🤖 AI

The Curvature Shadow: An Apparent Failure of Maximum-Entropy Equilibrium Selection is a Removable Artifact

यह शोध पत्र यह प्रदर्शित करता है कि कुह्न पोकर (Kuhn poker) में रेगुलराइज्ड नैश डायनेमिक्स (Regularized Nash Dynamics) और अधिकतम-एन्ट्रॉपी संतुलन (maximum-entropy equilibrium) के बीच का स्पष्ट विसंगति कोई वास्तविक चयन पूर्वाग्रह नहीं है, बल्कि एक हटाने योग्य आर्टिफैक्ट (artifact) है जो एंट्रॉपी लैंडस्केप की वक्रता के साथ परस्पर क्रिया करने वाली एक छोटी एंट्रॉपी कमी के कारण उत्पन्न हुआ है, जिसे कई खेलों में मात्रात्मक रूप से मान्य किया गया है।

मूल लेखक: Luis Leal

प्रकाशित 2026-07-21

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Luis Leal

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, धुंधले परिदृश्य में "परफेक्ट" स्थान खोजने की कोशिश कर रहे हैं। गेम थ्योरी (खेल सिद्धांत) की दुनिया में, यह परिदृश्य उन सभी संभावित रणनीतियों का एक मानचित्र है जिनका दो खिलाड़ी एक ज़ीरो-सम गेम (जहाँ एक का लाभ दूसरे का ठीक उतना ही नुकसान है) में उपयोग कर सकते हैं। कभी-कभी, केवल एक ही परफेक्ट स्थान नहीं होता; वहां परफेक्ट स्थानों की एक पूरी घाटी हो सकती है, जो जीतने के लिए समान रूप से अच्छी हैं। इसे "नैश इक्विलिब्रियम" (Nash equilibria) का एक सेट कहा जाता है।

अब, एक ऐसे रोबोट की कल्पना करें जिसे इन बेहतरीन स्थानों में से सबसे अच्छा स्थान खोजने के लिए डिज़ाइन किया गया है। इस रोबोट का एक विशेष नियम है: इसे विविधता पसंद है। यह उस रणनीति को चुनना चाहता है जो सबसे अधिक "फैली हुई" या यादृच्छिक (random) है, जिसे गणितज्ञ "अधिकतम एंट्रॉपी" (maximum entropy) कहते हैं। इसे एक ऐसे शेफ की तरह समझें जो रसोई के हर एक मसाले का समान रूप से उपयोग करना चाहता है, बजाय इसके कि वह केवल एक पसंदीदा मसाले को चुने। इस रोबट को R-NaD कहा जाता है, इसका कई खेलों पर परीक्षण किया गया है और यह आमतौर पर वही "सबसे विविध" परफेक्ट स्थान खोज लेता है। लेकिन, इसने 'कुह्न पोकर' (Kuhn poker) नामक एक प्रसिद्ध खेल में गलत व्यवहार किया। यहाँ, रोबोट ने सही जगह से थोड़ा सा कम ही रुक गया। यह देखकर वैज्ञानिक हैरान रह गए: क्या रोबोट में कोई छिपा हुआ पूर्वाग्रह (bias) था जिसने इसे गलत जगह चुनने पर मजबूर किया? या कुछ और चल रहा था? यह शोध पत्र इस रहस्य की जांच करता है, गणित और कंप्यूटर सिमुलेशन के उपकरणों का उपयोग करके यह देखने के लिए कि क्या रोबोट खराब है या यह केवल प्रकाश का एक भ्रम है।

