⚛️ high-energy theory

Learning Topological Features of $\widehat Z$ -invariants

यह शोध पत्र एक व्यवस्थित मशीन लर्निंग फ्रेमवर्क प्रस्तुत करता है जो प्रदर्शित करता है कि न्यूरल नेटवर्क प्लम्ब्ड 3-मैनिफ़ोल्ड्स के $\widehat{Z}$ -इनवेरिएंट्स से होमोलॉजी क्लासेस और ग्राफ संरचनाओं जैसी टोपोलॉजिकल जानकारी को विश्वसनीय रूप से निकाल सकते हैं, साथ ही व्याख्या योग्य स्पेक्ट्रल प्रॉक्सी को प्रकट करते हैं और इन इनवेरिएंट्स एवं हीगार्ड फ्लोअर $d$ -इनवेरिएंट के बीच एक भविष्य कहनेवाला संबंध उजागर करते हैं।

मूल लेखक: Brandon Robinson, Shimal Harichurn, Fabian Ruehle, Sergei Gukov, Rak-Kyeong Seong, Miranda C. N. Cheng

प्रकाशित 2026-08-20

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Brandon Robinson, Shimal Harichurn, Fabian Ruehle, Sergei Gukov, Rak-Kyeong Seong, Miranda C. N. Cheng

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

गणित के उन शांत कोनों में जहाँ आकृतियों का अध्ययन उनके आकार या रंग से नहीं, बल्कि उनके जुड़ाव के तरीके से किया जाता है, तीन-आयामी स्थानों (three-dimensional spaces) के बारे में एक गहरा रहस्य मौजूद है। एक ऐसे ब्रह्मांड की कल्पना करें जो परिमित (finite) है फिर भी जिसके कोई किनारे नहीं हैं, एक बंद आकृति जो स्वयं पर ही वापस लौट आती है। गणितज्ञों ने लंबे समय से इन आकृतियों को पहचानने के लिए उपकरणों की खोज की है जिन्हें 'इनवेरिएंट्स' (invariants) कहा जाता है—ऐसे अंक या पैटर्न जो आकार के खिंचने या मुड़ने पर भी अपरिवर्तित रहते हैं। दशकों तक, ये उपकरण उंगलियों के निशान की तरह थे: प्रत्येक आकृति के लिए अद्वितीय, लेकिन पढ़ने में कठिन। हाल ही में, भौतिकी और कंप्यूटर विज्ञान की दुनिया से एक नया उपकरण उभरा है। इसमें इन आकृतियों को अनंत श्रृंखलाओं (infinite series) के लेंस के माध्यम से देखना शामिल है, जो अनिवार्य रूप से संख्याओं की ऐसी अंतहीन सूचियाँ हैं जो एक विशिष्ट पैटर्न का पालन करती हैं। ये सूचियाँ, जिन्हें q-सीरीज (q-series) के रूप में जाना जाता है, स्थान की ज्यामिति के लिए एक जटिल कोड की तरह कार्य करती हैं। शोधकर्ता जिस प्रश्न को पूछ रहे थे वह यह था कि क्या एक कंप्यूटर इस कोड को पढ़ना सीख सकता है, न कि केवल आकृति की पहचान का अनुमान लगाने के लिए, बल्कि उस छिपे हुए नियमों को समझने के लिए जो कोड को आकृति के वास्तविक स्वरूप से जोड़ते हैं।

शोधकर्ताओं की एक टीम ने इस चुनौती को एक व्यवस्थित दृष्टिकोण के साथ लिया है, इन अनंत संख्या सूचियों को विश्लेषण के लिए एक विशाल डेटासेट के रूप में माना है। उन्होंने तीन-आयामी आकृतियों के एक विशिष्ट परिवार पर ध्यान केंद्रित किया जो परस्पर जुड़ी लूपों के एक नेटवर्क से बनी हैं, जिन्हें बिंदुओं और रेखाओं के एक सरल आरेख (diagram) द्वारा वर्णित किया जा सकता है। प्रत्येक आकृति के लिए, उन्होंने संख्याओं की एक संगत सूची बनाई, और कंप्यूटर के लिए इसे प्रबंधनीय बनाने के लिए अनंत श्रृंखला को पहले दस हजार पदों तक सीमित कर दिया। इसके परिणामस्वरूप साठ हजार से अधिक विशिष्ट उदाहरणों का एक डेटाबेस तैयार हुआ। शोधकर्ताओं ने न्यूरल नेटवर्क (neural networks) को प्रशिक्षित किया, जो एक प्रकार का कृत्रिम बुद्धिमत्ता (AI) है जिसे पैटर्न पहचानने के लिए डिज़ाइन किया गया है, ताकि वे दो मुख्य कार्य कर सकें। पहला, उन्होंने कंप्यूटर को उन आकृतियों के बीच अंतर करने के लिए कहा जो एक पूर्ण गोले (sphere) के समान हैं और वे जो नहीं हैं। दूसरा, उन्होंने कंप्यूटर को उस आरेख की अंतर्निहित संरचना को पहचानने के लिए कहा जिसका उपयोग आकृति बनाने के लिए किया गया था, जैसे कि क्या वह एक तारे या 'H' जैसा दिखता है।

