⚛️ quantum physics

A Pedagogical Framework for Physics-Informed Machine Learning: From Classical Pendulum to Quantum Anharmonic Oscillator Using PyTorch on Modern GPU Hardware

यह शोध पत्र एक पांच-मॉड्यूल वाले शैक्षणिक ढांचे को प्रस्तुत करता है जिसे आधुनिक GPU हार्डवेयर पर PyTorch में कार्यान्वित किया गया है, जो शास्त्रीय और क्वांटम भौतिक प्रणालियों में डेटा-संचालित और भौतिकी-प्रतिबंधित न्यूरल नेटवर्क आर्किटेक्चर की तुलना करके भौतिकी-सूचित मशीन लर्निंग सिखाता है, और साथ ही स्नातक-स्तरीय पाठ्यक्रमों के लिए पाठ्यक्रम डिजाइन का मार्गदर्शन करने हेतु सटीकता और कम्प्यूटेशनल गति में वृद्धि पर मात्रात्मक बेंचमार्क प्रदान करता है।

मूल लेखक: Enis Yazici

प्रकाशित 2026-04-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Enis Yazici

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

कल्पना कीजिए कि आप भविष्य के इंजीनियरों की एक कक्षा को पढ़ा रहे हैं कि कैसे एक "स्मार्ट मस्तिष्क" बनाया जाए जो भौतिकी के नियमों को समझ सके। समस्या यह है कि अधिकांश लोग इस तरह के मस्तिष्क बनाना इसलिए सीखते हैं क्योंकि उन्हें बिल्लियों और कुत्तों की लाखों तस्वीरें दिखाई जाती हैं (डेटा-संचालित सीखना)। लेकिन क्या होगा यदि आप चाहते हैं कि मस्तिष्क यह समझे कि एक झूलता हुआ पेंडुलम (pendulum) कैसे चलता है या एक परमाणु में इलेक्ट्रॉन कैसे व्यवहार करता है? आप इसे केवल चित्र नहीं दिखा सकते; आपको इसे ब्रह्मांड के नियम सिखाने होंगे।

यह शोध पत्र एक पाँच-चरणीय पाठ योजना (एक रूपरेखा) प्रस्तुत करता है ताकि छात्रों को ठीक से यह सिखाया जा सके कि वे ऐसा कैसे करें। यह अभ्यास करने के लिए दो विशिष्ट "खेल के मैदानों" का उपयोग करता है: एक झूलता हुआ पेंडुलम (शास्त्रीय भौतिकी) और एक क्वांटम कण (क्वांटम भौतिकी)।

यहाँ सरल उपमाओं का उपयोग करके शोध पत्र का विवरण दिया गया है:

1. दो खेल के मैदान

लेखक छात्रों को सिखाने के लिए दो अलग-अलग भौतिक प्रणालियों का उपयोग करते हैं, जो आसान से कठिन की ओर बढ़ती हैं:

झूला झूलता मैदान (पेंडुलम): कल्पना कीजिए कि एक बच्चा झूले पर है जिसे एक माता-पिता द्वारा धक्का दिया जा रहा है। यह आगे-पीछे चलता है, हवा (डैम्पिंग) के कारण धीमा हो जाता है, और विशिष्ट समय पर इसे ज़ोर से धक्का दिया जाता है। यह नियमों (समीकरणों) के एक सेट द्वारा नियंत्रित होता है जो यह बताते हैं कि यह कैसे चलता है।
क्वांटम बाउंसिंग कैसल (अनहार्मोनिक ऑसिलेटर): कल्पना कीजिए कि एक कण एक कटोरे में फंसा हुआ है। लेकिन यह एक साधारण कटोरा नहीं है; जैसे-जैसे आप बाहर की ओर जाते हैं, इसके किनारे अधिक तीव्र होते जाते हैं। यह एक क्वांटम प्रणाली है जहाँ कण एक ठोस गेंद के बजाय एक "तरंग" (wave) के रूप में मौजूद होता है।

