🔢 mathematics

Machine learning the arithmetic of Boyd's Mahler measure conjectures

यह शोध पत्र बोयड के माहलर मेजर (Mahler measure) अनुमानों में परिमेय गुणांकों के अंकगणितीय गुणों की जांच करने के लिए 250,000 मानों के एक डेटासेट पर मशीन लर्निंग और बड़े पैमाने पर सांख्यिकीय विश्लेषण का उपयोग करता है, जो यह प्रकट करता है कि ये गुणांक आमतौर पर दीर्घवृत्तीय वक्र चालक (elliptic curve conductors) द्वारा नियंत्रित पूर्णांकों के व्युत्क्रम होते हैं और विभिन्न अभाज्य संख्याओं के लिए विशिष्ट $p$ -adic मूल्यांकन पैटर्न प्रदर्शित करते हैं।

मूल लेखक: Alberto Alfarano, Pablo Bianucci, Matilde N. Lal\'ın, Berend Ringeling

प्रकाशित 2026-08-04

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Alberto Alfarano, Pablo Bianucci, Matilde N. Lal\'ın, Berend Ringeling

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, जादुई संख्या मशीन के भीतर छिपे रहस्य को सुलझाने की कोशिश कर रहे हैं। यह मशीन केवल यादृच्छिक (random) संख्याएँ नहीं उगलती है; इसके परिणाम ऐसे होते हैं जैसे वे ब्रह्मांड द्वारा लिखे गए एक गुप्त कोड का पालन कर रहे हों। गणित की दुनिया में, यह कोड अक्सर "माहलर मेजर" (Mahler measure) नामक किसी चीज़ में पाया जाता है। इस मापर को आप $x$ और $y$ जैसे चरों (variables) वाले एक गणितीय नुस्खे के लिए एक विशेष "फिंगरप्रिंट" या "ऊर्जा स्कोर" के रूप में समझ सकते हैं। जब आप इस नुस्खे में अलग-अलग संख्याएँ डालते हैं, तो मशीन एक मान (value) निकालती है। सरल नुस्खों के लिए, हम जानते हैं कि इन मानों का क्या अर्थ है। लेकिन अधिक जटिल नुस्खों के लिए, ये मान रहस्यमय होते हैं, जो अक्सर "एलिप्टिक कर्व्स" (elliptic curves) नामक आकृतियों से गहरे संबंध छिपाते हैं—जो गणितीय स्थान में तैरते हुए मुड़े हुए लूप या डोनट्स की तरह दिखते हैं।

हम इसकी परवाह क्यों करते हैं? क्योंकि ये रहस्यमय संख्याएँ केवल यादृच्छिक शोर नहीं हैं। वे "एल-फंक्शन्स" (L-functions) नामक अन्य प्रसिद्ध गणितीय वस्तुओं से बात करती हुई प्रतीत होती हैं, जो इन एलिप्टिक कर्व्स के "डीएनए" की तरह हैं। यदि हम इन कर्व्स के साथ इन संख्याओं के संबंध को समझने का कोड क्रैक कर सकें, तो हम गणित के कुछ सबसे बड़े रहस्यों को खोलने में सक्षम हो सकते हैं, जिससे हमें यह समझने में मदद मिलेगी कि संख्याएँ कैसे बनी हैं और वे कैसे व्यवहार करती हैं। यह एक केक के सटीक अवयवों (ingredients) को केवल एक टुकड़े को चखकर समझने की कोशिश करने जैसा है, इस उम्मीद में कि वह स्वाद आपको पूरी रेसिपी बता देगा।

यह शोध पत्र उस रेसिपी को क्रैक करने का एक विशाल, उच्च-तकनीकी प्रयास है। लेखकों ने, जो गणितज्ञों की एक टीम है, एक अत्यंत शक्तिशाली उपकरण का उपयोग करने का निर्णय लिया: आर्टिफिशियल इंटेलिजेंस (AI)। उन्होंने केवल कुछ उदाहरणों को नहीं देखा; उन्होंने कंप्यूटर में 250,000 से अधिक अलग-अलग "सामग्री" (जिन्हें संख्या $k$ द्वारा दर्शाया गया है) डालीं। प्रत्येक के लिए, उन्होंने माहलर मेजर की गणना की और एलिप्टिक कर्व से अनुमानित मान के साथ उसकी तुलना की। उनका लक्ष्य यह देखना था कि क्या AI उस गुप्त नियम को सीख सकता है जो इनपुट $k$ को आउटपुट संख्या में बदल देता है।