परिणाम आश्चर्यजनक थे। न्यूरल नेटवर्क ने इन टोपोलॉजिकल विशेषताओं को अत्यधिक उच्च सटीकता के साथ पहचाना, जो अक्सर लगभग पूर्ण स्कोर तक पहुँच गया। हालाँकि, वास्तविक सफलता यह नहीं थी कि कंप्यूटर ने सही उत्तर दिए, बल्कि यह थी कि शोधकर्ता यह पता लगा सके कि वह ऐसा कैसे कर रहा था। नेटवर्क की निर्णय लेने की प्रक्रिया के भीतर झाँककर, उन्होंने पाया कि कंप्यूटर केवल संख्याओं की अंतहीन सूचियों को अंधाधुंध याद नहीं कर रहा था। इसके बजाय, इसने डेटा से विशिष्ट, सार्थक विशेषताओं को निकालना सीख लिया था। गोले जैसी आकृतियों की पहचान करने के कार्य के लिए, नेटवर्क ने आकृति के अंतर्निहित आरेख के एक विशिष्ट सांख्यिकीय गुण पर बहुत अधिक भरोसा किया: इसका सबसे छोटा आइजनवैल्यू (eigenvalue) का आकार, एक ऐसा अंक जो यह बताता है कि आकृति की संरचना कैसे कंपन करती या खिंचती है। यह एक चतुर शॉर्टकट था। शोधकर्ताओं ने पाया कि वास्तविक गोलों के लिए, यह संख्या हमेशा बहुत छोटी होती है, जो एक विश्वसनीय संकेत प्रदान करती है जिसका उपयोग कंप्यूटर अपना निर्णय लेने के लिए कर सकता है।

प्रयोगों के एक अन्य सेट में, टीम ने एक अलग प्रकार के संबंध की खोज की, जो इन ज्यामितीय आकृतियों को 'होमोलॉजी कोबॉर्डिज्म' (homology cobordism) नामक अवधारणा से जोड़ता है। यह निर्धारित करने का एक तरीका है कि क्या दो आकृतियों को एक उच्च-आयामी स्थान के माध्यम से सुचारू रूप से एक-दूसरे में बदला जा सकता है। उन्होंने कंप्यूटर को एक विशिष्ट 'करेक्शन टर्म' (correction term) की भविष्यवाणी करने के लिए प्रशिक्षित किया, जो एक संख्या है जो गणितज्ञों को इन आकृतियों को वर्गीकृत करने में मदद करती है, और इसके लिए केवल अनंत श्रृंखला के शुरुआती अंकों का उपयोग किया। आश्चर्यजनक रूप से, कंप्यूटर ने इस संबंध को नब्बे प्रतिशत से अधिक सटीकता के साथ सीखा। जब उन्होंने प्रशिक्षण डेटा में आकृति के निर्माण से प्राप्त कुछ अतिरिक्त गणितीय विवरण जोड़े, तो कंप्यूटर की भविष्यवाणियाँ लगभग पूर्ण हो गईं, जिसने लगभग नब्बे प्रतिशत मामलों में पूर्णांक मान (integer value) को सही ढंग से पहचाना। यह सुझाव देता है कि अनंत श्रृंखला में इन आकृतियों के बीच कैसे संबंध है, इसके बारे में एक छिपा हुआ, सूक्ष्म ज्यामितीय संदेश है, एक ऐसा संदेश जिसे डिकोड करना पहले कठिन था।