2. पाँच "छात्र" मॉडल

शोध पत्र पाँच अलग-अलग प्रकार के "छात्र मस्तिष्क" (न्यूरल नेटवर्क) का परीक्षण करता है ताकि यह देखा जा सके कि कौन सा सबसे अच्छा सीखता है। इन्हें विभिन्न सीखने की शैलियों के रूप में सोचें:

रटकर याद करने वाला (Standard ANN): इस छात्र को डेटा की एक विशाल सूची दी जाती है: "समय 1 पर, झूला यहाँ था। समय 2 पर, झूला वहाँ था।" यह पैटर्न को याद करने की कोशिश करता है। यह तेज़ है लेकिन इसे बहुत अधिक डेटा की आवश्यकता होती है।
पैटर्न पहचानने वाला (CNN): यह छात्र "कटोरे" के आकार (संभावित ऊर्जा) को देखता है और ऊर्जा स्तर का अनुमान लगाने की कोशिश करता है। यह किसी उंगलियों के निशान को देखकर मालिक का अनुमान लगाने जैसा है।
कहानी सुनाने वाला (LSTM): यह छात्र पूरी तस्वीर को समझने के लिए पूरे दृश्य को एक-एक शब्द करके एक कहानी की तरह पढ़ता है। यह अनुक्रमों (sequences) के लिए बहुत अच्छा है लेकिन धीमा हो सकता है।
नियम का पालन करने वाला #1 और #2 (PINNs): ये चमकते हुए छात्र हैं। केवल डेटा को रटने के बजाय, उन्हें पाठ्यपुस्तक के नियम (भौतिकी समीकरण) दिए जाते हैं और कहा जाता है, "आपको इसे हल करना है, लेकिन आप भौतिकी के नियमों को तोड़ नहीं सकते।" वे नियमों को संतुष्ट करके सीखते हैं, भले ही उनके पास बहुत कम उदाहरण हों।

3. बड़ी खोज: "करिकुलम लर्निंग" (पाठ्यचर्या सीखना)

सबसे दिलचस्प खोजों में से एक यह है कि "नियमों का पालन करने वाले" (PINNs) को झूलते हुए पेंडुलम की समस्या को हल करने के लिए कैसे सिखाया जाए।

समस्या: यदि आप एक छात्र को एक साथ 30 सेकंड के झूलने वाले पेंडुलम की समस्या हल करने के लिए कहते हैं, तो वह घबरा जाएगा और विफल हो जाएगा।
समाधान (करिकुलम ट्रेनिंग): लेखकों ने छात्र को चरणों में सिखाया। पहले, उन्होंने केवल उनसे पहले 3 सेकंड को हल करने के लिए कहा। एक बार जब छात्र ने उसमें महारत हासिल कर ली, तो उन्होंने समय को 7 सेकंड तक बढ़ाया, फिर 12 सेकंड तक, और इसी तरह।
परिणाम: कठिनाई को धीरे-धीरे बढ़ाकर, छात्र पूरे 30 सेकंड को पूरी तरह से हल करने में सक्षम रहा। यह साइकिल चलाना सीखने जैसा है: आप ट्रेनिंग व्हील्स के साथ शुरू करते हैं, फिर एक समतल रास्ते पर, फिर एक पहाड़ी पर।

4. हार्डवेयर की दौड़: CPU बनाम GPU

शोध पत्र ने यह भी परीक्षण किया कि विभिन्न कंप्यूटरों पर ये छात्र कितनी तेज़ी से सीखते हैं।

