Kolmogorov-Arnold networks in nuclear binding energy prediction
यह अध्ययन प्रदर्शित करता है कि कोलमोगोरोव-आर्नोल्ड नेटवर्क (KANs), 0.26 MeV की कम त्रुटि के साथ परमाणु बंधन ऊर्जाओं की भविष्यवाणी करने में पारंपरिक मॉडलों से काफी बेहतर प्रदर्शन करते हैं और साथ ही व्याख्यात्मक विश्लेषणात्मक व्यंजक प्रदान करते हैं जो शास्त्रीय परमाणु भौतिकी सिद्धांतों के अनुरूप हैं।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
प्रत्येक परमाणु के केंद्र में एक छोटा, सघन कोर होता है जिसे नाभिक (न्यूक्लियस) कहा जाता है, जो एक ऐसा भीड़भाड़ वाला कमरा है जहाँ प्रोटॉन और न्यूट्रॉन एक नाजुक संतुलन में एक साथ सिमटे रहते हैं। इस कमरे को एक साथ थामे रखने वाली शक्ति अत्यंत विशाल है, और इसे अक्षुण्ण रखने के लिए आवश्यक ऊर्जा को 'बाइंडिंग एनर्जी' (बंधन ऊर्जा) के रूप में जाना जाता है। यह ऊर्जा केवल एक संख्या नहीं है; यह यह समझने की कुंजी है कि क्यों कुछ परमाणु स्थिर होते हैं जबकि अन्य बिखर जाते हैं, तारे भारी तत्वों का निर्माण कैसे करते हैं, और वैज्ञानिक भविष्य में कैसे नए, अति-भारी पदार्थों का निर्माण कर सकते हैं। दशकों से, भौतिकविदों ने हर ज्ञात परमाणु के लिए इस ऊर्जा की भविष्यवाणी करने के लिए एक एकल, पूर्ण समीकरण लिखने का प्रयास किया है, ठीक वैसे ही जैसे ब्रह्मांड के निर्माण खंडों के लिए एक मास्टर रेसिपी। पारंपरिक सूत्र कई मामलों में अच्छा काम करते हैं, लेकिन वे अक्सर उन जटिल विवरणों के साथ संघर्ष करते हैं जो कणों की संख्या बदलने पर उत्पन्न होते हैं, जिससे परमाणु जगत की हमारी समझ में अंतराल रह जाता है।
शंघाई के टोंगजी विश्वविद्यालय के शोधकर्ताओं की एक टीम ने 'कोलमोगोरोव-आर्नोल्ड नेटवर्क' (KAN) नामक एक नए प्रकार के आर्टिफिशियल इंटेलिजेंस का उपयोग करके इस पुरानी समस्या के प्रति एक नया दृष्टिकोण अपनाया है। मानक कंप्यूटर प्रोग्रामों के विपरीत, जो निश्चित आंतरिक 'नॉब्स' (नियंत्रक) को समायोजित करके सीखते हैं, यह नई प्रणाली एक जटिल समस्या को सरल, एकल-चर चरणों की एक श्रृंखला में तोड़ने के लिए डिज़ाइन की गई है। कल्पना कीजिए कि आप एक जटिल मशीन को समझने की कोशिश कर रहे हैं और पूरे तंत्र के काम करने के तरीके का अनुमान लगाने के बजाय, आप उसे अलग-अलग हिस्सों में तोड़कर प्रत्येक गियर का व्यक्तिगत रूप से अध्ययन करते हैं। ज्ञात परमाणु द्रव्यमान के विशाल डेटाबेस पर इस पद्धति को लागू करके, शोधकर्ता उल्लेखनीय सटीकता के साथ हजारों नाभिकों की बाइंडिंग एनर्जी की भविष्यवाणी करने में सक्षम रहे। उनके सर्वश्रेष्ठ मॉडल ने केवल 0.26 मिलियन इलेक्ट्रॉन वोल्ट की त्रुटि दर हासिल की, जो सटीकता का वह स्तर है जो इस क्षेत्र में उपयोग किए जाने वाले कई लंबे समय से चले आ रहे भौतिक सिद्धांतों से भी बेहतर है।
शोधकर्ताओं ने नेटवर्क में प्रत्येक नाभिक में प्रोटॉन और न्यूट्रॉन की संख्या के साथ-साथ अन्य ज्ञात कारकों, जैसे कि कणों के जोड़े बनाने और उनके कोशों (शेल्स) में व्यवस्थित होने के तरीके के डेटा को फीड करके शुरुआत की। उन्होंने इन विवरणों के विभिन्न संयोजनों के साथ सिस्टम का परीक्षण किया, और पाया कि हालांकि केवल प्रोटॉन और न्यूट्रॉन की बुनियादी गणनाओं का उपयोग करने वाला सबसे सरल संस्करण पहले से ही काफी अच्छा था, लेकिन परमाणु संरचना के बारे में जानकारी जोड़ने से भविष्यवाणियां काफी अधिक सटीक हो गईं। उनके मॉडल का सबसे उन्नत संस्करण, जिसमें शेल क्लोजर और कण युग्मन (पैरिंग) के विवरण शामिल थे, ने भविष्यवाणी त्रुटि को उस स्तर तक कम कर दिया जो सबसे परिष्कृत भौतिकी-आधारित सिमुलेशनों का मुकाबला करता है। यह सफलता बताती है कि नया नेटवर्क केवल नंबरों को याद नहीं कर रहा है, बल्कि वास्तव में उन अंतर्निहित नियमों को सीख रहा है जो यह निर्धारित करते हैं कि परमाणु नाभिक कैसे एक साथ जुड़े रहते हैं।
