प्राचीन एल्गोरिदम से आधुनिक एआई तक: संख्यात्मक विधियों का विकास

कल्पना कीजिए कि आप किसी उबड़-खाबड़ रास्ते से बहते हुए पानी के प्रवाह का सटीक अनुमान लगा रहे हैं, या किसी धातु की विशाल मशीन में तापमान के फैलाव की गणना कर रहे हैं। जहाँ पाठ्यपुस्तकों के फॉर्मूले हमें सीधे और स्पष्ट उत्तर देते हैं, वहीं असल दुनिया की भौतिक समस्याएं इतनी सीधी नहीं होतीं। घर्षण, तरल गतिकी (fluid dynamics), और अनियमित आकार जैसी बाधाएं किसी भी "परफेक्ट" गणितीय समीकरण (Exact Equation) का निकलना लगभग असंभव बना देती हैं।

ठीक यहीं पर 'न्यूमेरिकल मेथड्स' (Numerical Methods) हमारी मदद करते हैं। जब पारंपरिक गणितीय विश्लेषणात्मक (Analytical) तरीके काम करना बंद कर देते हैं और कोई सीधा उत्तर नहीं मिल पाता, तब हम सन्निकटन (Approximation) का सहारा लेते हैं। सरल शब्दों में, न्यूमेरिकल मेथड्स ऐसे चरणबद्ध अल्गोरिदम हैं जो बेहद जटिल गणितीय समस्याओं को बुनियादी अंकगणित में तोड़ देते हैं। भले ही ये हमें शत-प्रतिशत 'Exact' उत्तर न दें, लेकिन ये एक ऐसा व्यावहारिक और सटीक समाधान देते हैं जिसके आधार पर हम विशाल पुल बना सकते हैं, मौसम का पूर्वानुमान लगा सकते हैं और कंप्यूटर में यथार्थवादी 3D भौतिकी सिमुलेशन (3D Physics Simulations) चला सकते हैं। यह सैद्धांतिक गणित और वास्तविक दुनिया की चुनौतियों के बीच का एक अनिवार्य पुल है।

अक्सर यह माना जाता है कि न्यूमेरिकल मेथड्स पूरी तरह से एक आधुनिक या पश्चिमी आविष्कार हैं। लेकिन वास्तविकता में, अल्गोरिदमिक (चरणबद्ध) सोच की गहरी जड़ें प्राचीन भारतीय गणित में निहित हैं। कैलकुलेटर के आविष्कार से बहुत पहले, भारतीय गणितज्ञ जटिल ज्यामितीय और खगोलीय समस्याओं को हल करने के लिए 'Iterative' (बार-बार दोहराए जाने वाले) तरीके विकसित कर रहे थे।

इस अल्गोरिदमिक सोच का सबसे प्रारंभिक प्रमाण प्राचीन भारतीय ज्ञान परंपराओं में मिलता है। जैन गणितज्ञों ने 'कर्णानुयोग' में वर्णित 'जंबूद्वीप' जैसे ब्रह्मांड के विशाल और जटिल मॉडलों की गणनाओं के लिए सन्निकटन (approximations) का व्यापक उपयोग किया। उदाहरण के लिए, वृत्ताकार परिधियों को मापने के लिए जहाँ सटीक मान निकालना असंभव था, वहाँ प्राचीन जैन ग्रंथों में $\pi$ के सन्निकट मान के रूप में $\sqrt{10}$ का उपयोग किया गया। इन ब्रह्मांडीय गणनाओं के समानांतर ही, ज्यामितीय आकृतियों के निर्माण के लिए 'शुल्ब सूत्रों' में भी $\sqrt{2}$ का सन्निकट मान दशमलव के पांच स्थानों तक निकाला गया था।

हालाँकि, जैसा कि हमने अपने पिछले लेख 'द जेनेसिस ऑफ़ ज़ीरो' (The Genesis of Zero) में चर्चा की थी, दाशमिक स्थानीय मान प्रणाली (Decimal place-value system) और 'शून्य' के आविष्कार के बिना इनमें से कोई भी उन्नत न्यूमेरिकल गणना व्यावहारिक रूप से संभव नहीं थी। जरा रोमन अंकों का उपयोग करके किसी लंबी अल्गोरिदमिक गणना को हल करने की कल्पना कीजिए—यह लगभग असंभव है!

