Sparse Orthogonal Regression Technique: A Spectral Framework for Equation Discovery, Approximation, and Integration

कल्पना कीजिए कि आप एक जासूस हैं जो किसी रहस्य को सुलझाने की कोशिश कर रहे हैं, लेकिन आपको मिलने वाले सुराग बिखरे हुए, अव्यवस्थित और कभी-कभी गायब होते हैं। विज्ञान और गणित की दुनिया में, यह एक आम समस्या है: हमारे पास डेटा पॉइंट्स होते हैं—चीजें कैसे चलती हैं, बदलती हैं या परस्पर क्रिया करती हैं, उनके माप—लेकिन हमारे पास वे सटीक समीकरण नहीं होते जो उनका वर्णन कर सकें। वैज्ञानिकों ने लंबे समय से संभावित गणितीय आकारों (जैसे कि पॉलिनोमियल या तरंगों) की "शब्दकोश" (dictionaries) बनाने की कोशिश की है और यह उम्मीद की है कि सही उत्तर कहीं इसके भीतर छिपा होगा। यदि सही आकार उस शब्दकोश में मौजूद है, तो वे उसे ढूंढ सकते हैं। लेकिन यदि सही उत्तर एक अजीब आकार है जो शब्दकोश में फिट नहीं बैठता, तो पूरा अनुसंधान विफल हो सकता है।

इस बिखरे हुए डेटा को समझने के लिए, वैज्ञानिक अक्सर "स्पार्स रिग्रेशन" (sparse regression) नामक तकनीक का उपयोग करते हैं। इसे रंगों के एक विशाल डिब्बे से कुछ विशिष्ट ब्रशस्ट्रोक का उपयोग करके एक जटिल पेंटिंग को समझाने की कोशिश के रूप में सोचें। आप उन कुछ चुनिले स्ट्रोक को खोजना चाहते हैं जो पूरी तस्वीर को पकड़ सकें, जबकि शोर (noise) और उस अतिरिक्त पेंट को छोड़ दें जो वहां नहीं होना चाहिए। लक्ष्य एक अराजक संख्यात्मक बादल को एक साफ, समझने योग्य नियम में बदलना है जो भविष्य की भविष्यवाणी कर सके, कुल योग की गणना कर सके, या किसी प्रणाली के काम करने के तरीके को समझा सके।

यहीं पर एक नई विधि आती है जिसे SORT (स्पार्स ऑर्थोगोनल रिग्रेशन तकनीक) कहा जाता है। एक पूर्व-निर्धारित शब्दकोश से सही "ब्रशस्ट्रोक" चुनने की उम्मीद करने के बजाय, SORT एक कस्टम, पूरी तरह से व्यवस्थित सेट के निर्माण के साथ खेल बदल देता है। शोधकर्ता, सबिन रोमन, ल्युपचो टोडोरोव्स्की और सासो जेरोस्की का प्रस्ताव है कि यदि आप अपने डेटा को एक विशेष, व्यवस्थित ग्रिड (एक "ऑर्थोनॉर्मल बेसिस") में व्यवस्थित करते हैं और फिर केवल सबसे महत्वपूर्ण टुकड़ों को चुनने के लिए एक स्मार्ट फिल्टर का उपयोग करते हैं, तो आप तब भी ब्रह्मांड के नियमों की खोज कर सकते हैं जब डेटा शोर भरा हो या नमूने (sampling) विरल हों।

मेनू से चुनने में समस्या

कल्पना कीजिए कि आप एक गुप्त सूप की रेसिपी का अनुमान लगाने की कोशिश कर रहे हैं। पुराना तरीका (SINDy जैसे तरीकों द्वारा उपयोग किया जाता है) 100 मानक सामग्रियों—नमक, काली मिर्च, गाजर, प्याज—के एक मेनू को देखने जैसा है और यह खोजने जैसा है कि कौन सा संयोजन सही स्वाद देगा। यदि सूप में वास्तव में "ड्रैगन फ्रूट" जैसी कोई गुप्त सामग्री है जो मेनू में नहीं है, तो शेफ (कंप्यूटर) संघर्ष करेगा। वह गाजर और प्याज के मिश्रण का उपयोग करके उस स्वाद को थोपने की कोशिश कर सकता है, लेकिन परिणाम गलत होगा, या यदि डेटा थोड़ा शोर भरा है, तो वह हार मान लेगा।

