⚛️ nuclear theory

Variational Neural Network Approach to QFT in the Field Basis

यह शोध पत्र मोमेंटम-स्पेस फील्ड बेसिस में फ्री क्लेन-गॉर्डन मॉडल को हल करने के लिए एक वेरिएशनल न्यूरल नेटवर्क दृष्टिकोण प्रस्तुत करता है, जो भविष्य के इंटरैक्टिंग थ्योरीज के अनुप्रयोगों के लिए एक आधार स्थापित करने हेतु प्रमुख ऑब्जर्वेबल्स के लिए सटीक विश्लेषणात्मक परिणामों के विरुद्ध इसकी सटीकता का व्यवस्थित रूप से बेंचमार्किंग करता है।

मूल लेखक: Kevin Braga, Nobuo Sato, Adam P. Szczepaniak

प्रकाशित 2026-04-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kevin Braga, Nobuo Sato, Adam P. Szczepaniak

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 विचार: कंप्यूटर को ब्रह्मांड का "सपना" देखना सिखाना

कल्पना कीजिए कि आप वास्तविकता के सबसे मौलिक निर्माण खंडों को समझने की कोशिश कर रहे हैं। भौतिकी में, इसे क्वांटम फील्ड थ्योरी (QFT) कहा जाता है। ब्रह्मांड को नन्हे बिलियर्ड बॉल्स (कणों) के संग्रह के रूप में नहीं, बल्कि क्षेत्रों (fields) के एक विशाल, अदृश्य महासागर के रूप में देखें। एक कण इस महासागर में उठने वाली एक लहर मात्र है।

समस्या यह है कि यह महासागर अविश्वसनीय रूप से जटिल है। इसमें अनंत लहरें, अनंत तरंगें हैं और इसे वर्णित करने वाली गणित इतनी कठिन है कि सबसे स्मार्ट सुपरकंप्यूटर भी केवल सरलतम मामलों को छोड़कर, इसे सटीक रूप से हल नहीं कर पाते हैं।

इस शोध पत्र का लक्ष्य:
लेखक एक कंप्यूटर (विशेष रूप से, एक आर्टिफिशियल इंटेलिजेंस) को यह सिखाना चाहते थे कि जब यह महासागर पूरी तरह से शांत हो (जिसे "ग्राउंड स्टेट" या वैक्यूम कहा जाता है), तो उस महासागर का "आकार" कैसा होगा। वे यह देखना चाहते थे कि क्या एक न्यूरल नेटवर्क, पहले से सभी उत्तर जाने बिना, इस क्वांटम महासागर के व्यवहार की भविष्यवाणी करना सीख सकता है।

उपमा: अनंत पियानो

यह समझने के लिए कि उन्होंने क्या किया, आइए एक उपमा का उपयोग करें।

एक अनंत कुंजियों (keys) वाले पियानो की कल्पना करें।

पुराना तरीका (फॉक स्पेस): पारंपरिक रूप से, भौतिक विज्ञानी इसे यह गिनकर हल करने की कोशिश करते थे कि एक साथ कितने स्वर (notes) बजाए जा रहे हैं (0 स्वर, 1 स्वर, 2 स्वर, आदि)। यह सरल गीतों के लिए ठीक काम करता है, लेकिन यदि संगीत जटिल और अराजक हो जाता है, तो संयोजनों की संख्या इतनी बड़ी हो जाती है कि उन्हें गिनना असंभव हो जाता है। यह एक-एक करके स्वरों को गिनकर हर संभव गीत की सूची बनाने की कोशिश करने जैसा है।
नया तरीका (फील्ड बेसिस): स्वरों को गिनने के बजाय, यह शोध पत्र स्वयं ध्वनि तरंग के आकार को देखता है। कल्पना कीजिए कि आप एक ही बार में पूरे पियानो कीबोर्ड की फोटो ले रहे हैं। "फील्ड" (क्षेत्र) हर एक कुंजी पर ध्वनि तरंग की ऊंचाई है।

लेखकों ने पूछा: क्या हम एक न्यूरल नेटवर्क को इस ध्वनि तरंग की फोटो देखकर यह बता सकता है कि क्या यह ब्रह्मांड की "सही" शांत अवस्था है?

