Residual-adaptive truncation in an arbitrary-order tangent iteration for $\pi$: quadratic growth of the accuracy exponent

पाई (pi) की गणना करने की खोज, जो एक वृत्त की परिधि और उसके व्यास का अनुपात है, लंबे समय से गणित के सबसे शक्तिशाली उपकरणों के लिए एक परीक्षण स्थल के रूप में कार्य करती रही है। हालांकि संख्या स्वयं सरल रूप से परिभाषित है, इसका अनंत, गैर-दोहराव वाला दशमलव विस्तार इसे यह समझने के लिए एक आदर्श मामला बनाता है कि हम जटिल गणनाओं को कैसे संभालते हैं। सदियों से, गणितज्ञों ने पाई के अधिक अंक खोजने के लिए दो मुख्य रणनीतियों पर भरोसा किया है। पहला तरीका संख्याओं की लंबी सूचियों को एक श्रेणी (series) में जोड़ने में शामिल है, जहाँ प्रत्येक नया पद सटीकता की एक निश्चित, अनुमानित मात्रा जोड़ता है। दूसरा तरीका पुनरावृत्ति विधियों (iterative methods) का उपयोग करता है, जहाँ एक कंप्यूटर एक मोटे अनुमान से शुरू होता है और उसे बार-बार परिष्कृत करता है। इन पुनरावृत्ति दृष्टिकोणों में, लक्ष्य आमतौर पर हर एक चरण के साथ सही अंकों की संख्या को दोगुना करना होता है, जिसे 'क्वाड्रेटिक कन्वर्जेंस' (quadratic convergence) के रूप में जाना जाता है। हालाँकि ये विधियाँ अविश्वसनीय रूप से तेज़ हैं, वे आमतौर पर एक कठोर स्क्रिप्ट का पालन करती हैं: अनुमान को सुधारने के लिए उपयोग किया जाने वाला फॉर्मूला वही रहता है, भले ही अनुमान अधिक सटीक होता जाए।

वर्जीनिया टेक के शिह-हान वांग का एक नया अध्ययन इस विचार को चुनौती देता है कि स्क्रिप्ट को कठोर रहना चाहिए। यह शोध एक ऐसी विधि पेश करता है जहाँ गणना स्वयं इस आधार पर अपना व्यवहार बदल लेती है कि वह उत्तर के कितने करीब है। एक निश्चित फॉर्मूला का उपयोग करने के बजाय, यह विधि वर्तमान त्रुटि (error)—जो वर्तमान अनुमान और पाई के वास्तविक मान के बीच का अंतर है—को देखती है और यह तय करने के लिए उस त्रुटि का उपयोग करती है कि अगले गणना चरण में कितने पदों को शामिल किया जाना चाहिए। यह एक स्व-समायोजित प्रणाली (self-adjusting system) बनाता है जहाँ सुधार की गति गणना बेहतर होने के साथ नाटकीय रूप से तेज हो जाती है। अध्ययन प्रदर्शित करता है कि यह दृष्टिकोण न केवल सही अंकों की संख्या को दोगुना करता है; बल्कि यह प्रत्येक चरण के साथ सही अंकों की संख्या का वर्ग (square) करता है, जिससे सटीकता का एक ऐसा विस्फोट होता है जो पारंपरिक निश्चित-क्रम (fixed-order) विधियों से कहीं आगे निकल जाता है।

