Mutual information-entropy plane: a new quantifier space for time series analysis

जटिल प्रणालियों के अध्ययन में, शेयर बाजार की हलचल से लेकर मस्तिष्क में न्यूरॉन्स के सक्रिय होने तक, वैज्ञानिक अक्सर इस बात को मापने के तरीके खोजते हैं कि कोई प्रणाली कितनी अप्रत्याशित है और वह दूसरी प्रणाली के साथ कितनी समानता साझा करती है। दो शक्तिशाली उपकरणों ने शोधकर्ताओं को इस क्षेत्र में नेविगेट करने में लंबे समय तक मदद की है: एंट्रॉपी (entropy) और म्यूचुअल इंफॉर्मेशन (mutual information)। एंट्रॉपी अव्यवस्था या यादृच्छिकता (randomness) का एक माप है; एक पूरी तरह से अनुमानित घड़ी की एंट्रॉपी कम होती है, जबकि शुद्ध स्टैटिक शोर (static noise) वाली प्रणाली की एंट्रॉपी उच्च होती है। दूसरी ओर, म्यूचुअल इंफॉर्मेशन यह मापती है कि दो अलग-अलग प्रणालियाँ एक-दूसरे के बारे में हमें कितना बताती हैं। यदि एक प्रणाली की स्थिति जानने से आप दूसरी प्रणाली की स्थिति का उच्च सटीकता के साथ अनुमान लगा सकते हैं, तो वे बहुत अधिक म्यूचुअल इंफॉर्मेशन साझा करती हैं। दशकों से, वैज्ञानिकों ने इन उपकरणों का अलग-अलग उपयोग किया है, व्यवस्थित, अराजक (chaotic) और यादृच्छिक व्यवहारों के बीच अंतर करने के लिए उन्हें मानचित्रों पर अंकित किया है। हालाँकि, एक महत्वपूर्ण अंतराल बना रहा: जबकि ये उपकरण एक एकल प्रणाली की अराजकता या दो प्रणालियों के बीच के संबंध का वर्णन कर सकते थे, वे एक ही समय में एक प्रणाली की आंतरिक अनिश्चितता और दूसरी के साथ उसके संबंध, दोनों को दिखाने में संघर्ष करते थे, और न ही वे आसानी से यह प्रकट कर पाते थे कि कौन सी प्रणाली दूसरी प्रणाली को संचालित कर रही थी।

अर्जेंटीना के शोधकर्ताओं की एक टीम ने अब इन संबंधों को विज़ुअलाइज़ करने का एक नया तरीका प्रस्तावित किया है, जो इन अवधारणाओं को एक एकल, सहज चित्र में संयोजित करने वाला द्वि-आयामी मानचित्र बनाता है। अव्यवस्था के मानक माप को साझा जानकारी के माप के साथ जोड़कर, उन्होंने एक ऐसा तल (plane) बनाया जहाँ प्रत्येक बिंदु परस्पर क्रिया करने वाली दो 'टाइम सीरीज़' (time series) के बारे में एक पूर्ण कहानी बताता है। यह नया दृष्टिकोण, जिसे वे 'म्यूचुअल इंफॉर्मेशन-एंट्रॉपी प्लेन' कहते हैं, वैज्ञानिकों को न केवल यह देखने की अनुमति देता है कि एक प्रणाली कितनी अराजक है या वह अपने साथी के साथ कितनी निकटता से जुड़ी है, बल्कि उन्हें दो प्रणालियों के बीच प्रभाव की दिशा निर्धारित करने की भी अनुमति देता है। शोधकर्ताओं ने इस पद्धति का परीक्षण तीन अलग-अलग प्रकार के व्यवहारों पर किया: नियमित, अनुमानित गति; अराजक, नियतवादी (deterministic) गति जो यादृच्छिक दिखती है लेकिन सख्त नियमों का पालन करती है; और शुद्ध यादृच्छिक शोर (random noise)। उन्होंने पाया कि यह नया मानचित्र इन विभिन्न व्यवहारों को स्पष्ट रूप से अलग कर सकता है, भले ही वे समान मात्रा में जानकारी साझा करते हों, जिससे एक ऐसी समस्या हल हुई जिसे पिछले तरीके नहीं सुलझा सके थे।

