OpenAI-এর একটি অভ্যন্তরীণ মডেল থেকে পাওয়া গাণিতিক ফলাফলের একটি সংকলন Cohn-Elkies স্ফিয়ার-প্যাকিং লিনিয়ার প্রোগ্রামের অসীমতটীয় শক্তির নিষ্পত্তি করে। এটি ১৯৭৮-এর পর সাধারণ স্ফিয়ার-প্যাকিং সূচকে প্রথম উন্নতি দেয়, সঙ্গে একটি হুবহু মিলে যাওয়া নিম্নসীমাও।
সংকলনটি কী, এবং একটি ফলাফল কেন আলাদা #
নথিটি বিনয়ের সঙ্গে শুরু হয়। এটি OpenAI-এর একটি অভ্যন্তরীণ মডেল থেকে পাওয়া ফলাফলের একটি সংকলন উপস্থাপন করে, এবং বলে যে সেগুলো গণিত ও তাত্ত্বিক কম্পিউটার বিজ্ঞান জুড়ে বিস্তৃত। এটি উৎস ও পরিধির বর্ণনা, এবং মডেলটি কীভাবে ব্যবহৃত হয়েছিল বা এর আউটপুট কীভাবে যাচাই করা হয়েছিল, তা এতে বলা নেই। এই প্রশ্নগুলো গুরুত্বপূর্ণ, এবং এখানে সংক্ষেপিত উৎসটি এগুলোর উত্তর দেয় না, তাই এই নিবন্ধ অন্য কিছুর ভান করবে না। দাবিগুলো যা সমর্থন করে তা হলো বর্ণিত ফলাফলের একটি তালিকা, আর তালিকাটি এত দীর্ঘ যে কোনো একটি বিষয় চমকপ্রদ কি না, সেটা আর আকর্ষণীয় প্রশ্ন থাকে না। প্রশ্ন হলো, এর একটি কেন সবচেয়ে বেশি মনোযোগ পাওয়ার যোগ্য।
কারণ হলো, স্ফিয়ার-প্যাকিং ফলাফলটিই সংকলনের একমাত্র ফলাফল যা দীর্ঘ, নামাঙ্কিত ইতিহাসসম্পন্ন একটি কর্মসূচির পরিমাণগত ফাঁক বন্ধ করে। বাকিগুলোও নিজ গুণে উল্লেখযোগ্য। একটি সুস্পষ্ট nonsofic গ্রুপ একটি দীর্ঘদিনের প্রশ্নের উত্তর দেয়। Connes-এর অনুমানের খণ্ডন এক খ্যাতনামা গণিতবিদের প্রস্তাবিত একটি বিষয়ের নিষ্পত্তি করে। কিন্তু স্ফিয়ার-প্যাকিং ফলাফলটি এমন এক শৃঙ্খলের শেষে বসে আছে, যা একটি Fourier-বিশ্লেষণী কাঠামো থেকে শুরু হয়ে, আলাদা আলাদা মাত্রায় দুটি বিখ্যাত নিখুঁত সমাধান পেরিয়ে, উচ্চ মাত্রা নিয়ে এমন এক প্রশ্নে পৌঁছায় যা বছরের পর বছর খোলা ছিল। এটি বোঝা মানে সেই শৃঙ্খলটি বোঝা।
তাই এর পরের বেশিরভাগ অংশ Cohn-Elkies লিনিয়ার প্রোগ্রাম নিয়ে: এটি কী, এ সম্পর্কে কী জানা ছিল, নতুন উপপাদ্য কী বলে, এবং যুক্তির চিহ্ন-অনিশ্চয়তার দিকটি কীভাবে গড়া হয়েছে। তারপর একটি ছোট অংশ সংকলনের বাকি ফলাফলগুলো জরিপ করে, প্রতিটি যেমন বলা হয়েছে ঠিক তেমন, তার বেশি নয়।
Cohn-Elkies প্রোগ্রাম এবং এটি কী সীমাবদ্ধ করে #
স্ফিয়ার প্যাকিং জানতে চায়, একে অপরের ওপর না-চাপা বলগুলো স্থান কতটা ঘনভাবে ভরাট করতে পারে। নথিটি এর জন্য সংকেতলিপি স্থির করে। অন্তত ১ দূরত্বে থাকা কেন্দ্রগুলোর জন্য, ∆d হলো Rd-এ ব্যাসার্ধ-1/2 বলগুলোর ঊর্ধ্ব ঘনত্বের সুপ্রিমাম। অন্যভাবে বললে, ∆d বোঝায় Rd-এ সর্বোচ্চ স্ফিয়ার-প্যাকিং ঘনত্ব। সংকলনের প্রথম অধ্যায়ের সবকিছু এই রাশির সাপেক্ষে মাপা হয়েছে।
Cohn-Elkies প্রোগ্রাম ∆d-এর ওপর একটি ঊর্ধ্বসীমা দেয়। এর সর্বোত্তম আউটপুট লেখা হয় LPd, যা প্রোগ্রাম প্রদত্ত সর্বোত্তম ঘনত্ব-সীমা হিসেবে সংজ্ঞায়িত। এর কৌশল হলো Gorbachev–Cohn-Elkies সীমা, যা Ad নামের একটি শ্রেণির প্রতিটি f-কে ঘনত্বের ঊর্ধ্বসীমা vd f(0)/(2d f̂(0)) নির্ধারণ করে। কথায় বললে, আপনি গ্রহণযোগ্য শ্রেণি থেকে একটি সহায়ক ফাংশন f বেছে নেন, মূলবিন্দুতে এর মান এবং মূলবিন্দুতে এর Fourier রূপান্তরের মান হিসাব করেন, আয়তন ও মাপনী গুণকের সঙ্গে সেই অনুপাত গঠন করেন, এবং ফলাফলটি প্যাকিং ঘনত্বকে ওপর থেকে সীমাবদ্ধ করে। লিনিয়ার প্রোগ্রাম এমন f খোঁজে যা এই সীমাকে যতটা সম্ভব ছোট করে।
এটি এমন এক কাঠামো যেখানে পুরো কাঠিন্যটাই f ভালোভাবে বেছে নেওয়ায়। চতুরভাবে বাছাই করা ফাংশন আঁটসাঁট সীমা দেয়, আর খারাপভাবে বাছাই করা ফাংশন দুর্বল কিন্তু তবুও বৈধ সীমা দেয়। এ কারণেই নতুন ফলাফলের মিলে যাওয়া নিম্নসীমা এত গুরুত্বপূর্ণ। এটি একসঙ্গে প্রতিটি গ্রহণযোগ্য ফাংশন সম্পর্কে কথা বলে, এবং আরও ভালো ফাংশনের খোঁজকে একটি বন্ধ প্রশ্নে পরিণত করে।
কাঠামোটি আগেই কী অর্জন করেছিল #
নতুন উপপাদ্যে যাওয়ার আগে, Fourier-বিশ্লেষণী লিনিয়ার-প্রোগ্রামিং কাঠামো আগেই কী দিয়েছিল তা নির্দিষ্ট করে বলা দরকার, কারণ নতুন ফলাফলটি আংশিকভাবে এটি আর কতদূর যেতে পারে সে বিষয়ে একটি বিবৃতি।
Viazovska এই কাঠামো ব্যবহার করে প্রমাণ করেন যে আট মাত্রায় E8 ল্যাটিস সর্বোত্তম প্যাকিং দেয়। এরপর Cohn, Kumar, Miller, Radchenko এবং Viazovska চব্বিশ মাত্রায় Leech ল্যাটিসের সর্বোত্তমতা প্রতিষ্ঠা করেন। এগুলো একক মাত্রায় নিখুঁত ফলাফল, এবং এগুলোর কারণেই কাঠামোটির খ্যাতি সীমা নির্ণয়ের হাতিয়ার হিসেবে এর ভূমিকার বাইরেও বিস্তৃত। দুটি নির্দিষ্ট মাত্রায় এটি সঠিক উত্তরে পৌঁছায়।
