अनुकूलतम परिवहन (ऑप्टिमल ट्रांसपोर्ट) गणित की एक शाखा है जो एक प्रायिकता वितरण को दूसरे में न्यूनतम लागत पर रूपांतरित करने की समस्या को औपचारिक रूप देती है। इसकी उत्पत्ति 1781 में गैसपार्ड मोंगे के कार्य से हुई और बाद में 1942 में लियोनिद कांटोरोविच ने इसे सामान्यीकृत किया। यह सिद्धांत द्रव्यमान, जैसे वस्तुओं, डेटा बिंदुओं या प्रायिकताओं की तुलना और स्थानांतरण के लिए एक कठोर ढांचा प्रदान करता है। इसका मुख्य अंतर्दृष्टि यह है कि वितरणों के बीच अंतर को केवल एक साधारण अदिश के रूप में नहीं, बल्कि एक ज्यामितीय मात्रा के रूप में देखा जाए जो अंतर्निहित स्थान की संरचना को ध्यान में रखती है।
समस्या को आमतौर पर दो रूपों में व्यक्त किया जाता है। मोंगे का सूत्रीकरण एक नियतात्मक मानचित्रण की खोज करता है जो एक वितरण को दूसरे में स्थानांतरित करता है, कुल परिवहन लागत को न्यूनतम करते हुए। कांटोरोविच की शिथिलीकरण विधि द्रव्यमान को विभाजित और पुनः आवंटित करने की अनुमति देती है, जिससे एक रैखिक प्रोग्रामिंग समस्या उत्पन्न होती है जिसका हमेशा एक समाधान होता है। इस शिथिलीकरण ने परिवहन योजना और वासरस्टीन दूरी की अवधारणा पेश की, जो एक मीट्रिक है जो एक वितरण को दूसरे में रूपांतरित करने की न्यूनतम लागत को मापता है।
गणितीय आधार
अनुकूलतम परिवहन के केंद्र में लागत फलन है, जो आमतौर पर बिंदुओं के बीच की दूरी को एक घात तक बढ़ाकर परिभाषित किया जाता है, जैसे वर्गित यूक्लिडियन दूरी। क्रम p की वासरस्टीन दूरी, जिसे W_p से दर्शाया जाता है, सभी युग्मनों पर न्यूनतम अपेक्षित लागत के रूप में परिभाषित की जाती है। p=1 के लिए, इसे अर्थ मूवर की दूरी के रूप में भी जाना जाता है, जो छवि पुनर्प्राप्ति और हिस्टोग्राम तुलना में लोकप्रिय है। यह सिद्धांत आंशिक अवकल समीकरणों से मोंगे-एम्पेरे समीकरण के माध्यम से जुड़ता है, जो सतत सेटिंग्स में अनुकूलतम मानचित्रण का वर्णन करता है।
कांटोरोविच द्वैत एक और प्रमुख परिणाम है, जो प्राथमिक परिवहन समस्या को फलनों के युग्मों पर सर्वोच्च के रूप में व्यक्त करता है, जिससे कुशल कम्प्यूटेशनल विधियाँ प्राप्त होती हैं। यह द्वैत अनुकूलतम परिवहन को उत्तल विश्लेषण और खेल सिद्धांत की अवधारणाओं से भी जोड़ता है। कुछ शर्तों के तहत अनुकूलतम समाधानों की अस्तित्व और विशिष्टता 1991 में यान ब्रेनियर जैसे गणितज्ञों द्वारा स्थापित की गई थी, जिन्होंने दिखाया कि द्विघात लागतों के लिए, अनुकूलतम मानचित्र एक उत्तल फलन का ग्रेडिएंट है।
कम्प्यूटेशनल दृष्टिकोण
अनुकूलतम परिवहन योजनाओं की गणना करना, विशेष रूप से उच्च आयामों में, कम्प्यूटेशनल रूप से गहन है। 2013 में मार्को क्यूटुरी द्वारा एंट्रोपिक नियमितीकरण की शुरुआत ने इस क्षेत्र को बदल दिया, जिससे सिंखोर्न एल्गोरिदम का उपयोग संभव हुआ, जो अनुकूलतम योजना का अनुमान लगाने के लिए एक मैट्रिक्स को पुनरावृत्त रूप से स्केल करता है। यह दृष्टिकोण, जिसे सिंखोर्न दूरी के रूप में जाना जाता है, बड़े डेटासेट तक स्केल करता है और Machine learning पुस्तकालयों में एक प्रमुख उपकरण बन गया है।
स्पार्स और मल्टीस्केल विधियों ने AMD और NVIDIA GPU जैसे समानांतर हार्डवेयर पर स्केलेबिलिटी में और सुधार किया है। Python के POT (Python Optimal Transport) और JAX-आधारित कार्यान्वयन जैसे पुस्तकालय कुशल सॉल्वर प्रदान करते हैं। उच्च-आयामी समस्याओं के लिए, स्लाइस्ड अनुकूलतम परिवहन जैसी अनुमानित विधियाँ वितरणों को निम्न-आयामी स्थानों पर प्रक्षेपित करती हैं, जटिलता को कम करते हुए ज्यामितीय जानकारी बनाए रखती हैं।