इस शोध पत्र के लेखक तर्क देते हैं कि यह "मेनू दृष्टिकोण" बहुत नाजुक (brittle) है। यदि वास्तविक दुनिया मेनू से मेल नहीं खाती है, तो मॉडल टूट जाता है। वे एक अलग रणनीति का सुझाव देते हैं: एक निश्चित सूची से अनुमान लगाने के बजाय, एक लचीला, गणितीय ढांचा (scaffold) बनाएं जो किसी भी आकार को थाम सके, और फिर डेटा को यह बताने दें कि उस ढांचे के कौन से हिस्से वास्तव में उपयोग किए जा रहे हैं।

SORT कैसे काम करता है: संगीत का रूपक

SORT को एक ऐसे पियानो को ट्यून करने की तरह समझें जो एक ऐसे गीत को बजाने के लिए है जिसे आपने पहले कभी नहीं सुना है।

1. ढांचा (The Basis): यह अनुमान लगाने के बजाय कि गाने में कौन से स्वर (notes) हैं, SORT पूर्ण रूप से ट्यून किए गए, स्वतंत्र स्वरों (an orthonormal basis) के एक पूर्ण सेट के साथ शुरू होता है। ये स्वर एक-दूसरे में हस्तक्षेप नहीं करते हैं; यदि आप एक बजाते हैं, तो यह गलती से दूसरे को तेज या धीमा नहीं करता है। यह "ऑर्थोगोनल" वाला हिस्सा है।
2. फ़िल्टर (Sparsity): जिस गाने को आप खोजने की कोशिश कर रहे हैं, वह सरल होने की संभावना है, भले ही रिकॉर्डिंग शोर (static) से भरी हो। SORT एक गणितीय फ़िल्टर (L1-regularized regression) का उपयोग करता है ताकि शोर भरी रिकॉर्डिंग को सुन सके और पूछ सके: "इनमें से कौन से स्वर वास्तव में बज रहे हैं, और कौन से केवल शोर हैं?" यह शोर की आवाज़ को कम कर देता है और केवल उन्हीं कुछ स्वरों को रखता है जो महत्वपूर्ण हैं।
3. परिणाम: आप गुणांकों (coefficients) की एक सूची प्राप्त करते हैं (संख्याएं) जो आपको बताते हैं कि प्रत्येक स्वर कितना तेज़ होना चाहिए। यह सूची आपके गाने का "स्पार्स" प्रतिनिधित्व है।

उन्होंने क्या पाया: मजबूती और लचीलापन

शोधकर्ताओं ने कई चुनौतीपूर्ण परिदृश्यों में SORT का परीक्षण किया, और परिणाम काफी स्पष्ट थे।

1. जब डेटा बिखरा हुआ और विरल (Sparse) हो
एक प्रयोग में, उन्होंने प्रसिद्ध पशु जनसंख्या चक्रों (जैसे शिकारी और शिकार) और झूलते पेंडुलम के नियमों को समझने की कोशिश की। उन्होंने कंप्यूटर को ऐसा डेटा दिया जो समय के अंतराल पर बहुत दूर-दूर से लिया गया था, जिससे यह बताना कठिन हो गया कि चीजें कितनी तेजी से बदल रही हैं।

• पुराना तरीका: पारंपरिक "मेनू" विधि (SINDy) अक्सर बुरी तरह विफल हो जाती थी। जब डेटा बहुत मोटा (coarse) होता था, तो मॉडल अचानक अनियंत्रित हो जाता था, यह भविष्यवाणी करते हुए कि एक आबादी अनंत तक बढ़ जाएगी या तुरंत समाप्त हो जाएगी।
• SORT का तरीका: SORT बहुत अधिक स्थिर था। भले ही डेटा खुरदरा था, यह क्रैश नहीं हुआ। यह 'ग्रेसफुल डिग्रेडेशन' (graceful degradation) के साथ काम करता था, जिसका अर्थ है कि भविष्यवाणियां थोड़ी खराब हुईं लेकिन वे वास्तविकता के दायरे में बनी रहीं। यह बेहतर सस्पेंशन वाली कार की तरह था; यह बिना पलटे ऊबड़-खाबड़ सड़क को संभाल सकता था।

2. जब रेसिपी अज्ञात हो
उन्होंने एक ऐसी प्रणाली का भी परीक्षण किया जहाँ "गुप्त सामग्री" एक बेसेल फंक्शन (Bessel function - एक जटिल गणितीय तरंग आकार) थी जो मानक पॉलिनोमियल मेनू में नहीं पाई जाती है।

• पुराना तरीका: मेनू-आधारित विधि संघर्ष करती रही क्योंकि वास्तविक आकार उसके शब्दकोश में नहीं था। उसने एक चौकोर टुकड़े को गोल छेद में डालने की कोशिश की, और जैसे-जैसे डेटा शोर भरा हुआ, त्रुटि बढ़ती गई।
• SORT का तरीका: चूंकि SORT एक निश्चित सूची पर निर्भर नहीं है, इसलिए यह अपने लचीले ढांचे का उपयोग करके बेसेल फंक्शन का अनुमान लगा सका। यह तब भी मजबूत बना रहा जब "वास्तविक" आकार कुछ ऐसा था जिसकी पुराने तरीके ने अपेक्षा नहीं की थी।

