⚛️ nuclear theory

Neural-network quantum states for solving few-body problems: application to Efimov physics

यह शोध पत्र निरंतर स्थान (continuous space) में दृढ़ता से परस्पर क्रिया करने वाली अल्प-पिंड (few-body) समस्याओं को हल करने के लिए न्यूरल-नेटवर्क क्वांटम अवस्थाओं का विस्तार करता है, जो तीन से छह समान बोसॉन्स और द्रव्यमान-असंतुलित फर्मियॉन्स की प्रणालियों के लिए इफीमोव अवस्थाओं (Efimov states) की सफलतापूर्वक गणना करता है और उनकी प्रमुख भौतिक विशेषताओं को पुनरुत्पादित करता है।

मूल लेखक: Sora Yokoi, Shimpei Endo, Hiroki Saito

प्रकाशित 2026-04-07

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Sora Yokoi, Shimpei Endo, Hiroki Saito

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

एक बड़ी तस्वीर: कंप्यूटर को क्वांटम भौतिकी "महसूस" करना सिखाना

कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि मंच पर नर्तकों का एक समूह कैसे नृत्य करेगा। यदि केवल दो नर्तक हैं, तो उनके कदमों का अनुमान लगाना आसान है। लेकिन यदि आपके पास छह नर्तकों का एक पूरा दल है, और वे सभी एक-दूसरे का हाथ थामे हुए हैं, एक-दूसरे पर तुरंत प्रतिक्रिया दे रहे हैं, और इस तरह से चल रहे हैं जो सामान्य भौतिकी के नियमों (क्वांटम मैकेनिक्स) को चुनौती देता है, तो नृत्य की संभावित मुद्राओं की संख्या इतनी विशाल हो जाती है कि दुनिया के सबसे तेज़ सुपरकंप्यूटर भी अटक जाते हैं। इसे क्वांटम भौतिकी में "डायमेंशनलिटी का अभिशाप" (curse of dimensionality) कहा जाता है।

दशकों से, वैज्ञानिकों ने इसे हल करने के लिए विभिन्न गणितीय युक्तियों का उपयोग किया है। लेकिन हाल ही में, एक नया उपकरण उभरा है: आर्टिफिशियल इंटेलिजेंस (AI)। विशेष रूप से, वे न्यूरल नेटवर्क का उपयोग कर रहे हैं—वही प्रकार का AI जो तस्वीरों में बिल्लियों को पहचानता है या कविता लिखता है—इन क्वांटम नृत्य समस्याओं को हल करने के लिए।

यह शोध पत्र उस AI टूल को लेने के बारेose, जो पहले ग्रिड (जैसे शतरंज के बोर्ड) पर समस्याओं को हल करने में अच्छा था, और उसे सतत स्थान (continuous space) (जैसे एक चिकना, खुला डांस फ्लोर) में समस्याओं को हल करने के लिए सिखाने के बारे में है। जिस विशिष्ट नृत्य का वे अध्ययन कर रहे हैं, उसे एफिमอฟ भौतिकी (Efimov physics) कहा जाता है।

रहस्य: "एफिमอฟ" नृत्य

उन्होंने क्या हल किया, इसे समझने के लिए आपको "एफिमอฟ अवस्था" को समझना होगा।

तीन दोस्तों की कल्पना करें। उनमें से दो बहुत शर्मीले हैं और एक-दूसरे का हाथ नहीं थामते। तीसरा दोस्त बहुत मिलनसार है और या तो शर्मीले दोस्तों में से किसी एक का हाथ थाम सकता है।

यदि मिलनसार दोस्त 'शर्मीले दोस्त A' का हाथ थामता है, तो वे अलग हो सकते हैं।
यदि वह 'शर्मीले दोस्त B' का हाथ थामता है, तो भी वे अलग हो सकते हैं।
लेकिन, यदि तीनों साथ हैं, तो कुछ जादुई होता है: वे एक स्थिर, सुखी घेरा बनाते हैं जो अस्तित्व में नहीं होता यदि उनमें से कोई एक भी छोड़ देता।

