🔬 condensed matter

Ultra slow sub-logarithmic diffusion of a sluggish random walker subject to resetting with memory

यह शोध पत्र स्मृति-निर्भर रीसेटिंग (memory-dependent resetting) के अधीन बीजगणितीय रूप से क्षयकारी विसरण (algebraically decaying diffusion) वाले ब्राउनियन कण के लिए एक सटीक समाधान प्रस्तुत करता है, जो यह प्रकट करता है कि इन तंत्रों के बीच की परस्पर क्रिया अत्यंत-धीमी उप-लघुगणकीय विसरण (ultra-slow sub-logarithmic diffusion) की ओर ले जाती है, जो एक द्वि-आयामी, गैर-गॉसियन स्थिति वितरण (bimodal, non-Gaussian position distribution) द्वारा अभिलक्षित है।

मूल लेखक: Denis Boyer, Satya N. Majumdar

प्रकाशित 2026-03-03

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Denis Boyer, Satya N. Majumdar

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 बहुत ही थके हुए, बहुत ही भुलक्कड़ खोजकर्ता को एक विशाल, निराकार रेगिस्तान में भटकते हुए देख रहे हैं। यह खोजकर्ता हमारा "सुस्त रैंडम वॉकर" (sluggish random walker) है।

यह शोध पत्र इस बारे में है कि दो बहुत ही विशिष्ट नियमों के कारण, जो उनकी यात्रा को अविश्वसनीय रूप से धीमा और अजीब बनाते हैं, एक लंबे समय के बाद वह खोजकर्ता ठीक कहाँ होगा।

खेल के दो नियम

1. "भारी जूतों" का नियम (सुस्ती)
कल्पना कीजिए कि खोजकर्ता के जूते अपने शुरुआती कैंप से जितनी दूर जाते हैं, उतने ही भारी होते जाते हैं।

कैंप के पास, वे आसानी से दौड़ सकते हैं।
एक मील दूर, उन्हें घिसटकर चलना पड़ता है।
दस मील दूर, वे लगभग रेंगने लगते हैं क्योंकि रेत गाढ़े गोंद की तरह महसूस होती है।
विज्ञान: भौतिकी के शब्दों में, "डिफ्यूजन कोएफिशिएंट" (वे कितनी तेजी से चलते हैं) जैसे-जैसे वे दूर जाते हैं, कम होता जाता है। शोध पत्र इसे $D(x) \sim |x|^{-\alpha}$ कहता है। वे जितना दूर जाते हैं, वे उतने ही धीमे होते जाते हैं।

2. "पुरानी यादों वाला रीसेट" नियम (स्मृति)
अब, कल्पना कीजिए कि खोजकर्ता की एक अजीब आदत है। समय-समय पर एक घंटी बजती है। जब घंटी बजती है, तो वे वापस कैंप पर नहीं जाते। इसके बजाय, वे अपनी आँखें बंद करते हैं, अपने पूरे अतीत के इतिहास में से एक यादृच्छिक क्षण चुनते हैं, और तुरंत उसी स्थान पर टेलीपोर्ट हो जाते हैं जहाँ वे उस सटीक क्षण में खड़े थे।

यदि उन्होंने किसी विशिष्ट चट्टान के पास बहुत अधिक समय बिताया है, तो उनके वहां फिर से पहुँचने की संभावना अधिक है क्योंकि वे वहां लंबे समय तक रहे थे।
विज्ञान: यह "मेमोरी के साथ रीसेटिंग" है। एक मानक रीसेट के विपरीत, जहाँ आप हमेशा शून्य पर वापस जाते हैं, यह आपको किसी भी ऐसी जगह भेज देता है जहाँ आप कभी भी रहे हैं, और यह इस बात पर निर्भर करता है कि आपने वहां कितना समय बिताया।

बड़ा आश्चर्य: अल्ट्रा-स्लो मोशन

आमतौर पर, यदि आपके पास एक ऐसा वॉकर है जो थक जाता है (नियम 1) और एक ऐसा वॉकर है जो बार-बार पुराने स्थानों पर वापस भेजा जाता है (नियम 2), तो आप उम्मीद कर सकते हैं कि वे एक जगह फंस जाएंगे या बहुत धीरे चलेंगे।

परिणाम: खोजकर्ता की गति इतनी धीमी है कि वह लगभग हास्यास्पद लगती है।

सामान्य चलना: दूरी समय ( $t$ ) के साथ बढ़ती है।
थका हुआ चलना: दूरी समय के वर्गमूल ( $\sqrt{t}$ ) के साथ बढ़ती है।
थका हुआ + पुरानी यादों वाला चलना: दूरी समय के लॉग (logarithm) के साथ बढ़ती है।

