⚛️ nuclear theory

Neural-Network Correlation Functions for Light Nuclei with Chiral Two- and Three-Body Interactions

यह शोध पत्र प्रदर्शित करता है कि न्यूरल नेटवर्क काइरल टू-बॉडी और थ्री-बॉडी इंटरैक्शन का उपयोग करके हल्के नाभिकों के लिए अत्यधिक अभिव्यंजक ट्रायल वेव फंक्शन्स उत्पन्न कर सकते हैं, जो ग्रीन'स फंक्शन मोंटे कार्लो परिणामों के भीतर 0.45% के भीतर ग्राउंड-स्टेट ऊर्जा प्राप्त करते हैं और मानक वेरिएशनल मोंटे कार्लो विधियों की तुलना में 91% का सुधार प्रदर्शित करते हैं।

मूल लेखक: Pengsheng Wen, Alexandros Gezerlis, Jeremy W. Holt

प्रकाशित 2026-05-29

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Pengsheng Wen, Alexandros Gezerlis, Jeremy W. Holt

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

मुख्य तस्वीर: सूक्ष्म नाभिकों की "धड़कन" का पूर्वानुमान लगाना

कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि एक बहुत ही छोटा और जटिल यंत्र (जैसे कि एक हल्का परमाणु नाभिक) बिल्कुल कैसे व्यवहार करता है। भौतिकी की दुनिया में, यह मशीन प्रोटॉन और न्यूट्रॉन से बनी है जो एक-दूसरे के इर्द-गिर्द नाच रहे हैं। उन्हें समझने के लिए, वैज्ञानिकों को एक "रेसिपी" लिखने की आवश्यकता होती है जिसे वेव फंक्शन (wave function) कहा जाता है। यह रेसिपी हमें बताती है कि इन कणों के विशिष्ट स्थानों पर पाए जाने की संभावना क्या है और वे एक-दूसरे को कैसे प्रभावित करते हैं।

समस्या यह है कि ये कण केवल जोड़ों में नहीं नाचते; उनकी समूह गतिशीलता (group dynamics) बहुत जटिल होती है। कभी-कभी, तीन कण इस तरह से परस्पर क्रिया करते हैं जिसे केवल दो कणों के माध्यम से नहीं समझाया जा सकता। इस नृत्य के लिए सही रेसिपी खोजना अविश्वसनीय रूप से कठिन है। यदि रेसिपी बहुत सरल है, तो भविष्यवाणी गलत होगी। यदि यह बहुत जटिल है, तो इसे कैलकुलेट करने में एक सुपरकंप्यूटर को अनंत काल लग जाएगा।

पुराना तरीका: अनुमान लगाना और जांचना

परंपरागत रूप से, वैज्ञानिक इन रेसिपी खोजने के लिए वेरिएशनल मोंटे कार्लो (Variational Monte Carlo - VMC) नामक विधि का उपयोग करते थे। इसे एक रेडियो को स्पष्ट स्टेशन पर ट्यून करने की कोशिश करने जैसा समझें। आपके पास लगभग 30 नॉब्स (parameters) वाला एक डायल है। आप सबसे स्पष्ट सिग्नल (सबसे कम ऊर्जा अवस्था) प्राप्त करने के लिए उन्हें मैन्युअल रूप से या एक बुनियादी एल्गोरिदम के साथ घुमाते हैं।

हालाँकि, इस विधि की कुछ सीमाएँ हैं:

यह धीमा है: सटीक सेटिंग खोजने के लिए 30 नॉब्स को घुमाने में बहुत अधिक कंप्यूटिंग शक्ति लगती है।
यह कठोर है: "नॉब्स" निश्चित सूत्र होते हैं। यदि वास्तविक भौतिकी को किसी अजीब, जटिल आकार की आवश्यकता है जिसे वह सूत्र अनुमति नहीं देता, तो रेडियो धुंधला ही रहेगा।
यह समूह को भूल जाता है: जब तीन कण परस्पर क्रिया करते हैं, तो पुरानी रेसिपी अक्सर उस अतिरिक्त जटिलता को पकड़ने में संघर्ष करती है।

एक अन्य विधि, जिसे ग्रीन्स फंक्शन मोंटे कार्लो (Green's Function Monte Carlo - GFMC) कहा जाता है, एक "गोल्ड स्टैंडर्ड" संदर्भ की तरह है। यह अविश्वसनीय रूप से सटीक है लेकिन इसे कुशलता से काम करने के लिए एक बहुत अच्छी रेसिपी से शुरुआत करने की आवश्यकता होती है। यदि शुरुआती रेसिपी खराब है, तो गणना अटक सकती है या बहुत लंबा समय ले सकती है।