क्वांटम दुनिया में, इसे बोरोमीन रिंग (Borromean ring) कहा जाता है। यह एक ऐसी अवस्था है जहाँ तीन कण एक साथ बंधे होते हैं, भले ही उनमें से कोई भी दो अकेले नहीं बंध सकते।

इससे भी अधिक अजीब बात यह है कि इन अवस्थाओं में डिस्क्रीट स्केल इनवेरिएंस (Discrete Scale Invariance) नामक एक गुण होता है। रूसी नेस्टिंग डॉल्स (एक के अंदर एक रखी जाने वाली गुड़िया) के सेट की कल्पना करें।

आपके पास एक छोटा एफिमอฟ ट्रिमर (तीन कणों का समूह) है।
यदि आप ज़ूम आउट करते हैं, तो आपको दूसरा, बड़ा एफिमอฟ ट्रिमर मिलता है जो बिल्कुल पहले वाले जैसा दिखता है, बस बड़ा है।
फिर से ज़ूम आउट करने पर, आपको तीसरा, और भी बड़ा ट्रिमर मिलता है।
वे एक ज्यामितीय पैटर्न में दोहराते हैं, जैसे कि एक फ्रैक्टल।

यह शोध पत्र सिद्ध करता है कि AI न केवल इन सूक्ष्म, अदृश्य क्वांटम "गुड़ियों" को खोज सकता है, बल्कि यह भी भविष्यवाणी कर सकता है कि वे चार, पांच या छह कणों के समूहों के रूप में कैसे व्यवस्थित होते हैं।

विधि: AI ने नृत्य करना कैसे सीखा

शोधकर्ताओं ने केवल एक सामान्य AI का उपयोग नहीं किया। उन्होंने इसे सीखने में मदद करने के लिए एक बहुत ही विशिष्ट "बैकपैक" दिया।

1. इनपुट: AI को एक मानचित्र देना

AI को कच्चे निर्देशांक (जैसे "कण A x=1, y=2 पर है") देने के बजाय, उन्होंने इसे जैकोबी निर्देशांक (Jacobi coordinates) दिए।

उपमा: कल्पना कीजिए कि आप पार्टी में दोस्तों के एक समूह का वर्णन कर रहे हैं। शहर के सापेक्ष उनके GPS निर्देशांक देने के बजाय, आप उनका वर्णन एक-दूसरे के सापेक्ष करते हैं: "बॉब, एलिस से 2 फीट दूर खड़ा है, और चार्ली, बॉब से 45-डिग्री के कोण पर 3 फीट दूर है।"
यह पूरे समूह के इधर-उधर घूमने (ट्रांसलेशन) या घूमने (रोटेशन) के "शोर" को हटा देता है, जिससे AI पूरी तरह से इस बात पर ध्यान केंद्रित कर पाता है कि कण एक-दूसरे के साथ कैसे क्रिया करते हैं।

2. "चीट कोड": टू-बॉडी कोरिलेशन (Two-Body Correlation)

क्वांटम भौतिकी में सबसे बड़ी चुनौती यह है कि जब कण करीब आते हैं, तो वे एक-दूसरे को बहुत मजबूती से प्रतिकर्षित या आकर्षित करते हैं। यह गणित में "नुकीले कोने" बनाता है जिन्हें चिकने (smooth) AI नेटवर्क के लिए सीखना कठिन होता है।

समाधान: शोधकर्ताओं ने AI को सब कुछ शून्य से सीखने नहीं दिया। उन्होंने इसे एक "चीट शीट" दी कि दो कण आपस में करीब आने पर कैसे व्यवहार करते हैं (ज्ञात भौतिकी के आधार पर)।
उपमा: कल्पना कीजिए कि आप एक छात्र को निबंध लिखना सिखा रहे हैं। उन्हें शून्य से "A" अक्षर लिखना सिखाने के बजाय, आप उन्हें "A" अक्षर का एक टेम्पलेट देते हैं और उनसे बाकी की कहानी लिखने पर ध्यान केंद्रित करने के लिए कहते हैं।
इस "टेम्पलेट" को AI की जटिल समूह गतिशीलता को सीखने की क्षमता के साथ जोड़कर, AI ने बहुत तेज़ी से और अधिक सटीकता से सीखा।