इसे समझने के लिए:
यदि आप 100 साल चलते हैं, तो आप 10 मील दूर हो सकते हैं।
यदि आप 10,000 साल चलते हैं (100 गुना लंबा समय), तो आप शायद केवल 12 मील दूर होंगे।
यदि आप 1,000,000 साल चलते हैं, तो आप शायद केवल 14 मील दूर होंगे।

शोध पत्र इसे "अल्ट्रा स्लो सब-लॉगैरिद्मिक डिफ्यूजन" कहता है। यह ऐसा है जैसे खोजकर्ता एक टाइम वार्प में फंस गया है जहाँ आगे बढ़ने के लिए असंभव प्रयास की आवश्यकता होती है और उनकी यादें उन्हें उन जगहों की ओर खींचती रही हैं जहाँ वे पहले ही जा चुके हैं, जिससे वे वास्तव में कभी नई जगह की खोज नहीं कर पाते।

यात्रा का आकार

आप सोच सकते हैं कि चूंकि वे इतने धीमे हैं, इसलिए वे केंद्र में एक छोटी सी भीड़ बनकर रह जाएंगे। लेकिन ऐसा नहीं होता है।

आकार: यदि आप बहुत देर के समय में इन सभी खोजकर्ताओं के स्थान का एक स्नैपशॉट लेते हैं, तो उनका वितरण एक सामान्य बेल कर्व (Gaussian) की तरह नहीं दिखेगा। इसके बजाय, यह एक डंबल या बाथटब जैसा दिखेगा।
क्यों? बीच में एक "छेद" है। खोजकर्ता वास्तव में शुरुआती बिंदु से दूर धकेला जाता है क्योंकि "भारी जूतों" का नियम वहां रुकना कठिन बना देता है, लेकिन "पुरानी यादों वाला रीसेट" उन्हें वापस उन जगहों पर खींचता रहता है जहाँ वे थोड़ा और बाहर गए थे।
पूंछ (Tails): उनके पास "नॉन-गौसियन टेल्स" हैं, जिसका अर्थ है कि कुछ खोजकर्ता बहुत दूर तक जाने में सफल होते हैं, लेकिन वे बहुत दुर्लभ हैं।

"जादुई" गणितीय ट्रिक

लेखकों ने केवल अनुमान नहीं लगाया; उन्होंने एक सटीक गणितीय सूत्र खोज निकाला है जो किसी भी समय (केवल अंत में नहीं) खोजकर्ता की स्थिति का वर्णन करता है।

उन्होंने "स्पेक्ट्रल डीकंपोजिशन" (समस्या को सरल कंपन तरंगों में तोड़ना, जैसे गिटार के तार को छेड़ना) का उपयोग करके जटिल समीकरणों को हल करने के लिए एक चतुर ट्रिक का उपयोग किया। उन्होंने पाया कि भले ही गणित अविश्वसनीय रूप से जटिल है, फिर भी खोजकर्ता के स्थान का अंतिम आकार एक बहुत ही विशिष्ट, अनुमानित पैटर्न का पालन करता है जो इस बात पर निर्भर करता है कि जूते कितने "भारी" हैं ( $\alpha$ पैरामीटर)।

हमें इसकी परवाह क्यों करनी चाहिए?

यह केवल काल्पनिक थके हुए खोजकर्ताओं के बारे में नहीं है। यह मॉडल हमें वास्तविक दुनिया की चीजों को समझने में मदद करता है:

जानवरों का व्यवहार: कई जानवर (जैसे बंदर या एल्क) केवल बेतरतीब ढंग से नहीं घूमते। वे याद रखते हैं कि उन्हें कहां भोजन या पानी मिला था और वे उन स्थानों पर बार-बार जाने की प्रवृत्ति रखते हैं। यह मॉडल समझाता है कि क्यों उनकी गतिशीलता के पैटर्न "सुस्त" दिखते हैं और क्यों वे अनंत में भटकने के बजाय एक विशिष्ट "होम रेंज" के भीतर रहते हैं।
खोज रणनीतियाँ (Search Strategies): यदि आप कुछ ढूंढ रहे हैं (जैसे कोई खोया हुआ हाइकर या सिग्नल खोजने वाला रोबोट), तो यह जानना महत्वपूर्ण है कि "मेमोरी" और "गति में कठिनाई" का संयोजन अल्ट्रा-स्लो प्रगति पैदा करता है। यह बताता है कि यदि कोई एजेंट बार-बार पुराने स्थानों पर जाता रहता है, तो उसे कुछ नया खोजने में अनंत काल लग सकता है।

