🤖 machine learning

Mapping Uncharted Symmetries: Machine Discovery in Combinatorics

यह शोध पत्र SLURP फ्रेमवर्क और दो नवीन विधियों, MapSeek-Functional और MapSeek-Symbolic को पेश करके यह प्रदर्शित करता है कि आधुनिक मशीन लर्निंग बीजगणितीय संयोजन विज्ञान (algebraic combinatorics) में सत्यापन योग्य गणितीय खोजों को संचालित कर सकती है, जिन्होंने सफलतापूर्वक $q,t$ -नारायाना बहुपदों (Narayana polynomials) के लिए एक नया नॉनक्रॉसिंग पार्टीशन व्याख्या (noncrossing partition interpretation) खोजा और एक पूर्व में अनसुलझे मामले में उनकी समरूपता (symmetry) के लिए एक संयोजन संबंधी प्रमाण प्रदान किया।

मूल लेखक: Eugenio Cainelli, Lorenzo Luccioli, Alessandro Iraci, Michele D'Adderio, Giovanni Paolini

प्रकाशित 2026-05-20

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Eugenio Cainelli, Lorenzo Luccioli, Alessandro Iraci, Michele D'Adderio, Giovanni Paolini

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 जासूस हैं जो एक विशाल पहेली को सुलझाने की कोशिश कर रहे हैं, लेकिन सुरागों को खोजने के बजाय, आप एक गुप्त नियम (secret rule) की तलाश कर रहे हैं जो लोगों की एक अराजक भीड़ को पूरी तरह से व्यवस्थित कर सके।

यह शोधपत्र उन गणितज्ञों की एक टीम के बारे में है जिन्होंने "बीजगणितीय संयोजन विज्ञान" (algebraic combinatorics) के क्षेत्र में इन गुप्त नियमों को खोजने के लिए आर्टिफिशियल इंटेलिजेंस (AI) के साथ हाथ मिलाया। उन्होंने इसे सरल भाषा में इस प्रकार किया है:

1. समस्या: "परफेक्ट पार्टी" की पहेली

गणित में, वस्तुओं के कुछ समूह होते हैं (जैसे संख्याओं को व्यवस्थित करने के विभिन्न तरीके) जिनमें एक छिपा हुआ, पूर्ण संतुलन होता है। गणितज्ञ जानते थे कि यह संतुलन मौजूद है, लेकिन वे उस सरल "नियम" या "सांख्यिकी" (statistic) को नहीं खोज पा रहे थे जो यह समझा सके कि यह संतुलित क्यों है।

इसे इस तरह सोचें: आपके पास लोगों से भरा एक बड़ा कमरा है। आप जानते हैं कि यदि आप हर किसी को एक गुप्त नियम के आधार पर एक विशिष्ट पंक्ति में खड़े होने के लिए कहें, तो वह पंक्ति पूरी तरह से सममित (symmetrical) दिखेगी। लेकिन कोई भी उस नियम को नहीं जानता है। यदि आप नियम का गलत अनुमान लगाते हैं, तो पंक्ति अस्त-व्यस्त दिखेगी। यदि आप सही नियम का अनुमान लगाते हैं, तो पंक्ति एकदम सटीक होगी।

AI के लिए चुनौती एक ऐसा नियम खोजने की थी जो केवल "काफी हद तक सही" न हो (जिसमें AI आमतौर पर अच्छा होता है), बल्कि 100% सटीक हो। गणित में, "लगभग सही" काम नहीं आता; इसे बिल्कुल सटीक होना चाहिए।

2. समाधान: दो नए AI उपकरण

लेखकों ने इन सटीक नियमों की तलाश करने के लिए दो विशेष उपकरण बनाए। वे इस पूरे प्रोजेक्ट को SLURP (Simple Learning Under Rigid Proportions) कहते हैं।

उपकरण A: "अनुमान और जाँच" करने वाला जासूस (MapSeek-Functional)
कल्पना कीजिए कि एक जासूस जो नियम के बारे में एक अनुमान लगाता है, यह जाँचता है कि कितने लोग गलत स्थानों पर खड़े हैं, और फिर अपनी गलतियों को ठीक करने के लिए अपने अनुमान को समायोजित करता है। वह यह बार-बार करता है, हर बार सटीक नियम के करीब पहुँचता जाता है। अंततः, वह जासूस अनुमान लगाना बंद कर देता है और नियम के लिए सटीक सूत्र (formula) लिख देता है।
उपकरण B: "फॉर्मूला बिल्डर" (MapSeek-Symbolic)
यह उपकरण एक रोबोट की तरह है जो लेगो ब्रिक्स (गणितीय प्रतीक जैसे प्लस, माइनस और संख्याएँ) से नियम बनाने की कोशिश करता है। यह लाखों अलग-अलग सूत्र बनाता है, उनका परीक्षण करता है, और उन्हें रखता है जो भीड़ के साथ पूरी तरह फिट बैठते हैं। फिर यह सूत्र को छोटा और सरल बनाने की कोशिश करता है, क्योंकि गणित में, सबसे सरल स्पष्टीकरण ही आमतौर पर सबसे अच्छा होता है।