3. "उत्तेजित" (Excited) अवस्थाओं को खोजना

आमतौर पर, AI "ग्राउंड स्टेट" (सबसे आरामदायक, निम्नतम ऊर्जा वाली मुद्रा, जैसे सोती हुई बिल्ली) खोजने में बहुत अच्छा होता है। लेकिन वैज्ञानिक "एक्साइटेड स्टेट्स" (जैसे कूदती या अंगड़ाई लेती बिल्ली) के बारे में भी जानना चाहते हैं।

इसे करने के लिए, शोधकर्ताओं ने एक प्रोजेक्शन विधि (Projection Method) का उपयोग किया।
उपमा: कल्पना कीजिए कि आपके पास एक सोती हुई बिल्ली की फोटो है (ग्राउंड स्टेट)। आप कूदती हुई बिल्ली की फोटो ढूंढना चाहते हैं। आप AI से कहते हैं: "एक ऐसी मुद्रा खोजें जो बिल्ली जैसी दिखे, लेकिन सुनिश्चित करें कि वह सोते हुए पोज से पूरी तरह से अलग हो।" AI गणितीय रूप से नए समाधान को एक ऐसे स्थान पर "प्रोजेक्ट" करता है जहाँ वह सोते हुए बिल्ली के साथ ओवरलैप नहीं हो सकता, जिससे उसे कूदने वाली मुद्रा खोजने के लिए मजबूर किया जाता है।

परिणाम: उन्होंने क्या पाया?

टीम ने इस पद्धति का दो परिदृश्यों में परीक्षण किया:

आइडेंटिकल बोसॉन्स (Identical Bosons): कणों का एक समूह जो सभी एक जैसे हैं (जैसे समान आवाजों वाला एक गायक दल)। उन्होंने 3, 4, 5 और 6 कणों के समूहों का परीक्षण किया।
मास-इम्बैलेंस्ड फर्मियॉन्स (Mass-Imbalanced Fermions): एक समूह जहाँ दो कण भारी हैं और एक हल्का है (जैसे दो हाथी और एक चूहा)। यह कठिन है क्योंकि भारी कण एक-दूसरे को प्रतिकर्षित करते हैं, और हल्के कण को दोस्ती निभाने के लिए मध्यस्थ बनना पड़ता है।

निर्णय:

सटीकता: ऊर्जा स्तरों के लिए AI की भविष्यवाणियां मौजूदा सर्वोत्तम वैज्ञानिक गणनाओं से पूरी तरह मेल खाती हैं। कुछ मामलों में, AI पिछले तरीकों की तुलना में अधिक सटीक भी था।
फ्रैक्टल पैटर्न: AI ने सफलतापूर्वक "रूसी नेस्टिंग डॉल" पैटर्न को पुनरुत्पादित किया। इसने पाया कि दूसरे उत्तेजित अवस्था (excited state) की ऊर्जा ग्राउंड स्टेट से ठीक एक विशिष्ट कारक अधिक थी, जिससे डिस्क्रीट स्केल इनवेरिएंस की पुष्टि हुई।
क्रिटिकल मास: "हाथी और चूहे" वाले परिदृश्य में, AI ने सही ढंग से भविष्यवाणी की कि यदि हाथी चूहे की तुलना में बहुत भारी हो जाते हैं, तो समूह बिखर जाता है। इसने उस सटीक "टिपिंग पॉइंट" (द्रव्यमान अनुपात 13.6) को भी पहचाना जहाँ एफिमอฟ अवस्था गायब हो जाती है, जो सैद्धांतिक भविष्यवाणियों से मेल खाता है।

यह क्यों मायने रखता है?

