🔬 condensed matter

Learning and Testing Inverse Statistical Problems For Interacting Systems Undergoing Phase Transition

यह शोधपत्र विभिन्न अंतःक्रियात्मक प्रणालियों (interacting systems) में चरण संक्रमण (phase transitions) के दौरान होने वाली व्युत्क्रम सांख्यिकीय समस्याओं (inverse statistical problems) को हल करने के लिए मैक्सिमम लाइक्लीहुड (Maximum Likelihood), मैक्सिमम स्यूडो-लाइक्लीहुड (Maximum Pseudo-Likelihood), और मीन-फील्ड (Mean-Field) विधियों का एक सैद्धांतिक अवलोकन और व्यावहारिक अनुप्रयोग प्रदान करता है, जिसके साथ एक पुनरुत्पादनीय (reproducible) गिटहब रिपॉजिटरी भी दी गई है।

मूल लेखक: Stefano Bae, Dario Bocchi, Luca Maria Del Bono, Luca Leuzzi

प्रकाशित 2026-06-30

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Stefano Bae, Dario Bocchi, Luca Maria Del Bono, Luca Leuzzi

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

यहाँ इस शोध पत्र का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।

बड़ी तस्वीर: एक पहेली को उल्टा सुलझाना

कल्पना कीजिए कि आप एक कमरे में प्रवेश करते हैं और एक जटिल मशीन को चलते हुए देखते हैं। आप देख सकते हैं कि गियर घूम रहे हैं, लाइटें चमक रही हैं, और उससे आवाज़ें आ रही हैं (यह डेटा है)। लेकिन आपके पास उसका ब्लूप्रिंट (नक्शा) नहीं है, और आप यह नहीं जानते कि गियर आपस में कैसे जुड़े हैं या डायल की सेटिंग्स क्या हैं (यह मॉडल है)।

भौतिकी (Physics) में, इसे इनवर्स प्रॉब्लम (Inverse Problem) कहा जाता है। आमतौर पर वैज्ञानिक इसके विपरीत काम करते हैं: उनके पास ब्लूप्रिंट होता है, वे डायल सेट करते हैं, और फिर भविष्यवाणी करते हैं कि मशीन क्या करेगी। यह शोध पत्र पूछता है: क्या होगा यदि हमारे पास केवल चलती हुई मशीन हो, और हमें उसे देखकर ही उसका ब्लूप्रिंट समझना हो?

लेखक एक विशेष, कठिन प्रकार की मशीन पर ध्यान केंद्रित करते हैं: वह जो फेज ट्रांज़िशन (Phase Transition) से गुजरती है। इसे पानी की तरह समझें। उच्च गर्मी पर, यह एक अराजक गैस है (स्पिन्स रैंडम हैं)। कम गर्मी पर, यह एक ठोस ब्लॉक की तरह जम जाता है (स्पिन्स एक कतार में आ जाते हैं)। तापमान के आधार पर इसका व्यवहार नाटकीय रूप से बदल जाता है। यह पेपर परीक्षण करता है कि क्या हम अभी भी मशीन की सेटिंग्स का पता लगा सकते हैं जब वह गैस, ठोस, या जमने के ठीक बीच की अवस्था में व्यवहार कर रही हो।

टूलबॉक्स में तीन औज़ार

इस पहेली को सुलझाने के लिए, लेखक तीन अलग-अलग तरीकों का परीक्षण करते हैं। वे इस बात की तुलना करते हैं कि प्रत्येक विधि मशीन के छिपे हुए कनेक्शनों का अनुमान लगाने में कितनी अच्छी है।

1. "परफेक्ट डिटेक्टिव" (मैक्सिमम लाइकलीहुड - Maximum Likelihood)

कल्पना कीजिए कि आप हजारों खेल देखे जा रहे हैं उन्हें देखकर खेल के नियमों का अनुमान लगाने की कोशिश कर रहे हैं।

