🔬 physics

Scaling laws in complex component systems as consequences of heterogeneous sampling

यह शोध पत्र एक एकीकृत शून्य मॉडल (unifying null model) प्रस्तावित करता है जो यह दर्शाता है कि जटिल घटक प्रणालियों में सर्वव्यापी स्केलिंग नियम, जैसे कि टेलर, जिप और हीप्स के नियम, डोमेन-विशिष्ट जनरेटिव तंत्रों की आवश्यकता के बजाय विषम नमूनाकरण (heterogeneous sampling) और सीमित अवलोकन से स्वाभाविक रूप से उत्पन्न होते हैं।

मूल लेखक: Luca Allegri, Johannes Nauta, Manlio De Domenico

प्रकाशित 2026-07-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Luca Allegri, Johannes Nauta, Manlio De Domenico

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 विशाल, अराजक पुस्तकालय को समझने की कोशिश कर रहे हैं। आप हर किताब को नहीं पढ़ सकते, इसलिए इसके बजाय, आप अलग-अलग किताबों के पन्नों के कुछ यादृच्छिक (random) हाथ भर पन्ने लेते हैं और देखते हैं कि आप "the," "cat," या "quantum" जैसे विशिष्ट शब्दों को कितनी बार देखते हैं।

यह शोधपत्र इस बारे में है कि जब आप विभिन्न जटिल प्रणालियों में इस तरह की गिनती करते हैं—जैसे कि एक जंगल में प्रजातियों की गिनती करना, एक पुस्तक में शब्दों की गिनती, या एक शरीर में जीन की गिनती—तो क्या होता है। वैज्ञानिक लंबे समय से देखते आए हैं कि ये गणनाएँ अजीब, पूर्वानुमानित पैटर्न का पालन करती हैं जिन्हें "नियम" (विशेष रूप से टेलर, जिपफ और हीप्स के नियम) कहा जाता है। आमतौर पर, शोधकर्ता इन पैटर्न को समझाने के लिए प्रत्येक प्रणाली के लिए जटिल, अद्वितीय कहानियाँ गढ़ने की कोशिश करते हैं (जैसे, "पक्षी इस तरह विकसित होते हैं," या "शब्द सामाजिक नेटवर्क के कारण फैलते हैं")।

बड़ी अवधारणा: यह प्रणाली नहीं है, यह सैंपलिंग (नमूनाकरण) है

इस शोधपत्र के लेखक एक बहुत ही सरल स्पष्टीकरण प्रस्तावित करते हैं: ये पैटर्न अनिवार्य रूप से ब्रह्मांड के गहरे रहस्य नहीं हैं; वे केवल एक सीमित नमूने (finite sample) से एक अव्यवस्थित, असमान प्रणाली लेने का स्वाभाविक परिणाम हैं।

इसे इस तरह सोचें: कल्पना कीजिए कि कंचों (marbles) का एक थैला है जहाँ रंगों का वितरण बहुत असमान है। इसमें कुछ लाख लाल कंचे हैं, कुछ हज़ार नीले कंचे हैं, और कुछ ही हरे कंचे हैं। यदि आप हाथ अंदर डालते हैं और कंचों का एक छोटा सा समूह (एक सैंपल) निकालते हैं, तो आपके हाथ में रंग जिस तरह से दिखाई देंगे, वे विशिष्ट गणितीय नियमों का पालन करेंगे, केवल इसलिए क्योंकि यह संभाव्यता (probability) का गणित है और इस तथ्य के कारण है कि आपने थैले के सभी कंचों को नहीं निकाला है।

शोधपत्र तर्क देता है कि हमें इन पैटर्नों को समझाने के लिए विशेष जैविक या भाषाई नियमों को गढ़ने की आवश्यकता नहीं है। हमें बस दो सरल तथ्यों को स्वीकार करने की आवश्यकता है:

प्रणाली असमान है: कुछ चीजें बहुत आम हैं, और कुछ बहुत दुर्लभ (एक "हेवी-टेल्ड" वितरण)।
हमारा दृष्टिकोण सीमित है: हम कुल प्रणाली का केवल एक अंश ही देख सकते हैं (सीमित सैंपलिंग)।

तीन "नियमों" का विश्लेषण

शोधपत्र इस "सैंपलिंग" विचार का उपयोग करके तीन प्रसिद्ध पैटर्नों की व्याख्या करता है:

1. टेलर का नियम (शोर बनाम संकेत)

