variable) के संचय में पहले-क्रम के $\epsilon$ त्रुटि पद को समाप्त करता है।
- परिणाम: उन परिदृश्यों में जहाँ $n\epsilon \ll 1$ , यह एल्गोरिदम ऐसा व्यवहार करता है जैसे कि यह दोगुने मैंटिसा बिट्स वाले डेटा प्रकार का उपयोग कर रहा हो।
ट्रिपल 6op-कंपन्सेटेड समेशन (एल्गोरिदम 5): प्रिस्ट (Priest) के कार्य से प्रेरित लेकिन 6op EFTs का उपयोग करने के लिए अनुकूलित, ताकि जोड़ (addends) को पूर्व-क्रमबद्ध करने की आवश्यकता को हटाया जा सके।
- लाभ: त्रुटि स्थिरांक (error constant) को और अधिक परिष्कृत करता है, जो सबसे सटीक सैद्धांतिक सीमाएं प्रदान करता है।

C. त्रुटि विश्लेषण ढांचा (Error Analysis Framework)

शोध पत्र चरण $i$ और चरण $i+1$ पर योग और त्रुटि पदों के बीच सटीक संबंध का वर्णन करने वाले रिकर्सिव सूत्र व्युत्पन्न करता है।
यह त्रुटि प्रसार के पूर्ण लक्षण वर्णन की अनुमति देता है, यह पहचानते हुए कि मानक कंपन्सेटेड समेशन में, रनिंग सम में त्रुटि पद को जोड़ना अक्सर बाधा (bottleneck) बनता है। "डबल" और "ट्रिपल" एल्गोरिदम विशेष रूप से इस बाधा को हटाने के लिए डिज़ाइन किए गए हैं।

4. परिणाम (Results)

संख्यात्मक प्रयोग (Numerical Experiments)

शैक्षणिक उदाहरण: प्रदर्शित किया कि कैसे मानक समेशन छोटी संख्याओं को खो देता है (कैटास्ट्रॉफिक कैंसिलेशन) और कैसे प्रस्तावित एल्गोरिदम इन मानों को त्रुटि पद में रखकर पुनः प्राप्त करते हैं।
संचय (मोंटे कार्लो):
- सिंगल (FP32) और डबल (FP64) परिशुद्धता में रैंडम नंबर समेशन पर परीक्षण किया गया।
- निष्कर्ष: एल्गोरिदम 4 (डबल 6op) ने दोगुने मैंटिसा बिट्स वाले डेटा प्रारूप (जैसे, FP32 की सटीकता FP64 के स्तर के करीब पहुँचना) के उपयोग के बराबर सटीकता प्राप्त की।
- वैधीकरण: व्युत्पन्न की गई सटीक त्रुटि सीमाएं इन एल्गोरिदम को कंप्यूटर सिस्टम वैलिडेशन के लिए उपयोग करने की अनुमति देती हैं। यदि गणना किया गया योग सैद्धांतिक सीमा से अधिक हो जाता है, तो यह हार्डवेयर दोषों या सॉफ़्टवेयर बगों को इंगित करता है।
गतिक प्रणाली (थ्री-बॉडी प्रॉब्लम):
- सिम्प्लेक्टिक यूलर विधि का उपयोग करके एक फिगर-एट (figure-eight) आवधिक कक्षा का सिमुलेशन किया गया।
- निष्कर्ष: मानक समेशन के कारण कक्षा जल्दी अस्थिर हो गई और भटक गई। 6op और डबल 6op एल्गोरिदम ने काफी लंबे समय तक (10,000+ चक्रों तक) कक्षा की स्थिरता बनाए रखी।
- सीमा: मुआवजे के बावजूद, अन्य त्रुटि स्रोतों (जैसे, बल मूल्यांकन) के कारण दीर्घकालिक विचलन अंततः होता है, जो यह दर्शाता है कि हालांकि समेशन एक बाधा है, लेकिन यह एकमात्र नहीं है।

5. महत्व (Significance)

हार्डवेयर तटस्थता (Hardware Agnosticism): ये तकनीकें उभरते हार्डवेयर के लिए अत्यधिक प्रासंगिक हैं जो मिश्रित-परिशुद्धता या कम-परिशुद्धता प्रारूपों (जो AI एक्सीलरेटर में सामान्य हैं) का समर्थन करते हैं, जिससे ये सिस्टम पूर्ण डबल-प्रिसिजन हार्डवेयर की आवश्यकता के बिना उच्च-सटीकता वाले वैज्ञानिक कंप्यूटिंग को करने में सक्षम होते हैं।
सिस्टम वैलिडेशन: व्युत्पन्न सटीक त्रुटि सीमाएं फ्लोटिंग-पॉइंट हार्डवेयर और कंपाइलर की शुद्धता को मान्य करने के लिए एक शक्तिशाली उपकरण प्रदान करती हैं।
एल्गोरिदम दक्षता: शोध पत्र तर्क देता है कि आधुनिक आर्किटेक्चर में डेटा मूवमेंट लागत की तुलना में 6op और डबल 6op एल्गोरिदम में अतिरिक्त फ्लोटिंग-पॉइंट ऑपरेशंस नगण्य हैं, जिससे सटीकता के लाभ प्रदर्शन के संदर्भ में "मुफ्त" (free) हो जाते हैं।
सैद्धांतिक स्पष्टता: डेकर की प्रणाली का उपयोग करके, लेखक फ्लोटिंग-पॉइंट अंकगणित के विश्लेषण के लिए एक स्वच्छ, अधिक सामान्य गणितीय ढांचा प्रदान करते हैं, जो IEEE-आधारित विश्लेषणों में सबनॉर्मल संख्याओं और राउंडिंग मोड के संबंध में अस्पष्टता को दूर करता है।

निष्कर्षतः, यह कार्य सैद्धांतिक फ्लोटिंग-पॉइंट विश्लेषण और व्यावहारिक उच्च-प्रदर्शन कंप्यूटिंग के बीच के अंतर को पाटता है, जो मजबूत एल्गोरिदम प्रदान करता है जो मौजूदा हार्डवेयर पर आपके समेशन ऑपरेशंस की परिशुद्धता को प्रभावी ढंग से दोगुना कर सकते हैं।