इस युग का चरमोत्कर्ष केरल स्कूल ऑफ़ मैथमेटिक्स, विशेषकर संगमग्राम के माधव (14वीं सदी) के कार्यों में देखने को मिलता है। यूरोपीय पुनर्जागरण से सदियों पहले, माधव ने $\pi$ का अत्यधिक सटीक मान निकालने के लिए अनंत श्रेणियों (Infinite series) का उपयोग किया था। इस न्यूमेरिकल तरीके को विकसित करने के लिए, माधव ने वृत्त की परिधि (circumference) को ज्यामितीय रूप से छोटे-छोटे चापों (arcs) में विभाजित किया और उनकी लंबाई की बार-बार (iterative) गणना की। इसी प्रक्रिया में उन्होंने एक गणितीय पैटर्न खोजा जिसने इस अनंत श्रेणी का रूप लिया:

$\frac{\pi}{4} = 1 - \frac{1}{3} + \frac{1}{5} - \frac{1}{7} + \dots$

माधव को न्यूमेरिकल एनालिसिस का सच्चा जनक जो बात बनाती है, वह यह है कि वे केवल इस अनंत श्रेणी पर नहीं रुके। वे जानते थे कि अनंत तक गणना करना व्यावहारिक नहीं है, इसलिए उन्होंने एक 'Correction Term' (त्रुटि सुधार पद) विकसित किया। इसका अर्थ था कि यदि गणना को कुछ पदों के बाद रोक दिया जाए, तो भी इस सुधार पद को जोड़कर एरर को ख़त्म किया जा सकता है। इसी न्यूमेरिकल तकनीक से उन्होंने बिना कंप्यूटर के $\pi$ का मान 11 दशमलव स्थानों तक सटीक निकाला था। $\pi$ के लिए किसी 'सटीक' (Exact) फॉर्मूले को खोजने के बजाय, माधव का यह 'न्यूमेरिकल एप्रोक्सीमेशन' साबित करता है कि आधुनिक कंप्यूटेशनल गणित की नींव भारत में सदियों पहले ही रखी जा चुकी थी।

समय के साथ गणित की दुनिया आगे बढ़ी और 17वीं सदी में आइजैक न्यूटन और गॉटफ्रीड लाइबनीज़ द्वारा कैलकुलस (Calculus) के आविष्कार ने विज्ञान में एक अभूतपूर्व क्रांति ला दी। यह विश्लेषणात्मक सटीकता (Analytical Exactness) का युग था। अचानक, गणितज्ञ केवल सन्निकटन (Approximations) या बार-बार दोहराई जाने वाली गणनाओं तक सीमित नहीं रह गए थे; अब उनके पास परिवर्तन की तात्कालिक दरों (Derivatives) और सटीक क्षेत्रफलों (Integrals) की गणना करने के लिए एक अचूक हथियार था।

कैलकुलस ने वैज्ञानिकों को भौतिक दुनिया को पूर्ण सटीकता के साथ मॉडल करने का आत्मविश्वास दिया। अवकल समीकरणों (Differential equations) के माध्यम से, न्यूटन ग्रहों की गति (Two-body problem) को सरल और 'सटीक विश्लेषणात्मक सूत्रों' (Closed-form exact formulas) में ढालने में सफल रहे। इस शानदार सफलता ने वैज्ञानिक सोच की दिशा ही बदल दी। यह धारणा मजबूत होने लगी कि पूरा ब्रह्मांड निश्चित गणितीय नियमों से बंधा है, और यदि कैलकुलस का सही उपयोग किया जाए, तो दुनिया की हर भौतिक समस्या का एक "Exact Analytical Solution" (सटीक सूत्र) निकाला जा सकता है।

