A Scale-Invariant Entropy Statistic for Distance Distributions

यहाँ मोहम्मद गेविली के शोध पत्र "A Scale-Invariant Entropy Statistic for Distance Distributions" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र वास्तविक रेखा पर विविक्त बिंदु विन्यासों (discrete point configurations) (जैसे कि अभाज्य संख्याएँ, स्थानिक डेटा) से उत्पन्न होने वाले दूरी वितरणों (distance distributions) की संरचनात्मक विशेषताओं को मापने की चुनौती का समाधान करता है, जो कि निरपेक्ष पैमाने (absolute scale) से स्वतंत्र हो।

• चुनौती: पारंपरिक दूरी मेट्रिक्स डेटा के परिमाण के प्रति संवेदनशील होते हैं। लघु-पैमाने (small-scale) और बड़े-पैमाने (large-scale) के विन्यासों के बीच अंतराल पैटर्न की तुलना करना कठिन है क्योंकि पूर्ण दूरियाँ अत्यधिक भिन्न होती हैं।
• लक्ष्य: एक सुदृढ़ स्केलर सांख्यिकी (scalar statistic) विकसित करना जो सापेक्ष अंतराल जानकारी (नियमितता बनाम यादृच्छिकता) को कैप्चर करे, जबकि समान स्केलिंग (सभी दूरियों को एक स्थिरांक से गुणा करना) के प्रति अपरिवर्तनीय रहे।
• अभिप्रेरणा: लेखक अभाज्य संख्याओं (विशेष रूप से अभाज्य अंतरालों/prime gaps) के वितरण का उपयोग एक प्रेरक उदाहरण के रूप में करते हैं, जहाँ अभाज्य संख्याओं के बीच का अंतराल लघुगणकीय (logarithmically) रूप से बढ़ता है, जिससे अर्थपूर्ण विश्लेषण के लिए स्केल-इनवेरिएंस (scale invariance) अत्यंत महत्वपूर्ण हो जाता है।

2. कार्यप्रणाली (Methodology)

प्रस्तावित ढांचा एक सीमित बिंदु विन्यास पर लागू चार-चरणीय प्रक्रिया के माध्यम से एक स्केल-इनवेरिएंट एंट्रॉपी सांख्यिकी (Scale-Invariant Entropy Statistic) का निर्माण करता है:

चरण 1: ट्रंकेटेड डिस्टेंस डेटा का निष्कर्षण (Extraction of Truncated Distance Data)

बिंदुओं के एक दिए गए सेट (जैसे, अभाज्य संख्याओं का सेट $P$) के लिए, लेखक एक ट्रंकेटेड डिस्टेंस मल्टीसेट $D_R(p)$ को परिभाषित करते हैं, जिसमें त्रिज्या $R$ के भीतर सभी $q$ के लिए दूरियाँ $|p - q|$ शामिल हैं। बिंदुओं के एक संग्रह के लिए, इन दूरी मापों को योगात्मक रूप से एकत्रित किया जाता है।

चरण 2: निश्चित रिज़ॉल्यूशन पर लघुगणकीय एकत्रीकरण (Logarithmic Aggregation at Fixed Resolution)

स्केल निर्भरता को समाप्त करने के लिए, दूरियों को एक लघुगणकीय अक्ष (logarithmic axis) पर मैप किया जाता है।

• बिनिंग (Binning): सीमा $[d_{\min}, d_{\max}]$ को $M$ लघुगणकीय बिनों में विभाजित किया जाता है। बिन के किनारे $\ell_j = \log d_{\min} + \frac{j}{M}(\log d_{\max} - \log d_{\min})$ द्वारा परिभाषित किए जाते हैं।
• प्रायिकता वेक्टर (Probability Vector): प्रत्येक बिन में गिरने वाली दूरियों की संख्या को गिनकर एक प्रायिकता वेक्टर $(p_1, \dots, p_M)$ बनाया जाता है।
• स्केल इनवेरिएंस (Scale Invariance): सभी दूरियों को एक स्थिरांक $c$ से गुणा करने से लॉग-अक्ष खिसक जाता है, लेकिन सापेक्ष बिन प्रायिकताओं को सुरक्षित रखता है (सीमा विविक्तीकरण प्रभावों को छोड़कर), जो इस सांख्यिकी को स्केल-इनवेरिएंट बनाता है।

