🔬 condensed matter

Random knotting in very long off-lattice self-avoiding polygons

अत्यंत बड़े स्व-परिहार बहुभुजों (self-avoiding polygons) के उन्नत ऑफ-लैटिस सिमुलेशन का उपयोग करते हुए, यह अध्ययन यह पुष्टि करने के लिए सटीक गांठ प्रकारों (knot types) को निर्धारित करता है कि प्राइम नॉट समैंड्स की संख्या एक पॉइसन वितरण (Poisson distribution) का पालन करती है, लगभग 656,500 पर विशिष्ट गांठ लंबाई (characteristic knotting length) का अनुमान लगाता है, और गांठ स्थानीयकरण (knot localization) एवं गांठ एंट्रॉपी अनुमान (knot entropy conjecture) दोनों को मान्य करता है।

मूल लेखक: Jason Cantarella, Tetsuo Deguchi, Henrik Schumacher, Clayton Shonkwiler, Erica Uehara

प्रकाशित 2026-05-19

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jason Cantarella, Tetsuo Deguchi, Henrik Schumacher, Clayton Shonkwiler, Erica Uehara

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 आपके पास मोतियों से बनी एक बहुत लंबी, लचीली माला है। इस माला का एक विशेष नियम है: मोती एक-दूसरे के आर-पार नहीं जा सकते या एक दूसरे के ऊपर नहीं चढ़ सकते। यदि आप सिरों को आपस में बांधकर एक लूप बना देते हैं, तो आप एक "स्व-परिहार करने वाला बहुभुज" (self-avoiding polygon) बना देते हैं। अब, कल्पना कीजिए कि आप इस माला को बेतरतीब ढंग से हिला रहे हैं। कभी-कभी, लूप सरल और बिना उलझा हुआ रहेगा (एक "अनकॉट" यानी अनवट)। अन्य समय में, यह खुद को जटिल रूप से उलझा लेगा।

यह शोध पत्र एक सरल प्रश्न का उत्तर देने के लिए एक विशाल प्रयोग है: जैसे-जैसे ये मालाएं लंबी होती जाती हैं, उनके उलझने की कितनी संभावना होती है, और वे गांठें कैसी दिखती हैं?

यहाँ शोधकर्ताओं द्वारा किए गए कार्यों और उनकी खोजों का विवरण दिया गया है, जिसे रोजमर्रा के उदाहरणों का उपयोग करके समझाया गया है।

समस्या: घास के ढेर में गांठों को गिनना

द दशकों से, वैज्ञानिक जानते हैं कि यदि आप एक पॉलिमर श्रृंखला (जैसे डीएनए रिंग या प्लास्टिक अणु) को पर्याप्त लंबा बना दें, तो उसमें निश्चित रूप से गांठ लग जाएगी। लेकिन यह गिनना कि वह वास्तव में कैसे उलझती है, अत्यंत कठिन है।

इसे एक ऊन के विशाल, उलझे हुए गोले में विशिष्ट प्रकार की गांठों को खोजने की कोशिश करने जैसा समझें।

पुराना तरीका: पिछले प्रयोग पूरे गोले को सुलझाने की कोशिश करने जैसे थे ताकि यह देखा जा सके कि उसके अंदर कौन सी गांठ है। यह धीमा था, और जैसे-जैसे ऊन लंबी होती गई, डेटा प्राप्त करने के लिए उसे पर्याप्त तेजी से सुलझाना असंभव हो गया।
नया तरीका: शोधकर्ताओं ने एक सुपर-फास्ट "गांठ डिटेक्टर" और इन मालाओं को बनाने का एक नया तरीका बनाया। पूरी जटिल गांठ की पहचान करने के बजाय, उन्होंने प्राइम सैंड्स (prime summands) को खोजने पर ध्यान केंद्रित किया।

"लेगो ब्लॉक" (Lego Block) का उदाहरण:
कल्पना कीजिए कि एक जटिल गांठ केवल एक बड़ा ढेर नहीं है, बल्कि आपस में जुड़े हुए छोटे, सरल गांठों (जैसे लेगो ब्लॉक्स) की एक श्रृंखला है।

एक "प्राइम सैंड" उन बुनियादी लेगो ब्लॉक्स में से एक है (जैसे एक सरल ट्रेफ़ोइल नॉट)।
शोधकर्ताओं ने महसूस किया कि यदि आप एक बहुत लंबी माला देखते हैं, तो यह कई ऐसे छोटे ब्लॉकों से बनी होती है जो एक साथ जुड़े होते हैं।
उनका लक्ष्य यह गिनना था कि प्रत्येक प्रकार के "लेगो ब्लॉक" माला में कितनी बार दिखाई देते हैं।