উচ্চমাত্রিক চিত্রটি ছিল অস্পষ্ট। Cohn এবং Zhao প্রমাণ করেন যে লিনিয়ার প্রোগ্রাম সবসময় অন্তত Kabatianskii–Levenshtein গোলকীয়-কোড সীমার সমান শক্তিশালী। এটি একটি কাজের নিশ্চয়তা, কারণ Kabatianskii–Levenshtein সীমাই ছিল সর্বোত্তম জ্ঞাত সাধারণ সূচক। কিন্তু "অন্তত সমান শক্তিশালী" দুটি সম্ভাবনা খোলা রাখে: প্রোগ্রামটি ওই সূচকের সঙ্গে হুবহু মিলতে পারে, অথবা তাকে ছাড়িয়ে যেতে পারে। নথিটি এর পরিণতি সরাসরি বলে। লিনিয়ার প্রোগ্রাম ধ্রুপদি উচ্চমাত্রিক স্ফিয়ার-প্যাকিং সূচকের উন্নতি ঘটায় কি না, সেই প্রশ্ন খোলা ছিল।
Afkhami-Jeddi, Cohn, Hartman, de Laat এবং Tajdini লিনিয়ার প্রোগ্রামের উচ্চমাত্রিক হার অনুমান করেছিলেন। সেই অনুমানটি একটি সতর্ক বস্তু, এবং উৎসটি একে সেভাবেই দেখে। এটি ছিল একটি অনুমান, লেখকদের হাতে যে প্রমাণই থাকুক তার ভিত্তিতে, এবং কেউ এটি প্রমাণ করেননি। নতুন ফলাফল এর অবস্থান বদলে দেয়।
প্রধান উপপাদ্য #
নথির প্রধান উপপাদ্য সেই ২০২০ সালের গবেষণাপত্রের অনুমান ৩.১ ও ৩.২-এ অনুমিত সূচকীয় হার প্রমাণ করে। দাবিগুলো যে স্তরে সমর্থন করে, সেই স্তরে বললে: লেখকেরা Cohn-Elkies স্ফিয়ার-প্যাকিং লিনিয়ার প্রোগ্রামের নিখুঁত সূচকীয় ক্ষয়হার নির্ণয় করেন। উৎসের ভাষায়, প্রোগ্রামটির অসীমতটীয় শক্তি নিখুঁতভাবে নির্ণীত।
উৎস থেকে সরাসরি দুটি পরিণতি আসে। প্রথমটি হলো উচ্চ মাত্রায় একটি উন্নত সাধারণ প্যাকিং সীমা। দ্বিতীয়টি হলো, সংশ্লিষ্ট Fourier চিহ্ন-অনিশ্চয়তা সমস্যাটি অসীমতটীয়ভাবে নিষ্পত্তি হয়। এগুলো ভিন্ন ধরনের পরিণতি। একটি জ্যামিতি নিয়ে, অন্যটি বিশ্লেষণ নিয়ে, আর একটি উপপাদ্যই যে দুটোই দেয়, সেটাই প্রথম ইঙ্গিত যে স্ফিয়ার-প্যাকিং সমস্যা ও অনিশ্চয়তা সমস্যা একই কাঠামোর দুটি মুখ।
উৎসটি এই অর্জনকে ইতিহাসের প্রেক্ষাপটেও রাখে। এটি ফলাফলটিকে সাধারণ স্ফিয়ার-প্যাকিং সূচকে ১৯৭৮-এর পর প্রথম উন্নতি হিসেবে বর্ণনা করে। ধ্রুপদি Kabatianskii–Levenshtein সূচক ছিল ০.৫৯৯০৫৫৭৬..., এবং সেই সংখ্যাটিই ছিল মানদণ্ড। নথিটি নথিভুক্ত করে যে পরবর্তী গোলকীয়-কোড পরিমার্জনগুলো কেবল নিম্নক্রমের গুণকগুলোর উন্নতি ঘটিয়েছিল। অন্যভাবে বললে, সূচকটির ক্ষেত্রে, যা প্রধান-ক্রমের রাশি, কিছুই নড়েনি।
আমার যুক্তি, ফলাফলটি মূল্যায়নের জন্য এই কাঠামোটিই সঠিক। নিম্নক্রমের উন্নতি ধ্রুবক ও বহুপদী গুণকগুলোতে রদবদল করে, অথচ সূচকীয় হারকে যেখানে ছিল সেখানেই রেখে দেয়। সূচকের উন্নতি হারটাকেই বদলায়। দাবিগুলো ঠিক এই পার্থক্যকে সমর্থন করে, এবং এই বিবৃতিকেও যে আগের পরিমার্জনগুলো এর নিম্নক্রমের দিকেই পড়েছিল।
| মাত্রা / কাঠামো | ধ্রুপদি ভিত্তিরেখা (১৯৭৮) | Cohn-Elkies লিনিয়ার প্রোগ্রাম | নতুন মডেলের প্রমাণ |
|---|---|---|---|
| স্ফিয়ার-প্যাকিং সূচক | Kabatianskii–Levenshtein সীমা: ০.৫৯৯০৫৫৭৬... | অন্তত গোলকীয়-কোড সীমার সমান শক্তিশালী (Cohn–Zhao) | Afkhami-Jeddi et al. (২০২০)-এর অনুমিত নিখুঁত অসীমতটীয় হার প্রমাণিত |
| সীমার চূড়ান্ততা | কেবল নিম্নক্রমের গুণকের পরিমার্জন | অসীমতটীয় উচ্চমাত্রিক ফাঁক নিয়ে খোলা প্রশ্ন | হুবহু মিলে যাওয়া নিম্নসীমা: কোনো সহায়ক ফাংশন এই হারকে হারাতে পারে না |
| Fourier চিহ্ন-অনিশ্চয়তা | পৃথক চিহ্ন-সীমা ($A^+(d) < A^-(d)$) | anti-self-Fourier পরীক্ষা-ফাংশনের সঙ্গে যুক্ত | অসীমতটীয়ভাবে নিষ্পন্ন; চিহ্ন-অনিশ্চয়তা Mellin প্রতিফলন দ্বারা নিয়ন্ত্রিত |
| ত্রুটি-সংশোধনী কোড | ধ্রুপদি গোলকীয় ও বাইনারি কোড সীমা | প্যাকিং সীমার সঙ্গে অসীমতটীয়ভাবে যুক্ত | সব নির্দিষ্ট-দূরত্ব প্যারামিটারের জন্য সূচকীয় গুণকে উন্নতি |
| পদ্ধতিগত সীমা | বহুপদী গুণকের সাংখ্যিক অপটিমাইজেশন | সহায়ক পরীক্ষা-ফাংশন $f \in \mathcal{A}_d$-এর খোলা অপটিমাইজেশন | গাণিতিক সীমা প্রমাণিত: আরও লাভের জন্য Cohn-Elkies-এর বাইরের পদ্ধতি লাগবে |
মিলে যাওয়া নিম্নসীমা কেন প্রশ্নটাই বদলে দেয় #
কেবল ঊর্ধ্বসীমার উন্নতিও ভালো খবর হতো। যা এই ফলাফলকে অস্বাভাবিকভাবে চূড়ান্ত করে, তা এর দ্বিতীয় অর্ধেক। মিলে যাওয়া নিম্নসীমা দেখায় যে কোনো Cohn-Elkies সহায়ক ফাংশন এই সূচকের উন্নতি ঘটাতে পারে না।