अध्ययन ने कंप्यूटर के सीखने की एक दिलचस्प सीमा को भी उजागर किया। हालांकि यह अत्यधिक सटीक था, लेकिन कभी-कभी यह "सरोगेट" (surrogate) विशेषताओं—ऐसे पैटर्न जो सही उत्तर के साथ सह-संबंधित थे लेकिन सटीक गणितीय नियम नहीं थे—पर निर्भर था। उदाहरण के लिए, कुछ मामलों में, नेटवर्क ने आकृति की संरचना के प्रॉक्सी (proxy) के रूप में गैर-शून्य संख्याओं के बीच के अंतराल का उपयोग किया। ऐसा इसलिए हुआ क्योंकि नेटवर्क ने एक सांख्यिकीय शॉर्टकट खोज लिया जो अधिकांश डेटा के लिए काम करता था, भले ही वह मौलिक नियम न हो। यह व्यवहार एक महत्वपूर्ण अंतर्दृष्टि प्रदान करता है: कंप्यूटर केवल एक 'ब्लैक बॉक्स' नहीं है जो अनुमान लगाता है, बल्कि यह एक उपकरण है जो यह प्रकट कर सकता है कि कौन सी गणितीय विशेषताएं डेटा में सबसे अधिक दृश्यमान हैं। यह दिखाकर कि नेटवर्क अन्य गुणों की तुलना में कुछ विशिष्ट स्पेक्ट्रल गुणों को प्राथमिकता देता है, शोधकर्ताओं ने इन जटिल आकृतियों को समझने का एक नया तरीका प्रदान किया है।

अंततः, यह कार्य प्रदर्शित करता है कि मशीन लर्निंग शुद्ध गणित के लिए एक शक्तिशाली सूक्ष्मदर्शी (microscope) के रूप में कार्य कर सकती है। यह शोधकर्ताओं को अमूर्त डेटा के विशाल भंडार में से उन विशिष्ट विशेषताओं को खोजने की अनुमति देता है जो किसी आकृति की पहचान को परिभाषित करती हैं। निष्कर्ष बताते हैं कि इन तीन-आयामी स्थानों का वर्णन करने वाली अनंत श्रृंखलाएं प्रचुर मात्रा में ज्यामितीय जानकारी ले जाती हैं, जिसमें इस बारे में विवरण भी शामिल हैं कि इन आकृतियों को एक-दूसरे में कैसे बदला जा सकता है। हालांकि कंप्यूटर की विधियाँ कभी-कभी गणितज्ञों द्वारा उपयोग किए जाने वाले पारंपरिक प्रमाणों से भिन्न होती हैं, लेकिन परिणाम विभिन्न गणितीय क्षेत्रों के बीच नए संबंधों की ओर संकेत करते हैं। यह अध्ययन भविष्य के अनुसंधान के लिए एक द्वार खोलता है, यह सुझाव देते हुए कि कंप्यूटर को इन गणितीय कोडों को पढ़ना सिखाकर, हम उन नए संबंधों और अनुमानों (conjectures) को उजागर कर सकते हैं जो दशकों से छिपे हुए रहे हैं।

तकनीकी सारांश: $\widehat{Z}$ -इनवेरिएंट्स की टोपोलॉजिकल विशेषताओं को सीखना

समस्या विवरण
यह शोध पत्र क्लोज्ड 3-मैनिफोल्ड्स (closed 3-manifolds) के $\widehat{Z}$ -इनवेरिएंट्स (होमोलॉजिकल ब्लॉक्स) से व्याख्या योग्य टोपोलॉजिकल जानकारी निकालने की चुनौती को संबोधित करता है। ये इनवेरिएंट्स पूर्णांक गुणांकों (integer coefficients) वाली अनंत $q$ -सीरीज के रूप में परिभाषित हैं, जो एम-थ्योरी (M-theory) से उत्पन्न होते हैं और क्वांटम मॉड्यूलर फॉर्म्स से संबंधित हैं। हालांकि $\widehat{Z}$ -इनवेरिएंट्स ज्ञात हैं कि वे गहरा टोपोलॉजिकल डेटा समाहित करते हैं, लेकिन वे होमोलॉजी क्लासेस, ग्राफ संरचनाओं और कोबॉर्डिज्म इनवेरिएंट्स जैसे गुणों को किस विशिष्ट तंत्र द्वारा कैप्चर करते हैं, यह अभी भी आंशिक रूप से रहस्यमय है। लेखक इन ट्रंकेटेड (truncated) अनंत सीरीजों का व्यवस्थित रूप से विश्लेषण करने के लिए मशीन लर्निंग (ML) का उपयोग करते हैं ताकि पैटर्न की पहचान की जा सके, अनुमान (conjectures) बनाए जा सकें, और गणितीय संदर्भ में न्यूरल नेटवर्क की "ब्लैक बॉक्स" निर्णय लेने की प्रक्रियाओं को समझा जा सके।