चरण 3: विविक्त हार्मोनिक विश्लेषण (Discrete Harmonic Analysis - Log-Frequency Spectrum)

बिन काउंट्स का सीधे विश्लेषण करने के बजाय, यह विधि लॉग-अक्ष पर प्रायिकता वितरण पर 'डिस्क्रीट फूरियर ट्रांसफॉर्म' (DFT) लागू करती है।

• स्पेक्ट्रम परिभाषा: लॉग-फ्रीक्वेंसी स्पेक्ट्रम $\hat{\mu}(k)$ को बिन केंद्रों $x_j$ का उपयोग करते हुए फेज आर्ग्युमेंट के रूप में कंप्यूट किया जाता है:
  $$\hat{\mu}(k) = \sum_{j=1}^M p_j \exp\left(-2\pi i (k-1) \frac{x_j - x_1}{x_M - x_1}\right)$$
• व्याख्या: कम-आवृत्ति एकाग्रता (low-frequency concentration) नियमित, धीरे-धीरे बदलने वाली संरचनाओं को दर्शाती है। व्यापक स्पेक्ट्रल सपोर्ट अनियमित या यादृच्छिक व्यवहार को दर्शाता है।

चरण 4: एंट्रॉपी-आधारित संपीड़न (Entropy-Based Compression)

स्पेक्ट्रल जानकारी को एक एकल स्केलर मान में संकुचित किया जाता है: स्पेक्ट्रल एंट्रॉपी (Spectral Entropy)।

• सामान्यीकरण (Normalization): स्पेक्ट्रम के परिमाण को भार (weights) बनाने के लिए सामान्यीकृत किया जाता है: $w_k = |\hat{\mu}(k)| / \sum |\hat{\mu}(\ell)|$।
• गणना: एंट्रॉपी की गणना $H = -\sum w_k \log w_k$ के रूप में की जाती है।
  • कम एंट्रॉपी (Low Entropy): नियमित, संरचित विन्यासों के अनुरूप है (जो विशिष्ट आवृत्तियों द्वारा प्रधान होते हैं)।
  • उच्च एंट्रॉपी (High Entropy): यादृच्छिक, असंरचित विन्यासों के अनुरूप है (फ्लैट स्पेक्ट्रम)।

3. मुख्य योगदान (Key Contributions)

1. नवीन सांख्यिकी: दूरी वितरण के लघुगणकीय फ्रीक्वेंसी स्पेक्ट्रम से प्राप्त एक विशिष्ट एंट्रॉपी सांख्यिकी का परिचय। यह मानक शैनन एंट्रॉपी (Shannon entropy) से भिन्न है।
2. निश्चित रिज़ॉल्यूशन ढांचा: यह विधि डैश-एनालिटिक रिफाइनमेंट के बजाय एक निश्चित लघुगणकीय रिज़ॉल्यूशन ($M$) पर कार्य करती है। यह संख्यात्मक स्थिरता सुनिश्चित करता है और विभिन्न पैमानों और विन्यासों के बीच प्रत्यक्ष तुलना की अनुमति देता है।
3. सैद्धांतिक नल मॉडल (Theoretical Null Models): यह शोध पत्र एक होमोजेनियस पॉइसन पॉइंट प्रोसेस (यादृच्छिकता के लिए मानक नल मॉडल) के तहत इस सांख्यिकी के व्यवहार को स्थापित करता है।
   • लेम्मा 7.1 और प्रोपोज़िशन 7.2: यह सिद्ध करता है कि पॉइसन प्रक्रिया के लिए, लघुगणकीय बिन ज्यामिति स्पर्शोन्मुख रूप से (asymptotically) स्थिर हो जाती है, और स्पेक्ट्रल एंट्रॉपी तीव्रता $\lambda$ से स्वतंत्र होकर एक स्थिरांक $H_{\infty}^{null}(M)$ की ओर अभिसरित होती है।
4. प्राइम नंबर थ्योरी से जुड़ाव: यह ढांचा अभाज्य अंतरालों (prime gaps) पर सांख्यिकीय भौतिकी और विश्लेषणात्मक संख्या सिद्धांत को जोड़ता है।
   • प्रोपोज़िशन 8.1: क्रैमर के रैंडम मॉडल (जो पुनर्गठित अभाज्य अंतरालों के लिए पॉइसनियन व्यवहार की भविष्यवाणी करता है) के तहत, अभाज्य संख्याओं की स्पेक्ट्रल एंट्रॉपी पॉइसन नल-मॉडल मान की ओर अभिसरित होती है।

