Curse of Dimensionality: Bypassing via Chaotic Fractal Self-Similarity Invariant Mapping

डेटा और कंप्यूटर विज्ञान की दुनिया में, "कर्स ऑफ डायमेंशनैलिटी" (आयामीता का अभिशाप) के रूप में जानी जाने वाली एक निरंतर समस्या मौजूद है। यह उस स्थिति का वर्णन करती है जहाँ चीज़ें केवल इसलिए असंभव रूप से कठिन हो जाती हैं क्योंकि उन्हें ट्रैक करने के लिए बहुत अधिक चर (variables) होते हैं। कल्पना कीजिए कि समुद्र तट के एक छोटे से हिस्से पर रेत के एक विशिष्ट कण को खोजना पहले से ही कठिन है; लेकिन यदि समुद्र तट एक महाद्वीप के आकार में फैल जाए, तो यह कार्य निरर्थक हो जाता है। गणित में, जैसे-जैसे किसी समस्या में आयामों (dimensions) की संख्या बढ़ती है, डेटा को रखने के लिए आवश्यक स्थान इतनी तेज़ी से फैलता है कि वह खाली और विरल (sparse) हो जाता है। विवरण का एक निश्चित स्तर बनाए रखने के लिए, डेटा की मात्रा इतनी तेज़ी से बढ़ती है कि वह अंततः पूरे ब्रह्मांड के परमाणुओं की संख्या से भी अधिक हो जाएगी। इसके अलावा, दूरी मापने या पैटर्न खोजने के लिए उपयोग किए जाने वाले हमारे सामान्य उपकरण काम करना बंद कर देते हैं क्योंकि इन विशाल स्थानों में, हर चीज़ एक-दूसरे से समान रूप से दूर दिखाई देती है। दशकों से, वैज्ञानिकों ने डेटा को सिकोड़कर या अराजकता के भीतर सरल आकृतियों को खोजकर इसे हल करने का प्रयास किया है, लेकिन उन्होंने हमेशा उच्च-आयामी स्थान को उस अखाड़े के रूप में स्वीकार किया है जहाँ युद्ध लड़ना ही होगा।

स्वतंत्र शोधकर्ता झांग कार्सा का एक नया अध्ययन पूरी तरह से एक अलग दृष्टिकोण प्रस्तावित करता है। समस्या को सिकोड़ने या खाली स्थान में नेविगेट करने के बजाय, शोध पत्र सुझाव देता है कि कठिनाई उच्च-आयामी स्थान का एक मौलिक गुण नहीं है, बल्कि एक विशिष्ट गणितीय संरचना की कमी का लक्षण है। शोधकर्ता "केओटिक फ्रैक्टल सेल्फ-सिमिलैरिटी इनवेरिएंट मैपिंग" (Chaotic Fractal Self-Similarity Invariant Mapping) नामक एक विधि पेश करते हैं। यह अवधारणा इस विचार पर आधारित है कि कुछ जटिल प्रणालियाँ, जब सही लेंस के माध्यम से देखी जाती हैं, तो वे हर पैमाने पर अपने स्वयं के पैटर्न को दोहराती हैं, ठीक वैसे ही जैसे एक तटरेखा उपग्रह या सूक्ष्मदर्शी से देखने पर भी ऊबड़-खाबड़ ही दिखती है। अध्ययन तर्क देता है कि यदि किसी प्रणाली में इस विशिष्ट प्रकार की आत्म-समानता (self-similarity) है, तो आयामों के सामान्य नियम लागू नहीं होते हैं। इस पद्धति का मूल एक गणितीय संबंध पर निर्मित है जिसमें नेस्टेड (एक के भीतर एक स्थित) मानों का एक क्रम शामिल है जो, सही ढंग से व्यवस्थित होने पर, परतों की गहराई के बावजूद एक स्थिर, अपरिवर्तित संख्या की ओर अभिसरित (converge) होता है।

