⚛️ quantum physics

Quantum Dynamics via Score Matching on Bohmian Trajectories

यह शोधपत्र बोहमियन प्रक्षेपवक्रों (Bohmian trajectories) को एक स्व-सुसंगत सामान्यीकरण प्रवाह (self-consistent normalizing flow) के रूप में मॉडल करके समय-निर्भर श्रोडिंगर समीकरण को हल करने की एक नवीन विधि प्रस्तावित करता है, जहाँ एक न्यूरल नेटवर्क नोडलैस तरंग फलनों (nodeless wave functions) के लिए क्वांटम गतिकी को पुनः प्राप्त करने हेतु स्कोर फंक्शन को सीखता है।

मूल लेखक: Lei Wang

प्रकाशित 2026-04-29

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Lei Wang

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 कोहरे का एक बादल समय के साथ कैसे आगे बढ़ेगा और अपना आकार बदलेगा। क्वांटम भौतिकी की दुनिया में, यह "कोहरा" वास्तव में एक प्रायिकता (probability) की लहर है जो यह बताती है कि इलेक्ट्रॉन जैसे सूक्ष्म कण कहाँ हो सकते हैं। इस गति को मापने के लिए गणित को हल करना बेहद कठिन है, खासकर जब इसमें कई कण शामिल हों, क्योंकि इसकी जटिलता एक पहाड़ से लुढ़कते हुए हिमखंड (snowball) की तरह तेजी से बढ़ती जाती है।

यह शोध पत्र इस समस्या को हल करने का एक नया और चतुर तरीका प्रस्तावित करता है, जो दो बहुत ही अलग दुनियाओं को जोड़ता है: पुरानी शैली का क्वांटम मैकेनिक्स और आधुनिक AI।

यहाँ उनके विचार का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. पुराना नक्शा: बोहमियन ट्रैजेक्टरीज (Bohmian Trajectories)

दशकों से, भौतिकविदों ने क्वांटम कणों को देखने के लिए "बोहमियन मैकेनिक्स" नामक एक विधि का उपयोग किया है। क्वांटम कणों को एक धुंधले बादल के रूप में सोचने के बजाय, यह विधि इसे एक नदी में तैरती एक छोटी नाव के रूप में देखती है।

नदी: पानी उस "क्वांटम पोटेंशियल" का प्रतिनिधित्व करता है, जो प्रायिकता के बादल के अपने आकार द्वारा बनाया गया एक बल क्षेत्र (force field) है।
नाव: कण एक विशिष्ट, नियत पथ (trajectory) का अनुसरण करता है जो इस नदी द्वारा निर्देशित होता है।
नियम: ये नावें कभी भी एक-दूसरे से टकरा नहीं सकतीं या अपने रास्ते काट नहीं सकतीं। वे सुचारू रूप से बहती हैं, और जैसे-जैसे वे आगे बढ़ती हैं, वे पानी के बादल को खींचती और सिकोड़ती हैं।

समस्या यह है कि आपको यह जानने के लिए कि नाव कहाँ जाएगी, आपको अभी नदी का आकार जानना होगा। लेकिन नदी का आकार इस बात पर निर्भर करता है कि सभी नावें कहाँ जा रही हैं। यह एक "मुर्गी और अंडे" वाली समस्या है: आपको पथ जानने के लिए नदी को जानना होगा, लेकिन आपको नदी को जानने के लिए पथ को जानना होगा।

2. नया उपकरण: स्कोर मैचिंग (Score Matching - AI वाला हिस्सा)

लेखकों ने महसूस किया कि यह "मुर्गी और अंडे" वाली समस्या ठीक वही है जिसे आधुनिक AI (विशेष रूप से "जेनरेटिव मॉडल्स") हल करने में माहिर है।

स्कोर (The Score): AI में, "स्कोर" केवल एक फैंसी शब्द है जो एक ऐसे मानचित्र के लिए उपयोग किया जाता है जो बताता है कि प्रायिकता के टीले पर "चढ़ाई" किस दिशा में है। यदि आप कोहरे में खड़े हैं, तो स्कोर आपको बताता है, "हे, कोहरा उस दिशा में अधिक घना है, इसलिए उस दिशा में बढ़ें।"
तरीका: जटिल गणित के साथ नदी के आकार की गणना करने के बजाय, वे एक न्यूरल नेटवर्क (एक प्रकार का AI मस्तिष्क) का उपयोग करके स्कोर का अनुमान लगाते हैं।

3. समाधान: एक स्व-सुधारने वाला लूप (A Self-Correcting Loop)

लेखकों ने एक प्रशिक्षण लूप बनाया है जो एक स्व-सुधारने वाले GPS की तरह काम करता है:

