पिछले हफ्ते, GPT-5.6 और Claude Fable ने वायरलेस संचार के एक खुले सैद्धांतिक प्रश्न को हल कर दिया है — जिसका 2000 से 2010 के दशक तक गहन अध्ययन हुआ था और जिस पर मैंने अपने PhD के पहले साल में एक व्यग्र छात्र के रूप में संक्षिप्त रूप से काम किया था। उत्तर आखिरकार आ ही गया, शायद इसलिए क्योंकि मैं उन कुछ अंतिम लोगों में से था जिन्होंने यह प्रश्न पूछा और पहला व्यक्ति था जिसने मशीनों से इसे हल करने को कहा 😊
परिणाम: आप N बिट्स को एक N×N गॉसियन वायरलेस चैनल के माध्यम से भेजते हैं, और रिसीवर को उन सभी को सटीक रूप से पुनर्प्राप्त करना होता है। 2000 के दशक से यह ज्ञात है कि सूचना सिद्धांत के अनुसार ऐसा करना तब संभव है जब सिग्नल-टू-नॉइज़ अनुपात कम से कम 2 log N हो। लेकिन उस बिंदु तक पहुँचने का एकमात्र ज्ञात तरीका एक एक्सपोनेंशियल सर्च एल्गोरिथ्म था। अब इस बात का प्रमाण मौजूद है कि एक सरल, polynomial-time एल्गोरिथ्म उसी सीमा पर सफल होता है।
मुझे आपको इसके बारे में थोड़ा और बताने दीजिए।
2009 में, मैंने Alex Dimakis (@AlexGDimakis) के साथ अपना पहला पेपर काम किया, जो उसके तुरंत बाद मेरे PhD सलाहकार बने (उस पेपर की वजह से नहीं):
वह पेपर MIMO डिटेक्शन के लिए polynomial time समाधान पेश करने के कई प्रयासों में से एक था।
आप पूछेंगे MIMO डिटेक्शन क्या है?
एक ट्रांसमीटर N बिट्स का एक वेक्टर N ट्रांसमिट और N रिसीव एंटीना वाले वायरलेस चैनल के माध्यम से भेजता है। चैनल बिट्स को आपस में मिला देता है और नॉइज़ जोड़ देता है। रिसीवर, जो चैनल मैट्रिक्स को जानता है, को यह पता लगाना होता है कि कौन से बिट्स भेजे गए थे।
ब्लॉक-एरर ऑप्टिमल रिसीवर, जिसे मैक्सिमम लाइक्लिहुड (ML) डिटेक्टर भी कहा जाता है, प्राप्त सिग्नल के आधार पर सबसे संभावित वेक्टर का पता लगाकर इसी समस्या को हल करता है। इस मामले में, ML डिटेक्शन इस मौलिक डिस्क्रीट लीस्ट स्क्वेयर्स समस्या को हल करने तक सिमट जाता है:
दुर्भाग्य से, जीवन की सभी अच्छी समस्याओं की तरह… ML डिटेक्शन NP-हार्ड है।
फिर भी हम TCS निराशावादी नहीं हैं, और वायरलेस चैनल सबसे खराब स्थिति वाले नहीं होते — वे रैंडम होते हैं, और समुदाय 2000 के दशक की शुरुआत से निम्नलिखित प्रश्न पर काम कर रहा था:
जब प्रेषित बिट्स को सांख्यिकीय रूप से पुनर्प्राप्त करना संभव हो, तो क्या हम इसे poly-time में कर सकते हैं?
