Analytically Consistent Reconstruction of Finite Data Using Padé Sequences

कल्पना कीजिए कि आप किसी छिपी हुई वस्तु के आकार का अनुमान लगाने की कोशिश कर रहे हैं, लेकिन आप इसे केवल अपनी कुछ अनाड़ी उंगलियों से महसूस कर सकते हैं। शायद आप एक जासूस हैं जो टूटे हुए टुकड़ों से एक बिखरे हुए फूलदान को फिर से बनाने की कोशिश कर रहा है, या एक संगीतकार है जो केवल कुछ स्टैटिक-भरे नोट्स सुनने के बाद एक गाने की धुन को समझने की कोशिश कर रहा है। भौतिकी की दुनिया में, वैज्ञानिक अक्सर ठीक इसी पहेली का सामना करते हैं। उनके पास डेटा होता है—प्रयोगों, सिमुलेशन या दूरबीनों से प्राप्त माप—लेकिन वह डेटा कभी भी पूर्ण नहीं होता। वह सीमित होता है (डेटा बहुत अधिक नहीं है), और वह शोर (noise) से भरा होता है (यह स्टैटिक, त्रुटियों और यादृच्छिक गड़बड़ियों से भरा है)। बड़ा सवाल यह है: आप वास्तविक संकेत (ब्रह्मांड का वास्तविक आकार) को नकली शोर (लाइन पर स्टैटिक) से कैसे अलग करेंगे?

इसे हल करने के लिए, भौतिक विज्ञानी "पाडे अप्रोक्सिमेंट" (Padé approximant) नामक एक गणितीय उपकरण का उपयोग करते हैं। इसे एक बहुत ही स्मार्ट अंदाज़ा लगाने वाले के रूप में सोचें। एक साधारण रूलर की तरह जो बिंदुओं के माध्यम से केवल एक सीधी रेखा खींचता है, एक पाडे अप्रोक्सिमेंट एक लचीले, जादुई मिट्टी के मॉडल की तरह है। यह वास्तविक भौतिक नियमों के जटिल, घुमावदार आकारों से मेल खाने के लिए खुद को खींच सकता है, मोड़ सकता है और यहाँ तक कि छोटे उभार (जिन्हें "पोल्स" कहा जाता है) भी पैदा कर सकता है। लेकिन इसमें एक पेंच है: जब आप इस मिट्टी के मॉडल को बहुत अधिक शोर वाला डेटा खिलाते हैं, तो यह मतिभ्रम (hallucinate) करने लगता है। यह अजीब, डगमगाते हुए उभार और छेद बनाता है जो वास्तविक नहीं होते। अतीत में, वैज्ञानिकों ने इन गड़बड़ियों को "फ्रोइसार्ट डबलट्स" (Froissart doublets) कहा और उन्हें फेंकने योग्य कष्टदायक गलतियों के रूप में माना। उन्हें ऐसे देखा गया जैसे मिट्टी का मॉडल स्टैटिक के कारण भ्रमित हो गया हो।

लेकिन क्या होगा अगर वे "गलतियाँ" वास्तव में सुराग हों? क्या होगा यदि मिट्टी का मॉडल जिस तरह से डगमगाता है, वह आपको ठीक से बता सके कि डेटा कहाँ टूटा हुआ है? यह वह साहसी विचार है जिसे इस शोध पत्र में खोजा गया है। लेखक, एमर्सन डियाज़, बाल्मा डच और पेरे मासुआन का तर्क है कि इन डगमगाते हुए ग्लिच (glitches) को अनदेखा करने के बजाय, हमें उन्हें सुनना चाहिए। उनका तर्क है कि ये "फ्रोइसार्ट डबलट्स" कोयले की खान में कैनरी (एक चेतावनी देने वाला पक्षी) की तरह हैं; उनका व्यवहार यह प्रकट करता है कि डेटा में कहाँ स्थानीय विसंगतियां हैं, चाहे वे यादृच्छिक सांख्यिकीय शोर से हों या व्यवस्थित त्रुटियों (systematic errors) से। इन ग्लिच के व्यवहार को ट्रैक करने के लिए कि डेटा कहाँ खराब है, टीम ने एक नया एल्गोरिदम विकसित किया जो स्वचालित रूप से खराब डेटा बिंदुओं को ढूंढ सकता है, उन्हें ठीक कर सकता है और अंतर्निहित फलन (function) के वास्तविक, सुचारू आकार को पुनर्गठित कर सकता है। उन्होंने इसका परीक्षण "स्टिल्टजेस फलनों" (Stieltjes functions - एक विशिष्ट, सुव्यवस्थित प्रकार का गणितीय वक्र जिसका भौतिकी में अक्सर उपयोग किया जाता है) पर किया और पाया कि उनकी विधि शोर को हटाकर मूल संकेत को प्रभावशाली सटीकता के साथ पुनः प्राप्त कर सकती है।

