8.4 — Topology ও Differential Geometry (টপোলজি ও ব্যবকলনীয় জ্যামিতি)

এই অধ্যায়ে কী শিখব: topology (টপোলজি) — connectivity বা সংযুক্ততার গণিত; open set (মুক্ত সেট), neighborhood (প্রতিবেশ) ও topological space (টপোলজিকাল স্থান)-এর axioms; continuity (সন্ততি)-র সম্পূর্ণ topological সংজ্ঞা; homeomorphism, maps-এর homotopy ও space-এর homotopy equivalence; Euler characteristic; manifold — স্থানীয়ভাবে Euclidean একটা বাঁকা স্থান; chart, atlas ও transition map; smooth manifold ও diffeomorphism; tangent space \(T_pM\) ও tangent bundle; Riemannian manifold ও Riemannian metric; geodesic — locally straightest/length-minimizing curve; exponential map \(\exp_p\) ও logarithmic map; tangent vector field ও gauge; এবং সবশেষে manifold hypothesis — কেন high-dimensional data প্রায়ই low-dimensional structure-এর কাছে থাকে, ও Geometric Deep Learning (GDL)-এ এর তাৎপর্য।

উৎস (source): Mathematical Foundations of Geometric Deep Learning — Borde ও Bronstein।

---

১. কেন শিখব? (Motivation)

আগের তিনটা অধ্যায়ে আমরা একটা "জ্যামিতিক টুলবক্স" গড়ে তুলেছি। Normed space (নর্মড স্থান) আমাদের দিয়েছে একটা ভেক্টরের দৈর্ঘ্য বা মাপ (magnitude) মাপার ক্ষমতা। তারপর metric space (মেট্রিক স্থান) যোগ করেছে দুটো element কতটা দূরে তা মাপার সামর্থ্য — ঠিক যেমন আমরা রোজকার জীবনে দূরত্ব মাপি। আর inner product (অন্তঃগুণন) এই টুলবক্স সম্পূর্ণ করেছে element-দের মধ্যে কোণ (angle) সংজ্ঞায়িত করে — যাতে বোঝা যায় দুটো ভেক্টর লম্ব (perpendicular) নাকি সমান্তরাল (parallel)।

এই জ্যামিতিক ধারণাগুলো আমাদের কাছে চেনা, কারণ এগুলো স্থানের স্পর্শযোগ্য (tangible) দিক নিয়ে কাজ করে — মাপ, দূরত্ব, কোণ। কিন্তু এই জ্যামিতির প্রতি ঝোঁক প্রায়ই একটা আরও মৌলিক, আরও বিমূর্ত (abstract) বিষয়কে আড়াল করে দেয় — সেটা হলো topology (টপোলজি)। Topology মাপ নিয়ে মাথা ঘামায় না; সে নিয়ে ভাবে connectivity (সংযুক্ততা) — অর্থাৎ স্থানের সেই বৈশিষ্ট্যগুলো যা টানা-টানি, বাঁকানো (stretching, bending) — এই ধরনের continuous deformation (সন্তত বিকৃতি)-র অধীনেও অপরিবর্তিত থাকে।

কেন GDL-এর জন্য এটা এত জরুরি?

• Data বাঁকা স্থানে বসে: বাস্তব জীবনের বহু ঘটনা ঘটে বাঁকা (curved) domain-এ — পৃথিবীর পৃষ্ঠ (একটা গোলক), অণু-অণুর 3D গঠন, সামাজিক নেটওয়ার্ক, বা hyperbolic space-এ একটা hierarchy। Traditional neural network ধরে নেয় data একটা সমতল (flat) Euclidean grid-এ বসে আছে। GDL এই ধারণাকে ভাঙে — সে neural network-কে non-Euclidean domain (manifold, mesh, graph)-এ কাজ করতে শেখায়।
• Manifold hypothesis: বেশিরভাগ dataset দেখতে high-dimensional হলেও আসলে একটা low-dimensional manifold-এ বসে থাকে। যেমন সব মানুষের মুখের ছবি একটা বিশাল pixel-space-এ থাকে, কিন্তু "বৈধ মুখের ছবি"-গুলো সেই space-এর একটা অনেক ছোট, বাঁকা উপ-স্থানে (manifold) সীমাবদ্ধ। এই কাঠামোটা বুঝলে ও ব্যবহার করলে model অনেক কম parameter-এ কাজ করে।
• Intrinsic geometry: manifold-এর নিজস্ব (intrinsic) জ্যামিতি — geodesic, curvature, local chart — ব্যবহার করে এমন model বানানো যায় যা coordinate-এর নির্বিচার (arbitrary) পছন্দের উপর নির্ভর করে না।

এই অধ্যায়ে তাই আমরা এক ধাপ পিছিয়ে গিয়ে topology-র বেসিক ধারণা থেকে শুরু করব, বিশেষ মনোযোগ দেব manifold-এর দিকে, তারপর differential geometry ও Riemannian geometry-র মূল ধারণাগুলো ছোঁব। লক্ষ্য গভীরতায় ডুবে যাওয়া নয় — মূল সুরটা পরিষ্কারভাবে ধরা।

মূল স্বজ্ঞা

Topology হলো "rubber-sheet geometry (রাবার-শিট জ্যামিতি)" — একটা রাবারের চাদর তুমি টানতে, বাঁকাতে পারো, কিন্তু ছিঁড়তে বা জোড়া লাগাতে পারো না; এই নমনীয় রূপান্তরে যা অপরিবর্তিত থাকে সেটাই topology-র বিষয়। আর manifold হলো এমন একটা বাঁকা স্থান যা প্রতিটা বিন্দুর কাছাকাছি দেখতে সমতল (Euclidean)-এর মতো — যেমন পৃথিবী গোল হলেও আমাদের পায়ের নিচে সমতল মনে হয়। GDL-এর মূল বার্তা: data এমন একটা বাঁকা manifold-এ বসে, আর ভালো model সেই manifold-এর নিজস্ব জ্যামিতিকে সম্মান করে।

একটা টীকা: differential vs Riemannian geometry

Differential geometry আর Riemannian geometry ঘনিষ্ঠ, কিন্তু এক নয়। Differential geometry হলো calculus ও linear algebra দিয়ে জ্যামিতির সাধারণ চর্চা — smooth manifold ও তাদের মধ্যকার smooth map নিয়ে কাজ করে। Riemannian geometry হলো differential geometry-র একটা বিশেষ ক্ষেত্র, যেখানে manifold-টিকে একটা Riemannian metric দিয়ে সাজানো হয় (যাতে দূরত্ব-কোণ মাপা যায়)।

---

২. মূল ধারণা (Core idea)

Set-এর কোনো "কাছাকাছি"-র ধারণা নেই

Part 8.1-এ দেখেছি, একটা set (সেট) হলো স্বতন্ত্র element-দের সংগ্রহ, আর membership (সদস্যপদ) ছাড়া তার আর কোনো গঠন নেই। যেমন সমতলের সব বিন্দুর set-কে set-builder নোটেশনে লেখা যায়:

\[\mathbb{R}^2 = \{(x, y) \mid x, y \in \mathbb{R}\}.\]

এটা নিছক বিন্দুর একটা সংগ্রহ। এখানে "কাছাকাছি" (closeness) বা "নিকটবর্তী" (nearness)-র কোনো ধারণা নেই: বিন্দু \((0,0)\) কি \((0,1)\)-এর কাছে, নাকি \((10,10)\)-এর কাছে — এই প্রশ্নের উত্তর নেই, কারণ set-এর element-গুলো membership ছাড়া অসম্পর্কিত (unrelated) ও ক্রমহীন (unordered)।

যখন আমরা এই set-এ একটা structure যোগ করি — যেমন connectedness বা topology — তখনই আমরা বিন্দুগুলোর সম্পর্কের উপর নিয়ম চাপাই। আমরা বলতে পারি কোন বিন্দুগুলো একে অপরের "কাছে", বা \(\mathbb{R}^2\)-এর কোন উপসেটগুলো "open"। এটাই বিন্দুদের মধ্যে একটা সন্তত (continuous) সংযোগের ধারণার জন্ম দেয়।

Open interval ও open set (মুক্ত সেট)

বাস্তব সরলরেখা \(\mathbb{R}\)-এ একটা open interval (মুক্ত ব্যবধি) হলো এমন বিন্দুর set যা তার সীমানা-বিন্দু (boundary points) অন্তর্ভুক্ত করে না। যেমন open interval \((a, b)\) হলো সেই সব \(x\)-এর set যাদের জন্য:

\[a < x < b.\]

এই ব্যবধিতে \(a\) ও \(b\)-এর মাঝের সব বিন্দু আছে, কিন্তু \(a\) আর \(b\) নিজেরা নেই।

আরও সাধারণভাবে, একটা set \(U\)-কে open বলা হয় যদি তার প্রতিটা বিন্দুর চারপাশে একটা "neighborhood (প্রতিবেশ)" থাকে যেটা পুরোপুরি \(U\)-এর ভেতরে। মানে, \(U\)-এর প্রতিটা বিন্দু \(x\)-এর চারপাশে একটা ছোট্ট অঞ্চল আছে যা সম্পূর্ণভাবে \(U\)-এর ভেতরে অবস্থিত।

চিত্র ১: বিন্দু \(x_1\)-এর একটা open neighborhood পুরোপুরি \(U\)-এর ভেতরে (তাই \(x_1\) একটা interior point)। Boundary point \(x_2\)-এরও open neighborhood আছে, কিন্তু তার কোনো neighborhood পুরোপুরি \(U\)-এর ভেতরে থাকে না—প্রতিটা neighborhood \(U\) ও তার complement দুটোকেই ছোঁয়। একটা set open হবে যদি তার প্রতিটা member \(x_1\)-এর মতো interior point হয়।

Metric space-এর ভাষায় এটা আনুষ্ঠানিকভাবে এভাবে লেখা হয়। ধরো \((X, d)\) একটা metric space, যেখানে \(d\) হলো distance function। একটা উপসেট \(U \subseteq X\) open যদি প্রতিটা বিন্দু \(x \in U\)-এর জন্য এমন একটা ব্যাসার্ধ (radius) \(r > 0\) থাকে যাতে open ball (মুক্ত বল)

\[B(x, r) = \{y \in X \mid d(x, y) < r\}\]

পুরোপুরি \(U\)-এর ভেতরে থাকে।

এই সংজ্ঞা স্বজ্ঞাগত (intuitive) হলেও একটা distance function-এর উপর নির্ভর করছে। মজার ব্যাপার হলো, open set-কে metric ছাড়াও — নিছক set theory-র ভাষায় — সংজ্ঞায়িত করা যায়। সেটাই এখন দেখব।

Topological space (টপোলজিকাল স্থান)

Open set-এর ধারণাটাকে topological space-এর প্রসঙ্গে সাধারণীকরণ (generalize) করা যায়। একটা topological space হলো একটা set \(X\) আর তার কিছু উপসেটের একটা সংগ্রহ \(\mathcal{T}\) (যাদের open set বলা হয়), যারা কিছু নির্দিষ্ট শর্ত মানে। এই শর্তগুলো নিশ্চিত করে যে "openness"-এর ধারণাটা সুশৃঙ্খল (well-behaved)।

ধরো \(X\) একটা set, আর \(\mathcal{T} \subseteq \mathcal{P}(X)\) হলো \(X\)-এর power set-এর একটা উপসংগ্রহ। তাহলে \(\mathcal{T}\) হলো \(X\)-এর উপর একটা topology যদি:

• \(\varnothing, X \in \mathcal{T}\),
• \(\bigcup_{\alpha \in A} U_\alpha \in \mathcal{T}\), যেকোনো সংগ্রহ \(\{U_\alpha\}_{\alpha \in A} \subseteq \mathcal{T}\)-এর জন্য,
• \(\bigcap_{i=1}^{n} U_i \in \mathcal{T}\), যেকোনো সসীম (finite) সংগ্রহ \(\{U_i\}_{i=1}^{n} \subseteq \mathcal{T}\)-এর জন্য।