कर्वेचर शैडो: गलत पहचान का मामला

कंप्यूटर गेम्स और रणनीतिक सोच की दुनिया में, शोधकर्ता एक बहुत ही स्मार्ट रोबोट, R-NaD, पर नज़र रख रहे हैं। यह रोबोट ऐसे दो-खिलाड़ी वाले खेल खेलता है जहाँ एक जीतता है और दूसरा हारता है। जब खेल में खेलने के कई "परफेक्ट" तरीके होते हैं (जीतने वाली रणनीतियों की एक पूरी घाटी), तो R-NaD आमतौर पर उस विकल्प को चुनता है जो सबसे अधिक अराजक और विविध है। गणितज्ञ इसे "अधिकतम-एंट्रॉपी" समाधान कहते हैं। यह ऐसा है जैसे रोबोट कह रहा हो, "मैं अपने प्रतिद्वंद्वी को अनुमान लगाने से रोकने के लिए अपने सभी कार्डों को जितना संभव हो सके उतना मिला दूंगा।"

लंबे समय तक, यह रोबोट लगभग हर खेल पर पूरी तरह से काम करता रहा। लेकिन फिर, इसने 'कुह्न पोकर' नामक एक खेल खेला। यहाँ, रोबोट एक ऐसी रणनीति पर पहुँचा जहाँ वह 18% बार ब्लफ (धोखा देना) करता था। हालाँकि, वास्तविक "अधिकतम-एंट्रॉपी" वाला स्थान 20% पर था। यह एक छोटा सा अंतर है—लगभग 2%—लेकिन गेम थ्योरी की दुनिया में, यह एक गलती की तरह लग रहा था। रोबोट परफेक्ट स्पॉट के 99.7% रास्ते पर था, लेकिन वह छूटा हुआ 0.3% यह दर्शाता था कि वह बिल्कुल वहीं नहीं पहुँचा जहाँ गणित कहता है।

बड़ा सवाल यह था: क्या रोबोट पक्षपाती (biased) है? क्या इसमें कोई खराबी है जो इसे लगातार लक्ष्य से दूर रखती है? या लक्ष्य को हिट करना इसलिए कठिन है क्योंकि जमीन अजीब तरह से आकार लेती है?

फ्लैट पीक थ्योरी (समतल शिखर का सिद्धांत)

लेखकों ने इस मामले को एक जासूसी कहानी की तरह लेने का निर्णय लिया। उन्होंने दो सिद्धांत प्रस्तावित किए:

बायस थ्योरी (पूर्वाग्रह का सिद्धांत): रोबोट खराब है और इसमें एक अंतर्निर्मित प्राथमिकता है जो इसे वास्तविक केंद्र से दूर रखती है।
फ्लैटनेस थ्योरी (समतलता का सिद्धांत): रोबोट वास्तव में ठीक है। "जमीन" (संभावित रणनीतियों का परिदृश्य) शीर्ष पर इतनी अविश्वसनीय रूप से सपाट है कि गणना में रोबोट की एक छोटी सी, लगभग अदृश्य गलती भी एक दृश्य अंतर में बदल जाती है।

इसकी जांच करने के लिए, उन्होंने "एंट्रॉपी हिल" (एंट्रॉपी की पहाड़ी) के आकार को देखा। एक पर्वत शिखर की कल्पना करें। यदि शिखर तीखा और नुकीला है, तो शीर्ष से एक छोटा सा कदम भी स्पष्ट है। लेकिन यदि शिखर एक चौड़ा, सपाट पठार है, तो आप वास्तविक केंद्र से कुछ कदम दूर भटक सकते हैं और फिर भी लगभग उसी ऊंचाई पर रह सकते हैं। लेखकों ने पाया कि कुह्न पोकर में, शिखर वास्तव में काफी सपाट है।

उन्होंने एक सरल नियम खोजा जो इस अंतर को समझाता है: गैप (अंतर) ≈ √(2 × मिस्टेक / फ्लैटनेस)।
साधारण शब्दोंियों में: गैप का आकार इस बात पर निर्भर करता है कि रोबोट की छोटी सी गलती कितनी बड़ी है, और पहाड़ी कितनी सपाट है।

