এআই ৩০ বছরের পুরোনো গ্রাফ তত্ত্বের অনুমানের প্রতিদৃষ্টান্ত খুঁজে পেল

দীর্ঘদিনের গ্রাফ তত্ত্বের দাবিকে চ্যালেঞ্জ করল এআই

গ্রাফ তত্ত্বের ৩০ বছর পুরোনো একটি অনুমান reportedly ভেঙে পড়েছে, যখন একটি AI সিস্টেম কয়েক ঘণ্টার মধ্যেই একটি প্রতিদৃষ্টান্ত তৈরি করেছে। New Scientist-এর মতে, এআই স্টার্ট-আপ Autokernel-এর সহ-প্রতিষ্ঠাতা Dmitry Rybin, ChatGPT 5.6 Pro ব্যবহার করে Dinitz-Garg-Goemans অনুমানের জন্য একটি কাঠামোবদ্ধ প্রতিদৃষ্টান্ত খুঁজেছেন, যা কয়েক দশক ধরে combinatorics এবং optimization-এ একটি উন্মুক্ত প্রশ্ন হিসেবে ছিল।

প্রতিবেদনটি বলছে, Rybin মোট চারটি prompts ব্যবহার করেছিলেন, যার সব মিলিয়ে শব্দসংখ্যা ৬০-এর কম, এবং মডেলটি প্রায় ৫.৫ ঘণ্টা অনুসন্ধান করার পর এমন একটি নির্মাণ ফিরিয়ে দেয় যা দেখায় অনুমানটি ভুল। যদি এই প্রতিদৃষ্টান্ত বিশেষজ্ঞদের কঠোর পরীক্ষায় টিকে যায়, তবে ঘটনাটি দ্রুত বদলে যাওয়া এক প্রবণতার আরেকটি উল্লেখযোগ্য মুহূর্ত হবে: AI সিস্টেমগুলো আর শুধু routine proof work বা symbolic manipulation-এ সাহায্য করছে না, বরং ক্রমবর্ধমানভাবে এমন নতুন বস্তু সামনে আনছে যা প্রতিষ্ঠিত গাণিতিক প্রশ্নের অবস্থাই বদলে দেয়।

এই পরিবর্তন গুরুত্বপূর্ণ, কারণ প্রতিদৃষ্টান্তের গণিতে বিশেষ স্থান আছে। একটি theorem বহু বিশেষ ক্ষেত্রে বছরের পর বছর যাচাই টিকে থাকতে পারে, কিন্তু একটি বৈধ ব্যতিক্রমই যথেষ্ট সাধারণ দাবিটিকে ভেঙে দিতে। যেখানে ছোট উদাহরণ থেকে pattern-এর ওপর ভর করে intuition তৈরি হয়, সেখানে কোনো নিয়ম ভাঙা প্রথম বস্তুটি খুঁজে বের করা অপ্রত্যাশিতভাবে কঠিন হতে পারে। এটাই সেই ধরনের search problem, যেখানে বড় পরিসরের স্বয়ংক্রিয় অনুসন্ধানের বাড়তি সুবিধা থাকতে পারে।

অনুমানটি কী বলতে চাইছিল

Dinitz-Garg-Goemans অনুমানটি graph theory-এর অংশ, অর্থাৎ vertices এবং edges দিয়ে তৈরি network-এর অধ্যয়ন। New Scientist এই দাবিটিকে একটি logistics analogy দিয়ে ব্যাখ্যা করেছে। ধরুন, একটি warehouse থেকে একাধিক গন্তব্যে shipment যাচ্ছে। সমস্যার এক সংস্করণে shipment-গুলোকে ছোট অংশে ভেঙে আলাদাভাবে route করা যায়। এই নমনীয় ব্যবস্থাটিকে এমন আরেকটি ব্যবস্থায় রূপান্তর করা যাবে, যেখানে shipment অখণ্ড থাকবে, এবং মোট খরচও বাড়বে না, এমনটাই এই অনুমান বলেছিল।

এই ধরনের বক্তব্য আকর্ষণীয়, কারণ এটি ইঙ্গিত দেয় যে বাস্তবজগতের জটিল optimization কখনও কখনও আরও পরিষ্কার, সহজে বিশ্লেষণযোগ্য রূপে নামিয়ে আনা যায়। যদি এটি সত্য হতো, তাহলে অনুমানটি split এবং unsplit flow পরিস্থিতির মধ্যে একটি নির্ভরযোগ্য সেতু নির্দেশ করত। কিন্তু রিপোর্ট করা প্রতিদৃষ্টান্ত দেখায়, সেই সেতু সবসময় থাকে না। এই network-গুলোর কাঠামোর কোথাও এমন কিছু ঘটনা আছে, যেখানে shipment ভাগ না করা অর্থনীতিকে এমনভাবে বদলে দেয়, যা অনুমানটি বলেছিল বদলাবে না।

