🔬 optics

Largest eigenvalue statistics of wavefront shaping in complex scattering media

प्रयोगों, सिमुलेशन और रैंडम-मैट्रिक्स थ्योरी को संयोजित करके, यह अध्ययन प्रकट करता है कि जहाँ वेवफ्रंट शेपिंग एन्हांसमेंट फैक्टर्स का वितरण कमजोर रूप से प्रकीर्णन वाले माध्यमों में सैद्धांतिक भविष्यवाणियों के अनुरूप होता है, वहीं प्रबल रूप से प्रकीर्णन वाले सिस्टम विशाल उतार-चढ़ाव प्रदर्शित करते हैं जो दीर्घ-रेंज मेसोस्कोपिक सहसंबंधों के लिए एक संवेदनशील जांच के रूप में कार्य करते हैं।

मूल लेखक: Grégory Schehr, Hasan Yılmaz

प्रकाशित 2026-07-14

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Grégory Schehr, Hasan Yılmaz

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 एक घने, कोहरे से भरे जंगल के माध्यम से एक गुप्त संदेश चिल्लाकर भेजने की कोशिश कर रहे हैं। सामान्यतः, पेड़ आपकी आवाज़ को हर दिशा में बिखेर देते हैं, और जब तक वह दूसरी ओर पहुँचती है, वह शोर का एक अस्त-व्यस्त ढेर बन जाती है। लेकिन क्या होगा यदि आप चिल्लाना शुरू करने से पहले ही अपनी आवाज़ को थोड़ा बदल सकें, ध्वनि तरंगों (sound waves) को इस तरह आकार दे सकें कि वे पेड़ों से टकराकर बिल्कुल सही तरीके से एक ही कान पर जाकर गिरें? यही वेवफ्रंट शेपिंग (wavefront shaping) का जादू है।

इस अध्ययन में, शोधकर्ताओं ग्रेगोइरे शेहर (Gregoire Schehr) और हसन यिलमाज़ (Hasan Yilmaz) ने एक बहुत ही विशिष्ट प्रश्न पूछा: यदि हम प्रकाश (या ध्वनि) को एक ही समय में कई गुप्त स्थानों पर केंद्रित करने की कोशिश करें, तो यह कितना तेज़ (loud) हो जाएगा? और अधिक महत्वपूर्ण बात यह है कि एक प्रयास से दूसरे प्रयास के बीच यह "तेज़ी" (loudness) कितनी ऊपर-नीचे होती है?

"तेज़ी" का मीटर (The "Loudness" Meter)

वैज्ञानिक इस तीव्रता को मापने के लिए एन्हांसमेंट फैक्टर (enhancement factor) नामक एक संख्या का उपयोग करते हैं। इसे एक वॉल्यूम नॉब की तरह समझें। यदि आप बेतरतीब ढंग से चिल्लाते हैं, तो आपके लक्ष्य पर वॉल्यूम कम होता है। यदि आप अपने वेवफ्रंट को पूरी तरह से आकार देते हैं, तो वॉल्यूम अचानक बढ़ जाता है। वे इस कारक, $\eta$ , को केंद्रित तीव्रता (focused intensity) और बिना किसी विशेष शेपिंग के मिलने वाली औसत तीव्रता के अनुपात के रूप में परिभाषित करते हैं।

उन्होंने पाया कि एक एकल लक्ष्य के लिए, यह अच्छी तरह से समझा गया है। लेकिन जब आप एक साथ कई लक्ष्यों (जैसे, 2, 3, या 5 स्थान) को हिट करने की कोशिश करते हैं, तो चीजें जटिल हो जाती हैं। शोधकर्ता जानना चाहते थे: क्या यह "तेज़ी" अनुमानित है, या यह अनियंत्रित होकर बिखर जाती है?

