🔬 condensed matter

Self-similar summation of virial expansions

यह शोध पत्र विरल विस्तारों (virial expansions) को परिमित घनत्वों तक योग करने के लिए एक नई, विशिष्ट रूप से परिभाषित स्व-समान सन्निकटन विधि (self-similar approximation method) प्रस्तावित करता है, जो पैडे एप्रोक्सिमेंट्स (Padé approximants) की अस्पष्टताओं और अवास्तविक ध्रुवों (spurious poles) से बचते हुए बिना किसी फिटिंग पैरामीटर के मोंटे कार्लो सिमुलेशन के तुलनीय सटीकता प्राप्त करती है।

मूल लेखक: V. I. Yukalov, E. P. Yukalova

प्रकाशित 2026-04-02

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: V. I. Yukalov, E. P. Yukalova

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 यह अनुमान लगाने की कोशिश कर रहे हैं कि एक कमरे में लोगों की भीड़ कैसा व्यवहार करेगी।

यदि कमरा लगभग खाली है (कम घनत्व), तो अनुमान लगाना आसान है। लोग एक-दूसरे से दूर हैं, वे शायद ही कभी एक-दूसरे से टकराते हैं, और आप नियमों की एक सरल सूची बना सकते हैं: "यदि 1 व्यक्ति है, तो वे स्वतंत्र रूप से चलते हैं। यदि 2 हैं, तो वे शायद एक बार टकरा सकते हैं। यदि 3 हैं, तो शायद दो बार।" यह सूची आपका विरियल एक्सपेंशन (Virial Expansion) है। यह विरल भीड़ के लिए पूरी तरह से काम करता है।

लेकिन क्या होता है जब कमरा भर जाता है? जब लोग कंधे से कंधा मिलाकर खड़े हों? आपकी सरल सूची टूट जाती है। यदि आप भीड़ को संभालने के लिए सूची में और अधिक नियम जोड़ने की कोशिश करते हैं, तो संख्याएँ बेकाबू हो जाती हैं, गणित विस्फोट कर देता है, और सूची समझ से बाहर हो जाती है। भौतिकी में, इसे डाइवर्जेंस (divergence) कहा जाता है। गणित कहता है "अनंत," लेकिन वास्तविकता कहती है "कमरा भर गया है, बस इतना ही।"

वैज्ञानिकों ने इसे ठीक करने के लिए पाडे एप्रोक्सिमेंट्स (Padé Approximants) नामक एक उपकरण का उपयोग करके इसे सुधारने की कोशिश की है। इसे एक "सर्वश्रेष्ठ अनुमान" फिल्टर के रूप में सोचें। यह आपकी टूटी हुई सूची को लेता है और इसे एक ऐसे वक्र (curve) में बदलने की कोशिश करता है जो डेटा के अनुकूल हो। लेकिन इस फिल्टर की कुछ समस्याएँ हैं:

यह अद्वितीय नहीं है: इस फिल्टर को बनाने के सैकड़ों तरीके हैं, और आपको एक चुनना होगा। यह एक ही गंतव्य तक पहुँचने के लिए 100 अलग-अलग मानचित्रों के होने जैसा है, और आपको नहीं पता कि कौन सा सही है।
यह 'भूत' (ghosts) पैदा करता है: कभी-कभी यह फिल्टर उन जगहों पर "पोल" (गणितीय विस्फोट) बना देता है जहाँ वास्तव में कोई भौतिक अस्तित्व नहीं होता, या यह वास्तविक भौतिक सीमाओं (जैसे वह बिंदु जहाँ कमरा पूरी तरह से भर जाता है) को मिस कर देता है।

नया समाधान: सेल्फ-सिमिलर समेशन (Self-Similar Summation)

इस शोध पत्र के लेखक, व्याचेस्लाव और एलिज़ावेटा युकालोव, एक नई विधि प्रस्तावित करते हैं जिसे सेल्फ-सिमिलर समेशन कहा जाता है।

यहाँ उपमा (analogy) दी गई है: कल्पना कीजिए कि आप एक फ्रैक्टल (fractal) देख रहे हैं, जैसे कि एक फर्न की पत्ती या एक स्नोफ्लेक। यदि आप पत्ती के एक छोटे से हिस्से को ज़ूम इन करते हैं, तो वह पूरी पत्ती के समान ही दिखता है। यह स्व-समानता (self-similarity) है। पैटर्न विभिन्न पैमानों पर खुद को दोहराता है।

युकालोवों ने महसूस किया कि आपकी "टूटी हुई सूचियों" (विरियल एक्सपेंशन) का क्रम भी इस स्व-समान पैटर्न का पालन करता है।

2 लोगों के लिए सूची, 3 लोगों की सूची का एक छोटा संस्करण है।
3 लोगों के लिए सूची, 4 लोगों के लिए सूची का एक थोड़ा बड़ा संस्करण है।

एक वक्र का अनुमान लगाने के बजाय (जैसा कि पाडे करता है), यह नई विधि पूछती है: "एक और पद (term) जोड़ने पर पैटर्न कैसे बदलता है?"