इसे एक नए, अत्यंत शक्तिशाली सूक्ष्मदर्शी (microscope) के रूप में सोचें।

कोल्ड एटम्स के लिए: वैज्ञानिक अब जटिल क्वांटम गैसों का अनुकरण (simulate) कर सकते हैं ताकि बेहतर क्वांटम कंप्यूटर या सेंसर डिजाइन किए जा सकें।
न्यूक्लियर फिजिक्स के लिए: यही गणित प्रोटॉन और न्यूट्रॉन के लिए भी लागू होता है जो परमाणु नाभिक के भीतर होते हैं। यदि हम समझ सकते हैं कि 3 या 4 न्यूक्लियॉन एक साथ कैसे जुड़ते हैं, तो हम बेहतर समझ सकते हैं कि तारे कैसे फटते हैं या नए तत्व कैसे बनते हैं।
भविष्य: यह शोध पत्र दिखाता है कि AI केवल चेहरों को पहचानने या कार चलाने के लिए नहीं है। यह ब्रह्मांड के गहरे, सबसे जटिल नियमों को समझने के लिए एक मौलिक उपकरण बन रहा है। यह "फ्यू-बॉडी" समस्याओं (कुछ कण) और "मेनी-बॉडी" समस्याओं (खरबों कण) के बीच के अंतर को पाटता है, जिससे हमें यह समझने में मदद मिलती है कि सरल क्वांटम नियमों से जटिल दुनिया कैसे उभरती है।

संक्षेप में: उन्होंने एक न्यूरल नेटवर्क को सबसे कठिन क्वांटम नृत्य करना सिखाया, यह सिद्ध करते हुए कि AI ब्रह्मांड के रहस्यों की खोज करने में एक शक्तिशाली साथी हो सकता है।

यहाँ योकोई, एंडो और सैतो के शोध पत्र "Neural-network quantum states for solving few-body problems: application to Efimov physics" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

क्वांटम अनेक-निकाय प्रणालियाँ (many-body systems) "आयामी अभिशाप" (curse of dimensionality) का सामना करती हैं, जहाँ कणों की संख्या के साथ हिल्बर्ट स्पेस (Hilbert space) तेजी से बढ़ता है, जिससे सटीक संख्यात्मक समाधान करना कठिन हो जाता है। जबकि क्वांटम मोंटे कार्लो (QMC) और टेंसर नेटवर्क जैसी विधियाँ सफल रही हैं, वे निरंतर स्थान (continuous space) में दृढ़ता से सह-संबंधित (strongly correlated) प्रणालियों, विशेष रूप से जो एफिमอฟ भौतिकी (Efimov physics) प्रदर्शित करती हैं, के लिए संघर्ष करती हैं।

एफिमอฟ अवस्थाएँ (Efimov states) विशिष्ट तीन-निकाय बंधित अवस्थाएँ (three-body bound states) हैं जो निम्नलिखित विशेषताओं द्वारा चिह्नित हैं:

बोरोमीन बंधन (Borromean binding): तीन कण बंधित होते हैं भले ही कोई भी दो कण अन-बाइंड (unbound) हों।
विविक्त पैमाना अपरिवर्तनीयता (Discrete scale invariance): ज्यामितीय ऊर्जा स्केलिंग के साथ अवस्थाओं का एक अनंत समूह।
सार्वभौमिकता (Universality): वे विविध प्रणालियों (ठंडे परमाणु, नाभिक) में तब दिखाई देती हैं जब $s$ -वेव स्कैटरिंग लेंथ (scattering length) बहुत अधिक होती है (यूनिटरी लिमिट)।

मौजूदा विधियाँ (जैसे, कोरिलेटेड गॉसियन बेसिस, हाइपरस्फेरिकल हार्मोनिक्स) अत्यधिक सटीक हैं लेकिन गणनात्मक रूप से महंगी हैं और स्केल करने में कठिन हैं। लेखक यह निर्धारित करने का लक्ष्य रखते हैं कि क्या न्यूरल-नेटवर्क क्वांटम स्टेट्स (NQS), जो जाली (lattice) प्रणालियों में सफल रहे हैं, को निरंतर स्थान में दृढ़ रूप से परस्पर क्रिया करने वाली अल्प-निकाय समस्याओं (few-body problems) के लिए प्रभावी रूप से विस्तारित किया जा सकता है ताकि एफिमอฟ अवस्थाओं और उनसे जुड़े क्लस्टरों को सटीक रूप से कैप्चर किया जा सके।

2. कार्यप्रणाली (Methodology)

लेखकों ने कई-निकाय तरंग फलन (wave function) का प्रतिनिधित्व करने के लिए पूरी तरह से जुड़े फीड-फॉरवर्ड न्यूरल नेटवर्क का उपयोग करते हुए एक वेरिएशनल मोंटे कार्लो (VMC) फ्रेमवर्क विकसित किया।