CPU एक बहुत ही बुद्धिमान प्रोफेसर की तरह है जो एक-एक करके समस्याओं को हल करता है।
GPU 10,000 इंटर्न की एक विशाल सेना की तरह है जो एक ही समय में समस्या के विभिन्न हिस्सों पर काम कर सकती है।
आश्चर्य: सरल कार्यों (जैसे छोटा पेंडुलम मॉडल) के लिए, "सेना" (GPU) बहुत अधिक तेज़ नहीं है क्योंकि उन्हें व्यवस्थित करने में लगने वाला समय बहुत अधिक है। लेकिन "कहानी सुनाने वाले" (LSTM) मॉडल के लिए, जिसे चरणों के एक लंबे अनुक्रम को संसाधित करना होता है, GPU 24 गुना तेज़ था। यह एक व्यक्ति द्वारा एक-एक करके किताब का पन्ना पढ़ने और 10,000 लोगों द्वारा एक साथ 10,000 अलग-अलग पन्ने पढ़ने के बीच के अंतर जैसा है।

5. "डेटा बनाम नियम" का समझौता

यह शोध पत्र एक महत्वपूर्ण प्रश्न का उत्तर देता है: मुझे बहुत अधिक डेटा का उपयोग कब करना चाहिए, और भौतिकी के नियमों का कब?

यदि आपके पास पर्याप्त डेटा है: "रटकर याद करने वाले" (Standard AI) का उपयोग करें। यह तेज़ और सटीक है।
यदि आपके पास बहुत कम डेटा है (या बिल्कुल भी नहीं है): "नियम का पालन करने वाले" (PINN) का उपयोग करें। यह केवल भौतिकी के नियमों को जानकर चीजों को समझ सकता है, भले ही उसने पहले कभी उस विशिष्ट समस्या को न देखा हो।
क्रॉसओवर पॉइंट: अध्ययन में पाया गया कि यदि आपके पास लगभग 600 उदाहरणों से कम हैं, तो "नियम का पालन करने वाला" वास्तव में "रटकर याद करने वाले" से बेहतर है।

छात्रों के लिए यह क्यों मायने रखता है

यह शोध पत्र केवल गणित के बारे में नहीं है; यह एक शिक्षण मार्गदर्शिका है। यह प्रशिक्षकों को यह दिखाने के लिए है कि छात्रों को "मैं पैटर्न का अनुमान लगा सकता हूँ" से "मैं ऐसे मॉडल बना सकता हूँ जो ब्रह्मांड के नियमों का सम्मान करते हैं" तक कैसे ले जाया जाए।

यह आधुनिक दुनिया के लिए एक व्यावहारिक सबक भी उजागर करता है: सही उपकरणों का चयन करना मायने रखता है। लेखकों को अपने पहले सॉफ्टवेयर (TensorFlow) से दूसरे (PyTorch) पर स्विच करना पड़ा क्योंकि पहला नए, सबसे तेज़ कंप्यूटर चिप्स पर क्रैश हो रहा था। यह छात्रों को सिखाता है कि एक अच्छा इंजीनियर होना केवल गणित के बारे में नहीं है; यह यह जानने के बारे में भी है कि आपके हार्डवेयर के साथ कौन से उपकरण काम करते हैं।

संक्षेप में: यह शोध पत्र "डेटा के आधार पर अनुमान लगाने" और "भौतिकी के आधार पर समाधान करने" के बीच एक पुल बनाता है, यह दिखाते हुए कि कैसे ऐसा AI बनाया जाए जो केवल वास्तविकता की नकल नहीं करता, बल्कि वास्तव में उसे समझता है।

यहाँ शोध पत्र "A Pedagogical Framework for Physics-Informed Machine Learning: From Classical Pendulum to Quantum Anharmonic Oscillator" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

आधुनिक इंजीनियरिंग पाठ्यक्रमों में अक्सर छात्रों को यह सिखाने के लिए संरचित पथों (structured pathways) की कमी होती है कि विभेदक समीकरणों (differential equations) और भौतिक संरक्षण नियमों (physical conservation laws) से जुड़ी वैज्ञानिक समस्याओं पर मशीन लर्निंग (ML) को कैसे लागू किया जाए। जबकि फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स (PINNs) लॉस फंक्शन्स में गवर्निंग इक्वेशंस को समाहित करके एक समाधान प्रदान करते हैं, मानक सुपरवाइज्ड लर्निंग से PINNs तक की वैचारिक छलांग काफी कठिन है। इसके अलावा, निम्नलिखित पर व्यावहारिक मार्गदर्शन की आवश्यकता है:

कब डेटा-संचालित मॉडलों (data-driven models) बनाम भौतिकी-प्रतिबंधित मॉडलों (physics-constrained models) का उपयोग करना चाहिए।
लंबे समय के क्षितिज (long-time horizons) के लिए बिना विचलन (divergence) के PINNs को प्रभावी ढंग से कैसे प्रशिक्षित किया जाए।
विभिन्न आर्किटेक्चर के लिए विशिष्ट हार्डवेयर आवश्यकताएं (CPU बनाम GPU), विशेष रूप से आधुनिक हार्डवेयर पर।

2. कार्यप्रणाली (Methodology)

लेखक एक पाँच-मॉड्यूल वाला शैक्षणिक ढांचे (pedagogical framework) प्रस्तावित करते हैं जिसे PyTorch 2.9 में कार्यान्वित किया गया है और NVIDIA RTX 5090 GPU पर निष्पादित किया गया है। यह ढांचा बढ़ती जटिलता वाले दो भौतिक प्रणालियों के माध्यम से आगे बढ़ता है:

A. भौतिक प्रणालियाँ और डेटा जनरेशन (Physical Systems & Data Generation)

शास्त्रीय संचालित, डैम्प्ड नॉनलीन पेंडुलम (Classical Driven, Damped Nonlinear Pendulum):
- गवर्निंग इक्वेशन: गुरुत्वाकर्षण, विस्कस डैम्पिंग, टॉर्सनल स्प्रिंग, एक्सटर्नल टॉर्क और नॉनलीन एयर रेजिस्टेंस को शामिल करने वाला एक सेकंड-ऑर्डर ODE।
- डेटा: $t \in [0, 30]$ s पर एक कस्टम चौथे-क्रम के रनगे-कुट्टा (RK4) सॉल्वर के माध्यम से जनरेट किया गया।
क्वांटम एनहार्मोनिक ऑसिलेटर (Quantum Anharmonic Oscillator):
- गवर्निंग इक्वेशन: एक चतुर्थ-विकृत हार्मोनिक पोटेंशियल ( $V(x) = \frac{1}{2}m\omega^2x^2 + \lambda x^4$ ) के साथ टाइम-इंडिपेंडेंट श्रोडिंगर समीकरण।
- डेटा: 500 $\lambda$ मानों के लिए फाइनाइट डिफरेंस मेथड (FDM) के माध्यम से हल किया गया, जो पोटेंशियल वेक्टर्स और उनके संबंधित ऊर्जा आइजनवैल्यू (energy eigenvalues) उत्पन्न करता है।

B. मॉडल आर्किटेक्चर (पाँच मॉडल) (Model Architectures)

यह अध्ययन पाँच अलग-अलग आर्किटेक्चर को लागू करता है और उनकी तुलना करता है:

पेंडुलम ANN: एक फुली कनेक्टेड नेटवर्क (5-128-128-64-1) जो कोणीय विस्थापन (angular displacement) का अनुमान लगाने के लिए इंजीनियर फीचर्स ( $t, \omega, t^2, \cos t, \omega^2$ ) का उपयोग करता है।
क्वांटम CNN: एक 1D कनवल्शनल न्यूरल नेटवर्क जो ग्राउंड-स्टेट एनर्जी की भविष्यवाणी करने के लिए विविक्त (discretized) पोटेंशियल वेक्टर्स को प्रोसेस करता है।
क्वांटम LSTM: एक LSTM नेटवर्क जो पोटेंशियल वेक्टर को 500-स्टेप सीक्वेंस के रूप में मानता है।
पेंडुलम PINN: एक नेटवर्क जो केवल कोलोकेशन पॉइंट्स (बिना किसी लेबल वाले प्रक्षेपवक्र डेटा के) पर प्रशिक्षित होता है और एक करिकुलम लर्निंग रणनीति का उपयोग करता है। इसमें लॉन्ग-टाइम इंटीग्रेशन में विचलन को रोकने के लिए ट्रेनिंग विंडो को $[0, 3]$ s से बढ़ाकर $[0, 30]$ s किया जाता है।
क्वांटम PINN: एक नेटवर्क जो श्रोडिंगर समीकरण को हल करता है जहाँ ग्राउंड-स्टेट एनर्जी $E$ एक सीखने योग्य स्केलर पैरामीटर है, जिसे PDE रेसिड्यूल और नॉर्मलाइजेशन लॉस द्वारा नियंत्रित किया जाता है।