কথায়: খালি set আর গোটা set \(X\) অবশ্যই \(\mathcal{T}\)-তে থাকবে; open set-দের যেকোনো (এমনকি অসীম) union open হবে; কিন্তু শুধু সসীম intersection open হতে হবে। খেয়াল করো \(\mathcal{T}\) নিজে উপসেটের একটা set।

একটা সূক্ষ্ম বিষয়: union বনাম intersection

চিহ্ন \(A \cup B\) ও \(A \cap B\) নির্দিষ্টভাবে দুটো set-এর union ও intersection বোঝায়। বিপরীতে, \(\bigcup_{\alpha \in A} U_\alpha\) ও \(\bigcap_{\alpha \in A} U_\alpha\) হলো একটা সংগ্রহ \(\{U_\alpha\}_{\alpha \in A}\)-এর union বা intersection, যেখানে index \(\alpha\) কোনো set \(A\)-এর উপর দিয়ে চলে। সংজ্ঞায় নোটেশন ইচ্ছাকৃতভাবে আলাদা রাখা হয়েছে axiom-দুটোকে ফুটিয়ে তুলতে: যেকোনো (arbitrary) union \(\bigcup_{\alpha \in A}\) open, কিন্তু শুধু সসীম intersection \(\bigcap_{i=1}^{n}\) open হতে বাধ্য। কেন এই পার্থক্য — তা §৫-এ একটা উদাহরণে দেখব।

জোড়া \((X, \mathcal{T})\)-কে বলা হয় topological space। \(X\)-এর element-দের বলা হয় point (বিন্দু), আর \(\mathcal{T}\)-এর element-দের বলা হয় open set। একটা উপসেট \(U \subseteq X\) open যদি \(U \in \mathcal{T}\)।

Open set হলো \(\mathbb{R}\)-এর interval-দের সাধারণীকরণ (যারা "open" এই অর্থে যে তারা সীমানা-বিন্দু অন্তর্ভুক্ত করে না)। Metric space হলো topological space-এর একটা বিশেষ উদাহরণ, আর একইভাবে metric space-এর open ball হলো open set-এর উদাহরণ।

কয়েকটা topological space-এর উদাহরণ:

• Euclidean topology: \(X = \mathbb{R}^n\)-এর জন্য standard topology open ball দিয়ে তৈরি। \(x \in \mathbb{R}^n\)-কে কেন্দ্র করে ব্যাসার্ধ \(r > 0\)-এর একটা open ball হলো

  \[B(x, r) = \{y \in \mathbb{R}^n \mid \lVert x - y \rVert < r\}.\]

  এখানে topology \(\mathcal{T}\) হলো সেই সব open set-এর সংগ্রহ যাদের open ball-দের যেকোনো union হিসেবে লেখা যায়:

  \[\mathcal{T} = \Big\{ U \subseteq \mathbb{R}^n : U = \bigcup_{\alpha \in A} B(x_\alpha, r_\alpha) \text{ for some index set } A \Big\}.\]

• Discrete topology (বিচ্ছিন্ন টপোলজি): এখানে \(X\)-এর প্রতিটা উপসেট open। তাই যেকোনো set \(X\)-এর জন্য \(\mathcal{T} = \mathcal{P}(X)\) (গোটা power set)।

• Trivial topology (তুচ্ছ টপোলজি): এখানে শুধু খালি set \(\varnothing\) আর গোটা set \(X\) open। তাই \(\mathcal{T} = \{\varnothing, X\}\)।

Discrete topology হলো সূক্ষ্মতম (finest) topology — কারণ প্রতিটা উপসেট open, অর্থাৎ এতে সবচেয়ে বেশি open set। বিপরীতে trivial topology হলো স্থূলতম (coarsest) — এতে সবচেয়ে কম open set।

চিত্র ২: একটা open set \(U\)-কে open ball-দের union হিসেবে দেখানো হয়েছে, \(U = B_1 \cup B_2 \cup B_3 \cup B_4 \cup B_5 \cup \dots\)। প্রতিটা ভাঙা-বৃত্ত (dashed circle) একটা open ball \(B_\alpha\)। এভাবেই Euclidean topology-তে open set গড়ে তোলা হয় — অসংখ্য open ball-এর union নিয়ে।

Continuity (সন্ততি) — topological সংজ্ঞা

Topology সেই বৈশিষ্ট্যগুলো নিয়ে ভাবে যা যেকোনো continuous deformation-এর অধীনে অপরিবর্তনীয় (invariant)। তাই সবার আগে দরকার continuity-র একটা সংজ্ঞা যেটা মাপের (limit-এর) উপর নির্ভর করে না।

স্বজ্ঞাগতভাবে, topological space-দের মধ্যে একটা continuous map স্থানটাকে "ভাঙে" না — অর্থাৎ input-এ ছোট পরিবর্তন output-এ ছোট পরিবর্তন ঘটায়, কোনো আকস্মিক লাফ (jump) বা ফাঁক (gap) ছাড়াই। এটা স্থানটাকে না-ছিঁড়ে বিকৃত করতে দেয় ও তার গঠন সংরক্ষণ করে।

আনুষ্ঠানিক সংজ্ঞা: topological space \(X\) ও \(Y\)-এর মধ্যে একটা map \(F : X \to Y\) continuous যদি প্রতিটা open set \(U \in \mathcal{T}_Y\)-এর জন্য এর preimage (পূর্বপ্রতিমূর্তি) \(F^{-1}(U)\) একটা open set হয় \(X\)-এ, অর্থাৎ \(F^{-1}(U) \in \mathcal{T}_X\)।

খেয়াল করো: এই সংজ্ঞায় classical অর্থে limit-এর দরকার নেই; এটা সম্পূর্ণভাবে স্থানদুটোর topological গঠনের উপর নির্ভরশীল। ("Preimage of open is open" — এই একটা বাক্যেই continuity-র পুরো ধারণা ধরা।)

Topological equivalence — homeomorphism (হোমিওমরফিজম)

এবার আসল প্রশ্ন: দুটো topological space কখন "একই"? উত্তর হলো homeomorphism।

একটা homeomorphism হলো একটা বিশেষ ধরনের continuous map যার একটা continuous inverse-ও আছে। আনুষ্ঠানিকভাবে: একটা map \(F : X \to Y\) একটা homeomorphism যদি এটা

1. bijective (একৈক ও উপরিলেখ) হয়,
2. continuous হয়, এবং
3. এর inverse \(F^{-1} : Y \to X\)-ও continuous হয়।

এমন map থাকলে আমরা বলি \(X\) ও \(Y\) homeomorphic — অর্থাৎ তারা topologically equivalent (টপোলজিকালি সমতুল্য)। উদাহরণ: একটা গোলকের (sphere) পৃষ্ঠ আর একটা ঘনকের (cube) পৃষ্ঠ homeomorphic, কারণ একটাকে না-ছিঁড়ে না-জুড়ে অন্যটায় সন্ততভাবে বিকৃত করা যায়। Homeomorphism একটা শক্তিশালী সমতুল্যতা — এটা বলে দুই স্থানের বিন্দুর মধ্যে একটা একৈক (one-to-one) সংগতি আছে।

চিত্র ৩: ঘনক (cube) আর গোলক (sphere) homeomorphic: দুটোই simply connected (কোনো ছিদ্র নেই, genus \(0\)), আর একটাকে অন্যটায় সন্ততভাবে বিকৃত করা যায়। ঘনকের ধারালো কোণ-প্রান্তগুলো "ফুলিয়ে" মসৃণ গোলক বানানো যায় — কোথাও ছিঁড়তে বা জোড়া লাগাতে হয় না। তাই topology-র চোখে এরা একই বস্তু।

Homeomorphism ≠ homomorphism

Homeomorphism-কে homomorphism (সমরূপতা)-এর সাথে গুলিয়ে ফেলা খুব সাধারণ ভুল। Homomorphism হলো একই ধরনের দুটো বীজগণিতীয় গঠনের মধ্যে একটা structure-preserving map (যেমন group-এর জন্য দেখেছি Part 8.1-এ)। বিপরীতে homeomorphism হলো দুটো topological space-এর মধ্যে একটা bijective, continuous এবং continuous-inverse map। সংক্ষেপে: homomorphism → বীজগণিত; homeomorphism → topology।

Homotopy — map-এর continuous deformation

Homotopy প্রথমে দুটো map-এর সম্পর্ক। \(f,g:X\to Y\) maps-কে homotopic বলা হয় যদি একটা continuous map

\[H:X\times[0,1]\to Y\]

থাকে যাতে \(H(x,0)=f(x)\) এবং \(H(x,1)=g(x)\)। অর্থাৎ \(t\) ধীরে \(0\) থেকে \(1\) হলে \(f\) continuousভাবে \(g\)-তে deform হয়।

দুটো space \(X,Y\) homotopy equivalent যদি maps \(F:X\to Y\) ও \(G:Y\to X\) থাকে যাতে \(G\circ F\simeq\operatorname{id}_X\) এবং \(F\circ G\simeq\operatorname{id}_Y\)। এটি homeomorphism-এর চেয়ে দুর্বল equivalence, কিন্তু ইচ্ছামতো loop collapse করার অনুমতি দেয় না। যেমন closed disk \(D^2\) ও একটি point homotopy equivalent: disk-টি নিজের ভেতরেই radialভাবে center-এ contract করা যায়। বিপরীতে circle \(S^1\) ও point homotopy equivalent নয়; \(S^1\)-এর nontrivial loop point-এ নেই।

চিত্র ৪: ambient plane \(\mathbb R^2\)-এর ভেতরে circle ছোট হয়ে point-এ যাচ্ছে। এটি \(S^1\hookrightarrow\mathbb R^2\) inclusion map ও একটি constant map-এর মধ্যে homotopy দেখাতে পারে। কিন্তু intermediate circle-গুলোর point \(S^1\)-এর ভেতরে থাকে না, তাই এটি \(S^1\)-কে তার নিজের ভেতরে contract করে না এবং \(S^1\simeq\{\mathrm{pt}\}\) প্রমাণ করে না।

Circle shrink ছবির সূক্ষ্মতা

Constant map \(S^1\to\{\mathrm{pt}\}\) অবশ্যই continuous, কিন্তু শুধু এমন map থাকাই homotopy equivalence নয়। বিপরীত map বেছে নিয়ে দুই composition-কে সংশ্লিষ্ট identity map-এর homotopic হতে হবে। \(S^1\)-এর identity map তার নিজের ভেতরে constant map-এর homotopic নয়—অর্থাৎ \(S^1\) contractible নয়। Fundamental group \(\pi_1(S^1)\cong\mathbb Z\) এই obstruction-টি ধরে রাখে।

Mesh বা graph-এর মতো discrete জ্যামিতিক উপস্থাপনাও homotopy-র মতো topological বৈশিষ্ট্য আসন্ন (approximate) করতে পারে — যা দিয়ে আকৃতি কীভাবে বিকৃত হয়, যুক্ত হয় বা loop ধারণ করে তা নিয়ে যুক্তি করা যায় (এ নিয়ে পরে Part 8.7-এ)।

Euler characteristic (অয়লার বৈশিষ্ট্য) — সংক্ষেপে

Euler characteristic হলো একটা topological invariant। Finite CW complex বা finite simplicial complex-এর মতো এখানে আলোচিত well-behaved space-এ এটি homeomorphism-এর পাশাপাশি homotopy equivalence-এর অধীনেও invariant। তাই homotopy equivalent space-এর Euler characteristic একই হতে হবে।