नया समाधान: "स्मार्ट शेफ" (न्यूरल नेटवर्क)

इस शोध के लेखकों ने एक नया उपकरण पेश किया है: न्यूरल नेटवर्क (Neural Networks - NNs)।

न्यूरल नेटवर्क को केवल निश्चित नॉब्स के सेट के रूप में नहीं, बल्कि एक सुपर-स्मार्ट शेफ के रूप में सोचें जो कोई भी व्यंजन बनाना सीख सकता है। शेफ को 30 नॉब्स वाली एक निश्चित रेसिपी देने के बजाय, आप उन्हें एक खाली स्लेट देते हैं और कहते हैं, "सबसे स्वादिष्ट व्यंजन बनाने की कोशिश करो।" शेफ व्यंजन को चखता है, उसे एहसास होता है कि इसमें नमक की कमी है या किसी अलग मसाले की जरूरत है, और वह स्वचालित रूप से सामग्री को समायोजित करता है।

इस शोध में, "व्यंजन" वेव फंक्शन है, और "स्वाद" नाभिक की ऊर्जा है। ऊर्जा जितनी कम होगी, व्यंजन उतना ही बेहतर होगा।

इस अध्ययन में "शेफ" कैसे काम करता है:

जोड़ों को सीखना: न्यूरल नेटवर्क दो कणों (एक जोड़े) को देखता है और उनके बीच की दूरी के आधार पर यह सीखता है कि वे कैसे परस्पर क्रिया करते हैं।
भीड़ को सीखना: महत्वपूर्ण बात यह है कि नेटवर्क उन अन्य कणों को भी देखता है जो उस जोड़े के आसपास मौजूद हैं। यह सीखता है कि "जब कण A और B पास होते हैं, लेकिन कण C भी उनके ठीक बगल में होता है, तो परस्पर क्रिया बदल जाती है।" यह मॉडल को उन पेचीदा थ्री-बॉडी इंटरैक्शन (तीन-शरीर की परस्पर क्रिया) को संभालने की अनुमति देता है जिन्हें पुराने तरीके नहीं पकड़ पाते थे।
प्रशिक्षण (Training): टीम ने कंप्यूटर सिमुलेशन (VMC) का उपयोग किया ताकि न्यूरल नेटवर्क लाखों बार "अभ्यास" कर सके। हर बार जब नेटवर्क ने एक वेव फंक्शन का अनुमान लगाया, तो उसने ऊर्जा की गणना की। यदि ऊर्जा अधिक थी, तो नेटवर्क ने अगली बार बेहतर करने के लिए अपने आंतरिक कनेक्शनों को थोड़ा बदला।

परिणाम: एक लगभग सटीक मिलान

टीम ने इस "स्मार्ट शेफ" का परीक्षण सबसे हल्के नाभिकों पर किया: ट्रिटियम ( $^3$ H) और हीलियम-3 ( $^3$ He)। ये तीन कणों (दो न्यूट्रॉन और एक प्रोटॉन, या इसके विपरीत) से बने नाभिक हैं।

उन्होंने अपने न्यूरल नेटवर्क के परिणामों की तुलना "गोल्ड स्टैंडर्ड" (GFMC) से की:

पुराना तरीका (स्टैंडर्ड VMC): ऊर्जा की भविष्यवाणी एक ध्यान देने योग्य अंतर से गलत थी।
नया तरीका (न्यूरल नेटवर्क VMC): भविष्यवाणी गोल्ड स्टैंडर्ड के अविश्वसनीय रूप से करीब थी।
- उनके द्वारा परीक्षण किए गए परमाणु बल के सबसे कोमल संस्करण के लिए, न्यूरल नेटवर्क स्टैंडर्ड विधि की तुलना में 91% बेहतर था।
- अंतिम ऊर्जा परिणाम गोल्ड स्टैंडर्ड के 0.45% के भीतर था।

इसे समझने के लिए: यदि गोल्ड स्टैंडर्ड कहता है कि एक गेंद का वजन 100 ग्राम है, तो पुराना तरीका शायद 95 ग्राम का अनुमान लगाएगा, लेकिन न्यूरल नेटवर्क ने 99.55 ग्राम का अनुमान लगाया।