यह कैसे काम करता है: आप उन नियमों का सेट खोजने की कोशिश करते हैं जो आपके द्वारा देखे गए खेलों के होने की सबसे अधिक संभावना (most likely) रखते हैं।
चुनौती: इसे पूरी तरह से करने के लिए, आपको हर उस संभावित परिणाम की संभावना की गणना करनी होगी जो मशीन उत्पन्न कर सकती है। यदि मशीन के 100 हिस्से हैं, तो संभावनाओं की संख्या इतनी विशाल है (जैसे ब्रह्मांड में परमाणुओं की संख्या) कि इसे कैलकुलेट करने में अनंत समय लगेगा। यह समुद्र के किनारे रेत के हर एक कण को गिनने जैसा है ताकि उस एक कण को ढूँढा जा सके जो थोड़ा अलग है।
फैसला: सिद्धांत में यह सबसे सटीक है, लेकिन बड़े सिस्टम के लिए यह बहुत धीमा और महंगा है।

2. "स्मार्ट शॉर्टकट" (मैक्सिमम स्यूडो-लाइकेलीहुड - Maximum Pseudo-Likelihood)

चूंकि "परफेक्ट डिटेक्टिव" बहुत धीमा है, इसलिए लेखक एक चतुर शॉर्टकट का उपयोग करते हैं।

यह कैसे काम करता है: पूरी मशीन को एक साथ देखने के बजाय, डिटेक्टिव एक बार में एक गियर को देखता है। वह पूछता है: "यदि मैं अन्य सभी गियर्स को उनकी देखी गई स्थितियों में स्थिर कर दूँ, तो इस विशिष्ट गियर के लिए सबसे संभावित सेटिंग क्या होगी?"
उपमा: कल्पना कीजिए कि आप सूप की रेसिपी का अनुमान लगाने की कोशिश कर रहे हैं। पूरे बर्तन को एक साथ चखने और एक साथ सभी सामग्रियों का अनुमान लगाने के बजाय, आप एक चम्मच सूप चखते हैं, यह मान लेते हैं कि अन्य सामग्रियां स्थिर हैं, और नमक का अनुमान लगाते हैं। फिर आप अगले चम्मच की ओर बढ़ते हैं।
परिणाम: यह तरीका बहुत तेज़ है। पेपर दिखाता है कि भले ही यह एक शॉर्टकट है, यह लगभग उतना ही अच्छा काम करता है जितना कि परफेक्ट तरीका, खासकर जब मशीन फेज ट्रांज़िशन (जैसे जमने के बिंदु) के करीब होती है।

3. "रूल ऑफ थंब" (मीन-फील्ड - Mean-Field)

यह सबसे सरल दृष्टिकोण है, जो औसत के आधार पर एक मोटे अनुमान की तरह है।

यह कैसे काम करता है: यह मानता है कि मशीन का हर हिस्सा अन्य सभी हिस्सों के औसत व्यवहार से प्रभावित होता है, न कि विशिष्ट पड़ोसियों से। यह बिखरे हुए, विशिष्ट विवरणों को अनदेखा करता है और बड़ी तस्वीर देखता है।
उपमा: यदि आप किसी शहर के मौसम को जानना चाहते हैं, तो आप हर गली के कोने को नहीं मापते। आप बस मुख्य स्टेशन द्वारा रिपोर्ट किए गए औसत तापमान को देखते हैं।
परिणाम: यह बहुत तेज़ और गणना करने में आसान है। हालाँकि, यह "स्मार्ट शॉर्टकट" की तुलना में कम सटीक है, खासकर जब मशीन एक जटिल अवस्था (जैसे स्पिन-ग्लास, जहाँ हिस्से एक-दूसरे से लड़ रहे हों) में होती है।

प्रयोग: औज़ारों का परीक्षण

लेखकों ने केवल सिद्धांत की बात नहीं की; उन्होंने एक वर्चुअल लैब बनाई। उन्होंने चार अलग-अलग प्रकार की "मशीनें" (गणितीय मॉडल) बनाईं और डेटा उत्पन्न करने के लिए सिमुलेशन चलाए:

ऑर्डर्ड मशीन (Ising): एक व्यवस्थित ग्रिड जहाँ सब कुछ एक कतार में रहना चाहता है (जैसे एक चुंबक)।
मेसी मशीन (Spin Glass): एक ग्रिड जहाँ कुछ हिस्से एक कतार में रहना चाहते हैं और कुछ लड़ना चाहते हैं, जिससे एक अराजक स्थिति पैदा होती है।
मल्टी-कलर मशीन (Potts): केवल "ऊपर" या "नीचे" के बजाय, हिस्से चार अलग-अलग दिशाओं में हो सकते हैं।
"होल" मशीन (Blume-Capel): एक मशीन जहाँ हिस्से "ऊपर", "नीचे" या "खाली" (जैसे सिस्टम में छेद) हो सकते हैं।

उन्होंने इन मशीनों का दो आकारों पर परीक्षण किया: एक व्यवस्थित ग्रिड (शतरंज की बिसात की तरह) और एक रैंडम वेब (एक सोशल नेटवर्क की तरह जहाँ कनेक्शन रैंडम होते हैं)।

उन्होंने क्या पाया

तापमान मायने रखता है: "स्मार्ट शॉर्टकट" (स्यूडो-लाइकेलीहुड) तब सबसे अच्छा काम करता है जब डेटा एक "गोल्डिलॉक्स" तापमान पर एकत्र किया जाता है—न बहुत गर्म (बहुत रैंडम) और न बहुत ठंडा (बहुत जमा हुआ)। यदि मशीन बहुत ठंडी है, तो वह एक ही अवस्था में फंस जाती है, और डिटेक्टिव नियमों का अनुमान लगाने के लिए पर्याप्त विविधता नहीं देख पाता।
शॉर्टकट की जीत: "स्मार्ट शॉर्टकट" ने लगातार "रूल ऑफ थंब" (मीन-फील्ड) को पछाड़ दिया। यह कनेक्शनों का अनुमान लगाने में बेहतर था, यहाँ तक कि मेसी और अराजक मशीनों में भी।
शोर को साफ करना: उन्होंने "लसो" (Lasso) नामक एक तकनीक का भी परीक्षण किया। कल्पना कीजिए कि आप रेसिपी का अनुमान लगाने की कोशिश कर रहे हैं, लेकिन आपको संदेह है कि कई सामग्रियां वास्तव में सूप में नहीं हैं। लसो आपको उन सामग्रियों को अनदेखा करने में मदद करता है जो काम की नहीं हैं, जिससे अंतिम अनुमान अधिक साफ और सटीक हो जाता है, विशेष रूप से व्यवस्थित मशीनों के लिए।

निष्कर्ष

यह पेपर उन वैज्ञानिकों के लिए एक गाइडबुक है जो जटिल प्रणालियों को रिवर्स-इंजीनियर करना चाहते हैं। यह दिखाता है कि इन पहेलियों को सुलझाने के लिए आपको सुपरकंप्यूटर की आवश्यकता नहीं है। "स्मार्ट शॉर्टकट" (स्यूडो-लाइकेलीहुड) का उपयोग करके और डेटा एकत्र करने के समय तापमान के प्रति सावधान रहकर, आप सटीक रूप से जान सकते हैं कि एक जटिल प्रणाली कैसे जुड़ी हुई है, भले ही वह प्रणाली व्यवहार में एक नाटकीय बदलाव से गुजर रही हो।

लेखकों ने अपना सारा कोड ऑनलाइन उपलब्ध कराया है, जिससे दूसरों को अपने स्वयं के सिस्टम पर इन तरीकों को आज़माने और डेटा के साथ खेलने का निमंत्रण दिया गया है।

तकनीकी सारांश: अंतःक्रियात्मक प्रणालियों के लिए फेज ट्रांजिशन (अवस्था परिवर्तन) के तहत इनवर्स स्टैटिस्टिकल समस्याओं को सीखना और परीक्षण करना