प्रयोग: एक डिजिटल फैक्ट्री

टीम ने इन मालाओं को बनाने के लिए एक कंप्यूटर प्रोग्राम तैयार किया।

पैमाना: उन्होंने लगभग 1,000 मोतियों से लेकर 13.4 करोड़ ( $2^{27}$ ) मोतियों तक की मालाएं बनाईं।
आयतन: उन्होंने अरबों ऐसी मालाएं बनाईं। कुल मिलाकर, उन्होंने 17 अरब से अधिक बहुभुजों का अध्ययन किया और लगभग 25 करोड़ व्यक्तिगत गांठ "ब्लॉकों" (सैंड्स) की पहचान की।
उपकरण: उन्होंने गांठों के आरेखों (diagrams) को सरल बनाने के लिए "नूडल" (Knoodle) नामक एक नए, बिजली की तरह तेज सॉफ्टवेयर का उपयोग किया। यदि कोई गांठ का आरेख एक उलझे हुए स्केच जैसा दिखता था, तो नूडल उस हिस्से को तुरंत "रीरूट" कर सकता था ताकि उसके भीतर छिपी सरल गांठों को तेजी से प्रकट किया जा सके, जो पिछले किसी भी तरीके की तुलना में बहुत अधिक तेज़ था।

बड़ी खोज: "पॉइसन" (Poisson) पैटर्न

सबसे रोमांचक खोज यह है कि ये गांठें कैसे प्रकट होती हैं।

कल्पना कीजिए कि आप एक बड़ी दीवार पर तीर (darts) फेंक रहे हैं। यदि आप पर्याप्त तीर फेंकते हैं, तो एक विशिष्ट छोटे वर्ग में लगने वाले तीरों की संख्या एक अनुमानित पैटर्न का पालन करती है जिसे पॉइसन वितरण (Poisson distribution) कहा जाता है। इसका अर्थ है कि घटनाएँ (वर्ग पर निशाना लगना) एक-दूसरे से स्वतंत्र रूप से होती हैं।

शोधकर्ताओं ने पाया कि गांठें बिल्कुल इन तीरों की तरह व्यवहार करती हैं।

यदि आपके पास एक बहुत लंबी माला है, तो इसमें मौजूद "ट्रेफ़ोइल" गांठों (सबसे सरल गैर-तुच्छ गांठ) की संख्या इसी प्रकार के अनुमानित पैटर्न का पालन करती है।
"फिगर-8" गांठों की संख्या भी उसी पैटर्न का पालन करती है।
महत्वपूर्ण रूप से, एक प्रकार की गांठ की उपस्थिति दूसरे की उपस्थिति को प्रभावित नहीं करती है। वे स्थानीयकृत (localized) हैं। इसका मतलब है कि एक गांठ माला के एक छोटे से हिस्से में बनती है और वहीं रहती है, और यह बाकी माला में जो हो रहा है उससे स्वतंत्र होती है।

यह "नॉट एंट्रॉपी कंजेक्चर" (Knot Entropy Conjecture) नामक एक सिद्धांत का समर्थन करता है, जो यह सुझाव देता है कि लंबे पॉलिमर में, गांठें स्वतंत्र, अलग-थलग घटनाएं हैं, न कि एक विशाल, वैश्विक उलझन।

परिणाम: गांठ बनने में कितना समय लगता है?

टीम ने एक "विशेषता लंबाई" (characteristic length) की गणना की। इसे "औसत दूरी" के रूप में समझें जिसे आपको माला के साथ चलने के लिए तय करना होगा इससे पहले कि आपको एक गांठ मिलने की संभावना हो।

उन्होंने पाया कि इस विशिष्ट मॉडल के लिए, विशेषता लंबाई लगभग 656,500 मोती है।
यदि आपकी माला इससे छोटी है, तो इसकी संभावना है कि यह एक अनकॉट (सरल) होगी।
यदि आपकी माला इससे बहुत लंबी है, तो यह लगभग निश्चित है कि इसमें गांठ लग जाएगी।
उन्होंने यह भी पाया कि जबकि सरल गांठें (जैसे ट्रेफ़ोइल) आम हैं, जटिल गांठें अविश्वसनीय रूप से दुर्लभ हैं। यह सिक्कों के ढेर में एक दुर्लभ सिक्के को खोजने जैसा है; गांठ जितनी अधिक जटिल होगी, उसे ढूंढना उतना ही कठिन होगा।

यह क्यों महत्वपूर्ण है (शोध पत्र के अनुसार)