ভাবুন এটি গবেষণা কর্মসূচির সঙ্গে কী করে। ফলাফলটির আগে, সহায়ক ফাংশন গঠনের আরও ভালো ধারণা থাকা একজন গবেষকের কাছে আরও ভালো স্ফিয়ার-প্যাকিং সূচকে পৌঁছানোর একটি সম্ভাব্য পথ ছিল। এর পরে, সূচকের স্তরে সেই পথ বন্ধ। সূচক নিয়ে আর যেকোনো অগ্রগতি আসতে হবে Cohn-Elkies কাঠামোর বাইরে থেকে, কারণ এর ভেতরে হারটি এখন নিখুঁত।
আমি এটিকে অতিরঞ্জিত করতে চাই না। দাবিগুলো বলে না যে নতুন সূচকটিই প্রকৃত স্ফিয়ার-প্যাকিং সূচক, এবং এটাও বলে না যে স্ফিয়ার প্যাকিং নিজে এর চেয়ে ভালো করতে পারে না। বিবৃতিটি লিনিয়ার প্রোগ্রাম নিয়ে: এর সূচক স্থির হয়ে গেছে, এবং সহায়ক ফাংশন বদলে একে হারানো যায় না। ভিন্ন কোনো কৌশল একে হারাতে পারে কি না, সেটি এমন প্রশ্ন যা দাবিগুলো ছোঁয় না। এটি একটি পরিষ্কার সীমারেখা, এবং এ ধরনের সীমারেখাই একটি ক্ষেত্রকে বলে দেয় এরপর কোথায় তাকাতে হবে।
এর একটি বাণিজ্যিক দৃষ্টিভঙ্গির পাঠও আছে, সেই পাঠকদের জন্য যাঁরা পরিশ্রম কোথায় যায় তা নিয়ে ভাবেন। কোনো পদ্ধতির জ্ঞাত-নিখুঁত সীমা একটি কাজের তথ্য। এটি বলে দেয় সেই পদ্ধতির ভেতরে অপটিমাইজ করা বন্ধ করুন। গবেষণার সময় বণ্টন করেন এমন যে কারও জন্য "এটির উন্নতি হতে পারে" থেকে "এটির উন্নতি হতে পারে না"-তে সরে আসা একটি সাধারণ ইতিবাচক ফলাফলের মতোই মূল্যবান।
গোলকীয় কোড ও বাইনারি কোড #
সংকলনটি প্যাকিংয়ে থামে না। নির্দিষ্ট দূরত্বের বাইনারি ও গোলকীয় কোডের ধ্রুপদি ঊর্ধ্বসীমাগুলো সব প্যারামিটারের জন্য সূচকীয় গুণকে উন্নত করা হয়েছে। সেই বাক্যে একটি জোরালো পরিমাণবাচক আছে। উন্নতি সূচকীয় গুণকে, এবং তা সব প্যারামিটারের জন্য প্রযোজ্য, যা কোনো অনুকূল অঞ্চলে উন্নতির চেয়ে অনেক বিস্তৃত বিবৃতি।
অধ্যায় ১-এর সঙ্গে একটি যোগসূত্রও আছে। গোলকীয় কোডের গঠনটি অধ্যায় ১-এর স্ফিয়ার-প্যাকিং সূচকও পুনরুদ্ধার করে। ফলে দুটি সুতো জুড়ে যায়: কোডের দিকের গঠন প্যাকিংয়ের দিকের সূচক পুনরুৎপাদন করে। দাবিগুলো সেই পুনরুদ্ধারের কৌশল ব্যাখ্যা করে না, এবং আমি কোনো কৌশল বানিয়ে বলব না। তারা যা প্রতিষ্ঠা করে তা হলো, সম্পর্কটি এই দিকেই চলে, এবং গোলকীয় গঠনটি প্যাকিং অধ্যায়ের সমান সূচকই দেয়।
ওপরের ইতিহাস মনে রাখলে এই যোগসূত্র কেন গুরুত্বপূর্ণ তা স্মরণ করা দরকার। Kabatianskii–Levenshtein গোলকীয়-কোড সীমা ছিল লিনিয়ার প্রোগ্রামের তুলনাবিন্দু, আর Cohn ও Zhao-র উপপাদ্য বলত প্রোগ্রামটি সবসময় অন্তত সমান শক্তিশালী। নতুন ফলাফলগুলো প্যাকিং সীমার পাশাপাশি কোড সীমারও উন্নতি ঘটায়, এবং তা করে এমন একটি গঠন থেকে যা আবার প্যাকিং সূচকে ফিরে আসে। দুই দিককে একসঙ্গে এগিয়ে নেওয়া হচ্ছে।
চিহ্ন-অনিশ্চয়তার সমস্যা #
প্রধান উপপাদ্যের দ্বিতীয় পরিণতি Fourier চিহ্ন-অনিশ্চয়তা নিয়ে, এবং নথিটি এর রূপরেখা আঁকার মতো যথেষ্ট সংজ্ঞা দেয়।
একটি ফাংশন g-এর জন্য, r(g)-কে R ≥ 0-এর সেই ইনফিমাম হিসেবে সংজ্ঞায়িত করা হয়েছে যার জন্য |x| ≥ R হলে g(x) ≥ 0। সহজ ভাষায়, r(g) হলো সেই ব্যাসার্ধ যার পরে g সর্বত্র অঋণাত্মক। যখন এমন কোনো ব্যাসার্ধ নেই, তখন r(g) = ∞। অনিশ্চয়তা সমস্যাটি হলো, যেসব ফাংশনের নিজেদের Fourier রূপান্তরের সঙ্গে একটি নির্ধারিত সম্পর্ক আছে, তাদের জন্য এই ব্যাসার্ধ কতটা ছোট করা যায়।
সেই সম্পর্কটি একটি চিহ্ন। শর্ত ĝ = ςg একটি ফাংশনকে চিহ্ন পর্যন্ত তার Fourier রূপান্তরের সঙ্গে বেঁধে দেয়। +1 ও −1 চিহ্ন যথাক্রমে মূল ও পরিপূরক অনিশ্চয়তা সমস্যা দেয়। Cohn এবং Gonçalves anti-self-Fourier প্রতিরূপটি, অর্থাৎ পরিপূরক সমস্যাটি, উপস্থাপন করেন এবং একে স্ফিয়ার প্যাকিংয়ের সঙ্গে যুক্ত করেন। সেই যোগসূত্রই সেই সেতু, যার মাধ্যমে স্ফিয়ার-প্যাকিং ফলাফল অনিশ্চয়তা সমস্যাকে অসীমতটীয়ভাবে নিষ্পত্তি করে।
পরিপূরক সমস্যাটি বিশুদ্ধ বিশ্লেষণের কোনো কৌতূহল নয়। spinless modular bootstrap-এ, modular S-প্রতিসমতা এমন anti-self-Fourier পরীক্ষা-ফাংশন তৈরি করে যাদের শেষ পর্যন্ত চিহ্ন spectral gap নিয়ন্ত্রণ করে। উৎসটি এর জন্য Hartman, Mazáč ও Rastelli এবং Afkhami-Jeddi et al.-এর গবেষণাপত্র উদ্ধৃত করে। ফলে যে প্রশ্নটি ফাংশন ও তাদের রূপান্তর নিয়ে একটি বিবৃতি হিসেবে শুরু হয়েছিল, তা পদার্থবিদ্যার মতো শোনানো একটি নামের প্রেক্ষাপটেও দেখা দেয়, spectral gap। দাবিগুলো সেই এক লাইনের কৌশলের বেশি এগোয় না, আমিও এগোব না, তবে এটি মনে করিয়ে দেয় যে অনিশ্চয়তা সমস্যার সঙ্গী স্ফিয়ার প্যাকিংয়ের বাইরেও আছে।
