⚛️ quantum physics

Canonical Quantization of a Memristive Leaky Integrate-and-Fire Neuron Circuit

यह शोध पत्र एक शास्त्रीय परिपथ (classical circuit) पर कैनोनिकल क्वांटाइजेशन (canonical quantization) लागू करके एक क्वांटटाइज्ड मेमरिस्टिव लीकी इंटीग्रेट-एंड-फायर (Leaky Integrate-and-Fire) न्यूरॉन के लिए एक मौलिक सैद्धांतिक ढांचा प्रस्तुत करता है, जो संख्यात्मक सिमुलेशन के माध्यम से यह प्रदर्शित करता है कि यह जैविक रूप से प्रेरित क्वांटम मॉडल ध्वनि स्थानीयकरण (sound localization) कार्यों में शास्त्रीय और घटनात्मक (phenomenological) क्वांटम समकक्षों दोनों से बेहतर प्रदर्शन करता है।

मूल लेखक: Dean Brand, Domenica Dibenedetto, Francesco Petruccione

प्रकाशित 2026-02-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Dean Brand, Domenica Dibenedetto, Francesco Petruccione

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 आपका मस्तिष्क एक हलचल भरा शहर है। इस शहर में, न्यूरॉन्स छोटे, आत्मनिर्भर पावर प्लांट की तरह हैं जो यह तय करते हैं कि कब अपने पड़ोसियों को एक संदेश (एक "स्पाइक") भेजना है। दशकों से, वैज्ञानिक ऐसे कंप्यूटर चिप्स बनाने की कोशिश कर रहे हैं जो इन पावर प्लांटों की नकल कर सकें ताकि कंप्यूटर तेज़ और अधिक ऊर्जा-कुशल बन सकें। इसे न्यूरोमॉर्फिक कंप्यूटिंग कहा जाता है।

हालाँकि, एक समस्या है। हमारे पास मौजूद सबसे अच्छे कंप्यूटर चिप्स एक भौतिक दीवार से टकरा रहे हैं—वे इतने छोटे होते जा रहे हैं कि क्वांटम भौतिकी त्रुटियां पैदा करने लगती है। वहीं दूसरी ओर, सबसे शक्तिशाली कंप्यूटर (क्वांटम कंप्यूटर) गणित में तो बहुत अच्छे हैं, लेकिन वे मस्तिष्क की तरह दिखते या व्यवहार नहीं करते हैं।

यह शोध पत्र एक समाधान प्रस्तावित करता है: एक हाइब्रिड ब्रेन-कंप्यूटर। लेखकों ने एक "क्वांटम न्यूरॉन" का एक सैद्धांतिक खाका तैयार किया है जो एक जैविक मस्तिष्क कोशिका की तरह व्यवहार करता है लेकिन क्वांटम मैकेनिक्स के नियमों पर काम करता है।

उन्होंने इसे कैसे किया, यहाँ सरल अवधारणाओं में दिया गया है:

1. क्लासिक मस्तिष्क कोशिका (एक लीकी बकेट/छेद वाला बर्तन)

सबसे पहले, आइए एक मानक न्यूरॉन मॉडल को देखें, जिसे लीकी इंटीग्रेट-एंड-फायर (LIF) मॉडल कहा जाता है।

उपमा: एक बाल्टी की कल्पना करें जिसके नीचे एक छेद है।
यह कैसे काम करता है: आप बाल्टी में पानी (बिजली) डालते हैं। पानी का स्तर बढ़ता है (न्यूरॉन एक सिग्नल को "इंटीग्रेट" करता है)। लेकिन छेद के कारण, पानी बाहर निकलता रहता है (यह "लीक" है)।
द स्पाइक: यदि आप पानी इतनी तेज़ी से डालते हैं कि बाल्टी एक विशिष्ट रेखा तक भर जाए, तो बाल्टी एक संदेश "फायर" करती है और फिर तुरंत खाली होकर फिर से शुरू हो जाती है।
समस्या: वास्तविक मस्तिष्क में, उस छेद का आकार स्थिर नहीं होता है। यह बदलता रहता है कि पहले कितना पानी बह चुका है। इसी तरह मस्तिष्क "सीखते" हैं और याद रखते हैं।