सटीकता के इस सुनहरे दौर में, प्राचीन न्यूमेरिकल एप्रोक्सीमेशन की कला थोड़ी पृष्ठभूमि में चली गई। जब कैलकुलस एक गणितीय रूप से 'परफेक्ट' और सटीक उत्तर देने का वादा कर रहा था, तो कोई सन्निकटन (Approximation) से समझौता क्यों करता? शुद्ध और सैद्धांतिक सटीकता की यह खोज गणित का अंतिम लक्ष्य बन गई।

हर समस्या के लिए एक 'सटीक विश्लेषणात्मक समाधान' (Exact Analytical Solution) खोजने का सपना बहुत सुंदर था, लेकिन असल दुनिया की जटिलताओं के सामने यह टिक नहीं सका। एनालिटिकल और न्यूमेरिकल मेथड्स के बीच का बुनियादी अंतर उनके अंतिम लक्ष्य में है: एनालिटिकल तरीके उत्तर के रूप में एक 'परफेक्ट गणितीय फॉर्मूला' खोजते हैं, जबकि न्यूमेरिकल तरीके अंकगणित के माध्यम से एक बेहद सटीक 'व्यावहारिक संख्या' (practical number) तक पहुँचते हैं।

सिद्धांत रूप में कैलकुलस बेजोड़ है और आदर्श स्थितियों में बिल्कुल सटीक काम करता है—जैसे केवल दो आकाशीय पिंडों (Two-body system) के बीच गुरुत्वाकर्षण की गणना करना। लेकिन, जैसे ही आप इसमें केवल एक और ग्रह जोड़ देते हैं (प्रसिद्ध 3-Body Problem), विश्लेषणात्मक समीकरण इतने जटिल हो जाते हैं कि उन्हें हल करना लगभग असंभव हो जाता है। एयरोस्पेस इंजीनियरिंग और व्यावहारिक भौतिकी में भी यही सच है। यदि आप किसी विमान के पंखों पर से गुजरने वाली हवा के टर्बुलेंस का मॉडल बनाना चाहते हैं या तरल गतिकी (Fluid Dynamics) के लिए 'Navier-Stokes equations' को हल करना चाहते हैं, तो दुनिया में ऐसा कोई सटीक गणितीय सूत्र नहीं है जो आपको सीधा उत्तर दे सके।

जब शुद्ध गणित (pure mathematics) की सीमाएं खत्म हो जाती हैं, तब न्यूमेरिकल मेथड्स की शानदार वापसी होती है। किसी असंभव सटीक फॉर्मूले को खोजने के बजाय, न्यूमेरिकल तरीके इन बेहद जटिल और निरंतर (continuous) समस्याओं को लाखों छोटे-छोटे ग्रिड या बिंदुओं (discrete steps) में तोड़ देते हैं और बुनियादी अंकगणित का उपयोग करके उन्हें चरणबद्ध तरीके से हल करते हैं। यहीं हमें समझ आता है कि वास्तविक दुनिया में, एक न मिलने वाले 'सटीक उत्तर' की तुलना में एक बेहद सटीक 'सन्निकटन' (Approximation) कहीं अधिक मूल्यवान और व्यावहारिक है।

जब विश्लेषणात्मक गणित (Analytical Mathematics) की सीमाएं स्पष्ट रूप से सामने आ गईं, तब सटीक समीकरणों के पक्षधर गणितज्ञों को भी यह अहसास हुआ कि उन्हें व्यावहारिक सन्निकटन (Approximations) की ओर लौटना ही होगा। यूरोपीय गणितीय पुनर्जागरण के दौरान, उन समस्याओं को हल करने के लिए एक बार फिर से फोकस 'अल्गोरिदमिक' और 'इटरेटिव' (पुनरावृत्तीय) तरीकों पर आ गया जिन्हें केवल कैलकुलस के दम पर हल नहीं किया जा सकता था।