বিশেষজ্ঞদের কাছে এর মানে এই নয় যে পুরো ক্ষেত্র ভেঙে পড়ে। এর মানে সীমারেখা আরও স্পষ্ট হয়। গবেষকরা এখন জানতে পারেন অনুমানটি কোথায় ব্যর্থ হয়, সীমাবদ্ধ সংস্করণগুলো কি এখনও টিকে আছে, এবং কোন ধরনের graph-এ প্রত্যাশিত আচরণ বজায় থাকে। একটি ভুল অনুমান প্রায়ই একটি সত্য অনুমানের মতোই উৎপাদনশীল কাজ তৈরি করে, কারণ এটি ক্ষেত্রটিকে একটি বিস্তৃত কিন্তু অসম্পূর্ণ নীতিকে আরও সুনির্দিষ্ট মানচিত্র দিয়ে প্রতিস্থাপন করতে বাধ্য করে।

কেন এই ঘটনাটি মনোযোগ পাচ্ছে

প্রতিক্রিয়ার একটি অংশ এসেছে prompt-এর আপাত সরলতা থেকে। New Scientist-কে উদ্ধৃত করে Rybin X-এ বলেন, তিনি নিজে কয়েক সপ্তাহ ধরে সমস্যাটি নিয়ে ভেবেছিলেন। কিন্তু নিবন্ধে বর্ণিত prompts ছিল খুবই সংক্ষিপ্ত: একটি প্রাথমিক নির্দেশ, breakthrough প্রতিদৃষ্টান্ত খুঁজতে বলা হয়, তারপর অনুসন্ধান চালিয়ে যেতে বারবার অনুরোধ। এই বৈপরীত্যই গল্পটির কেন্দ্রে এসেছে। আগ্রহটা শুধু এই কারণে নয় যে একটি AI জড়িত ছিল, বরং এই কারণে যে মানব-মুখী interface এত সাধারণ দেখাচ্ছিল, অথচ ভেতরের computational search সম্ভবত কিছু অ-তুচ্ছ কাজ করছিল।

এই পার্থক্যটা গুরুত্বপূর্ণ। ছোট একটি prompt মানে reasoning প্রক্রিয়া সহজ ছিল, তা নয়। এর মানে ব্যবহারকারীকে উপযোগী অনুসন্ধানের পথে সিস্টেমকে চালিত করতে ঘন formal workflow হাতে বানাতে হয়নি। AI tools আরও উন্নত হলে, bottleneck প্রতিটি ধাপ নির্দিষ্ট করা থেকে সরে সঠিক গাণিতিক লক্ষ্য নির্ধারণ, আউটপুট কঠোরভাবে যাচাই করা, এবং machine-generated object-গুলোকে এমনভাবে অনুবাদ করার দিকে যেতে পারে, যা গবেষণা-সমাজ যাচাই করে এগোতে পারে।

New Scientist আরও বলছে, এক সপ্তাহের মধ্যে এটি দ্বিতীয়বার AI-কে দীর্ঘদিনের একটি অনুমান উল্টে দেওয়ার কৃতিত্ব দেওয়া হয়েছে। নতুন গ্রাফ তত্ত্বের ফলাফলের পাশে তারা একটি আগের AI-সৃষ্ট Jacobian অনুমানের প্রতিদৃষ্টান্তের কথা এনেছে, এবং May মাসে Paul Erdos-এর কয়েক দশক পুরোনো একটি অনুমান ভেঙে দেওয়া OpenAI model-এর দিকেও ইঙ্গিত করেছে। সব মিলিয়ে, এই ঘটনাগুলো ইঙ্গিত দেয় বর্তমান মুহূর্তটি কোনো একক কৌতূহল নয়, বরং machine-assisted mathematics-এ বৃহত্তর ত্বরণের অংশ।

গ্রাফ তত্ত্ব কেন বিশেষভাবে চমকের জন্য উন্মুক্ত হতে পারে

York University-এর Chris Bowman-Scargill New Scientist-কে বলেন, গণিতে একটি প্রচলিত রসিকতা আছে যে গ্রাফ তত্ত্বের প্রতিটি অনুমানই মিথ্যা। এই রসিকতা বাস্তব একটি কাঠামোগত চ্যালেঞ্জকে প্রতিফলিত করে। গ্রাফ তত্ত্বে ছোট উদাহরণে স্থিতিশীল বলে মনে হওয়া আচরণ, মাত্র এক-দুটি vertex যোগ করলেই হঠাৎ বদলে যেতে পারে। ফলে অনানুষ্ঠানিক pattern recognition, এমন ক্ষেত্রগুলোর তুলনায় কম নির্ভরযোগ্য হয়ে ওঠে যেখানে ছোট মাত্রার উদাহরণ বড় কাঠামোকে বেশি বিশ্বস্তভাবে অনুকরণ করে।