उन्होंने जो पाया वह "अहा!" क्षणों और "रहस्य शेष है" का मिश्रण है। सबसे पहले, उन्होंने एक गणितज्ञ बॉयड (Boyd) के अनुमान की पुष्टि की: लगभग हमेशा, वह रहस्यमय संख्या एक पूर्ण संख्या का सटीक व्युत्क्रम (reciprocal) होती है। यह ऐसा है जैसे मशीन लगभग हमेशा आपको पाई (pie) का एक सटीक टुकड़ा देती है, कभी भी एक बिखरा हुआ अंश (fraction) नहीं। उन्होंने यह भी खोजा कि इस संख्या का आकार एलिप्टिक कर्व के "कंडक्टर" (conductor) द्वारा कड़ाई से नियंत्रित होता है—एक ऐसी संख्या जो कर्व की जटिलता का वर्णन करती है। कंडक्टर जितना बड़ा होगा, संख्या उतनी ही बड़ी होगी।

हालाँकि, असली जादू तब होता है जब उन्होंने देखा कि ये संख्याएँ अभाज्य संख्याओं (prime numbers जैसे 2, 3, 5 आदि) से कैसे विभाज्य हैं। बड़ी अभाज्य संख्याओं (5 और उससे ऊपर) के लिए, संख्याएँ लगभग एक यादृच्छिक लॉटरी की तरह व्यवहार करती हैं: एक अभाज्य $p$ से विभाज्यता की संभावना एक सरल, पूर्वानुमानित पैटर्न का पालन करती है। लेकिन छोटी अभाज्य संख्याओं, 2 और 3 के लिए, ब्रह्मांड बहुत अधिक जटिल हो जाता है। संख्या 3 इस बात की परवाह करती है कि इनपुट संख्या $k$ कुछ विशेष पैटर्न (जैसे कि 27 का गुणज होना) में फिट बैठती है या नहीं, और संख्या 2 का एक बहुत ही विशिष्ट "व्यक्तित्व" है जो इस बात पर निर्भर करता है कि $k$ , संख्या 8 के कितने करीब है।

कहानी का सबसे रोमांचक हिस्सा AI वाला भाग है। शोधकर्ताओं ने एक न्यूरल नेटवर्क (AI का एक प्रकार जो उदाहरणों से सीखता है) को इन संख्याओं की भविष्यवाणी करने के लिए प्रशिक्षित किया। AI सटीक संख्या की पूरी तरह से भविष्यवाणी नहीं कर सका—यह बहुत कठिन है! लेकिन यह संख्या के आकार का अनुमान लगाने में आश्चर्यजनक रूप से अच्छा था, खासकर जब शोधकर्ताओं ने इसे "कंडक्टर" एक संकेत के रूप में दिया। इससे भी अधिक दिलचस्प बात यह है कि जब AI ने 2 से विभाज्यता का अनुमान लगाने की कोशिश की, तो इसने उन्हीं जटिल नियमों को सीखना शुरू कर दिया जिन्हें मनुष्यों ने खोजा था। शुरुआत में, इसने केवल बुनियादी "लोअर बाउंड" (lower bound) नियम सीखा—अर्थात एक न्यूनतम आकार जिसे संख्या को होना चाहिए। लेकिन जैसे-जैसे यह प्रशिक्षण जारी रखता गया, यह उस सटीक क्षण को पहचानने में बेहतर होता गया जब संख्या उस न्यूनतम स्तर पर पहुँचती थी, जिससे पता चलता है कि AI उन छिपे हुए पैटर्न को ढूंढ रहा था जिन्हें मनुष्यों ने अभी तक पूरी तरह से लिखा नहीं था।

संक्षेप में, यह शोध पत्र दिखाता है कि भले ही हमारे पास अभी इन जादुई संख्याओं का अंतिम सूत्र नहीं है, लेकिन वे निश्चित रूप से यादृच्छिक नहीं हैं। वे अभाज्य संख्याओं और एलिप्टिक कर्व्स की ज्यामिति के involving एक सख्त, जटिल सेट नियमों का पालन करती हैं। AI ने पूरे पहेली को हल नहीं किया, लेकिन इसने मनुष्यों को टुकड़ों के आकार को अधिक स्पष्ट रूप से देखने में मदद की, यह सिद्ध करते हुए कि गणित के सबसे गहरे कोनों में भी, पैटर्न प्रतीक्षा कर रहे होते हैं यदि आपके पास पर्याप्त डेटा और उन्हें खोजने के लिए सही उपकरण हों।