একটা connected closed orientable surface-এর জন্য Euler characteristic \(\chi=2-2g\), যেখানে genus \(g\) পৃষ্ঠের handle-এর সংখ্যা। যেমন sphere surface ও cube surface দুটোরই \(\chi=2\) এবং তারা homeomorphic। অন্যদিকে \(\chi(S^1)=0\), \(\chi(S^2)=2\), আর \(\chi(\{\mathrm{pt}\})=1\); তাই circle বা sphere—কোনোটিই point-এর homotopy equivalent নয়। Euler characteristic সমতা একা সব space-কে classify করে না, কিন্তু অসমতা homotopy equivalence অসম্ভব প্রমাণ করে।

Manifold (বহুবিস্তার/ম্যানিফোল্ড) — স্থানীয়ভাবে সমতল বাঁকা স্থান

এবার আমরা এই Part-এর কেন্দ্রীয় বস্তুতে পৌঁছেছি। Manifold হলো এমন গাণিতিক বস্তু যা দিয়ে আমরা সেই স্থানগুলো বর্ণনা ও সাধারণীকরণ করি যাদের হয়তো সরল, সমতল, Euclidean গঠন নেই। যেমন আগেই বলেছি, বহু প্রাকৃতিক ঘটনা ঘটে বাঁকা (curved) স্থানে।

ঐতিহাসিকভাবে, দুই হাজার বছর ধরে ধরে নেওয়া হতো Euclid-এর জ্যামিতিই একমাত্র সম্ভব জ্যামিতি (বিশেষত পঞ্চম স্বীকার্য বা parallel postulate)। ১৯শ শতকে Gauss, Bolyai, Lobachevsky, Riemann প্রমুখ দেখালেন যুক্তিসঙ্গত বিকল্প জ্যামিতিও সম্ভব — elliptic ও hyperbolic geometry। এসব জ্যামিতিতে আমাদের চেনা "সরলরেখা"-র জায়গা নেয় geodesic — locally straightest এবং sufficiently ছোট segment-এ locally length-minimizing curve। দীর্ঘ geodesic segment সবসময় দুই endpoint-এর globally shortest path নাও হতে পারে।

চিত্র ৫: একটা বাঁকা 2-dimensional surface-এ geodesic locally straightest path। কাছাকাছি দুই বিন্দুর মধ্যে minimizing geodesic shortest path দেয়; দূরের বিন্দুতে একাধিক geodesic থাকতে পারে এবং সবগুলো globally minimizing নয়। Sphere-এ great-circle arc antipodal point-এর আগে minimizing, কিন্তু আরও লম্বা arc-টিও geodesic।

Manifold ≠ জ্যামিতি (একটা জরুরি পার্থক্য)

একটা "বেসিক" manifold (topological বা এমনকি smooth) নিজে থেকে দূরত্ব, কোণ বা curvature মাপার কোনো উপায় নিয়ে আসে না। Manifold-এর স্তরে আমরা শুধু স্থানের গঠন ও connectivity এবং তার স্থানীয়ভাবে Euclidean (flat)-এর সাথে সাদৃশ্য নিয়ে ভাবি। মাপ (দূরত্ব, কোণ) — সেটা geometry-র বিষয়, যা পরে Riemannian metric যোগ করে আসে।

সবচেয়ে সরল ধারণা দিয়ে শুরু করি — topological manifold, যা এই স্বজ্ঞা ধরে যে স্থানটা স্থানীয়ভাবে (locally) Euclidean space-এর মতো দেখায়।

একটা topological space \(M\) একটা \(n\)-dimensional topological manifold যদি (usual definition-এ Hausdorff ও second-countable হওয়ার পাশাপাশি) প্রতিটা বিন্দু \(p \in M\)-এর জন্য এমন একটা open neighborhood \(U \subseteq M\) ও \(\mathbb{R}^n\)-এর কোনো open subset \(V\)-তে homeomorphism \(\varphi:U\to V\) থাকে। কথায়: manifold-এর যেকোনো বিন্দুর চারপাশটা "জুম" করলে দেখতে \(\mathbb{R}^n\)-এর একটা open টুকরোর মতো।

Chart (চার্ট) ও atlas (অ্যাটলাস)

Manifold ও Euclidean space-এর মধ্যকার এই স্থানীয় homeomorphism-গুলোকে বলা হয় chart। আর গোটা manifold-কে ঢেকে দেয় (cover করে) এমন chart-দের একটা সংগ্রহকে বলা হয় atlas।

'Atlas' নামটা কোথা থেকে?

গণিতে 'atlas' শব্দটা ভূগোলের মানচিত্র-সংকলনের সাথে সাদৃশ্য টানে। যেমন একটা ভৌগোলিক atlas-এ আলাদা আলাদা মানচিত্র থাকে যারা মিলিতভাবে পৃথিবীর পৃষ্ঠের বিভিন্ন অঞ্চল বর্ণনা করে, তেমনি একটা manifold-এর atlas-এ থাকে chart, যারা মিলিতভাবে manifold-এর গঠন বর্ণনা করে। পৃথিবী গোল, কিন্তু আমরা তাকে সমতল কাগজের মানচিত্র (chart) দিয়ে টুকরো টুকরো করে আঁকি — সেটাই ঠিক chart-atlas-এর ধারণা।

চিত্র ৬: একটা manifold \(M\)-এ দুটো overlapping (আচ্ছাদন-সহ) open উপসেট \(U_\alpha\) ও \(U_\beta\)। প্রতিটার একটা করে chart আছে — homeomorphism \(\varphi_\alpha\) ও \(\varphi_\beta\) — যা তাদের Euclidean space \(\mathbb{R}^n\)-এর open উপসেটে map করে। যেখানে দুটো chart overlap করে, সেখানে transition map (রূপান্তর নকশা) \(\psi_{\alpha\beta} = \varphi_\beta \circ \varphi_\alpha^{-1}\) বর্ণনা করে chart দুটো একে অপরের সাথে কীভাবে সম্পর্কিত।

আনুষ্ঠানিকভাবে: একটা manifold \(M\)-এর একটা atlas হলো chart-দের একটা সংগ্রহ \(\{(U_\alpha, \varphi_\alpha)\}\), যেখানে প্রতিটা \(U_\alpha\) হলো \(M\)-এর একটা open উপসেট ও \(\varphi_\alpha : U_\alpha \to \mathbb{R}^n\) একটা homeomorphism। Chart-গুলো compatible (সঙ্গতিপূর্ণ) হতে হবে, অর্থাৎ যেখানে তারা overlap করে সেখানে transition map \(\psi_{\alpha\beta} = \varphi_\beta \circ \varphi_\alpha^{-1}\) homeomorphism হতে হবে।

Manifold-কে মাত্রা (dimension) অনুযায়ী শ্রেণিবদ্ধ করা যায়: curve (বক্ররেখা) — 1-মাত্রিক manifold, surface (পৃষ্ঠ) — 2-মাত্রিক manifold, এবং উচ্চতর মাত্রার manifold। এরা differential geometry-র কেন্দ্রীয় বস্তু, এবং জ্যামিতি ও পদার্থবিজ্ঞানে (বিশেষত general relativity-তে) মৌলিক। (Relativity-তে মহাবিশ্বের model একটা 4-মাত্রিক Lorentzian manifold — যাকে বলা হয় spacetime।)

Smooth manifold ও diffeomorphism

একটা smooth manifold (মসৃণ ম্যানিফোল্ড) হলো একটা topological manifold যাকে একটা smooth structure দিয়ে সাজানো হয়েছে। মানে, Euclidean space-এর সাথে স্থানীয় homeomorphism ছাড়াও, overlapping neighborhood-দের মধ্যকার transition map-গুলো differentiable (অন্তরকলনযোগ্য)।

আরও আনুষ্ঠানিকভাবে: একটা topological space \(M\) একটা \(n\)-মাত্রিক smooth manifold যদি প্রতিটা বিন্দু-জোড়া \(p, q \in M\)-এর জন্য এমন open neighborhood \(U_\alpha \subseteq M\) (\(p\)-এর চারপাশে) ও \(U_\beta \subseteq M\) (\(q\)-এর চারপাশে) থাকে যাতে homeomorphism \(\varphi_\alpha : U_\alpha \to \mathbb{R}^n\) ও \(\varphi_\beta : U_\beta \to \mathbb{R}^n\)-এর মধ্যকার transition map একটা smooth (অসীমবার অন্তরকলনযোগ্য, \(C^\infty\)) map হয়।

এই smooth structure আমাদের smooth function, smooth curve, এবং differential geometry-র অন্যান্য বস্তু সংজ্ঞায়িত করতে দেয় — যা manifold-এর উপর calculus চর্চার কেন্দ্রে। (Lie group একই সাথে group ও smooth manifold।)

Diffeomorphism (ডিফিওমরফিজম) একই local structure শেয়ার করা manifold-দের মধ্যে জ্যামিতিক ও differential বৈশিষ্ট্য স্থানান্তর করতে দেয়। দুটো manifold-এর মধ্যে একটা map \(\phi : M \to N\) একটা diffeomorphism যদি:

• \(\phi\) smooth (অসীমবার অন্তরকলনযোগ্য) হয়,
• \(\phi\) bijective হয়, এবং
• \(\phi^{-1} : N \to M\)-ও smooth হয়।

Homeomorphism ও diffeomorphism দুটোই bijection যারা কিছু structure সংরক্ষণ করে; কিন্তু homeomorphism সংরক্ষণ করে topological বৈশিষ্ট্য (continuity, connectedness), আর diffeomorphism সংরক্ষণ করে smooth (differentiable) structure।

Tangent space (স্পর্শক স্থান) ও tangent bundle

Tangent space হলো manifold-এর স্থানীয় জ্যামিতি বোঝার একটা মূল ধারণা।

একটা smooth manifold \(M\) ও একটা বিন্দু \(p \in M\) দেওয়া থাকলে, \(p\)-তে tangent space, লেখা হয় \(T_pM\), হলো একটা vector space যা \(p\) থেকে দূরে সরে যাওয়ার সম্ভাব্য সব দিক (direction) উপস্থাপন করে। আনুষ্ঠানিকভাবে, এটা \(p\) দিয়ে যাওয়া smooth curve-দের equivalence class-এর space।

চিত্র ৭: manifold \(M\)-এর একটা বিন্দু \(p\)-তে tangent space \(T_pM\)। Tangent space হলো \(p\)-তে manifold-এর একটা সমতল (flat), vector-space আসন্নীকরণ (approximation) — যেন বাঁকা পৃষ্ঠকে সেই বিন্দুতে ছুঁয়ে থাকা একটা সমতল কাগজ। \(p\) থেকে বেরোনো তীরগুলো \(p\)-তে সরে যাওয়ার সম্ভাব্য দিক।

একটা smooth manifold \(M\)-এর tangent bundle (স্পর্শক গুচ্ছ), লেখা হয় \(TM\), হলো \(M\)-এর সব tangent space-এর disjoint union (বিচ্ছিন্ন সংযোগ):

\[TM = \bigsqcup_{p \in M} T_pM.\]

\(TM\)-এর প্রতিটা বিন্দু \((p, v)\) গঠিত একটা বিন্দু \(p \in M\) ও একটা tangent vector \(v \in T_pM\) দিয়ে।

Disjoint union (\(\bigsqcup\)) বনাম union (\(\bigcup\))

\(\bigsqcup\) হলো disjoint union, আর \(\bigcup\) সাধারণ union। প্রথমটা মূল set-গুলোর পরিচয় ধরে রাখে — overlapping element-দের আলাদা গণ্য করে। দ্বিতীয়টা set মিশিয়ে দেয়, নকল element বাদ দিয়ে। Tangent bundle-এর সংজ্ঞায় \(\bigsqcup\) ব্যবহার করা হয় জোর দিতে যে manifold-এর ভিন্ন ভিন্ন বিন্দুর tangent space-গুলো স্বতন্ত্র — এমনকি তাদের element দেখতে একরকম হলেও তাদের আলাদা সত্তা হিসেবে ধরা হয়।

Riemannian manifold ও Riemannian metric

একটা Riemannian manifold হলো একটা smooth manifold যাকে একটা Riemannian metric দিয়ে সাজানো হয়েছে — যা হলো manifold-এর tangent space-গুলোর উপর একটা মসৃণভাবে-পরিবর্তনশীল (smoothly varying) inner product।

