⚛️ quantum physics

Machine Learning the Strong Disorder Renormalization Group Method for Disordered Quantum Spin Chains

यह शोध पत्र यह प्रदर्शित करता है कि स्ट्रॉन्ग डिसऑर्डर रेनोर्मलाइजेशन ग्रुप (SDRG) पद्धति पर प्रशिक्षित एक ग्राफ न्यूरल नेटवर्क, विभिन्न इंटरेक्शन एक्सपोनेंट्स और तापमानों में बिना पुन: प्रशिक्षण के, SDRG भविष्यवाणियों के साथ मात्रात्मक सहमति प्राप्त करते हुए, विस्केंद्रित लॉन्ग-रेंज इंटरेक्टिंग क्वांटम स्पिन चेन्स की एंटैंगलमेंट संरचना और पेयरिंग पदानुक्रम का सटीक अनुमान लगा सकता है।

मूल लेखक: A. Ustyuzhanin, J. Vahedi, S. Kettemann

प्रकाशित 2026-03-06

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: A. Ustyuzhanin, J. Vahedi, S. Kettemann

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

मुख्य चित्र: एक रोबोट को "क्वांटम मैच" खेलना सिखाना

कल्पना कीजिए कि आपके पास एक मंच पर खड़े लोगों (स्पिन्स) की एक लंबी कतार है। वे सभी बाकी सभी लोगों के साथ हाथ मिला रहे हैं, लेकिन उनकी पकड़ की ताकत बहुत अलग-अलग है। कुछ पकड़ कमजोर है, तो कुछ अविश्वसनीय रूप से मजबूत। खेल का नियम यह है कि सबसे मजबूत जोड़ सबसे पहले हाथ मिलाएंगे, प्रभावी रूप से खुद को एक साथ "लॉक" कर लेंगे और एक पल के लिए बाकी सभी को अनदेखा कर देंगे। एक बार जब वे लॉक हो जाते हैं, तो वे एक एकल इकाई (unit) के रूप में कार्य करते हैं, और खेल शेष लोगों के साथ तब तक जारी रहता है जब तक कि हर कोई जोड़ी में न बंध जाए।

यह स्ट्रॉन्ग डिसऑर्डर रिनॉर्मलाइजेशन ग्रुप (SDRG) विधि नामक एक जटिल भौतिकी समस्या का एक सरल संस्करण है। भौतिक विज्ञानी इसका उपयोग यह समझने के लिए करते हैं कि "अव्यवस्थित" (disordered) क्वांटम सामग्रियां कैसे व्यवहार करती हैं, विशेष रूप से वे कितनी "एंटैंगल्ड" (जुड़ी हुई) होती हैं।

समस्या क्या है? इतने विशाल सिस्टम के लिए इस गणना को हाथ से (या यहाँ तक कि एक सुपरकंप्यूटर द्वारा भी) करना अविश्वसनीय रूप से धीमा और कठिन है।

समाधान: इस पेपर के लेखकों ने एक विशेषज्ञ (SDRG विधि) को पहले यह खेल खेलते हुए देखकर, एक कंप्यूटर (मशीन लर्निंग) को यह खेल खेलना सिखाने का निर्णय लिया। एक बार जब कंप्यूटर नियम सीख जाता है, तो वह उन सिस्टमों के लिए भी तुरंत परिणाम की भविष्यवाणी कर सकता है जिन्हें उसने पहले कभी नहीं देखा है।

पात्रों की टोली

क्वांटम स्पिन चेन (The Quantum Spin Chain): इसे एक मंच पर नृत्य करने वाले नर्तकों की एक पंक्ति के रूप में सोचें। वे "डिसऑर्डर्ड" हैं, जिसका अर्थ है कि उन्हें व्यवस्थित पंक्तियों में नहीं, बल्कि बेतरतीब ढंग से रखा गया है। वे लंबी दूरी तक एक-दूसरे के साथ परस्पर क्रिया (interact) करते हैं (जैसे बाईं ओर का एक नर्तक दाईं ओर के नर्तक को पकड़ने के लिए हाथ बढ़ाता है)।
SDRG (शिक्षक): यह खेल का "ग्रैंडमास्टर" है। इसे सटीक रणनीति पता है: हमेशा सबसे मजबूत संबंध खोजें, उन दो नर्तकों को एक साथ लॉक करें, और फिर देखें कि शेष नर्तक कैसे परस्पर क्रिया करते हैं। यह तब तक चरण-दर-चरण यह कार्य करता है जब रूप से हर कोई जोड़ी में बंध जाता है।
मशीन लर्निंग मॉडल (छात्र): लेखकों ने ग्रैंडमास्टर से सीखने के लिए दो अलग-अलग प्रकार के छात्रों का परीक्षण किया।