अनुमान लगाना (Guess): AI मस्तिष्क "स्कोर" (वह दिशा जिसमें नावों को चलना चाहिए) का अनुमान लगाता है।
सिमुलेशन (Simulate): वे नावों (कणों) को उस अनुमान के आधार पर तैरने देते हैं।
जांचना (Check): वे नावों द्वारा बनाए गए बादल के नए आकार को देखते हैं। वे AI से पूछते हैं: "क्या आपका अनुमान उस वास्तविक आकार से मेल खाता है जो अभी-अभी नावों ने बनाया है?"
सुधारना (Correct): यदि अनुमान गलत था, तो AI अपनी गलती से सीखता है और अपने मस्तिष्क को अपडेट करता है।
दोहराना (Repeat): वे इसे बार-बार करते हैं जब तक कि AI का अनुमान चलते हुए बादल की वास्तविकता से पूरी तरह मेल न खा जाए।

जब AI इस पूर्णता को प्राप्त कर लेता है, तो "मुर्गी और अंडे" की समस्या समाप्त हो जाती है। AI ने नदी के सटीक नियमों को सीख लिया है, और नावें क्वांटम के वास्तविक नियमों का पूरी तरह से पालन करती हैं।

4. उन्होंने क्या परीक्षण किया

टीम ने दो परिदृश्यों पर इसका परीक्षण किया:

लहर का विभाजन (Splitting a Wave): कल्पना कीजिए कि पानी की एक एकल बूंद दीवार के दो छिद्रों से टकराती है। यह दो धाराओं में विभाजित हो जाती है। उन्होंने दिखाया कि उनकी विधि एकल धारा के दो धाराओं में विभाजित होने के तरीके को बिना कणों के मार्ग काटे, पूरी तरह से ट्रैक कर सकती है।
कंपन करती हुई श्रृंखलाएं (Vibrating Chains): उन्होंने परमाणुओं की एक श्रृंखला का अनुकरण किया जो कंपन कर रही है (जैसे परमाणुओं से बनी गिटार की स्ट्रिंग) जहाँ परमाणु जटिल तरीकों से एक-दूसरे के साथ अंतःक्रिया करते हैं। उनकी विधि ने सटीक रूप से भविष्यवाणी की कि ऊर्जा समय के साथ श्रृंखला के माध्यम से कैसे चलती है।

5. मुख्य निष्कर्ष

शोध पत्र का दावा है कि क्वांटम कणों को AI द्वारा सीखे गए मानचित्र द्वारा निर्देशित नावों के प्रवाह के रूप में मानकर, वे क्वांटम गति के समीकरणों को पहले की तुलना में बहुत अधिक कुशलता से हल कर सकते हैं।

उल्लिखित महत्वपूर्ण सीमाएँ:

यह विधि "नोडलैस" (nodeless) तरंगों के लिए पूरी तरह से काम करती है (जहाँ प्रायिकता बादल कभी शून्य नहीं होता)। इसमें परमाणु कंपन शामिल हैं।
यह वर्तमान में "फर्मिऑन्स" (Fermions - जटिल परमाणुओं में इलेक्ट्रॉन जैसे विशिष्ट प्रकार के कण) के लिए संघर्ष करती है क्योंकि उनकी लहरों में "नोड्स" (वे स्थान जहाँ प्रायिकता शून्य होती है) होते हैं, जो नावों के सुचारू प्रवाह को तोड़ देते हैं। लेखक सुझाव देते हैं कि भविष्य के कार्य इसे ठीक कर सकते हैं, लेकिन उन्होंने इस शोध पत्र में इसे अभी तक हल नहीं किया है।

संक्षेप में, उन्होंने एक कठिन भौतिकी की पहेली को "अनुमान लगाओ और जांचो" के खेल में बदल दिया है जिसे एक कंप्यूटर तब तक खेल सकता है जब तक कि वह जीत न जाए, जिससे आधुनिक इमेज जनरेटरों द्वारा संचालित उपकरणों का उपयोग करके क्वांटम सिस्टम का अनुकरण करने का मार्ग प्रशस्त होता है।

यहाँ लेई वांग के शोध पत्र "Quantum Dynamics via Score Matching on Bohmian Trajectories" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

