डॉट प्रोडक्ट: सिद्धांत, गणना, और वास्तविक उपयोग

डॉट प्रोडक्ट, जिसे यूक्लिडियन स्पेस में स्केलर प्रोडक्ट या इनर प्रोडक्ट भी कहा जाता है, गणित में एक मौलिक क्रिया है जो दो वेक्टरों को मिलाकर एक स्केलर मान उत्पन्न करती है।

डॉट प्रोडक्ट रैखिक बीजगणित, भौतिकी और मशीन लर्निंग जैसे कई क्षेत्रों में अत्यंत महत्वपूर्ण है। इसका कारण यह है कि यह कोणों और प्रोजेक्शनों की गणना को सरल बनाता है और उसके परिणामस्वरूप वेक्टरों के बीच समानताओं का आकलन करता है। मेरा मानना है कि डॉट प्रोडक्ट की गहरी समझ इन सभी क्षेत्रों में वेक्टर संबंधों को समझने के लिए आवश्यक है।

डॉट प्रोडक्ट क्या है?

डॉट प्रोडक्ट को समझने और गणना करने के कई तरीके हैं; इसलिए, इस खंड में मैं इसकी मुख्य परिभाषाएँ और गुण प्रस्तुत करूंगा।

बीजगणितीय परिभाषा

बीजगणितीय दृष्टिकोण से, दो वेक्टरों का डॉट प्रोडक्ट उनकी संगत अवयवों के गुणनों के योग के रूप में निकाला जाता है; अतः, दो वेक्टरों के लिए:

वेक्टर गुणन निम्न प्रकार से गणना किया जाता है:

यह निरूपण संगणनात्मक रूप से सरल है और हमें उच्च आयामों तक डॉट प्रोडक्ट का सामान्यीकरण करने देता है। यह ध्यान देने योग्य है कि डॉट प्रोडक्ट घूर्णन के प्रति अविचल रहता है, जो निर्देशांक चयन से स्वतंत्र वेक्टर संरेखण के एक अंतर्निहित मानक के रूप में इसकी भूमिका को रेखांकित करता है।

ज्यामितीय परिभाषा

ज्यामितीय व्याख्या डॉट प्रोडक्ट को वेक्टरों की माध्यताओं और उनके बीच के कोण θ के कोज्या के रूप में प्रस्तुत करती है:

यह दृष्टिकोण दिखाता है कि डॉट प्रोडक्ट दिशात्मक संबंधों को कैसे परिमाणित करता है और प्रोजेक्शन तथा लम्बवतता को औपचारिक रूप से समझने में मदद करता है। बीजगणितीय और ज्यामितीय परिभाषाओं की समकक्षता कोसाइन नियम के माध्यम से स्थापित की जा सकती है।

यह दृष्टिकोण दिखाता है कि डॉट प्रोडक्ट दिशात्मक संबंधों को कैसे परिमाणित करता है और प्रोजेक्शन तथा लम्बवतता को औपचारिक रूप से समझने में मदद करता है। बीजगणितीय और ज्यामितीय परिभाषाओं की समकक्षता कोसाइन नियम के माध्यम से स्थापित की जा सकती है।

यह चित्र दो वेक्टरों के डॉट प्रोडक्ट के पीछे की ज्यामितीय अंतर्दृष्टि को दर्शाता है।

ज्यामिति से निपटते समय कोणों और पाइथागोरस प्रमेय की अच्छी सहज समझ रखना सामान्यतः उपयोगी होता है। इसलिए, हमारे ट्यूटोरियल Pythagorean Theorem: Exploring Geometry's Fundamental Relation पर निःसंकोच नज़र डालें।

बीजगणितीय गुण

डॉट प्रोडक्ट स्वाभाव से प्रतिस्थापनशील (commutative) है। इसका अर्थ है कि a और b का डॉट प्रोडक्ट लेने पर क्रम बदलने से परिणाम नहीं बदलता (a.b = b.a)।

डॉट प्रोडक्ट वेक्टर जोड़ पर वितरित भी होता है (a.(b+c) = a.b + a.c)। साथ ही, यह समरूप (प्रत्येक तर्क में रैखिक) और धनात्मक-निश्चित है, अर्थात a शून्य न हो तो a.a>0, जो सीधे यूक्लिडियन नॉर्म की परिभाषा का समर्थन करता है:

शून्य डॉट प्रोडक्ट लम्बवतता का संकेत देता है, जिसका कई अनुप्रयोगों में केंद्रीय महत्व है। यह मान कर कि वेक्टर वास्तविक यूक्लिडियन स्पेस में हैं, ये गुण सामान्यता के किसी ह्रास के बिना लागू होते हैं।