इस कार्य का मूल टेंगेंट फलन (tangent function) से संबंधित एक विशिष्ट गणितीय संबंध में निहित है। जब कोई संख्या पाई के बहुत करीब होती है, तो उसका टेंगेंट मान अत्यंत छोटा होता है, और यह छोटा मान त्रुटि के एक प्रत्यक्ष माप के रूप में कार्य करता है। शोधकर्ता ने महसूस किया कि इस त्रुटि के आकार का उपयोग यह निर्धारित करने के लिए किया जा सकता है कि अनुमान को ठीक करने के लिए कितने सुधार पदों (correction terms) की आवश्यकता है। एक मानक विधि में, एक गणितज्ञ यह तय कर सकता है कि विस्तार के पहले दस पदों को ठीक करने के लिए एक फॉर्मूला का उपयोग किया जाए, चाहे वर्तमान अनुमान बहुत कम भिन्नता से अलग हो या एक बड़े अंतर से। वांग की अनुकूलन विधि (adaptive method) में, कंप्यूटर पहले त्रुटि के आकार की जाँच करता है। यदि त्रुटि बड़ी है, तो यह एक छोटा सुधार उपयोग करता है। यदि त्रुटि बहुत कम है, तो यह स्वचालित रूप से एक बहुत लंबे, अधिक विस्तृत सुधार में बदल जाता है। यह निर्णय प्रत्येक चरण में लिया जाता है, जो इस प्रक्रिया को 'नॉन-स्टेशनरी' (non-stationary) बनाता है, जिसका अर्थ है कि जैसे-जैसे खेल आगे बढ़ता है, खेल के नियम भी बदलते रहते हैं।

इस कार्य के परिणाम गणितीय रूप से गहन हैं। अध्ययन सिद्ध करता है कि यदि किसी गणना में सही अंकों की एक निश्चित संख्या है, तो अगला चरण सही अंकों की संख्या का लगभग पिछले मान का वर्ग उत्पन्न करेगा। इसे समझने के लिए, यदि एक गणना ने 10 सही अंक प्राप्त कर लिए हैं, तो अगला चरण लगभग 100 सही अंकों तक पहुँच जाएगा। यदि यह 1,000 सही अंक तक पहुँच जाता है, तो अगला चरण एक मिलियन तक छलांग लगा देगा। यह अन्य उच्च-गति वाले एल्गोरिदम में देखी जाने वाली रैखिक (linear) या क्वाड्रेटिक वृद्धि से एक मौलिक बदलाव है। शोध पत्र दिखाता है कि यह वृद्धि केवल एक सैद्धांतिक संभावना नहीं है बल्कि इस विशिष्ट प्रकार की पुनरावृत्ति के लिए एक सिद्ध गणितीय नियम है, बशर्ते कि प्रारंभिक अनुमान पहले से ही वास्तविक मान के पर्याप्त करीब हो।

अपने निष्कर्षों को सत्यापित करने के लिए, शोधकर्ता ने चुडनोवस्की फॉर्मूला (Chudnikov formula) से प्राप्त पाई के एक प्रसिद्ध सन्निकटन (approximation) से शुरू करते हुए एक संख्यात्मक प्रयोग चलाया। प्रारंभिक अनुमान लगभग 13 दशमलव स्थानों तक सटीक था। पहले अनुकूलन चरण के बाद, सटीकता बढ़कर लगभग 385 सही अंक हो गई। दूसरे चरण ने सटीकता को लगभग 300,000 सही अंकों तक पहुँचा दिया। तीसरा चरण इतना शक्तिशाली था कि इसने सैद्धांतिक रूप से 100 बिलियन से अधिक सही अंक उत्पन्न किए, एक ऐसी विशाल संख्या कि कंप्यूटर केवल एक ज्ञात संदर्भ मानक के विरुद्ध पहले एक मिलियन अंकों को ही सत्यापित कर सका। तथ्य यह है कि पहले एक मिलियन अंक संदर्भ से पूरी तरह मेल खा गए, इसने पुष्टि की कि सैद्धांतिक भविष्यवाणियां सटीक थीं। पद्धति ने सफलतापूर्वक सन्निकटन का एक क्रम उत्पन्न किया जो सटीकता में ठीक वैसे ही बढ़ा जैसा कि गणितीय मॉडल ने भविष्यवाणी की थी, जो कुछ ही पुनरावृत्तियों में हजारों से लाखों अंकों तक पहुँच गया।