"पूरी तरह से रैंडम" अनुमान (The "Perfectly Random" Guess)

एक आधार रेखा (baseline) प्राप्त करने के लिए, टीम ने रैंडम मैट्रिक्स थ्योरी (Random Matrix Theory) नामक एक गणितीय उपकरण का उपयोग किया। कल्पना कीजिए कि आपके पास कंचों (marbles) का एक बड़ा थैला है, और हर बार जब आप एक बाहर निकालते हैं, तो वह एक पूरी तरह से रैंडम नंबर होता है, जिसका पिछले निकाले गए कंचे से कोई संबंध नहीं होता। यह "लैगुएर-विशार्ट" (Laguerre-Wishart) मॉडल है। यह मानता है कि कोहरे वाला जंगल केवल एक अराजक अव्यवस्था है जिसमें कोई छिपे हुए पैटर्न नहीं हैं।

इस "पूरी तरह से रैंडम" मॉडल का उपयोग करके, उन्होंने गणना की कि औसत तेज़ी कितनी होनी चाहिए और इसमें कितना उतार-चढ़ाव होना चाहिए। उन्होंने एक निश्चित संभाव्यता (probability) के लिए सूत्र भी लिखा।

यहाँ एक बड़ा आश्चर्य है:
जब उन्होंने वास्तविक प्रकाश और एक वास्तविक स्कैटरिंग सैंपल (लगभग 10 µm मोटा जिंक ऑक्साइड नैनोकणों की एक परत) के साथ इसका परीक्षण किया, तो वह "रैंडम" मॉडल पूरी तरह से काम कर रहा था... लेकिन केवल तभी जब उन्होंने इनपुट चैनलों की एक छोटी संख्या (लगடன் 100 या उससे कम) को नियंत्रित किया।

हालाँकि, जैसे ही उन्होंने नियंत्रित करने के लिए इनपुट चैनलों की संख्या बढ़ाई (1,000 तक पहुँची), वास्तविक दुनिया अजीब व्यवहार करने लगी। उतार-चढ़ाव केवल थोड़ा सा नहीं हुआ; यह विशाल (giant) हो गया। उतार-चढ़ाव "पूरी तरह से रैंडम" मॉडल द्वारा अनुमानित मात्रा से कहीं अधिक बड़े हो गए।

कोहरे में "छिपी हुई टीमवर्क" (The "Hidden Teamwork" in the Fog)

रैंडम मॉडल क्यों विफल हुआ? पेपर तर्क देता है कि कोहरे वाला जंगल केवल कंचों का एक थैला नहीं है। प्रकाश तरंगें वास्तव में लंबी दूरी तक एक-दूसरे से "बात" करती हैं।

इसे एक अराजक पार्टी की तरह समझें। एक वास्तव में रैंडम पार्टी में, हर कोई अपने निकटतम पड़ोसी से बात करता है। लेकिन इस स्कैटरिंग मीडियम में, तरंगें उन मेहमानों की तरह हैं जो पूरे कमरे में हो रही बातचीत को सुन सकते हैं। इन्हें लॉन्ग-रेंज मेसोस्कोपिक कोरिलेशन (long-range mesoscopic correlations) कहा जाता है। ये इसलिए उत्पन्न होते हैं क्योंकि प्रकाश सामग्री के माध्यम से कई अलग-अलग पथ लेता है, और ये पथ एक समन्वित तरीके से एक-दूसरे के साथ हस्तक्षेप (interfere) करते हैं।

पेपर स्पष्ट रूप से इस विचार को खारिज करता है कि "रैंडम कंचे" वाला मॉडल (लैगुएर-विशार्ट एन्सेम्बल) यह समझाने के लिए पर्याप्त है कि जब आप कई चैनलों को नियंत्रित करते हैं तो क्या होता है। यह मॉडल तीव्रता के उतार-चढ़ाव को कम करके आंकता (underestimates) है। ये "विशाल उतार-चढ़ाव" (giant fluctuations) इन प्रकाश तरंगों के बीच छिपी हुई टीमवर्क के प्रत्यक्ष संकेत हैं।

जासूसी कार्य (The Detective Work)

वे कितने आश्वस्त हैं?