समस्या विवरण
यह शोध पत्र सांख्यिकीय भौतिकी की एक 'इनवर्स समस्या' (inverse problem) को संबोधित करता है: देखे गए डेटा (स्पिन कॉन्फ़िगरेशन) से अंतर्निहित मॉडल मापदंडों (विशेष रूप से इंटरेक्शन कपलिंग $J_{ij}$ और बाहरी क्षेत्र $h_i$ ) का अनुमान लगाना, जो कि मानक "डायरेक्ट" समस्या (ज्ञात मापदंडों से अवलोकनीय की भविष्यवाणी करना) के विपरीत है। मुख्य चुनौती यह जांचना है कि ये अनुमान पद्धतियां तब कैसा प्रदर्शन करती हैं जब प्रणाली अवस्था परिवर्तन (phase transition) से गुजरती है। ऐसे शासन (regimes) में, डेटा की प्रकृति गुणात्मक रूप से बदल जाती है (जैसे, अव्यवस्थित पैरामैग्नेटिक से व्यवस्थित फेरोमैग्नेटिक या स्पिन-ग्लास अवस्था में), जो पुनर्निर्माण एल्गोरिदम की स्थिरता और सटीकता को प्रभावित कर सकती है। लेखक विभिन्न सांख्यिकीय यांत्रिकी मॉडलों, जिनमें प्रथम-क्रम (first-order) और द्वितीय-क्रम (second-order) के संक्रमण शामिल हैं, और नियमित जाली (regular lattices) एवं रैंडम ग्राफ दोनों पर, इन इनवर्स समस्याओं को हल करने के लिए एक शैक्षणिक और व्यावहारिक ढांचा प्रदान करने का लक्ष्य रखते हैं।

कार्यप्रणाली
लेखक तीन प्राथमिक अनुमान पद्धतियों का मूल्यांकन करते हैं, जिन्हें वे इक्विलिब्रियम स्टैटिस्टिकल मैकेनिक्स से व्युत्पन्न करते हैं और मशीन लर्निंग दृष्टिकोणों के साथ उनका अंतर स्पष्ट करते हैं:

मैक्सिमम लाइकलीहुड (ML): सैद्धांतिक रूप से इष्टतम, यह विधि डेटा के दिए गए मापदंडों की पोस्टीरियर प्रोबेबिलिटी को अधिकतम करती है। इसमें अनुभवजन्य औसत (मैग्नेटाइजेशन और कोरिलेशन) और बोल्ट्ज़मैन-गिब्स वितरण से प्राप्त सैद्धांतिक औसत के बीच के अंतर को कम करना शामिल है। हालांकि, लेखक नोट करते हैं कि सटीक ML के लिए पार्टिशन फंक्शन $Z$ की गणना करना आवश्यक है, जिसमें सभी $2^N$ (या $q^N$ ) कॉन्फ़िगरेशन का योग शामिल है, जिससे बड़े सिस्टम के लिए यह गणनात्मक रूप से अव्यवहार्य हो जाता है।
मैक्सिमम स्यूडो-लाइकेलीहुड (PL): पार्टिशन फंक्शन की जटिलता से बचने के लिए, PL विधि संयुक्त संभाव्यता (joint probability) को प्रत्येक स्पिन के लिए अन्य सभी स्पिनों के सापेक्ष सशर्त संभाव्यता (conditional probabilities) के गुणनफल के रूप में अनुमानित करती है। यह अनुमान समस्या को लॉजिस्टिक रिग्रेशन (या पॉट्स मॉडल के लिए मल्टीनोमियल लॉजिस्टिक रिग्रेशन) की एक श्रृंखला में बदल देता है। यह विधि इस धारणा पर निर्भर करती है कि मापे गए डेटा नमूने इक्विलिब्रियम एनसेम्बल के सांख्यिकीय रूप से प्रतिनिधि हैं। लेखक मापदंडों के लिए इटरेटिव ग्रेडिएंट डिसेंट अपडेट लागू करते हैं, और अनुभवजन्य कोरिलेशन की तुलना कंडीशनल मॉडल द्वारा अनुमानित कोरिलेशन से करते हैं।
मीन-फील्ड (MF) दृष्टिकोण: यह विधि नैव मीन-फील्ड सन्निकटन (approximation) का उपयोग करती है, जो फैक्टराइज्ड जॉइंट डिस्ट्रीब्यूशन और थर्माडायनामिक लिमिट में लुप्त कनेक्टेड कोरिलेशन को मानती है। यह एक सीधा विश्लेषणात्मक समाधान प्रदान करता है जहाँ कपलिंग मैट्रिक्स को अनुभवजन्य कोवेरिएंस मैट्रिक्स के नेगेटिव इनवर्स के रूप में अनुमानित किया जाता है ( $\beta J_{ij} = -(\Gamma^{-1})_{ij}$ )। हालांकि यह लो-डायमेंशनल लैटिस के लिए एक सन्निकटन है, यह अनंत-आयामी या रैंडम ग्राफ मॉडलों के लिए सटीक है।

