Learning Primality from Modular-Inverse Graphs
यह शोध पत्र प्रदर्शित करता है कि GraphSAGE अपने मॉड्यूलर-इनवर्स ग्राफ्स में संरचनात्मक अंतरों को सीखकर अभाज्य (prime) और भाज्य (composite) पूर्णांकों के बीच अंतर करने में लगभग पूर्ण सटीकता प्राप्त कर सकता है, जबकि GCN अपनी विशिष्ट मैसेज-पासिंग सीमाओं के कारण इन भेदों को पकड़ने में विफल रहता है।
मूल पेपर CC BY 4.0 (https://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
संख्याएँ गणित के आधार स्तंभ हैं, और उनमें से अभाज्य संख्याएँ (प्राइम नंबर्स) एक विशेष स्थान रखती हैं। एक अभाज्य संख्या एक से बड़ी वह पूर्ण संख्या है जो केवल एक और स्वयं से ही पूरी तरह विभाजित हो सकती है। वे संख्याएँ जिन्हें अन्य संख्याओं से विभाजित किया जा सकता है, भाज्य (कंपोजिट) कहलाती हैं। सदियों से, गणितज्ञ इन दो प्रकार की संख्याओं के बीच अंतर करने के कुशल तरीके खोजने का प्रयास करते रहे हैं, जो आधुनिक क्रिप्टोग्राफी और कंप्यूटर सुरक्षा के लिए अत्यंत महत्वपूर्ण कार्य है। जबकि पारंपरिक तरीके जटिल अंकगणितीय गणनाओं पर निर्भर करते हैं, एक नई जांच यह पूछती है कि क्या मशीनें संख्याओं को केवल मान के रूप में नहीं, बल्कि आकृतियों के रूप में देखकर इन पैटर्न को पहचानना सीख सकती हैं। यह दृष्टिकोण संख्या के भीतर छिपे संबंधों को एक मानचित्र के रूप में देखता है, इस उम्मीद में कि मानचित्र का आकार स्वयं संख्या की प्रकृति को प्रकट कर देगा।
हाल ही में एक अध्ययन में, शोधकर्ता ताल वीज़ब्लाट ने यह पता लगाया कि क्या कृत्रिम बुद्धिमत्ता (एआई) इन गणितीय मानचित्रों का परीक्षण करके अभाज्य संख्याओं को भाज्य संख्याओं से अलग करना सीख सकती है। शोधकर्ता ने कंप्यूटर को संख्याएँ नहीं दीं। इसके बजाय, प्रत्येक संख्या को एक 'मॉड्यूलर-इन्वर्स ग्राफ' नामक एक अद्वितीय आरेख में बदल दिया गया। इस आरेख को बनाने के लिए, शोधकर्ता ने एक विशिष्ट संख्या ली और उन सभी छोटी पूर्ण संख्याओं की सूची बनाई जो उसके साथ बनाई जा सकती थीं। फिर, शोधकर्ता ने इन छोटी संख्याओं के जोड़ों के बीच रेखाएँ खींचीं यदि वे मिलकर एक ऐसा परिणाम उत्पन्न करती थीं, जिसे मूल संख्या से विभाजित करने पर शेषफल एक बचता था। यह नियम प्रत्येक संख्या के लिए बिल्कुल समान रूप से लागू किया गया था, चाहे वह अभाज्य हो या भाज्य, बिना कंप्यूटर को यह बताए कि वे कौन सी हैं। लक्ष्य यह देखना था कि क्या परिणामी आकृतियाँ स्वाभाविक रूप से संख्या के प्रकार के आधार पर भिन्न दिखती हैं।
अध्ययन की शुरुआत इन आकृतियों के पीछे के सिद्धांत की गहरी जांच के साथ हुई। विश्लेषण ने अभाज्य संख्याओं और भाज्य संख्याओं के आरेखों के बीच एक स्पष्ट संरचनात्मक अंतर प्रकट किया। एक अभाज्य संख्या के लिए, आरेख एक विशिष्ट तरीके से पूरी तरह से जुड़ा हुआ होता है: शून्य को छोड़कर प्रत्येक बिंदु कम से कम एक अन्य बिंदु से जुड़ा होता है। वहाँ कोई भी अकेला बिंदु तैरता हुआ नहीं रहता। इसके विपरीत, भाज्य संख्याओं के आरेखों में अलग-थseits (आइसोलेटेड) बिंदु होते—ऐसी संख्याएँ जिनका कोई संबंध नहीं होता। इसके अलावा, अभाज्य संख्याएँ विशिष्ट बिंदुओं के बीच अधिकतम संभावित कनेक्शनों वाले आरेख बनाती हैं, जबकि भाज्य संख्याओं में कम कनेक्शन और वे अतिरिक्त अकेले बिंदु होते हैं। इस सैद्धांतिक निष्कर्ष ने सुझाव दिया कि एक कंप्यूटर केवल कनेक्शनों को गिनकर या अलग-थलग बिंदुओं को पहचानकर अंतर कर सकता है।