दिलचस्प बात यह है कि स्वयं आइजैक न्यूटन ने 'Newton-Raphson Method' विकसित किया—जो उन जटिल समीकरणों के मूल (roots) निकालने का एक शक्तिशाली न्यूमेरिकल अल्गोरिदम था, जिन्हें सामान्य बीजगणित से हल करना असंभव था। इसी तरह, लियोनार्ड यूलर ने जटिल अवकल समीकरणों (differential equations) को चरणबद्ध तरीके से हल करने के लिए 'Euler’s Method' प्रस्तुत किया, और कार्ल फ्रेडरिक गॉस ने रैखिक समीकरणों (linear equations) के विशाल समूहों को सुलझाने के लिए 'Gaussian Elimination' जैसी व्यवस्थित न्यूमेरिकल प्रक्रिया को आकार दिया।

हालाँकि, इन शानदार क्लासिकल विधियों के साथ एक बहुत बड़ी व्यावहारिक चुनौती थी: इनमें सैकड़ों या हजारों बार एक ही गणना (iterations) को बार-बार दोहराना पड़ता था। इलेक्ट्रॉनिक कंप्यूटर के आविष्कार से पहले, ये सारी गणनाएं पूरी तरह से हाथों से (पेन और कागज पर) की जाती थीं। गणितज्ञों को केवल एक इंजीनियरिंग या खगोलीय समस्या को हल करने के लिए हफ्तों, महीनों या कभी-कभी सालों तक गणनाएं करनी पड़ती थीं। वे केवल नंबर जोड़ते-घटाते हुए पूरी की पूरी नोटबुक भर देते थे। सैद्धांतिक रूप से ये अल्गोरिदम बिल्कुल सही थे, लेकिन उस दौर में इंसानों के पास इनकी पूरी क्षमता का उपयोग करने के लिए आवश्यक 'कंप्यूटेशनल स्पीड' (गणना की गति) का अभाव था।

पुनर्जागरण काल की उन थका देने वाली मानवीय गणनाओं को आखिरकार 20वीं सदी के मध्य में इलेक्ट्रॉनिक कंप्यूटर के रूप में अपना सबसे शक्तिशाली साथी मिल गया। डिजिटल क्रांति ने न्यूमेरिकल मेथड्स की केवल मदद ही नहीं की, बल्कि इस पूरे विषय को पूरी तरह से बदल कर रख दिया। मशीनें कभी थकती नहीं हैं, वे इंसानों जैसी गलतियाँ (manual errors) नहीं करतीं, और वे एक सेकंड के छोटे से हिस्से में लाखों पुनरावृत्तियां (iterations) कर सकती हैं।

इस युग की सबसे बड़ी तकनीकी छलांग "फ्लोटिंग-पॉइंट अर्थमेटिक" (Floating-point arithmetic) थी। इस डिजिटल आर्किटेक्चर ने कंप्यूटरों को अत्यधिक बड़ी और बेहद छोटी भिन्नात्मक (fractional) संख्याओं को अविश्वसनीय सटीकता के साथ प्रोसेस करने में सक्षम बनाया। जो अल्गोरिदम पहले केवल इसलिए सैद्धांतिक माने जाते थे क्योंकि उन्हें हाथों से हल करना बहुत उबाऊ और लंबा था—जैसे विशाल मैट्रिक्स (Matrices) को हल करना या जटिल Runge-Kutta विधियाँ—वे अचानक व्यावहारिक उपकरण बन गए। न्यूमेरिकल मेथड्स और कंप्यूटर की यह जुगलबंदी इतनी अचूक साबित हुई कि जिन गणनाओं को करने में इंसानों को जीवन भर का समय लग जाता, वे सिलिकॉन चिप्स के लिए चंद सेकंड्स का खेल बन गईं। इसी ने आधुनिक सॉफ्टवेयर इंजीनियरिंग की नींव रखी।

आज के समय की बात करें तो न्यूमेरिकल मेथड्स अब केवल एक अकादमिक विषय नहीं रह गए हैं; वे हमारी आधुनिक डिजिटल दुनिया को चलाने वाले 'अदृश्य इंजन' बन चुके हैं। आज हम जिस भी उन्नत तकनीक पर निर्भर हैं, वह बुनियादी रूप से इन्हीं अल्गोरिदमिक और सन्निकट गणनाओं पर टिकी है।