3. खोज: एक नया मानचित्र ढूँढना

टीम ने इन उपकरणों का उपयोग "नॉनक्रॉसिंग पार्टिशन्स" (noncrossing partitions) नामक एक विशिष्ट प्रकार के गणितीय ऑब्जेक्ट पर किया। आप इन्हें एक वृत्त पर बिंदुओं के बीच रेखाएं खींचने के रूप में देख सकते हैं जहाँ रेखाएं एक-दूसरे को नहीं काटती हैं।

वे "स्किप" (skip) नामक एक ज्ञात नियम (जो यह गिनता है कि एक समूह के भीतर कितने बिंदुओं को छोड़ा गया है) के साथी की तलाश कर रहे थे। AI ने "स्किप" के साथ जुड़ने के लिए दो नए, सुंदर नियम खोजे:

"लीप" (Leap): एक नियम जो यह गिनता है कि आप कितनी दूर कूदते हैं।
"स्क्यू" (Skew): एक नियम जो थोड़े झुकाव या कोण को मापता है।

4. बड़ी जीत: 20 साल पुराने रहस्य को सुलझाना

सबसे रोमांचक हिस्सा वह है जो उन्होंने इन नए नियमों के साथ किया।

सममिति का रहस्य (The Symmetry Mystery): लंबे समय से, गणितज्ञ जानते थे कि एक विशिष्ट बहुपद (एक जटिल गणितीय समीकरण) वैसा ही दिखता है यदि आप इसके दो चरों (variables) को आपस में बदल दें (जैसे $x$ और $y$ को बदलना)। लेकिन वे एक सरल, दृश्य विधि का उपयोग करके यह सिद्ध नहीं कर पा रहे थे कि ऐसा क्यों है। यह वैसा ही था जैसे जानना कि एक जादू का खेल काम करता है, लेकिन यह न जानना कि जादूगर इसे कैसे करता है।
ब्रेकथ्रू: "लीप" नियम का उपयोग करते हुए, जो AI ने खोजा था, टीम ने एक परफेक्ट स्वैप मशीन (एक बायजेक्शन/bijection) बनाई। उन्होंने दिखाया कि कैसे किसी भी व्यवस्था को उसकी दर्पण छवि (mirror image) के साथ पूरी तरह से बदला जा सकता है। इसने इस विशिष्ट मामले ( $k=3$ ) के लिए पहली बार दृश्य प्रमाण प्रदान किया।

5. "लीन" (Lean) सुरक्षा जाल

चूंकि गणित बहुत सख्त होता है, आप केवल यह नहीं कह सकते कि "यह सही लग रहा है।" आपको इसे सिद्ध करना होगा। टीम ने Lean नामक एक कंप्यूटर प्रोग्राम का उपयोग किया (एक अत्यंत सख्त रेफरी की तरह) ताकि उनके काम की जाँच की जा सके। रेफरी ने उनके प्रमाण को पंक्ति-दर-पंक्ति पढ़ा और पुष्टि की, "हाँ, यह 100% सही है।" इसका अर्थ है कि उनकी खोज अब एक सत्यापित तथ्य है, न कि केवल एक अनुमान।

सारांश

संक्षेप में, यह शोधपत्र दिखाता है कि AI गणितज्ञों के लिए एक शक्तिशाली साथी के रूप में कार्य कर सकता है। भविष्य की भविष्यवाणी करने के बजाय, AI ने गणित में एक गहरे, छिपे हुए संतुलन को समझाने वाले एक नए, सरल नियम की खोज करने में मदद की। उन्होंने एक "चाबी" (Leap statistic) खोजी जिसने एक दरवाजा (symmetry proof) खोला जो लंबे समय से अटका हुआ था।

उन्होंने केवल एक पैटर्न नहीं खोजा; उन्होंने एक प्रमाण (proof) खोजा, और उन्होंने सुनिश्चित किया कि एक कंप्यूटर इसे सत्यापित करे ताकि कोई भी इस पर संदेह न कर सके।