यह क्यों मायने रखता है

यह शोध पत्र दिखाता है कि न्यूरल नेटवर्क क्वांटम भौतिकी के लिए एक शक्तिशाली "अनुवादक" के रूप में कार्य कर सकते हैं। वे प्रोटॉन और न्यूट्रॉन के बीच की जटिल नियमों (उन पेचीदा बलों सहित जो केवल तभी होते हैं जब तीन कण एक साथ होते हैं) को ले सकते हैं और उन्हें एक अत्यधिक सटीक वेव फंक्शन में बदल सकते हैं।

यह एक बड़ी बात है क्योंकि इसका मतलब है कि वैज्ञानिकों को हर समस्या के लिए अविश्वसनीय रूप से महंगी और समय लेने वाली "गोल्ड स्टैंडर्ड" गणनाओं पर निर्भर रहने की आवश्यकता नहीं हो सकती है। इसके बजाय, वे इन न्यूरल नेटवर्कों का उपयोग एक लगभग पूर्ण शुरुआती बिंदु बनाने के लिए कर सकते हैं, जिससे परमाणु नाभिकों का अध्ययन तेज़ और अधिक कुशल हो जाता है।

सारांश

समस्या: सूक्ष्म परमाणु नाभिक कैसे व्यवहार करते हैं, इसका पूर्वानुमान लगाना कठिन है क्योंकि कण जटिल समूहों में परस्पर क्रिया करते हैं, और पुराने गणितीय उपकरण बहुत कठोर या धीमे हैं।
समाधान: लेखकों ने इन परस्पर क्रियाओं के लिए एकदम सही गणितीय रेसिपी को "सीखने" के लिए न्यूरल नेटवर्क (AI) का उपयोग किया।
नवाचार: AI ने न केवल यह सीखा कि कणों के जोड़े कैसे परस्पर क्रिया करते हैं, बल्कि यह भी सीखा कि एक तीसरा कण खेल को कैसे बदल देता है।
परिणाम: AI द्वारा तैयार की गई रेसिपी भौतिकी के सबसे महंगे और समय लेने वाले तरीके जितनी ही सटीक थी, लेकिन यह बहुत तेज़ी से पाई गई। इसने सिद्ध कर दिया कि AI परमाणु भौतिकी की मौलिक समस्याओं को हल करने के लिए एक शक्तिशाली उपकरण हो सकता है।

तकनीकी सारांश: हल्के नाभिकों के लिए न्यूरल-नेटवर्क सहसंबंध फलन (Neural-Network Correlation Functions) का शिरल दो- और तीन-पिंड अंतःक्रियाओं के साथ

समस्या विवरण
Ab initio क्वांटम अनेक-निकाय तकनीकों के माध्यम से हल्के नाभिकों की निम्नतम अवस्था ऊर्जा (ground-state energies) का सटीक निर्धारण करने के लिए उच्च-गुणवत्ता वाले परीक्षण तरंग फलन (trial wave functions) की आवश्यकता होती है। जबकि ग्रीन'स फंक्शन मोंटे कार्लो (GFMC) ऐसे गणनाओं के लिए एक बेंचमार्क के रूप में कार्य करता है, यह इमेजिनरी-टाइम विकास के दौरान फर्मिऑन-साइन समस्या (fermion-sign problem) को नियंत्रित करने के लिए अत्यधिक रूप से प्रारंभिक परीक्षण तरंग फलन पर निर्भर करता है। पारंपरिक रूप से, इन परीक्षण फलनों का निर्माण पैरामीटराइज्ड सहसंबंध फलनों (parameterized correlation functions) के साथ वेरिएशनल मोंटे कार्लो (VMC) का उपयोग करके किया जाता है। हालाँकि, इन मापदंडों का अनुकूलन करना कम्प्यूटेशनल रूप से कठिन है, विशेष रूप से उन प्रणालियों के लिए जिनमें तीन-पिंड अंतःक्रियाओं के कारण सरल युग्मवार सहसंबंधों से परे अनेक-निकाय प्रभावों को शामिल करने की आवश्यकता होती है। मानक VMC ढांचे के लिए अक्सर जटिल द्वितीय-क्रम के अवकल समीकरणों को हल करने की आवश्यकता होती है या वे शिरल प्रभावी क्षेत्र सिद्धांत (chiral EFT) से व्युत्पन्न पूर्ण टेंसर, स्पिन-ऑर्बिट और तीन-पिंड पदों जैसे सूक्ष्म घटकों की उपेक्षा करते हैं। सूक्ष्म नाभिकीय बलों की पूरी जटिलता को पकड़ने के लिए अधिक कुशल, अभिव्यंजक उपकरणों की आवश्यकता है।