जादुई मिट्टी और डगमगाते सुराग

कहानी एक ऐसी समस्या के साथ शुरू होती है जो लगभग हर वैज्ञानिक को परेशान करती है: सीमित डेटा (Finite Data)। चाहे आप कोलाइडर में कणों को माप रहे हों या कंप्यूटर पर ब्रह्मांड का सिमुलेशन कर रहे हों, आपको कभी भी पूर्ण संख्याओं की अनंत धारा नहीं मिलती। आपको केवल एक स्नैपशॉट मिलता है। जब आप अपने स्नैपशॉट के बीच के अंतराल को भरने के लिए गणित का उपयोग करने की कोशिश करते हैं, तो आप एक दीवार से टकरा जाते हैं।

यहाँ आता है पाडे अप्रोक्सिमेंट (Padé Approximant)। कल्पना कीजिए कि आपके पास कागज के एक टुकड़े पर एक वक्र (curve) को दर्शाने वाले कुछ बिंदु हैं। एक सरल रेखा (एक बहुपद/polynomial) उन्हें जोड़ सकती है, लेकिन यह तीखे मोड़ों या अचानक रुकावटों को नहीं संभाल सकती। इसके विपरीत, एक पाडे अप्रोक्सिमेंट एक परिमेय फलन (rational function) है—दो बहुपदों का एक भाग। यह एक लचीले बैंड की तरह है जो लूप, पोल्स (लंबवत स्पाइक्स), और कट्स बनाने के लिए अपनी जगह बना सकता है। यह वक्र के बाकी हिस्से का अनुमान लगाने में अविश्वसनीय रूप से अच्छा है, यहाँ तक कि उस क्षेत्र के बाहर भी जहाँ आपके पास डेटा है।

हालाँकि, जब आप इसे ऐसा डेटा देते हैं जो अपूर्ण है (जो कि हमेशा होता है), तो पाडे अप्रोक्सिमेंट घबराने लगता है। जैसे-जैसे आप इसे और अधिक विस्तृत होने के लिए कहते हैं (इसके "ऑर्डर" को बढ़ाते हैं), यह अंततः काम करने के लिए वास्तविक जानकारी की कमी महसूस करने लगता है। अधिक सत्य खोजने के बजाय, यह गणित को संतुष्ट करने के लिए नई विशेषताएं गढ़ने लगता है। यहीं पर फ्रोइसार्ट डबलट (Froissart doublet) प्रकट होता है।

एक फ्रोइसार्ट डबलट को मशीन में एक "भूत" (ghost) के रूप में सोचें। यह एक पोल (स्पाइक) और एक ज़ीरो (गिरावट) की जोड़ी है जो ठीक एक-दूसरे के बगल में दिखाई देती है। एक आदर्श दुनिया में, वे एक-दूसरे को पूरी तरह से रद्द कर देंगे। लेकिन वास्तविक दुनिया में, वे डगमगाते हैं। जैसे-जैसे आप मॉडल की जटिलता बदलते हैं, वे इधर-उधर डगमगाते और हिलते रहते हैं। दशकों तक, भौतिक वैज्ञानिकों ने इन भूतों को कचरा माना—खराब गणित या खराब डेटा के आर्टिफैक्ट्स जिन्हें एक साफ परिणाम प्राप्त करने के लिए हटा दिया जाना चाहिए था।

ट्विस्ट: भूत संदेशवाहक हैं

इस शोध पत्र के लेखकों ने कहानी को उलटने का फैसला किया। इन भूतों को हटाने के बजाय, उन्होंने पूछा: वे हमें क्या बताने की कोशिश कर रहे हैं?

उन्होंने महसूस किया कि ये डगमगाते डबलट्स केवल यादृच्छिक शोर नहीं हैं। वे नैदानिक वस्तुएं (diagnostic objects) हैं। उनका व्यवहार इस बात पर निर्भर करता है कि डेटा क्यों खराब है।

1. यादृच्छिक शोर (Random Noise): यदि डेटा केवल थोड़ा धुंधला है (जैसे एक खराब फोटो), तो भूत बेतरतीब ढंग से प्रकट और गायब हो सकते हैं।
2. व्यवस्थित त्रुटियाँ (Systematic Errors): यदि कोई विशिष्ट, स्थानीयकृत त्रुटि है (जैसे कोई सेंसर जो अटक गया है या एक गणना जो एक स्थान पर थोड़ी गलत है), तो भूत पुनरावृत्ति (recur) करने लगते हैं। वे मॉडल को बदलने पर बार-बार ग्राफ के उसी पड़ोस में दिखाई देते हैं।