2. मेमोरी रेसिस्टर (मेमरिस्टर)

इस "फिक्स्ड होल" वाली समस्या को ठीक करने के लिए, लेखकों ने इसमें एक मेमरिस्टर जोड़ा।

उपमा: मेमरिस्टर को बाल्टी के छेद के रूप में एक स्मार्ट वाल्व की तरह समझें। यदि हाल ही में बहुत अधिक पानी बह चुका है, तो वाल्व छोटा हो जाता है (प्रतिरोध/रेसिस्टेंस बढ़ जाता है)। यदि शांति रही है, तो वाल्व बड़ा हो जाता है।
परिणाम: अब बाल्टी के पास एक स्मृति (मेमोरी) है। यह "याद रखती" है कि कितना पानी गुजर चुका है, जिससे यह अपने इतिहास के आधार पर अपने व्यवहार को अनुकूलित कर सकती है। यह सीखने के लिए अत्यंत महत्वपूर्ण है।

3. क्वांटम लीप (बकेट को लहर में बदलना)

लेखक चाहते थे कि यह "स्मार्ट बाल्टी" क्वांटम दुनिया में काम करे। लेकिन एक पेच है: क्वांटम मैकेनिक्स आमतौर पर पूर्ण, प्रतिवर्ती (reversible) प्रणालियों से निपटती है, जबकि एक लीक होती बाल्टी अव्यवस्थपूर्ण होती है और ऊर्जा खो देती है (डिसिपेशन)। आप आसानी से एक "लीकी होल" को क्वांटुमाइज नहीं कर सकते।

उनका रचनात्मक समाधान:
लीक को एक साधारण छेद के रूप में देखने के बजाय, उन्होंने लीक को दर्पणों वाले एक विशाल, अर्ध-अनंत गलियारे (ट्रांसमिशन लाइन) के रूप में कल्पित किया।

उपमा: कल्पना कीजिए कि बाल्टी एक बहुत लंबे, अनंत गलियारे से जुड़ी हुई है। जब पानी बाल्टी से बाहर निकलता है, तो वह गलियारे में आगे बढ़ जाता है और कभी वापस नहीं आता। बाल्टी के लिए, यह ऐसा लगता है जैसे वह लीक हो रही है, लेकिन वास्तव में ऊर्जा बस क्वांटम "गलियारे" में दूर जा रही है।
जादू: इस गलियारे का गणितीय विवरण देकर, वे पूरी प्रणाली पर क्वांटम मैकेनिक्स के सख्त नियम लागू कर सके। उन्होंने दिखाया कि यदि आप बाल्टी को दूर से देखते हैं (गलियारे के विवरणों को अनदेखा करते हुए), तो यह बिल्कुल एक ऐसी बाल्टी की तरह व्यवहार करती है जिसमें "स्मार्ट, मेमोरी-वाल्व" वाला लीक है।

4. प्रमाण: क्या यह काम करता है?

लेखकों ने कंप्यूटर सिमुलेशन चलाए यह देखने के लिए कि क्या उनका "क्वांटम स्मार्ट बकेट" वास्तव में एक वास्तविक मस्तिष्क कोशिका की तरह व्यवहार करता है।