वे सूचियों के क्रम को धीमी गति में चलने वाली एक "मूवी" की तरह मानते हैं। वे उस नियम की तलाश करते हैं जो एक फ्रेम को दूसरे से जोड़ता है। एक बार जब वे वह नियम ( "स्व-समान नियम") खोज लेते हैं, तो वे मूवी को अंत तक तेज़ कर सकते हैं, यहाँ तक कि उस बिंदु तक भी जहाँ कमरा पूरी तरह से भरा हुआ है।

यह बेहतर क्यों है?

कोई अनुमान नहीं: इस पैटर्न को खोजने का केवल एक ही सही तरीका है। यह एक ऐसी पहेली को हल करने जैसा है जहाँ टुकड़े केवल एक ही तरह से फिट होते हैं। अब "विकल्पों की मेज" की ज़रूरत नहीं।
कोई 'भूत' नहीं: क्योंकि यह विधि वास्तविक डेटा के पैटर्न पर आधारित है, यह नकली समस्याएँ पैदा नहीं करती है।
यह सीमा (limit) को स्वतः खोज लेता है: यदि भीड़ उस बिंदु तक पहुँच जाती है जहाँ और अधिक लोग नहीं समा सकते (closest packing), तो गणित स्वाभाविक रूप से उसी स्थान पर एक "दीवार" (pole) बना देता है। आपको इसे मजबूर करने की आवश्यकता नहीं है; गणित इसे अपने आप खोज लेता है।
यह सटीक है: जब उन्होंने हार्ड स्फेयर्स (जैसे बिलियर्ड बॉल्स) और हार्ड डिस्क (जैसे सिक्के) पर इसका परीक्षण किया, तो उनके परिणाम सर्वश्रेष्ठ कंप्यूटर सिमुलेशन (मोंटे कार्लो) जितने ही अच्छे थे, लेकिन उन्हें गणित को ट्यून करने के लिए किसी "फज फैक्टर्स" या प्रयोगात्मक डेटा की आवश्यकता नहीं थी। उन्होंने बस गणित का ही उपयोग किया।

"हार्ड रॉड" का जादू का खेल

शोध पत्र में "हार्ड रॉड्स" (1D लाइन सेगमेंट) के साथ एक सुंदर उदाहरण शामिल है।

पुराना गणित (विरियल एक्सपेंशन) एक सूची देता है: $1 + x + x^2 + x^3 + \dots$
यदि आप अपनी ज्यामिति जानते हैं, तो आप जानते हैं कि यह $\frac{1}{1-x}$ के बराबर है।
लेखकों ने दिखाया कि उनका सेल्फ-सिमिलर मेथड पहले कुछ पदों को देखता है, पैटर्न को समझता है, और जादुई रूप से सटीक सूत्र $\frac{1}{1-x}$ को पुनर्गठित करता है, बिना यह जाने कि उत्तर क्या है। यह गाने के पहले कुछ सुरों को सुनकर तुरंत पूरी धुन जानने जैसा है।

निष्कर्ष

यह शोध पत्र एक स्मार्ट और अधिक तार्किक तरीका पेश करता है जिससे यह अनुमान लगाया जा सके कि भीड़भाड़ वाली प्रणालियाँ कैसे व्यवहार करती हैं। टूटे हुए डेटा पर एक वक्र थोपने के बजाय, यह भविष्य की भविष्यवाणी करने के लिए डेटा की अपनी आंतरिक लय को सुनता है।

पुराना तरीका: "आइए एक वक्र फिट करने की कोशिश करें; शायद यह काम करे?" (जोखिम भरा, अव्यवस्थित)।
नया तरीका: "आइए डेटा के बढ़ने के पैटर्न को खोजें, और उस पैटर्न का अनुसरण करते हुए अंत तक पहुँचें।" (विश्वसनीय, अद्वितीय और आश्चर्यजनक रूप से सटीक)।

