⚛️ lattice

Forward-mode automatic differentiation for the tensor renormalization group and its relation to the impurity method

यह शोध पत्र टेंसर रेनोर्मलाइजेशन ग्रुप विधियों के लिए एक फॉरवर्ड-मोड ऑटोमैटिक डिफरेंशिएशन फ्रेमवर्क प्रस्तावित करता है जो पारंपरिक इम्प्योरिटी विधियों की तुलना में ऊष्मप्रवैगिकी मात्राओं (थर्मोडायनामिक क्वांटिटीज) की गणना करने में काफी उच्च सटीकता प्रदान करता है, जबकि दोनों दृष्टिकोणों के बीच एक सैद्धांतिक संबंध स्थापित करता है और दो तथा तीन आयामों में क्रिटिकल एक्सपोनेंट्स निकालने के लिए व्यावहारिक प्रक्रियाएं प्रदान करता है।

मूल लेखक: Yuto Sugimoto

प्रकाशित 2026-06-09

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yuto Sugimoto

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 विशाल, जटिल मशीन के काम करने के तरीके को समझने की कोशिश कर रहे हैं, जिसके लिए आप उसे परत-दर-परत अलग कर रहे हैं ताकि यह देख सकें कि उसके हिस्से एक-दूसरे में कैसे फिट होते हैं। भौतिकी की दुनिया में, यह मशीन एक "टेंसर नेटवर्क" (tensor network) है, जो एक गणितीय संरचना है जिसका उपयोग चुंबक जैसे पदार्थों में कणों के बीच होने वाली अंतःक्रियाओं (interactions) को सिम्युलेट करने के लिए किया जाता है। इसे अलग करने की इस प्रक्रिया को टेंसर रेनोर्मलाइजेशन ग्रुप (TRG) कहा जाता है।

इस शोध पत्र का लक्ष्य मशीन को न केवल अपनी वर्तमान स्थिति (जैसे कि उसकी ऊर्जा) बताना सिखाना है, बल्कि यह भी बताना है कि जब हम एक अकेले डायल (जैसे कि तापमान) में बदलाव करते हैं, तो उसकी स्थिति में क्या बदलाव आता है। इसे "डेरिवेटिव" (derivative) ज्ञात करना कहा जाता है।

यहाँ इस शोध पत्र की कहानी सरल अवधारणाओं में दी गई है:

1. समस्या: "बैकवर्ड" बनाम "फॉरवर्ड" दृष्टिकोण

पहले, वैज्ञानिक यह पता लगाने के लिए कि मशीन कैसे बदलती है, दो मुख्य तरीकों का उपयोग करते थे:

"इम्प्योरिटी" (अशुद्धि) विधि: कल्पना कीजिए कि आप जानना चाहते हैं कि एक तालाब में लहर कैसे चलती है। पुराने तरीके में, आप पानी में एक छोटा पत्थर ("इम्प्योरिटी") गिराते थे और देखते थे कि लहरें कैसे फैलती हैं। यह काम तो करता है, लेकिन यह एक मोटा अनुमान मात्र है। यह इस सूक्ष्म विवरण को अनदेखा कर देता है कि पत्थर के प्रभाव से पानी स्वयं कैसे बदलता है।
"रिवर्स-मोड" विधि (बैकप्रोपैगेशन): यह मशीन के काम करने के एक वीडियो को देखने जैसा है, और फिर यह देखने के लिए उसे फ्रेम-दर-फ्रेम पीछे की ओर घुमाना कि चीजें वास्तव में कहाँ बदलीं। हालांकि यह सटीक है, लेकिन इसके लिए मशीन के हर एक फ्रेम को याद रखना आवश्यक होता है। यदि मशीन बहुत बड़ी है, तो आप बहुत जल्दी अपनी मेमोरी (RAM) खत्म कर देंगे क्योंकि आपको पीछे की ओर काम करने के लिए पूरा इतिहास सुरक्षित रखना पड़ता है।