यह कार्य अपनी लचीलेपन के कारण अन्य उच्च-गति विधियों से अलग है। जबकि अन्य एल्गोरिदम को एक निश्चित "क्रम" (order) के लिए डिज़ाइन किया जा सकता है, जैसे कि हर बार अंकों को दोगुना या तिगुना करना, इस पद्धति का कोई निश्चित क्रम नहीं है। इसके बजाय, इसका अभिसरण का क्रम (order of convergence) गणना में सुधार के साथ स्वचालित रूप से बढ़ता है। अध्ययन स्पष्ट करता है कि इसका मतलब यह नहीं है कि यह व्यावहारिक अर्थ में अनंत रूप से तेज़ है, क्योंकि अंकों की संख्या के साथ गणना करने की लागत भी बढ़ती है। हालाँकि, वर्तमान त्रुटि और अगली त्रुटि के बीच के गणितीय संबंध के संदर्भ में, सुधार किसी भी निश्चित शक्ति (fixed power) की तुलना में अधिक तेज़ है। शोध एक कठोर प्रमाण प्रदान करता है कि अगले चरण में त्रुटि वर्तमान त्रुटि की किसी भी निश्चित शक्ति की तुलना में नगण्य हो जाती है, एक ऐसा गुण जो इसे सभी पूर्व ज्ञात निश्चित-क्रम पुनरावृत्तियों से अलग करता है।

अध्ययन अपने स्वयं के सफलता की सीमाओं को भी संबोधित करता है। यह विधि इस बात पर निर्भर करती है कि प्रारंभिक अनुमान पाई के वास्तविक मान के एक विशिष्ट दायरे के भीतर हो, विशेष रूप से एक रेडियन के चौथाई भाग के भीतर। सौभाग्य से, प्रयोग में उपयोग किया गया शुरुआती बिंदु, जो चुडनोवस्की फॉर्मूला से प्राप्त हुआ था, इस सुरक्षित क्षेत्र के भीतर आता है। एक बार जब गणना इस क्षेत्र में प्रवेश कर जाती है, तो यह विधि गारंटी देती है कि यह वहीं रहेगी और सुधार करती रहेगी। शोध पत्र यह दावा नहीं करता है कि यह यादृच्छिक शुरुआती बिंदु से पाई खोजने की समस्या को हल करता है, बल्कि यह पहले से ही करीब मौजूद एक अनुमान को परिष्कृत करने के लिए एक अत्यधिक कुशल इंजन प्रदान करता है। यह यह भी नोट करता है कि जबकि गणितीय अभिसरण शानदार है, कंप्यूटर पर इन गणनाओं को चलाने में लगने वाला वास्तविक समय इस बात पर निर्भर करता है कि कंप्यूटर बड़ी संख्या में अंकों को कितनी कुशलता से संभाल सकता है, जो कि एक अलग इंजीनियरिंग चुनौती है।

अंततः, यह शोध संख्यात्मक उत्तरों को परिष्कृत करने के बारे में सोचने का एक नया तरीका प्रदान करता है। यह सुझाव देता है कि जब एक लचीले रूप में सुधार सूत्र उपलब्ध होता है, तो वर्तमान त्रुटि का उपयोग न केवल प्रगति को मापने के लिए, बल्कि अगले कदम के लिए रणनीति तय करने के लिए भी किया जा सकता है। त्रुटि को सुधार की गहराई निर्धारित करने देने से, यह विधि एक मानक पुनरावृत्ति प्रक्रिया को एक स्व-त्वरक (self-accelerating) प्रणाली में बदल देती है। निष्कर्षों का समर्थन कठोर गणितीय प्रमाण और प्रत्यक्ष संख्यात्मक सत्यापन दोनों द्वारा किया गया है, जो यह दर्शाता है कि सही अंकों की संख्या वास्तव में पिछले सटीकता के वर्ग की दर से बढ़ सकती है। यह दृष्टिकोण उच्च-परिशुद्धता अंकगणित के लिए एक नया मार्ग खोलता है, यह प्रदर्शित करते हुए कि अत्यधिक सटीकता का मार्ग उन एल्गोरिदम द्वारा बनाया जा सकता है जो चलते समय अपने स्वयं के नियमों को अनुकूलित करते हैं।