इस नई पद्धति का मूल आधार यह है कि शोधकर्ताओं ने अपने डेटा को कैसे व्यवस्थित किया। उन्होंने एक प्रणाली की आंतरिक अव्यवस्था के माप को एक अक्ष (axis) पर रखा, जबकि उसने अपने साथी के साथ साझा की गई जानकारी के माप को दूसरे अक्ष पर रखा। जब उन्होंने परिणामों को अंकित किया, तो एक स्पष्ट ज्यामितीय पैटर्न उभरा। शोधकर्ताओं ने पाया कि मानचित्र पर एक विशिष्ट विकर्ण रेखा (diagonal line) से डेटा बिंदु की दूरी कुछ गहरा प्रकट करती है: वह डिग्री जिस पर एक प्रणाली दूसरी प्रणाली से स्वतंत्र रहती है। यदि एक बिंदु सीधे रेखा पर स्थित है, तो दोनों प्रणालियाँ इतनी मजबूती से जुड़ी हुई हैं कि एक को जानना दूसरे को पूरी तरह से समझा देता है। यदि बिंदु रेखा से काफी नीचे स्थित है, तो इसका अर्थ है कि भले ही प्रणालियाँ आपस में जुड़ी हों, लेकिन एक प्रणाली के व्यवहार का एक महत्वपूर्ण हिस्सा दूसरी प्रणाली को देखने पर भी रहस्य बना रहता है। यह ऊर्ध्धर दूरी "सूचनात्मक स्वतंत्रता" (informational independence) के प्रत्यक्ष माप के रूप में कार्य करती है, जो एक ऐसी अवधारणा है जिसे विज़ुअलाइज़ करना पहले कठिन था।

जो इस नई खोज को विशेष रूप से शक्तिशाली बनाता है, वह है जटिल गणनाओं के बिना दिशात्मकता (directionality) को प्रकट करने की इसकी क्षमता। कई वैज्ञानिक क्षेत्रों में, यह निर्धारित करने के लिए कि क्या प्रणाली A, प्रणाली B में परिवर्तन लाती है, या इसके विपरीत, भारी कम्प्यूटेशनल उपकरणों की आवश्यकता होती है। शोधकर्ताओं ने दिखाया कि इस मानचित्र पर दोनों प्रणालियों को प्लॉट करके, ज्यामिति स्वयं प्रभाव के प्रवाह को प्रकट करती है। यदि प्रणाली A, प्रणाली B को संचालित करती है, तो A का प्रतिनिधित्व करने वाला बिंदु B के प्रतिनिधित्व करने वाले बिंदु की तुलना में विकर्ण रेखा के करीब स्थित होगा। यह विषमता (asymmetry) एक सरल दृश्य तीर बनाती है, जो चालक (driver) से संचालित (driven) की ओर इशारा करती है, जिससे शोधकर्ता केवल बिंदुओं की सापेक्ष स्थितियों को देखकर सूचना प्रवाह की दिशा देख सकते हैं। यह डेटा के नृत्य के चरणों की गणना किए बिना यह देखने का एक तरीका है कि कौन नेतृत्व कर रहा है और कौन अनुसरण कर रहा है।

अपने नए मानचित्र की उपयोगिता को सिद्ध करने के लिए, शोधकर्ताओं ने तीन क्लासिक परिदृश्यों का अनुकरण (simulate) किया। सबसे पहले, उन्होंने एक पेंडुलम के झूलने जैसी नियमित, अनुमानित गति को देखा। इसके बाद, उन्होंने अराजक प्रणालियों का परीक्षण किया, जो नियतवादी हैं लेकिन यादृच्छिक प्रतीत होती हैं, जैसे कि जनसंख्या वृद्धि को मॉडल करने के लिए उपयोग किया जाने वाला प्रसिद्ध 'लॉजिस्टिक्स मैप' (logistic map)। अंत में, उन्होंने शुद्ध 'व्हाइट नॉइज़' (white noise) का अध्ययन किया, जो पूरी तरह से यादृच्छिक है। फिर उन्होंने प्रत्येक मामले के लिए एक दूसरी प्रणाली बनाई जो मूल प्रणाली और कुछ यादृच्छिक शोर का मिश्रण थी, जिसे एक 'कपलिंग फैक्टर' (coupling factor) द्वारा नियंत्रित किया गया था। जैसे-जैसे उन्होंने इस कारक को समायोजित किया, उन्होंने देखा कि उनके नए मानचित्र पर बिंदु कैसे चलते हैं। उन्होंने पाया कि जैसे-जैसे प्रणालियाँ अधिक जुड़ी हुई होती गईं, साझा जानकारी की मात्रा लगातार बढ़ती गई, लेकिन मानचित्र पर बिंदुओं की स्थिति प्रत्येक प्रकार की गतिशीलता के लिए विशिष्ट बनी रही। नियमित, अराजक और यादृच्छिक प्रणालियाँ तल के अलग-अलग क्षेत्रों में स्थित थीं, जिससे उन्हें स्पष्ट रूप से पहचाना जा सका। यह एक महत्वपूर्ण निष्कर्ष था क्योंकि पिछले तरीके अक्सर अराजक प्रणालियों को यादृच्छिक शोर से अलग करने में संघर्ष करते थे जब वे समान स्तर की जानकारी साझा करते थे।