प्रमाण: यह बग नहीं, बल्कि एक विशेषता है

टीम ने रोबोट को पांच अलग-अलग खेलों पर चलाया।

चार खेलों में वे सरल "मैट्रिक्स" गेम थे। इनमें, रोबोट ने सटीक रूप से परफेक्ट स्पॉट खोज लिया। वहाँ कोई गैप नहीं था, यहाँ तक कि उन खेलों में भी जहाँ पहाड़ी कुह्न पोकर की तुलना में अधिक सपाट थी। इसने साबित कर दिया कि केवल सपाटपन गैप का कारण नहीं बनता; आपको एक गलती और सपाटपन दोनों की आवश्यकता होती है।
पांचवें गेम के रूप में, कुह्न पोकर था। यहाँ, रोबोट के पास एक छोटा सा "एंट्रॉपी शॉर्टफॉल" (लगभग 0.00083 की गलती) था। क्योंकि पहाड़ी सपाट थी, इसलिए यह छोटी सी गलती एक दृश्य 0.02 के गैप में बदल गई।

यह साबित करने के लिए कि यह केवल एक संयोग नहीं था, उन्होंने एक "मैग्नेट स्वीप" किया। उन्होंने रोबोट पर एक नॉब (जिसे "मैग्नेट स्ट्रेंथ" कहा जाता है) को समायोजित किया ताकि वह परफेक्ट स्पॉट खोजने के लिए अधिक या कम उत्सुक हो सके।

जैसे-जैसे उन्होंने चुंबक को कमजोर किया, रोबोट की छोटी सी गलती कम होती गई।
जैसे-जैसे गलती कम हुई, गैप भी सिकुड़ गया।
गैप ठीक वैसे ही सिकुड़ा जैसा कि गणित ने भविष्यवाणी की थी: एक वक्र (curve) का पालन करते हुए जहाँ गैप गलती के वर्गमूल (square root) के बराबर है।

यदि रोबोट में एक निश्चित पूर्वाग्रह (एक टूटा हुआ दिशा-सूचक) होता, तो गलती को ठीक करने के बाद भी गैप का आकार वही रहता। लेकिन गैप स्थिर नहीं रहा; जैसे ही गलती गायब हुई, गैप भी गायब हो गया। गैप पूरी तरह से शून्य तक क्यों नहीं पहुँचा, इसका एकमात्र कारण यह था कि यदि वे नॉब को बहुत अधिक घुमाते, तो रोबोट अस्थिर होने लगता और डगमगाने लगता। लेकिन सुरक्षित क्षेत्र के भीतर, गैप ने "फ्लैटनेस" के नियम का पूरी तरह से पालन किया।

निष्कर्ष

शोध पत्र यह निष्कर्ष निकालता है कि रोबोट पक्षपाती नहीं है। कुह्न पोकर में "विफलता" एक भ्रम था। यह एक "कर्वेचर शैडो" (वक्रता की छाया) था—एक छोटी, ठीक करने योग्य त्रुटि जो केवल इसलिए बड़ी दिखाई दी क्योंकि परिदृश्य बहुत सपाट था।

लेखक इस परिणाम के प्रति बहुत आश्वस्त हैं। उन्होंने पांच खेलों में गैप और फ्लैटनेस को मापा और पाया कि गणित एक प्रतिशत के बहुत छोटे हिस्से (1% से कम त्रुटि) के भीतर मेल खाता है। उन्होंने यह भी दिखाया कि यदि आप उसी छोटी सी त्रुटि को एक अधिक तीखी, नुकीली पहाड़ी (जैसे अन्य खेलों में) पर रखते, तो गैप अदृश्य होता।

इसलिए, "अधिकतम-एंट्रॉपी" का नियम अभी भी कायम है। रोबोट ठीक वही कर रहा है जो उसे करने के लिए कहा गया है। कुह्न पोकर का रहस्य रोबोट के मस्तिष्क की खामी नहीं थी; यह केवल इलाके का एक छल था। गैप केवल एक बहुत ही चौड़ी, सपाट पहाड़ी पर एक छोटी सी लड़खड़ाहट की छाया थी।

तकनीकी सारांश: रेगुलराइज्ड नैश डायनेमिक्स में कर्वेचर शैडो (वक्रता छाया)

