Combining complex Langevin dynamics with score-based and energy-based diffusion models

कल्पना कीजिए कि आप एक पहेली सुलझाने की कोशिश कर रहे हैं, लेकिन उसके टुकड़े अदृश्य, बदलती हुई धुंध से बने हैं। भौतिकी की दुनिया में, विशेष रूप से उन सिद्धांतों के साथ काम करते समय जिनमें "कॉम्प्लेक्स" (जटिल) संख्याएँ होती हैं (सोचिए कि वे संख्याएँ एक सीधी रेखा पर बैठने के बजाय एक वृत्त में घूमती हैं), वैज्ञानिक एक कुख्यात सिरदर्द का सामना करते हैं जिसे "साइन प्रॉब्लम" (sign problem) कहा जाता है। यह एक भूत को तौलने की कोशिश करने जैसा है; गणित बहुत उलझ जाता है, और मानक कंप्यूटर सिमुलेशन या तो अटक जाते हैं या गलत उत्तर देते हैं।

वर्षों से, भौतिकविदों ने कॉम्प्लेक्स लैंजविन (Complex Langevin - CL) डायनेमिक्स नामक एक तरकीब का उपयोग किया है। इसे एक अंधे अंधे दृष्टि वाले यात्री के रूप में सोचें जो एक धुंधले, द्वि-आयामी परिदृश्य में भटक रहा है। यात्री नियमों के एक सेट (एक "ड्रिफ्ट") का पालन करता है जो उसे इधर-उधर धकेलता है, इस उम्मीद में कि यदि वह पर्याप्त समय तक चलता रहा, तो उसका पथ उस छिपे हुए पहाड़ के वास्तविक आकार को प्रकट कर देगा। समस्या क्या है? हमें वास्तव में पता नहीं है कि पहाड़ कैसा दिखता है। हम यात्री के कदमों को देख सकते हैं, लेकिन हम स्वयं भूभाग (terrain) को नहीं देख सकते। यात्री के जहाँ भी पहुँचने की संभावना है, उस वितरण (distribution) का स्वरूप एक रहस्य है, और कभी-कभी यात्री पूरी तरह से गलत घाटी में भटक जाता है।

बड़ा विचार: कोहरे का मानचित्र बनाने के लिए एक रोबोट को सिखाना

यह शोध पत्र एक नया प्रश्न पूछता है: क्या हम एक प्रकार के आर्टिफिशियल इंटेलिजेंस, जिसे डिफ्यूजन मॉडल (Diffusion Model) कहा जाता है, का उपयोग केवल उस यात्री को देखकर उस धुंधले पहाड़ के आकार को समझने के लिए कर सकते हैं?

जेनरेटिव एआई की दुनिया में, डिफ्यूजन मॉडल उन कलाकारों की तरह हैं जो एक शोर भरे, स्थिर टीवी स्क्रीन से शुरू करके और धीरे-धीरे उसे साफ करके एक स्पष्ट छवि बनाते हैं। वे हजारों उदाहरणों का अध्ययन करके सीखते हैं। यहाँ, लेखकों ने इन एआई मॉडलों को कॉम्प्लेक्स लैंजविन यात्री द्वारा उत्पन्न "कदमों" (डेटा) को खिलाया। लक्ष्य केवल और अधिक कदम बनाना नहीं था, बल्कि उस अदृश्य परिदृश्य को समझना था जिस पर यात्री चल रहा था।

दो दृष्टिकोण: दिशा-सूचक यंत्र बनाम स्थलाकृतिक मानचित्र (The Compass vs. The Topographic Map)

शोधकर्ताओं ने एआई को सिखाने के दो अलग-अलग तरीकों का परीक्षण किया:

1. स्कोर-आधारित मॉडल (द कंपास - दिशा-सूचक यंत्र): यह दृष्टिकोण "स्कोर" को सीखने की कोशिश करता है, जो अनिवार्य रूप से एक दिशा-सूचक सुई की तरह है जो उस सबसे संभावित स्थान की ओर इशारा करती है जहाँ यात्री को होना चाहिए। यह बताने में बहुत अच्छा है कि किस दिशा में जाना है, लेकिन शोध पत्र में पाया गया कि इसमें एक पेंच है: यह दिशा-सूचक हमेशा विश्वसनीय नहीं होता है। कभी-कभी, सुई ऐसी दिशा में इशारा करती है जो तर्कसंगत नहीं लगती यदि आप किसी शुरुआती बिंदु से वापस जाने का रास्ता खोजने की कोशिश करें। यह एक ऐसे दिशा-सूचक की तरह है जो चुंबकीय तूफान में बेतहाशा घूमता है; यह आपको बताता है कि हवा चल रही है, लेकिन आप इसका उपयोग पूरे भूभाग का सटीक मानचित्र बनाने के लिए नहीं कर सकते। लेखकों ने दिखाया कि इस "स्कोर" में एक घूमता हुआ, गैर-संरक्षण (non-conservative) घटक है—यह कोई साधारण, चिकना पहाड़ नहीं है जिस पर आप चढ़ सकें।

2. ऊर्जा-आधारित मॉडल (द टोपोग्राफिक मैप - स्थलाकृतिक मानचित्र): यह दृष्टिकोण सीधे तौर पर "ऊर्जा" को सीखने की कोशिश करता है। इसे ऐसे सोचें कि एआई सीधे पहाड़ के वास्तविक 3D आकार को बनाने की कोशिश कर रहा है, जहाँ ऊँचे स्थान असंभव हैं और निचले स्थान संभावित हैं। क्योंकि यह मॉडल एक ठोस आकार (एक ऊर्जा परिदृश्य) बनाता है, इसमें एक अंतर्निहित नियम है: दिशा-सूचक (ग्रेडिएंट) को हमेशा ढलान की ओर नीचे की ओर इशारा करना चाहिए। यह मानचित्र को सुसंगत बनाता है।