दो छात्र: "लिस्ट-चेकर" बनाम "मैप-रीडर"

छात्र A: रैंडम फॉरेस्ट (द लिस्ट-चेकर)

यह एक क्लासिक कंप्यूटर एल्गोरिदम है। कल्पना कीजिए कि आप इस छात्र को नर्तकों के हर संभावित जोड़े और उनकी पकड़ की मजबूती की एक विशाल स्प्रेडशीट देते हैं। छात्र सूची को देखता है, अनुमान लगाने की कोशिश करता है कि कौन सा जोड़ा सबसे मजबूत है, और उसे चिह्नित करता है।

समस्या: स्प्रेडशीट बहुत बड़ी और अव्यवस्थित है। छात्र खेल के हर चरण को एक अलग, अलग-थलग अनुमान के रूप में देखता है। वह यह नहीं समझता कि खेल एक प्रवाह या एक कहानी है। यह एक फिल्म को समझने की कोशिश करने जैसा है जहाँ आप यह देखने के बजाय कि वे कैसे जुड़ते हैं, हर फ्रेम की एक सूची देख रहे हैं।
परिणाम: इसने सामान्य विचार को सही पकड़ा लेकिन विशिष्ट गलतियाँ कीं। यह एक झलक के लिए ठीक था, लेकिन विवरणों में विफल रहा।

छात्र B: ग्राफ न्यूरल नेटवर्क (द मैप-रीडर)

यह एक उन्नत AI है जिसे कनेक्शन (संबंधों) को समझने के लिए डिज़ाइन किया गया है। स्प्रेडशीट के बजाय, हमने इस छात्र को एक मानचित्र (Map) दिया।

मानचित्र: इस मानचित्र पर, प्रत्येक नर्तक एक बिंदु है, और प्रत्येक संबंध एक रेखा है। रेखा की मोटाई यह दिखाती है कि पकड़ कितनी मजबूत है।
रणनीति: छात्र केवल एक सूची नहीं देखता; वह पूरे समूह के आकार को देखता है। वह एक सरल नियम सीखता है: "सबसे मोटी रेखा खोजो, उसे काटो, और देखो कि मानचित्र कैसे बदलता है।"
परिणाम: यह छात्र एक जीनियस था। इसने केवल उत्तरों को रटा नहीं; इसने खेल के तर्क (Logic) को सीखा। इसने 94% सटीकता के साथ जोड़ियों की भविष्यवाणी की और पूरे सिस्टम के "एंटैंगलमेंट" (कनेक्शन मैप) को पूरी तरह से पुन: निर्मित किया।

"सीक्रेट सॉस": क्यों मैप-रीडर जीता

यह पेपर दोनों छात्रों के बीच एक महत्वपूर्ण अंतर को उजागर करता है:

लिस्ट-चेकर ने अंतिम उत्तर को याद करने की कोशिश की।
मैप-रीडर ने प्रक्रिया (Process) को सीखा।

SDRG विधि एक "रिनॉर्मलाइजेशन फ्लो" है। इसका अर्थ है कि यह चरणों का एक क्रम है जहाँ सिस्टम सरल और सरल होता जाता है। मैप-रीडर ने इस अनुक्रम का पालन करना सीखा। वह समझ गया कि आपको पहले छोटी, कमजोर कड़ियों को हटाना होगा, और केवल बाद में ही बड़ी, लंबी दूरी के कनेक्शन मायने रखते हैं।