আনুষ্ঠানিকভাবে: একটা smooth manifold \(M\) একটা Riemannian manifold যদি এতে একটা Riemannian metric থাকে — অর্থাৎ প্রতিটা বিন্দু \(p \in M\)-এর tangent space-এ একটা inner product-এর মসৃণ নির্ধারণ, একটা map

\[g_p : T_pM \times T_pM \to \mathbb{R}\]

যা \(p\)-তে smooth, যেখানে \(T_pM\) হলো \(p\)-তে tangent space। Riemannian manifold-কে সাধারণত একটা জোড়া \((M, g)\) হিসেবে লেখা হয়।

চিত্র ৮: গোলক (sphere) হলো Riemannian manifold-এর একটা উদাহরণ, যা স্থানীয়ভাবে Euclidean space-এর মতো। সত্যিই, পৃথিবীর পৃষ্ঠে হাঁটলে সেটা সমতল মনে হয়। এই manifold-এর উপর আমরা function সংজ্ঞায়িত করতে পারি বিভিন্ন ঘটনা বর্ণনা করতে — যেমন বায়ুমণ্ডলীয় চাপের বণ্টন বা বাতাসের বেগ।

Homogeneous ও constant-curvature manifold

গোলক বিশেষভাবে একটা homogeneous manifold এবং এর constant curvature (ধ্রুব বক্রতা) আছে। আনুষ্ঠানিক সংজ্ঞায় না গিয়ে: homogeneous manifold হলো উচ্চ প্রতিসাম্যের (symmetry) manifold, যেখানে প্রতিটা বিন্দুতে manifold দেখতে একই রকম। আর constant-curvature manifold হলো যার curvature (স্থানটা কতটা বাঁকে তার মাপ) প্রতিটা বিন্দুতে সমান। সাধারণভাবে manifold-এর variable curvature ও খুবই জটিল গঠন থাকতে পারে; homogeneous ও constant-curvature manifold হলো সহজে-অধ্যয়নযোগ্য বিশেষ ক্ষেত্র।

Riemannian metric দূরত্ব মাপা ও geodesic সংজ্ঞায়িত করা সম্ভব করে।

Geodesic (জিওডেসিক)

একটা Riemannian manifold-এর উপর একটা geodesic হলো এমন একটা curve যা স্থানীয়ভাবে দুই বিন্দুর মধ্যে দূরত্ব ন্যূনতম করে।

রোজকার জীবনে আমরা বলি "দুই বিন্দুর মধ্যে সংক্ষিপ্ততম পথ সবসময় একটা সরলরেখা" — এবং এটা সমতল Euclidean স্থানের জন্য সত্য। কিন্তু আরও সাধারণ স্থানে geodesic সরলরেখা নাও হতে পারে। যেমন একটা গোলকের পৃষ্ঠে দুই বিন্দু জুড়তে সংক্ষিপ্ততম পথ হলো একটা great circle (মহাবৃত্ত)-এর চাপ (চিত্র ৫ দেখো)।

আরও কঠোর সংজ্ঞা (আমরা এড়িয়ে যাচ্ছি)

গাণিতিকভাবে আরও কঠোরভাবে geodesic বুঝতে হলে geodesic equation আনতে হয়, যা curve-এর দৈর্ঘ্যের উপর principle of least action প্রয়োগ করে পাওয়া যায়। এর জন্য metric tensor, Euler-Lagrange equation ও Christoffel symbol-এর মতো ধারণা লাগে — যা আমরা সরলতার জন্য বাদ দিলাম। এখানে শুধু geodesic-এর স্বজ্ঞাগত ধারণাটাই দিলাম।

Exponential map (সূচকীয় নকশা) ও logarithmic map

একটা Riemannian manifold \((M, g)\)-এর যেকোনো বিন্দু \(p\)-তে tangent space \(T_pM\) হলো একটা vector space যা স্থানীয়ভাবে manifold-কে আসন্ন করে। Differential geometry-র একটা মৌলিক হাতিয়ার হলো \(p\)-তে exponential map:

\[\exp_p : \mathcal D_p\subseteq T_pM \to M,\]

যেখানে \(\exp_p(v)=\gamma_v(1)\) এবং \(\gamma_v\) হলো initial data \(\gamma_v(0)=p\), \(\dot\gamma_v(0)=v\)-সহ unique geodesic। \(\mathcal D_p\)-তে সেই vector-গুলো থাকে যাদের geodesic অন্তত \(t=1\) পর্যন্ত defined; manifold geodesically complete হলে \(\mathcal D_p=T_pM\)। Curve-টির length \(\lVert v\rVert\), কিন্তু cut locus পেরোলে endpoint-এর Riemannian distance এর চেয়ে ছোট হতে পারে।

চিত্র ৯: exponential map \(\exp_p\) tangent vector \(v\)-কে geodesic \(\gamma_v\) ধরে \(\gamma_v(1)\)-এ map করে। Geodesic segment-টির length \(\lVert v\rVert\); normal neighborhood-এর ভেতরে সেটিই \(p\) থেকে endpoint-এর distance, কিন্তু globally তা সবসময় shortest নয়।

একটা worked উদাহরণ (গোলকে exp map): ধরো \(p = (0, 0, 1) \in S^2 \subset \mathbb{R}^3\) একক গোলকের উত্তর মেরু (north pole), আর \(v = (\epsilon, 0, 0) \in T_pS^2\) একটা ছোট tangent vector। খেয়াল করো \(T_pS^2\) হলো \(\mathbb{R}^3\)-এর সেই সব vector যারা \(p\)-এর সাথে লম্ব:

\[T_pS^2 = \{v \in \mathbb{R}^3 \mid v \cdot p = 0\} = \{(x, y, 0) \in \mathbb{R}^3\}.\]

যেহেতু \(S^2\)-এর geodesic হলো great circle, তাই \(p\) থেকে \(v\)-এর দিকে geodesic-কে লেখা যায়:

\[\gamma(t) = \cos(t)\, p + \sin(t)\, \hat{v}, \qquad \hat{v} = \frac{v}{\lVert v \rVert} = (1, 0, 0).\]

এটাকে \(t = \lVert v \rVert = \epsilon\)-তে মূল্যায়ন করলে:

\[\exp_p(v) = \cos(\epsilon)\,(0, 0, 1) + \sin(\epsilon)\,(1, 0, 0) = (\sin\epsilon,\, 0,\, \cos\epsilon).\]

ছোট \(\epsilon\)-এর জন্য এটা আসন্নভাবে:

\[\exp_p(v) \approx \Big(\epsilon,\, 0,\, 1 - \tfrac{\epsilon^2}{2}\Big),\]

যা ধরে ফেলে এই বাস্তবতা: গোলক স্থানীয়ভাবে একটা সমতল সমতল দিয়ে ভালোভাবে আসন্ন হয়।

Exp map-এর বিপরীত হলো logarithmic map:

\[\log_p : U\subseteq M \to T_pM,\]

যা exponential map-এর স্থানীয় inverse। এটা একটা বিন্দু \(q \in M\) (\(p\)-এর যথেষ্ট কাছে) নেয় এবং সেই tangent vector \(v \in T_pM\) ফেরত দেয় যাতে \(\exp_p(v) = q\)। অন্যভাবে বললে, এটা \(p\) থেকে শুরু করে \(q\)-তে পৌঁছানো geodesic-এর প্রাথমিক বেগ (initial velocity) ফেরত দেয়। এই দুটো হাতিয়ার আমাদের স্থানীয়ভাবে সমতল tangent space-এ কাজ করতে ও সেখান থেকে/সেখানে বিন্দু project করতে দেয়।

GDL-এ প্রয়োগ: exp map দিয়ে non-Euclidean manifold-এ embedding

Hierarchical (শ্রেণিবদ্ধ) উপস্থাপনা embed করার সময় exponential map দিয়ে একটা encoder-এর output-কে একটা নির্দিষ্ট manifold-এ (যেমন Poincaré ball — hyperbolic geometry-র একটা model) project করা যায়। প্রথমে input-এ একাধিক non-linear রূপান্তর প্রয়োগ করে (encoder) latent উপস্থাপনা পাওয়া হয় যা (ধরে নেওয়া হয়) একটা Euclidean space-এ থাকে; তারপর এই উপস্থাপনাগুলোকে exp map দিয়ে কাঙ্ক্ষিত manifold-এ map করা হয়।

Tangent vector field (স্পর্শক ভেক্টর ক্ষেত্র)

GDL-এর প্রসঙ্গে, একটা manifold জুড়ে মসৃণভাবে সংজ্ঞায়িত tangent vector field দিয়ে প্রতিটা বিন্দুতে স্থানীয় জ্যামিতিক তথ্য encode করা যায়।

একটা smooth manifold \(M\)-এর উপর একটা tangent vector field হলো প্রতিটা বিন্দু \(p \in M\)-এ একটা tangent vector \(v_p \in T_pM\)-এর মসৃণ নির্ধারণ। আনুষ্ঠানিকভাবে, এটা একটা smooth mapping:

\[V : M \to TM, \qquad p \mapsto V(p) = v_p \in T_pM.\]

“Smooth vector field” বলার অর্থ section \(V:M\to TM\) smooth এবং bundle projection \(\pi\circ V=\operatorname{id}_M\)। Smoothness continuity/differentiability impose করে; arbitrary assignment \(p\mapsto v_p\) নিজে থেকে তা নিশ্চিত করে না।

চিত্র ১০: Geometric Deep Learning ও Geometric Data Processing-এর বহু সমস্যায় আমরা tangent vector field নিয়ে কাজ করি। এখানে একটা বস্তুর (hand point cloud) পৃষ্ঠের প্রতিটা বিন্দুতে একটা tangent vector বসানো — যা সেই বিন্দুর স্থানীয় জ্যামিতিক তথ্য (যেমন দিক) ধরে রাখে।

Tangent bundle বনাম tangent vector field — পার্থক্য কী?

সংক্ষেপে: tangent bundle হলো সব বিন্দুর সব সম্ভাব্য tangent vector-এর space; আর tangent vector field হলো প্রতিটা বিন্দুতে একটা নির্দিষ্ট tangent vector-এর মসৃণ নির্ধারণ। উপমা: পৃথিবীর পৃষ্ঠকে (একটা গোলক) manifold ধরো। একটা tangent vector field হলো এই মুহূর্তের একটা নির্দিষ্ট weather map — যা প্রতিটা বিন্দুতে বাতাসের দিক ও গতি দেখায়। এটা সব সম্ভাবনার মধ্যে একটা নির্দিষ্ট বাতাস-প্যাটার্ন। অন্যদিকে tangent bundle হলো প্রতিটা বিন্দুতে যত রকম বাতাসের তীর কল্পনা করা যায় তাদের গোটা সংগ্রহ (দিক-গতি নির্বিশেষে সব সম্ভাব্য তাৎক্ষণিক গতি)।

Gauge (গেজ) ও gauge equivariance — GDL-সংযোগ (সংক্ষেপে)

বাস্তবে, যেমন একটা signal-এ filter প্রয়োগ করে process করার সময়, আমাদের প্রায়ই manifold-এর প্রতিটা বিন্দু \(p\)-তে একটা স্থানীয় স্থানাঙ্ক-ব্যবস্থা (local coordinate system) বেছে নিতে হয় — যাকে বলা হয় gauge।

একটা manifold \(M\) ও বিন্দু \(p \in M\) দেওয়া থাকলে, \(p\)-তে একটা gauge হলো একটা local isomorphism \(\omega_p : \mathbb{R}^n \to T_pM\)। এখানে \(\mathbb{R}^n\) হলো একটা \(n\)-মাত্রিক vector space (model space), \(T_pM\) হলো \(p\)-তে tangent space, আর local isomorphism হলো একটা linear ও invertible mapping যা গঠন সংরক্ষণ করে।