तकनीकी सारांश: बॉयड के माहलर मेजर अनुमानों की अंकगणितीय प्रकृति का मशीन लर्निंग द्वारा अध्ययन

समस्या विवरण
यह शोध पत्र बॉयड के उन अनुमानों में आने वाले परिमेय कारकों $r_k$ की अंकगणितीय प्रकृति की जांच करता है, जो दो-चर वाले लॉरेंट बहुपद $P_k(x, y) = x + y + \frac{1}{x} + \frac{1}{y} + k$ के माहलर मेजर (Mahler measure) से संबंधित हैं। बॉयड ने अनुमान लगाया था कि पूर्णांक $k \notin \{-4, 0, 4\}$ के लिए, माहलर मेजर $\mu_k$ इस प्रकार संतुष्ट होता है:
$\mu_k = r_k L'(E_k, 0)$
जहाँ $E_k$ , $P_k$ के शून्य समुच्चय (zero locus) से जुड़ी एलिप्टिक वक्र (elliptic curve) है, और $r_k$ एक गैर-शून्य परिमेय संख्या है। जबकि $r_k$ का चिह्न $E_k$ के रूट नंबर (root number) द्वारा निर्धारित होता है, $r_k$ का परिमाण और $p$ -आदिक गुण (विशेष रूप से इसका व्युत्क्रम $n_k = 1/r_k$ ) काफी हद तक रहस्यमय बने हुए हैं। लेखक बड़े पैमाने पर सांख्यिकीय विश्लेषण के माध्यम से $n_k$ की अंकगणितीय संरचना को समझने का लक्ष्य रखते हैं, और यह प्रश्न उठाते हैं कि $r_k$ , $k$ और एलिप्टिक वक्र $E_k$ से किस प्रकार संबंधित है।

कार्यप्रणाली
यह अध्ययन विशाल संख्यात्मक गणना और ट्रांसफार्मर-आधारित मशीन लर्निंग के संयोजन वाले दोहरे दृष्टिकोण का उपयोग करता है:

डेटा जनरेशन: लेखकों ने $1 \le k \le 250,000$ (कहे $k=4$ को छोड़कर) के लिए $\mu_k$ और $L'(E_k, 0)$ के पहले 250,000 मानों की गणना की।
- $\mu_k$ की गणना स्पष्ट हाइपरजियोमेट्रिक सूत्रों (hypergeometric formulas) का उपयोग करके की गई थी।
- $L'(E_k, 0)$ की गणना PARI/GP का उपयोग करके 19 दशमलव अंकों की सटीकता तक की गई।
- $r_k$ को LLL एल्गोरिदम का उपयोग करके संख्यात्मक रूप से पहचाना गया।
- इस प्रक्रिया के लिए लगभग 9.6 $\times$ 10 $^7$ सेकंड के सिंगल-कोर कंप्यूटेशन समय की आवश्यकता थी।
सांख्यिकीय विश्लेषण: डेटासेट का विश्लेषण $n_k$ के आकार और उसके $p$ -आदिक मानों (valuations) $v_p(n_k)$ में पैटर्न की पहचान करने के लिए किया गया। लेखकों ने कंडक्टर $N_k$ , विसंगति (discriminant) $\Delta_k$ , और $k$ पर कॉंग्रुएंस (congruence) स्थितियों के साथ सहसंबंधों की जांच की।
मशीन लर्निंग प्रयोग: Axolver फ्रेमवर्क (जो Int2Int ट्रांसफार्मर आर्किटेक्चर पर आधारित है) का उपयोग करते हुए, लेखकों ने $r_k$ के गुणों की भविष्यवाणी करने के लिए सीक्वेंस-टू-सीक्वेंस न्यूरल नेटवर्क को प्रशिक्षित किया।
- इनपुट: पूर्णांक $k$ (डिजिट अनुक्रम के रूप में एनकोडेड) और विभिन्न अंकगणितीय विशेषताएं जैसे रूट नंबर $\omega_k$ , कंडक्टर $N_k$ , $N_k$ और $\Delta_k$ के गुणनखंड, फ्रोबेनियस के ट्रेस $a_p$ , रैंक, और टमागावा संख्याएं (Tamagawa numbers)।
- कार्य: $r_k$ की सीधे भविष्यवाणी करना, परिमाण $|n_k|$ की भविष्यवाणी करना, और $p \in \{2, 3, 5, 7\}$ के लिए $p$ -आदिक मान $v_p(n_k)$ की भविष्यवाणी करना।
- मूल्यांकन: सटीकता को ग्रीडी एग्जैक्ट-मैच रेट्स (greedy exact-match rates) और सहसंबंध गुणांकों के माध्यम से मापा गया।