उन्होंने यह कैसे किया: "अनुमान लगाओ और जाँचो" का खेल

उन्होंने केवल AI को अनुमान लगाने के लिए नहीं कहा; उन्होंने उसे वेरिएशनल लर्निंग (Variational Learning) नामक एक खेल खेलने के लिए दिया।

सेटअप: उन्होंने समस्या को सरल बनाया। पूरे ब्रह्मांड के बजाय, उन्होंने अंतरिक्ष की एक 1D पट्टी (जैसे गिटार का एक सिंगल स्ट्रिंग) को देखा और इसे छोटे, प्रबंधनीय टुकड़ों में विभाजित किया (डिसक्रेटाइजेशन)। इसे एक सहज, निरंतर लहर को 8 छोटे पिक्सल से बनी डिजिटल ऑडियो फ़ाइल में बदलने के रूप में समझें।
न्यूरल नेटवर्क: उन्होंने एक सरल AI (एक "न्यूरल नेटवर्क") बनाया जो एक अनुवादक के रूप में कार्य करता है।
- इनपुट: AI क्षेत्र के एक विशिष्ट पैटर्न (8 पिक्सल का एक विशिष्ट विन्यास) को देखता है।
- आउटपुट: AI एक संख्या देता है जो यह दर्शाती है कि वह पैटर्न कितना "संभावित" या "ऊर्जावान" है।
प्रशिक्षण (द "मिनिमाइजिंग" भाग):
- AI रैंडम अनुमान लगाकर शुरू करता है। यह एक अस्त-व्यस्त, शोर भरी लहर बनाता है।
- भौतिक विज्ञानी उस लहर की "ऊर्जा लागत" (energy cost) की गणना करते हैं। उच्च ऊर्जा = बुरा अनुमान। कम ऊर्जा = अच्छा अनुमान।
- AI अपनी आंतरिक सेटिंग्स को समायोजित करता है (जैसे रेडियो के नॉब घुमाना) ताकि ऊर्जा को कम किया जा सके।
- यह प्रक्रिया वह लाखों बार दोहराता है, धीरे-धीरे यह सीखता है कि "पूरी तरह से शांत" लहर कैसी दिखती है।

"सीक्रेट सॉस": मोमेंटम स्पेस (Momentum Space)

आमतौर पर, भौतिक विज्ञानी क्षेत्रों को पोजीशन स्पेस (जहाँ चीजें हो रही हैं: बाएँ, दाएँ, ऊपर, नीचे) में देखते हैं।

उपमा: एक मानचित्र को देखना और यह देखना कि ट्रैफिक जाम कहाँ है।

इस शोध पत्र ने कुछ चतुर किया: उन्होंने क्षेत्रों को मोमेंटम स्पेस (कि चीजें कितनी तेजी से कंपन कर रही हैं) में देखा।

उपमा: मानचित्र को देखने के बजाय, उन्होंने ट्रैफिक के ध्वनि स्पेक्ट्रम को देखा। उन्होंने कारों के स्थान के बजाय शोर की आवृत्तियों (कम गुनगुनाहट बनाम उच्च चीख) का विश्लेषण किया।

यह क्यों शानदार है?
"मोमेंटम" दृश्य में, ब्रह्मांड की जटिल अंतःक्रियाएं अक्सर सरल, स्वतंत्र कंपनों में सुलझ जाती हैं। यह एक अस्त-व्यस्त ऑर्केस्ट्रा को सुनने जैसा है और यह महसूस करना कि यदि आप आवृत्तियों को सुनें, तो वायलिन विभाग एक सरल गीत बजा रहा है, और ड्रम एक सरल बीट बजा रहे हैं, और वे एक-दूसरे में हस्तक्षेप नहीं कर रहे हैं। इसने AI के लिए पैटर्न सीखना बहुत आसान बना दिया।

परिणाम: क्या AI सही था?