পরিশিষ্ট A দুটি সমস্যার মধ্যে একটি তুলনা যোগ করে। এটি লক্ষ করে যে সব d-এর জন্য A+(d) < A−(d)। এটি এই বিবৃতি যে দুটি সমস্যা প্রতিটি মাত্রায় আলাদা, এবং প্রথম রাশিটি দ্বিতীয়টির চেয়ে কঠোরভাবে ছোট। দাবিগুলো এর আর কোনো ব্যাখ্যা দেয় না, এবং অসমতাটি উল্লেখযোগ্য কেবল এই কারণে যে এটি কোনো ব্যতিক্রম ছাড়াই সব d-এর জন্য খাটে।
যুক্তির ভেতরে: গড়, শূন্য হওয়া এবং একটি ভর-প্রাক্কলন #
নথিতে বেশ কয়েকটি প্রযুক্তিগত বিবৃতি আছে, যা অনিশ্চয়তা বিশ্লেষণটি কীভাবে গড়া তার একটা আভাস দেয়। এগুলো খণ্ডাংশ, এবং আমি এগুলোকে খণ্ডাংশ হিসেবেই উপস্থাপন করব, তবে একসঙ্গে এগুলো একটি পদ্ধতির রূপরেখা আঁকে।
প্রতিসমতা দিয়ে শুরু করুন। ঘূর্ণন গড় সংজ্ঞায়িত হয়েছে O(d)-এর ওপর প্রমিত Haar পরিমাপ ব্যবহার করে। ঘূর্ণনের ওপর একটি ফাংশনের গড় নিলে একটি ব্যাসার্ধীয় ফাংশন পাওয়া যায়, এবং এটি করার উদ্দেশ্য হলো সমস্যাটিকে সরল করা, শর্তগুলো না ভেঙে। উৎস বলে, ঘূর্ণন গড় সমস্যার শর্ত-তালিকার, যাকে (2) নামে চিহ্নিত করা হয়েছে, প্রতিটি চিহ্ন-শর্ত রক্ষা করে। এটি আরও যোগ করে যে যদি ĝ = ςg হয়, তবে r(Rg) ≤ r(g), যেখানে Rg হলো g-এর ঘূর্ণন গড়। ফলে গড় নেওয়া চিহ্ন-ব্যাসার্ধকে কখনো খারাপ করে না। তা ছাড়া, উৎসের ভাষায়, যখনই g ≠ 0 শেষ পর্যন্ত অঋণাত্মক, তখনই Rg ≠ 0, তাই বড় দূরত্বে সঠিক চিহ্ন-আচরণসম্পন্ন কোনো ফাংশনকে গড় নেওয়া মুছে দেয় না।
এই তিনটি তথ্য একসঙ্গে ব্যাসার্ধীয় ফাংশনে সংকোচনকে ন্যায্যতা দেয়। সংকোচনটি ব্যাসার্ধে কোনো মূল্য দাবি করে না, চিহ্ন-শর্তগুলো রক্ষা করে, এবং ফাংশনটিকে শূন্যে ধসিয়ে দেয় না। এটি একটি প্রমিত প্রতিসমতা-যুক্তির গড়ন, এবং দাবিগুলো এর প্রতিটি উপাদান নিশ্চিত করে।
এরপর মূলবিন্দু। ফাংশন g = h − ĥ মূলবিন্দুতে শূন্য হয়। এটি সেই ধরনের ছোট তথ্য যা প্রমাণে বড় কাজ করে, কারণ Cohn-Elkies সীমায় সরাসরি মূলবিন্দুর মান জড়িত, এবং সেখানে শূন্য হওয়া একটি ফাংশন শূন্য না-হওয়া ফাংশনের থেকে ভিন্ন আচরণ করে। একটি সংশ্লিষ্ট সংশোধন-ধাপও নথিভুক্ত আছে: সংশোধিত ফাংশন gn, gn(0) = 0 পূরণ করে এবং L1-এ gn → g। অর্থাৎ সংশোধিত ফাংশনের একটি অনুক্রম, যার প্রতিটি মূলবিন্দুতে শূন্য, L1 অর্থে g-এর দিকে অভিসারী হয়। এতে যুক্তিটি এমন ফাংশন নিয়ে কাজ করতে পারে যা মূলবিন্দুর শর্ত হুবহু পূরণ করে, অথচ লক্ষ্যটিকে আসন্নভাবে ধরে রাখে।
তারপর একটি পরিমাণগত শর্ত আছে। ভর-প্রাক্কলনটি 1/a ≥ (1/π − o(1))√d বাধ্যতামূলক করে। দাবিগুলো a-কে সংজ্ঞায়িত করে না, তাই এটি কী মাপে তা আমি বলতে পারি না, এবং আন্দাজও করব না। যা বলা যায় তা হলো উপসংহারের রূপ: 1/a-এর ওপর একটি নিম্নসীমা যা মাত্রার বর্গমূলের মতো বাড়ে, ধ্রুবক 1/π এবং একটি বিলীয়মান সংশোধনসহ। মাত্রার বর্গমূলের মাপনী উচ্চমাত্রিক জ্যামিতির জন্য স্বাভাবিক মনে হওয়া একটি আকার, তবে সেটি রাশিটির রূপ নিয়ে আমার পর্যবেক্ষণ, এবং দাবিগুলো একে কৌশল হিসেবে দাবি করে না।
Mellin চিত্র #
নথিতে সরঞ্জামের আরও একটি টুকরো দেখা যায়, এবং এটিই সবচেয়ে স্পষ্টভাবে ব্যাখ্যা করে কেন এখানে ব্যাসার্ধীয় Fourier বিশ্লেষণ সামলানো যায়। একটি Mellin রূপান্তরের পর, ব্যাসার্ধীয় Fourier রূপান্তর Mellin চলকটিকে প্রতিফলিত করে। একটি রূপান্তর কীভাবে কাজ করে, এটি তার একটি সংক্ষিপ্ত বিবৃতি। একটি ব্যাসার্ধীয় ফাংশনের Fourier রূপান্তর, যা সাধারণত একটি সমাকলন অপারেটর এবং সরাসরি যুক্তি করা কঠিন, Mellin চলকে একটি প্রতিফলনে পরিণত হয়। প্রতিফলন অপারেটরগুলোর মধ্যে প্রায় সবচেয়ে সরল।
একই অংশ অন্য দিকে একটি বিশ্লেষণী শর্তও নথিভুক্ত করে। g-এর Schwartz ক্ষয় v → +∞ হলে Φg-এর দ্রুত ক্ষয় দেয়। এখানে Φg হলো Mellin বিশ্লেষণে প্রাপ্ত বস্তু, আর v তার চলক। জুটিটি শিক্ষণীয়: প্রতিফলনের ধর্ম কাঠামো সামলায়, আর Schwartz ক্ষয় অসীমে নিয়ন্ত্রণ সামলায়। এই ধরনের প্রমাণে দুটোই লাগে, কারণ ক্ষয় ছাড়া কাঠামো এমন সমাকলন রেখে যায় যা হয়তো অভিসারী নয়, আর কাঠামো ছাড়া ক্ষয় হিসাব করার মতো কিছুই রাখে না।
