Lossy Compression, Realism, and Coordination

कल्पना कीजिए कि आप अपने एक दोस्त को वॉकी-टॉकी के माध्यम से एक गुप्त संदेश भेजने की कोशिश कर रहे हैं, लेकिन वॉकी-टॉकी की बैटरी बहुत कम बची है। आप सब कुछ नहीं बोल सकते, इसलिए आपको कुछ विवरण छोड़ने होंगे। यही लॉसी कम्प्रेशन (lossy compression) का सार है: उस जानकारी को फेंक देने की कला जिसे आप महत्वपूर्ण नहीं समझते ताकि आप बाकी हिस्से को तेज़ी से भेज सकें। दशकों से, वैज्ञानिकों ने यह पता लगाने के लिए "रेट-डिस्टॉर्शन थ्योरी" नामक एक नियम पुस्तिका का उपयोग किया है कि सही संतुलन कैसे बनाया जाए। नियम सरल था: संदेश को मूल के जितना संभव हो उतना करीब रखें। यदि आप एक फोटो भेज रहे थे, तो आप चाहते थे कि पिक्सेल मूल से बिल्कुल मेल खाएं।

लेकिन यहाँ एक पेच है: कभी-कभी, जब आप जगह बचाने के लिए नियमों का बहुत सख्ती से पालन करते हैं, तो फोटो अजीब दिखने लगती है। यह धुंधली हो सकती है, इसके रंग फीके लग सकते हैं, या इसकी बनावट प्लास्टिक जैसी लग सकती है। यह तकनीकी रूप से मूल के "करीब" है, लेकिन यह वास्तविक महसूस नहीं होता। यहीं पर एक नया विचार आता है जिसे यथार्थवाद (realism) कहा जाता है। यह पूछने के बजाय कि, "क्या यह पिछले पिक्सेल के बिल्कुल समान है?", हम पूछते हैं, "क्या यह एक असली फोटो की तरह दिखता है?" यह एक बिल्ली का चित्र बनाने जैसा है। यदि आप सिर के लिए एक सटीक गोला बनाते हैं, तो यह गणितीय रूप से एक असली बिल्ली के सिर के करीब है, लेकिन यह एक गुब्बारे जैसा दिखता है। यदि आप एक रोएँदार, थोड़ी अपूर्ण आकृति बनाते हैं, तो यह मूल बिल्ली की सटीक रेखाओं से मेल नहीं खा सकता है, लेकिन यह एक बिल्ली की तरह दिखता है।

आप जो पेपर पढ़ने जा रहे हैं वह इस तनाव की खोज करता है कि गणितीय सटीकता और प्राकृतिक दिखने के बीच क्या संबंध है। और यह एक आश्चर्यजनक रहस्य भी खोजता है: वह गणित जिसकी आवश्यकता एक फोटो को वास्तविक दिखने के लिए होती है, लगभग उसी गणित के समान है जिसकी आवश्यकता दो रोबोटों को बिना अधिक बात किए मिलकर काम करने के लिए होती है। यह पता चलता है कि कंप्यूटर को एक यथार्थवादी छवि "बनाने" (fake करने) के लिए सिखाना और दो ड्रोन्स के उड़ान पथों को "तालमेल" (coordinate) बिठाने के लिए सिखाना वास्तव में एक ही सिक्के के दो पहलू हैं।

---

द ग्रेट रियलिज्म हाइस्ट: जब नकल करने से बेहतर नकल करना है

लंबे समय तक, कम्प्रेशन का लक्ष्य एक परफेक्ट फोटोकॉपी मशीन बनना था। यदि आपके पास सूर्यास्त की एक फोटो थी, तो कंप्यूटर का काम फ़ाइल का आकार छोटा करना और फिर फोटो को इस तरह से फिर से बनाना था कि प्रत्येक पिक्सेल मूल से मेल खाए। समस्या क्या थी? जगह बचाने के लिए, कंप्यूटर को अक्सर खुरदरे किनारों को चिकना करना पड़ता था। परिणाम स्वरूप एक ऐसा सूर्यास्त मिलता था जो बारिश में भीगे हुए वॉटरकलर पेंटिंग जैसा दिखता था—तकनीकी रूप से सही रंग, लेकिन धुंधला और बेजान।