उन्होंने परीक्षण के लिए एक "फ्री" मॉडल (एक सरल, गैर-परस्पर क्रिया वाला ब्रह्मांड) का उपयोग किया जिसका उत्तर पहले से ज्ञात था।

ऊर्जा: AI ने वैक्यूम की ऊर्जा की गणना की और इसे लगभग बिल्कुल सही पाया (त्रुटि के एक बहुत छोटे मार्जिन के भीतर)।
सहसंबंध (Correlations): उन्होंने जांचा कि क्या AI समझता है कि क्षेत्र के विभिन्न हिस्से एक-दूसरे से कैसे जुड़े हुए हैं। AI ने सही भविष्यवाणी की कि एक शांत अवस्था में, अलग-अलग बिंदुओं पर लहरें ज्यादातर स्वतंत्र थीं (जैसे एक शांत झील जहाँ एक लहर दूसरी तरफ लहर पैदा नहीं करती)।
विज़ुअलाइज़ेशन: उन्होंने वास्तव में उस लहर को देखा जिसे AI ने सीखा था। यह चिकनी, सममित और शांत दिख रही थी—ठीक वैसा ही जैसा एक भौतिक विज्ञ विज्ञ एक वैक्यूम से उम्मीद करता है।

यह क्यों मायने रखता है?

आप पूछ सकते हैं, "हमें पहले से ही इस सरल मॉडल का उत्तर पता है। फिर इसकी आवश्यकता क्यों है?"

अज्ञात की ओर सेतु:
यह शोध पत्र एक प्रूफ ऑफ कॉन्सेप्ट है। यह एक बच्चे को व्यस्त शहर में भेजने से पहले उसे एक खाली, समतल पार्किंग लॉट में साइकिल चलाना सिखाने जैसा है।

पार्किंग लॉट: सरल मॉडल जिसे उन्होंने हल किया।
व्यस्त शहर: वास्तविक दुनिया की भौतिकी, जैसे कि मजबूत परमाणु बल (QCD) जो परमाणुओं को बांधे रखता है, या प्रारंभिक ब्रह्मांड में पदार्थ का निर्माण। ये "इंटरैक्टिंग" सिस्टम हैं जहाँ वर्तमान विधियों के साथ गणित को हल करना असंभव है।

निष्कर्ष:
यह कार्य सिद्ध करता है कि न्यूरल नेटवर्क सीधे क्वांटम क्षेत्रों के "आकार" को सीख सकते हैं, बिना ब्रह्मांड को कणों की सूची में सरल बनाए। यह AI का उपयोग करके ब्रह्मांड की अनसुलझी समस्याओं को हल करने के द्वार खोलता है, जिससे निम्नलिखित को समझने में मदद मिल सकती है:

कणों का द्रव्यमान क्यों होता है।
प्रोटॉन कैसे जुड़े रहते हैं।
वैक्यूम (शून्य) की प्रकृति क्या है।

एक वाक्य में सारांश

लेखकों ने एक AI को उसके स्थान के बजाय उसके कंपन का विश्लेषण करके एक क्वांटम क्षेत्र की "परफेक्टली शांत" अवस्था का सपना देखना सिखाया, यह साबित करते हुए कि यह विधि सरल समस्याओं पर पूरी तरह से काम करती है और ब्रह्मांड के सबसे कठिन रहस्यों से निपटने के लिए तैयार है।

यहाँ शोध पत्र "Variational Neural Network Approach to QFT in the Field Basis" (JLAB-THY-25-4428) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

क्वांटम फील्ड थ्योरी (QFT) अनंत डिग्री ऑफ फ्रीडम, अल्ट्रावॉयलेट डाइवर्जेंस (ultraviolet divergences), और वैक्यूम की जटिल प्रकृति के कारण गैर-परटर्बेटिव (non-perturbative) गणनाओं के लिए महत्वपूर्ण चुनौतियाँ प्रस्तुत करती है। पारंपरिक वेरिएशनल विधियाँ (जैसे कि गॉसियन इफेक्टिव एक्शन) अक्सर प्रतिबंधात्मक ट्रायल वेवफंक्शनल्स (trial wavefunctionals) पर निर्भर करती हैं जो जटिल एंटैंगलमेंट या गैर-परटर्बेटिव डायनेमिक्स को पकड़ने में विफल रहती हैं।

जबकि हालिया मशीन लर्निंग दृष्टिकोणों ने कई-शरी क्वांटम प्रणालियों (many-body quantum systems) पर न्यूरल नेटवर्क को सफलतापूर्वक लागू किया है, QFT में उनका अनुप्रयोग विशिष्ट बाधाओं का सामना करता है:

प्रतिनिधित्व (Representation): निरंतर फील्ड कॉन्फ़िगरेशन को संख्यात्मक मानों में मैप करना बिना विविक्तीकरण (discretization) के कम्प्यूटेशनल रूप से असंभव है।
आधार का चयन (Basis Choice): कई मौजूदा दृष्टिकोण फोक स्पेस (Fock space/particle number) को सीमित करते हैं या वास्तविक स्थान (real space) को विविक्त करते हैं, जो निरंतर भौतिकी (continuum physics) को बाधित कर सकते हैं या अत्यधिक जटिल हो सकते हैं।
बेंचमार्किंग (Benchmarking): फील्ड बेसिस (विशेष रूप से मोमेंटम स्पेस में) में विश्लेषणात्मक रूप से हल करने योग्य मॉडलों के विरुद्ध न्यूरल नेटवर्क दृष्टिकोणों के लिए व्यवस्थित बेंचमार्क की कमी है।

लेखक फील्ड बेसिस (श्रोडिंगर पिक्चर) में एक वेरिएशनल न्यूरल नेटवर्क फ्रेमवर्क विकसित करके और इसे मोमेंटम स्पेस में विश्लेषणात्मक रूप से हल करने योग्य फ्री क्लेन-गॉर्डन (Klein–Gordon) मॉडल के विरुद्ध बेंचमार्क करके इन कमियों को दूर करने का लक्ष्य रखते हैं।

2. कार्यप्रणाली (Methodology)

सैद्धांतिक ढांचा (Theoretical Framework)

मॉडल: यह अध्ययन 1D में फ्री क्लेन-गॉर्डन मॉडल पर केंद्रित है, जिसे श्रोडिंगर पिक्चर में तैयार किया गया है।
आधार (Basis): लेखक पोजीशन स्पेस के बजाय मोमेंटम स्पेस ( $k$ -space) में कार्य करते हैं। यह फ्री हैमिल्टोनियन को विकर्णित (diagonalize) करने की अनुमति देता है, जिससे समस्या को डिकपल्ड हार्मोनिक ऑसिलेटर्स के एक सेट में सरल बनाया जा सके।
विविक्तीकरण (Discretization): निरंतर मोमेंटम डोमेन $[0, k_{max}]$ को $\Delta k$ अंतराल वाले $N_k$ ग्रिड पॉइंट्स में विभाजित किया गया है। फील्ड कॉन्फ़िगरेशन $\tilde{\phi}(k)$ को वास्तविक मानों के एक वेक्टर $\tilde{\phi}_k$ के रूप में दर्शाया गया है।
हैमिल्टोनियन (Hamiltonian): विविक्त हैमिल्टोनियन को मोड के योग के रूप में व्यक्त किया गया है:
$H = \frac{1}{2} \sum_{k=1}^{N_k} \frac{\Delta k}{2\pi} \left( -\frac{\delta^2}{\delta \tilde{\phi}_k^2} + (k^2 + m^2)\tilde{\phi}_k^2 \right)$
जहाँ फंकशनल डेरिवेटिव (functional derivative) को संख्यात्मक रूप से अनुमानित किया गया है।

न्यूरल नेटवर्क आर्किटेक्चर और प्रशिक्षण (Neural Network Architecture & Training)