मुख्य योगदान और परिणाम

1. $n_k$ पर सांख्यिकीय अवलोकन

पूर्णांकता (Integrality): कुछ अपवादों ( $k \in \{3, 4, 5, 8, 12, 16, 32\}$ ) के साथ, $n_k = 1/r_k$ एक पूर्णांक है।
परिमाण (Magnitude): $n_k$ का क्रम (order of magnitude) कंडक्टर $N_k$ और $k$ द्वारा नियंत्रित होता है, जो इस अनुमान का पालन करता है: $|n_k| \asymp \frac{N_k}{\log k}$ । $L(E_k, 2)$ पद, जो इस संबंध को स्केल करता है, अनुभवजन्य रूप से एक संकीर्ण सीमा $(0.52, 1.75)$ में पाया गया है जिसका माध्य 0.83 है।
प्राइम $p \ge 5$ : $p \ge 5$ के लिए, $p$ -आदिक मान आम तौर पर एक सरल संभाव्य नियम का पालन करते हैं: $P(v_p(n_k) = r) \approx p^{-r}$ जहाँ $r \ge 1$ । हालांकि, प्राइम $p=5$ एक महत्वपूर्ण विचलन दिखाता है, जो एक रैंडम मॉडल की तुलना में उच्च विभाज्यता (divisibility) प्रदर्शित करता है।
प्राइम $p=3$ : 3-आदिक मान एक जटिल संरचना प्रदर्शित करता है। 3 से विभाज्यता उच्च आवृत्ति (~73%) के साथ होती है। यह मान $k$ की कॉंग्रुएंस स्थितियों (विशेष रूप से 27 मॉड्युलो) और $E_k$ के 'बैड प्राइम्स' की संख्या की समता (parity) से गहराई से प्रभावित है। विशिष्ट उप-परिवारों (जैसे, जहाँ $k(k^2-16)$ स्क्वायरफ्री है) पर, इन बैड प्राइम्स की समता से संबंधित सख्त पैरिटी नियम उभरते हैं।
प्राइम $p=2$ : 2-आदिक मान को एक नियतात्मक (deterministic) पद और एक स्टोकेस्टिक एरर द्वारा मॉडल किया गया है। लेखकों ने प्रस्तावित मॉडल दिया है:
$v_2(n_k) \approx \hat{v}(k) + s(k) + X_k$
जहाँ $\hat{v}(k) = \omega_{odd}(k) + 2\omega_{odd}(k^2-16) - c(k)$ $k$ और $k^2-16$ के भारित विषम अभाज्य गुणनखंडों की गणना करता है, $s(k)$ $k$ के $\pm 8$ के 2-आदिक रूप से निकट होने के लिए एक सुधार पद है, और $X_k$ एक नेगेटिव-बिनोमियल वितरण $NB(r=3, p=3/5) $का अनुसरण करता है। यह **कंजक्चर 3.2** की ओर ले जाता है:$ \hat{v}(k) \le v_2(n_k) $सभी$ k \neq 4, 8$ के लिए।
सशर्त प्रमाण (Conditional Proof): लेखक एक विशिष्ट परिवार के $k$ के लिए (जहाँ $k=4u$ , $u \equiv 4 \pmod 8$ , आदि) ब्लॉच-काटो कंजक्चर (Bloch-Kato conjecture) और डमिगन एट अल. [DGdJK26] के विशिष्ट परिकल्पनाओं को मानते हुए कंजक्चर 3.2 का सशर्त प्रमाण प्रदान करते हैं।

