🔬 condensed matter

Localizing entropy production along non-equilibrium trajectories

यह शोध पत्र एक डेटा-संचालित ढांचे को प्रस्तुत करता है जो जटिल प्रणालियों में गैर-संतुलन प्रक्षेप पथों (non-equilibrium trajectories) के साथ डिसिपेटिव फोर्स फील्ड्स का सटीक पुनर्निर्माण करने और एंट्रॉपी उत्पादन को स्थानिक-कालिक रूप से स्थानीयकृत करने के लिए डीप लर्निंग के साथ लघु-समय ऊष्मागतिक अनिश्चितता संबंधों (short-time thermodynamic uncertainty relations) को एकीकृत करता है।

मूल लेखक: Biswajit Das, Sreekanth K Manikandan

प्रकाशित 2026-05-18

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Biswajit Das, Sreekanth K Manikandan

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 एक ऊँची इमारत की खिड़की से एक व्यस्त शहर को देख रहे हैं। आप कारों को चलते हुए, लोगों को टहलते हुए और लाइटों को चमकते हुए देखते हैं। आप जानते हैं कि इस सारी गतिविधि में ऊर्जा (गैस, बिजली, भोजन) खर्च होती है और "गंदगी" (गर्मी, शोर, धुआं) पैदा होती है। भौतिकी (physics) में, इस "गंदगी" को एन्ट्रॉपी प्रोडक्शन (entropy production) कहा जाता है। यह इस बात का सार्वभौमिक संकेत है कि एक सिस्टम असंतुलित है और धीरे-धीरे खत्म हो रहा है, जैसे कि एक विंड-अप खिलौना जो धीरे-धीरे रुक रहा हो।

लंबे समय तक, वैज्ञानिक पूरे शहर द्वारा बनाई गई कुल "गंदगी" को लंबे समय के दौरान माप सकते थे। वे आपको ठीक-ठीक यह नहीं बता सकते थे कि शहर में कहाँ सबसे अधिक ऊर्जा बर्बाद हो रही थी, या कब एक विशिष्ट कार अक्षमता से खड़ी (idling) थी। यह ऐसा था जैसे कि आपको शहर के कुल बिजली बिल का पता हो, लेकिन आपको यह नहीं पता कि किस घर में लाइटें जलती छोड़ दी गई हैं।

यह शोध पत्र एक नया "स्मार्ट जासूस" तरीका पेश करता है जो यह सटीक रूप से पहचान सकता है कि ऊर्जा कहाँ और कब बर्बाद हो रही है, वह भी केवल चीजों (जैसे कणों या कोशिकाओं) की गति को देखकर, बिना यह जाने कि वे कैसे चलती हैं।

इसे उन्होंने कैसे किया, इसके सरल उदाहरण यहाँ दिए गए हैं:

1. समस्या: अदृश्य बल

वास्तविक दुनिया में, चीजें अदृश्य धक्कों और खिंचने (forces) के कारण चलती हैं। जब कोई सिस्टम असंतुलित (non-equilibrium) होता है, तो एक विशेष "डिसिपेटिव फोर्स" (dissipative force) चीजों को इस तरह से धकेलता है जिससे अपशिष्ट गर्मी पैदा होती है।

पुराना तरीका: इस बल को खोजने के लिए, वैज्ञानिकों को आमतौर पर पहले से ही सिस्टम के सटीक "नियमों" (equations) को जानने की आवश्यकता होती थी। लेकिन जीव विज्ञान या जटिल रसायन विज्ञान में, हमारे पास अक्सर नियम पुस्तिका नहीं होती; हमारे पास केवल गति का वीडियो फुटेज होता है।
नया तरीका: लेखकों ने एक ऐसा सिस्टम बनाया है जो वीडियो फुटेज से खुद ही नियम पुस्तिका सीख लेता है।

2. समाधान: "स्मार्ट अनुमान लगाने वाली" मशीन

लेखकों ने दो शक्तिशाली विचारों को जोड़ा:

थर्मोडायनामिक अनसर्टेन्टी रिलेशन (TUR): इसे एक "भौतिकी के नियम" के रूप में सोचें जो कहता है: यदि आप किसी सिस्टम में बहुत अधिक रैंडम हलचल (fluctuations) देखते हैं, तो इसका मतलब है कि उस हलचल को पैदा करने के लिए एक निश्चित मात्रा में ऊर्जा बर्बाद हो रही है। यह कहने जैसा है कि: "यदि एक कार जोर-जोर से हिल रही है, तो इंजन निश्चित रूप से बहुत ईंधन जला रहा होगा।"
डीप लर्निंग (न्यूरल नेटवर्क): यह एक प्रकार का कंप्यूटर AI है जो अव्यवस्थित डेटा में पैटर्न खोजने में बहुत अच्छा है।

उदाहरण: कल्पना कीजिए कि आप जंगल में पत्तों के फड़फड़ाने को देखकर हवा के पैटर्न को समझने की कोशिश कर रहे हैं। आप हवा की गति या दिशा नहीं जानते।

आप AI को पत्तों का एक वीडियो देते हैं।
AI हवा (बल) के बारे में एक "अनुमान" लगाता है।
यह अपने अनुमान की जांच "भौतिकी के नियम" (TUR) के विरुद्ध करता है। यदि अनुमान नियम से मेल नहीं खाता है, तो यह अपने अनुमान को सुधारता है।
यह लाखों बार तब तक दोहराता है जब तक कि इसे वह परफेक्ट विंड मैप न मिल जाए जो ठीक उसी तरह समझा सके जैसे पत्ते हिले थे।

3. उन्होंने क्या पाया (द "हीट मैप")

एक बार जब AI अदृश्य बलों को सीख गया, तो वह बर्बादी का एक हीट मैप (Heat Map) बना सका।

कहाँ: वे देख सके कि सिस्टम में किन विशिष्ट स्थानों पर ऊर्जा भारी मात्रा में बर्बाद हो रही थी, और अन्य स्थान जहाँ चीजें लगभग पूरी तरह से कुशल थीं।
कब: वे देख सके कि एक क्षण में, एक कण ऊर्जा बर्बाद कर रहा था, और एक सेकंड बाद, वह लगभग पूरी तरह से प्रतिवर्ती (reversible) था (जैसे कि फिल्म को पीछे की ओर चलाना)।
आश्चर्य: यहाँ तक कि उन सिस्टमों में जो आम तौर पर "अव्यवस्थित" और अपरिवर्तनीय हैं, उन्होंने ऐसे छोटे पॉकेट खोजे जहाँ थर्मोडायनामिक्स के नियम मुड़ते हुए प्रतीत होते थे, जिससे "नेगेटिव एन्ट्रॉपी" (ऐसे क्षण जहाँ सिस्टम अपनी गंदगी को साफ करता हुआ दिखाई देता है) पैदा होती थी। यह जादू नहीं है; यह केवल एक सांख्यिकीय उतार-चढ़ाव है जिसे यह नया तरीका अंततः देख सकता है।

4. जासूस का परीक्षण

लेखकों ने इस तरीके को तीन बहुत अलग "शहरों" पर परखा:

घूमता हुआ लट्टू (Brownian Gyrator): एक तरल पदार्थ में घूमता हुआ कण। उन्होंने दिखाया कि AI ठीक-ठीक मैप कर सकता है कि घूमने की प्रक्रिया कहाँ सबसे अधिक गर्मी पैदा करती है, भले ही वह आकार जटिल और डगमगाता हुआ क्यों न हो।
स्प्रिंग वाला जाल (जैविक नेटवर्क): कल्पना कीजिए कि एक मकड़ी का जाल स्प्रिंग्स से बना है, जहाँ कुछ हिस्से गर्म हैं और कुछ ठंडे। AI ने मैप किया कि कैसे तनाव और गर्मी ने जाल के विभिन्न हिस्सों में अपशिष्ट पैदा किया, जिससे पता चला कि "कठोर" स्प्रिंग्स ने "ढीले" स्प्रिंग्स की तुलना में अधिक अपशिष्ट पैदा किया।
मिटाने वाला स्विच (Bit Erasure): एक प्रक्रिया जहाँ सूचना को मिटा दिया जाता है (जैसे हार्ड ड्राइव को वाइप करना)। यह भौतिकी की एक क्लासिक समस्या है। AI ने मिटाने की प्रक्रिया के दौरान उस सटीक क्षण को मैप किया जब सबसे अधिक ऊर्जा खर्च हुई, और यह भी कि शुरुआती स्थितियों के बदलने पर इसमें क्या बदलाव आया।