কিন্তু এই স্থানীয় স্থানাঙ্ক-ব্যবস্থার পছন্দ অনন্য নয় — আমরা ভিন্ন, সমান-বৈধ gauge বাছতে পারি। একটা gauge transformation বর্ণনা করে কীভাবে এসব ভিন্ন-অথচ-সমান-বৈধ স্থানীয় স্থানাঙ্ক-ব্যবস্থার মধ্যে বদল করা যায়: দুটো gauge \(\omega_p, \omega'_p : \mathbb{R}^n \to T_pM\)-এর মধ্যে একটা gauge transformation হলো একটা isomorphism \(\tau : \mathbb{R}^n \to \mathbb{R}^n\) যাতে \(\omega'_p = \omega_p \circ \tau\)।

Convolution-এর মতো operator manifold-এ ডিজাইন করার সময়, ফলাফল যেন gauge-এর নির্বিচার পছন্দের উপর নির্ভর না করে, তাই filter-কে gauge equivariant হতে হয়: gauge transformation \(\tau\)-এর অধীনে filter \(\psi\) মানে \(\psi(\tau(v)) = \tau(\psi(v))\)। ফলে একটা gauge-equivariant convolution লেখা যায়:

\[(f \star \psi)(p) = \int_{T_pM} \psi(v)\, f\big(\exp_p(v)\big)\, dv,\]

যা নিশ্চিত করে স্থানীয় gauge-এ যেকোনো পরিবর্তন filter-এর সংশ্লিষ্ট রূপান্তর দিয়ে পুষিয়ে যায়। এই বৈশিষ্ট্য প্রয়োগে অপরিহার্য: এটা নিশ্চিত করে শেখা feature ও convolution manifold-এর intrinsic (নিজস্ব) — কোনো নির্বিচার স্থানাঙ্ক-পছন্দের উপর নির্ভরশীল নয়।

Product manifold (গুণজ ম্যানিফোল্ড) — সংক্ষেপে

Set-এর Cartesian product-এর মতো, দুটো manifold \(M\) ও \(N\)-এর Cartesian product দিয়ে একটা নতুন manifold \(M \times N\) বানানো যায় (যেমন দুটো বৃত্তের product দেয় একটা torus/ডোনাট)। একটা বিন্দু \((p, q)\)-তে tangent space হলো direct sum: \(T_{(p,q)}(M \times N) = T_pM \oplus T_qN\)। Product manifold সরল, সুপরিচিত উপাদান থেকে জটিল অথচ computationally সহজ ও ব্যাখ্যাযোগ্য space বানাতে কাজে লাগে — বিশেষত constant-curvature manifold (গোলক, hyperbolic space)-এর product দিয়ে latent space গড়ার সময়।

Manifold hypothesis (ম্যানিফোল্ড অনুমান)

অনেক ML ও AI অ্যালগরিদম নির্ভর করে manifold hypothesis (কখনো manifold assumption-ও বলা হয়)-এর উপর, যা বলে: বেশিরভাগ dataset মূল data-space-এ high-dimensional মনে হলেও, data-বিন্দুগুলো আসলে একটা low-dimensional manifold দিয়ে বর্ণনা করা যায় — যে manifold-টা সেই পর্যবেক্ষিত high-dimensional space-এর ভেতরে বসে আছে। এই ধারণা দিয়ে ব্যাখ্যা করা হয় কেন যেসব dataset উপস্থাপন করতে আপাতভাবে বিশাল সংখ্যক parameter দরকার, তাদের বাস্তবে অল্প কয়েকটা মাত্রার latent variable দিয়ে encode করা যায়।

সাবধান: এখানে 'manifold' শব্দটা শিথিলভাবে ব্যবহৃত

ML/AI-তে 'manifold' শব্দটা প্রায়ই অপব্যবহার হয় — গাণিতিকভাবে কঠোর অর্থে নয়। কোনো আনুষ্ঠানিক নিশ্চয়তা নেই যে low-dimensional উপস্থাপনাটা §৪.৩-এ আলোচিত গাণিতিক বৈশিষ্ট্য (smooth, locally Euclidean, বা সঙ্গতিপূর্ণ local dimensionality) ধারণ করে। এটা একটা কার্যকর স্বজ্ঞা, কঠোর উপপাদ্য নয়।

চিত্র ১১: সব মুখের ছবির manifold সেই বিশাল space \(\mathbb{R}^{256 \times \text{height} \times \text{width}}\)-এর তুলনায় অনেক বেশি low-dimensional বলে আশা করা হয়। manifold-এর উপরের বিন্দুগুলো বৈধ মুখের ছবির সাথে মেলে, আর hypercube-এর বাকি বিন্দুগুলো সম্ভবত অর্থহীন, noisy (এলোমেলো) ছবি তৈরি করে।

এই ধারণা একটা সরল উদাহরণে আরও পরিষ্কার হয়। একটা নির্দিষ্ট উচ্চতা ও প্রস্থের grayscale ছবির dataset ভাবো। যদিও dataset \(\mathcal{D} \subset \mathbb{R}^{256 \times \text{height} \times \text{width}}\) আনুষ্ঠানিকভাবে একটা high-dimensional space-এ বসে, এই space-এর বেশিরভাগ বিন্দু অর্থহীন noise-এর সাথে মেলে। শুধু একটা ছোট উপসেট — যারা data manifold-এ বসে — বৈধ ছবি (যেমন মুখ) উপস্থাপন করে। চিত্র ১১-তে যেমন দেখানো হয়েছে, manifold-এর বিন্দুগুলো সুগঠিত (structured), সুসংগত (coherent) data-র সাথে মেলে, আর space-এর এলোমেলো স্থানাঙ্ক সাধারণত অচেনা output দেয়। বহু ML পদ্ধতির একটা মূল লক্ষ্য হলো এই low-dimensional manifold খুঁজে বের করা যা data-র প্রকৃত গঠন ধরে রাখে।

চিত্র ১২: manifold-এর পৃষ্ঠ ধরে দুটো ছবির মধ্যে interpolation (মধ্যবর্তীকরণ)। manifold-এর উপর দিয়ে চললে (traversing) নিয়ন্ত্রিত পরিবর্তন (যেমন ভিন্ন মুখভঙ্গি বা ভঙ্গিমা) পাওয়া যায় — অথচ বৈধ ছবির space-এর ভেতরেই থাকা যায়। বিপরীতে, pixel-space-এ দুটো ছবির সরল linear interpolation সাধারণত noisy বা অবিশ্বাস্য ফল দেয়।

চিত্র ১২ দেখায় যে manifold ধরে চললে নিয়ন্ত্রিত পরিবর্তন (মুখভঙ্গি, ভঙ্গিমা) পাওয়া যায় বৈধ ছবির space ছেড়ে না বেরিয়ে। অভিজ্ঞতাগতভাবে, autoencoder-এর মতো model-এর latent space-এ interpolate করলে প্রায়ই মসৃণ transition দেখা যায় — যদিও যেকোনো দুই বিন্দুর মধ্যে মসৃণ interpolation থাকার তাত্ত্বিক নিশ্চয়তা নেই।

GDL-এ manifold-এর ভূমিকা: Geometric Deep Learning লক্ষ্য রাখে neural network architecture-কে এমনভাবে বাড়ানোর যাতে তা general non-Euclidean domain-এ (3D-তে surface থেকে শুরু করে আরও বিমূর্ত, উচ্চ-মাত্রিক space পর্যন্ত) সংজ্ঞায়িত data দক্ষভাবে সামলাতে পারে। যখন আমরা বলি data একটা manifold-এ বসে, আমরা প্রায়ই ধরে নিই এই manifold-এর কিছু জ্যামিতিক গঠন আছে যা model বুঝুক ও কাজে লাগাক। এই গঠন সাধারণত দূরত্ব বা সাদৃশ্যের ধারণা জড়িত করে — যা 'geometry'-র আওতায় পড়ে। Manifold দেয় কাঠামো, আর geometry দেয় সেই কাঠামোর উপর মাপ ও সম্পর্কের নিয়ম। এতে differential geometry-র হাতিয়ার (geodesic, curvature, local chart) কাজে লাগিয়ে এমন model বানানো হয় যা manifold-এর intrinsic জ্যামিতিকে সম্মান করে — যেমন manifold-এ convolution-জাতীয় operation স্থানীয় neighborhood দিয়ে সংজ্ঞায়িত হয়, যেখানে neighborhood-এর গঠন নিয়ন্ত্রণ করে regular grid নয়, manifold-এর জ্যামিতি।

---

৩. সংজ্ঞা ও উপপাদ্য (Definitions & Theorems)

সংজ্ঞা ১ (Topology ও topological space)

ধরো \(X\) একটা set এবং \(\mathcal{T} \subseteq \mathcal{P}(X)\) তার উপসেটের একটা সংগ্রহ। \(\mathcal{T}\) হলো \(X\)-এর উপর একটা topology যদি:

(T1) \(\varnothing \in \mathcal{T}\) এবং \(X \in \mathcal{T}\);

(T2) যেকোনো (এমনকি অসীম) সংগ্রহ \(\{U_\alpha\}_{\alpha \in A} \subseteq \mathcal{T}\)-এর জন্য \(\bigcup_{\alpha \in A} U_\alpha \in \mathcal{T}\);

(T3) যেকোনো সসীম সংগ্রহ \(\{U_i\}_{i=1}^{n} \subseteq \mathcal{T}\)-এর জন্য \(\bigcap_{i=1}^{n} U_i \in \mathcal{T}\)।

তখন \((X, \mathcal{T})\)-কে topological space বলা হয়, আর \(\mathcal{T}\)-এর element-দের open set।

সংজ্ঞা ২ (Metric space-এ open set)

ধরো \((X, d)\) একটা metric space। একটা উপসেট \(U \subseteq X\) open যদি প্রতিটা বিন্দু \(x \in U\)-এর জন্য এমন \(r > 0\) থাকে যাতে open ball

\[B(x, r) = \{y \in X \mid d(x, y) < r\}\]

সম্পূর্ণভাবে \(U\)-এর ভেতরে থাকে, অর্থাৎ \(B(x, r) \subseteq U\)।

সংজ্ঞা ৩ (Continuity)

topological space \(X\) ও \(Y\)-এর মধ্যে একটা map \(F : X \to Y\) continuous যদি প্রতিটা open set \(U \in \mathcal{T}_Y\)-এর জন্য এর preimage \(F^{-1}(U) = \{x \in X \mid F(x) \in U\}\) একটা open set হয় \(X\)-এ, অর্থাৎ \(F^{-1}(U) \in \mathcal{T}_X\)।

সংজ্ঞা ৪ (Homeomorphism)

একটা map \(F : X \to Y\) একটা homeomorphism যদি এটা (i) bijective হয়, (ii) continuous হয়, এবং (iii) এর inverse \(F^{-1} : Y \to X\)-ও continuous হয়। এমন map থাকলে \(X\) ও \(Y\)-কে homeomorphic (topologically equivalent) বলা হয়।

সংজ্ঞা ৫ (Topological manifold)

একটা topological space \(M\) একটা \(n\)-মাত্রিক topological manifold যদি প্রতিটা বিন্দু \(p \in M\)-এর জন্য একটা open neighborhood \(U \subseteq M\) ও একটা homeomorphism \(\varphi : U \to \mathbb{R}^n\) থাকে। জোড়া \((U, \varphi)\)-কে একটা chart বলা হয়।

সংজ্ঞা ৬ (Atlas ও transition map)

একটা manifold \(M\)-এর একটা atlas হলো chart-দের একটা সংগ্রহ \(\{(U_\alpha, \varphi_\alpha)\}\) যেখানে \(\bigcup_\alpha U_\alpha = M\) (গোটা manifold ঢাকা পড়ে)। দুটো chart \((U_\alpha, \varphi_\alpha)\) ও \((U_\beta, \varphi_\beta)\)-এর overlap \(U_\alpha \cap U_\beta \neq \varnothing\) হলে, transition map হলো

\[\psi_{\alpha\beta} = \varphi_\beta \circ \varphi_\alpha^{-1} : \varphi_\alpha(U_\alpha \cap U_\beta) \to \varphi_\beta(U_\alpha \cap U_\beta).\]