लेखकों ने यह साबित करने के लिए "हीटमैप्स" (खेल के विज़ुअल हीट मैप) का उपयोग किया। उन्होंने दिखाया कि AI ने केवल अंतिम परिणाम का अनुमान नहीं लगाया; इसने ग्रैंडमास्टर (SDRG) के ठीक उसी उन्मूलन पथ (elimination path) का पालन किया, जो चरण-दर-चरण चलता है।

बोनस लेवल: गर्मी (तापमान) जोड़ना

अब तक, हम शून्य तापमान (कोई गर्मी नहीं) पर खेल के बारे में बात कर रहे थे। लेकिन क्या होगा यदि नर्तक कांप रहे हैं या पसीना बहा रहे हैं (परिमित तापमान)?

भौतिकी में, गर्मी चीजों को अस्थिर बनाती है। कभी-कभी एक मजबूत जोड़ा तुरंत हाथ नहीं मिला पाता क्योंकि वे बहुत अधिक हिल-डुल (jiggle) रहे होते हैं।
लेखकों ने एक चतुर चाल चली। उन्होंने AI को शून्य तापमान (जहाँ नियम सख्त और नियत हैं) पर खेल सिखाया।
फिर, उन्होंने बाद में एक "हीट लेयर" जोड़ी। उन्होंने AI को बताया: "तुम नियमों के आधार पर यह पता लगाओ कि किनका जोड़ा बनना चाहिए। फिर, हम तापमान के आधार पर जोड़ियों को बेतरतीब ढंग से हिलाएंगे (shake) यह देखने के लिए कि वास्तव में कौन साथ रहता है।"
परिणाम: AI, जिसे केवल ठंडे खेल पर प्रशिक्षित किया गया था, बिना पुन: प्रशिक्षित हुए गर्म खेल के व्यवहार की सटीक भविष्यवाणी कर सका। इसने "खेल के नियमों" को "गर्मी की अराजकता" से अलग कर दिया।

निष्कर्ष (The Takeaway)

यह पेपर फिजिक्स-इन्फॉर्म्ड मशीन लर्निंग की सफलता की कहानी है।

केवल डेटा को कंप्यूटर पर फेंकने और उम्मीद करने के बजाय कि वह पैटर्न ढूंढ लेगा, लेखकों ने कंप्यूटर को एक भौतिक शिक्षक (SDRG) और एक संरचना दी जो भौतिकी से मेल खाती है (एक ग्राफ)।

उपमा:
यदि आप किसी को कार चलाना सिखाना चाहते हैं:

पुराना तरीका (रैंडम फॉरेस्ट): उन्हें कारों की दस लाख तस्वीरें दिखाएं और उनसे पूछें कि कौन सी कार चल रही है। वे भाग्यशाली हो सकते हैं, लेकिन वे स्टीयरिंग नहीं समझेंगे।
नया तरीका (ग्राफ न्यूरल नेटवर्क): उन्हें सड़क, स्टीयरिंग व्हील और पैडल दिखाएं। मुड़ने और ब्रेक लगाने के तर्क को सिखाएं। एक बार जब वे तर्क को समझ लेते हैं, तो वे बिना हर मोड़ को रटे, किसी भी सड़क पर, किसी भी मौसम में गाड़ी चला सकते हैं।

लेखकों ने क्वांटम स्पिन चेन के लिए एक "ड्राइविंग स्कूल" बनाया है। उनका AI अब तुरंत भविष्यवाणी कर सकता है कि जटिल, अव्यवस्थित क्वांटम सामग्रियां कैसे व्यवहार करेंगी, जो वैज्ञानिकों को क्वांटम कंप्यूटर और बेहतर बैटरी के लिए नई सामग्रियां डिजाइन करने में मदद कर सकता है।

यहाँ शोध पत्र "Machine Learning the Strong Disorder Renormalization Group Method for Disordered Quantum Spin Chains" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र विक्षोभयुक्त लंबी दूरी के अंतःक्रिया वाले क्वांटम स्पिन श्रृंखलाओं (disordered long-range interacting quantum spin chains) के ऊष्मप्रवैगिकी (thermodynamic), गतिक (dynamical), और एंटैंगलमेंट गुणों को मॉडल करने और प्राप्त करने की चुनौती को संबोधित करता है।