हमने ऊपर वाले 2010 के पेपर में उस प्रश्न पर ज़्यादा प्रगति नहीं की, और क्षेत्र में काफी काम के बावजूद, जहाँ तक मैं समझता हूँ, यह समस्या 2001 से खुली रही है… यानी एक चौथाई सदी — इसे और नाटकीय बनाने के लिए।
पिछले हफ्ते तक। और अंतिम उत्तर यह निकला:
हाँ! जब भी सटीक डिटेक्शन सांख्यिकीय रूप से संभव हो, आप इसे polynomial time में कर सकते हैं।
MIMO हल हो गया; बात खत्म।
लेकिन किसे परवाह है? हम एक पल में इस पर वापस आएँगे।
मैं पेपर संलग्न कर रहा हूँ और मैंने प्रमाणों और व्याख्या को सरल बनाने के लिए मॉडल्स के साथ 5+ दिन आगे-पीछे बिताए हैं (जो मूल रूप से पूरी तरह अव्यवस्थित थी), यह प्रक्रिया GPT द्वारा बनाए गए शुरुआती प्रमाण (जिसमें लगभग 30 मिनट लगे) से कहीं अधिक लंबी थी। प्रमाण लंबा है, लेकिन अपेक्षाकृत प्रारंभिक स्तर का है। मैंने सब कुछ सत्यापित किया है और अपनी पूरी प्रूफ-चेकिंग क्षमता से यह सही है।
अब मैं समस्या और उसके इतिहास के बारे में थोड़ा और बात करता हूँ, और यह कि यह लिखने लायक क्यों है, भले ही क्षेत्र MIMO डिटेक्शन थ्योरी के इस विशेष कोने से आगे बढ़ चुका है।
समस्या की रूपरेखा
तो आप एक बाइनरी वेक्टर x को {±1}^N में प्रेषित करते हैं, और प्राप्त करते हैं
y=SNRNHx+w{\bf y} = \sqrt{\frac{SNR}{N}}{\bf H}{\bf x}+{\bf w}
जहाँ H, N×N है और H और w दोनों के घटक iid N(0,1) हैं, सभी स्वतंत्र हैं। रिसीवर H और नॉइज़ के सांख्यिकीय गुणों को जानता है, लेकिन w को नहीं, और y से x को वापस पाना चाहता है। पुनर्प्राप्ति समस्या का ब्लॉक-एरर ऑप्टिमल समाधान इसके बराबर है:
वैसे, यह ऑप्टिमाइज़ेशन कई अन्य रूपों में भी आता है: MIMO डिटेक्शन, CDMA मल्टी-यूज़र डिटेक्शन, इंटीजर लीस्ट स्क्वेयर्स, लैटिस में निकटतम वेक्टर, आदि।
और जब SNR = ∞ (यानी प्रभावी नॉइज़ 0) होता है, तो समस्या तुच्छ हो जाती है: चैनल मैट्रिक्स H प्रायिकता 1 के साथ इन्वर्टिबल है, इसलिए आप इसे इन्वर्ट करते हैं, और inv(H)*y से सटीक x पुनर्प्राप्त करते हैं। दूसरे चरम पर, जब SNR = 0, नॉइज़ से कुछ भी डिटेक्ट नहीं किया जा सकता, और ML डिटेक्शन विफल हो जाता है।
लेकिन 0 और अनंत के बीच कहीं, ML डिटेक्शन सफल होता है, और वह भी ठीक SNR = 2 log N पर। इसका मतलब है कि उपरोक्त ऑप्टिमाइज़ेशन समस्या को हल करने से आप प्रेषित N-बिट अनुक्रम के सभी बिट्स को प्रायिकता 1 की ओर अग्रसर होते हुए पूरी तरह पुनर्प्राप्त कर सकते हैं, और इस सीमा से नीचे (एडिटिव loglogN पदों तक) ब्लॉक पुनर्प्राप्ति की प्रायिकता 0 की ओर जाती है।
तो 2logN से ऊपर, प्रेषित सिग्नल ML ऑप्टिमाइज़ेशन समस्या का एक ऑप्टिमम है, लेकिन इसे हल करने के लिए सभी संभावित N-बिट अनुक्रमों पर एक व्यापक खोज की आवश्यकता प्रतीत होती है। तो अब हम जिस प्रश्न की परवाह करते हैं वह है:
जब ML सफल होता है, तो क्या कोई poly-time एल्गोरिथ्म प्रेषित x को पुनर्प्राप्त कर सकता है?