यह अवलोकन इस शोध पत्र का केंद्र है। लेखक तर्क देते हैं कि ये बार-बार आने वाले भूत वास्तव में उन स्थानों को चिह्नित कर रहे हैं जहाँ डेटा भौतिकी के नियमों के साथ असंगत है। वे हवा में लहराते हुए "रेड फ्लैग" (चेतावनी के संकेत) हैं।

एल्गोरिदम: एक जासूस की क्रमिक सफाई

इस अंतर्दष्टि के आधार पर, टीम ने एक नया एल्गोरिदम बनाया। यह कैसे काम करता है, यहाँ सरल भाषा में चरण-दर-चरण दिया गया है:

1. सेटअप: आप एक अव्यवस्थित डेटासेट के साथ शुरू करते हैं। इसमें कुछ वास्तविक डेटा, कुछ यादृच्छिक स्टैटिक और शायद कुछ विशिष्ट गड़बड़ियाँ हैं।
2. अनुक्रम (Sequence): एल्गोरिदम पाडे अप्रोक्सिमेंट्स का एक पूरा अनुक्रम बनाता है, जो हर बार अधिक जटिल होता जाता है (जैसे मानचित्र पर ज़ूम करना)।
3. शिकार (The Hunt): इन मॉडलों को बनाते समय, यह पोल्स और ज़ीरो पर नज़र रखता है। यह उन लोगों को अनदेखा करता है जो बेतरतीब ढंग से उछलते-कूदते हैं (वे केवल यादृच्छिक शोर हैं)। लेकिन यह उन पर बारीकी से ध्यान देता है जो बार-बार एक ही स्थान पर दिखाई देते हैं। ये पुनरावर्ती फ्रोइसार्ट डबलट्स (recurrent Froissart doublets) हैं।
4. मतदान (The Vote): एल्गोरिदम एक "मतदान प्रणाली" स्थापित करता है। यदि कोई विशिष्ट डेटा बिंदु कई अलग-अलग मॉडलों में पास में एक भूत को प्रकट करने का कारण बार-बार बनता है, तो उस डेटा बिंदु को एक वोट मिलता है। इसे जितने अधिक वोट मिलते हैं, इसकी संभावना उतनी ही अधिक होती है कि वह एक "खराब" बिंदु है।
5. सुधार (The Correction): एल्गोरिदम सबसे बड़े अपराधी (वह बिंदु जिसे सबसे अधिक वोट मिले हैं) को चुनता है और उसे समायोजित करता है। यह इसे केवल हटाता नहीं है; यह इसके मान को तब तक बदलता रहता है जब तक कि भूत गायब न हो जाए और मॉडल चिकना और सुसंगत न हो जाए।
6. लूप (The Loop): यह प्रक्रिया को दोहराता है। एक बिंदु को ठीक करें, मॉडलों को फिर से चलाएं, नए भूतों की जांच करें, अगले को ठीक करें। यह तब तक चलता रहता है जब तक कि भूत दिखाई देना बंद न हो जाएं या डेटा पर्याप्त साफ न दिखने लगे।

इस पद्धति की सुंदरता यह है कि इसे यह जानने की आवश्यकता नहीं है कि शोर क्या है। इसे इस बात की आवश्यकता नहीं है कि सेंसर कैसे टूटा। यह बस गणित को देखता है और कहता है, "यहाँ कुछ गलत है, आइए इसे तब तक ठीक करें जब तक कि गणित समझ में न आ जाए।"

प्रमाण: सिद्धांत से वास्तविकता तक

लेखकों ने इस विचार का परीक्षण दो मुख्य तरीकों से किया ताकि यह देखा जा सके कि क्या यह वास्तवक रूप से काम करता है।

1. नियंत्रित प्रयोगशाला (स्टिल्टजेस फलन)
सबसे पहले, उन्होंने एक ज्ञात गणितीय फलन जिसे स्टिल्टजेस फलन (Stieltjes function) कहा जाता है (विशेष रूप से $f(z) = \frac{\log(1+z)}{z}$), के आधार पर एक आदर्श, नकली डेटा बनाया। इस फलन का एक ज्ञात आकार है जिसमें एक "ब्रांच कट" (एक विशिष्ट प्रकार का गणितीय किनारा) होता है। फिर उन्होंने कुछ बिंदुओं में यादृच्छिक शोर जोड़कर डेटा को जानबूझकर बिगाड़ दिया।