कार्यप्रणाली (Methodology)
लेखक डेटा जनरेशन, रिप्रेजेंटेशन और इंटरप्रिटेबिलिटी (व्याख्यात्मकता) के तीन मुख्य चरणों वाला एक व्यापक डेटा विश्लेषण पाइपलाइन तैयार करते हैं।

डेटा जनरेशन: वे प्लम्ब्ड 3-मैनिफोल्ड्स (plumbed 3-manifolds) के लिए लगभग $6.3 \times 10^4$ ट्रंकेटेड $\widehat{Z}$ -इनवेरिएंट्स (अधिकतम $10^4$ टर्म्स तक) का एक डेटासेट तैयार करते हैं। ये मैनिफोल्ड्स दो प्राथमिक ग्राफ टोपोलॉजी से प्राप्त किए गए हैं: स्टार-शेप्ड ग्राफ्स (जो सीफर्ट फाइबर्ड स्पेस के अनुरूप हैं) और H-शेप्ड ग्राफ्स। डेटासेट में इंटीग्रल होमोलॉजी स्फेयर्स (जहाँ प्लंबिंग मैट्रिक्स का डिटरमिनेंट $\pm 1$ है) और नॉन-स्फेयर्स दोनों शामिल हैं।
डेटा रिप्रेजेंटेशन: मजबूती सुनिश्चित करने के लिए, लेखक तीन इनपुट रिप्रेजेंटेशन का परीक्षण करते हैं:
- फुल सीक्वेंस (Full Sequence): एक निश्चित लंबाई वाला गुणांक ऐरे $[c_0, \dots, c_{N-1}]$ ।
- वैल्यू-इंडेक्स पेयर (Value-Index Pair): एक संकुचित प्रतिनिधित्व जो केवल गैर-शून्य गुणांकों को टुपल्स $(c_i, n_i)$ के रूप में संग्रहीत करता है, जो स्पष्ट रूप से एक्सपोनेंट इंडेक्स प्रदान करता है।
- लेटेंट स्पेस (Latent Space): कंट्रास्टिव लर्निंग (सेमी-हार्ड ट्रिपलेट लॉस) के माध्यम से उत्पन्न लो-डायमेंशनल एम्बेडिंग्स (5D), जो हाई-वैरिएंस शोर (noise) को फ़िल्टर करती हैं।
इंटरप्रिटेबिलिटी पाइपलाइन: व्याख्यात्मकता के लिए एक मुख्य पद्धतिगत नवाचार "टीचर-स्टूडेंट" फ्रेमवर्क का उपयोग है।
- एक प्राथमिक क्लासिफायर (टीचर) को रॉ $q$ -सीरीज डेटा पर टोपोलॉजिकल वर्गीकरण (जैसे, स्फीयर बनाम नॉन-स्फीयर, स्टार बनाम H-ग्राफ) करने के लिए प्रशिक्षित किया जाता है।
- एक माध्यमिक रिग्रेशन नेटवर्क (स्टूडेंट) को दस पूर्व-निर्धारित, गणितीय रूप से प्रेरित एब्सट्रैक्ट फीचर्स (जैसे, प्लंबिंग मैट्रिक्स आइगेनवैल्यूज, डिटरमिनेंट, $q$ -सीरीज के गैप स्टैटिस्टिक्स) को टीचर के आउटपुट लॉजिट्स (logits) से मैप करने के लिए प्रशिक्षित किया जाता है।
- फीचर इम्पॉर्टेंस का आकलन फीचर सेलिएंसी (FS), परम्यूटेशन इम्पॉर्टेंस (PI), और शाप्ले एडिटिव एक्सप्लेनेशन्स (SHAP) का उपयोग करके किया जाता है ताकि यह निर्धारित किया जा सके कि कौन से एब्सट्रैक्ट फीचर्स टीचर के निर्णयों को संचालित करते हैं।

