🔢 mathematics

A Stretched-Exponential Bound for an Erdos--Graham Unit-Fraction Problem

यह शोध पत्र धनात्मक पूर्णांकों के एक परिमित मल्टीसेट (multiset) के लिए, जिसका कुल व्युत्क्रम योग $K$ से अधिक है, 1 से उसके सबसे बड़े व्युत्क्रम उपसमुच्चय (reciprocal subsum) की दूरी हेतु एक स्ट्रेच्ड-एक्सपोनेंशियल (stretched-exponential) सीमा, $\varepsilon(A)\leq \exp\bigl(-c\sqrt{K\log K}\bigr)$ , को सिद्ध करता है, जो एर्दोश और ग्राहम द्वारा स्थापित द्विघात सीमा (quadratic bound) में सुधार करता है और उनके शुद्ध घातांकीय क्षय (pure exponential decay) के अनुमान की दिशा में महत्वपूर्ण प्रगति प्रदान करता है।

मूल लेखक: Samuel Korsky

प्रकाशित 2026-07-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Samuel Korsky

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

यहाँ "A Stretched-Exponential Bound for an Erdős–Graham Unit-Fraction Problem" शोध पत्र का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ हिंदी अनुवाद दिया गया है।

बड़ी तस्वीर: "परफेक्ट 1" की पहेली

कल्पना कीजिए कि आपके पास अलग-अलग आकार के लेगो (Lego) ब्रिक्स का एक विशाल थैला है। प्रत्येक ब्रिक पर एक नंबर लिखा है, जैसे 2, 3, 5, या 100। खेल का नियम यह है कि एक ब्रिक का "मूल्य" (value) उसके नंबर का 1 बटा (1 divided by) वह नंबर है।

"2" लेबल वाले ब्रिक का मूल्य 1/2 है।
"3" लेबल वाले ब्रिक का मूल्य 1/3 है।
"100" लेबल वाले ब्रिक का मूल्य 1/100 है।

लक्ष्य: आप इन ब्रिक्स में से कुछ को चुनना चाहते हैं और उन्हें एक साथ जोड़ना चाहते हैं ताकि उनका कुल मूल्य ठीक 1 हो जाए।

समस्या: कभी-कभी, आपके पास कितने भी ब्रिक्स क्यों न हों, आप ढेर को ठीक 1 तक नहीं पहुँचा पाते। आप बहुत करीब पहुँच सकते हैं—जैसे 0.999—लेकिन आप लक्ष्य चूक जाते हैं। यह शोध पत्र पूछता है: यदि आपके पास ब्रिक्स का एक बहुत बड़ा ढेर (बहुत अधिक "द्रव्यमान" या mass) है, तो आप 1 तक पहुँचने के लिए बिना उसे छुए, कितना करीब पहुँच सकते हैं?

पुराना अनुमान बनाम नई खोज

गणितज्ञ पॉल अर्दोश (Paul Erdős) और रोनाल्ड ग्राहम (Ronald Graham) ने वर्षों पहले इस समस्या को देखा था। उन्होंने सिद्ध किया कि यदि आपके पास ब्रिक्स का ढेर पर्याप्त बड़ा है, तो आप लक्ष्य से बहुत ज्यादा दूर नहीं भटक सकते। उन्होंने दिखाया कि अंतर (आपके ढेर और 1 के बीच की दूरी) ढेर बढ़ने के साथ छोटा होता जाता है, लेकिन उन्हें लगा कि यह बहुत तेज़ी से सिकुड़ेगा—जैसे एक घातीय वक्र (exponential curve) (सोचिए एक गेंद गिर रही है और उछल रही है, और हर उछाल के साथ छोटी होती जा रही है)।

उन्होंने पूछा: क्या यह सच है कि अंतर बहुत तेज़ी से, जैसे $e^{-K}$ , सिकुड़ता है?