हाइस्टेरेसिस टेस्ट (Hysteresis Test): उन्होंने परीक्षण किया कि क्या "वाल्व" को अतीत याद रहता है। उन्होंने सिस्टम को आगे-पीछे धकेला और दबाव (करंट) और परिणाम (वोल्टेज) के बीच के संबंध को देखा।
- परिणाम: इसने एक विशिष्ट "पिंच्ड लूप" (pinched loop) आकार बनाया। यह एक मेमरिस्टर का फिंगरप्रिंट है। इसने साबित कर दिया कि क्वांटम सिस्टम में वास्तव में मेमोरी है।
स्पाइकिंग टेस्ट: उन्होंने क्वांटम बाल्टी को एक लयबद्ध सिग्नल (जैसे दिल की धड़कन) दिया।
- परिणाम: बाल्टी भरी, सीमा तक पहुँची, एक स्पाइक फायर किया और रीसेट हो गई—ठीक एक वास्तविक न्यूरॉन की तरह। इसमें एक "रिफ्रैक्टरी पीरियड" (फायर करने के बाद का संक्षिप्त विराम जहाँ इसे फिर से ट्रिगर नहीं किया जा सकता) भी था, जो जैविक वास्तविकता की नकल करता है।

5. अंतिम परीक्षण: ध्वनि खोजना

यह देखने के लिए कि क्या यह नया क्वांटम मस्तिष्क सेल वास्तव में उपयोगी है, उन्होंने इसे एक क्लासिक मस्तिष्क कार्य पर लगाया: ध्वनि स्थानीयकरण (Sound Localization)।

कार्य: कल्पना कीजिए कि दो कान एक ध्वनि सुन रहे हैं। मस्तिष्क यह गणना करता है कि ध्वनि बाएँ कान बनाम दाएँ कान तक पहुँचने में समय का कितना सूक्ष्म अंतर लेती है, ताकि यह पता लगाया जा सके कि ध्वनि कहाँ से आ रही है।
प्रतियोगिता: उन्होंने तीन मॉडलों की तुलना की:
1. एक मानक क्लासिकल बाल्टी (क्लासिकल LIF)।
2. एक "नकली" क्वांटम बाल्टी जो केवल नियमों का अनुमान लगाती है (फेनोमेनोलॉजिकल क्वांटम LIF)।
3. उनका नया, गणितीय रूप से व्युत्पन्न क्वांटम मेमरिस्टिव बकेट।
विजेता: नया मॉडल ध्वनि के स्थान का पता लगाने में सबसे अच्छा था। यह क्लासिकल मॉडल और अन्य क्वांटम मॉडल दोनों की तुलना में अधिक सटीक था।

सारांश

यह शोध पत्र यह दावा नहीं करता है कि उन्होंने अभी तक एक भौतिक क्वांटम ब्रेन चिप बनाई है। इसके बजाय, उन्होंने एक गणितीय रेसिपी लिखी है।

उन्होंने सफलतापूर्वक जैविक न्यूरॉन्स की अव्यवस्थित, मेमोरी-युक्त दुनिया को क्वांटम भौतिकी की सटीक, तरंग-जैसी दुनिया के साथ जोड़ दिया है। "लीक" को एक क्वांटम गलियारे के रूप में मानकर, उन्होंने एक ऐसा मॉडल बनाया जो:

स्मृति रखता है (वास्तविक मस्तिष्क की तरह)।
स्पाइक्स फायर करता है (वास्तविक मस्तिष्क की तरह)।
क्वांटम मैकेनिक्स के नियमों का पालन करता है।
ध्वनि-स्थानीयकरण कार्य पर वर्तमान मॉडलों से बेहतर प्रदर्शन करता है।

यह भविष्य के वैज्ञानिकों के लिए एक ठोस आधार प्रदान करता है ताकि वे वास्तव में ऐसे क्वांटम कंप्यूटर बना सकें जो हमारे मस्तिष्क की तरह सोच सकें।

तकनीकी सारांश: एक मेमरिस्टिव लीकी इंटीग्रेट-एंड-फायर न्यूरॉन सर्किट का कैनोनिकल क्वांटाइजेशन