4. परिणाम और अनुमान (Results and Conjectures)

यह शोध पत्र नए कच्चे संख्यात्मक परिणाम प्रस्तुत करने के बजाय इस सांख्यिकी के व्यवहार के संबंध में सैद्धांतिक व्युत्पन्न और अनुमान प्रस्तुत करता है:

• अभिसरण (Convergence): एक पॉइसन प्रक्रिया के लिए एंट्रॉपी सांख्यिकी अवलोकन त्रिज्या $R \to \infty$ होने पर एक नियत सीमा (deterministic limit) की ओर अभिसरित होती है।
• प्राइम गैप विचलन (Prime Gap Deviations): लेखक अनुमान लगाते हैं कि यदि अभाज्य अंतराल लघुगणकीय पैमाने पर पॉइसन व्यवहार से निरंतर विचलन प्रदर्शित करते हैं, तो अभाज्य संख्याओं की स्पेक्ट्रल एंट्रॉपी पॉइसन सीमा से विचलित होगी ($\Delta_\infty(p) \neq 0$)।
• एन्सेम्बल टाइटनेस (Ensemble Tightness): यह अनुमान लगाया गया है कि अभाज्य विन्यासों के एन्सेम्बल में एंट्रॉपी मानों का वितरण एक सीमित प्रायिकता माप (limiting probability measure) की ओर अभिसरित होता है, जो इन अवलोकनीयों के लिए एक सांख्यिकीय सीमा सिद्धांत का सुझाव देता है।

5. महत्व और प्रयोज्यता (Significance and Applicability)

• पद्धतिगत योगदान: यह शोध पत्र इसे एक कच्चे डेटा के स्रोत के बजाय एक पद्धतिगत उपकरण के रूप में स्थापित करता है। यह भौतिक पैमाने की परवाह किए बिना पॉइंट प्रोसेस में "आकार" या "संरचना" की तुलना करने का एक कठोर तरीका प्रदान करता है।
• व्यापक प्रयोज्यता: हालांकि यह अभाज्य संख्याओं से प्रेरित है, यह ढांचा निम्नलिखित के लिए भी लागू है:
  • स्थानिक सांख्यिकी (Spatial Statistics): पारिस्थितिकी या शहरी नियोजन में बिंदु पैटर्न का विश्लेषण।
  • सांख्यिकीय भौतिकी (Statistical Physics): विस्केंद्रित प्रणालियों (disordered systems) या ऊर्जा स्तरों के अंतराल का अध्ययन।
  • अनुभवजन्य पैटर्न (Empirical Patterns): कोई भी डेटासेट जहाँ गुणात्मक या स्केल-फ्री व्यवहार मौजूद हो।
• व्याख्यात्मकता (Interpretability): लघुगणकीय रिज़ॉल्यूशन को स्थिर करके, परिणामी स्केलर को स्टोकेस्टिक संदर्भ मॉडलों के विरुद्ध व्याख्यायित और तुलना किया जा सकता है, जो जटिल डेटा में सूक्ष्म संरचनात्मक नियमितताओं या विसंगतियों का पता लगाने के लिए एक नया दृष्टिकोण प्रदान करता है।

संक्षेप में, गेविली एक सुदृढ़, स्केल-इनवेरिएंट मेट्रिक का प्रस्ताव करते हैं जो दूरी वितरणों को स्पेक्ट्रल एंट्रॉपी मान में बदल देता है, जो विविध पॉइंट प्रोसेस में व्यवस्थित और यादृच्छिक संरचनाओं के बीच अंतर करने के लिए एक शक्तिशाली उपकरण प्रदान करता है, जहाँ अभाज्य संख्याएँ प्राथमिक सैद्धांतिक परीक्षण स्थल के रूप में कार्य करती हैं।