⚛️ quantum physics

DysonNet: Constant-Time Local Updates for Neural Quantum States

यह शोध पत्र DysonNet को प्रस्तुत करता है, जो एक न्यूरल क्वांटम स्टेट आर्किटेक्चर है जो ABACUS एल्गोरिदम के माध्यम से निरंतर-समय स्थानीय अपडेट (constant-time local updates) को सक्षम करने के लिए डायसन-सीरीज-प्रेरित संरचना का लाभ उठाता है, जिससे अत्याधुनिक सटीकता और भौतिक व्याख्यात्मकता बनाए रखते हुए महत्वपूर्ण गति वृद्धि और बेहतर स्केलेबिलिटी प्राप्त होती है।

मूल लेखक: Lucas Winter, Andreas Nunnenkamp

प्रकाशित 2026-03-13

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Lucas Winter, Andreas Nunnenkamp

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, अविश्वसनीय रूप से जटिल पहेली को हल करने की कोशिश कर रहे हैं। यह पहेली क्वांटम दुनिया का प्रतिनिधित्व करती है, जहाँ अरबों सूक्ष्म कण (जैसे इलेक्ट्रॉन या परमाणु) एक-दूसरे के साथ ऐसे तरीकों से परस्पर क्रिया करते हैं जिन्हें एक मानक कैलकुलेटर का उपयोग करके कैलकुलेट करना असंभव है।

लंबे समय से, वैज्ञानिक "न्यूरल क्वांटम स्टेट्स" (NQS) का उपयोग कर रहे हैं—जो मूल रूप से आर्टिफिशियल इंटेलिजेंस पर आधारित सुपर-स्मार्ट कंप्यूटर प्रोग्राम हैं—इस पहेली का समाधान अनुमान लगाने के लिए। ये प्रोग्राम पैटर्न सीखने में बहुत अच्छे हैं, लेकिन इनमें एक बड़ी खामी है: ये अविश्वसनीय रूप से धीमे हैं।

हर बार जब कंप्यूटर यह जांचना चाहता है कि क्या उसका अनुमान बेहतर हो रहा है, तो उसे पहेली के एक छोटे से हिस्से (एक "स्पिन") को बदलना पड़ता है और फिर पूरी पहेली को शुरू से दोबारा कैलकुलेट करना पड़ता है। यह एक 1,000 पन्नों के उपन्यास में एक छोटी सी टाइपिंग की गलती को ठीक करने के लिए हर बार पूरी किताब को फिर से लिखने जैसा है। यह बड़े सिस्टम का अध्ययन करने के काम को बहुत लंबा बना देता है।

प्रवेश हुआ "DysonNet" का: द स्मार्ट रेनोवेटर

इस पेपर के लेखक, लुकास विंटर और एंड्रियास नूननकैम्प, इन AI प्रोग्रामों को बनाने का एक नया तरीका लेकर आए हैं जिसे DysonNet कहा जाता है, और इसके साथ ही एक सुपर-फास्ट अपडेट टूल ABACUS भी।

यह कैसे काम करता है, इसके लिए कुछ रोजमर्रा के उदाहरणों का उपयोग करते हैं:

1. पुराना तरीका: "सब कुछ फिर से लिखने" की विधि

कल्पना कीजिए कि एक गायक दल (choir) एक गाना गा रहा है। यदि एक गायक अपना सुर बदलता है, तो पुराना AI तरीका कंडक्टर को मजबूर करता है कि वह रुक जाए, हर एक गायक को फिर से सुने, और पूरे समूह के सामंजस्य (harmony) को फिर से कैलकुलेट करे, इससे पहले कि वह आगे बढ़ सके। यदि गायक दल में 1,000 सदस्य हैं, तो इसमें बहुत समय लगता है।

2. नया तरीका: DysonNet (द "स्कैटरिंग" सादृश्य)