A. न्यूरल नेटवर्क आर्किटेक्चर

इनपुट: नेटवर्क केंद्र-द्रव्यमान गति (center-of-mass motion) को समाप्त करने और स्वतंत्रता की डिग्री को कम करने के लिए जैकोबी निर्देशांक (Jacobi coordinates) को इनपुट के रूप में लेता है।
- $N$ समान बोसॉन्स के लिए: इनपुट जैकोबी वेक्टर्स के परिमाण ( $\rho_i$ ) और उनके बीच के कोण ( $\theta_{ij}$ ) हैं।
- फर्मियॉन्स के लिए: कोणीय संवेग और पैरिटी सेक्टर्स को संभालने के लिए इनपुट में यूलर कोण (Euler angles) शामिल हैं।
आर्किटेक्चर: 3 छिपे हुए स्तरों ( $L_h=3$ ) और प्रति स्तर 32 इकाइयों वाला एक पूरी तरह से जुड़ा फीड-फॉरवर्ड नेटवर्क।
एक्टिवेशन: SiLU (Sigmoid Linear Unit) फंक्शन का उपयोग किया गया है, जिसे ReLU या मानक सिग्मॉइड की तुलना में बेहतर स्थिरता और सटीकता प्रदान करने वाला पाया गया है।
आउटपुट: नेटवर्क एक वास्तविक मान $A$ आउटपुट करता है, जहाँ $A = u_{out}^1 \exp(u_{out}^2)$ है, जिससे तरंग फलन घातांकीय गैर-रैखिकता (exponential nonlinearity) के साथ धनात्मक और ऋणात्मक दोनों संकेत ले सकता है।

B. तरंग फलन निर्माण (Wave Function Construction)

यूनिटरी लिमिट में निहित तीव्र लघु-दूरी सहसंबंधों (short-range correlations) को संभालने के लिए, परीक्षण तरंग फलन $\Psi$ को इस प्रकार निर्मित किया गया है:
$\Psi = \phi \cdot A$

$\phi$ (सहसंबंध कारक/Correlation Factor): सटीक (या अनुमानित) दो-निकाय शून्य-ऊर्जा समाधानों का एक उत्पाद ( $\phi(r) = \tanh(r/b)/r$ पोश्टेल-टेलर क्षमता के लिए)। यह स्पष्ट रूप से 'कस्प' स्थितियों (cusp conditions) और लघु-दूरी व्यवहार को कैप्चर करता है, जिससे न्यूरल नेटवर्क को इन तीक्ष्ण विशेषताओं को सीखने के बोझ से राहत मिलती है।
$A$ (न्यूरल नेटवर्क): दीर्घ-दूरी के सहसंबंधों और जटिल अनेक-निकाय संरचना को कैप्चर करता है।

C. सममिति और एंटी-सिमेट्राइजेशन (Symmetry and Antisymmetrization)

बोसॉन्स: इनपुट संरचना (परिमाण और कोण) स्वाभाविक रूप से घूर्णी सममिति (rotational symmetry) का सम्मान करती है। कण विनिमय सममिति (particle exchange symmetry) को स्पष्ट रूप से लागू नहीं किया गया है, लेकिन इसे नेटवर्क द्वारा स्वाभाविक रूप से सीखा जाता है।
फर्मियॉन्स: दो समान फर्मियॉन्स और एक तीसरे कण के तंत्र के लिए, तरंग फलन फर्मियन विनिमय के तहत एंटी-सिमेट्रिक बनाया गया है। इसे दो नेटवर्कों ( $f_1, f_2$ ) के एक रैखिक संयोजन के रूप में परिभाषित करके प्राप्त किया जाता है, जो विशिष्ट कोणीय फलनों ( $\cos\theta', \sin\theta'\cos\phi$ ) के साथ गुणा होता है और स्पष्ट रूप से एंटी-सिमेट्राइज किया गया है:
$A_{asym} = \psi(\dots) - \psi(\dots \text{exchanged} \dots)$
गणना $\ell=1$ (p-wave) और विषम-पैरिटी (odd-parity) सेक्टर पर केंद्रित है, जहाँ द्रव्यमान असंतुलित फर्मियॉन्स के लिए एफिमอฟ अवस्थाओं की अपेक्षा की जाती है।