वे क्या पाए (सिमुलेशन के परिणाम)

टीम ने इस परीक्षण के लिए कॉम्प्लेक्स-वैल्यूड क्वार्टिक मॉडल (complex-valued quartic model) नामक एक विशिष्ट, सुप्रसिद्ध गणितीय समस्या का उपयोग किया। यह एक सरल खेल का मैदान है जिसमें एक डिग्री का स्वतंत्रता (degree of freedom) है जो दो आयामों ($x$ और $y$) में जटिल (complexify) हो जाता है।

• यात्री का पथ: जब उन्होंने कॉम्प्लेक्स लैंजविन सिमुलेशन चलाया, तो यात्री परिदृश्य की एक संकीर्ण पट्टी में ही रहा, और एक निश्चित सीमा (विशेष रूप से, $|y| < 0.3029$) के परे कभी नहीं भटक सका। यात्री के पथ ने दो अलग-अलग "शिखर" या पसंदीदा स्थान दिखाए।
• एआई की सफलता: दोनों एआई मॉडलों ने इस व्यवहार को सीखा।
  • स्कोर-आधारित मॉडल ने हवा की दिशा को सीखा और नए यात्री पथ उत्पन्न करने में सक्षम रहा जो मूल पथों के बहुत समान थे। हालाँकि, क्योंकि इसका "दिशा-सूचक" थोड़ा अस्थिर था, यह बिना अतिरिक्त काम किए पूरे परिदृश्य का एक पूर्ण, चिकना मानचित्र आसानी से नहीं बना सका।
  • ऊर्जा-आधारित मॉडल मुख्य आकर्षण रहा। इसने सफलतापूर्वक पहाड़ के वास्तविक आकार को सीखा। लेखक एआई की सीखी हुई "ऊर्जा" का उपयोग करके और बिना किसी और सिमुलेशन को चलाए, तुरंत इसे एक संभाव्यता मानचित्र (प्रोबेबिलिटी मैप) में बदलने में सक्षम थे। यह एक बड़ी बात थी क्योंकि यह पहली बार था जब कॉम्प्लेक्स लैंजविन प्रक्रिया द्वारा नमूना लिया गया वितरण, डेटा का एक विशाल हिस्टोग्राम बनाए बिना, एक गैर-तुच्छ (non-trivial) मामले में कैप्चर किया गया था।

संख्याएँ और निर्णय

शोध पत्र ने केवल यह नहीं कहा कि "यह अच्छा दिखता है।" उन्होंने गणित का उपयोग किया। उन्होंने सटीक गणितीय उत्तर और मूल यात्री डेटा के विरुद्ध एआई से प्राप्त औसत मानों (मोमेंट्स) और "आकार" (क्यूमुलेंट्स) की तुलना की।

• दूसरे मोमेंट ($\mu_2$) के लिए, सटीक उत्तर 0.428142 (वास्तविक भाग) था। कॉम्प्लेक्स लैंजविन सिमुलेशन ने 0.4281(5) दिया। ऊर्जा-आधारित मॉडल ने 0.4264(1)(37) दिया।
• चौथे मोमेंट ($\mu_4$) के लिए, सटीक उत्तर 0.423848 था। ऊर्जा-आधारित मॉडल ने 0.4192(2)(61) दिया।

परिणाम दर्शाते हैं कि एआई मॉडल, विशेष रूप से ऊर्जा-आधारित मॉडल, सत्य के बहुत करीब पहुँच रहे हैं, जिसमें मामूली विचलन हैं जिन्हें लेखक उनके नमूना डेटा के सीमित आकार के कारण बताते हैं।

इसका क्या अर्थ है (और क्या नहीं है)

शोध पत्र सुझाव देता है कि ये एआई उपकरण उन "धुंधले" वितरणों को देखने के लिए शक्तिशाली नए लेंस हैं जो जटिल भौतिक समस्याओं को प्रभावित करते हैं। ऊर्जा-आधारित मॉडल, विशेष रूप से, वितरण को वास्तव में देखने का एक तरीका प्रदान करता है, न कि केवल उसका अनुकरण (simulate) करता है।

हालाँकि, लेखक यह दावा करने में सावधानी बरतते हैं कि उन्होंने भौतिकी के सभी "साइन प्रॉब्लम" को हल कर दिया है। उन्होंने इस पर एक सरल, समाधान योग्य मॉडल पर परीक्षण किया। वे स्पष्ट रूप से नोट करते हैं कि स्कोर-आधारित दृष्टिकोण में, "स्कोर" हमेशा एक सरल, इंटीग्रेबल फंक्शन नहीं होता है (यह एक पूर्ण दिशा-सूचक नहीं है), जो चीजों को जटिल बनाता है। वे यह भी बताते हैं कि मूल कॉम्प्लेक्स लैंजविन विधि की विश्वसनीयता अभी भी सख्त मानदंडों पर निर्भर करती है जिन्हें बाद में जांचा जाना आवश्यक है।

संक्षेप में, शोध पत्र सुझाव देता है कि कॉम्प्लेक्स लैंजविन (भटकते यात्री) को स्मार्ट एआई मानचित्रकार (डिफ्यूजन मॉडल) के साथ जोड़कर, हम अंततः उन अदृश्य परिदृश्यों के आकार को समझना शुरू कर सकते हैं जिनमें हम दशकों से ठोकरें खा रहे हैं। यह एक आशाजनक उपकरण है, लेकिन इन जटिल सिद्धांतों में पूर्ण महारत हासिल करने की यात्रा अभी जारी है।