लेखकों ने महसूस किया कि क्वांटम भौतिकी में, जब एक कण बदलता है, तो उसका प्रभाव लहरों की तरह फैलता है, लेकिन इसे शून्य से फिर से कैलकुलेट करने की आवश्यकता नहीं होती है। उन्होंने DysonNet को एक ट्रंकेटेड डायसन सीरीज़ (एक फैंसी भौतिकी शब्द) की तरह दिखने के लिए डिज़ाइन किया है।

क्वांटम सिस्टम को एक शांत तालाब के रूप में सोचें।

पानी (द प्रोपेगेटर): पानी स्वयं शांत है और सरल, अनुमानित नियमों का पालन करता है (जैसे फैलती हुई लहरें)। AI में, इसे एक "लीनियर लेयर" द्वारा संभाला जाता है जो बहुत तेज़ है।
पत्थर (द लोकल नॉनलिनियरीटी): जब आप एक पत्थर (स्पिन फ्लिप) गिराते हैं, तो यह एक छपाके (splash) जैसा प्रभाव पैदा करता है। यह छपाक जटिल और अस्त-व्यस्त है, लेकिन यह केवल वहीं होता है जहाँ पत्थर गिरा है।

DysonNet इन दोनों चीजों को अलग करता है। यह "पानी के नियमों" को सरल और ग्लोबल रखता है, और केवल वहीं भारी, जटिल गणित करता है जहाँ "पत्थर" (बदलाव) होता है।

3. जादुई उपकरण: ABACUS (द "स्कैटरिंग रिसमिंग")

यह वास्तविक सफलता है। लेखकों ने ABACUS नामक एक एल्गोरिदम बनाया है।

कल्पना कीजिए कि आप उस तालाब को देख रहे हैं। हर बार पत्थर गिराने पर पूरे तालाब को फिर से कैलकुलेट करने के बजाय, ABACUS एक सुपर-एडवांस्ड रिपल काउंटर (लहरों को गिनने वाला यंत्र) की तरह काम करता है।

यह जानता है कि पानी आमतौर पर कैसा व्यवहार करता है (लिंक टेंसर)।
जब आप एक पत्थर गिराते हैं, तो यह केवल नया छपाक और उस छपाक का पहले से कैलकुलेट की गई लहरों के साथ कैसे संपर्क होता है, केवल वही कैलकुलेट करता है।
यह अनिवार्य रूप से स्कैटरिंग घटनाओं को "रिसम" (resum) करता है।

परिणाम?
चाहे तालाब में 100 लहरें हों या 1,000,000, एक पत्थर गिराने के प्रभाव को कैलकुलेट करने में ठीक उतना ही समय लगता है।

पुराना AI: समय = $N^2$ (यदि आप आकार को दोगुना करते हैं, तो यह 4 गुना अधिक समय लेता है)।
DysonNet + ABACUS: समय = $O(1)$ (कॉन्स्टेंट टाइम)। यह आकार की परवाह किए बिना तुरंत होता है।

यह क्यों मायने रखता है?

गति: यह पेपर दिखाता है कि बड़े सिस्टम (1,000 कणों) के लिए, उनकी नई विधि पिछले सबसे अच्छे तरीके (विज़न ट्रांसफॉर्मर) की तुलना में 230 गुना तेज़ है। यह एक साइकिल से जेटपैक पर स्विच करने जैसा है।
सटीकता: धीमे तरीकों की तरह ही सटीक होने के बावजूद, यह तेज़ है। यह "फ्रस्ट्रेटेड मैग्नेट्स" (जहाँ कण इस बात को लेकर भ्रमित होते हैं कि उन्हें किस दिशा में होना चाहिए) जैसी कठिन भौतिकी समस्याओं को भी दिग्गजों की तरह ही अच्छी तरह से हल कर सकता है।
स्केलेबिलिटी: क्योंकि यह इतना तेज़ है, वैज्ञानिक अब उन सिस्टम का अनुकरण (simulate) कर सकते हैं जिनका अध्ययन करना पहले असंभव था। यह एक माइक्रोस्कोप के नीचे एक एकल कोशिका को देखने से लेकर पूरे जीव को एक साथ देखने जैसा है।