इसे सिद्ध करने के लिए, शोधकर्ता ने तीन मौलिक नियम, या स्वयंसिद्ध (axioms) स्थापित किए, जो इस मैपिंग के कार्य करने के तरीके को नियंत्रित करते हैं। पहला नियम कहता है कि प्रणाली को विवरण के प्रत्येक स्तर पर समान दिखना चाहिए। दूसरा नियम एक विशिष्ट बाहरी सीमा (outer boundary) की आवश्यकता रखता है जो पूरी संरचना को थामे रखती है; इस सीमा के बिना, प्रणाली बिखर जाती है। तीसरा नियम यह सुनिश्चित करता है कि प्रणाली के व्यक्तिगत हिस्से छोटे और छोटे होते जाते हैं जब तक कि वे प्रभावी रूप से बदलना बंद न कर दें, जिससे संपूर्ण इकाई एक एकल, स्थिर मान में स्थिर हो सके। इन नियमों के आधार पर, शोध पत्र तीन गणितीय प्रमाण प्रस्तुत करता है। पहला यह सिद्ध करता है कि प्रणाली एक परिमित, गैर-शून्य संख्या में स्थिर होती है। दूसरा यह सिद्ध करता है कि यह अंतिम संख्या आयाम के आकार पर निर्भर नहीं करती है; चाहे प्रणाली में कुछ परतें हों या लाखों, परिणाम वही रहता है। तीसरा प्रमाण दिखाता है कि इस परिणाम की गणना करना आयाम बढ़ने के साथ कठिन नहीं होता है; आवश्यक प्रयास स्थिर रहता है, जो प्रभावी रूप रूप से उस घातीय विस्फोट (exponential explosion) को दरकिनार कर देता है जो आमतौर पर उच्च-आयामी समस्याओं को प्रभावित करता है।

अध्ययन यह भी बताता है कि जब महत्वपूर्ण बाहरी सीमा अनुपस्थित होती है तो क्या होता है। उस स्थिति में, प्रणाली संख्याओं के एक सरल गुणनफल में बदल जाती है जो धीरे-धीरे शून्य की ओर सिकुड़ती है। इस लुप्त होते परिणाम को "कर्स ऑफ डायमेंशनैलिटी" का वास्तविक गणितीय प्रकटीकरण माना गया है। यह दिखाकर कि अभिशाप केवल तभी प्रकट होता है जब विशिष्ट आत्म-समान संरचना अनुपस्थित होती है, शोध पत्र तर्क देता है कि अभिशाप एक अपरिहार्य प्राकृतिक नियम नहीं है, बल्कि गलत मैपिंग का परिणाम है।

इन विचारों का परीक्षण करने के लिए, शोधकर्ता ने 10^6 आयामों वाले एक सिस्टम से संख्यात्मक प्रयोग चलाए और परिणामों को 10^50000 आयामों के लक्ष्य तक विस्तृत (extrapolate) किया। परिणाम आश्चर्यजनक रूप से सटीक थे। 0.2 के मान से शुरू करने पर, विशाल आयाम पर मैप्ड परिणाम 0.200000416 था, जो दस लाख में एक भाग से भी कम का अंतर था। 0.5 से शुरू करने पर, परिणाम 0.500000001 था, जो एक अरब में एक भाग का अंतर था। ये सूक्ष्म विचलन पुष्टि करते हैं कि पैमाने की विशाल छलांग के बावजूद मान प्रभावी रूप से स्थिर रहा। शोधकर्ता नोट करते हैं कि ये उच्च-आयामी परिणाम सीधे कंप्यूटर सिमुलेशन के बजाय गणितीय सूत्र से प्राप्त किए गए थे, जो चलाना असंभव होता।

हालांकि निष्कर्षों को एक कठोर गणितीय ढांचे के रूप में प्रस्तुत किया गया है, शोध पत्र कुछ सीमाओं को स्वीकार करता है। वर्तमान में यह पद्धति विशिष्ट प्रणाली के बारे में अपने स्वयं के ज्ञान का उपयोग करके सही बाहरी सीमा की पहचान करने की शोधकर्ता की क्षमता पर निर्भर करती है, और सटीकता इस बात पर निर्भर करती है कि डेटा से दोहराए जाने वाले पैटर्न को कितनी अच्छी तरह निकाला जाता है। इसके अतिरिक्त, सत्यापन अब तक प्रयोग के लिए बनाए गए कृत्रिम (synthetic) सिस्टम तक सीमित रहा है, और इस पद्धति का अभी तक वास्तविक दुनिया के अव्यवस्थित (messy) डेटा पर परीक्षण नहीं किया गया है। फिर भी, यह कार्य एक नया दृष्टिकोण प्रदान करता है: यदि किसी प्रणाली को इस केओटिक फ्रैक्टल सेल्फ-सिमिलैरिटी का उपयोग करके मैप किया जा सकता है, तो आयाम स्वयं एक बाधा नहीं रह जाता है, और समस्या को हल करने की कम्प्यूटेशनल लागत स्थान के आकार के साथ नहीं बढ़ती है।