डॉट प्रोडक्ट की गणना के उदाहरण

डॉट प्रोडक्ट की गणना को अधिक सहजता से समझने के लिए, मैं मापन के उदाहरण दिखाऊंगा। दो 2D वेक्टर लें a=(1,2) और b=(3,4)। बीजगणितीय रूप से:

ज्यामितीय रूप से:

इसी प्रकार 3D में, मान लें a=(1,2,3) और b=(4,5,6):

डॉट प्रोडक्ट का सूत्र

इस खंड में, मैं डॉट प्रोडक्ट की ज्यामितीय निरूपण में गहराई से उतरूँगा और उसके निहितार्थ समझूँगा।

वेक्टर प्रोजेक्शन

b का a पर स्केलर प्रोजेक्शन है:

वेक्टर प्रोजेक्शन है:

यह क्रिया वेक्टरों को समांतर और लम्बवत अवयवों में विघटित करती है, जिनका उपयोग छाया डालने या भौतिकी में बलों के विश्लेषण जैसे अनुप्रयोगों में होता है। यह डॉट प्रोडक्ट द्वारा नियंत्रित है और कोसाइन संबंध से आती है।

कोण और लम्बवतता

जैसा कि पहले दिखाया गया, डॉट प्रोडक्ट निम्न सूत्र के माध्यम से कोण की गणना में मदद करता है:

अतः, जब a.b=0 हो, तो मुख्य कोण θ=90° होगा, जो आधार-अपघटनों के लिए एक सुगम विधि प्रदान करता है।

भौतिक अर्थ

भौतिकी में, नियत बल F द्वारा किया गया कार्य W है:

यह निरूपण शक्ति और ऊर्जा पर विचारों तक विस्तृत होता है। तल पर प्रोजेक्शन भी अवयव-अपघटन और दिशा-कोज्या में सामने आता है।

डॉट प्रोडक्ट के गुण

इस खंड में, मैं डॉट प्रोडक्ट की गणितीय संरचना को इनर प्रोडक्ट के एक विशेष मामले के रूप में खोलूँगा।

द्विरेखीय रूप और इनर प्रोडक्ट

डॉट प्रोडक्ट एक धनात्मक-निश्चित द्विरेखीय रूप है। सिद्धांततः, इनर प्रोडक्ट इस अवधारणा को उन अन्य स्थानों तक सामान्यीकृत करते हैं जो सममिति और रैखिकता को संतुष्ट करते हैं। यूक्लिडियन डॉट प्रोडक्ट, बदले में, Rn में मानक इनर प्रोडक्ट के अनुरूप है।

साम्यिक (कॉम्प्लेक्स) वेक्टर

कॉम्प्लेक्स वेक्टरों के लिए, इनर प्रोडक्ट हरमिटियन रूप हो जाता है:

जो सेस्क्विलीनियर होता है (एक तर्क में रैखिक और दूसरे में संयुग्म-रैखिक) और इस प्रकार सामान्य अर्थ में गैर-प्रतिस्थापनशील। यह संशोधन क्वांटम मैकेनिक्स और सिग्नल प्रोसेसिंग में काम आता है।

महत्वपूर्ण असमताएँ

कौशी–श्वार्ज असमता कहती है कि प्रत्येक दो वेक्टर a और b के लिए, निम्न सूत्र लागू होता है:

समानता तब होती है जब वेक्टर रैखिक रूप से आश्रित हों। इससे त्रिभुज असमता निःसृत होती है और कुछ व्यावहारिक सीमाएँ मिलती हैं जो विश्लेषण में बहुत उपयोगी हैं। सहज रूप में, यह दर्शाता है कि प्रोजेक्शन, चाहे आप उसे कितना भी केंद्रित करें, परिमाण से अधिक नहीं हो सकता।

आर्थोनॉर्मल आधार

आर्थोनॉर्मल आधार डॉट-प्रोडक्ट की गणनाओं को निर्देशांक निष्कर्षण तक सरल बना देते हैं। ये सैद्धांतिक और व्यावहारिक संदर्भों में, जैसे फूरियर विश्लेषण, आधारों के निर्माण और प्रमाणीकरण में मदद करते हैं।

डॉट प्रोडक्ट के अनुप्रयोग

इस खंड में, मैं डॉट प्रोडक्ट के कुछ प्रमुख व्यावहारिक अनुप्रयोगों को रेखांकित करूंगा। 