নথিটি আরও উল্লেখ করে যে Sd হলো একক গোলকের ক্ষেত্রফল, যা ব্যাসার্ধীয় সমাকলনগুলোকে গোলক ও রেখার মধ্যে রূপান্তরের সময় প্রমিতকরণ গুণক হিসেবে আসে। এটি একটি সংজ্ঞাগত বিষয়, এবং এটি সেই ধরনের হিসাবরক্ষণ যা ঠিক করে চূড়ান্ত সীমার ধ্রুবকগুলো সঠিক আসে কি না।
এই খণ্ডাংশগুলো কী, তা আমি পরিষ্কার করতে চাই। এগুলো প্রমাণ নয়। দাবিগুলো বিবৃতি দেয়, নির্ণয়-প্রক্রিয়া নয়, এবং কোনো পাঠকের এগুলো থেকে পুরো যুক্তি পুনর্গঠন করা উচিত নয়। এগুলো যা দেখায় তা হলো, বিশ্লেষণটি প্রতিসমতার মাধ্যমে সংকোচন, মূলবিন্দুর একটি শর্ত, একটি পরিমাণগত ভর-প্রাক্কলন, এবং এমন একটি রূপান্তরকে একত্র করে যার ক্রিয়া চলক বদলের পর সরল হয়ে যায়। Fourier-বিশ্লেষণী চরম সমস্যার জন্য এই সমন্বয় প্রচলিত, যা চূড়ান্ত ফলাফলের নিখুঁততাকে কম নয়, বরং আরও উল্লেখযোগ্য করে তোলে। প্রমিত চেহারার সরঞ্জামই একটি ধারালো উত্তরে পৌঁছাতে যথেষ্ট ছিল।
সংকলনের বাকি অংশ #
স্ফিয়ার-প্যাকিং অধ্যায় নথির কেবল একটি অংশ, এবং বাকি ফলাফলগুলোর একটি ন্যায্য হিসাব প্রাপ্য। প্রতিটি এখানে ঠিক সেভাবেই বলা হলো যেভাবে দাবিগুলো দেয়।
গ্রুপ তত্ত্বে, একটি সুস্পষ্ট nonsofic গ্রুপ গঠন করা হয়েছে, যা এই দীর্ঘদিনের প্রশ্নের উত্তর দেয় যে প্রতিটি গণনযোগ্য গ্রুপ sofic কি না। প্রমাণটি Kun এবং Kun–Thom-এর কাজকে একটি কম্বিনেটরিয়াল expander-matching যুক্তির সঙ্গে মেলায়, যা বাইনারি Leavitt বীজগণিত এবং Thompson-এর গ্রুপ V ব্যবহার করে বাস্তবায়িত। এখানে "সুস্পষ্ট" শব্দটির ওজন আছে: ফলাফলটি একটি গঠন, অস্তিত্বের যুক্তি নয়।
অপারেটর বীজগণিতে, property (T) সহ অসীমসংখ্যক, জোড়ায় জোড়ায় অসমরূপ গ্রুপ গঠন করা হয়েছে যাদের গ্রুপ von Neumann বীজগণিত একই। এটি Connes-এর অনুমান খণ্ডন করে এবং Popa-র একটি সংশ্লিষ্ট finite-to-one প্রশ্নের উত্তর দেয়। একটি গঠনেই দুটি নামাঙ্কিত প্রশ্নের নিষ্পত্তি।
পাটিগণিতীয় জটিলতায়, নথিটি permanent-এর জন্য নিম্নসীমা দেয়। division-free সার্কিটের প্রয়োজন Ω(n² log log n) গেট, আর সূত্রের প্রয়োজন Ω(n⁴ / log n) পাতা। এগুলো গণনার দুটি মডেলের জন্য দুটি সীমা, এবং নথিটি এগুলো পাশাপাশি বলে।
কোয়ান্টাম তথ্যে, প্রতিটি সসীম দুই-খেলোয়াড় entangled গেমের জন্য সূচকীয় সমান্তরাল পুনরাবৃত্তি প্রমাণিত হয়েছে। উৎস বলে, এটি ধ্রুপদি পুনরাবৃত্তি নীতিকে কোয়ান্টাম গেমের আগে বিবেচিত বিশেষ শ্রেণিগুলোর বাইরে প্রসারিত করে। পরিমাণবাচকটি আবারও চোখে পড়ে: প্রতিটি সসীম দুই-খেলোয়াড় entangled গেম, কোনো বিশেষ শ্রেণির সীমাবদ্ধতা ছাড়া।
আসন্নীকরণের কাঠিন্যে, 3SAT থেকে একটি সরাসরি রিডাকশন Euclidean closest vector problem-এর জন্য n^(1/400)-গুণক কাঠিন্য দেয়, বাইনারি ডিকোডিং ও অন্যান্য ল্যাটিস নর্মের জন্য সংশ্লিষ্ট পরিণতিসহ। সূচক 1/400 ছোট, এবং আমি একে সাজিয়ে না বলে যেমন লেখা তেমনই জানাতে পছন্দ করব। দাবিগুলো রিডাকশনটিকে সরাসরি বলে এবং বাইনারি ডিকোডিং ও অন্যান্য নর্মের জন্য পরিণতি যোগ করে।
উত্তল জ্যামিতিতে, যেসব উত্তল বস্তুর ভরকেন্দ্রই তাদের একমাত্র অভ্যন্তরীণ ল্যাটিস বিন্দু, তাদের জন্য ধারালো আয়তন-ঊর্ধ্বসীমা (n + 1)^n / n! প্রতিটি মাত্রায় প্রমাণিত হয়েছে। ধারালোতা এবং সব মাত্রায় সাধারণতা, দুটোই দাবির অংশ।
Ramsey তত্ত্বে, একটি নতুন superexponential নিম্নসীমা দেখায় যে Rk(3) বাড়ে k^Θ(k)-এর মতো। আর চরম গ্রাফ তত্ত্বে, পৃথক দ্বিবিভক্ত গ্রাফ গঠন দুটি অনুমান খণ্ডন করে: Erdős ও Simonovits-এর compactness অনুমান এবং Erdős-এর একটি degeneracy অনুমান।
সংকলনটিকে সামগ্রিকভাবে পড়া #
এই তালিকাকে ট্রফির আলমারির মতো দেখা সহজ, তাই এ থেকে কী উপসংহার টানা যায় আর কী যায় না, তা বলা দরকার।
যা বলা যায় তা হলো, নথিটি অন্তত আটটি ক্ষেত্রে ফলাফল জানায়, এর কয়েকটিকে নামাঙ্কিত অনুমানের উত্তর বা খণ্ডন হিসেবে বর্ণনা করা হয়েছে, এবং স্ফিয়ার-প্যাকিং অধ্যায়ের সঙ্গে একটি মিলে যাওয়া নিম্নসীমা আছে যা এর ফলাফলকে এর কাঠামোর ভেতরে চূড়ান্ত করে। সংশ্লিষ্ট অনুমানগুলোতে Connes, Popa, Erdős ও Simonovits-এর নাম আছে, আর স্ফিয়ার-প্যাকিং হার অনুমান করেছিলেন Afkhami-Jeddi, Cohn, Hartman, de Laat এবং Tajdini। নামাঙ্কিত প্রশ্নের নিষ্পত্তি করা ফলাফল মূল্যায়ন করা সহজ, কারণ প্রশ্নটি উত্তরের অস্তিত্বের আগেই করা হয়েছিল।