निचोड़

यह शोध पत्र बताता है कि जब आप जितना दूर जाओ उतना थकते जाना के साथ लगातार अपने अतीत को दोहराना जोड़ते हैं, तो आप एक ऐसी प्रणाली बनाते हैं जो घोंघे की गति से चलती है। खोजकर्ता वास्तव में कभी स्थिर नहीं होता, लेकिन वह वास्तव में कहीं तेजी से भी नहीं पहुँच पाता। वह अपने अतीत और वर्तमान के बीच एक धीमी गति के नृत्य में फंसा हुआ है, जो केवल समय के लॉग (logarithm) के अनुसार ही आगे बढ़ता है।

यहाँ डेनिस बोयर और सत्य एन. मजूमदार के शोध पत्र "Ultra slow sub-logarithmic diffusion of a sluggish random walker subject to resetting with memory" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या का विवरण (Problem Statement)

यह शोध पत्र $d$ -आयामी स्थान में "सुस्त" (sluggish) रैंडम वॉकर की स्टोकेस्टिक गतिशीलता की जांच करता है, जो मेमोरी के साथ स्टोकेस्टिक रिसेटिंग (stochastic resetting with memory) के अधीन है। यह मॉडल दो विशिष्ट भौतिक तंत्रों को जोड़ता है जो आमतौर पर विसरण (diffusion) को धीमा कर देते हैं:

सुस्त विसरण (Sluggish Diffusion): कण स्थान-निर्भर विसरण गुणांक $D(x) = |x|^{-\alpha}$ (जहाँ $\alpha > 0$ ) के साथ ब्राउनियन मोशन करता है। जैसे-जैसे कण मूल बिंदु (origin) से दूर जाता है, विसरण दर क्षय (decay) होती जाती है, जिससे वॉकर तेजी से "सुस्त" होता जाता है।
मेमोरी-आधारित रिसेटिंग (Memory-Dependent Resetting): एक निश्चित बिंदु (जैसे मूल बिंदु) पर रिसेट होने के बजाय, कण एक पूर्व-निर्धारित देखे गए स्थान पर रिसेट होता है। रिसेटिंग एक स्थिर दर $r$ पर होती है। जब समय $t$ पर एक रिसेट होता है, तो कण एक यादृच्छिक पिछले समय $t' \in [0, t]$ (प्रायिकता घनत्व $1/t$ ) चुनता है और उस स्थिति $x(t')$ पर वापस आता है जो उसने उस समय प्राप्त की थी। यह तंत्र बार-बार चर्चित क्षेत्रों में लौटने को बढ़ावा देता है, जिससे लोकलाइजेशन (localization) प्रेरित होता है।

केंद्रीय प्रश्न यह है कि: स्थान-निर्भर क्षय वाले विसरण और मेमोरी-आधारित रिसेटिंग का संयोजन वॉकर के स्थिति वितरण (position distribution) और विशिष्ट विस्थापन (typical displacement) के दीर्घकालिक व्यवहार को कैसे प्रभावित करता है?

2. कार्यप्रणाली (Methodology)

लेखक फॉकर-प्लांक समीकरण (Fokker-Planck equation) और स्पेक्ट्रल अपघटन (spectral decomposition) पर आधारित एक विश्लेषणात्मक दृष्टिकोण का उपयोग करते हैं।