मशीन लर्निंग (Machine Learning) और आर्टिफिशियल इंटेलिजेंस (AI) का ही उदाहरण लें। जब हम किसी जटिल 'न्यूरल नेटवर्क' (Neural Network) को ट्रेन करते हैं, तो हमारा मुख्य लक्ष्य मशीन की त्रुटि (error) को न्यूनतम करना होता है। इस पूरी 'लर्निंग' प्रक्रिया की रीढ़ 'ग्रेडिएंट डिसेंट' (Gradient Descent) नामक अल्गोरिदम है—जो वास्तव में एक उन्नत 'न्यूमेरिकल ऑप्टिमाइजेशन' विधि (Numerical optimization method) के अलावा और कुछ नहीं है। यह बार-बार गणना करके सबसे कम त्रुटि वाले बिंदु को खोजता है।

यही बात कंप्यूटर ग्राफिक्स और वेब-आधारित इंटरैक्टिव टूल्स पर भी लागू होती है। चाहे आप Blender में 3D भौतिकी सिमुलेशन (3D Physics Animations) बना रहे हों, या Next.js और Canvas का उपयोग करके वेब पर प्रकाश और गति (Optics and motion) की इंटरैक्टिव गणना कर रहे हों; कंप्यूटर कभी भी 'सटीक विश्लेषणात्मक भौतिकी' (Exact analytical physics) के फॉर्मूले हल नहीं करता। इसके बजाय, वह फ्रेम-दर-फ्रेम प्रकाश की किरणों (Ray tracing), वस्तुओं के टकराने और गति की गणना करने के लिए न्यूमेरिकल मेथड्स का ही उपयोग करता है।

यहां तक कि मौसम के पूर्वानुमान जैसी विशाल और वैश्विक स्तर की गणनाएं भी पूरी तरह इसी पर निर्भर हैं। सुपरकंप्यूटर द्वारा की जाने वाली मौसम की भविष्यवाणी में वायुमंडल को 3D ग्रिड्स में बांटकर अरबों 'नॉन-लीनियर' समीकरणों (Navier-Stokes) को एक साथ हल किया जाता है। क्योंकि मौसम का कोई 'सटीक फॉर्मूला' नहीं है, इसलिए न्यूमेरिकल तरीके (Numerical Weather Prediction) ही हमें बताते हैं कि कल बारिश होगी या तूफान आएगा।

प्राचीन जैन ग्रंथों की ब्रह्मांडीय गणनाओं (cosmological approximations) और संगमग्राम के माधव की अनंत श्रेणियों से शुरू हुई यह यात्रा आज आधुनिक सिलिकॉन चिप्स पर चल रहे 'न्यूरल नेटवर्क्स' के युग में अपने चरम पर पहुँच गई है। प्राचीन भारतीय गणितज्ञों ने जिस अल्गोरिदमिक (चरणबद्ध) सोच की नींव रखी थी—असंभव लगने वाली समस्याओं को छोटे-छोटे हिस्सों में तोड़कर उन्हें बार-बार हल करना—वही आज आर्टिफिशियल इंटेलिजेंस (AI) और कंप्यूटेशनल भौतिकी का मूल आधार है।

इस ऐतिहासिक विकास का सबसे बड़ा निष्कर्ष यह है कि हमें गणित को देखने का अपना नजरिया बदलना होगा। गणित केवल कुछ रटे-रटाए फॉर्मूले याद करने या किसी 'सटीक समीकरण' (perfect exact equation) की अंतहीन खोज में लगे रहने का नाम नहीं है। यह समस्याओं के व्यावहारिक समाधान (practical computation) खोजने की एक निरंतर और जीवंत यात्रा है। जब वास्तविक दुनिया की जटिलताओं के सामने विशुद्ध सिद्धांत हार मान लेते हैं, तब 'न्यूमेरिकल एप्रोक्सीमेशन' की कला ही आगे आती है। यह साबित करती है कि गणित का असली सार केवल सिद्धांतों में नहीं, बल्कि हमारे आसपास की दुनिया के लिए ठोस और काम करने वाले समाधान खोजने में है।