प्रणाली (System): यादृच्छिक स्थितियों (random positions) पर एंटीफेरोमैग्नेटिक पावर-लॉ इंटरैक्शन ( $J_{ij} \propto |r_i - r_j|^{-\alpha}$ ) के साथ एक आयामी (1D) श्रृंखला जिसमें $S=1/2$ स्पिन हैं।
चुनौती: बड़े सिस्टमों के लिए सटीक विकर्णीकरण (Exact Diagonalization) गणनात्मक रूप से अत्यधिक कठिन है, और मानक डेंसिटी मैट्रिक्स रेनोर्मलाइजेशन ग्रुप (DMRG) लंबी दूरी के इंटरैक्शन और तीव्र विक्षोभ (strong disorder) के कारण संघर्ष करता है।
लक्ष्य: इन प्रणालियों के एंटैंगलमेंट स्ट्रक्चर और आइजनस्टेट (eigenstate) गुणों का अनुमान लगाने के लिए मशीन लर्निंग (ML) मॉडल को प्रशिक्षित करना, जो स्ट्रॉन्ग डिसऑर्डर रेनोर्मलाइजेशन ग्रुप (SDRG) विधि से सीखता है, जो एक "फिजिक्स-इन्फॉर्म्ड टीचर" के रूप में कार्य करता है। इसका उद्देश्य केवल अंतिम अवलोकनीय (observables) की भविष्यवाणी करना नहीं है, बल्कि उस क्रमिक, गैर-स्थानीय रेनोर्मलाइजेशन फ्लो (decimation hierarchy) को सीखना है जो मेनी-बॉडी आइजनस्टेट्स को उत्पन्न करता है।

2. कार्यप्रणाली (Methodology)

लेखक एक दो-आयामी दृष्टिकोण अपनाते हैं, जिसमें एक क्लासिकल बेसलाइन की तुलना एक ग्राफ-आधारित डीप लर्निंग मॉडल से की जाती है।

A. शिक्षक (The Teacher): SDRG और SDRG-X

SDRG (शून्य तापमान): एक पुनरावृत्ति प्रक्रिया (iterative procedure) जहाँ सबसे प्रबल रूप से युग्मित (coupled) स्पिन जोड़ी की पहचान की जाती है, उसे विखंडित (decimate) किया जाता है (एक प्रभावी सिंगलेट द्वारा प्रतिस्थापित), और शेष कपलिंग को पुनर्गठित (renormalize) किया जाता है। यह तब तक जारी रहता है जब तक कि सभी स्पिन युग्मित नहीं हो जाते, जिससे एक "रैंडम सिंगलेट फेज" बनता है।
SDRG-X (परिमित तापमान): एक विस्तार जहाँ RG फ्लो (बॉन्ड चयन) नियतात्मक (deterministic) रहता है (कपलिंग स्ट्रेंथ के आधार पर), लेकिन तापमान $T$ पर कैनोनिकल एन्सेम्बल से स्थानीय आइजनस्टेट्स (सिंगलेट बनाम ट्रिपलेट) की थर्मल ऑक्यूपेशन को सैंपल किया जाता है, जब RG फ्लो स्थापित हो जाता है।

B. मशीन लर्निंग रणनीतियाँ (Machine Learning Strategies)

लेखक SDRG प्रक्षेपवक्रों (trajectories) पर प्रशिक्षित दो अलग-अलग ML आर्किटेक्चर की तुलना करते हैं:

क्लासिकल बेसलाइन: रैंडम फॉरेस्ट (RF)
- दृष्टिकोण: SDRG विखंडन चरण को एक सुपरवाइज्ड मल्टी-क्लास क्लासिफिकेशन समस्या के रूप में मानता है।
- इनपुट: प्रभावी कपलिंग मैट्रिक्स को $N(N-1)/2$ आकार के फीचर वेक्टर में समतल (flattened) किया जाता है।
- टारगेट: विखंडित किए जाने वाले सबसे मजबूत बॉन्ड का इंडेक्स।
- सीमा: यह प्रत्येक RG चरण को एक स्वतंत्र क्लासिफिकेशन टास्क के रूप में मानता है, जिससे विकसित होते ग्राफ स्ट्रक्चर, परम्यूटेशन इक्विवैरिएंस (permutation equivariance), और RG फ्लो के क्रमिक इतिहास की अनदेखी होती है।
प्रस्तावित मॉडल: ग्राफ न्यूरल नेटवर्क (GNN)
- दृष्टिकोण: यह सीधे इंटरैक्शन ग्राफ पर कार्य करता है जहाँ नोड्स सक्रिय स्पिन हैं और एडजेस (edges) प्रभावी कपलिंग का प्रतिनिधित्व करते हैं।
- आर्किटेक्चर: एक एज-सेंट्रिक मैसेज-पासिंग लेयर के बाद एक पॉइंटर (रैंकिंग) हेड।
- इनपुट फीचर्स:
  - नोड फीचर्स: न्यूनतम (एक्टिविटी फ्लैग)।
  - एज फीचर्स: $\log|J_{ij}|$ , $\log|r_i - r_j|$ , और एक स्थानीय नॉर्मलाइजेशन टर्म ( $\log|J_{ij}| - \log J_{N(i,j)}$ ) ताकि स्केल इनवेरिएंस सुनिश्चित हो सके।
- टारगेट: एक हार्ड क्लास लेबल के बजाय, GNN प्रत्येक बॉन्ड को एक सापेक्ष स्कोर (relative score) प्रदान करता है। उच्चतम स्कोर वाले बॉन्ड को विखंडित (decimate) करने के लिए चुना जाता है। यह SDRG नियम की तुलनात्मक प्रकृति की नकल करता है।
- प्रशिक्षण: क्रॉस-एन्ट्रॉपी लॉस के साथ SDRG प्रक्षेपवक्रों पर सुपरवाइज्ड लर्निंग।

C. परिमित-तापमान रणनीति (दो-चरणीय) (Finite-Temperature Strategy)

बिना रिट्रेनिंग के परिमित तापमान को संभालने के लिए:

चरण 1: शून्य-तापमान वाला GNN, RG फ्लो (बॉन्ड विखंडन का क्रम) उत्पन्न करता है।
चरण 2: तापमान $T$ के आधार पर विखंडित जोड़ों (सिंगलेट बनाम ट्रिपलेट) की ऑक्यूपेशन को कैनोनिकल एन्सेम्बल से सैंपल करके थर्मल प्रभावों को शामिल किया जाता है।

3. मुख्य योगदान (Key Contributions)

फिजिक्स-इन्फॉर्म्ड लर्निंग: यह प्रदर्शित करता है कि ML जटिल, क्रमिक SDRG रेनोर्मलाइजेशन फ्लो के तर्क को सीख सकता है, न कि केवल स्थिर अवलोकनीय (static observables) को।
ग्राफ आर्किटेक्चर की श्रेष्ठता: यह सिद्ध करता है कि GNN क्लासिकल क्लासिफायर (Random Forests) की तुलना में काफी बेहतर प्रदर्शन करते हैं क्योंकि वे स्पष्ट रूप से इंटरैक्शन ग्राफ स्ट्रक्चर और स्केल-इनवेरिएंट गुणों को एनकोड करते हैं, जो लंबी दूरी के विक्षोभ वाले सिस्टम के लिए महत्वपूर्ण हैं।
परिमित तापमान के लिए सामान्यीकरण: एक ऐसी रणनीति पेश करता है जहाँ शून्य-तापमान प्रशिक्षित मॉडल, RG फ्लो (स्ट्रक्चर) को थर्मल सैंपलिंग से अलग करके, बिना रिट्रेनिंग के परिमित-तापमान एंटैंगलमेंट गुणों की सटीक भविष्यवाणी कर सकता है।
मात्रात्मक समझौता (Quantitative Agreement): विभिन्न इंटरैक्शन डिके एक्सपोनेंट्स ( $\alpha$ ) और तापमानों के लिए विभिन्न सूक्ष्म युग्मन संरचनाओं और मैक्रोस्कोपिक एंटैंगलमेंट एंट्रॉपी के लिए सटीक SDRG परिणामों के साथ लगभग पूर्ण समझौता प्राप्त करता है।