**
थोड़े से नाटक के साथ एक संक्षिप्त इतिहास
इंटीजर लीस्ट स्क्वेयर्स समस्या की हल करने योग्यता का प्रश्न कम से कम 1989 जितना पुराना है, जब Verdú ने सिद्ध किया कि यह सामान्य मामले में NP-हार्ड है। लेकिन NP-हार्डनेस एक सबसे-खराब-स्थिति वाला कथन है, और हमारे इंस्टांस ऐसे नहीं हैं।
2001 में Hassibi और Vikalo — जहाँ तक मैं जानता हूँ — पहले व्यक्ति थे जिन्होंने तर्क दिया कि औसत मामले के लिए poly-time समाधान की आशा है। उन्होंने जिस एल्गोरिथ्म का विश्लेषण किया वह उस समय एक लोकप्रिय विधि थी — स्फीयर डिकोडर (SD) — जिसकी उत्पत्ति Fincke और Pohst ने 1985 में की थी। स्फीयर डिकोडर विशेष रुचि का था क्योंकि 1) यह एक सटीक ML एल्गोरिथ्म है, यानी हमेशा मिनिमाइज़र आउटपुट करता है और 2) यह व्यवहार में एक्सपोनेंशियल समय से कहीं अधिक तेज़ प्रतीत होता था।
तो आशा यह थी कि कोई वास्तव में सिद्ध कर सकता है कि SD poly-time में चलता है। H&V ने अपने पेपर में यही व्यक्त किया: उन्होंने स्फीयर डिकोडर की अपेक्षित जटिलता का एक सूत्र निकाला, जो चैनल और नॉइज़ पर औसत लिया गया, और दिखाया कि यह polynomial दिखता है। यदि वह सच होता, तो प्रश्न हल हो जाता। यह एक अविश्वसनीय परिणाम प्रतीत हुआ।
फिर Jaldén और Ottersten ने 2005 में दिखाया कि असिम्प्टोटिक व्याख्या पूरी तरह सही नहीं थी: किसी भी निश्चित SNR पर, चाहे कितना भी बड़ा हो, स्फीयर डिकोडिंग की अपेक्षित जटिलता वास्तव में समस्या के आयाम में एक्सपोनेंशियल होती है।
इसलिए जब सटीक और तेज़ काम नहीं कर रहा था, तब क्षेत्र ने ML ऑप्टिमाइज़ेशन समस्या के अनुमानों पर काफी प्रयास खर्च किया। सेमीडेफिनाइट रिलैक्सेशन जिनमें अनुमान की गारंटी और उच्च SNR पर टाइटनेस शर्तें थीं, लेकिन कोई तीक्ष्ण सीमा नहीं। बिट-फ्लिपिंग लोकल सर्च सिमुलेशन में ML से मेल खाते प्रतीत हुए लेकिन ML पुनर्प्राप्ति सीमा से मेल खाने का कोई पूर्ण प्रमाण नहीं। AMP साहित्य ने निश्चित SNR पर प्रति-बिट त्रुटि को कठोरता से चित्रित किया, जहाँ ब्लॉक पुनर्प्राप्ति संभव नहीं है। सांख्यिकीय भौतिकी ने poly-time विधियाँ उत्पन्न कीं जिनके बारे में रेप्लिका-स्तर के तर्कों का उपयोग करके सटीक ML का अनुसरण करने की भविष्यवाणी की गई थी, लेकिन जहाँ तक मैं समझता हूँ, कोई प्रमाण नहीं। और ऊपर वाला 2010 का Babak और Alex वाला पेपर एक MCMC विधि का विश्लेषण करता था, जिसमें सिद्ध किया गया कि मिक्सिंग के बाद, स्थिर वितरण सही समाधान पर गैर-लुप्त होने वाला द्रव्यमान रखता है लेकिन मिक्सिंग टाइम के बारे में कुछ भी सिद्ध नहीं किया — जो कठिन हिस्सा है।