मशीन लर्निंग में अनुप्रयोग
Machine learning में, अनुकूलतम परिवहन व्यापक रूप से डोमेन अनुकूलन के लिए उपयोग किया जाता है, जहाँ एक वितरण पर प्रशिक्षित मॉडल को दूसरे पर काम करने के लिए समायोजित किया जाता है। वासरस्टीन दूरी जनरेटिव मॉडल में प्रशिक्षण उद्देश्य के रूप में कार्य करती है, विशेष रूप से वासरस्टीन जनरेटिव एडवर्सरियल नेटवर्क (WGANs) में, जिसे 2017 में मार्टिन अर्जोव्स्की और सहयोगियों ने पेश किया, जो पारंपरिक GANs की तुलना में प्रशिक्षण स्थिरता में सुधार करते हैं।
अनुकूलतम परिवहन Neural network व्याख्यात्मकता और मॉडल संपीड़न को भी सशक्त बनाता है। उदाहरण के लिए, इसका उपयोग विभिन्न मॉडलों से एम्बेडिंग को संरेखित करने के लिए किया जाता है, जिससे Artificial intelligence प्रणालियों में स्थानांतरण सीखना संभव होता है। Deep learning में, यह वैरिएशनल ऑटोएनकोडर में अव्यक्त स्थानों के संरेखण की सुविधा प्रदान करता है और ज्यामितीय जागरूकता के साथ क्लस्टरिंग में मदद करता है। यह सिद्धांत Generative AI में मॉडलों के आउटपुट वितरण को नियंत्रित करने, विविधता और निष्ठा में सुधार करने के तरीकों को रेखांकित करता है।
अर्थशास्त्र और अन्य क्षेत्र
AI से परे, अनुकूलतम परिवहन अर्थशास्त्र में मौलिक है, जहाँ यह संसाधन आवंटन का मॉडल बनाता है, जैसे कारखानों से बाजारों तक न्यूनतम लागत पर माल भेजना। इसका उपयोग अर्थमिति में आय वितरणों के बीच वासरस्टीन दूरी के माध्यम से असमानता को मापने के लिए किया जाता है। शहरी नियोजन में, यह सार्वजनिक परिवहन नेटवर्क और सुविधा स्थानों को अनुकूलित करने में सहायता करता है।
छवि प्रसंस्करण में, अनुकूलतम परिवहन छवियों के बीच रंग स्थानांतरण और आकार रूपांतरण को सक्षम बनाता है। जैव सूचना विज्ञान में, यह प्रयोगों में एकल-कोशिका RNA अनुक्रमण डेटा को संरेखित करता है। यह सिद्धांत मौसम विज्ञान में डेटा समामेलन के लिए और वित्त में जोखिम प्रबंधन और पोर्टफोलियो अनुकूलन के लिए भी प्रकट होता है, जहाँ यह परिसंपत्ति रिटर्न के प्रायिकता वितरणों की तुलना करने में मदद करता है।
हाल के विकास
हालिया शोध अनुकूलतम परिवहन को असंतुलित और आंशिक परिवहन तक विस्तारित करता है, जहाँ कुल द्रव्यमान संरक्षित नहीं हो सकता है, जो शोर वाली सेटिंग्स में उपयोगी है। तंत्रिका अनुकूलतम परिवहन परिवहन मानचित्रों को पैरामीट्रिज़ करने के लिए Deep learning का उपयोग करता है, जिससे उच्च-आयामी स्थानों में उपयोग संभव होता है। यह क्षेत्र Large language model संरेखण के साथ भी प्रतिच्छेद करता है, जहाँ यह पाठ एम्बेडिंग के बीच शब्दार्थ समानता का मूल्यांकन और सुधार करने में मदद करता है।
सिंखोर्न एल्गोरिदम को Transformer (architecture) आर्किटेक्चर में उपयोग के लिए अनुकूलित किया गया है, जिससे ध्यान तंत्रों की दक्षता में सुधार होता है। Google DeepMind और OpenAI के शोधकर्ताओं ने प्रशिक्षण डेटा चयन और मॉडल मजबूती में सुधार के लिए अनुकूलतम परिवहन का पता लगाया है। 2024 तक, अनुकूलतम परिवहन एक जीवंत शोध क्षेत्र बना हुआ है, जिसमें NeurIPS और ICML जैसे प्रमुख AI सम्मेलनों में वार्षिक कार्यशालाएँ होती हैं, जो इसकी व्यापक उपयोगिता को दर्शाती हैं।
infobox
• प्रकार: गणितीय सिद्धांत
• प्रस्तुत: 1781 (मोंगे), 1942 (कांटोरोविच)
• प्रस्तुतकर्ता: गैसपार्ड मोंगे, लियोनिद कांटोरोविच
• संबंधित: Machine learning, Deep learning, Generative AI