• परिणाम: एल्गोरिदम ने बिगड़े हुए बिंदुओं की सफलतापूर्वक पहचान की। कुछ परीक्षणों में, इसने त्रुटि को लगभग 99% तक कम कर दिया। यहाँ तक कि जब उन्होंने 25 अलग-अलग बिंदुओं में शोर जोड़ा, तब भी यह डेटा को महत्वपूर्ण रूप से साफ करने और नीचे के सुचारू वक्र को पुनः प्राप्त करने में सक्षम रहा।
• विवरण: उन्होंने पाया कि "भूत" (फ्रोइसार्ट डबलट्स) फलन की वास्तविक विशेषताओं से दूर चले गए और शोर वाले बिंदुओं के आसपास केंद्रित हो गए। बिंदुओं को ठीक करने के बाद, भूत गायब हो गए, और मॉडल एक स्थिर, सही आकार में सेट हो गया।

2. वास्तविक परिदृश्य (गौसियन और रेजोनेंस)
इसके बाद, उन्होंने कुछ अधिक कठिन प्रयास किया। उन्होंने डेटा का अनुकरण किया जो एक वास्तविक भौतिक प्रयोग जैसा दिखता था, जिसमें सांख्यिकीय उतार-चढ़ाव (यादृच्छिक शोर) और दो प्रकार की "व्यवस्थित" त्रुटियां शामिल थीं:

• गौसियन डिस्टॉर्शन (Gaussian Distortion): डेटा में जोड़ा गया एक सुचारू, स्थानीयकृत उभार जिसका कोई भौतिक अर्थ नहीं था (केवल एक गड़बड़ी)।
• ब्रेट-विग्नर सिग्नल (Breit-Wigner Signal): एक विशिष्ट आकार जो एक वास्तविक भौतिक कण (एक रेजोनेंस) का प्रतिनिधित्व करता है।

यह महत्वपूर्ण परीक्षण था। एल्गोरिदम को बिना गलती से वास्तविक ब्रेट-विग्नर कण को हटाए, नकली गौसियन उभार को हटाना था।

• परिणाम: एल्गोरिदम ने सफलतापूर्वक गौसियन डिस्टॉर्शन की पहचान की और उसे हटा दिया। इसने पहचाना कि गौसियन एक विसंगति थी। महत्वपूर्ण रूप से, इसने ब्रेट-विग्नर सिग्नल को अकेला छोड़ दिया। यह समझ गया कि ब्रेट-विग्नर एक वास्तविक विश्लेषणात्मक संरचना का हिस्सा था, न कि कोई गड़बड़ी।
• सीमा: शोध पत्र नोट करता है कि यह विधि तब सबसे अच्छा काम करती है जब विकृतियाँ स्थानीयकृत होती हैं (कुछ ही डेटा बिंदुओं को प्रभावित करती हैं, उनके परीक्षणों में लगभग 1 से 11 बिंदु) और उनमें एक निश्चित "खिंचाव" (शक्ति) होती है। यदि शोर बहुत व्यापक या बहुत मजबूत है, तो विधि संघर्ष कर सकती है, लेकिन परीक्षण किए गए दायरे के भीतर, यह बहुत प्रभावी थी।

यह क्यों महत्वपूर्ण है

यह शोध पत्र डेटा पुनर्निर्माण के बारे में सोचने का एक नया तरीका प्रदान करता है। गणितीय गड़बड़ियों को विफलताओं के रूप में देखने के बजाय, यह उन्हें विशेषताओं के रूप में मानता है। पाडे अप्रोक्सिमेंट्स के "डगमगाते भूतों" को सुनकर, वैज्ञानिक बिना यह अनुमान लगाए कि शोर कैसा दिखता है, अपने डेटा को स्वचालित रूप से साफ कर सकते हैं, जिससे सिग्नल को शोर से अलग किया जा सके।

लेखक इस एल्गोरिदम के लिए पूर्ण कोड एक सार्वजनिक रिपॉजिटरी में प्रदान करते हैं, जिससे अन्य शोधकर्ता इसे तुरंत एक उपकरण के रूप में उपयोग कर सकें। हालाँकि अब तक के परिणाम सिमुलेशन और नियंत्रित परीक्षणों पर आधारित हैं (अभी तक किसी वास्तविक कोलाइडर में नए कण की खोज नहीं हुई है), यह विधि एक आशाजनक मार्ग दिखाती है। यह सुझाव देती है कि सही गणितीय लेंस के साथ, हमारे सबसे अपूर्ण डेटा से भी ब्रह्मांड की वास्तविक, सुंदर संरचना को प्रकट करने के लिए प्रेरित किया जा सकता है।

संक्षेप में, यह शोध पत्र हमें सिखाता है कि कभी-कभी, जो चीजें गलतियाँ लगती हैं, वे वास्तव में हमारे पास उपलब्ध सबसे सहायक सुराग होती हैं। यदि आप सुनना जानते हैं, तो शोर आपको ठीक बता सकता है कि कहाँ देखना है।