इस शोध पत्र का उत्तर:
लेखक, सैमुअल कोर्स्की (Samuel Korsky) कहते हैं: "बिल्कुल उस गति से तो नहीं, लेकिन फिर भी अविश्वसनीय रूप से तेज़।"
वह सिद्ध करते हैं कि अंतर एक "स्ट्रेच्ड-एक्सपोनेंशियल" (stretched-exponential) दर पर सिकुड़ता है।

उपमा: कल्पना कीजिए कि "परफेक्ट 1" दीवार पर एक लक्ष्य (target) है।
- पुराना अनुमान यह था कि यदि आप अपने ब्रिक्स की संख्या दोगुनी करते हैं, तो आपका निशाना एक्सपोनेंशियल रूप से बेहतर हो जाता है (आप अनंत के करीब पहुँच जाते हैं)।
- कोर्स्की सिद्ध करते हैं कि आपका निशाना लगभग एक्सपोनेंशियल दर से बेहतर होता है, लेकिन थोड़ा "स्ट्रेच्ड" (खींचा हुआ) है। यह एक दौड़ की तरह है जहाँ आप तेज़ होते जाते हैं, लेकिन शीर्ष गति तक पहुँचने के लिए आपको थोड़ा लंबा रास्ता तय करना पड़ता है।
- गणितीय रूप से, अंतराल लगभग $e^{-\sqrt{K \log K}}$ है। बड़े ढेरों के लिए यह अभी भी एक बहुत ही छोटा नंबर है, जिसका अर्थ है कि यदि आपके पास पर्याप्त ब्रिक्स हैं, तो आप 1 तक पहुँचने की पूरी गारंटी रखते हैं।

उन्होंने इसे कैसे हल किया? (तीन-चरणीय रणनीति)

इसे सिद्ध करने के लिए, लेखक को संख्याओं के एक अराजक ढेर से जूझना पड़ा। उन्होंने इस अराजकता को व्यवस्थित करने के लिए एक चतुर तीन-चरणीय प्रक्रिया का उपयोग किया।

1. "कंप्रेशन" (नक्शे को मोड़ना)

कल्पना कीजिए कि आपके पास ब्रिक्स का एक अस्त-व्यस्त ढेर है जहाँ "1/100" के 100 कॉपियाँ हैं।

ट्रिक: लेखक ने महसूस किया कि "1/100" की 100 कॉपियाँ "1/10" के 10 सेट के बराबर हैं। और "1/10" के 10 सेट "1/1" की 1 कॉपी के बराबर हैं।
क्रिया: उन्होंने व्यवस्थित रूप से ढेर को "कंप्रेस" (संकुचित) किया। यदि उन्होंने एक बड़े ब्रिक को बनाने के लिए पर्याप्त छोटे ब्रिक्स देखे, तो उन्होंने उन्हें बड़े ब्रिक से बदल दिया।
परिणाम: उन्होंने एक अस्त-व्यस्त, विशाल ढेर को एक "स्थिर" ढेर में बदल दिया जहाँ कोई भी नंबर बहुत अधिक बार नहीं आता। इसने गणित को संभालना बहुत आसान बना दिया, जैसे एक विशाल नक्शे को अपनी जेब के आकार में मोड़ना।

2. "रैंडम एक्टिवेशन" (पासे का खेल)

अब, उन्हें यह दिखाने की आवश्यकता थी कि इस "स्थिर" ढेर में, 1 तक पहुँचने वाला एक संयोजन (combination) अवश्य मौजूद है।

उपमा: कल्पना कीजिए कि आप एक केक बनाने के लिए सामग्री का एक विशिष्ट संयोजन खोजने की कोशिश कर रहे हैं। हर एक रेसिपी को चेक करने के बजाय, आप रैंडम तरीके से सामग्री चुनते हैं।
विधि: उन्होंने एक गणितीय "पासे के खेल" (प्रायिकता/probability) का उपयोग किया। उन्होंने पूछा: "यदि मैं इन कंप्रेस्ड ब्रिक्स का एक यादृच्छिक उपसमुच्चय (random subset) चुनता हूँ, तो क्या संभावना है कि कुल योग 1 के करीब हो?"
अंतर्दृष्टि: उन्होंने सिद्ध किया कि यदि ढेर पर्याप्त बड़ा है, तो "रैंडम चयन" अनिवार्य रूप से "खतरे के क्षेत्र" (1 के ठीक नीचे के छोटे अंतराल) में पहुँच जाएगा। यदि वे वहाँ पहुँचते हैं, तो इसका मतलब है कि एक सटीक संयोजन का अस्तित्व होना ही चाहिए।

3. "डिविसर सॉर्टिंग" (अराजकता को व्यवस्थित करना)

सबसे कठिन हिस्सा "कंपोजिट" संख्याओं (वे संख्याएँ जो छोटी संख्याओं से बनी होती हैं, जैसे 6, 12, 15) के साथ निपटना था। ये पेचीदा हैं क्योंकि वे अन्य संख्याओं के साथ गुणनखंड (factors) साझा करती हैं।