2. समाधान: एक नया "फॉरवर्ड" तरीका

लेखक, युतो सुगिमोटो (Yuto Sugimoto), एक नई विधि प्रस्तावित करते हैं जिसे फॉरवर्ड-मोड ऑटोमैटिक डिफरेंशिएशन (AD) कहा जाता है।

इसे एक रिले रेस की तरह समझें। फिल्म को रिवाइंड करने के बजाय, आप मशीन के साथ-साथ दौड़ते हैं। प्रक्रिया के हर चरण में, आप मशीन का एक दूसरा "छाया" (shadow) संस्करण साथ लेकर चलते हैं जो यह ट्रैक करता है कि डायल कैसे बदल रहे हैं।

जादू: आपको पूरा इतिहास याद रखने की आवश्यकता नहीं है। आप बस वर्तमान स्थिति और उसके "बदलाव" को आगे ले जाते हैं।
लागत: एक के बजाय दो धावकों को चलाने में थोड़ा अधिक प्रयास लगता है (पहले बदलाव के लिए लगभग 3 गुना अधिक काम, दूसरे के लिए 6 गुना), लेकिन आपको अतीत को स्टोर करने के लिए किसी विशाल गोदाम की आवश्यकता नहीं है। आपकी मेमोरी का उपयोग छोटा और प्रबंधनीय रहता है, चाहे मशीन कितनी भी बड़ी क्यों न हो जाए।

3. संबंध: "इम्प berupa" एक विशेष मामला था

यह पेपर एक चौंकाने वाला रहस्य प्रकट करता है: पुरानी "इम्प्योरिटी" विधि वास्तव में इस नई फॉरवर्ड विधि का एक सरल, "आलसी" संस्करण है।

पुराने तरीके में, वैज्ञानिकों ने इस बात को अनदेखा कर दिया कि जब डायल घूमते हैं, तो आंतरिक "ढांचा" (जिसे गणितीय उपकरण "सिंगुलर वैल्यू डीकंपोजिशन" कहा जाता है) कैसे बदलता है। उन्होंने माना कि ढांचा स्थिर रहता है।
नया तरीका यह गणना करता है कि ढांचा सहित सब कुछ कैसे बदलता है।
परिणाम: जब लेखक ने अपने नए तरीके में "ढांचे के बदलावों" को बंद कर दिया, तो यह पुराने इम्प्योरिटी विधि से पूरी तरह मेल खा गया। यह सिद्ध करता है कि नया तरीका पुराने तरीके का एक अधिक पूर्ण और सटीक संस्करण है।

4. परिणाम: पैनी नज़र

जब लेखक ने एक क्लासिक भौतिकी समस्या (2D आइज़िंग मॉडल, जो एक चुंबक का अनुकरण करता है) पर इस नई विधि का परीक्षण किया:

सटीकता: नया तरीका बहुत अधिक सटीक था। कुछ मापों के लिए, यह पुराने इम्प्योरिटी तरीके की तुलना में 10 मिलियन गुना अधिक सटीक था। यह उन सूक्ष्म विवरणों को देख सका जिन्हें पुराना तरीका पूरी तरह से छोड़ देता था।
गति: यह पुराने तरीके के लगभग समान तेज़ था। अतिरिक्त कार्य जो आवश्यक था, वह उस विशाल सटीकता के लिए एक छोटा और अनुमानित मूल्य था।
3D चुनौती: लेखक ने इस समस्या के 3D संस्करण पर भी इसे आज़माया। हालाँकि यह काम करता है, लेकिन 3D मशीन इतनी जटिल है कि "ढांचा" कभी-कभी अटक जाता है या टूट जाता है (गणितीय "डीजेनरेसी" के कारण), जिससे परिणाम थोड़े अस्थिर हो जाते हैं। लेखक स्वीकार करते हैं कि इस पर और काम करने की आवश्यकता है, लेकिन यह विधि अभी भी आशाजनक है।