बड़ी तस्वीर

लेखकों ने भौतिकी और कंप्यूटर विज्ञान के बीच एक सुंदर संबंध की खोज की है। AI को एक भौतिक प्रक्रिया (अशुद्धियों से टकराते हुए कणों) की तरह डिज़ाइन करके, उन्होंने एक गणितीय शॉर्टकट खोल दिया जो कंप्यूटर को अविश्वसनीय रूप से कुशल बनाता है।

संक्षेप में: उन्होंने एक ऐसा न्यूरल नेटवर्क बनाया है जो "लहरों की भौतिकी" को समझता है, जिससे इसे अपनी जानकारी को तुरंत अपडेट करने की अनुमति मिलती है, चाहे पहेली कितनी भी बड़ी क्यों न हो। यह बहुत बड़े और अधिक जटिल क्वांटम पदार्थों का अनुकरण करने का द्वार खोलता है, जो संभावित रूप से नए सुपरकंडक्टर्स या क्वांटम कंप्यूटरों के लिए सामग्री की खोज करने में मदद कर सकता है।

यहाँ पेपर "DysonNet: Constant-Time Local Updates for Neural Quantum States" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

न्यूरल क्वांटम स्टेट्स (NQS) कई-निकाय (many-body) क्वांटम समस्याओं को हल करने के लिए एक शक्तिशाली वेरिएशनल फ्रेमवर्क के रूप में उभरे हैं, जिन्होंने फ्रस्ट्रेटेड मैग्नेट और हबार्ड मॉडल जैसे सिस्टम में अत्याधुनिक सटीकता प्राप्त की है। हालाँकि, उन्हें दो महत्वपूर्ण बाधाओं का सामना करना पड़ता है:

गणना संबंधी लागत (Computational Cost): मानक डीप NQS आर्किटेक्चर (जैसे विजन ट्रांसफॉर्मर, CNN) को एक सिंगल स्पिन फ्लिप के बाद वेवफंक्शन आयाम (wavefunction amplitude) को अपडेट करने के लिए $O(N)$ या $O(N^2)$ समय की आवश्यकता होती है। यह बड़े सिस्टम साइज ( $N$ ) के लिए मार्कोव चेन मोंटे कार्लो (MCMC) सैंपलिंग और लोकल एनर्जी एस्टीमेशन को अत्यधिक महंगा बना देता है।
व्याख्यात्मकता (Interpretability): डीप न्यूरल नेटवर्क अक्सर "ब्लैक बॉक्स" की तरह कार्य करते हैं, जिनमें पारंपरिक टेंसर नेटवर्क स्टेट्स के विपरीत, यह स्पष्ट नहीं होता कि वे सहसंबंधों (correlations) को कैसे कैप्चर करते हैं।

मौजूदा विधियाँ जो $O(1)$ अपडेट प्रदान करती हैं (जैसे रेस्ट्रिक्टेड बोल्ट्ज़मैन मशीन या लोकल CNN) आमतौर पर लॉन्ग-रेंज कोरिलेशन की अभिव्यंजना (expressivity) से समझौता करती हैं। इसके विपरीत, अत्यधिक एक्सप्रेसिव मॉडल जैसे ट्रांसफॉर्मर्स में कुशल लोकल अपडेट स्कीम्स का अभाव होता है।

2. कार्यप्रणाली (Methodology)

लेखक DysonNet नामक एक नवीन NQS आर्किटेक्चर और ABACUS एल्गोरिदम पेश करते हैं, जो कॉन्स्टेंट-टाइम लोकल अपडेट प्रदान करता है।