এই পরিবেশে স্বয়ংক্রিয় সিস্টেম স্বাভাবিকভাবেই কার্যকর। তারা মানুষের দৈনন্দিন পরিদর্শনের সীমা ছাড়িয়ে যেতে পারে, বড় পরিসরে case enumerate করতে পারে, এবং এমন অদ্ভুত নির্মাণ খুঁজতে পারে যা প্রথম দেখায় স্বাভাবিক লাগে না। একজন গণিতবিদের একটি বক্তব্য সত্য হওয়া উচিত বলে ভালো ধারণা থাকতে পারে, আর একটি machine সেই intuition-টা অদ্ভুততর কোণেও টিকে আছে কি না নিরন্তর পরীক্ষা করতে পারে।

সম্ভাব্য শিক্ষা হলো, গণিতবিদরা অপ্রাসঙ্গিক হয়ে যান না। বরং তাদের ভূমিকা বদলায়। কোন প্রশ্ন গুরুত্বপূর্ণ তা এখনও মানুষই নির্ধারণ করে, একটি নির্মাণের তাৎপর্য বিচার করে, এটি কেন কাজ করে তার কাঠামোগত কারণ চিহ্নিত করে, এবং কাঁচা computational output-কে দৃঢ় গাণিতিক আখ্যানে পরিণত করে। কিন্তু অনুসন্ধানের ক্ষেত্র বদলাচ্ছে। যখন machine আরও দ্রুত এবং আরও ঘন ঘন নির্ণায়ক উদাহরণ সামনে আনতে পারে, তখন conjecture তৈরি করাও আরও শৃঙ্খলাবদ্ধ এবং আরও প্রতিদ্বন্দ্বিতামূলক হয়ে উঠতে পারে; গবেষকেরা একটি ধারণার শুরুতেই আরও আক্রমণাত্মক machine checking আশা করতে পারেন।

এরপর কী

তাৎক্ষণিক প্রশ্ন হলো যাচাই। একটি দাবি করা প্রতিদৃষ্টান্ত কেবল তখনই গণিতের রেকর্ড বদলায়, যখন বিশেষজ্ঞরা নিশ্চিত করেন যে বস্তুটি নির্দিষ্ট formal conditions-এর অধীনে সত্যিই অনুমানটি ভঙ্গ করছে। New Scientist ফলটিকে বড় অগ্রগতি হিসেবে তুলে ধরেছে, কিন্তু এর দীর্ঘমেয়াদি গুরুত্ব নির্ভর করবে কমিউনিটি এটি কীভাবে যাচাই, ব্যাখ্যা এবং প্রসারিত করে তার ওপর।

যদি ফলটি টিকে যায়, তবে এটি এমন একটি প্রবণতাকে আরও দৃঢ় করবে, যা অনেক গবেষক ইতিমধ্যেই আত্মস্থ করতে হিমশিম খাচ্ছেন। AI discovery-oriented কাজে assistant থেকে collaborator-এ পরিণত হচ্ছে, বিশেষ করে যেখানে search space বড় কিন্তু success condition স্পষ্ট। গণিত এখানে বিশেষভাবে দৃশ্যমান test case, কারণ এর output, তাত্ত্বিকভাবে, নির্ভুলভাবে যাচাই করা যায়। এতে অনেক অন্যান্য বুদ্ধিবৃত্তিক ক্ষেত্রের তুলনায় hype আর substance আলাদা করা সহজ হয়।

তবু সামাজিক প্রভাব একক অনুমানের চেয়েও বড় হতে পারে। এক প্রজন্মের গণিতবিদ এখন ভাবছেন, সাদামাটা ভাষায় prompt করা, ঘণ্টার পর ঘণ্টা চলা, এবং এমন বস্তু ফিরিয়ে আনা সিস্টেম থেকে মূল্যবান insight আসতে পারে, যা মানুষ নির্মাণ করার কথাই ভাবেনি। এতে অস্বস্তি, উত্তেজনা, বা দুটোই থাকুক, এটি discovery কীভাবে ঘটতে পারে সে বিষয়ে একটি অর্থবহ পরিবর্তন চিহ্নিত করে।

এই নিবন্ধটি New Scientist-এর প্রতিবেদনের ওপর ভিত্তি করে। মূল নিবন্ধ পড়ুন.