3. गणित के बिना गणित करना
SORT की सबसे शानदार ट्रिक्स में से एक है इंटीग्रल्स (integrals) की गणना करना (जो वक्र के नीचे का कुल क्षेत्रफल या समय के साथ किसी चीज़ की कुल मात्रा खोजने जैसा है)। आमतौर पर, इसे करने के लिए जटिल सूत्रों की आवश्यकता होती है। लेकिन SORT के साथ, एक बार जब आपके पास गुणांकों की सूची आ जाती है, तो आप बस उत्तर को "पढ़" सकते हैं।

• रूपक: कल्पना कीजिए कि आप रेत के ढेर का कुल वजन जानना चाहते हैं। हर कण को तौलने के बजाय, आप कुछ प्रमुख मापों का उपयोग करके ढेर का एक मॉडल बनाते हैं। SORT आपको कुल आयतन (volume) के लिए "गुणांक" को देखकर तुरंत उत्तर जानने की अनुमति देता है। उन्होंने इसका परीक्षण दोलन करती लहरों और चिकनी वक्रों पर किया, और यह आश्चर्यजनक रूप से अच्छा काम कर गया, यहाँ तक कि उच्च आयामों (high dimensions) में भी।

4. मॉडल को बिना तोड़े बड़ा करना
अंत में, उन्होंने इस पर गौर किया कि क्या होता है जब हम मॉडल को अधिक जटिल बनाते हैं। कई मशीन लर्निंग सिस्टम में, अधिक जटिलता जोड़ने से सब कुछ बदल जाता है—पुराने उत्तर गलत हो जाते हैं क्योंकि पूरी संरचना ही बदल जाती है।

• SORT का तरीका: क्योंकि SORT एक स्थिर, व्यवस्थित ढांचे का उपयोग करता है, इसलिए गाने में अधिक "स्वर" जोड़ने से आपके द्वारा पहले से खोजे गए स्वरों का अर्थ नहीं बदलता है। यदि आप एक उच्च-आवृत्ति वाला स्वर जोड़ते हैं, तो निम्न-आवृत्ति वाले स्वर बिल्कुल वैसे ही रहते हैं। यह वैज्ञानिकों को अपने मॉडल को चरण-दर-चरण विकसित करने की अनुमति देता है, और प्रत्येक चरण पर यह जांचने की अनुमति देता है कि क्या नई जटिलता वास्तव में मदद कर रही है, बिना उस आधार को खोए जो उन्होंने पहले ही हासिल कर लिया है।

निष्कर्ष

यह शोध पत्र यह दावा नहीं करता है कि इसने ब्रह्मांड के हर रहस्य को सुलझा लिया है। यह सुझाव देता है कि कई समस्याओं के लिए, विशेष रूप से जहाँ डेटा शोर भरा हो या अंतर्निहित नियम अज्ञात हों, गणितीय शब्दों के एक निश्चित शब्दकोश पर निर्भर रहना जोखिम भरा है।

इसके बजाय, SORT एक मध्य मार्ग प्रस्तावित करता है: डेटा को थामने के लिए एक लचीले, गणितीय रूप से पूर्ण ढांचे का उपयोग करें, और फिर छिपे हुए सरल, साफ पैटर्न को खोजने के लिए 'स्पार्सिटी' (sparsity) का उपयोग करें। यह तुरंत एक "परफेक्ट" प्रतीकात्मक समीकरण खोजने के बारे में नहीं है; यह पहले एक स्थिर, पुन: प्रयोज्य प्रतिनिधित्व खोजने के बारे में है। इस प्रतिनिधित्व का उपयोग भविष्य की भविष्यवाणी करने, कुल योग की गणना करने, या यहाँ तक कि वैज्ञानिकों को उन सरल, मानव-पठनीय सूत्रों की ओर मार्गदर्शन करने के लिए किया जा सकता है जिन्हें वे बाद में खोज रहे होंगे।

संक्षेप में, SORT ब्रह्मांड के शोर भरे संगीत को सुनने, शोर को दूर करने और बिना यह जाने कि गाना क्या है, उसकी धुन को खोजने का एक नया तरीका है। यह सुझाव देता है कि अपने गणितीय उपकरणों को अनुकूलन योग्य और व्यवस्थित बनाकर, हम अपनी खोजों को अधिक मजबूत और अपने मॉडलों को अधिक विश्वसनीय बना सकते हैं।