शोधकर्ताओं ने यह भी प्रदर्शित किया कि यह पद्धति वास्तविक दुनिया के अनुप्रयोगों में कैसे काम करती है जहाँ दिशा का महत्व होता है। चालक प्रणाली की एंट्रॉपी को साझा जानकारी के विरुद्ध प्लॉट करके, और फिर परिणामी प्रणाली की एंट्रॉपी को उसी साझा जानकारी के विरुद्ध प्लॉट करके, वे एक स्पष्ट विभाजन देख सके। चालक प्रणाली के लिए बिंदु विकर्ण रेखा के करीब रहा, जबकि परिणामी प्रणाली के लिए बिंदु रेखा से दूर चला गया। इस दृश्य अंतराल ने पुष्टि की कि सूचना एक दिशा में, चालक से प्राप्तकर्ता की ओर प्रवाहित हो रही थी। शोधकर्ताओं ने उल्लेख किया कि यह दृष्टिकोण पुराने, अधिक कम्प्यूटेशनल रूप से महंगे तरीकों की तुलना में इन संबंधों को समझने का एक अधिक सीधा और ज्यामितीय तरीका प्रदान करता है।

हालाँकि, लेखक अपने इस नए उपकरण की सीमाओं के प्रति भी सावधान हैं। किसी भी पद्धति की तरह जो सांख्यिकीय पैटर्न पर निर्भर करती है, यह इस बात के प्रति संवेदनशील है कि डेटा को कैसे तैयार किया गया है। टाइम सीरीज़ को कैसे विभाजित किया जाता है, विश्लेषण के लिए उपयोग किए जाने वाले विंडोज़ का आकार क्या है, और उपलब्ध डेटा की मात्रा कितनी है, ये सभी मानचित्र पर बिंदुओं की स्थिति को बदल सकते हैं। बहुत छोटे या शोर वाले डेटा सेट के मामलों में, मानचित्र अपनी स्पष्टता खो सकता है, जिससे सूक्ष्म अंतरों को पहचानना कठिन हो जाता है। इन मामलों में, शोधकर्ता सुझाव देते हैं कि परिणामों को सटीक माप के बजाय सामान्य रुझानों के रूप में माना जाए। इन बाधाओं के बावजूद, यह नया तल जटिल गतिशीलता की तुलना करने के लिए एक मजबूत ढांचा प्रदान करता है। यह एक प्रणाली की आंतरिक अनिश्चितता और दूसरी के साथ उसके संबंध को एक साथ चित्रित करने का एक तरीका प्रदान करता है, जो अमूर्त गणितीय अवधारणाओं को एक दृश्य परिदृश्य (visual landscape) में बदल देता है जिसे शोधकर्ता स्पष्टता के साथ नेविगेट कर सकते हैं।

यह कार्य जटिल प्रणालियों के विश्लेषण में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है, जो अनिश्चितता और जुड़ाव का एक एकीकृत दृष्टिकोण प्रदान करता है। अव्यवस्था और साझा जानकारी के मापों को एक एकल, द्वि-आयामी स्थान में संयोजित करके, शोधकर्ताओं ने एक ऐसा उपकरण प्रदान किया है जो सहज और शक्तिशाली दोनों है। यह वैज्ञानिकों को न केवल यह देखने की अनुमति देता है कि कोई प्रणाली कितनी अराजक या यादृच्छिक है, बल्कि यह भी कि वह दूसरों के साथ कैसे संबंधित है और प्रभाव किस दिशा में बहता है। वित्तीय बाजारों, मस्तिष्क की गतिविधि या भौतिक प्रणालियों पर लागू होने के whether, यह नया मानचित्र शोधकर्ताओं को कारण और प्रभाव के जटिल जाल को सुलझाने में मदद करने का वादा करता है, जो सूचना के अदृश्य पैटर्न को एक स्पष्ट, दृश्य कहानी में बदल देता है।