पैटर्न: प्रकृति में, कोई प्रजाति जितनी अधिक सामान्य होती है, उसका स्थान-दर-स्थान उतार-चढ़ाव उतना ही अधिक होता है।
शोधपत्र का सादृश्य: कल्पना कीजिए कि आप दुर्लभ पक्षियों बनाम आम कबूतरों की गिनती कर रहे हैं।
- यदि आप एक दुर्लभ पक्षी (जो दस लाख में एक बार दिखाई देता है) को देखते हैं, तो आप जो भी उतार-चढ़ाव देखते हैं वह केवल शोर (किस्मत/संयोग) है। क्या आपने एक देखा? शायद। क्या आपने दो देखे? शायद यह सिर्फ किस्मत है। यह एक सीधी रेखा वाला पैटर्न बनाता है।
- यदि आप कबूतरों (अत्यधिक सामान्य) को देखते हैं, तो उनके उतार-चढ़ाव केवल किस्मत नहीं हैं; वे कबूतरों की आबादी की वास्तविक, अंतर्निहित अव्यवस्था को दर्शाते हैं।
- परिणाम: जब आप एक ही चार्ट पर दुर्लभ पक्षियों और आम कबूतरों को मिलाते हैं, तो रेखा एक वक्र (curve) की तरह दिखती है जो मुड़ती है। शोधपत्र कहता है कि यह मोड़ पारिस्थितिकी का कोई विशेष नियम नहीं है; यह केवल "शुद्ध भाग्य" (दुर्लभ चीजें) को "वास्तविक भिन्नता" (सामान्य चीजें) के साथ मिलाने का गणित है।

2. जिपफ का नियम (रैंकिंग का खेल)

पैटर्न: यदि आप शब्दों को उनकी आवृत्ति के आधार पर रैंक करते हैं, तो सबसे सामान्य शब्द दूसरे सबसे सामान्य शब्द से दोगुना बार आता है, तीसरे से तीन गुना अधिक आता है, और इसी तरह।
शोधपत्र का सादृश्य: ऐसा इसलिए होता है क्योंकि "कंचों का थैला" (प्रणाली) एक विशिष्ट आकार का है: कुछ बहुत बड़े ढेर और कई छोटे ढेर। जब आप एक सैंपल लेते हैं, तो सबसे बड़े ढेर स्वाभाविक रूप से आपकी सूची के शीर्ष पर हावी हो जाते हैं। शोधपत्र दिखाता है कि यदि अंतर्निहित प्रणाली में यह "कुछ बड़े, कई छोटे" वाला आकार है, तो रैंकिंग का स्वरूप अनिवार्य रूप से जिपफ के नियम जैसा ही होगा। यह एक सांख्यिकीय अनिवार्यता है, न कि कोई भाषाई नियम।

3. हीप्स का नियम (शब्दावली वृद्धि)

पैटर्न: जैसे-जैसे आप अधिक पाठ (text) पढ़ते हैं, आप नए शब्द खोजते हैं, लेकिन नए शब्द खोजने की दर धीमी हो जाती है।
शोधपत्र का सादृश्य: कल्पना कीजिए कि आप एक जंगल में घूम रहे हैं।
- शुरुआत में: आप हर कदम पर एक नया पेड़ देखते हैं। (रैखिक वृद्धि)।
- मध्य में: आप बार-बार उन्हीं सामान्य पेड़ों को देखने लगते हैं, लेकिन फिर भी आप कभी-कभी दुर्लभ पेड़ों को पाते हैं। यह वह "स्वीट स्पॉट" है जहाँ वृद्धि एक अनुमानित तरीके से धीमी हो जाती है (हीप्स का नियम)।
- अंत में: आपने जंगल के लगभग हर पेड़ को देख लिया है। आप नए पेड़ खोजना बंद कर देते हैं।
- परिणाम: शोधपत्र तर्क देता है कि अधिकांश डेटा में जो "धीमी होने का चरण" हम देखते हैं, वह इसलिए नहीं है कि जंगल का कोई विशेष नियम है; बल्कि यह इसलिए है क्योंकि हम एक विशाल जंगल से पेड़ों की एक सीमित संख्या का नमूना ले रहे हैं।

"क्षणिक" सत्य

सबसे महत्वपूर्ण बात यह है कि ये नियम अस्थायी हो सकते हैं।

यदि आप पूरे ब्रह्मांड का नमूना ले सकें (अनंत सैंपलिंग), तो ये पैटर्न गायब हो सकते हैं या पूरी तरह से बदल सकते हैं। उदाहरण के लिए, यदि आप लिखे गए हर पुस्तक के हर एक शब्द की गिनती करते हैं, तो "नए शब्द" खोजने की दर अंततः शून्य पर पहुँच जाएगी। जो पैटर्न हम अभी देख रहे हैं, वे एक ऐसी प्रक्रिया की तस्वीर मात्र हैं जो अभी प्रगति पर है।

यह क्यों मायने रखता है?