A. DysonNet आर्किटेक्चर

DysonNet को स्पष्ट रूप से कोरिलेशन स्केल्स को अलग करने के लिए डिज़ाइन किया गया है, जो क्वांटम फील्ड थ्योरी से ट्रंकेटेड डायसन सीरीज़ (truncated Dyson series) की संरचना की नकल करता है।

संरचना: नेटवर्क में स्टैक्ड ब्लॉक्स होते हैं जहाँ प्रत्येक ब्लॉक बारी-बारी से निम्नलिखित को संचालित करता है:
1. ग्लोबल लीनियर प्रोपेगेटर ( $G$ ): एक ट्रांसलेशन-इनवेरिएंट ऑपरेटर (जिसे स्टेट स्पेस मॉडल्स, विशेष रूप से S4, या फूरियर लेयर्स के माध्यम से लागू किया जाता है) जो लॉन्ग-वेवलेंथ, लॉन्ग-रेंज कोरिलेशन को कैप्चर करता है।
2. लोकल नॉनलिनियरीटी ( $D(\sigma)$ ): एक स्ट्रिक्टली लोकल ऑपरेशन (जिसे शॉर्ट-रेंज CNN के माध्यम से लागू किया जाता है) जो स्पिन के एक छोटे विंडो पर कंडिशन होता है। यह शॉर्ट-रेंज, नॉन-यूनिवर्सल फिजिक्स को कैप्चर करता है।
भौतिक व्याख्या (Physical Interpretation): नेटवर्क आउटपुट को एक सीरीज़ के रूप में विस्तारित किया जा सकता है: $G_0 + G_0 D G_0 + G_0 D G_0 D G_0 + \dots$ । यहाँ, $G_0$ एक फ्री प्रोपेगेटर के रूप में कार्य करता है, और $D$ एक स्कैटरिंग वर्टेक्स के रूप में कार्य करता है। यह नेटवर्क को स्टैटिक इम्प्योरिटीज़ से होने वाली स्कैटरिंग सीरीज़ के रूप में व्याख्या करने की अनुमति देता है।
अभिव्यंजना (Expressivity): $G$ को एक लर्न करने योग्य कर्नेल (जैसे S4) के रूप में पैरामीटराइज़ करके, नेटवर्क स्वाभाविक रूप से पावर-लॉ डिके (क्रिटिकैलिटी) को दर्शा सकता है, जिसके लिए फिक्स्ड-बॉन्ड-डायमेंशन टेंसर नेटवर्क के विपरीत अनंत गहराई की आवश्यकता नहीं होती है।

B. ABACUS एल्गोरिदम

अपडेट लागत को दूर करने के लिए, लेखकों ने ABACUS (Asymptotically Optimal Local Updates) विकसित किया है।

मुख्य विचार: पूरे नेटवर्क को स्पिन फ्लिप $\sigma_j \to -\sigma_j$ के लिए पुनर्गणना करने के बजाय, एल्गोरिदम इस फ्लिप को एक फ्रोजन बैकग्राउंड पर एक लोकलाइज्ड परटर्बेशन (स्कैटरिंग इवेंट) के रूप में मानता है।
तंत्र (Mechanism):
1. लिंक टेंसर (Link Tensors): "लिंक टेंसर" ( $T^{(l)}$ और $L^{(l,m)}$ ) को प्री-कंप्यूट करें जो फ्रोजन बैकग्राउंड लेयर्स के माध्यम से एक्टिवेशन के प्रसार का प्रतिनिधित्व करते हैं। ये टेंसर $O(N \log N)$ समय में निर्मित किए जाते हैं।
2. रेसमेशन (Resummation): जब एक स्पिन फ्लिप होता है, तो केवल लोकल नॉनलिनियरी $D$ एक संकीर्ण स्लाइस में बदलता है। ABACUS इन प्री-कंप्यूटेड लिंक टेंसरों का उपयोग करके डायसन सीरीज़ को रिकर्सिवली रेसम करता है ताकि वेवफंक्शन आयाम में परिवर्तन की गणना की जा सके।
जटिलता (Complexity):
- अपडेट समय: $O(1)$ (कॉन्स्टेंट टाइम, सिस्टम साइज $N$ से स्वतंत्र, यह मानते हुए कि नॉनलिनियिटी विंडो $W$ और नेटवर्क डेप्थ $L$ फिक्स्ड हैं)।
- मेमोरी: $O(N)$ (सिस्टम साइज में लीनियर)।
- ट्रेनिंग स्केलिंग: एरिया-लॉ फेजेस में, कुल ट्रेनिंग जटिलता $O(N \log^2 N)$ तक गिर जाती है, जो विजन ट्रांसफॉर्मर्स के $O(N^3)$ स्केलिंग की तुलना में एक महत्वपूर्ण सुधार है।

