Multifractal signatures of AI, animal, nature, cave, and human art

तकनीकी सारांश: AI, पशु, प्रकृति, गुफा और मानव कला के मल्टीफ्रेक्टल हस्ताक्षर

समस्या विवरण
यह अध्ययन विभिन्न श्रेणियों के 'मार्क-मेकिंग' (चिह्न बनाने की प्रक्रिया)—जैसे कृत्रिम बुद्धिमत्ता (AI) द्वारा निर्मित चित्र, पशु चित्रकला, प्रागैतिहासिक गुफा कला, मानव आकृतियों वाली कला, गणितीय फ्रैक्टल्स और प्राकृतिक फोटोग्राफ—के बीच व्यवस्थित, मात्रात्मक तुलना के अभाव को संबोधित करता है। यद्यपि फ्रैक्टल और मल्टीफ्रेक्टल विश्लेषण का उपयोग विशिष्ट कलाकारों (जैसे पोलक, वैन गॉग) और प्राकृतिक परिदृश्यों के लिए किया गया है, लेकिन इन भिन्न स्रोतों के दृश्य बनावट (visual texture) की तुलना करने के लिए एक एकीकृत ढांचा अनुपस्थित है। यह शोध इस बात की जांच करता है कि क्या मल्टीफ्रेक्टल पैरामीटर इन श्रेणियों के बीच अंतर कर सकते हैं और यह भी पता लगाता है कि ये सांख्यिकीय हस्ताक्षर किस हद तक इरादा (intentionality), ध्यान (attention) और संज्ञानात्मक प्रक्रियाओं के सहसंबंध (correlates) के रूप में कार्य कर सकते हैं, जबकि वे स्पष्ट रूप से बनावट को चेतना के प्रत्यक्ष प्रमाण के रूप में व्याख्या करने के विरुद्ध चेतावनी देते हैं।

कार्यप्रणाली
इस शोध में 142 छवियों के एक डेटासेट का उपयोग किया गया जिन्हें छह समूहों में वर्गीकृत किया गया: AI-जनित कला ($n=19$), पशु चित्रकला ($n=24$), प्रागैतिहासिक गुफा चित्र ($n=35$), एक एकल कलाकार निकोले ग्रिगोरस्कु की मानव चित्रकला ($n=16$), गणितीय फ्रैक्टल्स ($n=23$), और प्राकृतिक फोटोग्राफ ($n=25$)।

• प्रीप्रोसेसिंग (पूर्व-प्रसंस्करण): छवियों को ग्रेस्केल में परिवर्तित किया गया, समदैशिक स्केलिंग (isotropic scaling) सुनिश्चित करने के लिए उन्हें केंद्र में 1:1 वर्ग में क्रॉप किया गया, और पिक्सेल तीव्रता मानों के लिए 0 और 1 के बीच सामान्यीकृत (normalize) किया गया।
• मल्टीफ्रेक्टल विश्लेषण पाइपलाइन: एक पायथन-आधारित पाइपलाइन ने मानक विभाजन-फंक्शन (partition-function) दृष्टिकोण को लागू किया। छवियों का विश्लेषण तीव्रता ग्रेडिएंट्स (intensity gradients) के परिमाण पर बॉक्स-काउंटिंग पद्धति का उपयोग करके किया गया। इस प्रक्रिया में शामिल था:
  • विभिन्न आकारों के गैर-अतिव्यापी बक्सों (non-overlapping boxes) में छवियों का विभाजन (8 लॉगरिदमिक रूप से स्पेस किए गए स्केल)।
  • लॉग-लॉग स्पेस में लीनियर रिग्रेशन के माध्यम से मास एक्सपोनेंट $\tau(q)$ प्राप्त करने के लिए विभाजन फलन $Z(q,s)$ की गणना।
  • $q \in [-10, 10]$ के मोमेंट ऑर्डर्स के लिए।
  • सामान्यीकृत फ्रैक्टल आयामों ($D_q$) और लेजेंड्रे ट्रांसफॉर्म (Legendre transform) के माध्यम से सिंगुलैरिटी स्पेक्ट्रम की गणना।
• पैरामीटर्स: छह प्रमुख पैरामीटर निकाले गए: कैपेसिटी डायमेंशन ($D_0$), इंफॉर्मेशन डायमेंशन ($D_1$), कोरिलेशन डायमेंशन ($D_2$), स्पेक्ट्रम विड्थ ($\Delta\alpha$), सिंगुलैरिटी स्ट्रेंथ ($\alpha_0$), और स्पेक्ट्रल एसिमेट्री ($A$)।
• सांख्यिकीय विश्लेषण: सामान्यता (normality) के बार-बार उल्लंघन (शपिरो-विल्क टेस्ट द्वारा आकलित) के कारण, अध्ययन ने नॉन-पैरामीट्रिक सांख्यिकी का उपयोग किया। वैश्विक अंतरों का परीक्षण क्रुस्कल-वालिस एच-टेस्ट (Kruskal–Wallis H-tests) द्वारा किया गया, जिसके बाद बोनफेरोनी सुधार (Bonferroni correction) के साथ पेयरवाइज मैन-व्हिटनी यू टेस्ट (Mann–Whitney U tests) किए गए।