5. यह क्यों महत्वपूर्ण है

यह नया दृष्टिकोण भौतिकविदों को क्रिटिकल गुणों (जैसे कि ठीक कब एक पदार्थ चुंबक से गैर-चुंबक में बदल जाता है) की अविश्वसनीय सटीकता के साथ गणना करने की अनुमति देता है। यह एक धुंधले टेलीस्कोप को हाई-डेफिनिशन कैमरे में अपग्रेड करने जैसा है, बिना लेंस को रखने के लिए एक बड़े भवन की आवश्यकता के।

संक्षेप में: यह पेपर जटिल भौतिक सिमुलेशनों में परिवर्तनों को ट्रैक करने का एक स्मार्ट और अधिक कुशल तरीका पेश करता है। यह मेमोरी के उपयोग को कम रखता है, पुराने तरीकों की तुलना में समान गति से चलता है, लेकिन उन विवरणों पर ध्यान देकर कहीं अधिक सटीक परिणाम देता है जिन्हें पुराने तरीके अनदेखा कर देते थे।

यहाँ युतो सुगिमोटो के शोध पत्र "Forward-mode automatic differentiation for the tensor renormalization group and its relation to the impurity method" का विस्तृत तकनीकी सारांश दिया गया है।

समस्या विवरण (Problem Statement)

टेंसर रिनॉर्मलाइजेशन ग्रुप (TRG) शास्त्रीय और क्वांटम अनेक-निकाय प्रणालियों (many-body systems) के अध्ययन के लिए एक शक्तिशाली संख्यात्मक विधि है, जो टेंसर नेटवर्क को ट्रंकेट करने और विभाजन फलन (partition function) का अनुमान लगाने के लिए सिंगुलर वैल्यू डिकंपोजिशन (SVD) का उपयोग करती है। जबकि विभाजन फलन (मुक्त ऊर्जा) की गणना करना मानक है, भौतिक प्रेक्षणों (observables) जैसे कि आंतरिक ऊर्जा और विशिष्ट ऊष्मा (specific heat) की गणना करने के लिए विभाजन फलन का व्युत्पन्न (derivative) व्युत्क्रम तापमान ( $\beta$ ) जैसे मापदंडों के सापेक्ष निकालना आवश्यक है।

व्युत्पन्न निकालने की मौजूदा विधियाँ महत्वपूर्ण सीमाओं का सामना करती हैं:

संख्यात्मक अवकलन (Numerical Differentiation): परिमित-अंतर (finite-difference) दृष्टिकोण संख्यात्मक अस्थिरता और सटीकता संबंधी समस्याओं से ग्रस्त होते हैं, जो स्टेप-साइज चयन पर निर्भर करते हैं।
इम्प्योरिटी विधि (Impurity Method): यह दृष्टिकोण नेटवर्क में एक "इम्प्योरिटी टेंसर" सम्मिलित करता है। हालांकि यह परिमित-अंतर की तुलना में सुचारू डेटा प्रदान करता है, लेकिन यह आमतौर पर बल्क टेंसर के लिए अनुकूलित प्रोजेक्टरों का उपयोग करता है, जो आइसोमेट्रिक टेंसरों (प्रोजेक्टरों) की मापदंड निर्भरता (parameter dependence) की अनदेखी करते हैं। यह व्यवस्थित त्रुटियों (systematic errors) को जन्म देता है, विशेष रूप से उच्च-क्रम के व्युत्पन्न (higher-order derivatives) के लिए।
रिवर्स-मोड ऑटोमैटिक डिफरेंशिएशन (Reverse-mode AD): हालांकि यह मशीन-प्रिसिजन व्युत्पन्न देने में सक्षम है, रिवर्स-मोड AD को बैकवर्ड पास करने के लिए सभी मध्यवर्ती मात्राओं (प्रोजेक्टर और टेंसर) को संग्रहीत करने की आवश्यकता होती है। TRG में, जहाँ कम्प्यूटेशनल ग्राफ की गहराई सिस्टम साइज के साथ लॉगरिदमिक रूप से बढ़ती है, यह अत्यधिक मेमोरी लागत का कारण बनता है, विशेष रूप से बड़े आयतन या उच्च-आयामी नेटवर्क के लिए। इसके अलावा, मानक रिवर्स-मोड कार्यान्वयन का उपयोग करने पर, एक एकल रन स्वाभाविक रूप से विभिन्न सिस्टम साइज के लिए टेंसरों का एक क्रम उत्पन्न करता है, जिससे प्रत्येक के लिए अलग बैकवर्ड पास की आवश्यकता होती है, जो इसे अक्षम बनाता है।