उन सभी वर्षों में, मुझे ऐसा लगता है, केवल एक polynomial-time विधि ऐसी थी जो किसी भी SNR पैमाने पर कठोर ब्लॉक-पुनर्प्राप्ति गारंटी के साथ आई: बॉक्स रिलैक्सेशन, 2020 में, जिसे SNR के 4 log N जैसे बढ़ने पर ब्लॉक पुनर्प्राप्त करते दिखाया गया, और प्रमाणपूर्वक उससे नीचे नहीं। एक अलग बात के रूप में, यह काफी दिलचस्प है कि ऐसी तकनीक का विश्लेषण करने के लिए आवश्यक प्रोबेबिलिस्टिक उपकरण 2010 के दशक के अंत में परिपक्व हुए, जो अधिकतर उस समय के बाद था जब समुदाय आगे बढ़ चुका था और बिखर चुका था।
और तब से… ज़्यादा गतिविधि नहीं।
तो संक्षेप में, ML जो हासिल करता है और जो कोई भी polynomial-time विधि प्रमाणित रूप से हासिल कर सकती है, उसके बीच का अंतर कभी बंद नहीं हुआ।
**
GPT और Claude ने क्या किया और हमें ऐसा प्रमाण कैसे मिला जिसे मैं, Dimitris, सत्यापित कर सकता हूँ?
कठिन गणितीय कार्यों पर फ्रंटियर मॉडल्स की हालिया अविश्वसनीय सफलताओं से प्रेरित होकर, मैंने उन समस्याओं पर वापस जाने का फैसला किया जिन्होंने मुझे स्नातक छात्र के रूप में परेशान किया था (मैं सूचना और कोडिंग थ्योरी पर काम करता था) और डेथ स्टार को उन पर तानना शुरू किया। कठिन गणितीय प्रश्न पूछना और GPT को उन्हें ज़ीरो-शॉट हल करते देखना बिल्कुल ऐसा ही लगता है:
GIF
लेकिन मुझे पता था कि एक छोटी सी समस्या है। भले ही मुझे किसी भी प्रश्न का पूरा उत्तर मिल जाए, अगर मैं इसे व्यापक रूप से साझा करना चाहता हूँ तो मुझे इसे सत्यापित करने की बाध्यता से गुजरना होगा। एक, क्योंकि अगर यह गलत निकला तो मैं खुद को शर्मिंदा नहीं करना चाहता, और दो, क्योंकि साझा करना ही मुख्य कारण है जिससे हम प्रश्न पूछते हैं और विज्ञान करते हैं।
इसलिए, मैंने उन सबसे महत्वाकांक्षी प्रश्नों में से एक को चुनने का फैसला किया जिसने मेरे PhD की शुरुआत में मुझे परेशान किया था, और जो कहने में साफ-सुथरा और अभी भी खुला था। तो, मैंने GPT-5.6 और Claude Fable 5 से पूछा कि ML MIMO डिटेक्शन को poly-time में कब हल किया जा सकता है।
दोनों ने अलग-अलग एल्गोरिदम के लिए प्रमाण तैयार किए, आत्मविश्वास से कहते हुए कि कोई अंतर नहीं है! एक polynomial-time एल्गोरिथ्म है जो SNR के 2 log N से ऊपर सफल होता है, जो ML पुनर्प्राप्ति सीमा से बिल्कुल मेल खाता है (एडिटिव loglog पदों तक, लेकिन किसे परवाह है)।
लेकिन एक छोटी सी समस्या थी 😊 GPT का एल्गोरिथ्म एक AMP वेरिएंट था। और मैं AMP से जी-जान से नफरत करता हूँ, क्योंकि मैं अपनी जान की कसम खाकर कह सकता हूँ कि मुझे इसके किसी भी विश्लेषण की समझ नहीं आती। और इसलिए मैंने उसे बताया कि यदि संभव हो तो वही परिणाम एक सरल एल्गोरिथ्म के लिए फिर से सिद्ध करने की कोशिश करे। वास्तव में, GPT ने एक और एल्गोरिथ्म तैयार किया जो मुझे भी प्रति-सहज ज्ञान लगा, और जो मैंने पहले कभी उपयोग में नहीं देखा था!