5. "धुंधला लेंस" परीक्षण

वास्तविक जीवन में, हमारे कैमरे पूर्ण नहीं होते। हम कुछ विवरणों को मिस कर सकते हैं (हम हर एक कार को नहीं देख सकते) या हम फोटो बहुत धीरे-धीरे ले सकते हैं (तेज गतिविधियों को मिस करना)।
लेखकों ने अपने तरीके का परीक्षण "धुंधले" डेटा (कुछ वेरिएबल्स को छिपाकर और समय को धीमा करके) के साथ किया।

परिणाम: धुंधले लेंस के बावजूद, AI अभी भी ऊर्जा के नुकसान का एक बहुत ही सटीक चित्र बनाने में सफल रहा। इसने साबित कर दिया कि यह तरीका वास्तविक दुनिया के अपूर्ण प्रयोगात्मक डेटा के साथ काम करने के लिए पर्याप्त मजबूत है।

सारांश

संक्षेप में, यह शोध पत्र वैज्ञानिकों को एक जटिल सिस्टम के धुंधले वीडियो को ऊर्जा की बर्बादी के हाई-डेफिनिशन मैप में बदलने का एक नया उपकरण देता है। यह हमें न केवल यह बताता है कि कितनी ऊर्जा नष्ट हुई, बल्कि यह भी कि बिल्कुल कहाँ और कब ऐसा हुआ, भले ही हमें उस सिस्टम के अंतर्निहित नियमों का पता न हो। यह अपरिवर्तनीयता की अदृश्य "गर्मी" को एक दृश्य, स्थानीयकृत मानचित्र में बदल देता है।

तकनीकी सारांश: गैर-संतुलन प्रक्षेपवक्रों (Non-Equilibrium Trajectories) के साथ एंट्रॉपी उत्पादन का स्थानीयकरण

समस्या विवरण
एंट्रॉपी उत्पादन ( $\sigma$ ) गैर-संतुलन से दूर संचालित होने वाली भौतिक, रासायनिक और जैविक प्रणालियों में अपरिवर्तनीयता (irreversibility) और ऊर्जा अपव्यय (energy dissipation) के एक सार्वभौमिक माप के रूप में कार्य करता है। जबकि एंट्रॉपी उत्पादन की वैश्विक औसत दर का अनुमान अक्सर प्रायोगिक डेटा (जैसे, थर्मोडायनामिक अनिश्चितता संबंध या हरादा-सासा समानता के माध्यम से) से लगाया जा सकता है, एक प्रमुख खुला प्रश्न यह बना हुआ है कि व्यक्तिगत गैर-संतुलन प्रक्षेपवक्रों से सीधे डेटा के माध्यम से एंट्रॉपी उत्पादन को कैसे क्वांटिफाई और स्थानिक-कालिक (spatiotemporally) रूप से स्थानीयकृत किया जाए। पारंपरिक दृष्टिकोणों के लिए आमतौर पर अंतर्निहित गतिकी समीकरणों (जैसे, फॉकर-प्लैंक या मास्टर समीकरण) के पूर्व ज्ञान की आवश्यकता होती है या वे वैश्विक अनुमानों पर निर्भर करते हैं जो स्थानीय उतार-चढ़ाव, ऋणात्मक एंट्रॉपी उत्पादन घटनाओं और विसरित बल क्षेत्रों (dissipative force fields) की विशिष्ट संरचना को अस्पष्ट कर देते हैं।