समस्या विवरण
आधुनिक कंप्यूटिंग को परमाणु स्तर के करीब पहुँचते ट्रांजिस्टर लघुकरण के कारण मौलिक भौतिक सीमाओं का सामना करना पड़ रहा है, जहाँ क्वांटम टनलिंग त्रुटि दरों को प्रेरित करती है, और वॉन न्यूमैन बाधा (von Neumann bottleneck) द्वारा आरोपित वास्तुशिल्प सीमाएँ, जो मेमोरी और प्रोसेसिंग को अलग करती हैं। जबकि क्वांटम कंप्यूटिंग विशिष्ट कार्यों के लिए घातीय (exponential) गति प्रदान करती है और न्यूरोमॉर्फिक कंप्यूटिंग जैविक मस्तिष्क से प्रेरित ऊर्जा-कुशल, समानांतर प्रसंस्करण प्रदान करती है, ये क्षेत्र काफी हद तक अलग-अलग पथों पर चलते रहे हैं। जैविक रूप से प्रेरित क्वांटम न्यूरॉन मॉडल विकसित करने में एक महत्वपूर्ण अंतर मौजूद है जो कम्प्यूटेशनल दक्षता और जैविक यथार्थवाद के बीच संतुलन बनाता है। विशेष रूप से, जबकि लीकी इंटीग्रेट-एंड-फायर (LIF) न्यूरॉन क्लासिकल न्यूरोमॉर्फिक इंजीनियरिंग में एक मानक, कम्प्यूटेशनल रूप से हल्का मॉडल है, इसे अभी तक औपचारिक रूप से क्वांटाइज नहीं किया गया है। मौजूदा प्रस्ताव अक्सर घटनात्मक (phenomenological) हैं न कि प्रथम सिद्धांतों (first principles) से व्युत्पन्न, जिनमें एक कठोर सूक्ष्म आधार की कमी है जो क्वांटम ढांचे के भीतर अंतर्निहित स्मृति और अपव्यय (dissipation) को ध्यान में रखता है।

कार्यप्रणाली
लेखक एक क्वांटाइज्ड मेमरिस्टिव LIF न्यूरॉन के लिए एक सैद्धांतिक ढांचा प्रस्तुत करते हैं जो न्यूरोमॉर्फिक इंजीनियरिंग और ओपन क्वांटम सिस्टम के सिद्धांतों को एकीकृत करता है। कार्यप्रणाली निम्नलिखित चरणों के माध्यम से आगे बढ़ती है:

क्लासिकल फॉर्मूलेशन: अध्ययन एक क्लासिकल मेमरिस्टिव LIF सर्किट से शुरू होता है। मानक LIF मॉडल (एक RC लो-पास फिल्टर) को एक मेमरिस्टर द्वारा लीक रेजिस्टर को बदलकर संशोधित किया जाता है। यह एक स्टेट-डिपेंडेंट लीक कंडक्टेंस बनाता है जहाँ $M(q)$ कुल चार्ज $q(t)$ के आधार पर विकसित होता है जो डिवाइस के माध्यम से प्रवाहित हुआ है, जो जैविक सिनैप्स के अनुकूल व्यवहार की नकल करता है।
कैनोनिकल क्वांटाइजेशन: सिस्टम को क्वांटाइज करने के लिए, लेखक इस चुनौती का समाधान करते हैं कि रेजिस्टिव तत्व स्वाभाविक रूप से विसरणात्मक (dissipative) होते हैं और यूनिटरी क्वांटम विकास के साथ असंगत होते हैं। वे विसरणात्मक मेमरिस्टिव लीक को एक साधारण रेजिस्टर के रूप में नहीं, बल्कि कैल्डेरा-लेगेट (Caldeira-Leggett) दृष्टिकोण का पालन करते हुए, युग्मित LC ऑसिलेटर्स से बने एक अर्ध-अनंत, लॉसलेस ट्रांसमिशन लाइन (TL) के रूप में मॉडल करते हैं।
- सिस्टम को एक लैग्रेंजियन द्वारा वर्णित किया जाता है जो मेम्ब्रेन नोड (फ्लक्स $\phi_0$ ) को एक छोटे कपलिंग कैपेसिटर के माध्यम से TL बाथ (bath) से जोड़ता है।
- एक सूक्ष्म हैमिल्टोनियन (Hamiltonian) लेजेंड्रे ट्रांसफॉर्म (Legendre transform) के माध्यम से व्युत्पन्न किया जाता है, जो फ्लक्स और चार्ज को ऑपरेटर्स में बदल देता है।
- इंटरेक्शन टर्म मेम्ब्रेन फ्लक्स को TL वातावरण के साथ जोड़ता है, जिससे ऊर्जा का आदान-प्रदान संभव होता है।
एडियाबेटिक और वीक-कपलिंग लिमिट: लेखक विश्लेषणात्मक रूप से प्रदर्शित करते हैं कि कमजोर-कपलिंग (weak-coupling) और एडियाबेटिक सीमा में, क्वांटम मॉडल एक स्टेट-डिपेंडेंट लीक टर्म के साथ क्लासिकल LIF डायनेमिक्स को पुनः प्राप्त करता है। प्रभावी मेमरिस्टिव लीक को ट्रांसमिशन लाइन की समय-निर्भर विशेषता प्रतिबाधा (characteristic impedance), $Z_0(t) = M(q(t))$ के रूप में पहचाना जाता है।
संख्यात्मक सिमुलेशन: क्वांटाइज्ड सिस्टम के डायनेमिक्स को एक समय-निर्भर गोरोनी-कोसाक-सुडरसन-लिंडब्लाड (GKSL) मास्टर समीकरण का उपयोग करके सिम्युलेट किया जाता है। मेमरिस्टेंस को चार्ज के एक्सपेक्टेशन वैल्यू के आधार पर प्रत्येक टाइम स्टेप पर अपडेट किया जाता है।
- क्वांटम मेमरिस्टर सत्यापन: मॉडल को करंट-वोल्टेज ( $I$ - $V$ ) प्लेन में एक "पिंच्ड हिस्टेरेसिस लूप" के उद्भव को सत्यापित करने के लिए आवधिक ड्राइविंग के तहत परीक्षण किया जाता है, जो मेमरिस्टिव व्यवहार का एक हस्ताक्षर है।
- LIF न्यूरॉन डायनेमिक्स: पूर्ण सर्किट को थ्रेशोल्डिंग और रिसेट तंत्र के साथ सिम्युलेट किया जाता है। जब वोल्टेज एक्सपेक्टेशन वैल्यू एक थ्रेशोल्ड को पार करती है, तो अवस्था को वैक्यूम स्टेट में रीसेट कर दिया जाता है, और एक रिफ्रैक्टरी पीरियड लागू किया जाता है।
बेंचमार्किंग: मॉडल को जेफ्रेस मॉडल (Jeffress model) के द्विकौशलात्मक संयोग पहचान (binaural coincidence detection) के आधार पर ध्वनि स्थानीयकरण कार्य पर लागू किया जाता है। एक क्लासिकल LIF और एक घटनात्मक क्वांटम LIF (QLIF) के विरुद्ध QMLIF के प्रदर्शन की तुलना की जाती है।

प्रमुख योगदान

LIF का प्रथम औपचारिक क्वांटाइजेशन: यह पेपर मेमरिस्टिव LIF न्यूरॉन सर्किट के पहले प्रत्यक्ष, कैनोनिकल क्वांटाइजेशन को प्रदान करता है, जो घटनात्मक एनालॉग से आगे बढ़ता है।
सूक्ष्म हैमिल्टोनियन व्युत्पत्ति: यह एक स्टेट-डिपेंडेंट ट्रांसमिशन लाइन बाथ के साथ परस्पर क्रिया करने वाले LC ऑसिलेटर के लिए एक पूर्ण क्वांटम हैमिल्टोनियन व्युत्पन्न करता है, जो क्वांटम न्यूरोमॉर्फिक सिस्टम के लिए एक कठोर सूक्ष्म आधार प्रदान करता है।
क्वांटम मेमरिस्टर मॉडल: यह कार्य स्पष्ट बाथ मोड कपलिंग के आधार पर एक क्वांटम मेमरिस्टर मॉडल पेश करता है, जो प्रदर्शित करता है कि कमजोर कपलिंग के तहत गैर-शून्य मेमोरी प्रभाव (पिंच्ड हिस्टेरेसिस) क्वांटम शासन में भी बने रहते हैं।
एकीकृत ढांचा: यह जैविक रूप से प्रेरित क्वांटम स्पाइकिंग न्यूरल नेटवर्क बनाने के लिए एक मार्ग स्थापित करता है जो सर्किट डायनेमिक्स में अंतर्निहित स्मृति और प्लास्टिसिटी को शामिल करते हैं।