प्रमुख परिणाम
विश्लेषण से पता चला कि जबकि सामान्यीकृत आयाम ($D_0, D_1, D_2$) विभिन्न श्रेणियों में मध्यम भिन्नता दिखाते हैं, उच्च-क्रम के डिस्क्रिप्टर—विशेष रूप से स्पेक्ट्रम विड्थ ($\Delta\alpha$), सिंगुलैरिटी स्ट्रेंथ ($\alpha_0$), और एसिमेट्री ($A$)—प्राथमिक विभेदक (discriminators) थे।

1. AI-जनित कला: इसने सभी श्रेणियों में सबसे विस्तृत मल्टीफ्रेक्टल स्पेक्ट्रा ($\Delta\alpha = 1.382$) प्रदर्शित किया, जो प्राकृतिक फोटोग्राफ और मानव कला (जिसका स्पेक्ट्रा सबसे संकीर्ण $\Delta\alpha = 0.613$ था) दोनों से काफी अधिक था। AI छवियां सांख्यिकीय रूप से सुव्यवस्थित थीं (मुख्यतः सामान्य वितरण) लेकिन "हाइपर-मल्टीफ्रेक्टल" विषमता प्रदर्शित करती थीं। विशेष रूप से, AI छवियां कम एसिमेट्री मानों ($0.359$) पर क्लस्टर हुईं, जबकि मानव छवियों ने सभी श्रेणियों में उच्चतम माध्य सकारात्मक एसिमेट्री ($1.814$) प्रदर्शित की।
2. पशु चित्रकला: औसतन, पशु मार्क-मेकिंग ने स्पेक्ट्रम विड्थ ($\Delta\alpha \approx 1.1$) में प्राकृतिक फोटोग्राफ के बराबर प्रदर्शन किया। हालांकि, महत्वपूर्ण व्यक्तिगत भिन्नता देखी गई। एक चिंपांजी (कॉंगो) ने उच्च एसिमेट्री और सूक्ष्म विवरण वाले चित्र बनाए, जबकि एक हाथी (सुडा) ने सममित, लयबद्ध बनावट (rhythmic textures) उत्पन्न की। इस श्रेणी में मिश्रित सामान्यता देखी गई, जो इन व्यक्तिगत अंतरों से प्रेरित थी।
3. गुफा कला: इसने किसी भी श्रेणी की तुलना में उच्चतम स्थानिक एकरूपता (उच्चतम $D_1$ और $D_2$ मान) प्रदर्शित की, जो सैद्धांतिक अधिकतमों के करीब है। हालांकि, यह श्रेणी समग्र रूप से सबसे विषम (heterogeneous) थी, जो छह में से छह मेट्रिक्स में मजबूत नॉन-नॉर्मलिटी दिखाती है। यह सुझाव देता है कि "गुफा कला" एक अखंड शैली नहीं है बल्कि साइट, सबस्ट्रेट और संरक्षण स्थितियों के अनुसार भिन्न होती है।
4. मानव पेंटिंग्स (ग्रिगोरस्कु): इसने सबसे संकीर्ण स्पेक्ट्रम विड्थ ($\Delta\alpha = 0.613$) और उच्चतम माध्य सकारात्मक एसिमेट्री ($1.814$) दिखाई। यह उच्च एसिमेट्री मुख्य रूप से एक आउटलियर पेंटिंग (Peasant Girl Resting) द्वारा संचालित थी जिसमें अत्यधिक फिगर-ग्राउंड कंट्रास्ट था। कोई भी AI-जनित छवि, पशु पेंटिंग या फोटोग्राफ इस एसिमेट्री मान के करीब नहीं पहुंचा; एकमात्र तुलनीय मामला एक गुफा पेंटिंग का था।
5. गणितीय फ्रैक्टल्स: उच्चतम कैपेसिटी डायमेंशन ($D_0$) और लगभग शून्य एसिमेट्री द्वारा चिह्नित, जो उनके नियत (deterministic), औपचारिक निर्माण के अनुरूप है।

