एक अप्रत्याशित स्रोत से आया sphere packing का नया रिकॉर्ड

• Boaz Klartag ने पारंपरिक approaches से अलग, ultra-high-dimensional sphere packing समस्या में convex geometry के tools को शामिल किया
• Klartag की नई randomized method ने अधिक बड़े volume वाले ellipsoids बनाए, जिससे पुराने रिकॉर्ड में बड़ा सुधार हुआ
• यह approach उच्च-आयामी space में नाटकीय रूप से अधिक spheres pack करना संभव बनाती है
• इस नतीजे ने packing में order और symmetry के महत्व पर बहस को फिर से जगा दिया
• इस शोध पर cryptography और communications जैसे क्षेत्रों में संभावित applications के कारण ध्यान दिया जा रहा है

---

मौजूदा sphere packing शोध और उसकी सीमाएँ

• पहले Rogers method की खासियत यह थी कि शुरुआती lattice का efficient होना ज़रूरी नहीं था; सिर्फ उपयुक्त ellipsoid चुनना काफी था
• लेकिन ellipsoid की axes को उच्च dimensions में कई तरह से बदला जा सकता था, इसलिए उसे किस shape में बढ़ाया जाए, इसके विकल्प बहुत ज़्यादा थे
• बाद में गणितज्ञ फिर Minkowski approach की ओर लौटे और lattice पर ही ध्यान केंद्रित किया, lattice theory में विशेषज्ञता बढ़ी, और Rogers की geometry-केंद्रित approach से दूरी बन गई
• इस strategy से उच्च-आयामी sphere packing में क्रमिक सुधार हुए, लेकिन Rogers method की तुलना में बहुत मामूली efficiency gains ही मिले
• दशकों तक कोई बड़ी छलांग नहीं आई और स्थिति लगभग ठहरी रही

बाहरी नज़रिए से शुरू हुई नई खोज

• Weizmann Institute of Science के Boaz Klartag मूल रूप से lattice theory नहीं, बल्कि convex geometry के विशेषज्ञ हैं
• उन्हें लंबे समय से sphere packing problem में रुचि थी, लेकिन इस पर शोध का अवसर नहीं मिला था
• 2023 में समय मिलने पर उन्होंने Tel Aviv University के Barak Weiss के साथ एक seminar शुरू किया और classical literature (Minkowski, Rogers) का गहराई से अध्ययन किया
• Klartag ने आकलन किया कि Rogers की ellipsoid method, convex shapes को संभालने की सीमित समझ के कारण inefficient थी
• उन्हें भरोसा था कि अगर अधिक efficient ellipsoids बनाए जाएँ, तो sphere packing का रिकॉर्ड फिर से लिखा जा सकता है

randomized growth algorithm की शुरुआत

• Klartag ने हर axis direction में ellipsoid की boundary को random तरीके से expand/shrink करने की अपनी method लागू की
• जैसे ही boundary किसी lattice point को छूती, उस direction में growth रोक दी जाती, जबकि दूसरी दिशाओं में growth जारी रहती
• इस प्रक्रिया में ellipsoid अनियमित shape के साथ space को explore करता हुआ धीरे-धीरे बड़ा होता गया
• क्योंकि randomized nature की वजह से हर बार बनने वाले ellipsoid का volume अलग होता था, इसलिए कई बार प्रयोग करके बड़े volume वाले ellipsoid की संभावना आंकी गई
• कुछ ही हफ्तों में उन्होंने साबित कर दिया कि Rogers से बड़ा ellipsoid प्राप्त किया जा सकता है

