Predictive Holonomy and Minimal Completion of Coarse Dynamics

जटिल प्रणालियों के अध्ययन में, तरल पदार्थों की घूमती गति से लेकर न्यूरॉन्स के फायरिंग पैटर्न तक, वैज्ञानिक अक्सर एक मौलिक दुविधा का सामना करते हैं: पूर्ण चित्र इतना विशाल होता है कि उसे समाहित करना असंभव है। दुनिया को समझने के लिए, उन्हें सरलीकरण करना पड़ता है, अनगिनत सूक्ष्म विवरणों को कुछ प्रबंधनीय चरों (variables) में समूहित करना पड़ता है। यह प्रक्रिया, जिसे 'कोर्स-ग्रेनिंग' (coarse-graining) कहा जाता है, हर एक पेड़ के बजाय पूरे जंगल को देखने की कला है। हालाँकि, इस दृष्टिकोण के साथ एक निरंतर समस्या बनी रहती है। जब वैज्ञानिक एक प्रणाली को सरल बनाते हैं और फिर केवल उन सरल चरों के आधार पर उसके भविष्य की भविष्यवाणी करने का प्रयास करते हैं, तो भविष्यवाणियाँ अक्सर वास्तविकता से भटक जाती हैं। सरल मॉडल अपने आप विकसित होने में विफल रहता है; इसे बाहर से निरंतर सुधार की आवश्यकता होती है। दशकों से, इस विचलन (drift) को मॉडल की एक खामी माना जाता रहा है, एक संकेत कि सन्निकटन (approximation) पर्याप्त अच्छा नहीं था। प्रचलित विचार यह था कि यदि आप पर्याप्त समय तक प्रतीक्षा करें या सावधानीपूर्वक औसत निकालें, तो त्रुटियां स्वतः ही सुधर जाएंगी।

लेकिन क्या होगा यदि वह विचलन कोई गलती नहीं है? क्या होगा यदि त्रुटि स्वयं एक संदेश हो? एक नया शोध सुझाव देता है कि जब एक सरल मॉडल भविष्य की सही भविष्यवाणी करने में विफल रहता है, तो वह विफलता यादृच्छिक शोर (random noise) नहीं होती है। इसके बजाय, भविष्यवाणी गलत होने का विशिष्ट तरीका उस सटीक मानचित्र को दर्शाता है जो उस जानकारी को बताता है जिसे पीछे छोड़ दिया गया था। विसंगति कोई बग नहीं है; यह छूटे हुए 'स्टेट' (state) का एक सीमा माप (boundary measurement) है। इस विफलता के पैटर्न का विश्लेषण करके, शोधकर्ता उन छिपे हुए चरों को पुनर्गणना कर सकते हैं जिन्हें त्याग दिया गया था, जिससे एक टूटे हुए सन्निकटन को एक पूर्ण, स्व-निहित विवरण में बदला जा सकता है।

यह हालिया कार्य के मुख्य निष्कर्ष को दर्शाता है, जो मैक्सिम वी. चुरिलोव (Maxim V. Churilov) द्वारा किया गया है, जो ओरेनबर्ग, रूस के एक स्वतंत्र शोधकर्ता हैं। यह अध्ययन इस प्रश्न का समाधान करता है कि एक सरल प्रणाली को फिर से पूर्ण रूप से कार्य करने योग्य बनाने के लिए उसमें क्या जोड़ा जाना चाहिए। कल्पना कीजिए कि आपके पास हजारों चलते हुए पुर्जों वाली एक जटिल मशीन है, लेकिन आप केवल दो बड़े गियरों की स्थिति देख सकते हैं। यदि आप केवल उन दो गियरों का उपयोग करके मशीन के व्यवहार की भविष्यवाणी करने का प्रयास करते हैं, तो आपकी भविष्यवाणी अंततः वास्तविकता से विचलित हो जाएगी क्योंकि गियर हजारों अनदेखी आंतरिक घटकों से प्रभावित होते हैं। शोध पत्र प्रदर्शित करता है कि इस विचलन की दर और पैटर्न मनमाना नहीं है। वे एक छिपी हुई, आंतरिक संरचना द्वारा निर्धारित होते हैं जिसे गणितीय रूप से पुनः प्राप्त किया जा सकता है। लेखक दिखाते हैं कि प्रणाली की "स्मृति" (memory)—अनदेखे हिस्सों का निरंतर प्रभाव—वास्तव में एक मापने योग्य मात्रा है जो यह प्रकट करती है कि मॉडल को ठीक करने के लिए कितने छिपे हुए चरों की आवश्यकता है।