दूसरी ओर, Fable कुछ ऐसा लेकर आया जो मुझे वाकई पसंद आया:
साइन्ड LMMSE, फिर ग्रीडी बिट फ्लिप्स। एक एल्गोरिथ्म जो अतीत में पेश किया गया था और वास्तव में व्यवहार में उपयोग किया गया था।
लेकिन एक और समस्या थी! GPT के अनुसार, Fable का प्रमाण अधिकतर गलत था… लेकिन बचाने योग्य। इसलिए मैंने Fable द्वारा सुझाए गए एल्गोरिथ्म के साथ बने रहने का फैसला किया, और GPT से Fable का प्रमाण लेकर उसे ठीक करने को कहा। और उसने कर दिखाया!
लेकिन एक और समस्या थी, यह नया प्रमाण अपठनीय था: नोटेशन की एक दीवार, चर जो चरों की ओर इशारा कर रहे थे जो अन्य चरों को परिभाषित करने वाले चरों के अनुपात की ओर इशारा कर रहे थे, विदेशी मैट्रिक्स-विश्लेषण और प्रायिकता मशीनरी, Marchenko–Pastur से जुड़ी चीज़ें जिन्हें देखते ही मेरा सिर चकरा जाता है, और अन्य खूबसूरत चीज़ें।
इसलिए लगभग 4-5 दिनों तक मैं दोनों मॉडल्स के बीच आगे-पीछे जाता रहा और उनसे प्रमाण के काम करने के लिए आवश्यक प्रत्येक बड़े घटक के लिए सबसे सरल संभव चरणों का सेट देने को कहता रहा। मैंने उन्हें स्पष्ट रूप से बताया कि बाउंड्स और कॉन्स्टेंट्स के खराब होने में कोई दिक्कत नहीं है, जब तक कि 2 log N सीमा बनी रहे — सब कुछ सरलता के लिए।
मैं केवल एक ऐसा प्रमाण चाहता था जिसे कम ध्यान अवधि वाला एक बूढ़ा डायनासोर बिना रोए पचा सके।
मैंने वास्तव में GPT और Claude से वे संदेश साझा करने को कहा जहाँ मैं सबसे अधिक शिकायत कर रहा था, lol
मेरा पसंदीदा:
मैंने अति-सरल चरणों पर क्यों ज़ोर दिया? क्योंकि मैं इसे स्वयं, शुरू से अंत तक, सत्यापित करना चाहता था। और नहीं, मैं Lean का उपयोग नहीं करना चाहता — यह मेरी समस्या का समाधान नहीं करता! औपचारिक सत्यापन केवल एब्स्ट्रैक्शन स्तर को कहीं और स्थानांतरित कर देता है!! आपको अभी भी यह सत्यापित करना होगा कि किसी लेम्मा का अंग्रेजी विवरण ईमानदारी से Lean में अनुवादित होता है, जो एक ऐसी भाषा है जो मुझे समझ नहीं आती।
हाँ, इसे भूल जाइए। मुझे Lean पसंद नहीं है, माफ़ कीजिए।
लेकिन मैं बुनियादी रैखिक बीजगणित और प्रायिकता समझता हूँ, और मैं ऐसे चरणों को सत्यापित करने में खुद पर भरोसा करता हूँ। इसलिए यही वह स्तर है जिसका प्रमाण मैं माँग करता हूँ।
फिर कई दिनों तक प्रॉम्प्टिंग और प्रॉम्प्टिंग और प्रॉम्प्टिंग चलती रही, जिसमें मॉडल्स एक-दूसरे के तर्कों को सरल करते रहे, जबकि मैं शिकायत करता रहा और जो कुछ भी मैं समझ नहीं पाता था उसे अस्वीकार करता रहा।
और अंत में यह काम कर गया! हमें एक ऐसा प्रमाण मिला जिसे मैं पूरी तरह समझता हूँ, और जिसे मैंने अब पंक्ति-दर-पंक्ति जाँचा है।
चीज़ को सिद्ध करने में 30 मिनट लगे और उसे मेरे लिए सत्यापन योग्य बनाने में लगभग 5 दिन। यह अनुपात कुछ हद तक पागलपन भरा है, लेकिन जो है वही है। और परिणाम: एक सरल एल्गोरिथ्म जब भी मैक्सिमम लाइक्लिहुड काम करता है, polynomial time में काम करता है। इस समस्या में कोई कम्प्यूटेशनल-सांख्यिकीय अंतर नहीं है।
BOOM!