कार्यप्रणाली (Methodology)

लेखक एक फॉरवर्ड-मोड ऑटोमैटिक डिफरेंशिएशन (AD) फ्रेमवर्क प्रस्तावित करते हैं जो विशेष रूप से HOTRG और BWTRG सहित TRG विधियों के लिए तैयार किया गया है।

मुख्य एल्गोरिदम:

फॉरवर्ड प्रोपेगेशन (Forward Propagation): बैकवर्ड पास के बजाय, यह विधि फॉरवर्ड रिनॉर्मलाइजेशन फ्लो के साथ व्युत्पन्न जानकारी को प्रसारित करती है। प्रत्येक कोर्स-ग्रेनिंग स्टेप $i$ पर, एल्गोरिदम दोनों रिनॉर्मलाइज्ड टेंसर $T^{(i)}$ और उसका व्युत्पन्न $\dot{T}^{(i)} = \partial T^{(i)} / \partial \beta$ की गणना करता है।
चेन रूल का अनुप्रयोग (Chain Rule Application): व्युत्पन्न टेंसर के लिए अपडेट नियम $R$ $R$ का अवकलन करके प्राप्त किया जाता है। HOTRG के लिए, कोर्स-ग्रेन्ड टेंसर का व्युत्पन्न उन पदों के योग के रूप में होता है जहाँ व्युत्पन्न इनपुट टेंसरों और प्रोजेक्टरों (आइसोमेट्री) $E$ $E$ और $F$ $F$ पर कार्य करता है।
- प्रथम-क्रम का अपडेट नियम है: $\dot{T}^{(n+1)} = R(\dot{T}^{(n)}, T^{(n)}, E^{(n)}, F^{(n)}) + R(T^{(n)}, \dot{T}^{(n)}, E^{(n)}, F^{(n)}) + \dots$ (प्रोजेक्टरों के व्युत्पन्न सहित)।
SVD व्युत्पन्नों को संभालना: SVD से उत्पन्न प्रोजेक्टरों के व्युत्पन्नों की गणना करने के लिए, लेखक डिजेनरेट सिंगुलर वैल्यूज को संभालने और विचलन (divergence) से बचने के लिए लोरेंत्ज़ियन ब्रॉडनिंग ( $1/x \to x/(x^2 + \eta)$ ) का उपयोग करते हैं।
कॉन्ट्रैक्शन ट्रीज़ के माध्यम से कम्प्यूटेशनल दक्षता: व्युत्पन्न अपडेट नियम में कई कॉन्ट्रैक्शन पदों का स्वतंत्र रूप से मूल्यांकन करने के बजाय, विधि एक कॉन्ट्रैक्शन-ट्री दृष्टिकोण का उपयोग करती है। यह मध्यवर्ती टेंसरों के पुन: उपयोग की अनुमति देता है।
- लागत स्केलिंग (Cost Scaling): $k$ -क्रम तक के व्युत्पन्नों का मूल्यांकन करने से मैट्रिक्स-मल्टीप्लिकेशन की लागत केवल मुक्त ऊर्जा की गणना की तुलना में $(k+1)(k+2)/2$ के कारक से बढ़ती है।
- मेमोरी स्केलिंग (Memory Scaling): मेमोरी फुटप्रिंट केवल $k+1$ के कारक से बढ़ता है ( $T$ और उसके व्युत्पन्न को स्टोर करना), जो सिस्टम साइज या ग्राफ की गहराई से स्वतंत्र है। यह रिवर्स-मोड AD के विपरीत है, जहाँ मेमोरी ग्राफ की गहराई के साथ बढ़ती है।