शोधकर्ताओं ने केवल अवलोकन योग्य डेटा का उपयोग करके इस छिपी हुई जानकारी को निकालने की एक विधि विकसित की है। वे बहुत कम समय के अंतराल में सरल प्रणाली के व्यवहार को देखकर शुरुआत करते हैं। इन संक्षिप्त क्षणों में प्रणाली की अवस्था (state) कैसे बदलती है, इसे मापकर, वे "मेमोरी जेट्स" (memory jets) की एक श्रृंखला की गणना कर सकते हैं। ये पानी या हवा के भौतिक जेट नहीं हैं, बल्कि गणितीय स्नैपशॉट हैं कि कैसे प्रणाली का अतीत उसके तात्कालिक भविष्य को प्रभावित करता है। ये शुरुआती कुछ स्नैपशॉट शोधकर्ताओं को बताते हैं कि छिपे हुए हिस्से कितनी गहराई में दबे हैं। यदि प्रणाली अपने इतिहास के प्रति तुरंत प्रतिक्रिया करती है, तो छिपे हुए हिस्से सतह के करीब हैं। यदि प्रणाली को अपने अतीत के प्रभावों को दिखाने में समय लगता है, तो छिपे हुए हिस्से गहरे हैं। शोध पत्र सिद्ध करता है कि छिपे हुए प्रभाव का पहला क्षण ही एक विशिष्ट नियम निर्धारित करता है कि समय के साथ त्रुटि कैसे बढ़ती है, जो छूटी हुई जानकारी के फिंगरप्रिंट की तरह कार्य करता है।

एक बार जब ये मेमोरी स्नैपशॉट प्राप्त हो जाते हैं, तो अगला चरण यह निर्धारित करना है कि प्रणाली को फिर से पूर्ण बनाने के लिए कितने छिपे हुए चरों की आवश्यकता है। शोधकर्ता 'हैंकेल ऑपरेटर' (Hankel operator) नामक एक उपकरण का उपयोग करते हैं, जिसे एक विशाल ग्रिड के रूप में सोचा जा सकता है जो सभी मेमोरी स्नैपशॉट को एक संरचित पैटर्न में व्यवस्थित करता है। इस ग्रिड में स्वतंत्र पैटर्न की संख्या गिनकर, वे यह निर्धारित कर सकते हैं कि प्रणाली को पूर्ण करने के लिए न्यूनतम कितने छिपे हुए निर्देशांक (coordinates) आवश्यक हैं। यह संख्या केवल एक अनुमान नहीं है; यह एक सटीक गणना है। यदि ग्रिड तीन स्वतंत्र पैटर्न दिखाता है, तो टूटे हुए, भटकते हुए मॉडल को एक पूर्ण, स्व-संचालित मॉडल में बदलने के लिए ठीक तीन छिपे हुए चर आवश्यक और पर्याप्त हैं। शोध पत्र इस नए, पूर्ण मॉडल के निर्माण के लिए एक रचनात्मक नुस्खा प्रदान करता है, जो यह भी दिखाता है कि इन छिपे हुए चरों को कैसे व्यवस्थित किया जाए ताकि प्रणाली बिना किसी बाहरी सहायता के सही ढंग से विकसित हो सके।

इस सिद्धांत के कार्य करने की पुष्टि करने के लिए, लेखक ने यादृच्छिक प्रक्रियाओं के सरल गणितीय मॉडलों का उपयोग करके कई विशिष्ट उदाहरण बनाए। एक मामले में, एक एकल छिपे हुए चर वाली प्रणाली को एक विशिष्ट तरीके से विफल होते दिखाया गया, जिसमें त्रुटि समय की चौथी घात (fourth power) के समानुपाती दर से बढ़ती है। एक अन्य उदाहरण में, दो छिपे हुए चरों वाली प्रणाली में त्रुटि छठी घात के साथ बढ़ती है, और तीन छिपे हुए चरों वाले तीसरे उदाहरण में त्रुटि आठवीं घात के साथ बढ़ती है। इन परिणामों को उच्च सटीकता के साथ सत्यापित किया गया, जिससे पुष्टि हुई कि विफलता का पैटर्न छिपी हुई संरचना का एक प्रत्यक्ष और विश्वसनीय संकेतक है। अध्ययन ने यह भी दिखाया कि यह विधि शोर युक्त (noisy) डेटा के साथ भी काम करती है, जो वास्तविक छिपी हुई संरचना और यादृच्छिक माप त्रुटियों के बीच अंतर करने का एक तरीका प्रदान करती है।