C. हार्डवेयर और सॉफ्टवेयर बाधाएं (Hardware & Software Constraints)

फ्रेमवर्क: NVIDIA Blackwell आर्किटेक्चर (sm 120) GPU पर PTX कम्पैटिबिलिटी मिसमैच के कारण होने वाले सेगमेंटेशन फॉल्ट्स से बचने के लिए TensorFlow $\le$ 2.22 के बजाय PyTorch 2.9 को चुना गया।
हार्डवेयर: बेंचमार्क एक AMD CPU बनाम NVIDIA RTX 5090 GPU पर आयोजित किए गए थे।

3. मुख्य योगदान (Key Contributions)

संरचित शैक्षणिक प्रगति (Structured Pedagogical Progression): एक पाठ्यक्रम जो डेटा-संचालित मॉडलिंग (ANN/CNN/LSTM) से क्वांटम डोमेन में भौतिकी-प्रतिबंधित मॉडलिंग (PINN) की ओर बढ़ता है।
PINNs के लिए करिकुलम ट्रेनिंग रणनीति: यह प्रदर्शित किया गया कि लंबे समय की सटीकता प्राप्त करने के लिए क्रमिक प्रशिक्षण (बढ़ता हुआ टाइम डोमेन) आवश्यक है, जबकि पूर्ण अंतराल पर सिंगल-स्टेज ट्रेनिंग से विचलन होता है।
हार्डवेयर-अवेयर बेंचमार्किंग: सभी आर्किटेक्चरों पर CPU बनाम GPU प्रदर्शन का व्यवस्थित तुलनात्मक अध्ययन, जो यह मापता है कि त्वरण (acceleration) कब फायदेमंद है।
डेटा दक्षता विश्लेषण: एक क्रॉसओवर पॉइंट (~600 लेबल किए गए सैंपल्स) स्थापित किया गया जहाँ डेटा-संचालित मॉडल PINNs से बेहतर प्रदर्शन करते हैं, जो अभ्यासकर्ताओं के लिए एक निर्णय नियम प्रदान करता है।
ओपन-सोर्स कार्यान्वयन: स्नातक स्तर के पाठ्यक्रमों के लिए डिज़ाइन किए गए पूरी तरह से निष्पादन योग्य जुपिटर नोटबुक।

4. मुख्य परिणाम (Key Results)

सटीकता और प्रदर्शन (Accuracy and Performance)

मॉडल	सिस्टम	मेट्रिक	परिणाम
Pendulum ANN	Classical	MAE	$1.29 \times 10^{-2}$ rad
Pendulum PINN	Classical	MAE	$3.13 \times 10^{-2}$ rad (0 लेबल डेटा के साथ)
Quantum CNN	Quantum	MAE ( $E_0$ )	$4.4 \times 10^{-5}$ a.u.
Quantum LSTM	Quantum	MAE ( $E_0$ )	$2.9 \times 10^{-4}$ a.u.
Quantum PINN	Quantum	Energy Error	$\|\Delta E\| = 5.5 \times 10^{-4}$ a.u.