एन्सात्ज़ (Ansatz): ग्राउंड-स्टेट वेवफंक्शनल $\Psi[\tilde{\phi}]$ $Ψ [\tilde{ϕ}]$ को एक फीड-फॉरवर्ड न्यूरल नेटवर्क द्वारा पैरामीटराइज किया गया है।
- इनपुट: एक फील्ड कॉन्फ़िगरेशन वेक्टर $\tilde{\phi} = (\tilde{\phi}_1, \dots, \tilde{\phi}_{N_k})$ ।
- आउटपुट: वेवफंक्शनल का आयाम (amplitude)।
- संरचना: 256 न्यूरॉन्स वाले एक सिंगल हिडन लेयर वाला एक सरल आर्किटेक्चर (8 इनपुट्स $\to$ 256 हिडन $\to$ 1 आउटपुट)।
वेरिएशनल सिद्धांत (Variational Principle): नेटवर्क को हैमिल्टोनियन के एक्सपेक्टेशन वैल्यू $\langle \hat{H} \rangle$ को कम करने के लिए प्रशिक्षित किया जाता है।
डेरिवेटिव अनुमान (Derivative Approximation): काइनेटिक एनर्जी टर्म (द्वितीय फंकशनल डेरिवेटिव) का मूल्यांकन करने के लिए, लेखक $\delta^2 \Psi / \delta \tilde{\phi}_k^2$ का अनुमान लगाने के लिए एक फाइव-पॉइंट फाइनाइट डिफरेंस स्टेंसिल (five-point finite difference stencil) का उपयोग करते हैं।
सैंपलिंग (Sampling):
- फील्ड कॉन्फ़िगरेशन को प्रोबेबिलिटी डेंसिटी $p(\tilde{\phi}) \propto |\Psi(\tilde{\phi})|^2$ के आधार पर VEGAS एल्गोरिदम (एडाप्टिव इम्पोर्टेंस सैंपलिंग) का उपयोग करके सैंपल किया गया है।
- एक्सपेक्टेशन वैल्यू का अनुमान प्रति एपोक $N_f = 50,000$ सैंपल्स के मोंटे कार्लो इंटीग्रेशन के माध्यम से लगाया जाता है।
- लेखक मिनी-बैचिंग से बचते हैं, और फील्ड स्पेस का पर्याप्त कवरेज सुनिश्चित करने के लिए नेटवर्क पैरामीटर्स को अपडेट करने के लिए उत्पन्न किए गए पूर्ण सेट का उपयोग करते हैं।

3. मुख्य योगदान (Key Contributions)

फील्ड-बेसिस फॉर्मुलेशन: यह पेपर सीधे फील्ड बेसिस में QFT वेरिएशनल मेथड्स के लिए एक मजबूत ढांचा स्थापित करता है, जो फोक-स्पेस ट्रंकेशन (Fock-space truncations) से बचता है। यह उन गैर-परटर्बेटिव अवस्थाओं के वर्णन के लिए महत्वपूर्ण है जहाँ कण संख्या (particle number) एक सुपरिभाषित अवधारणा नहीं है।
मोमेंटम-स्पेस बेंचमार्किंग: फ्री क्लेन-गॉर्डन मॉडल के लिए मोमेंटम स्पेस में काम करके, लेखक एक नियंत्रित वातावरण प्रदान करते हैं जहाँ ग्राउंड स्टेट ऊर्जा, कोरिलेटर्स और वेवफंक्शनल संरचना के लिए सटीक विश्लेषणात्मक समाधान मौजूद हैं। यह QFT में न्यूरल नेटवर्क दृष्टिकोणों के लिए एक कठोर "सेंटी चेक" के रूप में कार्य करता है।
ऑपरेटर कंसिस्टेंसी: यह विधि कैनोनिकल मोमेंटम ऑपरेटर्स को फंकशनल डेरिवेटिव के रूप में मानकर, एक विविक्त संख्यात्मक ढांचे के भीतर भी, निरंतर फील्ड थ्योरी के साथ वैचारिक संरेखण बनाए रखती है।
वेवफंक्शनल का विज़ुअलाइज़ेशन: ब्लैक-बॉक्स ऑप्टिमाइज़ेशन के विपरीत, यह दृष्टिकोण सीखे गए वेवफंक्शनल के प्रत्यक्ष विज़ुअलाइज़ेशन और विश्लेषण की अनुमति देता है, जो इसके संरचनात्मक गुणों (सममिति, गुणनखंड और स्मूथनेस) को प्रकट करता है।

4. परिणाम (Results)

न्यूरल नेटवर्क को एक विविक्त ग्रिड ( $N_k=8, k \in [0, 1]$ ) के साथ मास $m$ और कटऑफ $k_{max}$ पर प्रशिक्षित किया गया था।