यह शोध पत्र सीधे तौर पर यह दावा नहीं करता कि यह बीमारियों का इलाज करता है या नई सामग्रियां बनाता है। इसके बजाय, यह एक मौलिक गणितीय और भौतिक पहेली को हल करता है:

पुष्टीकरण: यह सिद्ध करता है कि "पॉइसन मॉडल" (यह विचार कि गांठें स्वतंत्र, यादृच्छिक घटनाएं हैं) लंबे पॉलिमर के लिए वास्तविकता का एक बहुत सटीक वर्णन है।
सहमति: उनके परिणाम ग्रिड-आधारित (लैटिस) मॉडल पर किए गए पुराने, छोटे प्रयोगों के साथ पूरी तरह मेल खाते हैं, जिससे पता चलता है कि गांठ बनने का भौतिक विज्ञान सार्वभौमिक है, चाहे पॉलिमर को ग्रिड पर मॉडल किया गया हो या मोतियों की एक चिकनी माला के रूप में।
दक्षता: उन्होंने दिखाया कि जटिल गांठ की पहचान करने के बजाय "लेगो ब्लॉक्स" (सैंड्स) को गिनकर, आप पहले की तुलना में बहुत बड़े सिस्टम के लिए बहुत तेजी से सटीक डेटा प्राप्त कर सकते हैं।

संक्षेप में, शोधकर्ताओं ने एक डिजिटल सूक्ष्मदर्शी बनाया जिसने उन्हें अरबों विशाल, गांठदार मालाओं को बनते हुए देखने की अनुमति दी। उन्होंने पाया कि ये गांठें अराजक, अप्रत्याशित तरीकों से नहीं बनती हैं; वे एक व्यवस्थित, अनुमानित और स्वतंत्र पैटर्न में बनती हैं, ठीक वैसे ही जैसे पानी के गड्ढे में बारिश की बूंदें गिरती हैं।

तकनीकी सारांश: अत्यंत लंबे ऑफ-लैटिस सेल्फ-अवॉइडिंग पॉलीगन्स में रैंडम नॉटिंग (Random Knotting)

समस्या विवरण
यह शोध पत्र अत्यंत लंबे, ऑफ-लैटिस सेल्फ-अवॉइडिंग पॉलीगन्स (SAPs), विशेष रूप से "बीड-चेन" (bead-chain) या "स्ट्रिंग ऑफ पर्ल्स" (string of pearls) मॉडल के भीतर गांठ लगने (knotting) के सांख्यिकीय गुणों की जांच करता है। जबकि यह स्थापित किया जा चुका है कि लंबे सेल्फ-अवॉइडिंग वॉक में गांठ लगने की संभावना घातांकीय (exponentially) होती है, मोटे और लंबे SAPs में नॉटिंग के विषम व्यवहार (asymptotic behavior) को पूरी तरह से समझा नहीं गया है। लेखक दो केंद्रीय परिकल्पनाओं का परीक्षण करने पर ध्यान केंद्रित करते हैं:

गांठ स्थानीयकरण (Knot Localization): यह विचार कि एक लंबे पॉलीमर पर प्राइम नॉट समैंड्स (prime knot summands) स्वतंत्र और स्थानीयकृत घटनाएं हैं।
गांठ एंट्रॉपी अनुमान (The Knot Entropy Conjecture): यह प्रस्ताव कि एक $n$ -गोन में गांठ प्रकार $K$ होने की प्रायिकता $P_K(n)$ एक विशिष्ट विषम रूप (asymptotic form) का अनुसरण करती है, जिसमें एक सार्वभौमिक आयाम अनुपात (universal amplitude ratio) और परिमित-आकार सुधार (finite-size corrections) शामिल हैं।

इस क्षेत्र में एक प्राथमिक चुनौती बड़े पॉलीगॉन के लिए नॉट इनवेरियंट्स (knot invariants) की गणना करने में आने वाली कठिनाई रही है, जो इन विषम व्यवहारों का सटीक परीक्षण करने के लिए पर्याप्त डेटा एकत्र करने की क्षमता को सीमित करती है।

कार्यप्रणाली (Methodology)
लेखकों ने एक संशोधित "स्केल-फ्री पिवट एल्गोरिदम" (scale-free pivot algorithm) को क्लिसबी के ट्री डेटा स्ट्रक्चर (Clisby's tree data structure) के साथ मिलाकर ऑफ-लैटिस SAPs को उत्पन्न और विश्लेषित किया।