इस कार्य का एक रोमांचक पहलू यह है कि नया सिस्टम केवल संख्याओं की भविष्यवाणी ही नहीं करता है; यह डेटा के भीतर छिपे गणितीय सूत्रों को भी प्रकट कर सकता है। कई आर्टिफिशियल इंटेलिजेंस मॉडलों में, आंतरिक तर्क एक "ब्लैक बॉक्स" की तरह होता है जिसे पढ़ना मनुष्यों के लिए असंभव होता है। हालाँकि, क्योंकि KAN सिस्टम को सरल कार्यों में समस्याओं को विघटित करने के लिए बनाया गया है, शोधकर्ता इसके परिणामों से एक स्वच्छ, पठनीय समीकरण निकालने में सक्षम रहे। यह प्राप्त सूत्र बहुत हद तक उन क्लासिक समीकरणों जैसा दिखता है जिनका उपयोग भौतिकविदों ने वर्षों से किया है, जिसमें आयतन (वॉल्यूम), समरूपता (सिमेट्री) और सतह प्रभावों के लिए पद शामिल हैं, लेकिन विशिष्ट समायोजनों के साथ जो कंप्यूटर ने स्वयं खोजे हैं। जटिल कंप्यूटर मॉडल को मानव-पठनीय प्राकृतिक नियम में अनुवाद करने की यह क्षमता परमाणु नाभिक की गणितीय संरचना की एक दुर्लभ झलक प्रदान करती है।
अध्ययन ने यह भी परीक्षण किया कि ये मॉडल उन परमाणुओं के गुणों का अनुमान लगाने में कितने सक्षम हैं जिन्हें कभी देखा या मापा नहीं गया है, जिसे 'एक्सट्रपलेशन' (बाह्यत्रपोषण) कहा जाता है। जब शोधकर्ताओं ने अपने प्रशिक्षण डेटा की सीमा से बहुत बाहर के नाभिकों के द्रव्यमान की भविष्यवाणी करने के लिए नेटवर्क से पूछा, तो परिणाम भारी परमाणुओं के लिए आम तौर पर विश्वसनीय थे, जो स्थापित भौतिक मॉडलों की भविष्यवाणियों के करीब रहे। हालाँकि, यह सिस्टम बहुत हल्के परमाणुओं के साथ अधिक संघर्ष करता है, जहाँ केवल कुछ कणों के बीच की अंतःक्रियाएं अद्वितीय और कठिन पैटर्न बनाती हैं। यह निष्कर्ष इस बात पर प्रकाश डालता है कि जहाँ यह नई विधि शक्तिशाली है, वहीं सबसे छोटे नाभिकों का व्यवहार अभी भी एक अनूठी चुनौती पेश करता है जिसके लिए और अधिक शोधन की आवश्यकता है। शोधकर्ताओं का सुझाव है कि इस तकनीक के भविष्य के संस्करण और भी गहरी अंतर्दृष्टि प्रदान कर सकते हैं, जो संभावित रूप से नए सिद्धांतों की खोज में मदद कर सकते हैं कि पदार्थ कैसे निर्मित होता है और चरम स्थितियों में यह कैसे व्यवहार करता है।
आधुनिक मशीन लर्निंग की पैटर्न-पहचान शक्ति को स्पष्ट, समझने योग्य वैज्ञानिक नियमों की आवश्यकता के साथ जोड़कर, यह कार्य कच्चे डेटा और सैद्धांतिक अंतर्दृष्टि के बीच के अंतर को पाटता है। शोधकर्ताओं ने दिखाया है कि आर्टिफिशियल इंटेलिजेंस का उपयोग न केवल एक कैलकुलेटर के रूप में, बल्कि एक खोज उपकरण के रूप में किया जा सकता है जो परमाणु भौतिकी के नियमों को फिर से लिखने में मदद कर सकता है। जैसे-जैसे ये मॉडल विकसित होते रहेंगे, वे परमाणु दुनिया का एक स्पष्ट दृश्य प्रदान करने का वादा करते हैं, जिससे वैज्ञानिकों को आवर्त सारणी के अज्ञात क्षेत्रों को समझने और उन मौलिक बलों को समझने में मदद मिलेगी जो हमारे ब्रह्मांड को आकार देते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।