C. स्क्रीन्ड टाइपराइटर सैंपलर (Screened Typewriter Sampler)

MCMC सै 싶िंग को और अधिक अनुकूलित करने के लिए, लेखक एक स्क्रीनड टाइपराइटर सैंपलर प्रस्तावित करते हैं।

यह समानांतर में स्थानिक रूप से अलग स्पिन फ्लिप्स (डिफेक्ट्स का एक "डाइल्यूट गैस") का प्रस्ताव करता है।
यह इंडिपेंडेंट स्कैटरिंग एप्रोक्सिमेशन पर निर्भर करता है: यदि डिफेक्ट्स पर्याप्त दूरी पर हैं, तो उनके स्कैटरिंग सिग्नेचर एक-दूसरे के साथ हस्तक्षेप (interfere) नहीं करते हैं।
एक स्क्रीनड एक्सेप्टेंस रूल सटीक डिटेल्ड बैलेंस सुनिश्चित करता है, यह केवल तभी सटीक वेवफंक्शन अनुपात का मूल्यांकन करता है जब अनुमानित अनुपात एक छोटे एरर बाउंड $\epsilon$ के भीतर आता है। यह GPU पर व्यापक समानांतरकरण (parallelization) की अनुमति देता है।

3. मुख्य योगदान (Key Contributions)

DysonNet आर्किटेक्चर: एक भौतिक रूप से व्याख्यात्मक NQS आर्किटेक्चर जो ग्लोबल लीनियर लेयर्स के माध्यम से लोकल नॉनलिनियरीज़ को जोड़ता है, जो ट्रंकेटेड डायसन सीरीज़ के समान है।
ABACUS एल्गोरिदम: कोई भी NQS जिसमें लीनियर टोकन मिक्सर और लोकल नॉनलिनियरीज़ हों, उसके लिए $O(1)$ लोकल अपडेट सक्षम करने वाला एक सामान्य एल्गोरिदम, जो प्री-कॉन्ट्रैक्टेड लिंक टेंसर का उपयोग करता है।
सैद्धांतिक गारंटी: प्रमाण कि अपडेट सटीक है और हाइपरपैरामीटर्स के फिक्स्ड होने पर जटिलता सिस्टम साइज $N$ से स्वतंत्र है।
स्केलेबल सैंपलिंग: एक स्क्रीनड टाइपराइटर सैंपलर जो $O(N \log N)$ लिंक-टेन्सर निर्माण लागत को एमोर्टाइज करता है, जिससे कुशल समानांतर सैंपलिंग संभव होती है।

4. परिणाम और बेंचमार्क (Results and Benchmarks)

लेखकों ने 1D लॉन्ग-रेंज ट्रांसवर्स-फील्ड आइसोइंग मॉडल (TFIM) और फ्रस्ट्रेटेड $J_1-J_2$ हाइजेनबर्ग चेन पर विजन ट्रांसफॉर्मर (ViT), RBM और मानक DysonNet (बिना ABACUS के) के विरुद्ध DysonNet + ABACUS का बेंचमार्किंग किया।