प्रमुख योगदान और परिणाम

टोपोलॉजिकल वर्गीकरण: न्यूरल नेटवर्क उच्च बैलेंस्ड एक्यूरेसी (अक्सर $>95\%$ ) के साथ सीधे $\widehat{Z}$ -सीरीज गुणांकों से होमोलॉजी स्फेयर्स को वर्गीकृत कर सकते हैं और ग्राफ टोपोलॉजी के बीच अंतर कर सकते हैं।
- होमोलॉजी वर्गीकरण: नेटवर्क स्फेयर्स और नॉन-स्फेयर्स के बीच अंतर करना सीख जाते हैं। व्याख्यात्मक विश्लेषण से पता चलता है कि नेटवर्क अक्सर डिटरमिनेंट के बजाय स्पेक्ट्रल प्रॉक्सी (spectral proxies) पर निर्भर करते हैं। विशेष रूप से, प्लंबिंग मैट्रिक्स का न्यूनतम मैग्नीट्यूड आइगेनवैल्यू ( $\epsilon_{\min}$ ), डिटरमिनेंट कंडीशन $|\det M|=1$ के लिए एक मजबूत प्रॉक्सी के रूप में कार्य करता है, जिसे पेपर में दिए गए एक स्पेक्ट्रल बाउंड (लेम्मा 1) द्वारा समर्थित किया गया है।
- ग्राफ टोपोलॉजी वर्गीकरण: स्टार-शेप्ड और H-शेप्ड ग्राफ्स के बीच अंतर होमोलॉजी क्लास पर बहुत अधिक निर्भर करता है। होमोलॉजी स्फेयर्स (जहाँ डिटरमिनेंट स्थिर है) के लिए, निर्णय सीमा (decision boundary) गैप स्टैटिस्टिक्स (गैर-शून्य गुणांकों के एक्सपोनेंट्स का माध्य और मानक विचलन, $\mu_\gamma, \sigma_\gamma$ ) द्वारा संचालित होती है। नॉन-स्फेयर्स के लिए, निर्णय डिटरमिनेंट जानकारी को स्पेक्ट्रल डेटा के साथ जोड़ता है।
- रिप्रेजेंटेशन का प्रभाव: वैल्यू-इंडेक्स पेयर रिप्रेजेंटेशन उच्चतम प्रदर्शन और सबसे स्थिर फीचर-टू-लोगिट रिकंस्ट्रक्शन देता है, जो यह सुझाव देता है कि एक्सपोनेंट इंडेक्स को स्पष्ट रूप से प्रदान करने से नेटवर्क सीरीज की स्पर्सिटी स्ट्रक्चर (sparsity structure) का कुशलतापूर्वक उपयोग कर पाता है।
कोबॉर्डिज्म और $d$ -इनवेरिएंट: यह शोध पत्र हीगार्ड फ्लोर करेक्शन टर्म ( $d$ -इनवेरिएंट) के साथ $\widehat{Z}$ -इनवेरिएंट्स के संबंध की जांच करता है, जो एक होमोलॉजी कोबॉर्डिज्म इनवेरिएंट है।
- सीफर्ट इंटीजर होमोलॉजी स्फेयर्स (विशेष रूप से 3 सिंगुलर फाइबर्स वाले ब्रिक्सन स्फेयर्स) के डेटासेट पर, रिग्रेशन मॉडल $\widehat{Z}$ -सीरीज के लीडिंग एक्सपोनेंट्स से $d$ -इनवेरिएंट (या समकक्ष $\tau$ -फंक्शन योगदान) की भविष्यवाणी $>99.9\%$ स्पष्ट भिन्नता ( $R^2$ ) के साथ कर सकता है।
- यह संबंध लीडिंग एक्सपोनेंट ऑफसेट्स के एक क्वाड्रेटिक पॉलीनोमियल द्वारा प्रभावी रूप से कैप्चर किया जाता है।
- सीफर्ट इनवेरिएंट्स से प्राप्त सिमेट्राइज्ड डेडकिंड सम्स (symmetrized Dedekind sums) के साथ इनपुट को बढ़ाने पर, मॉडल $d$ के सटीक पूर्णांक मान की भविष्यवाणी करने में लगभग 90% सटीकता प्राप्त करता है।
- लेखक नोट करते हैं कि जबकि $q$ -सीरीज एक्सपोनेंट्स में ब्रिक्सन केस में सीफर्ट पैरामीटर्स (और इस प्रकार $d$ ) को पुनर्गठित करने के लिए पर्याप्त अंकगणितीय जानकारी होती है, यह जनरल मैनिफोल्ड्स (जैसे, नॉन-स्क्वायर-फ्री ब्रिक्सन स्फेयर्स या सामान्य मैनिफोल्ड्स) के लिए सामान्यीकृत नहीं होता है, जहाँ मॉडल विफल हो जाते हैं।
इंटरप्रिटेबिलिटी अंतर्दृष्टि: यह अध्ययन प्रदर्शित करता है कि ML मॉडल केवल अपारदर्शी सहसंबंध (opaque correlations) नहीं खोजते, बल्कि अक्सर विशिष्ट, गणितीय रूप से न्यायसंगत प्रॉक्सी सीखते हैं। उदाहरण के लिए, $\epsilon_{\min}$ पर निर्भरता को एक कठोर स्पेक्ट्रल बाउंड द्वारा समझाया गया है। नेटवर्क द्वारा सीखे गए "सरोगेट" फीचर्स (जैसे, गैप स्टैटिस्टिक्स) अक्सर सीमित डेटासेट में सटीक टोपोलॉजिकल परिभाषाओं की तुलना में अधिक स्थिर सिग्नल प्रदान करते हैं, जो उच्च सटीकता और देखे गए विशिष्ट जनरलाइजेशन एरर्स दोनों की व्याख्या करते हैं।