उत्पादन (Generation): $n = 2^k$ आकार के पॉलीगॉन के लिए जहाँ $k \in \{10, \dots, 27\}$ , उन्होंने प्रत्येक आकार के लिए $24^{3-k}$ पॉलीगॉन उत्पन्न किए। एल्गोरिदम एक वर्टेक्स को समान रूप से चुनता है, स्केल-फ्री सैंपलिंग के आधार पर एक "मोबाइल आर्क" को परिभाषित करता है, और रोटेशन या रिफ्लेक्शन प्रस्तावित करता है। स्वीकृति (acceptance) सेल्फ-अवॉइडेंस बाधाओं द्वारा निर्धारित होती है। स्वीकृति की प्रायिकता $\approx 0.63 n^{-0.057}$ के रूप में स्केल करती है।
सैंपलिंग रणनीति: रन को $20n$ चरणों तक बर्न-इन (burn in) किया गया, और प्रत्येक $n/30$ चरणों के बाद नमूने लिए गए। सांख्यिकीय स्वतंत्रता सुनिश्चित करने के लिए समानांतर मार्कोव चेन्स (अधिकांश आकारों के लिए 64 और $n=2^{27}$ के लिए 128) का उपयोग किया गया।
गांठ वर्गीकरण (Knot Classification): एक महत्वपूर्ण नवाचार एक नया सॉफ्टवेयर टूल, Knoodle, का विकास था जो कॉम्बिनेटोरियल नॉट डायग्राम सरलीकरण के लिए है। मानक टूल्स जैसे SnapPy के विपरीत, जिसे $O(n^2)$ समय की आवश्यकता होती है, Knoodle "पास रिडक्शन" (pass reduction - उन चापों को फिर से रूट करना जो अन्य के ऊपर से गुजरते हैं) और ग्राफ एम्बेडिंग तकनीकों का उपयोग करके डायग्राम को अनिवार्य रूप से रैखिक समय (linear time) और स्थिर मेमोरी में सरल बनाता है। इसने लेखकों को जटिल डायग्राम को टोपोलॉजिकल रूप से न्यूनतम क्रॉसिंग डायग्राम में बदलने में सक्षम बनाया।
डेटा वॉल्यूम: अध्ययन ने $\approx 1.72 \times 10^{10}$ नमूने लिए गए पॉलीगॉन में लगभग $2.5 \times 10^8$ प्राइम समैंड्स की पहचान की। विश्लेषण 6 या उससे कम क्रॉसिंग वाले 7 गैर-तुच्छ (nontrivial) प्राइम नॉट प्रकारों पर केंद्रित था।

प्रमुख योगदान

सिमुलेशन का पैमाना: इस अध्ययन ने $n = 2^{27}$ (लगभग 13.4 करोड़ किनारे) तक के पॉलीगॉन को सफलतापूर्वक उत्पन्न और वर्गीकृत किया, जो पिछले लैटिस-आधारित अध्ययनों की तुलना में काफी बड़ा पैमाना है।
एल्गोरिदम दक्षता: ऑफ-लैटिस पॉलीगॉन के लिए क्लिसबी के ट्री का कार्यान्वयन और Knoodle का विकास इन विशाल प्रणालियों के लिए नॉट प्रकारों के सटीक वर्गीकरण को सक्षम बनाया, जिससे इनवेरियंट गणना की कम्प्यूटेशनल बाधा दूर हो गई।
अवलोकनीय में बदलाव (Shift in Observable): केवल एक विशिष्ट गांठ प्रकार की प्रायिकता $P_K(n)$ पर ध्यान केंद्रित करने के बजाय, लेखकों ने रैंडम वेरिएबल $m_n^K$ पर ध्यान केंद्रित किया, जो एक $n$ -गोन में प्रकार $K$ के प्राइम समैंड्स की संख्या है। इस बदलाव ने पॉइसन हाइपोथीसिस (Poisson hypothesis) के अधिक मजबूत सांख्यिकीय परीक्षण की अनुमति दी।