कार्यप्रणाली
लेखक हल्के नाभिकों ( $A \le 3$ ) के लिए वेरिएशनल परीक्षण तरंग फलनों के निर्माण हेतु एक न्यूरल-नेटवर्क (NN) आधारित दृष्टिकोण प्रस्तावित करते हैं। यह कार्यप्रणाली निम्नलिखित घटकों को एकीकृत करती है:

तरंग फलन एंसेट (Wave Function Ansatz): परीक्षण तरंग फलन $|\psi\rangle$ को तीन-पिंड बलों को ध्यान में रखने के लिए अतिरिक्त तीन-पिंड ऑपरेटरों (समीकरण 3) के साथ जेस्ट्रौ-स्लेटर (Jastrow-Slater) रूप (समीकरण 1) का उपयोग करके बनाया गया है। इस एंसेट में स्पिन-आइसोस्पिन अवस्थाओं पर कार्य करने वाले ऑपरेटर शामिल हैं जो निर्देशांक-निर्भर (coordinate-dependent) फलनों के साथ जुड़े होते हैं।
न्यूरल नेटवर्क आर्किटेक्चर: निर्देशांक-निर्भर सहसंबंध फलनों को दो विशिष्ट न्यूरल नेटवर्कों, $NN_a$ $N N_{a}$ और $NN_b$ $N N_{b}$ द्वारा उत्पन्न किया जाता है:
- $NN_a$ अंतर-कण दूरी $r_{\alpha\beta}$ को प्रोसेस करता है ताकि एक मध्यवर्ती विशेषता $\tilde{R}_{\alpha\beta}$ प्राप्त की जा सके।
- $NN_b$ सभी स्थानिक फलनों (जैसे, $f^{(c)}_{ij}$ , $u^{(x)}_{ij}$ , और तीन-पिंड स्थानिक फलन) को उत्पन्न करता है, जो युग्व $r_{ij}$ और अन्य सभी कणों के प्रभाव को दर्शाने वाले एक योग विशेषता ( $\sum_{k \neq i,j} (\tilde{R}_{ik} + \tilde{R}_{jk})$ ) को इनपुट के रूप में लेता है। यह संरचना स्पष्ट रूप से यह अनुमति देती है कि एक युग्म का सहसंबंध तीसरे कण की उपस्थिति पर निर्भर करे, जो तीन-पिंड प्रभावों को संबोधित करता है।
- नेटवर्क ReLU सक्रियण कार्यों (activation functions) के साथ रेसिडुअल संरचनाओं का उपयोग करते हैं।
प्रशिक्षण और नमूनाकरण (Training and Sampling): नेटवर्कों को रेले-रित्ज़ सिद्धांत (Rayleigh-Ritz principle) का पालन करते हुए ऊर्जा प्रत्याशा मान (energy expectation value) को कम करने के लिए VMC का उपयोग करके प्रशिक्षित किया जाता है। क्लासिकल मार्कोव चेन मोंटे कार्लो (Metropolis-Hastings) में सामान्य सहसंबंध लंबाई की समस्याओं से निपटने के लिए, लेखक नॉर्मलाइजिंग फ्लो (nflow) मॉडल का उपयोग करते हैं। ये मॉडल परिवर्तनीय रूपांतरों की एक श्रृंखला के माध्यम से $|\psi|^2$ के अनुसार स्वतंत्र नमूने उत्पन्न करते हैं, जिससे नमूनाकरण दक्षता में उल्लेखनीय सुधार होता है।
अंतःक्रियाएं (Interactions): अध्ययन में शिरल EFT के भीतर N2LO स्तर पर स्थानीय शिरल अंतःक्रियाओं का उपयोग किया गया है। इन अंतःक्रियाओं में पूर्ण दो-पिंड और तीन-पिंड बल शामिल हैं, जिनमें टेंसर, स्पिन-ऑर्बिट, चार्ज-स्वतंत्रता भंग (CIB), और चार्ज-सममिति भंग (CSB) पदों को शामिल करते हुए पायोन-एक्सचेंज योगदानों को सरल नहीं बनाया गया है।