महत्व और दावे
यह शोध दावा करता है कि मल्टीफ्रेक्टल विश्लेषण जैविक, सांस्कृतिक और सिंथेटिक स्रोतों के बीच बनावट हस्ताक्षरों (texture signatures) को अलग करने के लिए एक मात्रात्मक विधि प्रदान करता है। इसका प्राथमिक अनुभवजन्य योगदान यह प्रदर्शन करना है कि स्पेक्ट्रम विड्थ, $\alpha_0$, और एसिमेट्री, सामान्यीकृत आयामों की तुलना में अधिक प्रभावी विभेदक हैं।

व्याख्या के संबंध में, लेखक एक "वर्किंग एस्थेटिक हाइपोथीसिस" (working Aesthetic Hypothesis) प्रस्तावित करते हैं जहाँ मल्टीफ्रेक्टल हस्ताक्षरों को—साक्ष्य के बजाय—'कैंडिडेट कोरिलेट्स' (उम्मीदवार सहसंबंधों) के रूप में माना जाता है, जो इरादे (intentionality), संरचनात्मक संगठन और मोटर नियंत्रण के संकेत हो सकते हैं। पेपर स्पष्ट रूप से बनावट सांख्यिकी और संज्ञानात्मक अवस्थाओं (जैसे फ्लो, ध्यान, चेतना) के बीच के संबंध को काल्पनिक और ह्यूरिस्टिक (heuristic) के रूप में फ्रेम करता है। यह एक "चेतना के स्पेक्ट्रम" (spectrum-of-consciousness) ढांचे को पेश करता है (तालिका 7-9) ताकि परीक्षण योग्य परिकल्पनाएं उत्पन्न की जा सकें, लेकिन इस बात पर जोर देता है कि इन संबंधों को स्वतंत्र व्यवहारिक, शारीरिक या तंत्रिका संबंधी मार्करों के विरुद्ध सत्यापित नहीं किया गया है।

अध्ययन निष्कर्ष निकालता है कि:

• AI टेक्सचर, मानव या प्राकृतिक स्रोतों की तुलना में विशिष्ट, व्यापक मल्टीफ्रेक्टल स्पेक्ट्रा रखते हैं, हालांकि वे इस डेटासेट में प्राकृतिक फोटोग्राफ के निम्न एसिमेट्री गुणों के साथ साझा करते हैं, जो मानव कला की उच्च एसिमेट्री से भिन्न है।
• पशु कला को एक समान श्रेणी के रूप में नहीं माना जा सकता; व्यक्तिगत भिन्नता (जैसे, कॉंगो और सुडा के बीच) पर्याप्त है।
• प्रागैतिहासिक गुफा कला उच्च स्थानिक एकरूपता प्रदर्शित करती है लेकिन महत्वपूर्ण साइट-विशिष्ट विषमता दिखाती है, जो एक एकल "पेलियोलिथिक शैली" की धारणा को चुनौती देती है।
• मानव कला में अत्यधिक फिगर-ग्राउंड कंट्रास्ट (उच्च एसिमेट्री) नमूने में लिए गए कलाकार के आउटपुट में देखा गया और यह नमूने में मौजूद किसी अन्य श्रेणी में नहीं हुआ, हालांकि लेखक का कहना है कि इसे बनावट सांख्यिकी के माध्यम से अद्वितीय मानव संज्ञानात्मक उपलब्धि के रूप में तय नहीं किया जा सकता है।

लेखक चेतावनी देते हैं कि बनावट सांख्यिकी अकेले "अन्य मन की समस्या" (problem of other minds) को हल नहीं कर सकती या गैर-मानव रचनाकारों या AI सिस्टम को निश्चित रूप से सचेत अवस्थाओं का श्रेय नहीं दे सकती। यह अध्ययन एक प्रारंभिक बिंदु के रूप में कार्य करता है जो जुड़ाव और संज्ञान के स्वतंत्र मापों के साथ मल्टीफ्रेक्टल विश्लेषण को जोड़ता है।