तकनीकी सारांश: मशीन डिस्कवरी के माध्यम से अनछुए समरूपताओं (Uncharted Symmetries) का मानचित्रण

समस्या का स्वरूप (Problem Formulation)

यह शोध पत्र गणितीय खोज की एक विशिष्ट श्रेणी को संबोधित करता है जिसे फंक्शन डिस्कवरी (function discovery) के रूप में फ्रेम किया गया है: दो सेटों $X$ और $Y$ को देखते हुए, एक ऐसा फलन $f: X \to Y$ खोजें जो कठोर, सटीक बाधाओं (constraints) को संतुष्ट करता हो और साथ ही एक सरल, प्रतीकात्मक विवरण (symbolic description) स्वीकार करता हो। लेखक इस सेटिंग को सिंपल लर्निंग अंडर रिजिड प्रोपोर्शन (SLURP) के रूप में औपचारिक रूप देते हैं।

SLURP में, डोमेन $X$ को "बैग्स" (bags) $B_i$ में विभाजित किया जाता है, और प्रत्येक बैग को कोडोमेन $Y$ पर एक लक्षित वितरण (target distribution) $D_i$ के साथ जोड़ा जाता है। उद्देश्य एक ऐसे फलन $f$ की खोज करना है जो:

कठोर अनुपात बाधा (Rigid Proportion Constraint): प्रत्येक बैग $B_i$ पर $f$ के आउटपुट प्रत्येक लक्षित वितरण $D_i$ से सटीक रूप से मेल खाते हों। अनुमानित संतुष्टि अपर्याप्त है; कोई भी विचलन यह दर्शाता है कि समस्या हल नहीं हुई है।
सरलता की आवश्यकता (Simplicity Requirement): फलन को एक संक्षिप्त प्रतीकात्मक विवरण (क्लोज्ड फॉर्मूला या एल्गोरिदम) के रूप में प्रदान किया जाना चाहिए जो एक उचित समय सीमा (जैसे, बहुपद/polynomial) के भीतर मूल्यांकित किया जा सके। यह आवश्यकता यह सुनिश्चित करने के लिए मौलिक है कि समाधान एक साधारण, यादृच्छिक मान असाइनमेंट के बजाय गणितीय संरचना को प्रकट करे।

लेखक इस ढांचे को बीजगणितीय संयोजन विज्ञान (algebraic combinatorics), विशेष रूप से $q,t$ -नारायाना बहुपदों (Narayana polynomials) $N_{n,k}(q,t)$ के अध्ययन पर लागू करते हैं। मुख्य चुनौती संयोजन वस्तुओं (noncrossing partitions) पर जोड़े गए सरल सांख्यिकी (statistics/functions) के युग्मों को खोजना है जो इन बहुपदों को संयुक्त रूप से उत्पन्न करते हैं और उनकी समरूपता $N_{n,k}(q,t) = N_{n,k}(t,q)$ को सिद्ध करने के लिए स्पष्ट बाइजेक्शन (bijections) का निर्माण करना है।

कार्यप्रणाली (Methodology)

शोध पत्र SLURP उदाहरणों को हल करने के लिए दो अलग-अलग मशीन लर्निंग विधियों को पेश करता है:

1. मैपसीक-फंक्शनल (MapSeek-Functional - सेल्फ-ट्रेनिंग दृष्टिकोण)

यह विधि वांछित फलन को एक न्यूरल नेटवर्क (विशेष रूप से एक ट्रांसफार्मर एनकोडर) का उपयोग करके मॉडल करती है और दो चरणों के बीच बारी-बारी से चलती है:

कन्स्ट्रेंट प्रोजेक्शन (Constraint Projection): वर्तमान मॉडल $f_\theta$ को देखते हुए, एल्गोरिदम निकटतम फलन $\hat{f}$ को खोजता है जो कठोर अनुपात बाधाओं को सटीक रूप से संतुष्ट करता है। इसमें $f_\theta$ और बाधा-संतुष्ट फलन के बीच की दूरी को कम करने के लिए एक अनुकूलन समस्या (optimization problem) को हल करना शामिल है।
सुपरवाइज्ड अपडेट (Supervised Update): प्रक्षिप्त फलन (projected function) $\hat{f}$ छद्म-लेबल (pseudo-labels) उत्पन्न करता है, जिनका उपयोग SGD के माध्यम से $f_\theta$ को अपडेट करने के लिए किया जाता है।
वैलिडेशन (Validation): एक सख्त स्टॉपिंग क्राइटेरियन लागू किया जाता है: एक रन केवल तभी सफल माना जाता है यदि मॉडल सत्यापन सेट (validation set) पर बाधाओं को पूरी तरह से संतुष्ट करता है। सत्यापन सेट का आकार जटिल या गैर-व्याख्या योग्य समाधानों को फ़िल्टर करने के लिए एक हाइपरपैरामीटर के रूप में कार्य करता है।
डिस्टिलेशन (Distillation): अभिसरण (convergence) के बाद, न्यूरल नेटवर्क के व्यवहार को मैन्युअल या स्वचालित रूप से एक प्रतीकात्मक सूत्र में डिस्टिल किया जाता है।