औसत (The Average): उन्हें पूरा विश्वास है कि इन कोरिलेशन के साथ भी औसत तेज़ी में ज्यादा बदलाव नहीं आता है। "रैंडम" मॉडल अभी भी औसत का सही अनुमान लगाता है।
उतार-चढ़ाव (The Fluctuations): वे उतने ही आश्वस्त हैं कि स्ट्रॉन्गली स्कैटरिंग मीडिया में उतार-चढ़ाव (wiggles) बहुत बड़े हो जाते हैं।
- उन्होंने लैब में 10 µm मोटी जिंक ऑक्साइड नैनोकणों की परत का उपयोग करके इसे मापा।
- उन्होंने कंप्यूटर पर k₀L = 1 (बहुत पतला) से लेकर k₀L = 200 (बहुत मोटा) मोटाई वाले 2D स्लैब का उपयोग करके इसका सिमुलेशन किया।
- सिमुलेशन में, जैसे-जैसे स्लैब मोटा होता गया, उतार-चढ़ाव और भी बड़े होते गए, जो "रैंडम" भविष्यवाणी से कहीं अधिक थे।

पेपर सुझाव देता है कि ये विशाल उतार-चढ़ाव इन लॉन्ग-रेंज कोरिलेशन को पहचानने का एक नया, सरल तरीका हैं। पहले, वैज्ञानिकों को इन कोरिलेशन को देखने के लिए विशाल ट्रांसमिशन मैट्रिसेस (हजारों इनपुट और आउटपुट) को मापने की आवश्यकता होती थी। अब, वे बस यह देख सकते हैं कि "तेज़ी" (loudness) कितनी घटती-बढ़ती है, भले ही उनके पास लक्ष्यों की एक छोटी संख्या (जैसे, M₂ = 1 या 2) और इनपुट की मध्यम संख्या (M₁ < 200) हो।

इसका क्या अर्थ है

लेखक निष्कर्ष निकालते हैं कि "एन्हांसमेंट फैक्टर" केवल यह स्कोरकार्ड नहीं है कि आप प्रकाश को कितनी अच्छी तरह केंद्रित कर सकते हैं। यह एक सांख्यिकीय जासूस (statistical detective) भी है। यदि तीव्रता बहुत अधिक उतार-चढ़ाव करती है, तो यह आपको बताती है कि उस सामग्री में ये जटिल, लॉन्ग-रेंज कनेक्शन हैं।

वे यह दावा नहीं करते कि उनके पास अभी भी इन विशाल उतार-चढ़ावों की सटीक भविष्यवाणी करने के लिए गणित हल कर लिया है (यह अभी भी एक खुला प्रश्न है), लेकिन उन्होंने यह सिद्ध कर दिया है कि सरल "रैंडम" गणित पर्याप्त नहीं है। उन्होंने दिखाया है कि वास्तविक दुनिया में, स्कैटरिंग मीडियम में प्रकाश एक अराजक लड़ाई के बजाय एक समन्वित नृत्य की तरह है, और यदि आप नर्तकों को पर्याप्त रूप से नियंत्रित करते हैं, तो पूरा समूह उन तरीकों से झूमने लगता है जिन्हें आप एक साधारण कॉइन टॉस से नहीं समझ सकते।

इसलिए, अगली बार जब आप किसी अव्यवस्थित सामग्री के माध्यम से प्रकाश को केंद्रित करने की कोशिश करें, तो याद रखें: यदि तीव्रता एक डरे हुए बिल्ली की तरह उछल-कूद कर रही है, तो यह केवल शोर नहीं है। यह सामग्री का लॉन्ग-रेंज कोरिलेशन के माध्यम से अपने रहस्य फुसफुसाने का तरीका है।

तकनीकी सारांश: जटिल प्रकीर्णन माध्यमों (Complex Scattering Media) में वेवफ्रंट शेपिंग के सबसे बड़े आइजनवैल्यू सांख्यिकी (Largest Eigenvalue Statistics)