इस कार्य के निहितार्थ केवल टूटे हुए मॉडलों को ठीक करने तक सीमित नहीं हैं। यह वैज्ञानिकों के सोचने के तरीके को बदल देता है कि "स्टेट" (state) की प्रकृति क्या है। पारंपरिक भौतिकी में, एक स्टेट को अक्सर उन चरों द्वारा परिभाषित किया जाता है जिन्हें हम मापते हैं। यह शोध पत्र तर्क देता है कि एक वास्तविक स्टेट उस चीज़ से परिभाषित होता है जो भविष्य की भविष्यवाणी करने के लिए आवश्यक है। यदि चरों का एक समूह बिना मदद के भविष्य की भविष्यवाणी नहीं कर सकता, तो वह स्टेट अधूरा है। छूटे हुए हिस्से केवल अज्ञात विवरण नहीं हैं; वे छिपे हुए निर्देशांकों का एक विशिष्ट, गणनीय सेट हैं जिन्हें भविष्यवाणी की विफलता से ही पुनर्गठित किया जा सकता है। यह सरलीकरण की समस्या को पूरी तरह उलट देता है। यह पूछने के बजाय कि किन चरों को रखना चाहिए, प्रश्न यह बन जाता है कि विवरण को कैसे पूर्ण किया जाए ताकि चुने गए चर पर्याप्त हों।

यह शोध दो अलग-अलग प्रकार के पूर्णता (completion) के बीच एक स्पष्ट रेखा खींचता है। एक प्रकार का गणितीय सुधार है जो समीकरणों को कार्यशील बनाता है, जिसमें ऐसे चर शामिल हो सकते हैं जो ऋणात्मक मान ले सकते हैं या अन्य गैर-भौतिक गुण रख सकते हैं। दूसरा प्रकार का भौतिक सुधार है जिसके लिए छिपे हुए चरों को वास्तविक संभावनाओं (probabilities) की तरह व्यवहार करने, यानी धनात्मक रहने और एक के योग के रूप में रहने की आवश्यकता होती है। शोध पत्र दिखाता है कि जबकि गणितीय सुधार हमेशा संभव और अद्वितीय होता है, भौतिक सुधार के लिए और भी अधिक छिपे हुए चरों की आवश्यकता हो सकती है। यह अंतर यह समझने के लिए महत्वपूर्ण है कि कब एक सरल मॉडल वास्तव में एक भौतिक वास्तविकता का प्रतिनिधित्व कर सकता है। यह कार्य यह परीक्षण करने का एक कठोर तरीका प्रदान करता है कि क्या एक मॉडल पूर्ण है, जो शोधकर्ताओं को एक विश्वास प्रमाण (certificate of confidence) देता है कि उनकी दुनिया के विवरण को पूर्ण बनाने के लिए कितने छिपे हुए आयामों की आवश्यकता है।

अंततः, यह अध्ययन जटिल दुनिया और उसके बारे में हमारी सरल समझ के बीच के अंतर को देखने का एक नया तरीका प्रदान करता है। यह सुझाव देता है कि हमारे मॉडलों में होने वाली त्रुटियाँ केवल सन्निकटन की विफलताएँ नहीं हैं, बल्कि सूचना के समृद्ध स्रोत हैं। जिस तरह से एक मॉडल विफल होता है, वह हमें बताता है कि उसमें क्या कमी है। विफलता की विशिष्ट भाषा को सुनकर, वैज्ञानिक प्रणाली की छिपी हुई मशीनरी को पुनर्गठित कर सकते हैं, जिससे एक मोटे, अधूरे चित्र को एक सटीक, स्वायत्त चित्र में बदला जा सकता है। अतीत की स्मृति, जिसे कभी औसत निकालने के लिए एक बाधा माना जाता था, अब वर्तमान की पूर्ण अवस्था को अनलॉक करने की कुंजी के रूप में प्रकट होती है।