शासी समीकरण (Governing Equation): वे एक आयाम में स्थिति वितरण $P_r(x, t)$ के लिए फॉकर-प्लांक समीकरण व्युत्पन्न करते हैं। इसमें शामिल हैं:
- Itô व्याख्या के साथ एक विसरण पद: $\partial_x^2 [D(x) P(x, t)]$ ।
- रिसेटिंग के कारण होने वाला हानि पद: $-r P(x, t)$ ।
- पिछले स्थानों से रिसेटिंग के कारण होने वाला लाभ पद: $\frac{r}{t} \int_0^t P(x, t') dt'$ ।
- नोट: मेमोरी कर्नेल (memory kernel) यह सुनिश्चित करता है कि समीकरण बिना किसी उच्च-क्रम सहसंबंधों (higher-order correlations) की आवश्यकता के वन-पॉइंट फंक्शन पर बंद (close) हो जाए।
चरों का पृथक्करण (Separation of Variables): लेखक $P_r(x, t) = \phi(x) f_r(t)$ का एंसेट (ansatz) उपयोग करते हैं। यह समस्या को दो भागों में विभाजित करता है:
- समय-निर्भर भाग: एक साधारण अवकल समीकरण (ODE) जिसमें रिसेटिंग दर $r$ और एक आइगेनवैल्यू $\lambda$ शामिल है। इसका समाधान कुमर के कॉन्फ्लुएंट हाइपरजियोमेट्रिक फंक्शन $M(a, b, z)$ को शामिल करता है।
- स्थान-निर्भर भाग: एक आइगेनवैल्यू समीकरण जिसमें विसरण गुणांक $D(x) = |x|^{-\alpha}$ शामिल है। यह एक बेसेल अवकल समीकरण (Bessel differential equation) की ओर ले जाता है। इसके समाधान बेसेल फंक्शन $J_{\pm \nu}$ के रूप में व्यक्त किए जाते हैं, जहाँ $\nu = 1/(\alpha + 2)$ है।
स्पेक्ट्रल अपघटन (Spectral Decomposition): पूर्ण समाधान का निर्माण आइगेनवैल्यू $\lambda \geq 0$ के ऊपर एक समाकलन (integral) के रूप में किया जाता है। स्पेक्ट्रल घनत्व (spectral density) बेसेल फंक्शन के ऑर्थोगोनैलिटी संबंधों और प्रारंभिक स्थिति (कण मूल बिंदु से शुरू होता है) को लागू करके निर्धारित किया जाता है।
सामान्यीकृत क्षण (Generalized Moments): परिणामों को सत्यापित करने और माध्य वर्ग विस्थापन (mean square displacement) की गणना करने की कठिनाई से बचने के लिए (जो सीधे गणना करने में कठिन या अपसारी/divergent हो सकता है), लेखक पावर सीरीज़ विस्तार और गुणांक मिलान का उपयोग करके सामान्यीकृत क्षण $\mu_{r, \alpha}(m, t) = \langle |x|^m \rangle$ की गणना करते हैं।

3. मुख्य योगदान और परिणाम (Key Contributions and Results)

A. सटीक स्थिति वितरण (Exact Position Distribution)

शोध पत्र सभी समयों $t$ और किसी भी स्थानिक आयाम $d \geq 1$ के लिए स्थिति वितरण $P_{r, \alpha}(x, t)$ के लिए एक सटीक विश्लेषणात्मक अभिव्यक्ति प्रदान करता है।

1D समाधान: वितरण बेसेल फंक्शन और कुमर के फंक्शनों वाले स्पेक्ट्रल इंटीग्रल द्वारा दिया गया है (समीकरण 39/40)।
उच्च आयाम: समाधान को $d$ आयामों में सामान्यीकृत किया गया है (समीकरण 82), जो दर्शाता है कि रेडियल निर्भरता संशोधित बेसेल इंडेक्स के साथ समान संरचना का अनुसरण करती है।

B. अल्ट्रा-स्लो सब-लॉगैरिथमिक विसरण (Ultra-Slow Sub-Logarithmic Diffusion)

दीर्घकालिक व्यवहार ( $t \to \infty$ ) के संबंध में सबसे महत्वपूर्ण निष्कर्ष निम्नलिखित है:

विशिष्ट विस्थापन (Typical Displacement): मूल बिंदु से वॉकर की विशिष्ट दूरी इस प्रकार बढ़ती है:
$x_{\text{typ}} \sim [\ln(rt)]^{\frac{1}{\alpha+2}}$
यह एक अल्ट्रा-स्लो, सब-लॉगैरिथमिक विसरण का प्रतिनिधित्व करता है।
- बिना मेमोरी के ( $r=0$ ), वॉकर सबडिफ्यूसिव (subdiffusive) है: $x \sim t^{1/(\alpha+2)}$ ।
- मेमोरी के साथ लेकिन स्थिर विसरण ( $\alpha=0$ ) के साथ, वॉकर लॉगरिदमिक (logarithmic) है: $x \sim \sqrt{\ln(rt)}$ ।
- इनका संयोजन किसी भी पावर लॉ (power law) और $\sqrt{\ln}$ से भी धीमी वृद्धि दर प्रदान करता है।

C. स्केलिंग लॉ और बाइमोडैलिटी (Scaling Law and Bimodality)

गतिशीलता के अत्यधिक धीमे होने के बावजूद, सिस्टम एक स्थिर अवस्था (steady state) तक नहीं पहुँचता है। इसके बजाय, यह एक स्केलिंग रूप (scaling form) की ओर बढ़ता है:
$P_{r, \alpha}(x, t) \approx \left( \frac{r}{\ln(rt)} \right)^\nu G_\alpha \left( \frac{x}{[\ln(rt)]^\nu} \right)$
जहाँ $\nu = 1/(\alpha+2)$ है।

