Machine learning the arrow of time in solid-state spins
यह शोध पत्र प्रदर्शित करता है कि मशीन लर्निंग एल्गोरिदम, जिनमें अनसुपरवाइज्ड क्लस्टरिंग और कनवल्शनल न्यूरल नेटवर्क शामिल हैं, एक दस-क्यूबिट नाइट्रोजन-वैकेंसी सेंटर क्वांटम प्रोसेसर में सिंगल ट्रैजेक्टरीज का प्रोजेक्टिव मेजरमेंट्स के साथ विश्लेषण करके थर्मोडायनामिक एरो ऑफ टाइम की सफलतापूर्वक पहचान कर सकते हैं और फॉरवर्ड एवं टाइम-रिवर्स्ड यूनिटरी इवोल्यूशन के बीच अंतर कर सकते हैं।
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 मेज से कांच के गिरने और टूटने का वीडियो देख रहे हैं। यह स्पष्ट है कि समय किस दिशा में बह रहा है: आगे की ओर। यदि आप वीडियो को उल्टा चलाते, जिसमें कांच के टुकड़े ऊपर उछलकर वापस एक पूर्ण कांच के रूप में जुड़ जाते, तो आप तुरंत जान जाते कि कुछ गलत है। यह "समय का तीर" (arrow of time) है—कारण और प्रभाव का वह एकतरफा रास्ता जो हमारे दैनिक जीवन को नियंत्रित करता है।
लेकिन यहाँ एक पेचीदा बात है: सूक्ष्म स्तर पर, कांच को बनाने वाले परमाणुओं और इलेक्ट्रॉनों के भीतर, भौतिकी के नियम वास्तव में प्रतिवर्ती (reversible) होते हैं। यदि आप एक अकेले इलेक्ट्रॉन के इधर-उधर टकराने का वीडियो देखते, तो आप यह नहीं बता पाते कि वीडियो आगे चल रहा है या पीछे। "तीर" केवल तभी दिखाई देता है जब आप बड़े चित्र की ओर ज़ूम करते हैं (ऊष्मागतिकी/thermodynamics)।
यह शोध पत्र एक कंप्यूटर को उस अदृश्य समय के तीर को पहचानने के लिए सिखाने के बारे में है, जो एक सूक्ष्म क्वांटम दुनिया में मौजूद है, भले ही डेटा रैंडम शोर (noise) जैसा दिखाई दे।
प्रयोग: एक क्वांटम रसोई (A Quantum Kitchen)
शोधकर्ताओं ने एक हीरे का उपयोग करके एक छोटी "क्वांटम रसोई" बनाई जिसमें एक विशिष्ट दोष है जिसे नाइट्रोजन-वैकेंसी (NV) सेंटर कहा जाता है। इस दोष को हीरे के भीतर एक छोटे, अलग कमरे के रूप में सोचें जिसमें शामिल है:
- एक "गर्म" शेफ (Chef): एक इलेक्ट्रॉन स्पिन (उपप्रणाली A)।
- नौ "ठंडे" वेटर्स (Waiters): नौ कार्बन परमाणु स्पिन (उपप्रणाली B)।
शुरुआत में, शेफ "ठंडा" है और वेटर्स "गर्म" हैं। वास्तविक दुनिया में, ऊष्मा स्वाभाविक रूप से गर्म से ठंडे की ओर बहती है। शोधकर्ताओं ने एक खेल बनाया जहाँ उन्होंने शेफ और वेटर्स को आपस में क्रिया करने दिया, लेकिन एक ट्विस्ट के साथ: हर क्रिया के बाद, वे जो हुआ उसका एक स्नैपशॉट (मापन) लेते हैं।
समस्या: "उल्टा" वीडियो
क्वांटम दुनिया में, यदि आप उन्हें बिना देखे बस आपस में क्रिया करने देते हैं, तो यह प्रक्रिया पूरी तरह से प्रतिवर्ती है। आप इसे उल्टा भी चला सकते हैं, और यह बिल्कुल वैसा ही दिखेगा।
हालाँकि, स्नैपशॉट लेने (मापन करने) की क्रिया सब कुछ बदल देती है। यह एक घूमते हुए सिक्के की फोटो लेने जैसा है; फोटो उसे स्थिर कर देती है, और स्थिर करने की यह क्रिया एक "स्मृति" (memory) बनाती है जो समरूपता (symmetry) को तोड़ देती है। यह समय का एक तीर बनाता है:
- आगे (Forward): ऊष्मा गर्म वेटर्स से ठंडे शेफ की ओर बहती है। एंट्रॉपी (अव्यवस्था) बढ़ती है।
- पीछे (Backward): यदि आप इसे उल्टा चलाने की कोशिश करते, तो ठंडा शेफ गर्म वेटर्स से ऊर्जा चुराकर स्वतः ही गर्म हो जाता। यह ऊष्मागतिकी के नियमों का उल्लंघन करता है (यह कांच के टुकड़ों के वापस जुड़ने जैसा है)।