यह एक नया लेंस है जो भौतिकविदों को "भीड़भाड़ वाले कमरे" को स्पष्ट रूप से देखने में मदद करता है, भले ही वह गणित जिसे वे आमतौर पर उपयोग करते हैं, अंधा हो जाए।

यहाँ V. I. Yukalov और E. P. Yukalova के शोध पत्र "Self-similar summation of virial expansions" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

विरियल विस्तार (Virial expansions) तरल पदार्थों की अवस्था के समीकरण (equation of state) का वर्णन करने के लिए सांख्यिकीय यांत्रिकी (statistical mechanics) में एक मौलिक उपकरण हैं, जो घनत्व ( $\rho$ ) या पैकिंग अंश (packing fraction, $x$ ) के रूप में संपीड़्यता कारक ( $Z$ ) को एक घात श्रेणी (power series) के रूप में व्यक्त करते हैं। हालाँकि, इन श्रेणियों में एक गंभीर सीमा है:

अभिसरण का छोटा त्रिज्या (Small Radius of Convergence): विरियल श्रेणियों के अभिसरण की त्रिज्या आमतौर पर बहुत छोटी होती है, जिससे वे केवल अत्यंत निम्न घनत्वों के लिए ही मान्य रहती हैं।
एक्सट्रपलेशन की आवश्यकता (Extrapolation Necessity): सीमित या उच्च घनत्वों (जैसे कि फ्रीजिंग पॉइंट या क्लोजेस्ट पैकिंग के पास) पर तरल पदार्थों का वर्णन करने के लिए, इस श्रेणी का एक्सट्रपलेशन (extrapolation) करना आवश्यक होता है।
वर्तमान विधियों की कमियाँ (Deficiencies of Current Methods): मानक दृष्टिकोण, पाडे एप्रोक्सिमेंट्स (Padé approximants), में महत्वपूर्ण कमियाँ हैं:
- गैर-विशिष्टता (Non-uniqueness): क्रम $k$ के एक खंडित (truncated) श्रेणी के लिए, कई स्वीकार्य पाडे वेरिएंट हो सकते हैं, जिनमें किसी अद्वितीय परिभाषा का अभाव होता है।
- स्पूरियस पोल्स (Spurious Poles): पाडे एप्रोक्सिमेंट्स अक्सर अवास्तविक (unphysical) पोल्स उत्पन्न करते हैं।
- छूटे हुए भौतिक पोल्स (Missed Physical Poles): इसके विपरीत, वे भौतिक रूप से प्रेरित पोल्स (जैसे कि क्लोजेस्ट पैकिंग का प्रतिनिधित्व करने वाले) की उपस्थिति की गारंटी नहीं देते हैं।
- सैद्धांतिक औचित्य का अभाव (Lack of Theoretical Justification): किसी विशिष्ट पाडे रूप का चयन अक्सर कठोर व्युत्पत्ति के बजाय घटनात्मक फिटिंग (phenomenological fitting) पर निर्भर करता है।

2. कार्यप्रणाली: स्व-समानता सन्निकटन सिद्धांत (Methodology: Self-Similar Approximation Theory)

लेखक स्व-समानता सन्निकटन सिद्धांत (Self-Similar Approximation Theory) पर आधारित एक नई योग विधि प्रस्तावित करते हैं। मूल दर्शन यह है कि श्रेणी के क्रमिक खंडित आंशिक योगों (truncated partial sums) के बीच "स्व-समीलता के नियम" (law of self-similarity) की पहचान की जाए और इस संबंध को संपूर्ण डोमेन तक विस्तारित किया जाए।

मुख्य तकनीकी चरण:

नियंत्रण पैरामीटर (Control Parameters): अभिसरण में सुधार के लिए, फ्रैक्टल ट्रांसफॉर्म या वेरिएबल परिवर्तन के माध्यम से श्रेणी में नियंत्रण पैरामीटर पेश किए जाते हैं। इन्हें एक कार्यात्मक स्थान (functional space) में प्रक्षेपवक्र (trajectory) को परिभाषित करने के लिए अनुकूलित किया जाता है।
सन्निकटन कैस्केड (Approximation Cascade): खंडित योगों के अनुक्रम $Z_k(x)$ को एक असतत-समय प्रक्षेपवक्र (discrete-time trajectory - approximation cascade) के रूप में माना जाता है।
स्व-समान संबंध (Self-Similar Relation): $Z_k(x)$ और $Z_{k+1}(x)$ के बीच के संबंध का विश्लेषण एक विकास समीकरण (evolution equation) प्राप्त करने के लिए किया जाता है। इसे एक निरंतर प्रवाह (continuous flow) में परिवर्तित किया जाता है और एक फिक्स्ड पॉइंट खोजने के लिए हल किया जाता है।
स्व-समान कारक एप्रोक्सिमेंट्स (Self-Similar Factor Approximants): परिणामी प्रभावी सीमा $Z^*_k(x)$ , कारकों के गुणनफल के रूप में लेती है:
$Z^*_k(x) = \prod_{i=1}^{N_k} (1 + A_i x)^{n_i}$
जहाँ $A_i$ और $n_i$ नियंत्रण पैरामीटर हैं जिन्हें प्रशिक्षण स्थितियों (training conditions) द्वारा निर्धारित किया जाता है।
प्रशिक्षण स्थितियाँ (Training Conditions): पैरामीटरों को इस शर्त से स्थिर किया जाता है कि $x \to 0$ $x \to 0$ के रूप में एप्रोक्सिमेंट का स्पर्शोन्मुख विस्तार (asymptotic expansion) मूल खंडित विरियल विस्तार के बिल्कुल समान हो।
- उच्च क्रमों के लिए, लॉगारिदम का मिलान करना अधिक सुविधाजनक होता है: $\ln Z^*_k(x) \approx \ln Z_k(x)$ ।
विलक्षणता का पता लगाना (Singularity Detection): पाडे एप्रोक्सिमेंट्स के विपरीत जहाँ पोल्स अक्सर कृत्रिम होते हैं, स्व-समान विधि स्वाभाविक रूप से विलक्षणताओं (पोल्स) की भविष्यवाणी करती है यदि पैरामीटर $A_i$ ऋणात्मक और $n_i$ ऋणात्मक हो जाते हैं। क्रिटिकल एक्सपोनेंट $\alpha = |n_i|$ और विलक्षणता का स्थान $x_c = 1/|A_i|$ स्वतः प्राप्त होता है।

3. मुख्य योगदान (Key Contributions)

विशिष्टता और नियमितता (Uniqueness and Regularity): यह विधि किसी भी दिए गए खंडित श्रेणी के लिए एक अद्वितीय रूप से परिभाषित एप्रोक्सिमेंट प्रदान करती है, जो पाडे विधियों में पाई जाने वाली अस्पष्टता को समाप्त करती है।
कोई फिटिंग पैरामीटर नहीं (No Fitting Parameters): यह दृष्टिकोण पूरी तरह से विरियल गुणांकों पर निर्भर है; इसमें प्रयोगात्मक डेटा या मोंटे कार्लो सिमुलेशन के साथ किसी बाहरी फिटिंग की आवश्यकता नहीं है।
स्वचालित पोल पहचान (Automatic Pole Identification): यह विधि कृत्रिम पृथक्करण के बिना भौतिक विलक्षणताओं (जैसे क्लोजेस्ट पैकिंग) के अस्तित्व, स्थान और क्रिटिकल एक्सपोनेंट की पहचान स्वाभाविक रूप से करती है।
सटीक पुनर्निर्माण (Exact Reconstruction): विशिष्ट मामलों में (जैसे हार्ड रॉड्स), यह विधि सीमित संख्या में विरियल गुणांकों से सटीक विश्लेषणात्मक समाधान को पुनर्गठित कर सकती है।
उच्च क्रमों की भविष्यवाणी (Prediction of Higher Orders): यह विधि न केवल ज्ञात गुणांकों को पुनरुत्पादित करती है, बल्कि इनपुट डेटा से परे उच्च-क्रम विरियल गुणांकों की भी सटीक भविष्यवाणी करती है।

4. परिणाम और अनुप्रयोग (Results and Applications)

लेखकों ने कई तरल प्रणालियों में इस विधि को सत्यापित किया:

हार्ड-रॉड फ्लूइड ( $d=1$ ):
- इसके विरियल गुणांक सभी इकाई (unity) हैं।
- खंडित श्रेणी $Z_k(x) = 1 + \sum x^n$ के स्व-समान योग ने सटीक ज्यामितीय श्रेणी योग $Z^*(x) = 1/(1-x)$ दिया। यह सटीक समाधान प्राप्त करने की विधि की क्षमता को प्रदर्शित करता है।
हार्ड-डिस्क फ्लूइड ( $d=2$ ):
- फ्रीजिंग पॉइंट ( $x_f \approx 0.707$ ) तक पैकिंग अंशों पर लागू किया गया।
- स्व-समान एप्रोक्सिमेंट्स $Z^*_k(x)$ ने घटनात्मक लियू समीकरण (Liu equation) के साथ उत्कृष्ट सहमति दिखाई (जिसे आणविक गतिशीलता डेटा के साथ फिट किया गया है)।
- सटीकता: फ्रीजिंग पॉइंट पर स्व-समान एप्रोक्सिमेंट और लियू समीकरण के बीच सापेक्ष अंतर 0.12% से कम था।
- विलक्षणता (Singularity): विधि ने $x \approx 1$ के पास एक पोल और $\alpha \approx 2$ के क्रिटिकल एक्सपोनेंट की स्वाभाविक रूप से भविष्यवाणी की, जो हार्ड डिस्क के लिए भौतिक अपेक्षाओं के अनुरूप है।
हार्ड-स्फीयर फ्लूइड ( $d=3$ ):
- फ्रीजिंग पॉइंट ( $x_f \approx 0.489$ ) तक लागू किया गया।
- परिणाम लियू समीकरण (जो 11वें क्रम तक के विरियल गुणांकों और MD डेटा पर आधारित है) के साथ 0.07% से कम के सापेक्ष त्रुटि के साथ मेल खाते हैं।
- $B_{12}$ की भविष्यवाणी: विधि ने 12वें विरियल गुणांक ( $b_{12} = 153$ ) की भविष्यवाणी की, जो पिछले उच्च-स्तरीय अध्ययनों (मान 149 से 154 के बीच) के सर्वसम्मति के अनुरूप है।
सॉफ्ट-स्फीयर फ्लूइड (पावर-लॉ पोटेंशियल):
- $p=6$ और $p=12$ के लिए प्रतिकर्षण क्षमता $\Phi(r) \propto r^{-p}$ पर लागू किया गया।
- विधि ने फ्रीजिंग डेंसिटी तक अवस्था के समीकरण का सफलतापूर्वक एक्सट्रपलेशन किया, जो मोंटे कार्लो सिमुलेशन के साथ पूर्ण सहमति दिखाता है।
- एसिम्प्टोटिक व्यवहार (Asymptotic Behavior): विधि ने बड़े घनत्व के स्पर्शोन्मुख व्यवहार ( $Z \sim y^\nu$ ) के अनुमान भी प्रदान किए, जिससे प्राप्त एक्सपोनेंट सैद्धांतिक $p/3$ अनुमान के करीब हैं।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह शोध पत्र स्व-समानता सन्निकटन सिद्धांत (Self-Similar Approximation Theory) को विरियल विस्तार के लिए पाडे समेशन के एक बेहतर विकल्प के रूप में स्थापित करता है। इसका महत्व निम्नलिखित में निहित है:

सैद्धांतिक कठोरता (Theoretical Rigor): यह घटनात्मक फिटिंग के बजाय कार्यात्मक स्व-समीलता की स्पष्ट गणितीय अवधारणा पर आधारित है।
भविष्यवाणी शक्ति (Predictive Power): यह उच्च-क्रम विरियल गुणांकों और भौतिक विलक्षणताओं की सटीक भविष्यवाणी करता है, बिना उच्च घनत्व पर सिस्टम के व्यवहार के पूर्व ज्ञान के।
व्यापकता (Generality): यह हार्ड-कोर और सॉफ्ट-स्फीयर दोनों पोटेंशियल के लिए लागू करने योग्य है।
सीमाएँ (Limitations): लेखक नोट करते हैं कि जबकि प्रतिकर्षण क्षमता (repulsive potentials) के लिए यह प्रभावी है, आकर्षक अंतःक्रियाओं (जैसे कि क्रिटिकल तापमान के नीचे लैनार्ड-जोन्स) वाले सिस्टम चुनौतियाँ प्रस्तुत करते हैं क्योंकि इनमें ऋणात्मक विरियल गुणांक होते हैं और इनके लिए श्रेणी पुनर्गठन या अतिरिक्त जानकारी की आवश्यकता होती है।

संक्षेप में, स्व-समानता योग विधि विरियल विस्तारों से अवस्था के समीकरणों को प्राप्त करने के लिए एक सुदृढ़, पैरामीटर-मुक्त और अत्यधिक सटीक ढांचा प्रदान करती है, जो निम्न-घनत्व सिद्धांत और उच्च-घनत्व भौतिक वास्तविकता के बीच के अंतर को पाटती है।