महत्व और दावे
यह पेपर ट्रंकेटेड अनंत $q$ -सीरीज के रूप में संरचित गणितीय डेटा को संभालने के लिए एक व्यवस्थित ढांचे को स्थापित करने का दावा करता है। इसका प्राथमिक महत्व निम्नलिखित में निहित है:

पद्धतिगत प्रगति: यह प्रदर्शित करना कि ML जटिल सीरीज डेटा से मानव-समझने योग्य टोपोलॉजिकल नियमों को निकाल सकता है, जो केवल भविष्यवाणी से आगे बढ़कर इंटरप्रिटेबिलिटी रिग्रेशन के माध्यम से यांत्रिक समझ (mechanistic understanding) तक जाता है।
नवीन संबंध: सीफर्ट होमोलॉजी स्फेयर्स के लिए $\widehat{Z}$ -इनवेरिएंट्स के एक्सपोनेंट्स और हीगार्ड फ्लोर $d$ -इनवेरिएंट के बीच एक मजबूत, उच्च-सटीकता वाले प्रेडिक्टिव संबंध को प्रकट करना। यह सुझाव देता है कि $\widehat{Z}$ -इनवेरिएंट्स होमोलॉजी कोबॉर्डिज्म तुल्यता (equivalences) के संबंध में सूक्ष्म ज्यामितीय जानकारी को कैप्चर करते हैं।
चेतावनी नोट: लेखक अपने निष्कर्षों को विनम्रता से प्रस्तुत करते हैं, यह नोट करते हुए कि जबकि मॉडल विशिष्ट परिवारों (जैसे ब्रिक्सन स्फेयर्स) के भीतर मजबूत इंटरपोलेशन नियम सीखते हैं, वे आवश्यक रूप से टोपोलॉजिकल इनवेरिएंट्स के लिए सामान्य क्लोज्ड-फॉर्म फॉर्मूला नहीं सीखते हैं (जैसा कि आउट-ऑफ-डिस्ट्रीब्यूशन $SL_2(\mathbb{Z})$ ऑर्बिट साइज पर विफलता से सिद्ध होता है)।

यह कार्य क्वांटम इनवेरिएंट्स के अध्ययन के लिए एक नया दिशा सुझाता है, जहाँ मशीन लर्निंग एक उपकरण के रूप में कार्य करता है जिससे यह पहचाना जा सके कि टोपोलॉजिकल वर्गीकरण और कोबॉर्डिज्म गुणों के लिए कौन से स्पेक्ट्रल और ज्यामितीय प्रॉक्सी सबसे प्रासंगिक हैं।

इसी तरह के और पेपर