2. मशीन लर्निंग परिणाम

परिमाण भविष्यवाणी (Magnitude Prediction): न्यूरल नेटवर्क $r_k$ की सटीक भविष्यवाणी करने में विफल रहा। हालांकि, जब इसे कंडक्टर $N_k$ या इसके गुणनखंड प्रदान किए गए, तो इसने सफलतापूर्वक परिमाण $|n_k|$ को सीखा (दो गुने के अंतराल में ~100% सटीकता प्राप्त की)। यह कंडक्टर और $n_k$ के आकार के बीच सांख्यिकीय संबंध की पुष्टि करता है।
वैल्यूएशन भविष्यवाणी ( $p \ge 5$ ): $p=5$ और $p=7$ के लिए मॉडल सबसे अधिक बार आने वाले परिणाम ( $v_p=0$ ) की भविष्यवाणी करने तक सीमित हो गए, जिससे अनबैलेंस्ड डिस्ट्रीब्यूशन के कारण कोई संरचना प्रकट नहीं हो सकी।
वैल्यूएशन भविष्यवाणी ( $p=3$ ): मॉडल ने विशिष्ट उप-परिवारों पर $v_3(n_k)=0$ को $v_3(n_k)=1$ से उच्च सटीकता (~99%) के साथ अलग करने में सफलता प्राप्त की, जिससे सांख्यिकीय विश्लेषण में पहचाने गए पैरिटी नियमों को सफलतापूर्वक पकड़ा गया।
वैल्यूएशन भविष्यवाणी ( $p=2$ ): मॉडल की सीखने की प्रक्रिया ने एक दो-चरणीय विकास का खुलासा किया:
- प्रथम प्लेटो (First Plateau): मॉडल के अनुमान सांख्यिकीय मॉडल से प्राप्त नियतात्मक प्रेडिक्टर $\hat{P}(k)$ के साथ निकटता से सहसंबंधित थे।
- द्वितीय प्लेटो (Second Plateau): जैसे-जैसे प्रशिक्षण जारी रहा, मॉडल की सटीकता बढ़ी जबकि $\hat{P}(k)$ के साथ उसका सहसंबंध कम हो गया। महत्वपूर्ण रूप से, मॉडल उन मामलों की पहचान करने में काफी बेहतर हो गया जहाँ निचला स्तर (lower bound) सटीक है ( $v_2(n_k) = \hat{v}(k)$ )। यह सुझाव देता है कि नेटवर्क ने ऐसी अंकगणितीय जानकारी का पता लगाया जो वर्तमान सांख्यिकीय मॉडल द्वारा कैप्चर नहीं की गई थी।

महत्व और दावे
यह शोध पत्र बॉयड के कंजक्चर को सिद्ध करने या $r_k$ के लिए क्लोज्ड-फॉर्म सूत्र प्राप्त करने का दावा नहीं करता है। इसके बजाय, यह दावा करता है कि इसने:

अंकगणितीय संरचना को स्पष्ट किया: पहचाना कि $r_k$ एक पदानुक्रमित अंकगणितीय गुणों द्वारा शासित है: रूट नंबर (चिह्न), कंडक्टर (परिमाण), और जटिल स्थानीय $p$ -आदिक नियम (विभाज्यता)।
नए कंजक्चर प्रस्तावित किए: $p$ -आदिक मानों के वितरण के संबंध में विशिष्ट अनुमान तैयार किए, विशेष रूप से $v_2(n_k)$ के लिए निचला स्तर और $p \ge 5$ के लिए संभाव्य नियम।
AI उपयोगिता को प्रदर्शित किया: दिखाया कि मशीन लर्निंग ज्ञात सांख्यिकीय पैटर्न (जैसे कंडक्टर-परिमाण संबंध) को रिकवर कर सकती है और अधिक महत्वपूर्ण रूप से, सूक्ष्म अंकगणितीय संरचनाओं (जैसे 2-आदिक बाउंड की शार्पनेस) का पता लगा सकती है जो कच्चे डेटा या वर्तमान सैद्धांतिक ढांचे से तुरंत स्पष्ट नहीं होती हैं।
अंतरालों को रेखांकित किया: कार्य यह उजागर करता है कि जबकि $r_k$ का "आकार" कंडक्टर के माध्यम से अच्छी तरह से समझा गया है, इसके वैल्युएशंस का "सूक्ष्म ढांचा" (विशेष रूप से $p=2$ और $p=3$ पर) गहरे अंकगणितीय स्पष्टीकरण की मांग करता है, जो संभवतः ब्लॉच-काटो फ्रेमवर्क द्वारा सुझाए गए सेल्मर समूहों (Selmer groups) और रेगुलेटर इंडेक्स (regulator indices) से जुड़े हैं।

लेखक निष्कर्ष निकालते हैं कि बड़े पैमाने पर गणना और मशीन लर्निंग का संयोजन मूर्त अनुमान उत्पन्न करने और ऐसी घटनाओं की पहचान करने के लिए एक शक्तिशाली उपकरण के रूप में कार्य करता है जो माहलर मेजर और $L$ -फंक्शंस के संदर्भ में भविष्य के सैद्धांतिक प्रमाणों का मार्गदर्शन कर सकते हैं।

इसी तरह के और पेपर