कार्यप्रणाली
लेखक एक डेटा-संचालित ढांचे का प्रस्ताव करते हैं जो स्थानीय एंट्रॉपी उत्पादन और संबंधित थर्मोडायनामिक बल क्षेत्रों को बिना किसी गतिकी समीकरण के ज्ञान के अनुमानित करने के लिए लघु-समय थर्मोडायनामिक अनिश्चितता संबंध (TUR) को डीप मशीन लर्निंग के साथ जोड़ता है।

सैद्धांतिक आधार: यह विधि लघु-समय TUR से प्राप्त एंट्रॉपी उत्पादन दर के परिवर्तनशील प्रतिनिधित्व (variational representation) पर आधारित है। ओवरडैम्प्ड डिफ्यूसिव प्रक्रियाओं के लिए, समय $t$ पर एंट्रॉपी उत्पादन दर $\sigma(t)$ , एक सामान्यीकृत धारा $J_d$ के वर्ग माध्य और प्रसरण (variance) के अनुपात का अधिकतम मान है:
$\sigma(t) = \max_{d} \frac{2 \langle J_d \rangle^2}{\Delta t \cdot \text{Var}(J_d)}$
जहाँ $J_d = d(x) \circ dx$ एक धारा है जो एक गुणांक क्षेत्र (coefficient field) $d(x)$ द्वारा परिभाषित है। लघु-समय सीमा ( $\Delta t \to 0$ ) में, इष्टतम गुणांक क्षेत्र $d^*(x)$ थर्मोडायनामिक (विसरित) बल क्षेत्र $F(x, t)$ के समानुपाती होता है।
मशीन लर्निंग आर्किटेक्चर: यह अनुकूलन समस्या उच्च-आयामी स्थानों में हल करने के लिए, जहाँ विश्लेषणात्मक समाधान अव्यवहार्य हैं, गुणांक क्षेत्र $d(x, t)$ को एक डीप न्यूरल नेटवर्क (DNN) का उपयोग करके पैरामीटराइज़ करता है।
- स्थिर प्रणालियाँ (Stationary Systems): एक मल्टी-लेयर न्यूरल नेटवर्क जिसमें रेसिडुअल कनेक्शन (Deep-Ritz आर्किटेक्चर) होते हैं, अवस्था $x$ को बल क्षेत्र $d(x; \theta)$ में मैप करता है। नेटवर्क को प्रशिक्षण डेटा सेट के ऊपर TUR ऑब्जेक्टिव फंक्शन को अधिकतम करने के लिए प्रशिक्षित किया जाता है।
- समय-निर्भर प्रणालियाँ (Time-Dependent Systems): नेटवर्क आर्किटेक्चर को समय $t$ को एक अतिरिक्त इनपुट के रूप में स्वीकार करने के लिए विस्तारित किया गया है, जिससे समय-परिवर्तित बल क्षेत्रों $F(x, t)$ का अनुमान लगाना संभव होता है। प्रशिक्षण में टेम्पोरल स्मूथनेस (temporal smoothness) लागू करने के लिए मिनी-बैचेस के ऊपर ऑब्जेक्टिव फंक्शन को एकत्रित करना शामिल है।
अनुमान प्रोटोकॉल (Inference Protocol): प्रक्षेपवक्रों को प्रशिक्षण और सत्यापन (validation) सेटों में विभाजित किया जाता है। नेटवर्क पैरामीटर्स $\theta$ को प्रशिक्षण डेटा पर TUR बाउंड को अधिकतम करने के लिए ग्रेडिएंट एसेंट (gradient ascent) के माध्यम से अपडेट किया जाता है। ओवरफिटिंग को रोकने के लिए अंतिम मॉडल का चयन होल्ड-आउट वैलिडेशन डेटा पर उसके प्रदर्शन के आधार पर किया जाता है। एक बार प्रशिक्षित होने के बाद, सीखे गए बल क्षेत्र का उपयोग व्यक्तिगत प्रक्षेपव erhö प्रक्षेपवों के साथ स्थानीय, उतार-चढ़ाव वाले एंट्रॉपी उत्पादन $dS(t) = F(x(t), t) \circ dx(t)$ की गणना करने के लिए किया जाता है।