इसका परीक्षण करने के लिए, शोधकर्ता ने 2 से 10,001 तक की 10,000 पूर्णांकों के डेटासेट पर दो अलग-अलग प्रकार के कृत्रिम बुद्धिमत्ता मॉडल को प्रशिक्षित किया। डेटा को इस तरह विभाजित किया गया कि मॉडल छोटे नंबरों पर सीखें और फिर बड़े नंबरों पर परीक्षण करें जिन्हें उन्होंने पहले कभी नहीं देखा था। एक मॉडल, जिसे 'ग्राफ-सेज' (GraphSAGE) के रूप में जाना जाता है, को आरेख के प्रत्येक बिंदु के स्थानीय परिवेश (लोकल नेबरहुड) पर ध्यान देने के लिए डिज़ाइन किया गया था। दूसरे मॉडल, जो एक 'ग्राफ कॉन्वोल्यूशनल नेटवर्क' था, ने जानकारी को औसत निकालने की एक अलग विधि का उपयोग किया। परिणाम बिल्कुल अलग थे। ग्राफ-सेज मॉडल ने उल्लेखनीय सटीकता के साथ कार्य सीखा, और अनदेखे टेस्ट सेट में अभाज्य और भाज्य संख्याओं की लगभग 99.9 प्रतिशत सटीकता के साथ सही पहचान की। इसने छोटे नंबरों से सीखे गए पैटर्न को बहुत बड़े नंबरों पर सफलतापूर्वक लागू किया।
हालाँकि, दूसरा मॉडल पूरी तरह से विफल रहा। इसने रैंडम गेसिंग (यादृच्छिक अनुमान) से बेहतर प्रदर्शन नहीं किया, और इसकी सटीकता ठीक 50 प्रतिशत रही। सैद्धांतिक विश्लेषण ने समझाया कि ऐसा क्यों हुआ। ग्राफ-सेज मॉडल जुड़े हुए बिंदुओं और अकेले खड़े बिंदुओं के बीच अंतर करने में सक्षम था, जिससे अभाज्य संख्या के आरेखों में पाए जाने वाले महत्वपूर्ण संरचनात्मक अंतर को संरक्षित किया जा सका। दूसरा मॉडल, अपने औसत निकालने के तरीके के कारण, इन अंतरों को मिटा देता था। इसने जुड़े हुए बिंदुओं और अलग-थलग बिंदुओं के साथ वैसा ही व्यवहार किया जैसा कि वे समान हों, जिससे वह विशेषता ही समाप्त हो गई जो अभाज्य संख्याओं को अलग करती थी। यह विफलता कोई त्रुटि नहीं थी, बल्कि इस प्रकार के गणितीय ग्राफ पर लागू होने वाली उस विशिष्ट विधि की एक मौलिक सीमा थी।
अध्ययन इस निष्कर्ष पर पहुँचा कि इन ग्राफों से अभाज्यता सीखने की क्षमता पूरी तरह से मशीन लर्निंग मॉडल की वास्तुकला (आर्किटेक्चर) पर निर्भर करती है। ग्राफ-सेज आर्किटेक्चर अभाज्य संख्याओं के सूक्ष्म संरचनात्मक हस्ताक्षरों को पकड़ने में सक्षम रहा, जबकि दूसरा सामान्य आर्किटेक्चर ऐसा नहीं कर सका। शोध में यह सुनिश्चित करने के लिए एक जाँच भी शामिल थी कि क्या मॉडल वास्तव में ग्राफ संरचना का उपयोग कर रहा है या केवल संख्याओं को याद कर रहा है। जब ग्राफ-प्रोसेसिंग लेयर्स को हटा दिया गया, तो मॉडल का प्रदर्शन गिरकर रैंडम गेसिंग पर आ गया। इसने पुष्टि की कि सफलता कनेक्शनों के आकार के विश्लेषण से आई थी, न कि किसी छिपी हुई संख्यात्मक चाल से। ये निष्कर्ष दर्शाते हैं कि अंकगणितीय गुणों को वास्तव में ग्राफ संरचनाओं में संहिताबद्ध किया जा सकता है और मशीनों द्वारा सीखा जा सकता है, बशर्ते मशीन सही अंतर देखने वाले उपकरणों के साथ निर्मित हो।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।