इस पेपर के लेखक, यासीन हमदी और डेनिज़ गुंडुज़, तर्क देते हैं कि हमें एक नए लक्ष्य की आवश्यकता है। मूल पिक्सेल की सटीक नकल करने के बजाय, हमें उसके अंदाज़ (vibe) को कॉपी करने की कोशिश करनी चाहिए। वे इसे यथार्थवाद (realism) कहते हैं। एक यथार्थवादी पुनर्निर्माण (reconstruction) को मूल के पिक्सेल-दर-पिक्सेल मेल खाने की आवश्यकता नहीं है; इसे बस ऐसा दिखना चाहिए कि यह एक वास्तविक फोटो हो सकती थी। यदि आप एक यथार्थवादी पुनर्निर्माण को किसी इंसान को दिखाएंगे, तो वे अंतर नहीं बता पाएंगे कि यह असली फोटो और इसमें क्या फर्क है।

ऐसा करने के लिए, पेपर एक तीन-तरफा खींचतान पेश करता है जिसे रेट-डिस्टॉर्शन-परसेप्शन (RDP) ट्रेड-ऑफ कहा जाता है।

1. रेट (Rate): कितने बिट्स (शब्द) आप भेजने की अनुमति रखते हैं।
2. डिस्टॉर्शन (Distortion): नई छवि पुरानी छवि से कितनी अलग है।
3. परसेप्शन (Perception): नई छवि कितनी "वास्तविक" दिखती है।

बड़ा आश्चर्य यह है कि आप सब कुछ एक साथ नहीं पा सकते। यदि आप एक ऐसी फोटो मांगते हैं जो अत्यधिक यथार्थवादी (उच्च परसेप्शन) हो, तो आपको अक्सर यह स्वीकार करना होगा कि यह मूल से थोड़ी अलग (उच्च डिस्टॉर्शन) होगी। यह एक शेफ जैसा है जो एक प्रसिद्ध रेस्तरां के भोजन जैसा स्वाद देने की कोशिश कर रहा है। यदि वे बिल्कुल वही सामग्रियां (कम डिस्टॉर्शन) उपयोग करते हैं, तो उनके पास पैसे खत्म हो सकते हैं (उच्च रेट)। यदि वे पैसे बचाने के लिए सस्ती सामग्रियों (कम रेट) का उपयोग करते हैं, तो स्वाद बिगड़ सकता है। लेकिन यदि वे चाहते हैं कि इसका स्वाद बिल्कुल असली चीज़ जैसा हो (उच्च परसेप्शन), तो उन्हें एक गुप्त मसाले का उपयोग करना पड़ सकता है जो रेसिपी को थोड़ा बदल देता है, जिससे यह तकनीकी रूप से अलग लेकिन स्वादिष्ट रूप से वास्तविक बन जाता है।

द रोबोट डांस: एक आश्चर्यजनक जुड़वां

यहाँ कहानी वास्तव में रोमांचक हो जाती है। लेखकों ने महसूस किया कि "एक यथार्थवादी नकली छवि" बनाने की यह समस्या डिस्ट्रीब्यूटेड कोऑर्डिनेशन (distributed coordination) नामक एक समस्या के गणितीय रूप से समान है।

कल्पना कीजिए कि दो ड्रोन एक जंगल में उड़ रहे हैं। उन्हें पूरे क्षेत्र को कवर करने के लिए मिलकर काम करने की आवश्यकता है, लेकिन वे एक-दूसरे को केवल बहुत छोटे टेक्स्ट मैसेज भेज सकते हैं। वे पूरा नक्शा नहीं भेज सकते। इसलिए, ड्रोन A को ड्रोन B को एक छोटा सा कोड भेजना होगा, और ड्रोन B को यह तय करना होगा कि आगे कहाँ उड़ना है। लक्ष्य यह है कि वे पूरी तरह से तालमेल बिठाएं ताकि वे एक-दूसरे से न टकराएं और सबसे अधिक क्षेत्र कवर कर सकें।

पेपर दिखाता है कि ड्रोन्स को तालमेल बिठाने के लिए आवश्यक गणित, एक यथार्थवादी छवि बनाने के गणित के लगभग समान है।

• इमेज की समस्या में: आप चाहते हैं कि आउटपुट (नकली फोटो) ऐसा दिखे जैसे वह एक असली कैमरे से आई हो।
• ड्रोन की समस्या में: आप चाहते हैं कि आउटपुट (ड्रोन B का उड़ान पथ) ऐसा दिखे जैसे वह ड्रोन A के पथ से मेल खाने के लिए बनाया गया था।

लेखकों ने पाया कि यदि आप गणितीय समीकरणों में शब्दों को बदल दें, तो दोनों समस्याएं जुड़वां हैं। इमेज की समस्या में, आप आउटपुट के वितरण (distribution) को सोर्स से मिलाने की कोशिश कर रहे हैं। ड्रोन की समस्या में, आप इनपुट और आउटपुट के संयुक्त वितरण को एक लक्षित योजना से मिलाने की कोशिश कर रहे हैं। यह यह समझने जैसा है कि एक आदर्श केक बनाने की रेसिपी और एक आदर्श पुल बनाने की रेसिपी एक ही है, बस सामग्रियां अलग हैं।