4. परिणाम (Results)

पेयरिंग सटीकता ( $r_P$ ):
- GNN $r_P \simeq 0.94$ की विक्षोभ-औसत पेयरिंग सटीकता प्राप्त करता है।
- इसका अर्थ है कि GNN, वास्तविकता-दर-वास्तविकता आधार पर, SDRG विधि द्वारा बनाए गए विशिष्ट सिंगलेट जोड़ों की सही पहचान करता है।
- इसके विपरीत, रैंडम फॉरेस्ट ने पर्याप्त मात्रात्मक विचलन दिखाया और सही पेयरिंग संरचना को पकड़ने में विफल रहा।
एंटैंगलमेंट एंट्रॉपी ( $S(\ell)$ ):
- GNN-असिस्टेड SDRG, विभिन्न इंटरैक्शन डिके एक्सपोनेंट्स ( $\alpha = 0.5$ और $\alpha = 2.0$ ) और विभिन्न तापमानों पर सटीक SDRG-X और विश्लेषणात्मक भविष्यवाणियों (समीकरण 4) के साथ उत्कृष्ट मात्रात्मक समझौता के साथ एंटैंगलमेंट एंट्रॉपी $S(\ell)$ को पुनरुत्पादित करता है।
RG-फ्लो हीटमैप्स:
- RG चरणों के दौरान विखंडित बॉन्ड लंबाई के वितरण का विश्लेषण पुष्टि करता है कि GNN क्रमिक पदानुक्रम (sequential hierarchy) को सीखता है: लघु-दूरी वाले बॉन्ड जल्दी समाप्त हो जाते हैं, जबकि लंबी दूरी वाले बॉन्ड बाद के चरणों में हावी होते हैं।
- यह सिद्ध करता है कि नेटवर्क फ्लो की गतिशीलता (dynamics) को सीखता है, न कि केवल अंतिम अवस्था को।

5. महत्व (Significance)

भौतिकी और ML के बीच सेतु: यह शोध पत्र एक ढांचा स्थापित करता है जहाँ ML जटिल रेनोर्मलाइजेशन ग्रुप गणनाओं के लिए एक सरोगेट (विकल्प) के रूप में कार्य करता है, जो विक्षोभयुक्त क्वांटम प्रणालियों के अध्ययन को गति दे सकता है।
स्केलेबिलिटी: क्लासिकल तरीकों के विपरीत जो एक्शन स्पेस की द्विघाती वृद्धि ( $N^2$ ) और संरचनात्मक इंडक्टिव बायस की कमी से जूझते हैं, GNN दृष्टिकोण स्वाभाविक रूप से स्केलेबल और ग्राफ संरचना के प्रति इक्विवेरिएंट (equivariant) है।
भविष्य के अनुप्रयोग: लेखक सुझाव देते हैं कि इस "RG-इन्फॉर्म्ड" लर्निंग रणनीति को अधिक जटिल प्रणालियों में विस्तारित किया जा सकता है, जैसे:
- उच्च-आयामी जाली (higher-dimensional lattices)।
- जटिल इंटरैक्शन ग्राफ वाले मॉडल।
- वे प्रणालियाँ जहाँ सटीक विकर्णीकरण (exact diagonalization) असंभव है।
थर्मल फिजिक्स: RG फ्लो (संरचना) को थर्मल सैंपलिंग (सांख्यिकी) से सफलतापूर्वक अलग करना, ML का उपयोग करके परिमित-तापमान क्वांटम घटनाओं के अध्ययन के लिए एक मजबूत टेम्पलेट प्रदान करता है।

निष्कर्षतः, यह शोध पत्र दर्शाता है कि ग्राफ न्यूरल नेटवर्क प्रभावी रूप से स्ट्रॉन्ग डिसऑर्डर रेनोर्मलाइजेशन ग्रुप के गैर-स्थानीय, स्केल-इनवेरिएंट तर्क को सीख सकते हैं, जो विक्षोभयुक्त क्वांटम पदार्थ के एंटैंगलमेंट स्ट्रक्चर की भविष्यवाणी करने के लिए एक शक्तिशाली, हस्तांतरणीय उपकरण प्रदान करते हैं।