समस्या विवरण
वेवफ्रंट शेपिंग (Wavefront shaping) जटिल प्रकीर्णन माध्यमों (जैसे जैविक ऊतक या अव्यवस्थित सामग्री) के माध्यम से तरंगों (प्रकाश, ध्वनि) को केंद्रित करने के लिए सुसंगत नियंत्रण (coherent control) सक्षम करती है। इस प्रक्रिया की प्रभावकारिता को 'एन्हांसमेंट फैक्टर' ( $\eta$ ) द्वारा मापा जाता है, जिसे अनशेप्ड वेवफ्रंट्स (unshaped wavefronts) की औसत तीव्रता और लक्षित स्थितियों पर केंद्रित तीव्रता के अनुपात के रूप में परिभाषित किया गया है। एक एकल लक्ष्य के लिए, $\eta$ को डिजिटल ऑप्टिकल फेज कंजुगेशन द्वारा अधिकतम किया जाता है। कई लक्ष्यों ( $M_2 > 1$ ) के लिए, अधिकतम एन्हांसमेंट फोकसिंग ऑपरेटर $A^\dagger A$ के सबसे बड़े आइजनवैल्यू ( $\lambda_{\text{max}}$ ) के अनुरूप होता है, जहाँ $A$ माध्यम का $M_2 \times M_1$ सब-ट्रांसमिशन मैट्रिक्स है।

जबकि औसत एन्हांसमेंट फैक्टर $\langle \lambda_{\text{max}} \rangle$ का पैमाना $M_1/M_2$ (जहाँ $M_1$ नियंत्रित इनपुट चैनल हैं) के रूप में अच्छी तरह से समझा गया है, इस कारक के सांख्यिकीय उतार-चढ़ाव ( $\Delta \lambda_{\text{max}}$ ) और इसकी पूर्ण प्रायिकता वितरण (probability distribution) का अध्ययन अभी भी काफी हद तक अनछुआ है, विशेष रूप से परिमित सिस्टम आकार (finite system sizes) और दीर्घ-परासी मेसोस्कोपिक सहसंबंधों (long-range mesoscopic correlations) की उपस्थिति में। मौजूदा अनंत-आकार सिद्धांत (जैसे Marčenko–Pastur law) अक्सर परिमित-आकार के प्रयोगात्मक शासन (experimental regimes) का सटीक वर्णन करने में विफल रहते हैं, और सहसंबंध-प्रेरित विचलन से पुनरुत्पादकता (reproducibility) पर पड़ने वाले प्रभाव स्पष्ट नहीं हैं।

कार्यप्रणाली (Methodology)
लेखक प्रयोगात्मक माप, संख्यात्मक सिमुलेशन (numerical simulations) और सटीक रैंडम-मैट्रिक्स थ्योरी (RMT) को संयोजित करते हुए एक त्रिपक्षीय दृष्टिकोण अपनाते हैं:

प्रयोगात्मक सेटअप: एक प्रकीर्णन नमूने के माध्यम से ट्रांसमिशन मैट्रिसेस को फेज-शिफ्टिंग इंटरफेरोमेट्री का उपयोग करके मापा गया था, जो कि घनी रूप से पैक किए गए जिंक ऑक्साइड (ZnO) नैनोकणों की एक $\sim 10\,\mu\text{m}$ मोटी परत है ( $L \gg l_t$ , जहाँ $l_t$ ट्रांसपोर्ट मीन फ्री पाथ है)। इनपुट को $M_1$ डिग्री ऑफ फ्रीडम वाले एक स्पेशियल लाइट मॉड्यूलेटर (SLM) द्वारा मॉड्युलेट किया गया था, और आउटपुट तीव्रता को $M_2$ लक्ष्य स्थितियों पर मापा गया था।
संख्यात्मक सिमुलेशन: विभिन्न मोटाई ( $k_0 L = 1, 50, 200$ ) और सामान्यीकृत ट्रांसपोर्ट मीन फ्री पाथ के 2D डिफ्यूसिव स्लैब के माध्यम से तरंग प्रसार को सिम्युलेट करने के लिए रिकर्सिव ग्रीन फलन एल्गोरिदम का उपयोग किया गया था।
सैद्धांतिक ढांचा: लेखकों ने लैगुएर-विशर्ट (Laguerre–Wishert - LW) रैंडम-मैट्रिक्स एन्सेम्बल का उपयोग करके सटीक परिमित-आकार भविष्यवाणियां व्युत्पन्न कीं। उन्होंने सब-ट्रामिशन मैट्रिक्स $A$ को स्वतंत्र कॉम्प्लेक्स गॉसियन प्रविष्टियों (स्वतंत्र प्रविष्टियों का मानक अनुमान, जो बिना दीर्घ-परासी सहसंबंध वाले खुले प्रकीर्णन सिस्टम के लिए है) के रूप में मॉडल किया। इसने आइजनवैल्यू के संयुक्त प्रायिकता घनत्व फलन (JPDF) और सबसे बड़े आइजनवैल्यू के संचयी वितरण फलन (CDF), $Q_{\text{max}}(x)$ की गणना करने की अनुमति दी, जिसे अपूर्ण गामा फलनों के डिटरमिनेंट्स के माध्यम से व्यक्त किया गया है।

