تقسیم عادلانه منابع بین دو گروه، مسئله‌ای فراتر از یک تقسیم ساده است؛ به‌ویژه زمانی که هر منبع یا فرد ویژگی‌های منحصربه‌فردی داشته باشد. دانشمندان علوم کامپیوتر پس از نزدیک به سه دهه رکود، به پیشرفت بزرگی در «نظریه ناهمسازی» (Discrepancy Theory) دست یافته‌اند که روش بهتری برای تخصیص متوازن اشیاء ارائه می‌دهد.
نظریه ناهمسازی و حدس کوملوش چیست؟
نظریه ناهمسازی شاخه‌ای از ریاضیات است که به تخصیص هرچه عادلانه‌تر منابع می‌پردازد. در اوایل دهه ۱۹۸۰، ریاضی‌دانی به نام یانوش کوملوش (János Komlós) فرضیه‌ای غیرمنتظره مطرح کرد. او حدس زد که بدون توجه به تعداد اشیاء یا ابعاد ویژگی‌های آن‌ها، میزان ناهمسازی (عدم تعادل) هرگز از یک مقدار ثابت مشخص فراتر نخواهد رفت. به عبارت دیگر، همیشه راهی برای تقسیم گروه‌ها وجود دارد که میزان نابرابری آن‌ها زیر این عدد ثابت جهانی باقی بماند.
این حدس به قدری شگفت‌انگیز بود که برخی ریاضی‌دانان آن را غیرممکن می‌دانستند. اثبات حدس کوملوش به یکی از اهداف بزرگ و به‌اصطلاح «جام مقدس» در نظریه ناهمسازی تبدیل شد. در طول دهه‌های گذشته، پیشرفت چندانی در این زمینه حاصل نشد و بهترین حد بالایی که در سال ۱۹۹۸ به دست آمد، همچنان وابستگی شدیدی به ابعاد مسئله داشت.
دستاورد جدید دانشمندان؛ یک گام تا اثبات نهایی
در پاییز سال ۲۰۲۵، نیکیل بانسال (Nikhil Bansal) از دانشگاه میشیگان و هائوتیان جیانگ (Haotian Jiang) از دانشگاه شیکاگو، نخستین پیشرفت بزرگ این حوزه را پس از حدود ۳۰ سال اعلام کردند. آن‌ها با استفاده از یک رویکرد الگوریتمی نوین، حد جدیدی را برای ناهمسازی پیدا کردند که با افزایش ابعاد مسئله، بسیار کند تغییر می‌کند؛ به‌طوری که حتی در ابعاد نجومی نیز تنها یک قدم با یک مقدار ثابت فاصله دارد.
این دستاورد اگرچه هنوز حدس کوملوش را به‌طور کامل اثبات نکرده است، اما قوی‌ترین شواهد را تا به امروز ارائه می‌دهد که نشان می‌دهد فرضیه کوملوش احتمالاً درست است. الکساندر نیکولوف (Aleksandar Nikolov)، دانشمند علوم کامپیوتر در دانشگاه تورنتو، در این باره می‌گوید: «من قبلاً فکر می‌کردم این حدس نادرست است، اما کار جدید بانسال و جیانگ باعث شد تا حد زیادی مطمئن شوم که این حدس احتمالاً حقیقت دارد.»
چرا این پیشرفت اهمیت دارد؟
راه‌حل بانسال و جیانگ نشان می‌دهد که چگونه سیستم‌های به‌شدت پیچیده را می‌توان به ساختارهای ساده‌تر و قابل‌مطالعه‌تر تبدیل کرد. این دستاورد علاوه بر ریاضیات محض، کاربردهای بالقوه‌ای در فیزیک، تحقیق در عملیات (Operations Research) و حتی یادگیری ماشین (Machine Learning) خواهد داشت؛ جایی که تقسیم متوازن داده‌ها و منابع نقشی کلیدی ایفا می‌کند.