इम्प्योरिटी विधियों के साथ सैद्धांतिक संबंध:
यह शोध पत्र स्थापित करता है कि पारंपरिक इम्प्योरिटी विधि प्रस्तावित फॉरवर्ड-मोड AD का एक विशिष्ट सीमा (limit) है। यदि SVD (और इस प्रकार प्रोजेक्टर $E$ और $F$ ) के व्युत्पन्नों को अनदेखा कर दिया जाता है (प्रभावी रूप से $\eta \to \infty$ सेट करके), तो फॉरवर्ड-मोड अपडेट नियम ठीक से मानक इम्प्योरिटी-टेंसर अपडेट समीकरणों में बदल जाते हैं। यह इम्प्योरिटी विधि को एक ऐसे सन्निकटन (approximation) के रूप में एक सैद्धांतिक औचित्य प्रदान करता है जो ट्रंकेशन स्कीम की पैरामीटर निर्भरता की अनदेखी करता है।

मुख्य परिणाम (Key Results)

प्रस्तावित विधि का परीक्षण HOTRG और BWTRG दोनों का उपयोग करके 2D और 3D क्लासिकल आइसिंग मॉडल पर किया गया।

सटीकता (Accuracy):
- 2D आइसिंग मॉडल: फॉरवर्ड-मोड AD, इम्प्योरिटी विधि से काफी बेहतर प्रदर्शन करता है। विशिष्ट ऊष्मा (द्वितीय व्युत्पन्न) के लिए, इम्प्योरिटी विधि ने एक विस्तृत तापमान सीमा में $O(10^{-1})$ की सापेक्ष त्रुटियां प्रदर्शित कीं, जबकि फॉरवर्ड-मोड AD (छोटे $\eta$ के साथ) ने $10^{-5}$ से कम की त्रुटियां प्राप्त कीं। कुछ विशिष्ट तापमानों पर, AD विधि इम्प्योरिटी विधि की तुलना में लगभग $10^7$ गुना अधिक सटीक पाई गई।
- BWTRG: समान सुधार देखे गए। यहाँ तक कि कम बॉन्ड डायमेंशन ( $D=30$ ) पर भी, फॉरवर्ड-मोड AD के परिणाम पिछले अध्ययनों में बहुत उच्च बॉन्ड डायमेंशन ( $D=128$ ) वाले मल्टी-इम्प्योरिटी परिणामों की तुलना में अधिक सटीक थे।
- इम्प्योरिटी लिमिट कंसिस्टेंसी: जब SVD व्युत्पन्नों को शून्य सेट किया गया, तो फॉरवर्ड-मोड परिणाम मानक इम्प्योरिटी विधि के अनुरूप थे, जो सैद्धांतिक पत्राचार की पुष्टि करते हैं।
कम्प्यूटेशनल लागत (Computational Cost):
- फॉरवर्ड-मोड AD के लिए बॉटलनेक कॉन्ट्रैक्शन कॉस्ट सैद्धांतिक स्केलिंग फैक्टर $(k+1)(k+2)/2$ के करीब है और कॉन्ट्रैक्शन के लिए इम्प्योरिटी विधि की लागत के लगभग समान है।
- कुल रनटाइम इम्प्योरिटी विधि की तुलना में थोड़ा अधिक है क्योंकि इसमें SVD डेरिवेटिव (स्वीज़र्स) की गणना का ओवरहेड शामिल है, लेकिन स्केलिंग तुलनीय बनी रहती है।
क्रिटिकल एक्सपोनेंट्स और फाइनाइट-साइज स्केलिंग:
- विधि का उपयोग गु-वेन अनुपात ( $X$ ) के व्युत्पन्न के फाइनाइट-साइज स्केलिंग के माध्यम से क्रिटिकल एक्सपोनेंट $\nu$ को निकालने के लिए किया गया।
- 2D: विधि ने $1/\nu = 1.000053(8)$ दिया, जो सटीक मान 1 के अत्यंत निकट है।
- 3D: विधि का विस्तार 3D आइसिंग मॉडल तक किया गया। हालांकि परिणामों ने बॉन्ड डायमेंशन और वॉल्यूम रेंज पर निर्भरता दिखाई (जिससे $D=32$ पर $\nu \approx 0.571$ प्राप्त हुआ), दृष्टिकोण ने सफलतापूर्वक टेंसर डेरिवेटिव से क्रिटिकल एक्सपोनेंट निकालने की व्यवहार्यता को प्रदर्शित किया। लेखकों ने नोट किया कि 3D में सीमित बॉन्ड डायमेंशन डिजेनरेट सिंगुलर वैल्यूज के कारण विच्छिन्नता (discontinuities) पैदा करता है, जो स्थिरता को प्रभावित करता है।

