Markov Chains and Random Walks with Memory on Hypergraphs: A Tensor-Based Approach

यहाँ शोध पत्र "Markov Chains and Random Walks with Memory on Hypergraphs: A Unified Tensor-Based Approach" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

शास्त्रीय मार्कोव श्रृंखलाएं (Markov chains) और ग्राफ पर रैंडम वॉक दो प्रतिबंधात्मक मान्यताओं पर निर्भर करते हैं:

1. युग्मित अंतःक्रियाएं (Pairwise Interactions): संक्रमण केवल वर्तमान अवस्था पर निर्भर करते हैं (स्मृतिहीन/memoryless) और दो नोड्स के बीच की अंतःक्रियाओं पर आधारित होते हैं।
2. स्मृतिहीनता (Memorylessness): अगली अवस्था पिछले राज्यों के इतिहास से स्वतंत्र होती है।

कई वास्तविक जटिल प्रणालियाँ इन मान्यताओं का उल्लंघन करती हैं। उदाहरणों में जैव-रासायनिक पथ (बहु-अणु प्रतिक्रियाएं), न्यूरोनल फायरिंग पैटर्न (टेम्पोरल मोटिफ्स), और सामाजिक नेटवर्क में सूचना प्रसार (समूह-वार अंतःक्रियाएं और टेम्पोरल सहसंबंध) शामिल हैं। उच्च-क्रम संरचनाओं और स्मृति प्रभावों की उपेक्षा करने से प्रसार (diffusion), रैंकिंग और नियंत्रण प्रक्रियाओं का गलत चित्रण होता है।

मौजूदा साहित्य इन मुद्दों को अलग-अलग संबोधित करता है:

• स्मृति वाले मार्कोव श्रृंखला (Markov chains with memory): ये मौजूद हैं लेकिन अक्सर जटिल टेंसर सूत्रीकरणों (tensor formulations) का उपयोग करते हैं जो दो से अधिक स्मृति गहराई (memory depths) के लिए अनफोल्ड (unfold) करने में कठिन होते हैं।
• हाइपरग्राफ-आधारित रैंडम वॉक (Hypergraph-based random walks): ये समूह अंतःक्रियाओं को कैप्चर करते हैं लेकिन आमतौर पर स्मृतिहीन रहते हैं।

अंतराल (The Gap): ऐसा कोई एकीकृत ढांचा नहीं है जो एक ही गणितीय रूप से सुलभ तरीके से उच्च-क्रम समूह अंतःक्रियाओं (हाइपरग्राफ) और स्मृति प्रभावों (पिछले अवस्था अनुक्रमों पर निर्भरता) को एक साथ मॉडल कर सके।

2. कार्यप्रणाली (Methodology)

लेखक एक एकीकृत टेंसर-आधारित ढांचे का प्रस्ताव करते हैं जो स्मृति वाले उच्च-क्रम मार्कोव श्रृंखलाओं और निर्देशित हाइपरग्राफ (directed hypergraphs) पर रैंडम वॉक के बीच सेतु का कार्य करता है।

A. गणितीय आधार (Mathematical Foundations)

• सम-क्रम युग्मित टेंसर (Even-Order Paired Tensors): मुख्य नवाचार $2N$-वें क्रम के टेंसरों का उपयोग है जहाँ इंडेक्स (indices) को $N$ जोड़ों $(i_n, j_n)$ में व्यवस्थित किया जाता है। यह संरचना कई परस्पर क्रिया करने वाले घटकों और स्मृति वाले सिस्टम को दर्शाने की अनुमति देती है।
• आइंस्टीन उत्पाद (Einstein Product): लेखक आइंस्टीन उत्पाद ($*$) का उपयोग करते हैं ताकि मैट्रिक्स गुणन को उच्च-क्रम टेंसरों तक विस्तारित किया जा सके। यह ऑपरेशन स्मृति संक्रमणों के लिए आवश्यक संरचना को बनाए रखता है।
• टेंसर अनफोल्डिंग (Tensor Unfolding): एक मैपिंग फंक्शन $\phi(\cdot)$ उच्च-क्रम युग्मित टेंसर को एक मानक मैट्रिक्स में परिवर्तित करता है। यह उच्च-क्रम गतिकी (dynamics) का विश्लेषण करने के लिए शास्त्रीय रैखिक बीजगणित तकनीकों (जैसे पेरोन-फ्रॉबेनियस प्रमेय) को लागू करने की अनुमति देता है।

B. हाइपरग्राफ संक्रमण के रूप में स्मृति का मॉडलिंग (Modeling Memory as Hypergraph Transitions)

लेखक स्मृति-संचालित संक्रमण को एक निर्देशित हाइपरएज (directed hyperedge) के माध्यम से गति के रूप में अवधारणाबद्ध करते हैं:

• टेल (Tail): पिछले राज्यों का क्रमबद्ध अनुक्रम $(i_2, \dots, i_m)$ हाइपरएज की "टेल" का प्रतिनिधित्व करता है।
• हेड (Head): अगली अवस्था $i_1$ "हेड" का प्रतिनिधित्व करती है।
• ट्रांजिशन टेंसर (Transition Tensor): एक ट्रांजिशन टेंसर $P$ संभावनाओं $p_{i_1 i_2 \dots i_m}$ को एनकोड करता है। इसे एक सम-क्रम युग्डेट टेंसर $\tilde{P}$ में ऊपर उठाने पर, संयुक्त संभाव्यता वितरण $\Pi_t$ के लिए अपडेट नियम एक रैखिक पुनरावृत्ति (linear iteration) बन जाता है:
  $$\Pi_{t+1} = \tilde{P} * \Pi_t$$
  अनफोल्ड होने पर, यह $\phi(\Pi_{t+1}) = \phi(\tilde{P})\phi(\Pi_t)$ बन जाता है, जो एक मानक रैखिक प्रणाली है।

C. निरंतर-समय विस्तार और सन्निकटन (Continuous-Time Extension and Approximation)

• निरंतर-समय सूत्रीकरण (Continuous-Time Formulation): इस ढांचे को एक फ्लो रेट टेंसर $R$ और एक डायगोनल आउटफ्लो ऑपरेटर $D$ का उपयोग करके निरंतर-समय के लिए विस्तारित किया गया है, जो एक रेट टेंसर $\tilde{Q} = \tilde{R} - \tilde{D}$ बनाता है। गतिकी को कोलमोगोरोव फॉरवर्ड समीकरण का अनुसरण करता है: $\frac{d}{dt}\Pi(t) = \tilde{Q} * \Pi(t)$।
• निम्न-आयामी गैररेखीय न्यूनीकरण (Low-Dimensional Nonlinear Reduction): घातीय अवस्था विस्फोट ($n^{m-1}$) से बचने के लिए, लेखक एक मीन-फील्ड क्लोजर (घटकों की स्वतंत्रता का अनुमान, $\Pi \approx x^{\otimes (m-1)}$) लागू करते हैं। यह सिस्टम को एक गैररेखीय अवकल समीकरण (nonlinear differential equation) में बदल देता है:
  $$\dot{x} = R x^{m-1} - F x^{m-1} = L x^{m-1}$$
  जहाँ $L$ एक उच्च-क्रम लैपलेसियन टेंसर (Laplacian tensor) है। यह समस्या को लैपलेसियन के H-आइजनवैल्यू (H-eigenvalue) खोजने में बदल देता है।

3. प्रमुख योगदान (Key Contributions)

1. एकीकृत टेंसर सूत्रीकरण (Unified Tensor Formulation): किसी भी सीमित स्मृति गहराई $m$ के लिए मार्कोव श्रृंखलाओं हेतु एक सम-क्रम युग्मित टेंसर सूत्रीकरण प्रस्तावित किया गया। यह किसी भी $m \geq 2$ के लिए टेंसर अनफोल्डिंग के लिए एक स्पष्ट, रचनात्मक प्रक्रिया प्रदान करता है, जो $m=2$ तक सीमित पिछले कार्यों की सीमाओं को पार करता है।
2. अभिसरण का सैद्धांतिक विश्लेषण (Theoretical Analysis of Convergence):
   • डिस्क्रीट-टाइम मेमोरी श्रृंखलाओं के लिए स्थिर वितरण (stationary distributions) के अस्तित्व और विशिष्टता को पेरोन-फ्रॉबेनियस प्रमेय का उपयोग करके सिद्ध किया गया।
   • इंटरैक्शन ग्राफ की मजबूत कनेक्टिविटी और उच्च-क्रम विस्तृत-संतुलन स्थिति (higher-order detailed-balance condition) के तहत निरंतर-समय गैररेखीय लैपलेसियन सिस्टम के लिए वैश्विक अभिसरण स्थापित किया गया।
3. स्मृति-जागरूक हाइपरग्राफ रैंडम वॉक (Memory-Aware Hypergraph Random Walks): निर्देशित हाइपरग्राफ पर रैंडम वॉक के एक नए वर्ग को परिभाषित किया गया जहाँ हाइपरएज क्रमबद्ध स्मृति संक्रमणों को एनकोड करते हैं। यह ढांचा उन गतिकी को कैप्चर करता है जिन्हें स्मृतिहीन प्रोजेक्टेड ग्राफ में समाहित नहीं किया जा सकता।

4. मुख्य परिणाम (Key Results)