কেবল এই দাবিগুলোর ভিত্তিতে যা বলা যায় না, তা হলো মডেলটি কীভাবে কাজ করে, এর কতবার চেষ্টা লেগেছে, এর আউটপুট কীভাবে যাচাই হয়েছে, বা মানুষের প্রচেষ্টার সঙ্গে এর তুলনা কেমন। উৎস বলে ফলাফলগুলো OpenAI-এর একটি অভ্যন্তরীণ মডেল থেকে পাওয়া, এবং দাবিগুলো সেখানেই থামে। যে পাঠক এই সংকলনের তাৎপর্যকে যন্ত্র-গণিতের প্রমাণ হিসেবে ওজন করতে চান, তাঁর এমন তথ্য দরকার যা দাবিগুলোতে নেই। সেই ফাঁকটি বিশ্বাসযোগ্য-শোনানো আখ্যান দিয়ে ভরার প্রলোভন আমি এড়িয়ে চলব।
তবু একটি অবস্থান নেওয়ার মতো। কৌশলে ফলাফলগুলো বৈচিত্র্যময়: nonsofic গ্রুপটি বাইনারি Leavitt বীজগণিত ও Thompson-এর গ্রুপ V ব্যবহার করে, স্ফিয়ার-প্যাকিং ফলাফল Fourier বিশ্লেষণ ও Mellin রূপান্তর ব্যবহার করে, আর closest vector কাঠিন্য 3SAT থেকে একটি রিডাকশন ব্যবহার করে। এত প্রযুক্তিগত পরিসর জুড়ে থাকা একটি সংকলন বারবার প্রয়োগ করা একটি কৌশলের ফসল নয়। যা-ই এই ফলাফলগুলো তৈরি করুক, তা একাধিক গাণিতিক উপভাষায় কাজ করছিল, এবং দাবিগুলো অন্তত এটুকু সমর্থন করে।
খাতভিত্তিক তাৎপর্য #
উচ্চমাত্রিক Cohn-Elkies ক্ষয়হারের নিখুঁত নির্ণয় এবং সঙ্গের গাণিতিক ফলাফলগুলো বেশ কয়েকটি তাত্ত্বিক ও প্রয়োগমূলক গণনাক্ষেত্রকে প্রভাবিত করে।
বিশুদ্ধ গণিত ও বিচ্ছিন্ন জ্যামিতি #
উচ্চমাত্রিক জ্যামিতি ও হারমোনিক বিশ্লেষণে কাজ করা গণিতবিদদের জন্য, নিখুঁত Cohn-Elkies ক্ষয়হারের নির্ণয় গবেষণার দৃশ্যপট বদলে দেয়। যেহেতু মিলে যাওয়া নিম্নসীমা প্রমাণ করে যে $\mathcal{A}_d$-এর কোনো সহায়ক ফাংশন নতুন সূচককে হারাতে পারে না, গবেষকেরা ধ্রুপদি লিনিয়ার প্রোগ্রামিং কাঠামোর ভেতরে আরও ভালো ব্যাসার্ধীয় পরীক্ষা-ফাংশনের খোঁজ বন্ধ করতে পারেন। আরও ঘন স্ফিয়ার প্যাকিং বা আরও আঁটসাঁট সার্বজনীন সীমার দিকে অগ্রগতিকে এখন অরৈখিক প্রোগ্রামিং কৌশল, উচ্চতর-ক্রমের semidefinite স্তরবিন্যাস, অথবা আমূল ভিন্ন জ্যামিতিক গঠন অনুসন্ধান করতে হবে।
ক্রিপ্টোগ্রাফি ও ল্যাটিস-ভিত্তিক নিরাপত্তা #
ল্যাটিস-ভিত্তিক ক্রিপ্টোগ্রাফি, যা ML-KEM ও ML-DSA-এর মতো পোস্ট-কোয়ান্টাম মানদণ্ডের কেন্দ্রে, উচ্চমাত্রিক Euclidean ল্যাটিসে ক্ষুদ্রতম বা নিকটতম ভেক্টর খোঁজার অনুমিত কাঠিন্যের ওপর ব্যাপকভাবে নির্ভর করে। Euclidean Closest Vector Problem (CVP)-এর জন্য $n^{1/400}$-গুণক কাঠিন্য প্রতিষ্ঠাকারী 3SAT থেকে সরাসরি রিডাকশন, স্ফিয়ার প্যাকিং ও গোলকীয় কোডের ওপর আরও আঁটসাঁট সূচকীয় সীমার সঙ্গে মিলে, worst-case-to-average-case ল্যাটিস রিডাকশনের তাত্ত্বিক ভিত্তিকে মজবুত করে, বাস্তব নিরাপত্তা প্যারামিটার দুর্বল না করেই।
স্বয়ংক্রিয় উপপাদ্য-প্রমাণ ও ফাউন্ডেশন মডেল #
যুক্তিনির্ভর ব্যবস্থা ও স্বয়ংক্রিয় উপপাদ্য-প্রমাণক তৈরি করা গবেষণা দলগুলোর জন্য, সংকলনটির ব্যাপ্তি ও প্রযুক্তিগত গভীরতা একটি চমকপ্রদ মানদণ্ড দেয়। জানা প্রমাণের কৃত্রিম রূপভেদ তৈরি করার বদলে, অভ্যন্তরীণ মডেলটি গ্রুপ তত্ত্ব (Thompson-এর গ্রুপ V দিয়ে একটি সুস্পষ্ট nonsofic গ্রুপ গঠন), অপারেটর বীজগণিত (Connes-এর অনুমান খণ্ডন) এবং পাটিগণিতীয় জটিলতা (permanent-এর নিম্নসীমা) জুড়ে বিস্তৃত খোলা সমস্যার মোকাবিলা করেছে। এটি দেখায় যে নিউরাল স্থাপত্য গভীর Fourier বিশ্লেষণ ও কম্বিনেটরিয়াল matching সামলাতে পারে, যদি যাচাই ও প্রমাণ-পরীক্ষা কঠোর থাকে।
উপসংহার #
Cohn-Elkies স্ফিয়ার-প্যাকিং লিনিয়ার প্রোগ্রামের নিখুঁত ক্ষয়হারের নির্ণয় জ্যামিতিক বিশ্লেষণের একটি বড় অধ্যায় বন্ধ করে। Afkhami-Jeddi, Cohn, Hartman, de Laat ও Tajdini-র ২০২০ সালের অনুমান প্রমাণ করে এবং ১৯৭৮-এর পর সাধারণ স্ফিয়ার-প্যাকিং সূচকে প্রথম উন্নতি প্রতিষ্ঠা করে, এই কাজ একটি অটল গাণিতিক ভিত্তিরেখা স্থাপন করে। একটি মিলে যাওয়া নিম্নসীমা নিশ্চিত করে যে কোনো Cohn-Elkies সহায়ক ফাংশন আর সূচকীয় লাভ দিতে পারে না, ফলে উপপাদ্যটি লিনিয়ার প্রোগ্রামের অসীমতটীয় শক্তির নিষ্পত্তিও করে এবং উচ্চমাত্রিক জ্যামিতির ভবিষ্যৎকে মৌলিকভাবে নতুন বিশ্লেষণী দিগন্তের দিকে চালিত করে।
সচরাচর জিজ্ঞাসা #
Kabatianskii–Levenshtein সীমার তাৎপর্য কী ছিল?