महत्व और दावे (Significance and Claims)

यह शोध पत्र निम्नलिखित महत्व का दावा करता है:

श्रेष्ठ सटीकता: फॉरवर्ड-मोड AD फ्रेमवर्क मशीन-प्रिसिजन व्युत्पन्न प्रदान करता है जो इम्प्योरिटी विधि की तुलना में काफी अधिक सटीक है, मुख्य रूप से इसलिए क्योंकि यह SVD के दौरान उत्पन्न आइसोमेट्रिक टेंसरों (प्रोजेक्टरों) की पैरामीटर निर्भरता को सही ढंग से ध्यान में रखता है।
दक्षता: यह रिवर्स-मोड AD की अत्यधिक मेमोरी ओवरहेड के बिना उच्च सटीकता प्राप्त करता है। मेमोरी लागत व्युत्पन्न क्रम में रैखिक है और सिस्टम साइज से स्वतंत्र है, जो इसे बड़े पैमाने के और उच्च-आयामी TRG गणनाओं के लिए उपयुक्त बनाती है।
सामान्यीकरण: यह विधि इम्प्योरिटी विधि का एक कठोर सामान्यीकरण (generalization) है। यह दोनों दृष्टिकोणों को एकीकृत करती है, यह दिखाते हुए कि इम्प्योरिटी विधि एक ऐसी स्थिति है जहाँ SVD डेरिवेटिव को अनदेखा किया जाता है।
व्यावहारिक उपयोगिता: यह फ्रेमवर्क एक एकल फॉरवर्ड पास में उच्च-क्रम के मोमेंट्स और क्रिटिकल एक्सपोनेंट्स (डेरिवेटिव के फाइनाइट-साइज स्केलिंग के माध्यम से) की सीधी गणना को सक्षम बनाता है, जिससे विभिन्न सिस्टम साइज के लिए अलग-अलग गणनाओं की आवश्यकता नहीं होती है।

लेखक निष्कर्ष निकालते हैं कि हालांकि यह विधि अत्यधिक प्रभावी है, 3D सिस्टम में डिजेनरेट सिंगुलर वैल्यूज और बॉन्ड डायमेंशन सीमाओं के संबंध में चुनौतियां बनी हुई हैं, जो स्थिरता और सटीकता में सुधार के लिए सिमेट्री ब्लॉकिंग या लीनियर रिनॉर्मलाइजेशन स्कीम्स जैसे भविष्य के कार्यों का सुझाव देती हैं।