ग्राउंड स्टेट एनर्जी:
- नेटवर्क 4.6206 ± 0.0060 के ऊर्जा अनुमान के साथ तेजी से अभिसरित (converge) हुआ।
- यह सांख्यिकीय अनिश्चितताओं के भीतर सटीक विश्लेषणात्मक मान 4.6250 के अनुरूप है।
अवलोकनीय (Observables):
- मीन फील्ड: $\langle \tilde{\phi}_k \rangle$ को सही ढंग से शून्य के करीब पुनर्निर्मित किया गया, जो फ्री थ्योरी की सममिति के अनुरूप है।
- टू-पॉइंट कोरिलेटर्स: डायगोनल टर्म्स $\langle \tilde{\phi}_i^2 \rangle$ और पूर्ण कोरिलेशन मैट्रिक्स $\langle \tilde{\phi}_i \tilde{\phi}_j \rangle$ को सटीक रूप से पुनरुत्पादित किया गया। नेटवर्क ने डायगोनल डोमिनेंस (डिकपल्ड ऑसिलेटर्स) और नगण्य ऑफ-डायगोनल कोरिलेशन को सही ढंग से कैप्चर किया।
वेवफंक्शनल संरचना:
- फैक्टरइज़ेशन (Factorization): विज़ुअलाइज़ेशन ने पुष्टि की कि सीखा गया वेवफंक्शनल मोमेंटम मोडों के बीच फैक्टराइज़ होता है ( $P(\tilde{\phi}_{1:8}) = \prod P(\tilde{\phi}_i)$ ), जो फ्री थ्योरी के सैद्धांतिक अपेक्षा के अनुरूप है।
- प्रोबेबिलिटी डिस्ट्रीब्यूशन: उच्च-संभावना वाले सैंपल्स ने स्मूथ, लो-वेरिएंस फील्ड कॉन्फ़िगरेशन दिखाए, जबकि लो-प्रोबेबिलिटी टेल्स (tails) ने बड़े उतार-चढ़ाव प्रदर्शित किए, जो ग्राउंड स्टेट की गॉसियन प्रकृति को सही ढंग से दर्शाते हैं।

5. महत्व और भविष्य की संभावनाएं (Significance and Outlook)

वैलिडेशन: सटीक ग्राउंड स्टेट और उसके अवलोकनीय की सफल पुनरावृत्ति, फील्ड बेसिस में QFT के लिए वेरिएशनल एन्सेट्स के रूप में न्यूरल नेटवर्क के उपयोग की व्यवहार्यता को प्रमाणित करती है।
स्केलेबिलिटी (Scalability): यह ढांचा स्वाभाविक रूप से निम्नलिखित के लिए विस्तार करने के लिए डिज़ाइन किया गया है:
- इंटरैक्टिंग थ्योरीज: जैसे कि $\phi^4$ थ्योरी।
- उच्च आयाम (Higher Dimensions): 1D से आगे विस्तार।
- गेज थ्योरीज: गेज सिमेट्री को शामिल करने के लिए और अधिक विकास के साथ।
भविष्य की दिशाएं:
- पोजीशन स्पेस: इंटरैक्शन को अधिक स्वाभाविक रूप से संभालने के लिए मोमेंटम से पोजीशन स्पेस की ओर बढ़ना।
- कंटीन्यूअस डेरिवेटिव्स: संख्यात्मक स्थिरता और निरंतरता में सुधार के लिए इंटरपोलेशन-आधारित विधियों (जैसे स्मूथ फील्ड्स को दर्शाने के लिए न्यूरल नेटवर्क का उपयोग करना) का उपयोग करके फाइनाइट-डिफरेंस स्टेंसिल को बदलना।
- गैर-परटर्बेटिव घटनाएँ: टोपोलॉजिकल सॉलिटोन, बाउंड स्टेट्स और प्रोटॉन वेवफंक्शन (QCD में) के अध्ययन के लिए इस पद्धति को लागू करना, जो कन्फाइनमेंट और वैक्यूम संरचना के बारे में नई अंतर्दृष्टि प्रदान कर सकता है।

निष्कर्षतः, यह कार्य मशीन लर्निंग में QFT के लिए एक मौलिक, नियंत्रित बेंचमार्क प्रदान करता है, जो यह प्रदर्शित करता है कि न्यूरल नेटवर्क फोक-स्पेस ट्रंकेशन पर निर्भर किए बिना क्वांटम फील्ड ग्राउंड स्टेट्स की जटिल संरचना को सटीक रूप से सीख सकते हैं।