डेटा-संचालित बनाम PINN: पेंडुलम ANN ने अधिक सटीकता ( $1.3 \times 10^{-2}$ ) प्राप्त की, लेकिन इसके लिए लेबल किए गए वेग डेटा ( $\omega(t)$ ) की आवश्यकता थी। PINN को केवल प्रारंभिक स्थितियों और सिस्टम मापदंडों की आवश्यकता थी।
क्वांटम आउटपुट: क्वांटम PINN अनूठे रूप से पूर्ण वेवफंक्शन $\psi(x)$ और आइजनवैल्यू $E$ दोनों को एक साथ रिकवर करता है, जो कि रिग्रेशन-आधारित मॉडलों (CNN/LSTM) की क्षमता नहीं है।

हार्डवेयर बेंचमार्क (CPU बनाम GPU)

अध्ययन ने आर्किटेक्चर के आधार पर GPU उपयोगिता में महत्वपूर्ण भिन्नता प्रकट की:

LSTM: GPU पर 24.6× स्पीडअप प्राप्त किया। 500-स्टेप का अनुक्रमिक कंप्यूटेशन GPU पर बैच डायमेंशन के माध्यम से अत्यधिक समानांतर (parallelizable) है, जिससे CPU बॉटलनेक समाप्त हो जाता है।
CNN: समानांतर कनवल्शन के कारण 3.6× स्पीडअप प्राप्त किया।
Small ANN: केवल 1.2× स्पीडअप प्राप्त किया। मॉडल इतना छोटा था कि PCIe डेटा-ट्रांसफर ओवरहेड ने कंप्यूट टाइम पर हावी होकर GPU त्वरण को नगण्य बना दिया।
PINNs: भौतिक अवशेषों (physics residuals) के लिए आवश्यक ऑटोग्रेड चेन की अनुक्रमिक प्रकृति के कारण मध्यम स्पीडअप (1.6×–1.7×) दिखाया।

डेटा दक्षता (Data Efficiency)

पेंडुलम ANN ने PINN से केवल तभी बेहतर प्रदर्शन किया जब प्रशिक्षण सेट ~600 लेबल किए गए सैंपल्स (~25% डेटासेट) से अधिक हो गया।
इस थ्रेशोल्ड से नीचे, PINN (जिसमें कोई लेबल डेटा नहीं चाहिए) श्रेष्ठ था, जो डेटा-दुर्लभ (data-scarce) परिदृश्यों में इसकी वैल्यू को उजागर करता है।

5. महत्व (Significance)

यह कार्य सैद्धांतिक ML और व्यावहारिक वैज्ञानिक कंप्यूटिंग के बीच एक महत्वपूर्ण सेतु प्रदान करता है। इसका महत्व निम्नलिखित में निहित है:

शैक्षणिक स्पष्टता: यह PINNs और करिकुलम लर्निंग जैसे जटिल विषयों को पढ़ाने के लिए एक ठोस, पुनरुत्पादक (reproducible) मार्ग प्रदान करता है।
व्यावहारिक निर्णय लेना: यह छात्रों और शोधकर्ताओं को डेटा उपलब्धता, आवश्यक आउटपुट (स्केलर बनाम फील्ड), और हार्डवेयर बाधाओं के आधार पर एक "मॉडल चयन गाइड" से लैस करता है।
हार्डवेयर यथार्थवाद: अगली पीढ़ी के GPU (Blackwell) के साथ TensorFlow की असंगति को स्पष्ट रूप से संबोधित करके और GPU त्वरण के "स्वीट स्पॉट" को प्रदर्शित करके, यह छात्रों को आधुनिक इंफ्रास्ट्रक्चर पर वास्तविक दुनिया के परिनियोजन (deployment) के लिए तैयार करता है।
वैज्ञानिक कठोरता: यह प्रमाणित करता है कि जबकि प्रचुर डेटा के साथ डेटा-संचालित मॉडल तेज़ और अधिक सटीक होते हैं, PINNs व्याख्यात्मकता (interpretability), एक्सट्रपलेशन और उन इनवर्स समस्याओं को हल करने में अद्वितीय लाभ प्रदान करते जहाँ पूर्ण समाधान फील्ड की आवश्यकता होती है।