**
प्रमाण का मुख्य स्तर क्या है?
एल्गोरिथ्म लगभग शर्मनाक रूप से सरल है। लेकिन यह काम क्यों करता है? LMMSE और उसके बाद राउंडिंग आपको हैमिंग दूरी के संदर्भ में प्रेषित सिग्नल के एक लुप्त होते अंश के भीतर पहुँचाती है, यानी सत्य से o(N) की दूरी पर।
फिर, ग्रीडी बिट-फ्लिपिंग अटक नहीं सकती क्योंकि प्रति-चरण अवरोहण लाभ (यानी, लागत में कितना सुधार होता है) गॉसियन मात्राओं द्वारा नियंत्रित होते हैं, और उनका एकसमान संकेंद्रण यह स्थापित करता है कि एक निश्चित गेंद के भीतर हर गैर-ग्राउंड-ट्रुथ वेक्टर एक गारंटीकृत आकार का सख्ती से बेहतर बिट फ्लिप प्रदान करता है। यानी आप चाहे कुछ भी करें, आप निश्चित रूप से एक ऐसी मात्रा से सुधार करते हैं जो शून्य से दूर बंधी हुई है।
हालाँकि, हर ग्रीडी चरण पर लागत में सुधार का मतलब यह नहीं है कि सत्य से हैमिंग दूरी हर चरण पर सुधरती है। वास्तव में, यह अस्थायी रूप से खराब हो सकती है। लेकिन बहुत खराब नहीं, क्योंकि जैसे-जैसे आप सत्य से हैमिंग दूरी बढ़ाते हैं, लागत फलन बढ़ता है। यानी पर्याप्त दूर स्थित कोई भी बिंदु उस स्थान से कहीं अधिक लागत वाला होता है जहाँ से एल्गोरिथ्म शुरू हुआ था, और एक पथ जिसकी लागत केवल घटती है वह वहाँ कभी नहीं जा सकता। ग्रीडी हैमिंग दूरी की गेंद में इधर-उधर भटक सकता है लेकिन यह एक "लागत अवरोध" से बंधा होता है जो उसके पथ को गेंद के भीतर रखता है।
तो 1) हर चरण लागत में एक ऐसी मात्रा से सुधार करता है जो शून्य से दूर बंधी है और 2) शुरुआती लागत ऑप्टिमम से अधिक नहीं है। इसलिए, ग्रीडी रन को अंततः रुकना ही होगा, और दोनों मात्राओं को एक-दूसरे से विभाजित करने पर उसे आवश्यक चरणों की संख्या मिलती है, जो NlogN है।
इसके अलावा, ग्रीडी ग्राउंड ट्रुथ के अलावा कहीं और समाप्त नहीं हो सकता: गेंद के भीतर हर दूसरे बिंदु पर, कोई न कोई बिट फ्लिप अभी भी सुधार प्रदान करती है, और एल्गोरिथ्म को वहाँ रुकने की अनुमति नहीं है। रुकने का एकमात्र संभावित स्थान प्रेषित वेक्टर है।
यहाँ मुख्य तर्क का एक सुंदर दृश्य चित्रण है:
क्या यह मायने रखता है?