समस्या विवरण
दो-खिलाड़ी शून्य-योग (zero-sum) खेलों में, जहाँ नैश इक्विलिब्रियम (NE) का सेट एक एकल बिंदु के बजाय एक उत्तल बहुभुज (convex polytope) बनाता है, रेगुलराइज्ड सॉल्वर जैसे कि रेगुलराइज्ड नैश डायनेमिक्स (R-NaD) अनुभवजन्य रूप से अधिकतम-एन्ट्रॉपी इक्विलिब्रियम की ओर अभिसरित (converge) होते देखे जाते हैं। यह सदस्य सैद्धांतिक रूप से यूनिफॉर्म रेफरेंस स्ट्रैटेजी के NE सेट पर इंफॉर्मेशन प्रोजेक्शन (I-projection) के समतुल्य है। हालाँकि, कुह्न पोकर (Kuhn poker) में एक स्पष्ट अपवाद मौजूद है: जबकि R-NaD एक सटीक नैश इक्विलिब्रियम (शून्य एक्सप्लोइटेबिलिटी) तक पहुँचता है, परिणामी ब्लफ फ्रीक्वेंसी (0.180) सैद्धांतिक अधिकतम-एन्ट्रॉपी कोऑर्डिनेट (0.201) से लगभग 0.021 विचलित होती है। यह तब होता है जब प्राप्त प्रोफाइल अधिकतम संभव एन्ट्रॉपी के 99.7% तक पहुँच जाता है। केंद्रीय प्रश्न यह है कि क्या यह कोऑर्डिनेट गैप R-NaD में एक वास्तविक, व्यवस्थित चयन पूर्वाग्रह (selection bias) है या यह अधिकतम एन्ट्रॉपी लैंडस्केप के स्थानीय ज्यामिति और एक छोटे अवशिष्ट (residual) एन्ट्रॉपी शॉर्टफॉल के बीच परस्पर क्रिया से उत्पन्न एक आर्टिफैक्ट (artifact) है।

कार्यप्रणाली
यह अध्ययन एक टैबुलर एक्सटेंसिव-फॉर्म इंजन का उपयोग करता है जिसमें सटीक काउंटरफैक्चुअल मान हैं और कोई सैंपलिंग या फंक्शन एप्रोक्सिमेशन नहीं है। विश्लेषण पाँच खेलों पर केंद्रित है जिनमें एक-आयामी नैश सेगमेंट है: कुह्न पोकर (सीक्वेंशियल, इम्परफेक्ट इंफॉर्मेशन) और चार मैट्रिक्स गेम (प्रत्येक खिलाड़ी के लिए एक सूचना सेट)।

