Artificial Intelligence for Quantum Matter: Finding a Needle in a Haystack
यह शोध पत्र संभाव्यता घनत्व (probability density) और धारा घनत्व (current density) का उपयोग करके जटिल अनेक-निकाय तरंग फलनों (many-body wave functions) को निरूपित करने के लिए न्यूरल नेटवर्क को प्रशिक्षित करने की एक सामान्य और कुशल विधि प्रस्तुत करता है, जो फ्रैक्शनल क्वांटम हॉल अवस्थाओं जैसे अत्यधिक उलझे हुए क्वांटम तंत्रों के अनुकरण में उच्च सटीकता प्राप्त करता है और भौतिकी-सूचित प्रारंभिककरण (physics-informed initialization) के माध्यम से 25 कणों तक की पहले अप्राप्य समस्याओं को हल करने में सक्षम बनाता है।
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 पूरे ब्रह्मांड के आकार के एक घास के ढेर (haystack) में छिपी एक विशिष्ट, अकेली सुई को खोजने की कोशिश कर रहे हैं। यह मूल रूप से उस चुनौती को दर्शाता है जिसका सामना भौतिक विज्ञानी क्वांटम पदार्थ (quantum matter) को समझने के लिए करते हैं—जैसे कि इलेक्ट्रॉनों के समूह का व्यवहार जो रहस्यमय, उलझे हुए (entangled) तरीकों से एक साथ कार्य करते हैं।
द दशकों से, कंप्यूटर इस "घास के ढेर में सुई" वाली समस्या से जूझ रहे हैं। जैसे-जैसे आप अधिक कण जोड़ते हैं, जटिलता विस्फोट की तरह बढ़ती जाती है। यह एक पूरे ग्रह के मौसम की भविष्यवाणी करने के लिए हर एक वायु अणु को ट्रैक करने जैसा है; गणित इतना बड़ा हो जाता है कि सबसे शक्तिशाली सुपरकंप्यूटर भी इसे संभालने में असमर्थ होते हैं।
यहाँ बताया गया है कि कैसे MIT का यह नया शोध इस समस्या को हल करने के लिए आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग करता है।
1. समस्या: एक "असंभव" छवि
एक एकल इलेक्ट्रॉन के वेव फंक्शन (उसकी क्वांटम अवस्था) को एक रंगीन छवि के रूप में सोचें।
- चमक (Brightness) आपको बताती है कि इलेक्ट्रॉन के होने की संभावना कहाँ अधिक है।
- रंग (Color) इसके "फेज" (phase) को बताता है (एक छिपा हुआ गुण जो इसके चलने और घूमने से संबंधित है)।
अब, कल्पना कीजिए कि आपके पास 20 या 25 इलेक्ट्रॉन हैं। उन सभी का वर्णन करने के लिए, आपको अब 2D छवि की आवश्यकता नहीं है; आपको एक "हाइपर-इमेज" की आवश्यकता है जो 50 आयामों (dimensions) वाले स्थान में रहती है। इस हाइपर-इमेज के स्वरूप का अनुमान लगाने की कोशिश करना आँखों पर पट्टी बांधकर एक उत्कृष्ट कृति (masterpiece) बनाने जैसा है, जहाँ आप एक साथ हर पिक्सेल का अनुमान लगा रहे हैं।
2. पुराना तरीका: अनुमान लगाना और जांचना
पहले, वैज्ञानिक इस छवि का अनुमान लगाने के लिए AI का उपयोग सीधे अपने अनुमान की "सही" उत्तर (सुई) से तुलना करके करते थे।
- दोष: क्योंकि घास का ढेर बहुत विशाल है, इसलिए आपके अनुमान के सुई के "करीब" होने की संभावना लगभग शून्य है। यह समुद्र तट पर रेत के एक विशिष्ट कण को यादृच्छिक रूप से एक हाथ में उठाकर खोजने जैसा है। कंप्यूटर को कोई उपयोगी फीडबैक नहीं मिलता, इसलिए वह कभी सीख नहीं पाता।
3. नया समाधान: "आकार" और "प्रवाह" को सीखना
MIT की टीम ने महसूस किया कि उन्हें तुरंत सुई खोजने की आवश्यकता नहीं है। इसके बजाय, उन्होंने AI को पहले दो सरल चीजें सीखने के लिए प्रशिक्षित किया:
- घनत्व (The Density - आकार): कणों के होने की सबसे अधिक संभावना कहाँ है? (जैसे घास के ढेर की रूपरेखा देखना)।
- धारा (The Current - प्रवाह): कण कैसे चल रहे हैं? (जैसे घास के बीच से बहती हवा को देखना)।
उपमा (Analogy):
कल्पना कीजिए कि आप एक जटिल नृत्य (dance routine) सीखने की कोशिश कर रहे हैं।
- पुराना तरीका: आप हर सेकंड प्रत्येक नर्तक की उंगली की सटीक स्थिति को याद रखने की कोशिश करते हैं। यदि आप एक भी गलत होते हैं, तो पूरा नृत्य विफल हो जाता है।
- नया तरीका: आप पहले फुटवर्क (नर्तक कहाँ खड़े हैं) और लय (वे कैसे चल रहे हैं) को सीखते हैं। एक बार जब AI फुटवर्क और लय में महारत हासिल कर लेता है, तो वह आसानी से उंगलियों की विशिष्ट स्थितियों का पता लगा सकता है।
इन दो भौतिक "सुरागों" (घनत्व और प्रवाह) पर ध्यान केंद्रित करके, AI घास के ढेर के बीच बहुत अधिक कुशलता से नेविगेट कर सकता है।
4. जादुई ट्रिक: "प्री-ट्रेनिंग" (Pre-Training)
एक बार जब AI इन विशिष्ट, ज्ञात क्वांटम अवस्थाओं (सुइयों) को फिर से बनाना सीख जाता है, तो शोधकर्ता प्री-ट्रेनिंग नामक तकनीक का उपयोग करते हैं।
- इसे AI को एक शुरुआती बढ़त देने के रूप में समझें। एक नई, कठिन समस्या को हल करने के लिए शून्य से शुरू करने के बजाय, वे AI में उस ज्ञान को लोड करते हैं जो उसने अभी सीखा है।
- यह एक छात्र को उपन्यास लिखने के लिए कहने से पहले उसे वर्णमाला और व्याकरण सिखाने जैसा है। छात्र (AI) अब 25 इलेक्ट्रॉनों (एक ऐसा सिस्टम जिसे सिम्युलेट करना पहले असंभव था) की कहानी को आसानी से संभाल सकता है।
5. परिणाम: उन्होंने क्या पाया?
इस पद्धति का उपयोग करते हुए, AI ने 99.9% सटीकता के साथ जटिल क्वांटम अवस्थाओं को सफलतापूर्वक पुन: निर्मित किया।
- खोज: जब उन्होंने इसे फ्रैक्शनल क्वांटम हॉल इफेक्ट (एक ऐसी अवस्था जहाँ इलेक्ट्रॉन एक अंश आवेश वाले तरल की तरह व्यवहार करते हैं) पर लागू किया, तो उन्हें कुछ नया मिला।
- उन्होंने पाया कि इस इलेक्ट्रॉन "ड्रॉपलेट" का किनारा (edge) तीक्ष्ण नहीं है। इसके बजाय, इलेक्ट्रॉनों का घनत्व किनारे से बहुत दूर तक लहरों की तरह कंपन और दोलन करता है, जैसे तट पर टकराती लहरें। यह सुझाव देता है कि इन क्वांटम सामग्रियों का "किनारा" पहले के वैज्ञानिकों की तुलना में बहुत अधिक जटिल और प्रभावशाली है।
यह क्यों महत्वपूर्ण है
यह शोधपत्र एक सफलता है क्योंकि यह सिद्ध करता है कि AI को केवल एक 'ब्रूट-फोर्स कैलकुलेटर' होने की आवश्यकता नहीं है; यह एक स्मार्ट भौतिक विज्ञानी भी हो सकता है।
डीप लर्निंग को भौतिक नियमों (जैसे कण कैसे बहते हैं) के साथ जोड़कर, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो मानक कंप्यूटरों पर अत्यधिक जटिल क्वांटम प्रणालियों का अनुकरण (simulate) कर सकता है। यह नए पदार्थों को डिजाइन करने, सुपरकंडक्टर्स (जो लॉसलेस पावर ग्रिड की ओर ले जा सकते हैं) को समझने और क्वांटम कंप्यूटिंग के भविष्य की खोज करने का द्वार खोलता है।
संक्षेप में: उन्होंने पूरे घास के ढेर को अंधे होकर देखने के बजाय सुई खोजने की कोशिश करना बंद कर दिया। इसके बजाय, उन्होंने AI को घास के ढेर के आकार और उसके बीच से बहने वाली हवा को पहचानना सिखाया, जिससे वह सुई को तुरंत ढूंढ सका।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।