2. मैपसीक-सिंबोलिक (MapSeek-Symbolic - सर्च दृष्टिकोण)

यह विधि एक परिभाषित औपचारिक भाषा $\mathcal{L}$ के भीतर सीधे प्रतीकात्मक सूत्रों की खोज करती है।

खोज स्थान (Search Space): सूत्र मूल प्रतीकों (चर, अंकगणितीय ऑपरेटर, तार्किक ऑपरेटर) के एक वर्णमाला से निर्मित होते हैं।
अनुकूलन (Optimization): खोज एक जेनेरेटिव ट्रांसफार्मर डिकोडर का उपयोग करके डीप क्रॉस-एन्ट्रॉपी मेथड (CEM) का उपयोग करती है। यह सूत्रों की एक जनसंख्या को पुनरावृत्ति (iteratively) के माध्यम से सैंपल करती है, उनके "दूरी" (बाधाओं का उल्लंघन) का मूल्यांकन करती है, और जेनेरेटिव मॉडल को पुन: प्रशिक्षित करने के लिए एक विशिष्ट (elite) उपसमुच्चय का चयन करती है।
दूरी मीट्रिक (Distance Metric): दूरी फलन $\delta$ एक उम्मीदवार सूत्र के आउटपुट वितरण और लक्षित वितरण के बीच $L_1$ अंतर को मापता है। लेखकों ने पाया कि समस्या को वर्गीकरण (classification) कार्य के रूप में मानना (एक ट्रिवियल मीट्रिक का उपयोग करके) रिग्रेशन दृष्टिकोण (सॉर्टेड $L_1$ दूरी का उपयोग करके) की तुलना में अधिक प्रभावी था।
स्थिरता (Stability): लेखकों ने नोट किया कि फॉर्मूला नोटेशन में स्पष्ट संरचनात्मक विभाजक (व्हाइटस्पेस और ब्रैकेट) प्रशिक्षण स्थिरता के लिए महत्वपूर्ण थे, जिससे मॉडल को सिंटैक्टिक रूप से वैध लेकिन अर्थपूर्ण रूप से अनावश्यक अभिव्यक्तियों को उत्पन्न करने से रोका जा सका।

मुख्य योगदान और परिणाम

1. SLURP फ्रेमवर्क और बेंचमार्क

लेखक SLURP फ्रेमवर्क को औपचारिक रूप देते हैं और स्किप-पेयरिंग बेंचमार्क (skip-pairing benchmark) जारी करते हैं। यह बेंचमार्क $q,t$ -नारायाना बहुपदों की व्याख्या करने के लिए ज्ञात "स्किप" सांख्यिकी के साथ पेयर होने वाले सांख्यिकी की खोज का कार्य करता है। डेटासेट में नॉन-सिंगलटन ब्लॉक्स में अधिकतम तत्व के आधार पर परिष्कृत बाधाएं शामिल हैं।

2. नई सांख्यिकी की खोज

$k=3$ (partitions के $n-2$ ब्लॉक्स) के मामले में दोनों विधियों को लागू करते हुए, लेखकों ने कई नई, व्याख्या योग्य सांख्यिकी खोजीं:

मैग (Mag - Magnitude): वार्म-स्टार्ट बाधाओं के साथ MapSeek-Functional द्वारा खोजा गया। यह 'स्किप' सांख्यिकी के साथ पेयर होता है।
लीप (Leap): होमोजेनिटी बाधाओं के साथ MapSeek-Functional द्वारा खोजा गया। यह 'स्किप' सांख्यिकी के साथ पेयर होता है।
स्क्यू (Skew): MapSeek-Symbolic द्वारा खोजा गया। यह 'स्कीप' सांख्यिकी के साथ पेयर होता है।
मिंगार्क (Mingarc - Min Gap Arc): ML खोजों से प्राप्त, फ्लिप किए गए "स्क्यू" सांख्यिकी का एक मानव-परिभाषित विस्तार।