यांत्रिकी और भौतिकी

डॉट प्रोडक्ट कार्य (W = F.d) और शक्ति की गणना करता है। मैंने इसे पहले उल्लेख किया था। जिसका उल्लेख करने का मुझे समय नहीं मिला, वह यह है कि यह घूर्णन और निर्देशांक रूपांतरणों के प्रति भी अविचल है, जो इसे भिन्न-भिन्न फ्रेमों में व्यक्त भौतिक नियमों के लिए उपयुक्त उपकरण बनाता है।

कम्प्यूटर ग्राफ़िक्स और गेम डेवलपमेंट

ज्यामिति कम्प्यूटर ग्राफ़िक्स का केंद्रीय घटक है, और डॉट प्रोडक्ट विश्लेषणात्मक ज्यामिति का केंद्रीय घटक है। उदाहरण के लिए, यह फील्ड-ऑफ-व्यू जाँच और नॉर्मल-डॉट-लाइट वेक्टरों के माध्यम से लाइटिंग का समर्थन करता है। यह प्लेन समीकरणों और शेडिंग गणनाओं के जरिए टकराव का पता लगाने में भी उपयोग होता है।

सिग्नल प्रोसेसिंग और मशीन लर्निंग

डॉट प्रोडक्ट उच्च-आयामी स्थानों में समानता मापता है। इसका उपयोग कन्वोल्यूशन, न्यूरल नेटवर्क लेयर्स (वेटेड सम) और रिकमेंडेशन सिस्टम्स में होता है। वर्ड एम्बेडिंग्स में, cosine similarity (सामान्यीकृत डॉट प्रोडक्ट) अर्थगत वेक्टरों की तुलना करती है, और यह उदाहरण के लिए Retrieval Augmented Generation में अत्यंत महत्वपूर्ण है।

Python, R, और Excel में डॉट प्रोडक्ट कैसे निकालें

डॉट प्रोडक्ट विभिन्न प्रोग्रामिंग परिवेशों में कुशलता से निकाला जा सकता है। इस खंड में, मैं कुछ उदाहरण दिखाऊंगा।

Python में डॉट प्रोडक्ट

Python में डॉट प्रोडक्ट के कई कार्यान्वयन विकल्प हैं। NumPy np.dot(a,b) या @ ऑपरेटर के माध्यम से कुशल वेक्टर/मैट्रिक्स संचालन देता है।

एक शुद्ध Python संस्करण sum(ai * bi for ai, bi in zip(a,b)) का उपयोग करता है।

ऐरे/मैट्रिक्स के लिए, ब्रॉडकास्टिंग और वेक्टराइज़ेशन से प्रदर्शन में उल्लेखनीय सुधार होता है। मेरा आशय यह है:

import numpy as np
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
print(np.dot(a, b))  # 32
print(a @ b)         # 32

R में डॉट प्रोडक्ट

R का %*% मैट्रिक्स गुणा संभालता है, जबकि crossprod(a, b) या sum(a * b) विकल्प उपलब्ध कराते हैं।

जैसा उल्लेख किया गया, बेस R और Matrix जैसे पैकेजों में वेक्टराइज़ेशन गणनाओं को तेज करता है।

a <- c(1, 2, 3)
b <- c(4, 5, 6)
a %*% b          # returns matrix with 32
sum(a * b)       # 32

Excel में डॉट प्रोडक्ट

स्तंभ A और B में वेक्टरों के लिए =SUMPRODUCT(A2:A4, B2:B4) का उपयोग करें। या, युग्मवार गुणा करें और मैन्युअली योग लें।

बड़े डेटासेट के लिए, ऐरे फ़ॉर्मूलों या Power Query बेहतर हैं, हालाँकि Excel फिर भी प्रोग्रामेटिक टूल्स की तुलना में स्केलेबिलिटी सीमाएँ रखेगा।

मज़े के लिए, हमारे ट्यूटोरियल Cartesian Product in SQL: A Comprehensive Guide और What Is a Data Product? Concepts and Best Practices पढ़ें।

प्लेटफ़ॉर्म्स के बीच प्रदर्शन तुलना

Python में NumPy, शुद्ध Python लूप्स की तुलना में बेहतर प्रदर्शन देता है और अनुकूलित BLAS लाइब्रेरियों तथा कुशल इम्प्लीमेंटेशन/आवंटन शैलियों के कारण बड़े डाटा के लिए बहुत अच्छी तरह स्केल करता है।

दूसरी ओर, R की वेक्टराइज़ेशन मध्यम आकारों के लिए कुशल है।

Excel छोटे डेटासेट या त्वरित प्रोटोटाइपिंग के लिए उपयुक्त है, लेकिन बड़े पैमाने के विश्लेषण में कमतर साबित होता है। विशेषीकृत लाइब्रेरियाँ प्रायः बेहतर प्रदर्शन मीट्रिक्स प्रदान करती हैं। 