D. अनुकूलन और उत्तेजित अवस्थाएं (Optimization and Excited States)

ग्राउंड स्टेट: Adam optimizer के साथ वेरिएशनल मोंटे कार्लो विधि का उपयोग करके न्यूनतम किया गया। ऊर्जा प्रत्याशा (energy expectation value) का मूल्यांकन मेट्रोपोलिस-हेस्टिंग्स सैंपलिंग के माध्यम से किया जाता है।
उत्तेजित अवस्थाएं (Excited States): इन्हें ऑर्थोगोनल प्रोजेक्शन विधि द्वारा कंप्यूट किया जाता है। उत्तेजित अवस्था के लिए एक परीक्षण तरंग फलन $\Psi_1 - \lambda \Psi_0$ के रूप में परिभाषित किया जाता है, जहाँ $\Psi_0$ ग्राउंड स्टेट है और $\lambda$ एक लैग्रेंज मल्टीप्लायर है जिसे मोंटे कार्लो इंटीग्रेशन के माध्यम से निकाला जाता है। यह ग्राउंड स्टेट के प्रति ऑर्थोगोनैलिटी सुनिश्चित करता है।
स्थिरीकरण (Stabilization): कणों की कॉन्फ़िगरेशन को अनंत तक जाने से रोकने के लिए प्रारंभिक अनुकूलन चरणों के दौरान एक सहायक हार्मोनिक क्षमता जोड़ी जाती है, जिसे अंतिम मूल्यांकन के लिए हटा दिया जाता है।

3. मुख्य योगदान (Key Contributions)

निरंतर स्थान में विस्तार: निरंतर-स्थान वाली दृढ़ सह-संबंधित अल्प-निकाय समस्याओं के लिए सफलतापूर्वक NQS को जाली प्रणालियों से विस्तारित किया।
हाइब्रिड एंसेट (Hybrid Ansatz): प्रदर्शित किया कि एक स्पष्ट दो-निकाय सहसंबंध कारक ( $\phi$ ) के साथ न्यूरल नेटवर्क को संयोजित करने से केवल नेटवर्क का उपयोग करने की तुलना में अभिसरण गति (convergence speed) और सटीकता में काफी सुधार होता है।
उत्तेजित अवस्था क्षमता: दिखाया कि प्रोजेक्शन विधि NQS को निरंतर स्थान में निम्न-स्तरीय उत्तेजित अवस्थाओं को सटीक रूप से कंप्यूट करने की अनुमति देती है, जो अक्सर अन्य वेरिएशनल विधियों के लिए कठिन कार्य होता है।
सामान्यीकरण (Generalizability): सिद्ध किया कि यह विधि समान बोसॉन्स और द्रव्यमान-असंतुलित फर्मियॉन दोनों के लिए काम करती है, और तब भी मजबूत है जब सटीक दो-निकाय समाधान उपलब्ध न हो (एक अलग क्षमता से अनुमानित $\phi$ का उपयोग करके)।

4. मुख्य परिणाम (Key Results)

A. समान बोसॉन्स ( $N=3$ से $6$)

ऊर्जा सटीकता: यूनिटरी लिमिट में $N=3,4,5,6$ बोसॉन्स के लिए ग्राउंड और प्रथम उत्तेजित अवस्था ऊर्जाओं की गणना की गई। परिणाम हाइपरस्फेरिकल हार्मोनिक विस्तार के संदर्भ डेटा के साथ उत्कृष्ट रूप से सहमत थे, और अक्सर थोड़े कम (अधिक सटीक) वेरिएशनल ऊर्जा प्राप्त किए।
एफिमอฟ विशेषताएं:
- विविक्त पैमाना अपरिवर्तनीयता: ग्राउंड और उत्तेजित अवस्था ऊर्जाओं का अनुपात ( $\sqrt{E_0/E_1}$ ) सार्वभौमिक भविष्यवाणियों (जैसे, $N=3$ के लिए $\approx 22.6$ ) से मेल खाता है।
- तरंग फलन संरचना: प्रायिकता वितरण $P(R)$ (जहाँ $R$ हाइपररेडियस है) ने विशिष्ट ज्यामितीय स्केलिंग (स्केल अनुपात $\approx 20$ ) और उत्तेजित अवस्थाओं में नोड्स (nodes) की उपस्थिति को दर्शाया।
- स्थानिक संरचना: विज़ुअलाइज़ेशन ने "बोरोमीन" प्रकृति की पुष्टि की, जहाँ उत्तेजित अवस्था तरंग फलन एक सघन बंधन बनाने के बजाय व्यक्तिगत कणों के आसपास केंद्रित होता है।