3. संयोजन विज्ञान में एक खुली समस्या का समाधान

सबसे महत्वपूर्ण गणितीय परिणाम $k=3$ के मामले के लिए ओपन प्रॉब्लम 4.1 का समाधान है:

समरूपता का संयोजन संबंधी प्रमाण (Combinatorial Proof of Symmetry): लेखकों ने एक स्पष्ट एक्सचेंजिंग बाइजेक्शन (exchanging bijection) का निर्माण किया जो एक विभाजन $\pi$ को $\psi(\pi)$ में मैप करता है ताकि $(\text{skip}, \text{leap})$ के जोड़े को बदला जा सके: $(\text{skip}(\psi(\pi)), \text{leap}(\psi(\pi))) = (\text{leap}(\pi), \text{skip}(\pi))$ ।
यह एक स्पष्ट बाइजेक्शन के माध्यम से $N_{n,3}(q,t) = N_{n,3}(t,q)$ की समरूपता का पहला संयोजन संबंधी प्रमाण प्रदान करता है, जिसे व्यापक रूप से अत्यंत कठिन समस्या माना जाता है।
नई व्याख्या: यह कार्य सभी $k$ के लिए नॉनक्रॉसिंग पार्टीशन (विशेष रूप से $(\text{skip}, \text{mingarc})$ पेयरिंग के माध्यम से) के संदर्भ में $N_{n,k}(q,t)$ की पहली संयोजन संबंधी व्याख्या प्रदान करता है।

4. औपचारिक सत्यापन (Formal Verification)

पुनरुत्पादकता और कठोरता सुनिश्चित करने के लिए, लेखकों ने नई सांख्यिकी, बाइजेक्शन और समरूपता प्रमाणों सहित सभी गणितीय खोजों को Lean 4 में औपचारिक रूप दिया। उन्होंने ऑटोफॉर्मलाइजेशन और प्रूफ सर्च में सहायता के लिए Aristotle सिस्टम का उपयोग किया, जिसके परिणामस्वरूप मुख्य परिणामों का पूर्णतः मशीन-चेक्ड सत्यापन हुआ।

महत्व और दावे

शोध पत्र दावा करता है कि यह पहले से अज्ञात संयोजन सांख्यिकी प्रस्तावित करने के लिए मशीन लर्निंग का उपयोग करने वाला पहला कार्य है, जिसका उपयोग बाद में $q,t$ -कॉम्बिनेटरिक्स में एक ओपन प्रॉब्लम को हल करने वाले एक्सचेंजिंग बाइजेक्शन के निर्माण के लिए किया जाता है।

पद्धतिगत महत्व: लेखक SLURP को एक "प्रूफ-ड्रिवन डिस्कवरी फ्रेमवर्क" के रूप में स्थापित करते हैं। मानक मशीन लर्निंग के विपरीत, जो अनुमानित सामान्यीकरण (approximate generalization) की तलाश करता है, SLURP को सीमित डेटा पर सटीक बाधा संतुष्टि की आवश्यकता होती है, जिसका अंतिम लक्ष्य सरल प्रतीकात्मक विवरण खोजना है जो अनंत डोमेन पर गणितीय रूप से सिद्ध किए जा सकें।
वैज्ञानिक प्रभाव: यह कार्य प्रदर्शित करता है कि आधुनिक ML सार्थक रूप से सत्यापन योग्य गणितीय खोजों में योगदान दे सकता है, विशेष रूप से सरल फलनों की खोज में जो कठोर वितरण संबंधी बाधाओं को पूरा करते हैं।
सीमाएं और भविष्य का कार्य: लेखक विनम्रतापूर्वक नोट करते हैं कि जबकि $k=3$ के मामले ने क्लोज्ड-फॉर्म समाधान दिए, $k=4$ के प्रयोग वर्तमान में विफलता मोड (जैसे, MapSeek-Functional का कठिन-से-व्याख्या योग्य समाधानों की ओर अभिसरण करना, या MapSeek-Symbolic का शून्य दूरी तक पहुँचने में विफल होना) दिखाते हैं। वे स्वीकार करते हैं कि समाधान स्थान (solution space) की खोज को समझना और "सरलता" को मापना अभी भी खुले पद्धतिगत चुनौतियां हैं।

शोध पत्र निष्कर्ष निकालता है कि विशेषज्ञ गणितज्ञों के हाथों में ये उपकरण, मानवीय अंतर्ज्ञान का लाभ उठाकर गणितीय खोज की पहुंच को बढ़ा सकते हैं, विशेष रूप से उन क्षेत्रों में जहां स्पष्ट बाइजेक्शन का निर्माण एक प्राथमिक बाधा है।