प्रमुख योगदान और परिणाम
इस ढांचे को विविध प्रणालियों में मान्य किया गया है, जो स्थानीय एंट्रॉपी उत्पादन और बल क्षेत्रों को पुनर्निर्मित करने में इसकी मजबूती को प्रदर्शित करता है:

ब्राउनियन गायरेटर्स (स्थिर): विधि ने 2D और उच्च-आयामी (N=100) ब्राउनियन गायरेटर्स के लिए हार्मोनिक, एनहार्मोनिक (बाइस्टेबल), और क्वार्टिक पोटेंशियल के साथ थर्मोडायनामिक बल क्षेत्रों और स्थानीय एंट्रॉपी उत्पादन को सफलतापूर्वक पुनर्निर्मित किया।
- यह जटिल स्थानिक-कालिक संरचनाओं को सटीक रूप से कैप्चर करता है, जिसमें शून्य के करीब एंट्रॉपी उत्पादन वाले क्षेत्र और ऋणात्मक उतार-चढ़ाव (प्रक्षेपव स्तर पर द्वितीय नियम का उल्लंघन) शामिल हैं।
- उच्च-आयामी प्रणालियों में, विधि उच्च-डिसिपेशन शासन (high-dissipation regimes) में अच्छा प्रदर्शन करती है, लेकिन निम्न-डिसिपेशन क्षेत्रों में चुनौतियों का सामना करती है जहाँ सिग्नल-टू-नॉइज़ अनुपात कम होता है।
- फ्लक्चुएशन थ्योरम सत्यापन: लेखक प्रदर्शित करते हैं कि स्थानिक विषमता के बावजूद, धनात्मक और ऋणात्मक एंट्रॉपी उत्पादन उतार-चढ़ाव के बीच लॉग-संभाव्यता अनुपात स्थानीय फेज-स्पेस क्षेत्रों में यूनिट स्लोप के साथ फ्लक्चुएशन थ्योरम ( $\ln[P(dS)/P(-dS)] = dS$ ) का पालन करता है।
एक्टिव-बाइस्टेबल मैकेनिकल नेटवर्क: एक विक्षेपित (disordered) 2D नेटवर्क पर लागू किया गया, जिसमें तापमान प्रवणता (temperature gradient) द्वारा संचालित रैखिक और बाइस्टेबल स्प्रिंग्स हैं, यह विधि मात्रात्मक रूप से दर्शाती है कि यांत्रिक गैर-रैखिकता (बाइस्टेबल बॉन्ड्स) वैश्विक एंट्रॉपी उत्पादन को कैसे बढ़ाती है।
- अनुमानित स्थानीय अपव्यय (dissipation) विषम पैटर्न प्रकट करता है।
- यह अध्ययन परिमित-समय सांख्यिकीय गुणों को सत्यापित करता है: समय-एकीकृत एंट्रॉपी उत्पादन की स्क्यूनेस (skewness) एकीकरण समय के साथ गैर-मोनोटोनिक निर्भरता प्रदर्शित करती है, और औसत से ऊपर के उतार-चढ़ाव का अंश पक्षपाती है ( $\langle T^+(t) \rangle < 1/2$ ), जो गैर-गॉसियन सांख्यिकी के लिए सैद्धांतिक भविष्यवाणियों के अनुरूप है।
हेयर-सेल बंडल ऑसिलेशन: ढांचे को स्पोंटेनियस हेयर-सेल ऑसिलेशन के एक गैर-रैखिक जैविक मॉडल पर लागू किया गया है।
- यह सक्रिय (दोलनशील) और शांत (गैर-दोलनशील) अवस्थाओं के बीच अंतर करता है, संबंधित बल क्षेत्रों और स्थानीय एंट्रॉपी उत्पादन को मैप करता है।
- परिणाम दर्शाते हैं कि अपरिवर्तनीयता (irreversibility) समान रूप से वितरित नहीं है; सक्रिय अवस्था मजबूत सर्कुलेटिंग फ्लो और उच्च अपव्यय प्रदर्शित करती है, जबकि शांत अवस्था साम्यावस्था (equilibrium) के करीब संचालित होती है।
समय-निर्भर बिट-इरेज़र प्रोटोकॉल: विधि को एक डबल-वेल पोटेंशियल में सीमित-समय बिट इरेज़र से जुड़ी एक गैर-स्थिर प्रक्रिया के लिए विस्तारित किया गया है।
- यह इरेज़र प्रोटोकॉल के दौरान स्थानिक-कालिक अपव्यय को सफलतापूर्वक मैप करता है, सममित और असममित पोटेंशियल के बीच अंतर करता है।
- विश्लेषण उन विशिष्ट प्रक्षेपव खंडों की पहचान करता है जिनमें लगभग-प्रतिवर्ती (near-reversible) गतिकी और अपव्यय के विस्फोट (bursts) होते हैं, जिन्हें वैश्विक अनुमानों द्वारा छोड़ दिया जाता है।
कोर्स-ग्रैनिंग के प्रति मजबूती: लेखक आयामगत कोर्स-ग्रैनिंग (छिपे हुए डिग्री ऑफ फ्रीडम) और टेम्पोरल कोर्स-ग्रैनिंग (सबसैंपलिंग) के तहत विधि का परीक्षण करते हैं। अनुमानित एंट्रॉपी उत्पादन कम किए गए विवरणों के लिए सैद्धांतिक बेंचमार्क के साथ सांख्यिकीय रूप से सुसंगत रहता है, जो विश्लेषणात्मक मानों के साथ उच्च सहसंबंध ( $R^2 \approx 0.9$ ) देता है।