वायरलेस समुदाय आगे बढ़ गया और मैं भी। लेकिन यह वास्तव में एक महत्वपूर्ण प्रश्न था। मैं अनुमान लगा सकता हूँ कि लगभग 2010 में इस परिणाम का क्या अर्थ होता: एक ISIT या CommSoc/IT Society सर्वोत्तम पेपर पुरस्कार, और शायद MIT, Berkeley और Stanford में इंटरव्यू। मैं विश्वास के साथ कह सकता हूँ कि एक PhD छात्र के रूप में यह परिणाम एक पवित्र ग्रेल होता, और मेरे छोटे सूचना-सिद्धांतिक करियर का शिखर होता।
फिर भी… क्षेत्र काफी हद तक आगे बढ़ चुका है 😊
ऐसे बहुत सारे प्रश्न हैं जो कभी महत्वपूर्ण थे और जिन पर पूरे समुदायों ने दशकों बिताए। फिर जैसे-जैसे शोध क्षेत्र आगे बढ़े, वे धीरे-धीरे महत्वहीन होते गए, और खुले और अकेले छोड़ दिए गए — इसलिए नहीं कि वे असंभव थे, बल्कि इसलिए कि लोग धीरे-धीरे उनकी परवाह करना बंद कर दिए।
इसलिए, जब लोग कहते हैं कि "N साल पुरानी समस्या AI द्वारा हल हो गई", तो मैं यह समझने की कोशिश करूँगा कि इसका वास्तव में क्या मतलब है।
फिर भी इस सबमें कुछ अविश्वसनीय रूप से शानदार बात है: आप अब उन समस्याओं पर वापस जा सकते हैं जिनकी आप बचपन में परवाह करते थे और डेथ स्टार को उन पर तान सकते हैं। ऐसे प्रश्न जिन्होंने एक पूरे शोध समुदाय की पूरी ताकत के सामने डटे रहे — और जो अब साहित्य ब्रह्मांड के एक परित्यक्त कोने में चुपचाप और असुरक्षित बैठे हैं, डेथ स्टार के उन पर गोली चलाने की प्रतीक्षा कर रहे हैं; और इसकी लागत 200$/महीना है।
पागलपन भरे समय..
खैर, मैं वर्तमान ड्राफ्ट arXiv पर पोस्ट करूँगा, लेकिन निश्चित नहीं कि किसी वेन्यू में जमा करूँगा या नहीं (मुझे यह भी नहीं पता कि अब उचित वेन्यू कौन सा होगा)। मैं किसी का भी समय बर्बाद नहीं करना चाहता। लेकिन अगर आप इसे पढ़ें और कोई त्रुटि पाएँ, तो मुझे सुनना अच्छा लगेगा। 😊
और अब हम जानते हैं:
MIMO ML डिटेक्शन आसान है जब भी यह संभव है!