उपमा: कल्पना कीजिए कि आप मिश्रित चाबियों के ढेर को छाँटने की कोशिश कर रहे हैं। कुछ चाबियाँ कई दरवाज़े खोलती हैं; कुछ केवल एक।
विधि: उन्होंने इन "चाबियों" (संख्याओं) को इस आधार पर छाँटने के लिए एक प्रणाली बनाई कि वे कितनी अन्य संख्याओं को विभाजित करती हैं। उन्होंने "आसान" संख्याओं (प्राइम/अभाज्य) को "कठिन" संख्याओं (कंपोजिट/भाज्य) से अलग कर दिया।
परिणाम: उन्हें छाँटकर, वह यह सिद्ध कर सके कि "कठिन" संख्याओं ने गणित को इतना खराब नहीं किया कि "रैंडम चयन" लक्ष्य तक पहुँचने से रुक जाए।

"AI" ट्विस्ट

शोध पत्र के अंत में, लेखक एक अनूठा नोट शामिल करते हैं: उन्होंने प्रमाण लिखने में मदद करने के लिए AI (GPT-5.5 Pro) का उपयोग किया।

AI ने क्या किया: लेखक ने बड़े विचार (कंप्रेशन, रैंडम रणनीति, मुख्य तर्क) दिए। AI ने उबाऊ, कठिन तकनीकी विवरणों को भरने, गणितीय स्थिरांकों (constants) की जाँच करने और जटिल चरणों को सत्यापित करने के लिए कोड लिखने में मदद की।
मानव की भूमिका: लेखक अंतिम परिणाम के लिए पूरी जिम्मेदारी लेते हैं, यह सत्यापित करते हुए कि AI ने कोई गलती नहीं की है। यह एक वास्तुकार (architect) की तरह है जो एक इमारत का डिज़ाइन बनाता है और ईंटें बिछाने तथा माप की जाँच करने के लिए एक रोबोट की मदद लेता है।

सारांश

यह शोध पत्र भिन्नों (fractions) को जोड़ने की 50 साल पुरानी पहेली को हल करता है। यह सिद्ध करता है कि यदि आपके पास इकाई भिन्नों (unit fractions) का एक बड़ा संग्रह है, तो आप अत्यंत करीब 1 के योग तक पहुँच सकते हैं। आपके योग और 1 के बीच का अंतर अविश्वसनीय रूप से तेज़ी से सिकुड़ता है (एक "स्ट्रेच्ड एक्सपोनेंशियल" दर)। लेखक ने संख्याओं को कंप्रेस करके, समाधान खोजने के लिए प्रायिकता का उपयोग करके और कठिन संख्याओं को छाँटकर इसे हल किया, जिसमें भारी गणितीय काम को संभालने के लिए AI की महत्वपूर्ण मदद ली गई।

तकनीकी सारांश: एक अर्दोस-ग्राहम यूनिट-फ्रैक्शन समस्या के लिए स्ट्रेच्ड-एक्सपोनेंशियल बाउंड (Stretched-Exponential Bound)

समस्या विवरण
यह शोध पत्र अर्दोस और ग्राहम द्वारा पूछे गए एक प्रश्न को संबोधित करता है, जो धनात्मक पूर्णांकों के परिमित मल्टीसेट्स (finite multisets) के रेसिप्रोकल सम (reciprocal sums) के वितरण से संबंधित है। एक परिमित मल्टीसेट $A$ के लिए, मान लीजिए $R(A) = \sum_{a \in A} a^{-1}$ $A$ का कुल रेसिप्रोकल योग है, और $\varepsilon(A)$ , $A$ के उस सबसे बड़े रेसिप्रोकल सबसम (subsum) से दूरी को दर्शाता है जो 1 से कम या उसके बराबर है। विशेष रूप से, $\varepsilon(A) = 1 - \max \{ R(S) : S \subseteq A, R(S) \le 1 \}$ है।