प्रमुख योगदान और परिणाम

सटीक परिमित-आकार सिद्धांत: यह शोध पत्र परिमित $M_1$ और $M_2$ के लिए $\langle \lambda_{\text{max}} \rangle$ और पूर्ण प्रायिकता वितरण $P_{\text{max}}(\lambda_{\text{max}})$ के लिए सटीक विश्लेषणात्मक अभिव्यक्तियाँ प्रदान करता है। LW एन्सेम्बल पर आधारित ये भविष्यवाणियां प्रयोगात्मक डेटा का सटीक वर्णन करती हैं जहाँ दीर्घ-परासी सहसंबंध नगण्य हैं (जैसे, कमजोर रूप से प्रकीर्णन वाले माध्यम या छोटा $M_1$ )। यह ढांचा 'मार्सेंको-पास्टुर' (Marčenko–Pastur) की अनंत-आकार भविष्यवाणियों का स्थान लेता है, जो प्रयोगात्मक रूप से उपयोग किए जाने वाले परिमित चैनल संख्याओं ( $M_2 \in [1, 5]$ ) के लिए काफी विचलित होती है।
औसत एन्हांसमेंट का सत्यापन: प्रयोगात्मक और संख्यात्मक दोनों परिणाम पुष्टि करते हैं कि औसत एन्हांसमेंट फैक्टर दीर्घ-परासी मेसोस्कोपिक सहसंबंधों के प्रति सुदृढ़ (robust) है। स्केलिंग $\langle \lambda_{\text{max}} \rangle \sim M_1/M_2$ नमूने की मोटाई या सहसंबंध की शक्ति के बावजूद बनी रहती है, जो LW बेसलाइन के अनुरूप है।
विशाल उतार-चढ़ाव (Giant Fluctuations) की खोज: मुख्य निष्कर्ष यह है कि जबकि औसत अप्रभावित रहता है, एन्हांसमेंट फैक्टर के उतार-चढ़ाव दीर्घ-परासी मेसोस्कोपिक सहसंबंधों के प्रति अत्यधिक संवेदनशील होते हैं।
- कमजोर प्रकीर्णन शासन (पतले स्लैब या छोटा $M_1$ ) में, प्रयोगात्मक उतार-चढ़ाव LW सैद्धांतिक भविष्यवाणियों से मेल खाते हैं।
- जैसे-जैसे नियंत्रित इनपुट चैनलों की संख्या ( $M_1$ ) बढ़ती है या नमूने की मोटाई बढ़ती है (मजबूत प्रकीर्णन), प्रयोगात्मक रूप से देखा गया मानक विचलन $\Delta \lambda_{\text{max}}$ व्यवस्थित रूप से LW भविष्यवाणी से अधिक हो जाता है।
- मोटे स्लैब पर संख्यात्मक सिमुलेशन "विशाल" उतार-चढ़ाव प्रकट करते हैं जो सहसंबंध-मुक्त बेसलाइन की तुलना में कई गुना बड़े हो सकते हैं।
प्रोब के रूप में सहसंबंध: सहसंबंध-मुक्त LW बेसलाइन से उतार-चढ़ाव का विचलन, दीर्घ-परासी मेसोस्कोपिक सहसंबंधों का पता लगाने के लिए एक प्रत्यक्ष संकेत के रूप में कार्य करता है। लेखक प्रदर्शित करते हैं कि इन सहसंबंधों का पता अपेक्षाकृत छोटे डेटासेट ( $M_1 \lesssim 200, M_2=1$ ) और पतले नमूनों ( $\approx 10 l_t$ ) का उपयोग करके लगाया जा सकता है, जबकि पिछले तरीकों के लिए बहुत मोटे नमूनों ( $M_1, M_2 > 2000$ ) के माध्यम से विशाल ट्रांसमिशन मैट्रिसेस को मापने की आवश्यकता थी।
तीव्रता संतुलन की स्वतंत्रता: अध्ययन यह भी दिखाता है कि एन्हांसमेंट फैक्टर ( $\lambda_{\text{max}}$ ) का परिमाण कई लक्ष्यों के बीच तीव्रता संतुलन से सहसंबंधित नहीं है; उच्च एन्हांसमेंट समान या अत्यधिक असमान तीव्रता विभाजन के साथ भी प्राप्त किया जा सकता है।