लेखक यह नहीं कह रहे हैं कि जीव विज्ञान या भाषा विज्ञान उबाऊ है। वे कह रहे हैं: "पहले पैटर्न को समझाने की कोशिश करना बंद करें।"

जिपफ के नियम का कारण क्या विशेष तंत्र है, यह पूछने के बजाय, हमें यह पूछना चाहिए: "यह देखते हुए कि सैंपलिंग इन पैटर्नों को बनाती है, इस विशिष्ट प्रणाली के बारे में वास्तव में क्या अलग है?"

यदि कोई प्रणाली इन नियमों का पालन नहीं करती है, या यदि यह उन्हें एक अजीब तरीके से पालन करती है, तो वही वास्तविक, दिलचस्प विज्ञान है। यह हमें बताता है कि कुछ विशिष्ट (जैसे एक अद्वितीय जैविक बाधा या एक सामाजिक नियम) सरल सैंपलिंग के गणित में हस्तक्षेप कर रहा है।

सारांश में
यह शोधपत्र सुझाव देता है कि जटिल प्रणालियों के "नियम" अक्सर एक ढोल बजाने की आवाज़ की तरह होते हैं। ढोल (प्रणाली) अद्वितीय हो सकता है, लेकिन ध्वनि (स्केलिंग लॉ) केवल ढोल को डंडे से मारने का स्वाभाविक कंपन है (सैंपलिंग)। हमें हर ढोल के लिए एक नया भौतिक विज्ञान आविष्कार करने की आवश्यकता नहीं है; हमें बस सतह पर डंडे के टकराने के तरीके को समझने की आवश्यकता है।

तकनीकी सारांश: विषम नमूनाकरण के परिणाम के रूप में जटिल घटक प्रणालियों में स्केलिंग लॉ (Scaling Laws)

समस्या विवरण
जटिल घटक प्रणालियाँ—जैसे प्रजातियाँ, शब्द, या जीन जैसे विविक्त इकाइयों के संग्रह—अक्सर अनुभवजन्य स्केलिंग लॉ (empirical scaling laws) द्वारा अभिलक्षित होती हैं, जिनमें टेलर का नियम (वेरिएंस-मीन स्केलिंग), जिप्स का नियम (फ्रीक्वेंसी-रैंक स्केलिंग), और हीप्स का नियम (शब्दावली वृद्धि) शामिल हैं। हालाँकि ये पैटर्न जीव विज्ञान, भाषाविज्ञान, भौतिकी और वित्त जैसे विविध क्षेत्रों में सर्वव्यापी हैं, लेकिन उनके मूलों पर बहस जारी है। मौजूदा स्पष्टीकरण आमतौर पर डोमेन-विशिष्ट जनरेटिव तंत्रों पर निर्भर करते हैं, जैसे कि प्रिफरेंशियल अटैचमेंट (preferential attachment), स्टोकेस्टिक ग्रोथ (stochastic growth), या विकासवादी प्रक्रियाएं। हालाँकि, विभिन्न डोमेन में इन नियमों की एक साथ उपस्थिति यह सुझाव देती है कि एक संभावित सामान्य सांख्यिकीय मूल हो सकता है। संबोधित मुख्य प्रश्न यह है कि क्या ये नियमितताएँ अंतर्निहित प्रणाली के गुणों को दर्शाती हैं या विषम प्रणालियों से सीमित प्रयास के साथ नमूना लेने (sampling) की क्रिया से स्वाभाविक रूप से उत्पन्न होती हैं।

कार्यप्रणाली
लेखक विषम घटक प्रणालियों से नमूना लेने के लिए एक न्यूनतम संभाव्यता नुल मॉडल (probabilistic null model) प्रस्तावित करते हैं। यह ढांचा मानता है:

अवलोकन प्रक्रिया (Observation Process): एक पर्यवेक्षक एक प्रणाली से $N$ स्वतंत्र घटकों को चुनता है। नमूने $k$ में घटक प्रकार $i$ के लिए देखे गए काउंट $n_{ik}$ को पॉइसन रैंडम वेरिएबल्स के रूप में मॉडल किया जाता है, जहाँ $\lambda_{ik} = N_k \theta_{ik}$ है, और $\lambda_{ik}$ विलुप्त तीव्रता (latent intensity) को दर्शाता है।
विलुप्त विषमता (Latent Heterogeneity): विलुप्त तीव्रता $\theta$ को एक वितरण $p(\theta)$ से प्राप्त किया जाता है जो हेवी-टेल्ड (heavy-tailed) है (विशेष रूप से, $\theta \ge \theta_{min}$ के लिए $p(\theta) \sim \theta^{-\gamma}$ जहाँ $\gamma > 1$ )।
सांख्यिकीय अभिसरण (Statistical Convergence): मॉडल अव्यवस्थित घटक काउंट्स को परिमित विनिमय योग्य अनुक्रमों (finite exchangeable sequences) के रूप में मानता है, जिससे ऑर्डर स्टैटिस्टिक्स (order statistics) और विलुप्त-चर प्रतिनिधित्व का उपयोग संभव होता है।
अनुभवजन्य सत्यापन (Empirical Validation): लेखकों ने भाषाई, सूक्ष्मजीव संबंधी, सामाजिक, पारिस्थितिक और जैविक डोमेन तक फैले विविध डेटासेट का विश्लेषण किया। उन्होंने पारेटो-परिवार फिटिंग और गुडनेस-ऑफ-फिट परीक्षणों (p-values और AIC) का उपयोग करके हेवी-टेल्ड घटक प्रचुरता वितरणों (CADs) के लिए परीक्षण किया। वे आगे डेटा के मीन-वेरिएंस संबंधों और शब्दावली वृद्धि वक्रों को डिकंपोज करने के लिए देखते हैं ताकि अनुभवजन्य डेटा की उनके नुल मॉडल के सैद्धांतिक भविष्यवाणियों के साथ तुलना की जा सके।

प्रमुख योगदान और परिणाम

एक क्रॉसओवर घटना के रूप में टेलर का नियम (Taylor's Law as a Crossover Phenomenon):
लेख यह प्रदर्शित करता है कि टेलर का नियम ( $Var[n_i] \propto E[n_i]^b$ ) वेरिएंस को सैंपलिंग नॉइज़ और विलुप्त विषमता में विघटन से स्वाभाविक रूप से उत्पन्न होता है: $Var[n_i] = \Omega[\theta_i] E[n_i]^2 + E[n_i]$ ।
- दुर्लभ घटकों (कम माध्य) के लिए, सैंपलिंग नॉइज़ हावी होती है, जिससे एक रैखिक शासन (linear regime, $b \approx 1$ ) प्राप्त होता है।
- सामान्य घटकों (उच्च माध्य) के लिए, विलुप्त विषमता हावी होती है, जिससे एक द्विघातीय शासन (quadratic regime, $b \approx 2$ ) प्राप्त होता है।
- अध्ययन में देखे गए मध्यवर्ती घातांक ( $1 < b < 2$ ) वाले वैश्विक पावर लॉ (global power law) को विभिन्न क्रॉसओवर स्केल ( $\Omega[\theta_i]$ ) वाले घटकों के बीच इन स्थानीय द्विघातीय संबंधों के सुपरपोजिशन के रूप में दिखाया गया है। यह बिना किसी विशिष्ट जैविक या भौतिक तंत्र को लागू किए टेलर के नियम की व्यापकता की व्याख्या करता है।
हेवी टेल्स से जिप्स और हीप्स के नियम (Zipf's and Heaps' Laws from Heavy Tails):
लेखक दिखाते हैं कि यदि अंतर्निहित विलुप्त वितरण हेवी-टेल्ड है, तो जिप्स का नियम ( $\nu \propto r^{-\zeta}$ ) और हीप्स का नियम ( $V(N) \propto N^\eta$ ) ऑर्डर स्टैटिस्टिक्स और सीमित नमूनाकरण के गणितीय परिणामों के रूप में उभरते हैं।
- जिप्स का नियम: घातांक $\zeta$ को $\zeta = 1/(\gamma - 1)$ के रूप में व्युत्पन्न किया गया है, जहाँ $\gamma$ विलुप्त वितरण का टेल एक्सपोनेंट है।
- हीप्स का नियम: शब्दावली आकार $V(N)$ का विकास एक पावर लॉ $\eta = \gamma - 1$ का अनुसरण करता है, उस मध्यवर्ती शासन में जहाँ नमूना आकार $N$ , प्रणाली के विशिष्ट पैमाने $\phi$ (सभी घटकों को देखने के लिए आवश्यक आकार) से बहुत छोटा है।
- अनुभवजन्य विश्लेषण पुष्टि करता है कि विविध डेटासेट में घटक प्रचुरता वितरण हेवी-टेल्ड हैं, जिनके टेल एक्सपोनेंट डेटासेट-विशिष्ट मानों के आसपास उतार-चढ़ाव करते हैं, जो एक साझा विलुप्त संरचना की धारणा का समर्थन करते हैं।
स्केलिंग लॉ की क्षणभंगुरता (Transience of Scaling Laws):
एक महत्वपूर्ण निष्कर्ष यह है कि ये स्केलिंग लॉ क्षणिक (transient) हैं। ये केवल विशिष्ट अवलोकन शासन (जैसे, सीमित नमूनाकरण प्रयास) के भीतर ही मान्य होते हैं। जैसे-जैसे नमूना आकार अनंत तक बढ़ता है, टेलर का नियम द्विघातीय शासन ( $b=2$ ) की ओर अभिसरित होता है, और हीप्स का नियम अंततः संतृप्त (saturate) हो जाता है क्योंकि शब्दावली कुल घटकों तक पहुँच जाती है। अतः, देखे गए पावर लॉ सीमित नमूनाकरण के सांख्यिकीय हस्ताक्षर हैं, न कि मौलिक स्पर्शोन्मुखी (asymptotic) नियम।