महत्व और दावे
यह शोध दावा करता है कि स्थानीय उतार-चढ़ाव वाले एंट्रॉपी उत्पादन को एक भौतिक रूप से व्याख्या योग्य और सांख्यिकीय रूप से सुसंगत मात्रा के रूप में स्थापित किया गया है जो औसत दरों से परे गैर-संतुलन अवस्थाओं को चित्रित करता है। मुख्य दावे इस प्रकार हैं:

डेटा-संचालित स्थानीयकरण: बिना किसी गतिकी समीकरण के ज्ञान के, सीधे प्रक्षेपव डेटा से उच्च-आयामी, संभावित रूप से समय-निर्भर विसरित बल क्षेत्रों और उतार-चढ़ाव वाले एंट्रॉपी उत्पादन को पुनर्निर्मित करने की क्षमता।
सांख्यिकीय निरंतरता: अनुमानित स्थानीय उतार-चढ़ाव सार्वभौमिक गुणों का पालन करते हैं, जैसे कि फ्लक्चुएशन थ्योरम और विशिष्ट स्क्यूनेस व्यवहार, भले ही वे जटिल, विषम प्रणालियों में हों।
बहुमुखी प्रतिभा: ढांचा स्थिर और समय-निर्भर दोनों शासन, रैखिक और गैर-रैखिक मॉडल, तथा छिपे हुए डिग्री ऑफ फ्रीडम या सीमित टेम्पोरल रेजोल्यूशन वाले सिस्टम के लिए लागू करने योग्य है।
व्यावहारिक उपयोगिता: यह विधि यह पहचानने के लिए एक उपकरण प्रदान करती है कि दूसरे नियम के उल्लंघन वाली घटनाएं और लगभग-प्रतिवर्ती उतार-चढ़ाव कब और कहाँ होते हैं, जो एक विस्तृत दृश्य प्रदान करती है जिसे वैश्विक औसत प्रदान नहीं कर सकते।

लेखक इस कार्य को थर्मोडायनामिक अनिश्चितता संबंध ढांचे और प्रक्षेपव-स्तर के एंट्रॉपी उत्पादन औपचारिकता के बीच एक सेतु के रूप में प्रस्तुत करते हैं, जिससे सिंगल-मॉलिक्यूल ट्रैकिंग, एक्टिव मैटर और जैविक नेटवर्क जैसे जटिल प्रायोगिक परिवेशों में अपरिवर्तनीयता के विश्लेषण को सक्षम बनाया जा सके।