सटीकता (Accuracy): DysonNet, अत्याधुनिक ViT मॉडल्स की सटीकता के बराबर है या उससे बेहतर है। ऑर्डर्ड फेजेस (फेरोमैग्नेटिक/एंटीफेरोमैग्नेटिक) में, यह ViT की तुलना में $10^{-2}$ से $10^{-3}$ कम ऊर्जा त्रुटि प्राप्त करता है। यह RBM से कई गुना बेहतर प्रदर्शन करता है।
स्पीडअप (Speedup):
- $N=1000$ पर, लोकल एस्टिमेटर कंप्यूट करने के लिए DysonNet+ABACUS, ViT की तुलना में 230 $\times$ तेज़ है।
- $N=500$ के लिए ट्रेनिंग समय ~60 घंटे (ViT) से घटकर ~2.5 घंटे (DysonNet+ABACUS) हो गया।
- यह विधि बड़े सिस्टम के लिए वॉल-क्लॉक टाइम में 230 $\times$ स्पीडअप प्राप्त करती है जबकि समान सटीकता बनाए रखती है।
स्केलिंग (Scaling):
- एरिया-लॉ फेजेस: ट्रेनिंग जटिलता $O(N \log^2 N)$ के रूप में स्केल होती है।
- क्रिटिकल फेजेस: विधि सफलतापूर्वक $N=1000$ तक स्केल करती है, जो पिछले ViT बेंचमार्क्स की $N=150$ की सीमा को पार कर जाती है।
क्रिटिकल एक्सपोनेंट्स: मॉडल लॉन्ग-रेंज TFIM के लिए क्रिटिकल एक्सपोनेंट्स ( $\nu, \beta$ ) को सटीक रूप से निकालता है, जो स्टोकैस्टिक सीरीज़ एक्सपेंशन (SSE) बेंचमार्क्स से मेल खाता है और $\alpha=1.5$ पर कोरिलेशन-लेंथ एक्सपोनेंट $\nu$ के लिए ViT अनुमानों में सुधार करता है।

5. महत्व (Significance)

स्केलेबिलिटी: यह कार्य NQS सिमुलेशन में डोमिनेंट कंप्यूटेशनल बॉटलनैक को हटा देता है, जिससे डीप लर्निंग मेथड्स द्वारा पहले अप्राप्य आकारों (जैसे $N > 1000$ ) के लिए क्वांटम मेनी-बॉडी सिस्टम का अध्ययन करना संभव हो जाता है।
भौतिक व्याख्यात्मकता: अपनी आर्किटेक्चर को डायसन सीरीज़ और स्कैटरिंग थ्योरी में स्थापित करके, यह पेपर प्रदर्शित करता है कि भौतिक व्याख्यात्मकता सीधे कम्प्यूटेशनल दक्षता को सक्षम कर सकती है। भौतिक अंतर्दृष्टि के लिए आवश्यक संरचना (स्केल्स का पृथक्करण) वही संरचना है जो तेज़ अपडेट के लिए आवश्यक है।
सामान्य प्रयोज्यता (General Applicability): ABACUS एल्गोरिदम केवल DysonNet तक सीमित नहीं है; यह किसी भी ऐसे आर्किटेक्चर पर लागू होता है जिसमें लीनियर टोकन मिक्सर (जैसे लीनियरलाइज्ड अटेंशन, फूरियर लेयर्स, ग्राफ न्यूरल नेटवर्क) हों, जो कुशल क्वांटम मशीन लर्निंग के लिए एक नया डिज़ाइन सिद्धांत सुझाता है: स्ट्रिक्टली लोकल नॉनलिनियरीज़ को ग्लोबल लीनियर लेयर्स के माध्यम से वायर करें।
भविष्य की दिशाएँ: यह दृष्टिकोण स्केलेबल, व्याख्यात्मक न्यूरल नेटवर्क का उपयोग करके 2D सिस्टम, टाइम-डिपेंडेंट डायनेमिक्स और जटिल टोपोलॉजिकल फेजेस के सिमुलेशन के द्वार खोलता है।