स्केलिंग फंक्शन की सार्वभौमिकता (Universality): उल्लेखनीय रूप से, स्केलिंग फंक्शन $G_\alpha(z)$ बिना रिसेटिंग ( $r=0$ ) वाले सुस्त वॉकर के समान ही है।
आकार (Shape): किसी भी $\alpha > 0$ के लिए, स्केलिंग फंक्शन बाइमोडल (गैर-एकदिष्ट) है, जिसका $x=0$ पर न्यूनतम मान है और गैर-गॉसियन टेल (tails) हैं। यह इंगित करता है कि कण मूल बिंदु से प्रतिकर्षित होता है (लुप्त होते विसरण गुणांक के कारण) लेकिन मेमोरी-आधारित रिसेटिंग द्वारा अनंत तक जाने से रोका जाता है।

D. सामान्यीकृत क्षण (Generalized Moments)

लेखक सभी समयों के लिए सामान्यीकृत क्षण $\langle |x|^m \rangle$ के सटीक व्यंजक प्राप्त करते हैं।

वे दिखाते हैं कि क्रम $m = \alpha + 2$ (और सामान्यतः $n(\alpha+2)$ ) का क्षण, मानक मेमोरी-रिसेटिंग मॉडल (जहाँ $\alpha=0$ ) के क्षणों के ठीक समानुपाती है।
विशेष रूप से, $\langle |x|^{\alpha+2} \rangle_{r, \alpha} \propto \langle x^2 \rangle_{r, 0}$ । यह सुस्त मॉडल और स्थिर विसरण वाले मानक मॉडल के बीच एक गहरा गणितीय संबंध स्थापित करता है।
इन विश्लेषणात्मक भविष्यवाणियों को मोंटे कार्लो सिमुलेशन के विरुद्ध सत्यापित किया गया, जिसने उत्कृष्ट सहमति दिखाई।

4. महत्व और निहितार्थ (Significance and Implications)

सैद्धांतिक भौतिकी: यह शोध पत्र एक गैर-तुच्छ (non-trivial) गैर-संतुलन स्टोकेस्टिक प्रक्रिया को सटीक रूप से हल करता है। यह प्रदर्शित करता है कि मेमोरी-आधारित रिसेटिंग "अल्ट्रा-स्लो" विसरण की एक नई सार्वभौमिक श्रेणी (universality class) उत्पन्न कर सकती है, जो मानक सबडिफ्यूजन या लॉगरिदमिक विसरण से भिन्न है।
पशु गति मॉडल (Animal Movement Modeling): यह मॉडल पशुओं के भोजन खोजने (foraging) के व्यवहार के लिए एक मजबूत सैद्धांतिक ढांचा प्रदान करता है। यह दो प्रमुख जैविक विशेषताओं को पकड़ता है:
1. साइट फिडेलिटी (Site Fidelity): जानवर परिचित, संसाधन-समृद्ध क्षेत्रों में लौटने की प्रवृत्ति रखते हैं (मेमोरी रिसेटिंग)।
2. अन्वेषण लागत (Exploration Cost): केंद्रीय होम रेंज से दूर जाना ऊर्जावान या शारीरिक रूप से कठिन हो जाता है (सुस्त विसरण)।
  परिणाम यह सुझाव देते हैं कि ऐसे जीव अत्यंत धीमी रेंज विस्तार प्रदर्शित करते, जो प्रभावी रूप से एक धीरे-धीरे फैलते लॉगरिदमिक लिफाफे (logarithmic envelope) के भीतर अपने आंदोलन को स्थानीयकृत करते हैं।
गणितीय अंतर्दृष्टि: यह कार्य मेमोरी वाले गैर-स्थानीय (non-local) पदों और स्थान-निर्भर गुणांकों वाले फॉकर-प्लांक समीकरणों को हल करने के लिए स्पेक्ट्रल विधियों की शक्ति को उजागर करता है। यह यह भी प्रकट करता है कि स्थिति वितरण का स्केलिंग फंक्शन मेमोरी-आधारित रिसेटिंग के परिचय के प्रति मजबूत है, जो केवल गति के टाइम स्केल को बदलता है।

संक्षेप में, यह शोध पत्र स्थापित करता है कि स्थानिक रूप से क्षय होने वाली गतिशीलता और मेमोरी-संचालित वापसी के बीच का परस्पर प्रभाव एक अद्वितीय गतिशील शासन (dynamical regime) बनाता है जहाँ वॉकर एक अल्ट्रा-स्लो सब-लॉगैरिथमिक दर पर स्थान का अन्वेषण करता है, जबकि एक विशिष्ट बाइमोडल स्थानिक वितरण आकार बनाए रखता है।