अर्दोस और ग्राहम ने स्थापित किया था कि यदि $R(A) > K$ , तो $\varepsilon(A) \ll K^{-2}$ होता है। उन्होंने पूछा था कि क्या एक काफी अधिक शक्तिशाली एक्सपोनेंशियल बाउंड (exponential bound) लागू होता है: क्या एक पूर्णतः निरपेक्ष स्थिरांक (absolute constant) $c > 0$ मौजूद है जिससे $R(A) > K$ होने पर पर्याप्त बड़े $K$ के लिए $\varepsilon(A) \le e^{-cK}$ हो जाता है। यह एक्सपोनेंशियल अनुमान (exponential conjecture) अभी भी खुला (open) है। वर्तमान कार्य एक "स्ट्रेच्ड-एक्सपोनेंशियल" (stretched-exponential) मध्यवर्ती बाउंड को सिद्ध करता है।

कार्यप्रणाली (Methodology)
प्रमाण में नियतात्मक संपीड़न (deterministic compression), संभाव्य सक्रियण (probabilistic activation), और विश्लेषणात्मक संख्या सिद्धांत (analytic number theory) की तकनीकों का संयोजन प्रयुक्त किया गया है।

संपीड़न और न्यूनीकरण (Compression and Reduction):
लेखक एक अधिकतम उप-मल्टीसेट (maximal submultiset) $S$ का चयन करके शुरुआत करते हैं जहाँ $R(S) \le 1$ है, और शेष भाग $B = A \setminus S$ को परिभाषित करते हैं। वे $B$ पर एक नियतात्मक "स्टेबल कम्प्रेशन" (stable compression) प्रक्रिया लागू करते हैं। यह प्रक्रिया बार-बार $p$ प्रतियों को $1/n$ (जहाँ $p$ , $n$ का एक अभाज्य भाजक है) को $1/(n/p)$ की एक एकल औपचारिक प्रति से बदलती है। इससे एक स्थिर मल्टीसेट $C$ प्राप्त होता है जिसका कुल रेसिप्रोकल द्रव्यमान (mass) $B$ के समान होता है, जहाँ गुणनशीलता (multiplicities) $m_n < P^-(n)$ ( $P^-(n)$ $n$ का सबसे छोटा अभाज्य गुणनखंड है) संतुष्ट करती है। महत्वपूर्ण रूप से, $C$ का कोई भी उप-मल्टीसेट $(1 - N^{-2}, 1)$ अंतराल में रेसिप्रोकल सम नहीं रखता है, जहाँ $N = \varepsilon(A)^{-1}$ है।
एक्टिवेशन पैकेज (The Activation Package):
मुख्य विश्लेषणात्मक उपकरण एक "स्पार्स एक्टिवेशन" (sparse activation) लेम्मा है। लेखक एक स्पार्स रैंडम सेट ऑफ डिनोमिनेटर टाइप्स को सक्रिय करके और अनुमत श्रेणियों के भीतर यूनिफॉर्म गुणांकों (coefficients) को चुनकर एक रैंडम रेसिप्रोकल सबसम का निर्माण करते हैं।

डिवाइजर सॉर्टिंग (Divisor Sorting): एक हाई-फ्रीक्वेंसी विश्लेषण योग के विशेषता फलन (characteristic function) को नियंत्रित करता है, जो विशिष्ट श्रेणियों में पूर्णांकों के भाजकों की संख्या को सीमित करता है।
वन-साइडेड लोकल लिमिट थ्योरम (One-Sided Local Limit Theorem): एक स्मूद्थड लोकल लिमिट लेम्मा का उपयोग यह सुनिश्चित करने के लिए किया जाता है कि रैंडम योग $(1 - N^{-2}, 1)$ के वर्जित अंतराल में न गिरे, जब तक कि कुल द्रव्यमान कम न हो।
अनुपात वर्ग (Ratio Classes): अनुमानों को अनुपात $\alpha \approx m_n/n$ के आधार पर विभाजित किया गया है। छोटे $\alpha x$ (जहाँ $x = \log N$ ) के लिए, $\sqrt{\alpha x}$ से संबंधित एक बाउंड प्राप्त किया जाता है। बड़े $\alpha x$ वाले अभाज्य डिनोमिनेटरों के लिए, $\alpha x$ में एक लीनियर बाउंड स्थापित किया गया है।

द्रव्यमान अनुमान (Mass Estimation):
कुल द्रव्यमान $R(C)$ को तीन भागों में विभाजित किया गया है:

अभाज्य डिनोमिनेटर (Prime Denominators): इन्हें डिवाइजर-काउंट बाउंड $\omega(q) \ll x/\log x$ और एक्टिवेशन पैकेज का उपयोग करके नियंत्रित किया गया है।
लघु संयुक्त डिनोमिनेटर (Small Composite Denominators): एक "रफ-नंबर" (rough-number) सीव अनुमान (लेम्मा 4.1) का उपयोग करके सीमित किया गया है, जो प्रतिबंधित गुणनशीलता वाले कंपोजिट्स के रेसिप्रोकल सम को सीमित करता है।
बड़े संयुक्त डिनोमिनेटर (Large Composite Denominators): डिनोमिनेटर और गुणनशीलता के डायैडिक अपघटन (dyadic decomposition) के माध्यम से नियंत्रित किया गया है। स्थिरता की स्थितियाँ सुनिश्चित करती हैं कि अभाज्य गुणनखंड गुणनशीलता के सापेक्ष बड़े हों, जिससे डिवाइजर-इंसिडेंस बाउंड संभव होता है। डायैडिक स्केल्स पर समेशन को अनुकूलित करने के लिए एक एक्सपोनेंशियल क्रॉसिंग सम लेम्मा का उपयोग किया गया है।

प्रमुख परिणाम
यह शोध पत्र निम्नलिखित प्रमेय स्थापित करता है:

प्रमेय 1.1: ऐसे पूर्णतः निरपेक्ष स्थिरांक $c > 0$ और $K_0$ मौजूद हैं कि प्रत्येक परिमित मल्टीसेट $A$ के लिए, जो धनात्मक पूर्णांकों का है और $R(A) > K \ge K_0$ को संतुष्ट करता है,
$\varepsilon(A) \le \exp\left(-c \sqrt{K \log K}\right).$

यह परिणाम पूर्व में ज्ञात बहुपद बाउंड (polynomial bound) $\varepsilon(A) \ll K^{-2}$ में सुधार करता है, लेकिन पूर्ण एक्सपोनेंशियल अनुमान $\varepsilon(A) \le e^{-cK}$ से पीछे रह जाता है। लेखकों ने उल्लेख किया है कि एक मानक लोअर-बाउंड कंस्ट्रक्शन (प्राइमों की प्रतियों का उपयोग करके $z$ तक) $\varepsilon(A_z) \ge \exp(-(1+o(1)) R(A_z) \log R(A_z))$ देता है, जो यह सुझाव देता है कि वास्तविक व्यवहार बहुपद और पूर्ण एक्सपोनेंशियल शासन के बीच स्थित है, और इस समस्या को केवल लैटिस तर्कों (lattice arguments) द्वारा हल नहीं किया जा सकता है।

महत्व और दावे
यह शोध पत्र दावा करता है कि यह अर्दोस-ग्राहम यूनिट-फ्रैक्शन समस्या के लिए बहुपद बाउंड से पहला महत्वपूर्ण सुधार प्रदान करता है, जो क्षेत्र को अनुमानित एक्सपोनेंशियल डिके (exponential decay) की ओर ले जाता है। इसका महत्व निम्नलिखित में निहित है:

मात्रात्मक प्रगति (Quantitative Progress): स्ट्रेच्ड-एक्सपोनेंशियल बाउंड $\exp(-c\sqrt{K \log K})$ स्थापित करना।
पद्धतिगत नवाचार (Methodological Innovation): मनमाने मल्टीसेट्स को संभालने के लिए "स्टेबल कम्प्रेशन" फ्रेमवर्क के साथ "स्पार्स एक्टिवेशन" संभाव्य पद्धति का परिचय देना।
विश्लेषणात्मक कठोरता (Analytic Rigor): डिवाइजर सॉर्टिंग, वन-साइडेड लोकल लिमिट थ्योरम्स, और प्रतिबंधित अभाज्य कारकों वाले कंपोजिट नंबरों के सटीक अंकगणितीय अनुमानों के साथ एक विस्तृत प्रमाण प्रदान करना।

लेखक स्पष्ट रूप से कहते हैं कि उनके परिणाम पूर्ण एक्सपोनेंशियल अनुमान को हल नहीं करते हैं और समस्या अभी भी खुली है। यह कार्य 1 के निकट रेसिप्रोकल सम के घनत्व को समझने की दिशा में एक कदम के रूप में प्रस्तुत किया गया है, जो अलग-अलग डिनोमिनेटरों वाले सेटों (जहाँ मजबूत परिणाम मौजूद हैं) और सामान्य मल्टीसेट्स के बीच के अंतर को स्पष्ट करता है।