चुनौती क्या है? क्वांटम दुनिया में, बहुत अधिक रैंडम शोर (fluctuations) होता है, इसलिए कभी-कभी, शुद्ध भाग्य से, "पिछली" प्रक्रिया ऐसी दिख सकती है जैसे वह आगे की ओर हो रही हो, या इसके विपरीत। यह ताश के पत्तों के एक बिखरे हुए डेक को देखने जैसा है कि क्या उन्हें अभी-अभी बांटा गया है या किसी ने उन्हें उलटे क्रम में बांटा है। एक इंसान के लिए पैटर्न को पहचानना अविश्वसनीय रूप से कठिन है।
समाधान: अदृश्य को देखने के लिए AI को सिखाना
शोधकर्ताओं ने गणित को मैन्युअल रूप से हल करने की कोशिश नहीं की। इसके बजाय, उन्होंने डेटा को मशीन लर्निंग (AI) मॉडल में डाला, जो एक सुपर-स्मार्ट जासूस की तरह काम करते हैं।
- अनसुपरवाइज्ड डिटेक्टिव (K-Means Clustering):
कल्पना कीजिए कि आपके पास मिश्रित फोटो का एक ढेर है: कुछ आगे की प्रक्रिया की हैं, कुछ पीछे की। आप AI को कहते हैं, "इन फोटो को दो ढेरों में बांटो, लेकिन मुझे यह मत बताओ कि कौन सा कौन सा है।"
- परिणाम: AI ने पैटर्न को देखा और उन्हें 90% सटीकता के साथ दो अलग समूहों में स्वचालित रूप से वर्गीकृत किया। उसने यह पता लगा लिया कि "आगे" वाली फोटो में एक विशिष्ट छिपा हुआ टेक्सचर था जो "पीछे" वाली फोटो में नहीं था, भले ही उसे यह न बताया गया हो कि क्या देखना है।
- सुपरवाइज्ड डिटेक्टिव (Convolutional Neural Network):
यहाँ, उन्होंने AI को लेबल किए गए उदाहरण दिखाए: "यह आगे की ओर है, यह पीछे की ओर है।" AI ने डेटा पैटर्न के सूक्ष्म अंतरों को सीखा।
- परिgetResult: यह एक नए, बिना लेबल वाले वीडियो को देख सकता था और कह सकता था, "यह आगे बढ़ रहा है," 92% सटीकता के साथ।
- क्रिएटिव आर्टिस्ट (Diffusion Model):
अंत में, उन्होंने एक जनरेटिव AI (वही तकनीक जिसका उपयोग AI आर्ट बनाने के लिए किया जाता है) का उपयोग किया ताकि वे शून्य से नए नकली क्वांटम वीडियो बना सकें।
- परिणाम: AI ने क्वांटम रसोई के "नियमों" को इतनी अच्छी तरह से सीख लिया कि वह नए, नकली प्रक्षेपवक्र (trajectories) बना सका जो बिल्कुल वास्तविक भौतिकी की तरह दिखते और व्यवहार करते थे। इसने ऊष्मा के प्रवाह और एंट्रॉपी में वृद्धि को फिर से बनाया, बिना ऊष्मागतिकी के नियमों के स्पष्ट रूप से प्रोग्राम किए गए। इसने बस ब्रह्मांड के "वाइब" (vibe) को सीख लिया।
यह क्यों महत्वपूर्ण है
यह दो कारणों से एक बड़ी बात है:
- दुनियाओं को जोड़ना: यह साबित करता है कि आर्टिफिशियल इंटेलिजेंस हमें उन गहरे, मौलिक भौतिकी के समस्याओं को समझने में मदद कर सकता है जो पारंपरिक गणित के लिए बहुत जटिल हैं। यह विज्ञान करने का एक नया तरीका है।
- अदृश्य को देखना: यह दिखाता है कि एक अराजक, शोर भरी क्वांटम दुनिया में, जहाँ समय प्रतिवर्ती लगता है, "समय का तीर" अभी भी वहीं है, डेटा में छिपा हुआ, एक स्मार्ट एल्गोरिदम द्वारा खोजे जाने की प्रतीक्षा कर रहा है।
संक्षेप में: शोधकर्ताओं ने एक कंप्यूटर को एक क्वांटम मूवी देखने और यह बताने के लिए सिखाया कि समय किस दिशा में बह रहा है, भले ही वह मूवी केवल स्टैटिक शोर (static noise) जैसी दिखे। उन्होंने साबित कर दिया कि AI केवल डेटा को देखकर ब्रह्मांड के मौलिक नियमों को सीख सकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।