सैद्धांतिक अपघटन (Theoretical Decomposition): लेखक एक एक-आयामी नैश मैनिफोल्ड पर चयन अंतराल (selection gap) के लिए एक स्थानीय ज्यामितीय पहचान व्युत्पन्न करते हैं। $c^*$ पर $H(\sigma(c))$ के विस्तार के माध्यम से, वे स्थापित करते हैं कि एक बिंदु के लिए जिसका एन्ट्रॉपी शॉर्टफॉल $\delta = H^* - H(\sigma(c))$ है, कोऑर्डिनेट गैप $|c - c^*|$ इस प्रकार गुणनखंडित होता है:
$\text{gap} \approx \sqrt{2\delta / \kappa}$
जहाँ $\kappa$ अपने शिखर पर एन्ट्रॉपी लैंडस्केप की स्थानीय वक्रता (local curvature) है। यह अपघटन "शॉर्टफॉल" (यह क्यों कि सॉल्वर अधिकतम एन्ट्रॉपी से कम रुकता है) को "कर्वेचर" (यह कैसे उस शॉर्टफॉल को कोऑर्डिनेट ऑफसेट में बढ़ाता है) से अलग करता है।
परिकल्पना परीक्षण: पेपर दो परिकल्पनाओं के बीच अंतर करता है:
- $H_{flat}$ : गैप एक छोटे, हटाने योग्य एन्ट्रॉपी शॉर्टफॉल $\delta$ का परिणाम है जो फ्लैटनेस ( $\kappa$ ) द्वारा बढ़ाया गया है। जैसे-जैसे $\delta \to 0$ होता है, गैप लुप्त हो जाता है।
- $H_{bias}$ : R-NaD में एक व्यवस्थित पूर्वाग्रह है, जिसका अर्थ है कि $\delta \to 0$ होने पर भी गैप एक गैर-शून्य मान पर बना रहता है।
प्रायोगिक सत्यापन:
- स्टैटिक तुलना: सभी पाँच खेलों पर लैंडेड कोऑर्डिनेट, एन्ट्रॉपी शॉर्टफॉल $\delta$ , और कर्वेचर $\kappa$ को मापने के लिए R-NaD चलाया जाता है।
- कॉज़ल स्वीप (कुह्न): कुह्न पोकर में R-NaD के मैग्नेट स्ट्रेंथ पैरामीटर $\eta$ को 0.80 से 0.10 तक स्वीप किया जाता है। यह भिन्नता $\delta$ को शून्य की ओर ले जाती है जबकि डायनेमिक्स को स्थिर रखती है, जिससे $\sqrt{2\delta/\kappa}$ कर्व के सापेक्ष गैप के व्यवहार का अवलोकन संभव होता है।
- कर्वेचर क्वांटिफिकेशन: अध्ययन प्रत्येक खेल के लिए एन्ट्रॉपी लैंडस्केप पर लीस्ट-स्क्वेयर्स क्वाड्रेटिक फिट का उपयोग करके $\kappa$ को मात्रात्मक रूप देता है और स्केलिंग संबंध को सत्यापित करता है।

मुख्य योगदान और परिणाम

गैप का सटीक गुणनखंड: अध्ययन पुष्टि करता है कि कोऑर्डिनेट गैप सभी परीक्षण किए गए खेलों में ठीक से $\sqrt{2\delta/\kappa}$ के रूप में गुणनखंडित होता है। यह संबंध $2 \times 10^{-4}$ (सापेक्ष त्रुटि < 1%) के भीतर बना रहता है।
कुह्न अपवाद का समाधान:
- चार मैट्रिक्स गेम्स में, R-NaD सटीक अधिकतम-एन्ट्रॉपी सदस्य तक पहुँचता है ( $\delta \approx 0$ ), जिसके परिणामस्वरूप $\delta \approx 0$ होने पर कर्वेचर के बावजूद शून्य गैप प्राप्त होता है।
- कुह्न पोकर में, एक छोटा एन्ट्रॉपी शॉर्टफॉल मौजूद है ( $\delta \approx 8.3 \times 10^{-4}$ )। मध्यम रूप से फ्लैट पीक ( $\kappa \approx 4.0$ ) के कारण, यह छोटा शॉर्टफॉल 0.021 के देखे गए कोऑर्डिनेट गैप में बदल जाता है।
- इस प्रकार, गैप को एक हटाने योग्य शॉर्टफॉल की "कर्वेचर छाया" (curvature shadow) के रूप में पहचाना गया है, न कि एक चयन पूर्वाग्रह के रूप में।
मैग्नेट स्वीप के माध्यम से कॉज़ल वैलिडेशन: कुह्न पोकर में मैग्नेट स्ट्रेंथ $\eta$ को कमजोर करके, लेखक $\delta \to 0$ की ओर बढ़ते हैं। परिणामी गैप $\sqrt{2\delta/\kappa}$ कर्व के साथ घटते हुए शून्य की ओर जाता है। गैप बनाम $\delta$ का लॉग-लॉग फिट 0.5013 का स्केलिंग एक्सपोनेंट देता है ( $R^2 > 0.999999$ ), जो $H_{flat}$ के लिए $1/2$ के सैद्धांतिक अनुमान से मेल खाता है और $H_{bias}$ का खंडन करता है (जो 0 की ओर जाने वाले ढलान की भविष्यवाणी करता है)। गैप केवल तब शून्य तक नहीं पहुँच पाता जब $\eta$ स्थिरता फ्लोर ( $\eta \approx 0.15$ ) से नीचे गिर जाता है, जिससे डायनेमिकल अस्थिरता (लिमिट साइकल) उत्पन्न होती है।
कर्वेचर निर्भरता: अध्ययन दर्शाता है कि गैप के लिए फ्लैटनेस आवश्यक है लेकिन पर्याप्त नहीं है; एक गैर-शून्य शॉर्टफॉल भी आवश्यक है। कुह्न के फ्लैट पीक की तुलना में एक काल्पनिक शार्प पीक ( $\kappa \approx 20$ ) पर एक शॉर्टफॉल $\approx 2.24$ गुना छोटा गैप उत्पन्न करेगा।
त् सैलिस एन्ट्रॉपी (Tsallis Entropy) चेतावनी: पेपर चेतावनी देता है कि बिना समायोजन के 'कर्वेचर डायल' के रूप में त्सैलिस एन्ट्रॉपी का उपयोग न करें, क्योंकि एन्ट्रॉपी इंडेक्स $q$ को बदलने से लक्ष्य अधिकतम-एन्ट्रॉपी कोऑर्डिनेट $c^*_q$ बदल जाता है। त्सैलिस-रेगुलराइज्ड सॉल्वर की शैनन-आधारित लक्ष्य के साथ तुलना करने से मूविंग टारगेट और कर्वेचर प्रभाव के बीच भ्रम पैदा हो सकता है।