यह अध्ययन ओवरफिटिंग को रोकने के लिए (विशेष रूप से जब मापदंडों की संख्या डेटा की मात्रा से अधिक हो या स्पार्स नेटवर्क का अनुमान लगाया जा रहा हो) रेगुलराइजेशन (विशेष रूप से $\ell_1$ -Lasso और $\ell_2$ नॉर्म्स) को भी शामिल करता है।

मॉडल और डेटा जनरेशन
इन पद्धतियों का परीक्षण चार विशिष्ट प्रणालियों के लिए सिंथेटिक डेटा पर किया गया है, जिसे मार्कोव चेन मोंटे कार्लो (MCMC) सिमुलेशन (Parallel Tempering/Exchange Monte Carlo और Wolff एल्गोरिदम का उपयोग करके) के माध्यम से उत्पन्न किया गया है:

आइसिंग मॉडल (Ising Model): 2D स्क्वायर लैटिस और एर्डोस-रेनी (ER) रैंडम ग्राफ पर फेरोमैग्नेटिक (व्यवस्थित कपलिंग) और स्पिन-ग्लास (अव्यवस्थित कपलिंग) दोनों वेरिएंट।
वेक्टर पॉट्स (क्लॉक) मॉडल: 3D क्यूबिक लैटिस और ER ग्राफ पर 4-स्टेट मॉडल।
ब्ल्यूम-कैपेल (Blume-Capel) मॉडल: सिंगल-आयन एनिसोट्रॉपी वाला स्पिन-1 मॉडल, जो 2D लैटिस और ER ग्राफ पर प्रथम-क्रम और द्वितीय-क्रम दोनों प्रकार के संक्रमणों, साथ ही ट्रिक्रिटिकल पॉइंट (tricritical point) प्रदर्शित करने में सक्षम है।