परिणाम

मेमरिस्टिव व्यवहार: संख्यात्मक सिमुलेशन पुष्टि करते हैं कि क्वांटाइज्ड मॉडल $I$ - $V$ प्लेन में विशिष्ट पिंच्ड हिस्टेरेसिस लूप को पुनरुत्पादित करता है, जो इसके एक वास्तविक क्वांटम मेमरिस्टर के रूप में इसकी पहचान को सत्यापित करता है। हालांकि क्वांटम लूप क्वांटम शोर और सन्निकटन के कारण क्लासिकल समकक्ष की तुलना में उतार-चढ़ाव और कम सुचारू ड्रिफ्ट प्रदर्शित करता है, फिर भी मूल संरचना सुरक्षित रहती है।
स्पाइकिंग डायनेमिक्स: क्वांटाइज्ड LIF न्यूरॉन सफलतापूर्वक स्पाइकिंग व्यवहार प्रदर्शित करता है, जिसमें इनपुट करंट का एकीकरण, थ्रेशोल्ड क्रॉसिंग, स्पाइक उत्सर्जन और रिफ्रैक्टरी पीरियड शामिल हैं, जो क्लासिकल LIF डायनेमिक्स की नकल करता है।
ध्वनि स्थानीयकरण बेंचमार्क: ध्वनि स्थानीयकरण कार्य में, QMLIF मॉडल ने क्लासिकल LIF और घटनात्मक QLIF दोनों को पछाड़ दिया। QMLIF ने इंटरऑरल टाइम डिफरेंस (ITDs) और इंटरऑरल फेज डिफरेंस (IPDs) को डिकोड करने में उच्च सटीकता प्रदर्शित की, जिसमें अनुमानित कोण ग्राउंड ट्रुथ के बहुत करीब थे।

महत्व और दावे
लेखक दावा करते हैं कि यह कार्य क्वांटम न्यूरोमॉर्फिक कंप्यूटिंग के लिए एक आधारभूत मॉडल स्थापित करता है। घटनात्मक धारणाओं के बजाय प्रथम सिद्धांतों (सर्किट क्वांटम इलेक्ट्रोडायनामिक्स) से मॉडल को व्युत्पन्न करके, यह पेपर भविष्य के क्वांटम स्पाइकिंग न्यूरल नेटवर्क के लिए एक मजबूत सैद्धांतिक आधार प्रदान करता है। ध्वनि स्थानीयकरण कार्य पर मॉडल का सफल प्रदर्शन यह सुझाव देता है कि क्वांटाइज्ड मेमरिस्टिव सर्किट क्लासिकल और मौजूदा घटनात्मक क्वांटम मॉडल दोनों की तुलना में प्रदर्शन लाभ प्रदान कर सकते हैं। यह पेपर तर्क देता है कि यह ढांचा क्वांटम सिस्टम के मूलभूत व्यवहारों में निहित संसाधन-कुशल और कम्प्यूटेशनल रूप से अभिव्यंजक एल्गोरिदम के विकास को सक्षम बनाता है। लेखक नोट करते हैं कि हालांकि ध्वनि स्थानीयकरण कार्य एक अपेक्षाकृत सरल बेंचमार्क है, परिणाम न्यूरोमॉर्फिक प्रोसेसिंग में इन मॉडलों की उपयोगिता के लिए उत्साहजनक हैं और भौतिक कार्यान्वयन तथा नेटवर्क विस्तार में भविष्य के कार्य का सुझाव देते हैं।