डॉट प्रोडक्ट की उन्नत अवधारणाएँ

डॉट प्रोडक्ट केवल Rn में समानताएँ निकालने तक सीमित नहीं हैं, इस खंड में, मैं बताऊँगा क्यों।

फंक्शन स्पेसेज़ और समाकल

L2 जैसे फंक्शन स्पेसेज़ में, इनर प्रोडक्ट का सामान्यीकरण इस प्रकार होता है:

जिसके अनुप्रयोग फूरियर विश्लेषण में हैं।

वेटेड इनर प्रोडक्ट और मैट्रिक्स डॉट प्रोडक्ट

वेटेड संस्करण एक धनात्मक-निश्चित मैट्रिक्स का उपयोग करते हैं; मैट्रिक्सों के लिए फ्रोबेनियस इनर प्रोडक्ट है:

टेंसर सामान्यीकरण इस अवधारणा को उच्च क्रमों तक विस्तृत करते हैं।

सापेक्षवादी भौतिकी

मिन्कोव्स्की मैट्रिक देता है:

जो स्पेसटाइम अंतरालों के लिए यूक्लिडियन मामले से भिन्न है।

वेक्टर समानता मीट्रिक्स

क्योंकि दो वेक्टर A और B का डॉट प्रोडक्ट होता है

तो, A और B के नॉर्म से दोनों पक्षों को भाग देकर, हमें कोसाइन समानता मिलती है:

कोसाइन समानता डॉट प्रोडक्ट को सामान्यीकृत करती है और सूचना पुनःप्राप्ति तथा मशीन लर्निंग में व्यापक रूप से उपयोग होती है।

आइगेनवैल्यू डीकम्पोज़िशन

डॉट प्रोडक्ट और सममित मैट्रिसों के बीच संबंध का अन्वेषण करें। लम्बवतता और मैट्रिक्स फैक्टराइज़ेशन पर चर्चा करें। प्रिंसिपल कंपोनेंट एनालिसिस और स्पेक्ट्रल थ्योरी से प्रासंगिकता का उल्लेख करें।

डॉट प्रोडक्ट बनाम क्रॉस प्रोडक्ट

यह खंड डॉट प्रोडक्ट की तुलना क्रॉस प्रोडक्ट से करता है।

स्केलर और वेक्टर प्रोजेक्शन

स्केलर प्रोजेक्शन किसी दिशा के साथ परिमाण देता है। दूसरी ओर, वेक्टर प्रोजेक्शन समांतर अवयव दिखाता है। ये ज्यामितीय आरेखनों के साथ अवयव-अपघटन का समर्थन करते हैं।

ट्रिपल प्रोडक्ट और क्रॉस प्रोडक्ट तुलना

स्केलर ट्रिपल प्रोडक्ट है:

जो हस्ताक्षरित आयतन देता है। यहाँ डॉट प्रोडक्ट स्केलर देता है जबकि क्रॉस प्रोडक्ट एक वेक्टर उत्पन्न करता है। समानता या संरेखण के लिए डॉट प्रोडक्ट का उपयोग करें और अभिविन्यास या घूर्णन।

यह तालिका दोनो प्रोडक्ट्स के कुछ मुख्य अंतरों को दिखाती है।

घूर्णन और निर्देशांक रूपांतरणों के प्रति अविचलता

डॉट प्रोडक्ट आर्थोगोनल रूपांतरणों के तहत अपरिवर्तित रहता है, जो भौतिकी और अभियंत्रण में निर्देशांक-स्वतंत्र निरूपणों के लिए एक उत्कृष्ट गुण है। निस्संदेह, गुणा के कई भिन्न प्रकार हैं जिनका अलग महत्व और गणना विधियाँ हैं। एक उदाहरण देखने के लिए हमारे ट्यूटोरियल Hadamard Product: A Complete Guide to Element-Wise Matrix Multiplication देखें।

निष्कर्ष

सार रूप में, डॉट प्रोडक्ट गणित में एक बहुमुखी और बुनियादी उपकरण है जिसका उपयोग भौतिकी और कंप्यूटर विज्ञान जैसे विभिन्न क्षेत्रों में होता है। इसके अनुप्रयोग कार्य की गणना और लाइटिंग मॉडल से लेकर उच्च-आयामी डाटा समानता तक फैले हैं, जो इसके निरंतर महत्व को दर्शाते हैं। इसलिए, मेरा मानना है कि ये दृष्टिकोण उन्नत सामान्यीकरणों की और खोज को प्रोत्साहित करते हैं। सीखना जारी रखने के लिए हमारे Linear Algebra for Data Science in R कोर्स में नामांकन करें।