रिकॉर्ड अपडेट और उसका प्रभाव

• नई ellipsoid method ने Rogers (1947) के बाद sphere packing efficiency में सबसे बड़ा सुधार हासिल किया
• जब dimension d हो, तो यह पहले के methods की तुलना में d गुना अधिक spheres pack कर सकती है
  • 100 dimensions → लगभग 100 गुना, 1,000,000 dimensions → लगभग 10 लाख गुना अधिक sphere packing
• Klartag ने convex geometry से मिली insight की मदद से lattices और sphere packing की एक पुरानी केंद्रीय समस्या को कुछ ही महीनों में आगे बढ़ा दिया
• उनकी उपलब्धि से यह धारणा फिर मजबूत हुई कि order और symmetry पर आधारित packing सबसे dense packing हासिल कर सकती है
• दूसरी ओर, हाल के कुछ शोध यह तर्क भी देते हैं कि regular lattice के बिना disorder का उपयोग करना ज़रूरी हो सकता है

मूल्यांकन और आगे की दिशा

• फिलहाल अकादमिक जगत में इस बात पर बहस है कि Klartag की packing method वास्तव में optimal के कितनी करीब है और क्या इसमें आगे और सुधार की गुंजाइश है
• इस समस्या का उत्तर cryptography, communications engineering और अन्य वास्तविक applications के लिए भी बहुत महत्वपूर्ण है
• अभी यह व्यावहारिक उपयोग के चरण में नहीं पहुँची है, लेकिन engineering जगत समेत कई क्षेत्रों में इसे नई तकनीकी संभावना के रूप में देखा जा रहा है
• Klartag चाहते हैं कि इस काम के बाद convex geometry और lattice theory के बीच संबंध और मजबूत हों
• उनकी आशा है कि इन दोनों क्षेत्रों के बीच की दूरी कम हो और यह मेल packing से आगे, lattice की अन्य समस्याओं के समाधान तक फैले

[GN⁺]