Manifold-টা smooth যদি সব transition map \(C^\infty\) (অসীমবার অন্তরকলনযোগ্য) হয়।

সংজ্ঞা ৭ (Tangent space)

একটা smooth manifold \(M\) ও বিন্দু \(p \in M\)-এর জন্য, \(p\)-তে tangent space \(T_pM\) হলো একটা \(n\)-মাত্রিক vector space যা \(p\) দিয়ে যাওয়া smooth curve-দের equivalence class দিয়ে গঠিত; স্বজ্ঞাগতভাবে এটা \(p\)-তে manifold-এর একটা সমতল (flat) আসন্নীকরণ, আর এর element-রা \(p\) থেকে সরে যাওয়ার সম্ভাব্য দিক।

সংজ্ঞা ৮ (Riemannian manifold ও geodesic)

একটা Riemannian manifold হলো একটা জোড়া \((M, g)\) যেখানে \(M\) একটা smooth manifold ও \(g\) একটা Riemannian metric — প্রতিটা \(p\)-তে একটা inner product \(g_p : T_pM \times T_pM \to \mathbb{R}\) যা \(p\)-তে smooth। এর উপর একটা geodesic হলো একটা curve যা স্থানীয়ভাবে দুই বিন্দুর মধ্যে দূরত্ব ন্যূনতম করে।

একটা ছোট argument (open ball নিজে open): দাবি — Euclidean space \(\mathbb{R}^n\)-এ যেকোনো open ball \(B(x_0, r)\) নিজে সংজ্ঞা ২-এর অর্থে একটা open set।

ধরো \(y \in B(x_0, r)\) যেকোনো বিন্দু, তাই \(d(x_0, y) < r\)। নাও \(\rho = r - d(x_0, y) > 0\)। দাবি \(B(y, \rho) \subseteq B(x_0, r)\)। যেকোনো \(z \in B(y, \rho)\)-এর জন্য triangle inequality (ত্রিভুজ অসমতা):

\[d(x_0, z) \le d(x_0, y) + d(y, z) < d(x_0, y) + \rho = d(x_0, y) + (r - d(x_0, y)) = r.\]

তাই \(z \in B(x_0, r)\), অর্থাৎ \(B(y, \rho) \subseteq B(x_0, r)\)। যেহেতু প্রতিটা \(y\)-এর চারপাশে এমন ball পাওয়া গেল, \(B(x_0, r)\) open। \(\square\)

একটা ছোট argument (continuous map-এর composition continuous): ধরো \(F : X \to Y\) ও \(G : Y \to Z\) দুটোই continuous। যেকোনো open \(W \in \mathcal{T}_Z\)-এর জন্য, \((G \circ F)^{-1}(W) = F^{-1}(G^{-1}(W))\)। \(G\) continuous হওয়ায় \(G^{-1}(W)\) open \(Y\)-তে; আবার \(F\) continuous হওয়ায় \(F^{-1}(G^{-1}(W))\) open \(X\)-এ। তাই \(G \circ F\) continuous। \(\square\)

একটা ছোট argument (homeomorphic হওয়া একটা equivalence relation): (i) Reflexive: identity map \(\mathrm{id}_X : X \to X\) একটা homeomorphism, তাই \(X\) নিজের সাথে homeomorphic। (ii) Symmetric: \(F : X \to Y\) homeomorphism হলে \(F^{-1} : Y \to X\)-ও homeomorphism (কারণ \(F^{-1}\) bijective, continuous, ও এর inverse \(F\) continuous), তাই \(Y\)-ও \(X\)-এর সাথে homeomorphic। (iii) Transitive: \(F : X \to Y\) ও \(G : Y \to Z\) homeomorphism হলে \(G \circ F\)-ও (উপরের composition argument অনুযায়ী, উভয় দিকে continuous ও bijective)। তাই "homeomorphic" একটা equivalence relation — এটা topological space-দের সমতুল্যতা-শ্রেণিতে (equivalence class) ভাগ করে। \(\square\)

---

৪. উদাহরণ ও Analogy

উদাহরণ ১: কফি-মগ ↔ ডোনাট (torus) homeomorphism

Topology-র সবচেয়ে বিখ্যাত রসিকতা: "একজন topologist কফি-মগ আর ডোনাটের মধ্যে পার্থক্য করতে পারে না।" কারণ দুটোরই ঠিক একটা করে ছিদ্র (hole) আছে — মগের হাতলের ফাঁক, আর ডোনাটের মাঝের ফুটো। একটা মাটির-মণ্ড (clay) ডোনাটকে না-ছিঁড়ে না-জুড়ে ধীরে ধীরে চেপে-বাঁকিয়ে একটা কফি-মগে রূপ দেওয়া যায়: ডোনাটের গোটা শরীরের বেশিরভাগ মণ্ড এক পাশে জড়ো করে মগের পাত্র (cup) বানানো হয়, আর ছিদ্রটা থেকে যায় হাতলের ফাঁক হিসেবে। যেহেতু এই বিকৃতিটা continuous ও উল্টোদিকেও continuous, দুটো homeomorphic। তাদের genus সমান (\(1\))।

বিপরীতে, একটা কফি-মগ আর একটা নিরেট গোলক (ball, genus \(0\)) homeomorphic নয় — কারণ মগের একটা ছিদ্র আছে, গোলকের নেই, আর ছিদ্র বানাতে গেলে স্থানটা "ছিঁড়তে" হয়, যা continuous deformation নয়।

উদাহরণ ২: ঘনক ↔ গোলক homeomorphic (চিত্র ৩)

চিত্র ৩-এ দেখা ঘনক ও গোলক দুটোই simply connected (genus \(0\), কোনো ছিদ্র নেই)। একটা স্পষ্ট homeomorphism: গোলকের কেন্দ্রকে ঘনকের কেন্দ্রে বসিয়ে, কেন্দ্র থেকে রশ্মি (ray) টানো; প্রতিটা রশ্মি ঘনকের পৃষ্ঠকে ঠিক একবার ও গোলকের পৃষ্ঠকে ঠিক একবার কাটে। ঘনক-পৃষ্ঠের বিন্দুকে সেই একই রশ্মির উপর গোলক-পৃষ্ঠের বিন্দুতে map করো — এটা bijective, continuous, ও এর inverse-ও continuous। তাই এরা topologically একই বস্তু, যদিও একটার ধারালো কোণ আছে আর অন্যটা মসৃণ (মাপের/জ্যামিতির পার্থক্য, topology-র নয়)।

উদাহরণ ৩: গোলকে chart — একটা atlas লাগে

একক গোলক \(S^2\) একটা 2-মাত্রিক manifold, কিন্তু একে একটামাত্র chart দিয়ে \(\mathbb{R}^2\)-এ ঢাকা যায় না (কারণ \(S^2\) compact, আর \(\mathbb{R}^2\) নয় — একটা homeomorphism এই বৈশিষ্ট্য মেলাতে পারবে না)। তাই দরকার একটা atlas — অন্তত দুটো chart।

একটা সুন্দর atlas হলো stereographic projection (স্টেরিওগ্রাফিক অভিক্ষেপ): উত্তর মেরু \(N\) বাদ দিয়ে বাকি গোলককে (\(U_1 = S^2 \setminus \{N\}\)) \(N\) থেকে বিষুবীয় সমতলে project করে একটা chart \(\varphi_1 : U_1 \to \mathbb{R}^2\), আর দক্ষিণ মেরু \(S\) বাদ দিয়ে বাকিটা (\(U_2 = S^2 \setminus \{S\}\)) দক্ষিণ মেরু থেকে project করে আরেকটা chart \(\varphi_2 : U_2 \to \mathbb{R}^2\)। দুটো chart মিলে গোটা \(S^2\) ঢাকে (কারণ কোনো একটা বিন্দু একসাথে দুই মেরু হতে পারে না), আর তাদের overlap-এ transition map মসৃণ — তাই \(S^2\) একটা smooth manifold। এটাই ঠিক ভৌগোলিক atlas-এর মতো: পৃথিবীকে টুকরো টুকরো সমতল মানচিত্রে আঁকা।

উদাহরণ ৪: বৃত্ত \(S^1\)-এ tangent space

একক বৃত্ত \(S^1 = \{(x, y) \in \mathbb{R}^2 \mid x^2 + y^2 = 1\}\) একটা 1-মাত্রিক manifold। এর বিন্দু \(p = (1, 0)\)-তে tangent space \(T_pS^1\) হলো সেই vector-দের set যারা radius-ভেক্টর \(p\)-এর সাথে লম্ব:

\[T_pS^1 = \{v \in \mathbb{R}^2 \mid v \cdot p = 0\} = \{(0, t) \mid t \in \mathbb{R}\}.\]

অর্থাৎ \((1,0)\) বিন্দুতে বৃত্তকে ছুঁয়ে থাকা tangent রেখাটা উল্লম্ব (vertical) — এটা একটা 1-মাত্রিক vector space (যেমন manifold-এর মাত্রা \(1\))। এটাই সাধারণ নিয়মের একটা সরল উদাহরণ: গোলক \(S^2\)-এর ক্ষেত্রে (§২-এর worked example) tangent space ছিল \(p\)-এর সাথে লম্ব সমতল, এখানে \(S^1\)-এ সেটা \(p\)-এর সাথে লম্ব রেখা।

উদাহরণ ৫: গোলকে exp map (পুনরায়, সংক্ষেপে)

§২-এ দেখানো worked example মনে করো: উত্তর মেরু \(p = (0,0,1)\)-তে \(v = (\epsilon, 0, 0)\)-এর জন্য \(\exp_p(v) = (\sin\epsilon, 0, \cos\epsilon) \approx (\epsilon, 0, 1 - \epsilon^2/2)\)। এটা দেখায় tangent space-এর সমতল দিকটা geodesic (great circle) ধরে গোলকের গায়ে মুড়িয়ে দিলে বিন্দুটা কোথায় গিয়ে পড়ে — আর ছোট \(\epsilon\)-এ তা প্রায় সমতল সমতলের মতো আচরণ করে।

মূল analogy: পৃথিবীর মানচিত্র

গোটা অধ্যায়টার একটা সরল analogy — পৃথিবী। পৃথিবী একটা বাঁকা গোলক (manifold), কিন্তু তোমার শহরের একটা সমতল কাগজের মানচিত্র (chart) দিব্যি কাজ করে, কারণ স্থানীয়ভাবে পৃথিবী সমতল মনে হয়। গোটা পৃথিবীর জন্য অনেকগুলো মানচিত্রের একটা বই (atlas) লাগে। দুই শহরের মধ্যে সংক্ষিপ্ততম বিমানপথ সরলরেখা নয়, great-circle geodesic। আর তোমার পায়ের নিচে সমতল মেঝেটা (tangent space) হলো সেই বিন্দুতে পৃথিবীর সমতল আসন্নীকরণ। এই একটামাত্র ছবি মাথায় রাখলে chart, atlas, geodesic ও tangent space — সবই স্বাভাবিক লাগবে।

---

৫. সাধারণ ভুল (Common Mistakes)

সাতটি সাধারণ ভুল

১. Homeomorphism আর homomorphism গুলিয়ে ফেলা। Homeomorphism topology-র (bijective + দুই দিকে continuous), আর homomorphism বীজগণিতের (structure-preserving map, যেমন group-এ)। নাম কাছাকাছি হলেও ধারণা আলাদা।

২. Homotopy আর homotopy equivalence গুলিয়ে ফেলা। Homotopy হলো দুই map-এর continuous deformation; space-এর homotopy equivalence-এর জন্য দুই দিকের map ও composition-গুলো identity-র homotopic হওয়া লাগে। Circle shrink ছবিটি ambient \(\mathbb R^2\)-তে homotopy দেখায়, কিন্তু \(S^1\)-কে point-এর homotopy equivalent করে না। Euler characteristic well-behaved finite space-এ homotopy invariant; \(\chi(S^1)=0\ne1=\chi(\{\mathrm{pt}\})\)।