गुप्त सामग्री: कॉमन रैंडमनेस (Common Randomness)

इसमें एक और मोड़ है। इन यथार्थवादी छवियों या समन्वित ड्रोन्स को पूरी तरह से काम करने के लिए, आपको कॉमन रैंडमनेस (CR) नामक चीज़ की आवश्यकता होती है।

CR को एक गुप्त कोडबुक के रूप में समझें जो भेजने वाले और प्राप्त करने वाले, दोनों के पास बातचीत शुरू होने से पहले ही होती है। यह एक गुप्त रैंडम नंबर जनरेटर जैसा है जिस पर दो जासूसों ने मिलने से पहले सहमति बनाई थी। जब भेजने वाला कोई संदेश भेजना चाहता है, तो वह इस साझा रैंडमनेस का उपयोग एक विशिष्ट "नकली" छवि या उड़ान पथ चुनने के लिए करता है जो वास्तविक दिखता है।

पेपर यह सिद्ध करता है कि इस साझा रैंडमनेस के बिना, आप उच्चतम स्तर का यथार्थवाद या समन्वय प्राप्त ही नहीं कर सकते। आपको इस साझा गुप्त डेटा की एक बड़ी मात्रा की आवश्यकता है। वास्तव में, गणित बताता है कि आपको जिस साझा रैंडमनेस की आवश्यकता है, वह आपके द्वारा भेजे जा रहे वास्तविक संदेश से बहुत अधिक हो सकती है। यह एक लाइब्रेरी के रैंडम नंबरों की आवश्यकता के समान है, सिर्फ एक टेक्स्ट मैसेज भेजने के लिए जिसमें लिखा हो "बाएं जाओ"।

यह एक वास्तविक दुनिया की पहेली को समझाता है: आज हम जो AI इमेज जनरेटर उपयोग करते हैं, वे इतने बड़े साझा गुप्त कोड की आवश्यकता क्यों नहीं दिखाते? पेपर सुझाव देता है कि शायद जिस तरह से हम वर्तमान में "यथार्थवाद" को मापते हैं, वह पर्याप्त सख्त नहीं है। यदि हम एक बार में कुछ ही छवियां देखते हैं, तो हमें गुप्त कोड की आवश्यकता नहीं होती है। लेकिन यदि हम एक साथ छवियों के एक बड़े बैच को देखते हैं कि वे कैसी दिखती हैं, तो गुप्त कोड बिल्कुल आवश्यक हो जाता है।

भविष्य के लिए इसका क्या अर्थ है

यह पेपर केवल एक गणितीय पहेली को हल नहीं करता है; यह नए विचारों के द्वार खोलता है। क्योंकि दो समस्याएं (वास्तविक चित्र बनाना और रोबोटों को समन्वित करना) इतनी समान हैं, वैज्ञानिक एक के लिए बनाए गए उपकरणों का उपयोग दूसरे को हल करने के लिए कर सकते हैं।

उदाहरण के लिए, पेपर बैच्ड क्रिटिक्स (batched critics) नामक यथार्थवाद को परखने के एक नए तरीके का उपयोग करने का सुझाव देता है। केवल एक छवि को देखकर यह कहने के बजाय कि, "क्या यह वास्तविक दिखता है?", आप छवियों के एक पूरे बैच को एक साथ देखते हैं। यदि आप बहुत सारी छवियों को देखते हैं, तो आप उन पैटर्न को पकड़ सकते हैं जिन्हें एक अकेली छवि छिपा देती है। लेखक सुझाव देते हैं कि हम इसी विचार का उपयोग ड्रोन्स के लिए कर सकते हैं: केवल यह जांचने के बजाय कि क्या दो ड्रोन एक बार समन्वित हैं, यह जांचें कि क्या उनकी गतिविधियों का पूरा इतिहास समन्वित दिखता है।

पेपर निष्कर्ष निकालता है कि यह जुड़ाव एक खजाना है। यह समझते हुए कि "वास्तविकता को नकली बनाना" और "कार्यों को समन्वित करना" एक ही खेल है, हम अपने फोन के लिए बेहतर कम्प्रेशन सिस्टम और रोबोटों के मिलकर काम करने के अधिक कुशल तरीके बना सकते हैं। यह एक याद दिलाता है कि विज्ञान में, कभी-कभी सबसे उपयोगी खोजें तब होती हैं जब आप यह महसूस करते हैं कि दो चीजें जिन्हें आप पूरी तरह से अलग समझते थे, वास्तव में सबसे अच्छे दोस्त हैं।