Hacker News राय

• यह स्वीकारोक्ति कि अपने माता-पिता को यह समझाना हमेशा मुश्किल होता है कि मेरा पेशा सचमुच एक वास्तविक काम है; और अगर कहना पड़े कि “मैं आकृतियों का अध्ययन करता हूँ, लेकिन सिर्फ उन आकृतियों का जिनमें अंदर की ओर धंसा हुआ कोई हिस्सा नहीं होता,” तो स्थिति और भी अजीब हो जाती है
  • मेरे अनुभव में कठिन तकनीकी शब्दावली का इस्तेमाल करके अपने पेशे को समझाना ही सबसे अच्छा निष्कर्ष है। विकल्प तीन तक सिमटते हैं: अगर माता-पिता की समझ में आने वाली अपेक्षाकृत आसान व्याख्या करो, तो काम इतना आसान लगने लगता है कि प्रतिक्रिया मिलती है, “क्या सच में इसके पैसे मिलते हैं?”; अगर ठीक से बताओ कि यह क्यों महत्वपूर्ण है, तो व्याख्या इतनी लंबी हो जाती है कि माता-पिता ऊब जाते हैं और सवाल पूछने पर पछताने लगते हैं; या फिर जटिल तकनीकी शब्दों में छोटा-सा जवाब दो, जिससे उन्हें कुछ समझ न आए, लेकिन बेवजह बहुत प्रभावशाली लगे — और वही सबसे अच्छा विकल्प है
  • मैं high-energy physics उपकरणों के लिए पुर्ज़े बनाने वाला एक micro-business चलाता हूँ, और जब दूसरों को अपने काम के बारे में समझाने की कोशिश करता हूँ, तो यह इतना अजनबी, बेहद niche, और रोज़मर्रा की ज़िंदगी से कई स्तर दूर विषय है कि आज तक इसे समझाने का सही तरीका नहीं ढूँढ़ पाया हूँ
  • मैं बस इतना कह देता हूँ, "मैं computers के साथ काम करता हूँ", और फिर “अच्छा, ठीक है, बढ़िया काम है” जैसी प्रतिक्रिया के साथ बातचीत सुविधाजनक रूप से वहीं खत्म हो जाती है
  • मेरे लिए मुश्किल अक्सर “तुम क्या काम करते हो?” इस सवाल का जवाब देना नहीं, बल्कि उसके बाद आने वाले “यह काम किस काम आता है / कहाँ इस्तेमाल होता है?” वाले सवाल का जवाब देना होता है; बुनियादी शोध से वास्तविक उपयोग तक जाने वाली लंबी कड़ी को संक्षेप और प्रभावी ढंग से कैसे समझाया जाए, यही दिक्कत है
  • कम से कम sphere packing का information theory की एक केंद्रीय समस्या से गहरा संबंध है, और इस नतीजे का Bell Telephone System की विश्वसनीयता बढ़ने से जुड़ाव है, इसलिए उसमें ऐतिहासिक संदर्भ और महत्व दिखता है (convex shapes के बारे में उतना नहीं पता)
• sphere packing का उपयोग करके vector data compression algorithm पर सोचने का अनुभव; सैद्धांतिक तरीका तभी प्रभावी था जब डेटा बहुत समान रूप से वितरित हो, और वास्तविक डेटा पर इसे लागू करना कठिन था
  • असंगठित (गैर-समरूप) डेटा को समान बनाने के लिए domain knowledge का उपयोग करके असममिति कम करना आम तरकीब है। उदाहरण के लिए, भले ही डेटा में उच्च-आयामी संरचना हो, स्थानीय स्तर पर noise की वजह से वह काफ़ी समान हो सकता है। centroid निकालकर और उसे store करके, centroid खुद अधिक uniform हो जाते हैं, और हर vector को centroid index और vector offset में बाँटकर store किया जा सकता है; index पर efficient entropy compression लगाया जा सकता है, और offset अब लगभग uniform हो चुका होता है, इसलिए उस पर मौजूदा sphere packing रणनीति लागू करना आसान हो जाता है
  • शायद यह पहले से आज़माया गया होगा, लेकिन precompression के तौर पर vector की sparsity घटाकर uniformity बढ़ती है या नहीं, यह परखा जा सकता है
  • वास्तविक vectors को छूते समय (grope का मतलब ‘टटोलना’ है, यह group की typo है) सावधान रहना चाहिए — ऐसा मज़ाकिया इशारा
  • सिद्धांत की सीमा को व्यावहारिक समस्याओं (यानी heterogeneous data) तक बढ़ाने की ज़रूरत है; अगर वास्तविक उपयोग के मामले बहुत विविध हैं तो कोई सामान्य तरीका कठिन हो सकता है, फिर भी शोध के विस्तार की ज़रूरत पर ध्यान दिलाया गया
  • पुराने और व्यावसायिक रूप से महत्वपूर्ण क्षेत्रों में आसान उपलब्धियाँ (low-hanging fruit) ज़्यादातर पहले ही हासिल की जा चुकी हैं
• Klartag के इस दावे से सहमति कि “convex shapes बहुत शक्तिशाली और उपयोगी हैं”; भले ही मैं गणितज्ञ नहीं हूँ, लेकिन मेरा अनुभव है कि Convex Hull algorithm अनपेक्षित जगहों पर बार-बार दिखता है, खासकर image automatic palette decomposition जैसी विभिन्न समस्याओं में। संदर्भ पेपर लिंक: Convex Hull and automatic palette decomposition