मुख्य परिणाम
अध्ययन ट्राइटन ( $^3$ H) और हीलियम-3 ( $^3$ He) नाभिकों, साथ ही दो-पिंड-केवल बेंचमार्क के लिए ड्यूटेरॉन ( $^2$ H) पर केंद्रित है।

$^3$ H पर प्रदर्शन: "सबसे नरम" N2LO शिरल अंतःक्रिया ( $(R_0, \Lambda) = (1.2 \text{ fm}, 1 \text{ GeV})$ ) का उपयोग करते हुए, न्यूरल-नेटवर्क VMC ने $E = -8.30 \pm 0.09$ MeV की निम्नतम अवस्था ऊर्जा प्राप्त की। यह परिणाम बेंचमार्क GFMC मान ( $E = -8.34$ MeV) के 0.45% के भीतर है और GFMC परिणाम के एक मानक विचलन के आधे के भीतर आता है।
मानक VMC पर सुधार: मानक पैरामीटराइज्ड VMC दृष्टिकोणों की तुलना में, न्यूरल-नेटवर्क पद्धति ने निम्नतम अवस्था ऊर्जा को पकड़ने में 91.2% का सुधार दिखाया (इसे पैरामीटराइज्ड VMC परिणाम और GFMC परिणाम के बीच के अंतर को कम करने के रूप में परिभाषित किया गया है)।
मजबूती (Robustness): यह विधि महीन-रिज़ॉल्यूशन वाले विभवों ( $R_0 = 1.0$ fm) के साथ और कूलम्ब अंतःक्रियाओं को शामिल करने पर भी प्रभावी रही। $^3$ H और $^3$ He के लिए, न्यूरल नेटवर्क भविष्यवाणियां GFMC गणनाओं (जिसमें शिरल EFT ट्रंकेशन अनिश्चितताएं शामिल हैं) के एक-सिग्मा एरर बैंड के भीतर रहीं।
दो-पिंड प्रणालियाँ: केवल दो-पिंड अंतःक्रियाओं (केवल $NN_b$ का उपयोग करके) का उपयोग करके $^2$ H और $^3$ H के लिए गणना किए गए परिणाम, एक-सिग्मा अनिश्चितता के भीतर GFMC के लगभग अविभेद्य थे, जो जटिल दो-पिंड सहसंबंधों को मॉडल करने की नेटवर्क की क्षमता को प्रदर्शित करते हैं।

महत्व और दावे
यह शोध दावा करता है कि न्यूरल नेटवर्क क्वांटम मोंटे कार्लो गणनाओं के लिए प्रभावी परीक्षण तरंग फलनों के निर्माण के लिए एक शक्तिशाली ढांचा प्रदान करते हैं। विशेष रूप से, लेखक प्रदर्शित करते हैं कि:

न्यूरल नेटवर्क पायोन-एक्सचेंज योगदानों को अनदेखा किए बिना, टेंसर और स्पिन-ऑर्बिट बलों सहित पूर्ण शिरल दो- और तीन-पिंड अंतःक्रियाओं को कुशलतापूर्वक शामिल कर सकते हैं।
प्रस्तावित आर्किटेक्चर, जो स्पष्ट रूप से युग्व सहसंबंधों पर आसपास के कणों के प्रभाव को मॉडल करता है, केवल वेरिएशनल स्तर पर ही GFM द्वारा अनुमानित निम्नतम अवस्था ऊर्जा के अधिकांश भाग को सफलतापूर्वक पकड़ लेता है।
न्यूरल-नेटवर्क तरंग फलनों को नॉर्मलाइजिंग फ्लो नमूनाकरण के साथ संयोजित करने से हल्के नाभिकों ( $A \le 3$ ) के लिए अत्यधिक सटीक परिणाम प्राप्त करते हुए, एक कम्प्यूटेशनल रूप से कुशल विकल्प मिलता है जो पारंपरिक पैरामीटराइज्ड VMC का स्थान ले सकता है।

लेखक नोट करते हैं कि वर्तमान एंटीसिमेट्राइजेशन (antisymmetrization) $A \le 4$ नाभिकों के अनुप्रयोग को सीमित करता है, लेकिन यह ढांचा स्लेटर डिटर्मिनेंट्स (Slater determinants) का उपयोग करके बड़े सिस्टम के लिए विस्तार योग्य है। यह कार्य भौतिक विज्ञान में उच्च अभिव्यंजकता और सटीकता के साथ वेरिएशनल अनुकूलन समस्या को हल करने के लिए मशीन लर्निंग की क्षमता को स्थापित करता है।