मुख्य परिणाम

प्रदर्शन तुलना: मैक्सिमम स्यूडो-लाइकेलीहुड (PL) विधि सभी तापमानों और मॉडलों में मीन-फील्ड (MF) दृष्टिकोण के बराबर या उससे बेहतर प्रदर्शन करती है।
रेगुलराइजेशन की भूमिका: व्यवस्थित कपलिंग वाले फेरोमैग्नेटिक सिस्टम में, स्पर्सिटी (sparsity) को लागू करने के लिए Lasso ( $\ell_1$ ) रेगुलराइजेशन जोड़ने से पुनर्निर्माण त्रुटि (reconstruction error) में काफी कमी आती है। अव्यवस्थित प्रणालियों (स्पिन-ग्लास) में, Lasso का लाभ कम सुसंगत है, जो कुछ विशिष्ट तापमानों पर परिणामों में सुधार करता है तो कुछ में उन्हें खराब भी कर देता है।
तापमान निर्भरता: क्रिटिकल स्लोइंग डाउन (critical slowing down) और बड़े उतार-चढ़ाव के कारण क्रिटिकल टेम्परेचर ( $T_c$ ) के पास पुनर्निर्माण सटीकता आम तौर पर घट जाती है, हालांकि PL विधि मजबूत बनी रहती है।
प्रथम-क्रम संक्रमण: ब्ल्यूम-कैपेल मॉडल में, लेखक देखते हैं कि अनुमान विशेष रूप से उन क्षेत्रों में कठिन हो जाता है जहाँ प्रथम-क्रम के संक्रमण हावी होते हैं या जहाँ सिस्टम "होल्स" (स्पिन $s_i=0$ ) द्वारा संचालित पैरामैग्नेटिक चरण में होता है। इन शासनों में, शून्य स्पिनों से कोरिलेशन जानकारी की कमी के कारण उच्च पुनर्निर्माण त्रुटियां होती हैं, जो PL पद्धति के लिए भी चुनौतीपूर्ण है।
रैंकिंग विश्लेषण: लेखक प्रदर्शित करते हैं कि हालांकि पूर्ण कपलिंग मानों में त्रुटियां हो सकती हैं, लेकिन परिमाण के आधार पर कपलिंग की रैंकिंग अच्छी तरह से संरक्षित रहती है, विशेष रूप से बड़े डेटासेट के साथ। यह सटीक कपलिंग स्ट्रेंथ में थोड़ी त्रुटि होने के बावजूद सही नेटवर्क टोपोलॉजी (अर्थात, कौन से लिंक मौजूद हैं) की पहचान करने की अनुमति देता है।

महत्व और दावे
यह शोध पत्र सांख्यिकीय यांत्रिकी और मशीन लर्निंग के बीच एक शैक्षणिक सेतु के रूप में कार्य करता है, जो फेज ट्रांजिशन की उपस्थिति में इनवर्स समस्याओं के लिए एक "टूलबॉक्स" प्रदान करता है। इसके प्राथमिक योगदान हैं:

शैक्षणिक स्पष्टता: यह ML, PL और MF पद्धतियों का एक संरचित परिचय प्रदान करता है, जो सांख्यिकीय अनुमान (मॉडल मापदंडों और अनिश्चितता पर ध्यान केंद्रित करना) और मशीन लर्निंग (भविष्यवाणी सटीकता पर ध्यान केंद्रित करना) के बीच स्पष्ट अंतर करता है, जबकि उनकी धुंधली सीमाओं को भी स्वीकार करता है।
व्यवस्थित बेंचमार्किंग: यह विभिन्न संक्रमण क्रमों (प्रथम बनाम द्वितीय) और टोपोलॉजी (लैटिस बनाम रैंडम ग्राफ) वाले मॉडलों में इन पद्धतियों की एक व्यापक तुलना प्रदान करता है, जो विशिष्ट विफलता मोड (जैसे, प्रथम-क्रम संक्रमण क्षेत्रों में) को उजागर करता है।
पुनरुत्पादकता (Reproducibility): लेखक अपने कार्य की व्यावहारिक उपयोगिता पर जोर देते हैं और एक GitHub रिपॉजिटरी प्रदान करते हैं जिसमें डेटा जनरेशन (MCMC) और अनुमान के लिए कोड शामिल है, जिससे उपयोगकर्ताओं को अपने परिणाम दोहराने और नए सिस्टमों पर प्रयोग करने की अनुमति मिलती है।

लेखक विनम्रतापूर्वक दावा करते हैं कि उनका कार्य एक सैद्धांतिक परिचय और व्यावहारिक उपकरण दोनों के रूप में कार्य करता है, जो जटिल प्रणालियों में इंटरेक्शन मैट्रिसेस के पुनर्निर्माण को सक्षम बनाता है जहाँ डेटा की प्रकृति फेज ट्रांजिशन के कारण बदल जाती है। वे यह दावा नहीं करते कि उन्होंने सभी इनवर्स समस्याओं को हल कर दिया है, बल्कि यह दर्शाते हैं कि इस संदर्भ में मानक सांख्यिकीय यांत्रिकी तकनीकों की प्रभावकारिता और सीमाएं क्या हैं।