• स्थिर वितरण (Stationary Distributions): डिस्क्रीट-टाइम श्रृंखलाओं के लिए, स्थिर अवस्था ट्रांजिशन टेंसर के डोमिनेंट U-आइजनटेंसर (U-eigentensor) का मार्जिनल सम है। अभिसरण दर दूसरे सबसे बड़े U-आइजनवैल्यू द्वारा निर्धारित होती है।
• गैररेखीय गतिकी (Nonlinear Dynamics): निरंतर-समय सन्निकटन एक गैररेखीय सिस्टम प्रदान करता है जहाँ स्थिर अवस्था लैपलेसियन टेंसर के शून्य H-आइजनवैल्यू के अनुरूप होती है।
• विस्तृत संतुलन और स्थिरता (Detailed Balance & Stability): यदि ट्रांजिशन टेंसर उच्च-क्रम विस्तृत-संतुलन स्थिति ($r_{i_1 i_2 I} x^*_{i_2} = r_{i_2 i_1 I} x^*_{i_1}$) को संतुष्ट करता है और इंटरैक्शन ग्राफ स्ट्रॉन्गली कनेक्टेड है, तो सिस्टम वैश्विक रूप से एक अद्वितीय संतुलन (एक स्केलिंग फैक्टर तक) की ओर अभिसरित होता है।
• हाइपरग्राफ केस स्टडी:
  • इसे दो विलगित (disjoint) हाइपरएज $\{1,2,3\}$ और $\{3,4,5\}$ वाले हाइपरग्राफ पर लागू किया गया।
  • परिणाम: स्मृतिहीन रैंडम वॉक के विपरीत (जो इन दोनों को एक प्रोजेक्टेड ग्राफ पर एकल अपरिवर्तनीय घटक में मिला देंगे), स्मृति-आधारित वॉक सिस्टम को दो बंद संचारित वर्गों (closed communicating classes) में विभाजित करता है। स्थिर वितरण प्रारंभिक स्थिति पर निर्भर करता है, जो शास्त्रीय दृष्टिकोणों के लिए अप्राप्य व्यवहार को प्रकट करता है।
  • सिमुलेशन: संख्यात्मक सिमुलेशन ($n=6, m=5$) ने दिखाया कि गैररेखीय लैपलेसियन सन्निकटन, ट्रांजिएंट इवोल्यूशन और स्थिर-अवस्था वितरण दोनों में सटीक अनफोल्डेड गतिकी के साथ निकटता से मेल खाता है।

5. महत्व (Significance)

• सैद्धांतिक एकीकरण (Theoretical Unification): यह कार्य सफलतापूर्वक दो अलग-अलग क्षेत्रों—स्मृति-निर्भर प्रक्रियाओं और हाइपरग्राफ सिद्धांत—को एक एकल टेंसर बीजगणितीय ढांचे के तहत एकीकृत करता है।
• संगणकीय सुगमता (Computational Tractability): टेंसर अनफोल्डिंग और मीन-फील्ड सन्निकटन का उपयोग करके, यह ढांचा उच्च-आयामी स्मृति प्रणालियों के विश्लेषण को संभव बनाता है, जिससे जटिलता घातीय (exponential) से बहुपद (polynomial) (गैररेखीय सन्निकटन के लिए) में बदल जाती है।
• जटिल प्रणालियों में नए अंतर्दृष्टि (New Insights into Complex Systems): यह ढांचा प्रकट करता है कि स्मृति प्रसार और कनेक्टिविटी को मौलिक रूप से बदल देती है। ऐसी प्रणालियाँ जो प्रोजेक्टेड (स्मृतिहीन) दृश्य में जुड़ी हुई प्रतीत होती हैं, स्मृति को ध्यान में रखने पर वास्तव में खंडित हो सकती हैं।
• व्यापक प्रयोज्यता (Broad Applicability): विकसित उपकरण तंत्रिका विज्ञान (टेम्पोरल मोटिफ्स), रसायन विज्ञान (प्रतिक्रिया पथ), और सामाजिक नेटवर्क विश्लेषण (समूह गतिकी) सहित विविध क्षेत्रों में लागू किए जा सकते हैं, जो समय-निर्भर उच्च-क्रम प्रभावों के अध्ययन के लिए कठोर उपकरण प्रदान करते हैं।

निष्कर्षतः, यह शोध पत्र एक कठोर गणितीय आधार प्रदान करता है जिसका उपयोग उन जटिल प्रणालियों के मॉडलिंग के लिए किया जा सकता है जहाँ इतिहास और समूह संरचना महत्वपूर्ण होती है, जो सटीक टेंसर-आधारित विश्लेषण और कुशल गैररेखीय सन्निकटन दोनों प्रदान करता है।