৩. Manifold মানেই দূরত্ব-কোণ মাপা যায়, ভাবা। একটা বেসিক (topological/smooth) manifold-এ দূরত্ব, কোণ বা curvature মাপার কোনো উপায় নেই। মাপার জন্য দরকার একটা Riemannian metric — সেটা যোগ করলেই manifold-টা Riemannian manifold হয়, আর তখনই geodesic-দূরত্ব সংজ্ঞায়িত হয়।

৪. Geodesic মানেই সরলরেখা, ভাবা। সরলরেখা শুধু সমতল Euclidean স্থানে সংক্ষিপ্ততম পথ। বাঁকা manifold-এ geodesic বেঁকে যায় — যেমন গোলকে great-circle চাপ।

৫. Open set-কে "পরম" ভাবা। কোনো set open কি না তা নির্ভর করে কোন topology নিয়ে কথা বলছি তার উপর। Discrete topology-তে সব set open; trivial topology-তে শুধু \(\varnothing\) ও \(X\) open। একই set এক topology-তে open, অন্যটায় নয়।

৬. অসীম intersection-ও open ভাবা। শুধু সসীম intersection open হতে বাধ্য (axiom T3)। অসীম intersection open নাও হতে পারে: \(\bigcap_{n=1}^{\infty} \left(-\tfrac{1}{n}, \tfrac{1}{n}\right) = \{0\}\) — একটা বিন্দু, যা \(\mathbb{R}\)-এর standard topology-তে open নয়। এই কারণেই axiom-এ union-কে "arbitrary" আর intersection-কে "finite" রাখা হয়।

৭. Tangent bundle ও tangent vector field গুলিয়ে ফেলা। Tangent bundle \(TM = \bigsqcup_p T_pM\) হলো সব বিন্দুর সব tangent vector-এর সংগ্রহ; আর tangent vector field হলো প্রতিটা বিন্দুতে একটা নির্দিষ্ট tangent vector বাছার একটা মসৃণ নিয়ম (\(V: M \to TM\))। আবহাওয়া-উপমায়: bundle = সব সম্ভাব্য বাতাসের তীর, field = আজকের একটা নির্দিষ্ট wind map।

---

৬. এক্সারসাইজ (Exercises)

সমস্যা ১. Metric space-এর সংজ্ঞা (সংজ্ঞা ২) ব্যবহার করে দেখাও যে open interval \((a, b) \subseteq \mathbb{R}\) একটা open set (এখানে \(d(x, y) = \lvert x - y \rvert\))।

সমস্যা ২. Discrete topology \(\mathcal{T} = \mathcal{P}(X)\)-এর জন্য যাচাই করো যে তিনটি topology axiom (T1–T3) মানা হয়। এখানে কি যেকোনো map \(F : X \to Y\) continuous হবে যদি \(X\)-এ discrete topology থাকে? ব্যাখ্যা করো।

সমস্যা ৩. Trivial topology \(\mathcal{T} = \{\varnothing, X\}\)-এর জন্য axiom (T1–T3) যাচাই করো। এটাকে কেন "coarsest (স্থূলতম)" topology বলা হয়?

সমস্যা ৪. দেখাও যে \(\mathbb{R}\)-এ দুটো open interval-এর intersection হয় খালি, নয়তো আবার একটা open interval — অর্থাৎ open (দুটো open set-এর সসীম intersection open, এই axiom-এর একটা রূপ)। তারপর একটা উদাহরণ দাও যেখানে অসীম সংখ্যক open interval-এর intersection open নয়।

সমস্যা ৫. idealized surface হিসেবে ব্যাখ্যা করো (genus/handle দিয়ে) কেন একটা এক-handle কফি-মগের surface ও একটা torus homeomorphic, কিন্তু সেই mug surface ও sphere surface \(S^2\) homeomorphic নয়।

সমস্যা ৬. বৃত্ত \(S^1\) ও রেখাংশ \([0, 1]\) কি homeomorphic? একটা বিন্দু সরানোর (removing a point) যুক্তি দিয়ে উত্তর দাও।

সমস্যা ৭. ব্যাখ্যা করো কেন গোলক \(S^2\)-কে একটামাত্র chart দিয়ে ঢাকা যায় না, আর দুটো-chart-এর একটা atlas সংক্ষেপে বর্ণনা করো (stereographic projection)।

সমস্যা ৮. গোলক \(S^2\)-এর উত্তর মেরু \(p = (0, 0, 1)\)-তে tangent space \(T_pS^2\) নির্ণয় করো, এবং tangent vector \(v = (0, \epsilon, 0)\)-এর জন্য \(\exp_p(v)\) compute করো। ছোট \(\epsilon\)-এর জন্য এর আসন্ন মান লেখো।

সমস্যা ৯. (Manifold hypothesis) একটা \(100 \times 100\) grayscale ছবির data-space-এর মাত্রা (dimension) কত? Manifold hypothesis অনুযায়ী "বৈধ মুখের ছবি"-গুলো এই space-এ কীভাবে বসে? কেন সব বিন্দু বৈধ মুখ নয়, এবং কীভাবে একটা autoencoder এই low-dimensional manifold খুঁজতে সাহায্য করে — ব্যাখ্যা করো।

সমস্যা ১০. (GDL সংযোগ) একটা gauge কী, এবং একটা gauge transformation \(\tau : \mathbb{R}^n \to \mathbb{R}^n\) কী? Convolution-এর "gauge equivariance" (\(\psi(\tau v) = \tau(\psi v)\)) কেন GDL-এ কাম্য — সংক্ষেপে ব্যাখ্যা করো এটা কীভাবে শেখা feature-কে coordinate-এর নির্বিচার পছন্দ থেকে স্বাধীন (intrinsic) রাখে।

---

৭. সমাধান (ব্যাখ্যাসহ)

১-নং সমাধান দেখাও

সমস্যা ১: \((a, b)\) open।

নাও যেকোনো \(x \in (a, b)\), অর্থাৎ \(a < x < b\)। বেছে নাও

\[r = \min\{x - a,\; b - x\} > 0.\]

দাবি \(B(x, r) = (x - r, x + r) \subseteq (a, b)\)। যেকোনো \(y \in (x - r, x + r)\)-এর জন্য:

\[y > x - r \ge x - (x - a) = a, \qquad y < x + r \le x + (b - x) = b,\]

তাই \(a < y < b\), অর্থাৎ \(y \in (a, b)\)। যেহেতু প্রতিটা \(x\)-এর চারপাশে এমন ball পাওয়া গেল, \((a, b)\) open। \(\square\)

২-নং সমাধান দেখাও

সমস্যা ২: Discrete topology।

(T1) \(\varnothing\) ও \(X\) দুটোই \(X\)-এর উপসেট, তাই দুটোই \(\mathcal{P}(X) = \mathcal{T}\)-তে আছে। ✓

(T2) যেকোনো উপসেটের union আবার \(X\)-এর একটা উপসেট, তাই \(\mathcal{P}(X)\)-তে। ✓

(T3) যেকোনো উপসেটের intersection আবার \(X\)-এর একটা উপসেট, তাই \(\mathcal{P}(X)\)-তে। ✓

Continuity: হ্যাঁ — \(X\)-এ discrete topology থাকলে যেকোনো map \(F : X \to Y\) continuous। কারণ যেকোনো open \(U \subseteq Y\)-এর জন্য preimage \(F^{-1}(U)\) হলো \(X\)-এর একটা উপসেট, আর discrete topology-তে \(X\)-এর প্রতিটা উপসেট open। তাই \(F^{-1}(U)\) সবসময় open, শর্ত মানা হয়। \(\square\)

৩-নং সমাধান দেখাও

সমস্যা ৩: Trivial topology।

(T1) সংজ্ঞা অনুযায়ীই \(\varnothing, X \in \{\varnothing, X\}\)। ✓

(T2) সম্ভাব্য union: \(\varnothing \cup \varnothing = \varnothing\), \(\varnothing \cup X = X\), \(X \cup X = X\) — সবই \(\mathcal{T}\)-তে। ✓

(T3) সম্ভাব্য intersection: \(\varnothing \cap \varnothing = \varnothing\), \(\varnothing \cap X = \varnothing\), \(X \cap X = X\) — সবই \(\mathcal{T}\)-তে। ✓

"Coarsest" কেন: এটা সম্ভাব্য সবচেয়ে কম open set (শুধু দুটো) ধারণ করে। T1 অনুযায়ী \(\varnothing\) ও \(X\) যেকোনো topology-তে থাকতেই হবে, তাই এর চেয়ে ছোট topology সম্ভব নয় — এটাই সবচেয়ে "স্থূল"। \(\square\)

৪-নং সমাধান দেখাও

সমস্যা ৪: Open interval-দের intersection।

দুটো open interval \((a, b)\) ও \((c, d)\) নাও। তাদের intersection হলো \((\max\{a, c\},\ \min\{b, d\})\)। যদি \(\max\{a, c\} < \min\{b, d\}\), এটা একটা open interval (তাই open, সমস্যা ১ অনুযায়ী); নাহলে intersection খালি \(\varnothing\) (যা open)। যেকোনো দুই ক্ষেত্রেই সসীম intersection open। ✓

অসীম intersection open নয় — উদাহরণ: নাও open interval-দের ক্রম \(U_n = \left(-\tfrac{1}{n}, \tfrac{1}{n}\right)\), \(n = 1, 2, 3, \dots\)। তখন

\[\bigcap_{n=1}^{\infty} U_n = \{0\},\]

কারণ \(0\) প্রতিটা \(U_n\)-তে আছে, কিন্তু \(0\) ছাড়া যেকোনো \(x \neq 0\)-এর জন্য যথেষ্ট বড় \(n\) নিলে \(\tfrac{1}{n} < \lvert x \rvert\), তাই \(x \notin U_n\)। কিন্তু একক-বিন্দু set \(\{0\}\) \(\mathbb{R}\)-এর standard topology-তে open নয় (এর চারপাশে কোনো open ball পুরোপুরি \(\{0\}\)-এর ভেতরে থাকে না)। এই কারণেই axiom-এ intersection-কে সসীম রাখা হয়েছে। \(\square\)

৫-নং সমাধান দেখাও

সমস্যা ৫: কফি-মগের surface, torus ও sphere surface।

Connected closed orientable surface-গুলো তাদের genus দিয়ে classified হয়।

• কফি-মগ ও ডোনাট (torus): দুটোরই genus \(= 1\) (মগের হাতলের ফাঁক = ডোনাটের মাঝের ফুটো)। একটা মাটির ডোনাটকে না-ছিঁড়ে না-জুড়ে চেপে-বাঁকিয়ে মগে রূপ দেওয়া যায় — গোটা শরীর এক পাশে জড়ো করে পাত্র বানাও, ছিদ্রটা হাতল হয়ে থাকে। এই বিকৃতি continuous ও উভয় দিকে continuous, তাই homeomorphic।

• কফি-মগের surface ও sphere surface \(S^2\): sphere-এর genus \(=0\), idealized mug surface-এর genus \(=1\)। Genus আলাদা মানে Euler characteristic-ও আলাদা, তাই তারা homeomorphic নয়। এখানে একই dimension-এর surface তুলনা করছি; 2-dimensional surface-এর সঙ্গে 3-dimensional solid ball তুলনা করা genus argument-এর সঠিক setup নয়। \(\square\)