परिणाम

पॉइसन वितरण (Poisson Distribution): विभिन्न गांठ प्रकारों (ट्रेफ़ोइल, फिगर-8 और 5-क्रॉसिंग नॉट्स सहित) के लिए प्राइम समैंड्स की संख्या ( $m_n^K$ ) का अनुभवजन्य वितरण (empirical distribution) पॉइसन वितरण द्वारा अत्यंत अच्छी तरह से अनुमानित पाया गया। अनुभवजन्य डेटा और पॉइसन मॉडल के बीच टोटल वेरिएशन डिस्टेंस आमतौर पर 0.01 से कम था, जो इस परिकल्पना का समर्थन करता है कि प्राइम समैंड्स स्वतंत्र और स्थानीयकृत हैं।
गांठ दरें और परिमित-आकार सुधार: प्रति किनारे गांठ दर, $R_K(n) = \lambda_K(n)/n$ , की गणना की गई। डेटा ने पुष्टि की कि $R_K(n)$ परिमित-आकार सुधार मॉडल $R_K(n) \approx C_K (1 + \beta_K n^{-\Delta} + \gamma_K n^{-1})$ का पालन करता है जहाँ $\Delta = 0.5$ है।
एम्प्लीट्यूड रेश्यो (Amplitude Ratios): लेखकों ने एम्प्लीट्यूड रेश्यो $C_K/C_{K'}$ की गणना की, जो प्रकार $K$ के प्रकार $K'$ के औसत प्राइम समैंड्स के अनुपात को दर्शाते हैं। ये अनुपात पिछले ऑन-लैटिस मॉडल (सिंपल क्यूबिक, FCC, BCC) के परिणामों के तुलनीय पाए गए, जो सुझाव देते हैं कि ऑफ-लैटिस बीड-चेन मॉडल और लैटिस मॉडल एक ही यूनिवर्सलिटी क्लास (universality class) से संबंधित हैं।
विशिष्ट लंबाई (Characteristic Length): अनकॉट (unknot) की प्रायिकता $P_{01}(n)$ और गांठ दरों के योग का विश्लेषण करके, लेखकों ने गांठ की विशिष्ट लंबाई $N_{01} \approx 656,500 \pm 2,500$ का अनुमान लगाया। इसका अर्थ है कि $n \gg N_{01}$ के लिए, पॉलीगन निश्चित रूप से गांठ वाला (knotted) होगा।
पद्धतियों की तुलना: ट्रेफ़ोइल नॉट्स के लिए, $R_K(n)$ और प्रत्यक्ष प्रायिकताओं $P_K(n)$ को फिट करने से $C_K$ के लिए सुसंगत मान प्राप्त हुए। अधिक जटिल गांठों के लिए, विसंगतियां देखी गईं, जिसका श्रेय लेखकों ने $P_K(n)$ के लिए डेटा की कमी को दिया है, न कि मॉडल की विफलता को।

महत्व और दावे
लेख का दावा है कि इसके परिणाम $n$ के उस क्षेत्र में गांठ स्थानीयकरण परिकल्पना और गांठ एंट्रॉपी अनुमान के लिए मजबूत प्रयोगात्मक समर्थन प्रदान करते हैं, जिसका परीक्षण पहले कभी नहीं किया गया था।

डेटा पॉइसन मॉडल (समीकरण 1) को SAPs में रैंडम नॉटिंग के उपयोगी विवरण के रूप में मान्य करता है।
एम्प्लीट्यूड रेश्यो के बीच निरंतरता ऑफ-लैटिस और ऑन-लैटिस मॉडल के बीच सांख्यिकीय गुणों की सार्वभौमिकता का समर्थन करती है।
अध्ययन दर्शाता है कि कम्पोजिट नॉट प्रोबेबिलिटीज के लिए "सम रूल्स" (sum rules) पॉइसन मॉडल के तत्काल परिणाम हैं और अनुभवजन्य डेटा द्वारा सत्यापित हैं।

लेखक नोट करते हैं कि हालांकि पॉइसन मॉडल अच्छी तरह से फिट बैठता है, लेकिन सबसे बड़े $n$ के लिए गांठ दरों में मामूली वृद्धि (जो $n=2^{26}$ और $2^{27}$ पर ट्रेफ़ोइल्स के लिए देखी गई) त्रुटि बार (error bars) के कारण संदिग्ध बनी हुई है, जिससे व्हिटिंगटन (Whittington) द्वारा सुझाए गए इस प्रश्न पर बहस जारी है कि क्या दरें अनंत तक बढ़ती रहती हैं। लेख इस निष्कर्ष के साथ समाप्त होता है कि भविष्य के कार्य के लिए प्राथमिक सीमा गांठ वर्गीकरण के बजाय इतने बड़े पॉलीगॉन के लिए मार्कोव चेन्स को बर्न-इन करने की कम्प्यूटेशनल लागत है।

समस्या: घास के ढेर में गांठों को गिनना

प्रयोग: एक डिजिटल फैक्ट्री

बड़ी खोज: "पॉइसन" (Poisson) पैटर्न

परिणाम: गांठ बनने में कितना समय लगता है?

यह क्यों महत्वपूर्ण है (शोध पत्र के अनुसार)

इसी तरह के और पेपर