B. द्रव्यमान-असंतुलित फर्मियॉन्स ($2 $फर्मियॉन्स +$ 1$ कण)

महत्वपूर्ण द्रव्यमान अनुपात (Critical Mass Ratio): $M/m$ द्रव्यमान अनुपात वाले तंत्र की जांच की गई। विधि ने सही ढंग से भविष्यवाणी की कि जैसे-जैसे $M/m$ क्रिटिकल वैल्यू 13.606 के करीब पहुँचता है, बाउंड स्टेट गायब हो जाता है, जो ज़ीरो-रेंज थ्योरी के अनुरूप है।
विशिष्ट प्रणाली ( $^{167}\text{Er}-^{6}\text{Li}$ ): $M/m = 27.752$ $M / m = 27.752$ के लिए, विधि ने $\ell=1$ $ℓ = 1$ चैनल में बाउंड स्टेट्स पाए।
- ऊर्जा अनुपात $\sqrt{|E_0/E_1|} \approx 6.6$ सार्वभौमिक भविष्यवाणी $\approx 7.19$ के साथ उचित रूप से सहमत था।
- तरंग फलन ने फर्मिओनिक एफिमอฟ ट्रिमर्स की स्थानिक संरचना को सफलतापूर्वक कैप्चर किया।
क्षमता स्वतंत्रता (Potential Independence): विधि का परीक्षण एक गॉसियन क्षमता (जहाँ कोई विश्लेतिक दो-निकाय समाधान नहीं है) का उपयोग करके किया गया, जिसमें पोश्टेल-टेलर क्षमता से सहसंबंध कारक उधार लिया गया था। न्यूरल नेटवर्क ने अंतर की भरपाई की, जिससे स्पष्ट रूप से सह-संबंधित गॉसियन-बेसिस विधियों के समान परिणाम प्राप्त हुए।

5. महत्व (Significance)

यह कार्य स्थापित करता है कि न्यूरल-नेटवर्क क्वांटम स्टेट्स निरंतर स्थान में दृढ़ सह-संबंधित अल्प-निकाय भौतिकी के लिए एक बहुमुखी, उच्च-परिशुद्धता उपकरण है।

बेंचमार्किंग: यह एफिमอฟ भौतिकी के लिए एक नया बेंचमार्क प्रदान करता है, जो स्थापित विशिष्ट विधियों के समान या उससे बेहतर सटीकता के साथ सार्वभौमिक विशेषताओं (विविक्त पैमाना अपरिवर्तनीयता, महत्वपूर्ण द्रव्यमान व्यवहार) को पुनरुत्पादित करता है।
स्केलेबिलिटी: यह दृष्टिकोण बड़े सिस्टम ( $N>6$ ) और अधिक जटिल इंटरैक्शन (जैसे, डिपोलर, लॉन्ग-रेंज) के लिए आसानी से लागू किया जा सकता है जहाँ पारंपरिक विधियाँ संघर्ष करती हैं।
भविष्य का दृष्टिकोण: उत्तेजित अवस्थाओं और द्रव्यमान-असंतुलित प्रणालियों को संभालने की क्षमता यह सुझाव देती है कि यह विधि अल्प-निकाय भौतिकी और उभरती हुई अनेक-निकाय घटनाओं के बीच के अंतर को पाटने में मदद कर सकती है, जो परमाणु भौतिकी, ठंडे परमाणुओं और क्वांटम रसायन विज्ञान के लिए एक एकीकृत कम्प्यूटेशनल ढांचा प्रदान करती है।