৬-নং সমাধান দেখাও

সমস্যা ৬: \(S^1\) বনাম \([0, 1]\) — homeomorphic নয়।

যুক্তি (একটা বিন্দু সরানো): ধরো একটা homeomorphism \(F : S^1 \to [0, 1]\) আছে। \(S^1\) থেকে যেকোনো একটা বিন্দু \(x\) সরালে যা থাকে (\(S^1 \setminus \{x\}\)) তা connected (সংযুক্ত) — এটা একটা টানা চাপ, এক টুকরো। কিন্তু homeomorphism connectedness সংরক্ষণ করে, তাই \([0,1] \setminus \{F(x)\}\)-ও connected হতে হবে।

এখন \(F(x)\) যদি একটা অভ্যন্তরীণ (interior) বিন্দু হয় (\(0 < F(x) < 1\)), তাহলে \([0,1] \setminus \{F(x)\}\) দুই টুকরো হয়ে যায় — disconnected। এই স্ববিরোধ (contradiction) দেখায় এমন homeomorphism থাকতে পারে না। (আরও সরল যুক্তি: \(S^1\)-এর প্রতিটা বিন্দু সরালে connected থাকে, কিন্তু \([0,1]\)-এর interior-এর বিন্দু সরালে disconnected — তাই দুটো topologically আলাদা।) সুতরাং \(S^1\) ও \([0,1]\) homeomorphic নয়। \(\square\)

৭-নং সমাধান দেখাও

সমস্যা ৭: গোলকের atlas।

একটামাত্র chart কেন যথেষ্ট নয়: একটা chart \(\varphi : U \to \mathbb{R}^2\) একটা homeomorphism। যদি একটামাত্র chart গোটা \(S^2\) ঢাকত, তবে \(U = S^2\) হতো এবং \(S^2\) homeomorphic হতো \(\mathbb{R}^2\)-এর একটা open উপসেটের সাথে। কিন্তু \(S^2\) compact (বদ্ধ ও সীমাবদ্ধ), আর \(\mathbb{R}^2\)-এর কোনো (nonempty, proper) open উপসেট compact নয় — homeomorphism compactness সংরক্ষণ করে, তাই এটা অসম্ভব। সুতরাং অন্তত দুটো chart লাগে।

দুই-chart atlas (stereographic): - \(U_1 = S^2 \setminus \{N\}\) (উত্তর মেরু বাদ); \(\varphi_1\) = উত্তর মেরু থেকে বিষুবীয় সমতলে projection। - \(U_2 = S^2 \setminus \{S\}\) (দক্ষিণ মেরু বাদ); \(\varphi_2\) = দক্ষিণ মেরু থেকে projection।

যেহেতু কোনো বিন্দু একসাথে \(N\) ও \(S\) হতে পারে না, \(U_1 \cup U_2 = S^2\) — গোটা গোলক ঢাকা পড়ে। overlap \(U_1 \cap U_2 = S^2 \setminus \{N, S\}\)-এ transition map \(\varphi_2 \circ \varphi_1^{-1}\) একটা মসৃণ map (একটা inversion-জাতীয় সূত্র), তাই এই atlas \(S^2\)-কে একটা smooth manifold বানায়। \(\square\)

৮-নং সমাধান দেখাও

সমস্যা ৮: উত্তর মেরুতে \(T_pS^2\) ও \(\exp_p(v)\)।

Tangent space: \(p = (0, 0, 1)\)-তে tangent space হলো \(p\)-এর সাথে লম্ব সব vector:

\[T_pS^2 = \{v \in \mathbb{R}^3 \mid v \cdot p = 0\} = \{(x, y, 0) \mid x, y \in \mathbb{R}\}\]

— অর্থাৎ \(xy\)-সমতল। দেওয়া \(v = (0, \epsilon, 0)\) এতে আছে (কারণ তৃতীয় স্থানাঙ্ক \(0\))। ✓

Exp map: \(\hat{v} = \dfrac{v}{\lVert v \rVert} = (0, 1, 0)\) এবং \(\lVert v \rVert = \epsilon\)। Great-circle geodesic:

\[\gamma(t) = \cos(t)\,p + \sin(t)\,\hat{v} = \cos(t)\,(0,0,1) + \sin(t)\,(0,1,0) = (0,\ \sin t,\ \cos t).\]

\(t = \lVert v \rVert = \epsilon\)-তে মূল্যায়ন:

\[\exp_p(v) = (0,\ \sin\epsilon,\ \cos\epsilon).\]

ছোট \(\epsilon\)-এর জন্য (\(\sin\epsilon \approx \epsilon\), \(\cos\epsilon \approx 1 - \tfrac{\epsilon^2}{2}\)):

\[\exp_p(v) \approx \Big(0,\ \epsilon,\ 1 - \tfrac{\epsilon^2}{2}\Big).\]

এটা §২-এর \(x\)-দিকের উদাহরণের সাথে মেলে — শুধু দিকটা \(y\)-অক্ষ বরাবর। গোলক স্থানীয়ভাবে সমতল সমতলের মতো আচরণ করছে। \(\square\)

৯-নং সমাধান দেখাও

সমস্যা ৯: Manifold hypothesis ও মুখের ছবি।

Data-space-এর মাত্রা: একটা \(100 \times 100\) grayscale ছবির প্রতিটা pixel একটা স্বাধীন মান (\(0\)–\(255\))। তাই ছবিটা \(\mathbb{R}^{100 \times 100} = \mathbb{R}^{10000}\)-এর একটা বিন্দু — মাত্রা \(10{,}000\)।

Manifold hypothesis: real face image-গুলো ambient \(\mathbb R^{10000}\)-এর তুলনায় অনেক lower-dimensional structured subset-এর কাছে concentrate করে—এটি একটি modeling hypothesis। Subset-টি globally একটি single smooth manifold হওয়া বা latent dimension ১০–৫০ হওয়া guaranteed fact নয়; occlusion, identity ও lighting singularity/branch তৈরি করতে পারে।

কেন সব point valid face নয়: pixel স্বাধীনভাবে randomize করলে structured face হওয়ার probability খুব কম; strong dependency দরকার। এই observation low-dimensional/structured-data model motivate করে, exact manifold prove করে না।

Autoencoder-এর ভূমিকা: encoder low-dimensional latent code এবং decoder reconstruction শেখে। ভালো training/regularization-এ latent interpolation meaningful হতে পারে, কিন্তু ordinary autoencoder coordinate chart recover করবে বা every interpolation valid হবে—এমন guarantee নেই। এটি hypothesis test/exploit করার model, automatic manifold discovery theorem নয়। \(\square\)

১০-নং সমাধান দেখাও

সমস্যা ১০: Gauge ও gauge equivariance।

Gauge কী: manifold \(M\)-এর বিন্দু \(p\)-তে একটা gauge হলো একটা local isomorphism \(\omega_p : \mathbb{R}^n \to T_pM\) — অর্থাৎ tangent space \(T_pM\)-এর জন্য একটা নির্দিষ্ট স্থানীয় স্থানাঙ্ক-ব্যবস্থা (basis বাছা)। এটা invertible ও linear, তাই structure সংরক্ষণ করে।

Gauge transformation: একই বিন্দুতে দুটো সমান-বৈধ gauge \(\omega_p, \omega'_p\)-এর মধ্যে বদল হলো একটা isomorphism \(\tau : \mathbb{R}^n \to \mathbb{R}^n\) যাতে \(\omega'_p = \omega_p \circ \tau\)। এটা কেবল "স্থানাঙ্ক ঘুরিয়ে নেওয়া" — manifold নিজে বদলায় না, শুধু আমাদের বর্ণনার frame বদলায়।

কেন gauge equivariance কাম্য: manifold-এর কোনো নিজস্ব "স্বাভাবিক" স্থানাঙ্ক নেই — gauge-এর পছন্দ নির্বিচার। আমরা চাই না model-এর উত্তর এই নির্বিচার পছন্দের উপর নির্ভর করুক। যদি filter \(\psi\) gauge equivariant হয়, অর্থাৎ

\[\psi(\tau(v)) = \tau(\psi(v)),\]

তবে gauge বদলালে (\(\tau\) প্রয়োগ করলে) filter-এর output-ও ঠিক সেই একই \(\tau\) দিয়ে রূপান্তরিত হয় — দুটো প্রভাব পরস্পরকে পুষিয়ে দেয়। ফলে gauge-equivariant convolution

\[(f \star \psi)(p) = \int_{T_pM} \psi(v)\, f\big(\exp_p(v)\big)\, dv\]

একটা intrinsic ফল দেয়: স্থানাঙ্ক যেভাবেই বাছি না কেন, চূড়ান্ত শেখা feature একই থাকে। এটাই নিশ্চিত করে model manifold-এর প্রকৃত জ্যামিতি শিখছে, coordinate-এর কোনো নির্বিচার শিল্পকর্ম (artifact) নয় — যা GDL-এর মূল দর্শন (symmetry ও invariance)-এর সরাসরি প্রকাশ। \(\square\)

---

৮. সারসংক্ষেপ ও Checklist

• [ ] বুঝি set-এর membership ছাড়া কোনো "কাছাকাছি"-র ধারণা নেই; topology যোগ করলেই openness/closeness-এর নিয়ম আসে
• [ ] Open set চিনি দুই ভাবে: metric-এ (প্রতি বিন্দুর চারপাশে open ball \(B(x,r) \subseteq U\)) ও পুরোপুরি set-theoretic topology axioms (T1–T3) দিয়ে
• [ ] জানি union arbitrary কিন্তু intersection শুধু finite হতে হয় — আর কেন (\(\bigcap (-1/n, 1/n) = \{0\}\) open নয়)
• [ ] Continuity-র topological সংজ্ঞা মনে আছে: open set-এর preimage open
• [ ] Homeomorphism (bijective + দুই দিকে continuous) = topological equivalence; homomorphism (বীজগণিত)-এর সাথে গুলিয়ে ফেলি না
• [ ] Homotopy দুই map-এর deformation; homotopy equivalence-এ দুই দিকের map লাগে; disk point-এর equivalent কিন্তু circle নয়; Euler characteristic homotopy invariant (এই finite/well-behaved setting-এ)
• [ ] Manifold = স্থানীয়ভাবে Euclidean; প্রতি বিন্দুতে homeomorphism \(\varphi : U \to \mathbb{R}^n\)
• [ ] Chart = স্থানীয় homeomorphism; atlas = chart-দের সংগ্রহ; transition map \(\psi_{\alpha\beta} = \varphi_\beta \circ \varphi_\alpha^{-1}\); smooth হলে transition map \(C^\infty\)
• [ ] Diffeomorphism smooth structure সংরক্ষণ করে (homeomorphism শুধু topological)
• [ ] Tangent space \(T_pM\) = \(p\)-তে সমতল vector-space আসন্নীকরণ; tangent bundle \(TM = \bigsqcup_p T_pM\)
• [ ] Riemannian manifold \((M, g)\) = smooth manifold + মসৃণভাবে-পরিবর্তনশীল inner product; এটাই দূরত্ব-কোণ মাপা সম্ভব করে
• [ ] Geodesic = স্থানীয়ভাবে সংক্ষিপ্ততম পথ (সমতলে সরলরেখা, গোলকে great circle)
• [ ] Exponential map \(\exp_p(v)=\gamma_v(1)\); geodesically complete হলে সব \(T_pM\)-এ defined; geodesic-এর length \(\lVert v\rVert\) হলেও globally shortest নাও হতে পারে; log map local inverse
• [ ] Tangent vector field = প্রতি বিন্দুতে একটা নির্দিষ্ট tangent vector; bundle ≠ field পার্থক্য জানি (আবহাওয়া-উপমা)
• [ ] Gauge ও gauge equivariance কেন GDL-এ দরকার — feature-কে coordinate-পছন্দ থেকে intrinsic রাখতে — বুঝি
• [ ] Manifold hypothesis: high-dimensional data আসলে low-dimensional manifold-এ বসে; শব্দটা ML-এ শিথিলভাবে ব্যবহৃত; autoencoder latent space এই manifold আসন্ন করে

---

➡️ পরের অধ্যায়: 8.5 — Functional Analysis — Cauchy sequence, completeness, Banach ও Hilbert space, এবং operator ও functional।