महत्व और दावे
यह शोध पत्र तर्क देता है कि टेलर, जिप्स और हीप्स के नियमों की व्यापक उपस्थिति को विशिष्ट जनरेटिव तंत्रों के प्रमाण के बजाय विषम प्रणालियों के नमूना लेने के एक सामान्य सांख्यिकीय परिणाम के रूप में व्याख्या किया जाना चाहिए।

वैज्ञानिक प्रश्न का पुनर्निर्धारण: लेखक तर्क देते हैं कि इन नियमों की उपस्थिति एक "सांख्यिकीय बेसलाइन" है। फलस्वरूप, अनुसंधान का ध्यान इस बात से हटकर कि ये नियम क्यों मौजूद हैं, इस पर केंद्रित होना चाहिए कि विशिष्ट प्रणालियाँ विशेष पैरामीटर मान (जैसे, विशिष्ट टेल एक्सपोनेंट $\gamma$ ) या नुल मॉडल से विचलन क्यों प्रदर्शित करती हैं।
प्रणाली-विशिष्ट तंत्रों की पहचान: यह ढांचा एक आधार प्रदान करता है जिसके विरुद्ध वास्तव में सूचनात्मक प्रणाली-विशिष्ट गुणों की पहचान की जा सकती है। उदाहरण के लिए, पेपर नोट करता है कि GTEx जीन-अभिव्यक्ति डेटा घटक-वार द्विघातीय गुणांक निरंतरता (coefficient consistency) से विचलित होता है, जो यह बताता है कि जैविक और तकनीकी कोवेरिएट्स (जैसे, डोनर परिवर्तनशीलता, बैच प्रभाव) विलुप्त संरचना को उन तरीकों से आकार देते हैं जिन्हें सरल नुल मॉडल कैप्चर नहीं कर पाता है।
मूलों पर विनम्रता: लेखक स्पष्ट रूप से कहते हैं कि उनका कार्य स्वयं हेवी-टेल्ड वितरणों के मूल की व्याख्या नहीं करता है (अर्थात, विशिष्ट प्रणालियों में $\gamma$ के विशिष्ट मान क्यों होते हैं)। वे स्वीकार करते हैं कि हेवी-टेल्ड विषमता के उद्भव को समझाने के लिए सेल्फ-ऑर्गनाइज्ड क्रिटिकालिटी या ऑप्टिमाइजेशन प्रक्रियाओं जैसे तंत्रों की अभी भी आवश्यकता हो सकती है, लेकिन देखे गए स्केलिंग संबंध काफी हद तक उस विषमता पर कार्य करने वाली नमूनाकरण प्रक्रिया का परिणाम हैं।

संक्षेप में, यह कार्य सुझाव देता है कि जटिल घटक प्रणालियों में स्केलिंग लॉ को विषम नमूनाकरण के तहत सांख्यिकीय अभिसरण के क्षणिक संकेतों के रूप में बेहतर ढंग से समझा जा सकता है, जो एक ऐसा नुल मॉडल प्रदान करता है जो जेनेरिक सांख्यिकीय प्रभावों को डोमेन-विशिष्ट जनरेटिव तंत्रों से अलग करता है।

इसी तरह के और पेपर