वाह…
**
परिशिष्ट
उपरोक्त प्रमाण के बारे में ध्यान देने योग्य एक उपयोगी बात: कोई नया गणित आविष्कार नहीं हुआ है।
कोई नई असमानताएँ, तकनीकें, या गणितीय वस्तुएँ नहीं जो 2010 में मौजूद नहीं थीं। प्रमाण लंबा है, लेकिन यह बुनियादी है, इसलिए इसकी कठिनाई अवधारणात्मक नहीं है, बल्कि सही स्तर की ग्रैन्युलैरिटी पर और सही समय पर बीस पृष्ठों के मानक चरणों को जोड़ने के लिए आवश्यक प्रयास से संबंधित है, ताकि वे सभी पूरी तरह से एक साथ फिट हो जाएँ।
मुझे लगता है कि अगर हम इस विचार को एक कदम आगे ले जाएँ, तो यह एक ऐसी समस्याओं की श्रेणी को परिभाषित करता है जिनके समाधान के लिए शून्य नए गणित की आवश्यकता होती है, बल्कि केवल ज्ञात विचारों की असेंबली की आवश्यकता होती है, जो किसी भी व्यक्ति की इच्छा से अधिक टोकन या समय के लंबे तारों द्वारा एक साथ बंधे होते हैं। ये समस्याएँ जल्दी ही AI के आगे झुक जाएँगी क्योंकि तब तक बहुत सी चीज़ें आज़माना जब तक कि कुछ काम न कर जाए, बिल्कुल वही है जिसमें AI अविश्वसनीय है। और शायद, "किसी ने ज्ञात चीज़ों को पर्याप्त देर तक नहीं आज़माया" हमारी सोच से कहीं अधिक खुली समस्याओं का वर्णन करता है।
इस पर आगे बढ़ते हुए, यहाँ एक विचार प्रयोग है: मान लीजिए कि आप GPT-5.6 या Fable को 2005 में वापस ले जा सकते हैं, समान RL flops के साथ, लेकिन प्रीट्रेनिंग डेटा केवल उस समय तक उपलब्ध था। क्या वे अब भी समस्या हल कर पाते?
मुझे नहीं पता, काउंटरफैक्चुअल चलाना कठिन है, लेकिन भले ही 2005 में कई उपकरण मौजूद रहे हों, "खिंचाव" कि कौन सी तकनीक चुननी है जो मॉडल को "सही लगती है", किसी दिए गए तरीके की लोकप्रियता और हमारे सामूहिक अंतर्ज्ञान पर काफी हद तक निर्भर हो सकता है, जैसा कि किसी विशेष संदर्भ में उपयोग किए गए विचार की आवृत्ति में दर्ज है। 2005-प्रीट्रेन शायद संघर्ष कर सकता है — RL flops की कमी के लिए नहीं, बल्कि सही विचारों के सेट की ओर प्रीट्रेनिंग खिंचाव की कमी के लिए। जिसका तात्पर्य है कि ये मॉडल गणितीय सत्य के ओरेकल से कहीं अधिक दिलचस्प चीज़ हैं। हमें शायद उन्हें हमारे संचित अंतर्ज्ञान के आसवन के रूप में सोचना चाहिए, जो RL द्वारा और तेज़ किए गए हैं।
एक आखिरी विचार और मैं इसके साथ समाप्त करूँगा:
मान लीजिए कि मैं समय में पीछे यात्रा कर सकता और अपने 2009 के व्यग्र स्व को बता सकता: "भाई, शांत हो जा, तुम 17 साल बाद ML MIMO डिटेक्शन की हल करने योग्यता को सुलझाने में शामिल रहोगे" और कुछ और नहीं। मेरा पिछला स्व पूरी तरह से पागल हो गया होता, और यह समझने की कोशिश करते हुए कि वह उस तक कैसे पहुँचेगा, उसने उस समय का एकमात्र उचित निष्कर्ष निकाला होता: कि मैं अगले पंद्रह वर्षों तक सूचना सिद्धांत में ही रहा होता, संभवतः MIMO डिटेक्शन पर काम करता रहा होता, या सबसे अच्छी स्थिति में इंटीजर ऑप्टिमाइज़ेशन पर, और यह कि कहीं न कहीं, किसी तरह, लगभग 2026 में, बाइनरी लीस्ट स्क्वेयर्स आखिरकार मेरी जबरदस्त बुद्धि के भार के नीचे दरक गया होता।
धत्… वह पूर्व-गर्व जो मुझे महसूस हुआ होता।
यदि छोटे Dimitris को पता होता कि उस ब्रह्मांड के बिट्स और हमारे वर्तमान ब्रह्मांड के बिट्स के बीच की हैमिंग दूरी विशाल है, और इसके लिए हमें एक और चीज़ के नाम पर आभारी होना है जिसे ML कहते हैं…