• Klartag की नई sphere packing पद्धति मौजूदा तरीकों की तुलना में अगर आयाम d हो तो d गुना अधिक spheres पैक कर सकती है; यानी 100 dimensions में 100 गुना, और दस लाख dimensions में दस लाख गुना वृद्धि — यह बहुत बड़ा आंकड़ा है। जिज्ञासा है कि क्या कई communication systems में इसका अर्थ वास्तव में bandwidth का दर्जनों या सैकड़ों गुना बढ़ना, या power consumption का बहुत कम हो जाना होगा
  • व्यवहार में dimension बढ़ने पर density n^2/2^n के हिसाब से exponentally खराब होती जाती है, इसलिए सिद्धांत में दिखने वाला linear improvement वास्तविक प्रदर्शन में वैसा का वैसा नहीं दिखता। यानी यह उन डेटा के लिए उपयोगी हो सकता है जिनकी संरचना स्वाभाविक रूप से high-dimensional हो, लेकिन digital data (जहाँ सिर्फ लंबाई चुनी जा सकती है) के लिए छोटे dimensions चुने जा सकते हैं। sphere packing के विवरण के लिए देखें wikipedia link
• यह विचार कि गणितज्ञों को पहली PhD के कुछ साल बाद उसी क्षेत्र में नहीं बल्कि किसी निकटवर्ती विषय में दूसरी PhD करने की अनुमति होनी चाहिए
  • PhD का मूल उद्देश्य स्वतंत्र रूप से शोध करने की क्षमता का प्रमाण है, इसलिए वास्तव में कई शोधकर्ता PhD के बाद किसी दूसरे क्षेत्र में चले जाते हैं या अपना शोध-विषय बदल लेते हैं, और उसके बाद केंद्र में ‘शोध’ स्वयं आ जाता है
  • इसका वास्तविक उदाहरण यह है कि प्रसिद्ध गणितज्ञ Bela Bollobas के पास discrete geometry और functional analysis, इन दो क्षेत्रों में दो PhD हैं; हालाँकि आधुनिक अकादमिक व्यवस्था में इसे फिर से करना बहुत कठिन होगा
  • अगर ऐसी संस्थागत लचीलापन पूरे विज्ञान में हो, तो अलग-अलग क्षेत्रों की तकनीकें और विचार तेज़ी से एक-दूसरे तक पहुँच सकते हैं, जिससे विज्ञान की प्रगति तेज़ हो सकती है; खासकर गणित जैसे क्षेत्र में, जहाँ उप-विषयों के बीच संबंध महत्वपूर्ण होते हैं, इसका लाभ और अधिक हो सकता है
• एक शुरुआती सवाल: क्या optimal sphere packing हमेशा regular lattice से जुड़ा होता है? 2D और 3D में तो ऐसा है, लेकिन क्या यह ND तक बढ़ता है?
  • 2 और 3 dimensions के अलावा 8 dimensions (E₈ lattice) और 24 dimensions (Leech lattice) में भी best packing के regular lattice रूप होने के प्रमाण मिले हैं। इसे Maryna Viazovska और उनके सहयोगियों ने 2017 में सिद्ध किया था, और संबंधित लिंक दिए गए हैं: paper 1, paper 2, explanatory PDF। लेकिन अन्य dimensions में ऐसे counterexample हो सकते हैं जहाँ optimal packing regular lattice न हो, और कुछ dimensions में irregular रूप अधिक dense हो सकते हैं
  • ज़रूरी नहीं कि हमेशा ऐसा ही हो; 3 dimensions में भी lattice के रूप में जमाने के अलावा परतों को हर स्तर पर क्षैतिज रूप से अलग-अलग खिसकाकर असंख्य non-lattice packings बनाए जा सकते हैं, और तब भी density FCC lattice के बराबर रहती है। उच्च dimensions में symmetry की कमी के कारण यह अनुमान भी है कि optimal packing हमेशा non-lattice हो सकती है
• यह जिज्ञासा कि जिन dimensions में अब तक सर्वोच्च density सिद्ध की जा चुकी है, वहाँ यह नई sphere packing संरचना किस न्यूनतम dimension से बेहतर साबित होती है
• इस शोध के नतीजे cryptography और communication के क्षेत्रों में क्या वास्तव में अधिक सुरक्षित, अधिक विश्वसनीय, और अधिक energy-efficient communication systems के विकास में उपयोगी हो सकते हैं — इस दिशा में संकेत; यह बेहद रोचक शोध क्षेत्र है
• वास्तविक physics में ‘Cow Packing’ (सैद्धांतिक रूप से गायों को सर्वाधिक घनत्व से भरने का अध्ययन आदि) की व्यावहारिक उपयोगिता का उल्लेख करने वाली चुटीली उपमा
• sphere packing का अनेक अनुप्रयोग क्षेत्रों में तरह-तरह की समस्याओं में उभरना इसे बेहद रोचक बनाता है; पेपर को ध्यान से पढ़ने की उम्मीद