১৯৭৮ সালে প্রতিষ্ঠিত Kabatianskii–Levenshtein সীমা উচ্চ মাত্রায় স্ফিয়ার-প্যাকিং ঘনত্বের ওপর ০.৫৯৯০৫৫৭৬...-এর একটি অসীমতটীয় ঊর্ধ্বসীমা-সূচক দিয়েছিল। চার দশকেরও বেশি সময় ধরে পরবর্তী পরিমার্জনগুলো কেবল নিম্নক্রমের বীজগাণিতিক গুণকগুলোর উন্নতি ঘটিয়েছিল, এবং প্রধান সূচকীয় হার এই ফলাফল পর্যন্ত অক্ষত ছিল।
মিলে যাওয়া নিম্নসীমা এত গুরুত্বপূর্ণ কেন?
কেবল একটি ঊর্ধ্বসীমা দেখায় লিনিয়ার প্রোগ্রাম কী অর্জন করে, কিন্তু একটি মিলে যাওয়া নিম্নসীমা প্রমাণ করে যে Cohn-Elkies গ্রহণযোগ্য শ্রেণি A(d)-তে সহায়ক ফাংশন f-এর কোনো বাছাই এর চেয়ে ছোট সূচক দিতে পারে না। এতে লিনিয়ার প্রোগ্রামিং কাঠামোর ওপরই একটি পরম সীমা প্রতিষ্ঠিত হয়।
Fourier চিহ্ন-অনিশ্চয়তা সমস্যা স্ফিয়ার প্যাকিংয়ের সঙ্গে কীভাবে যুক্ত?
Cohn এবং Gonçalves প্রতিষ্ঠা করেন যে পরিপূরক Fourier চিহ্ন-অনিশ্চয়তা সমস্যা (যেখানে g_hat = -g) স্ফিয়ার-প্যাকিং সীমার সঙ্গে নিবিড়ভাবে যুক্ত। ঘূর্ণন গড় ও Mellin-রূপান্তর প্রতিফলনের মাধ্যমে, Cohn-Elkies প্রোগ্রামের অসীমতটীয় সমাধান সরাসরি Fourier চিহ্ন-অনিশ্চয়তা সমস্যার নিষ্পত্তি করে।
এই ফলাফল কি ল্যাটিস-ভিত্তিক ক্রিপ্টোগ্রাফিকে দুর্বল করে?
না। উপপাদ্যটি উচ্চ মাত্রায় গোলক কতটা ঘনভাবে প্যাক হতে পারে তার ঊর্ধ্বসীমাকে ধারালো করে এবং Closest Vector Problem-এর জন্য $n^{1/400}$-গুণক কাঠিন্য প্রতিষ্ঠা করে, কিন্তু এটি বহুপদী-সময়ের ল্যাটিস রিডাকশন অ্যালগরিদম দেয় না। ব্যবহারিক ল্যাটিস ক্রিপ্টোসিস্টেম জ্ঞাত কোয়ান্টাম ও ধ্রুপদি আক্রমণের বিরুদ্ধে নিরাপদ থাকে।
তথ্যসূত্র #
- Nima Afkhami-Jeddi et al., (2020). উচ্চমাত্রিক স্ফিয়ার প্যাকিং ও modular bootstrap ⧉. Journal of High Energy Physics.
- Henry Cohn and Noam Elkies, (2003). স্ফিয়ার প্যাকিংয়ের নতুন ঊর্ধ্বসীমা I ⧉. Annals of Mathematics.
- Henry Cohn and Felipe Gonçalves, (2019). Fourier বিশ্লেষণে একটি সর্বোত্তম অনিশ্চয়তা নীতি ⧉. PNAS.
- Henry Cohn and Yufei Zhao, (2014). গোলকীয় কোডের মাধ্যমে স্ফিয়ার-প্যাকিং সীমা ⧉. Duke Mathematical Journal.
- G. A. Kabatianskii and V. I. Levenshtein, (1978). গোলকের ওপর ও স্থানে প্যাকিংয়ের সীমা ⧉. Problems of Information Transmission.
- Maryna S. Viazovska, (2017). মাত্রা 8-এ স্ফিয়ার প্যাকিংয়ের সমস্যা ⧉. Annals of Mathematics.
সর্বশেষ পর্যালোচনা .
সর্বশেষ পর্যালোচনা .
এই নিবন্ধটি ক্রস-পোস্ট করুন
Medium-এর জন্য ফরম্যাট কপি করুন
# Cohn-Elkies স্ফিয়ার-প্যাকিংয়ের নিখুঁত ক্ষয়হার: OpenAI-র ভেতরের মডেল — Sebastien Rousseau > Originally published at [https://sebastienrousseau.com/bn/2026-10-05-cohn-elkies-sphiyar-pyakingyer-nikhut-kshayhar/](https://sebastienrousseau.com/bn/2026-10-05-cohn-elkies-sphiyar-pyakingyer-nikhut-kshayhar/) OpenAI-এর অভ্যন্তরীণ মডেল Cohn-Elkies স্ফিয়ার-প্যাকিং লিনিয়ার প্রোগ্রামের নিখুঁত ক্ষয়হার নির্ণয় করেছে: ১৯৭৮-এর পর সাধারণ সূচকে প্রথম উন্নতি, মিলে যাওয়া নিম্নসীমাসহ। Read the full article on sebastienrousseau.com: https://sebastienrousseau.com/bn/2026-10-05-cohn-elkies-sphiyar-pyakingyer-nikhut-kshayhar/
Mastodon-এর জন্য ফরম্যাট কপি করুন
Cohn-Elkies স্ফিয়ার-প্যাকিংয়ের নিখুঁত ক্ষয়হার: OpenAI-র ভেতরের মডেল — Sebastien Rousseau OpenAI-এর অভ্যন্তরীণ মডেল Cohn-Elkies স্ফিয়ার-প্যাকিং লিনিয়ার প্রোগ্রামের নিখুঁত ক্ষয়হার নির্ণয় করেছে: ১৯৭৮-এর পর সাধারণ সূচকে প্রথম উন্নতি, মিলে যাওয়া নিম্নসীমাসহ। https://sebastienrousseau.com/bn/2026-10-05-cohn-elkies-sphiyar-pyakingyer-nikhut-kshayhar/
LinkedIn-এর জন্য বিন্যাসিত কপি করুন