महत्व और दावे
पेपर दावा करता है कि यह कुह्न पोकर में दिखने वाले काउंटर-एग्जांपल का एक तर्कसंगत विवरण प्रदान करता है, जो "फ्लैटनेस-लिमिटेड रेसिडुअल" तक I-प्रोजेक्शन कंजैक्चर (कि R-NaD अधिकतम-एन्ट्रॉपी सदस्य का चयन करता है) को बनाए रखता है। प्राथमिक महत्व यह प्रदर्शन है कि देखा गया विचलन चयन तंत्र की मौलिक विफलता नहीं है, बल्कि एन्ट्रॉपी लैंडस्केप की वक्रता (curvature) द्वारा संचालित एक हटाने योग्य शॉर्टफॉल का ज्यामितीय आर्टिफैक्ट है।

अध्ययन स्पष्ट रूप से अपने दायरे को सीमित करता है:

यह सभी खेलों या सभी प्रारंभिक स्थितियों के लिए I-प्रोजेक्शन कंजैक्चर को सिद्ध नहीं करता है, बल्कि यूनिफॉर्म रेफरेंस रिजीम के लिए इसे मान्य करता है।
यह यह पहचान नहीं करता है कि सीक्वेंशियल गेम्स में एन्ट्रॉपी शॉर्टफॉल का सटीक तंत्र क्या है (जिसे रीच-वेटेड रेगुलराइजेशन से संबंधित माना गया है), केवल यह कि यह मौजूद है।
यह कर्वेचर $\kappa$ के स्वयं के कॉज़ल स्वीप को नहीं करता है (ट्यूनेबल कर्वेचर वाले स्थिर सीक्वेंशियल फैमिली की कमी के कारण), बल्कि मापे गए कर्वेचर और व्युत्पन्न ज्यामितीय पहचान पर निर्भर करता है।

कार्य निष्कर्ष निकालता है कि "कुह्न गैप" एक हटाने योग्य आर्टिफैक्ट है, और I-प्रोजेक्शन अकाउंट वैध बना रहता है, बशर्ते कि एन्ट्रॉपी शॉर्टफॉल को शून्य तक ले जाया जाए, जो सॉल्वर की डायनेमिकल स्थिरता बाधाओं के अधीन है।

कर्वेचर शैडो: गलत पहचान का मामला

फ्लैट पीक थ्योरी (समतल शिखर का सिद्धांत)

प्रमाण: यह बग नहीं, बल्कि एक विशेषता है

निष्कर्ष

इसी तरह के और पेपर