महत्व और दावे
यह शोध पत्र एन्हांसमेंट फैक्टर को केवल फोकसिंग के प्रदर्शन मीट्रिक के रूप में नहीं, बल्कि एक संवेदनशील सांख्यिकीय अवलोकन (statistical observable) के रूप में स्थापित करता है। लेखक दावा करते हैं कि:

सांख्यिकीय आधार: परिमित-आकार LW ढांचा सहसंबंधों की अनुपस्थिति में वेवफ्रंट शेपिंग प्रदर्शन की भविष्यवाणी करने के लिए एक कठोर, पैरामीटर-मुक्त बेसलाइन प्रदान करता है।
नैदानिक उपकरण (Diagnostic Tool): एन्हांसमेंट फैक्टर में उतार-चढ़ाव, जटिल प्रकीर्णन माध्यमों में दीर्घ-परासी मेसोस्कोपिक सहसंबंधों का पता लगाने के लिए एक सरल, प्रयोगात्मक रूप से सुलभ प्रोब प्रदान करते हैं। यह वेवफ्रंट शेपिंग प्रयोगों और मेसोस्कोपिक तरंग परिवहन (जैसे, यूनिवर्सल कंडक्टेंस फ्लक्चुएशन, एंडरसन लोकलाइजेशन) के मौलिक भौतिकी के बीच के अंतर को पाटता है।
वर्तमान मॉडलों की सीमाएं: परिणाम रेखांकित करते हैं कि मानक रैंडम-मैट्रिक्स मॉडल (जो स्वतंत्र प्रविष्टियों को मानते हैं) मजबूती से प्रकीर्णन वाले माध्यमों के लिए अपर्याप्त हैं जिनमें कई नियंत्रित चैनल होते हैं, क्योंकि वे सहसंबंध-प्रेरित विशाल उतार-चढ़ाव को पकड़ने में विफल रहते हैं।
व्यापक प्रयोज्यता: हालांकि इसे ऑप्टिकल तरंगों के साथ प्रदर्शित किया गया है, लेकिन इसके अंतर्निहित भौतिकी मल्टीपल स्कैटरिंग और परिमित-आकार सांख्यिकी पर निर्भर करती है, जो यह सुझाव देती है कि निष्कर्ष ध्वनिक (acoustic), प्रत्यास्थ (elastic), माइक्रोवेव और मैटर-वेव सिस्टम तक विस्तृत हैं।

लेखक निष्कर्ष निकालते हैं कि मेसोस्कोपिक मल्टीपल-स्कैटरिंग थ्योरी और सहसंबंधित रैंडम-मैट्रिक्स थ्योरी के बीच एक भविष्य कहनेवाला मानचित्रण (predictive mapping) स्थापित करना एक खुला प्रश्न बना हुआ है, लेकिन उनका कार्य वेवफ्रंट शेपिंग के चरम आइजनवैल्यू सांख्यिकी में इन सहसंबंधों के सांख्यिकीय हस्ताक्षरों की सफलतापूर्वक पहचान करता है।

"तेज़ी" का मीटर (The "Loudness" Meter)

"पूरी तरह से रैंडम" अनुमान (The "Perfectly Random" Guess)

कोहरे में "छिपी हुई टीमवर्क" (The "Hidden Teamwork" in the Fog)

जासूसी कार्य (The Detective Work)

इसका क्या अर्थ है

इसी तरह के और पेपर