Cohn-Elkies স্ফিয়ার-প্যাকিংয়ের নিখুঁত ক্ষয়হার: OpenAI-র ভেতরের মডেল — Sebastien Rousseau OpenAI-এর অভ্যন্তরীণ মডেল Cohn-Elkies স্ফিয়ার-প্যাকিং লিনিয়ার প্রোগ্রামের নিখুঁত ক্ষয়হার নির্ণয় করেছে: ১৯৭৮-এর পর সাধারণ সূচকে প্রথম উন্নতি, মিলে যাওয়া নিম্নসীমাসহ।. এখানে মূল কৌশলগত টেকওয়েগুলি রয়েছে: - সংকলনটি কী, এবং একটি ফলাফল কেন আলাদা. নথিটি বিনয়ের সঙ্গে শুরু হয়। এটি OpenAI-এর একটি অভ্যন্তরীণ মডেল থেকে পাওয়া ফলাফলের একটি সংকলন উপস্থাপন করে, এবং বলে যে সেগুলো গণিত ও তাত্ত্বিক কম্পিউটার বিজ্ঞান জুড়ে বিস্তৃত। এটি উৎস ও পরিধির বর্ণনা, এবং মডেলটি… - Cohn-Elkies প্রোগ্রাম এবং এটি কী সীমাবদ্ধ করে. স্ফিয়ার প্যাকিং জানতে চায়, একে অপরের ওপর না-চাপা বলগুলো স্থান কতটা ঘনভাবে ভরাট করতে পারে। নথিটি এর জন্য সংকেতলিপি স্থির করে। অন্তত ১ দূরত্বে থাকা কেন্দ্রগুলোর জন্য, ∆d হলো Rd-এ ব্যাসার্ধ-1/2 বলগুলোর ঊর্ধ্ব ঘনত্বের… - কাঠামোটি আগেই কী অর্জন করেছিল. নতুন উপপাদ্যে যাওয়ার আগে, Fourier-বিশ্লেষণী লিনিয়ার-প্রোগ্রামিং কাঠামো আগেই কী দিয়েছিল তা নির্দিষ্ট করে বলা দরকার, কারণ নতুন ফলাফলটি আংশিকভাবে এটি আর কতদূর যেতে পারে সে বিষয়ে একটি বিবৃতি।. - প্রধান উপপাদ্য. নথির প্রধান উপপাদ্য সেই ২০২০ সালের গবেষণাপত্রের অনুমান ৩.১ ও ৩.২-এ অনুমিত সূচকীয় হার প্রমাণ করে। দাবিগুলো যে স্তরে সমর্থন করে, সেই স্তরে বললে: লেখকেরা Cohn-Elkies স্ফিয়ার-প্যাকিং লিনিয়ার প্রোগ্রামের নিখুঁত সূচকীয়… এই নিবন্ধে উল্লিখিত চ্যালেঞ্জগুলির প্রতি আপনার প্রতিষ্ঠানের পদ্ধতি কী? → https://sebastienrousseau.com/bn/2026-10-05-cohn-elkies-sphiyar-pyakingyer-nikhut-kshayhar/ #Openaiঅভ্যন্তরীণমডেল #CohnElkies #স্ফিয়ারপ্যাকিং #লিনিয়ারপ্রোগ্রাম #ক্ষয়হার Sebastien Rousseau | CC-BY-4.0
এই নিবন্ধটি উদ্ধৃত করুন
Cohn-Elkies স্ফিয়ার-প্যাকিংয়ের নিখুঁত ক্ষয়হার: OpenAI-র ভেতরের মডেল — Sebastien Rousseau
OpenAI-এর অভ্যন্তরীণ মডেল Cohn-Elkies স্ফিয়ার-প্যাকিং লিনিয়ার প্রোগ্রামের নিখুঁত ক্ষয়হার নির্ণয় করেছে: ১৯৭৮-এর পর সাধারণ সূচকে প্রথম উন্নতি, মিলে যাওয়া নিম্নসীমাসহ।
BibTeX
@online{rousseau2026cohn,
author = {Rousseau, Sebastien},
title = {{Cohn-Elkies স্ফিয়ার-প্যাকিংয়ের নিখুঁত ক্ষয়হার: OpenAI-র ভেতরের মডেল — Sebastien Rousseau}},
year = {2026},
url = {https://sebastienrousseau.com/bn/2026-10-05-cohn-elkies-sphiyar-pyakingyer-nikhut-kshayhar/},
urldate = {2026}
}RIS
TY - GEN AU - Rousseau, Sebastien TI - Cohn-Elkies স্ফিয়ার-প্যাকিংয়ের নিখুঁত ক্ষয়হার: OpenAI-র ভেতরের মডেল — Sebastien Rousseau PY - 2026 UR - https://sebastienrousseau.com/bn/2026-10-05-cohn-elkies-sphiyar-pyakingyer-nikhut-kshayhar/ ER -
Vancouver
Rousseau S. Cohn-Elkies স্ফিয়ার-প্যাকিংয়ের নিখুঁত ক্ষয়হার: OpenAI-র ভেতরের মডেল — Sebastien Rousseau. sebastienrousseau.com. 2026 Oct 5. Available from: https://sebastienrousseau.com/bn/2026-10-05-cohn-elkies-sphiyar-pyakingyer-nikhut-kshayhar/
Chicago
Rousseau, Sebastien. "Cohn-Elkies স্ফিয়ার-প্যাকিংয়ের নিখুঁত ক্ষয়হার: OpenAI-র ভেতরের মডেল — Sebastien Rousseau." sebastienrousseau.com. October 5, 2026. https://sebastienrousseau.com/bn/2026-10-05-cohn-elkies-sphiyar-pyakingyer-nikhut-kshayhar/.
APA
Rousseau, S. (2026, October 5). Cohn-Elkies স্ফিয়ার-প্যাকিংয়ের নিখুঁত ক্ষয়হার: OpenAI-র ভেতরের মডেল — Sebastien Rousseau. sebastienrousseau.com. https://sebastienrousseau.com/bn/2026-10-05-cohn-elkies-sphiyar-pyakingyer-nikhut-kshayhar/
এই নিবন্ধটি পুনঃপ্রকাশ করুন
Cohn-Elkies স্ফিয়ার-প্যাকিংয়ের নিখুঁত ক্ষয়হার: OpenAI-র ভেতরের মডেল — Sebastien Rousseau
OpenAI-এর অভ্যন্তরীণ মডেল Cohn-Elkies স্ফিয়ার-প্যাকিং লিনিয়ার প্রোগ্রামের নিখুঁত ক্ষয়হার নির্ণয় করেছে: ১৯৭৮-এর পর সাধারণ সূচকে প্রথম উন্নতি, মিলে যাওয়া নিম্নসীমাসহ।
এই নিবন্ধটি লাইসেন্স করা হয়েছে Creative Commons Attribution 4.0 International. পুনঃপ্রকাশনার জন্য মূল URL-এর কৃতিত্ব আবশ্যক।
Cohn-Elkies স্ফিয়ার-প্যাকিংয়ের নিখুঁত ক্ষয়হার: OpenAI-র ভেতরের মডেল — Sebastien Rousseau OpenAI-এর অভ্যন্তরীণ মডেল Cohn-Elkies স্ফিয়ার-প্যাকিং লিনিয়ার প্রোগ্রামের নিখুঁত ক্ষয়হার নির্ণয় করেছে: ১৯৭৮-এর পর সাধারণ সূচকে প্রথম উন্নতি, মিলে যাওয়া নিম্নসীমাসহ। Originally published at https://sebastienrousseau.com/bn/2026-10-05-cohn-elkies-sphiyar-pyakingyer-nikhut-kshayhar/ by Sebastien Rousseau. Licensed under CC-BY-4.0.