समय-निर्भर श्रोडिंगर समीकरण (TDSE) क्वांटम गतिकी को नियंत्रित करता है, लेकिन उच्च-आयामी प्रणालियों के लिए इसे हल करना अत्यंत कठिन है क्योंकि इसमें "आयाम का अभिशाप" (curse of dimensionality) निहित है। पारंपरिक ग्रिड-आधारित विधियाँ स्वतंत्रता के अंशों (degrees of freedom, $d$ ) की संख्या के साथ तेजी से बढ़ती हैं। जबकि अन्य वैकल्पिक दृष्टिकोण मौजूद हैं—जैसे कि एडेप्टिव आधारों (adaptive bases) में वेवफंक्शन का विस्तार करना, जटिल वेवफंक्शन को सीधे पैरामीट्राइज़ करने के लिए न्यूरल नेटवर्क का उपयोग करना (जैसे, tVMC), या कण पथों (particle trajectories) का उपयोग करना—प्रत्येक की अपनी सीमाएँ हैं:

न्यूरल वेवफंक्शन्स (Neural Wavefunctions): इन्हें जटिल चरणों (complex phases) को संभालने की आवश्यकता होती है और अक्सर इनमें खराब-अनुकूलित (ill-conditioned) ज्यामितीय टेंसर या मेट्रोपोलिस सैंपलिंग शामिल होती है।
मौजूदा प्रक्षेपवक्र विधियाँ (Existing Trajectory Methods): ये अक्सर स्थानीय स्तर पर क्वांटम पोटेंशियल को फिट करने के लिए निश्चित आधार सेटों (जैसे बहुपद, गाऊसी मिश्रण) पर निर्भर करती हैं, जिनमें वैश्विक वेरिएशनल सिद्धांत या समय-चरणों के बीच स्व-संगति (self-consistency) का अभाव होता है।
फेज प्रतिनिधित्व (Phase Representation): प्रक्षेपवक्रों के साथ जटिल चरण $S$ को ट्रैक करना गणनात्मक रूप से महंगा है और सिंगुलैरिटी (नोड्स) के प्रति संवेदनशील है।

यह शोध पत्र TDSE को एक स्व-संगत स्कोर-संचालित नॉर्मलाइजिंग फ्लो (self-consistent score-driven normalizing flow) के रूप में पुनर्गठित करके हल करने का लक्ष्य रखता है, जो स्पष्ट फेज प्रतिनिधित्व और आधार-सेट प्रतिबंधों से बचने के लिए आधुनिक जनरेटिव मॉडलिंग तकनीकों का लाभ उठाता है।

2. कार्यप्रणाली (Methodology)

मुख्य दृष्टिकोण बोहमियन मैकेनिक्स (Bohmian mechanics) को स्कोर मैचिंग (Score Matching) और कंटीन्यूअस नॉर्मलाइजिंग फ्लो (CNFs) के साथ एकीकृत करता है।

सैद्धांतिक ढांचा (Theoretical Framework)

मैडेलंग अपघटन (Madelung Decomposition): वेवफंक्शन को $\Psi = \sqrt{\rho} e^{iS/\hbar}$ के रूप में लिखा जाता है। यह TDSE को युग्मित तरल समीकरणों (coupled fluid equations) में बदल देता है: घनत्व $\rho$ के लिए एक निरंतरता समीकरण (continuity equation) और चरण $S$ के लिए एक क्वांटम हैमिल्टन-जैकोबी समीकरण।
बोहमियन प्रक्षेपवक्र (Bohmian Trajectories): कण $v = \nabla S / m$ वेग क्षेत्र द्वारा निर्देशित नियत पथों $x(t)$ का अनुसरण करते हैं। गति का समीकरण $m \ddot{x} = -\nabla(V + Q)$ है, जहाँ $V$ शास्त्रीय विभव (classical potential) है और $Q$ क्वांटम पोटेंशियल है।
स्कोर फंक्शन कनेक्शन (Score Function Connection): क्वांटम पोटेंशियल $Q$ पूरी तरह से स्कोर फंक्शन $s \equiv \nabla \ln \rho$ (लॉग-संभाव्यता घनत्व का ग्रेडिएंट) पर निर्भर करता है। विशेष रूप से, $Q = -\frac{\hbar^2}{4m} [\nabla \cdot s + \frac{1}{2}|s|^2]$ ।
नॉर्मलाइजिंग फ्लो (Normalizing Flow): नोडलेस (nodeless) वेवफंक्शन्स के लिए, प्रारंभिक स्थितियों $x(0)$ से $x(t)$ तक का मानचित्र एक डिफ़ियोमॉर्फिज्म (diffeomorphism) है (एक निरंतर नॉर्मलाइजिंग फ्लो)। घनत्व ठीक वैसे ही विकसित होता है: $\rho(x(t), t) = \rho_0(x(0)) / |\det F(t)|$ , जहाँ $F$ विरूपण ग्रेडिएंट (deformation gradient) है।

एल्गोरिदम: स्व-संगत स्कोर मैचिंग (Self-Consistent Score Matching)

PDE को सीधे हल करने के बजाय, यह विधि एक न्यूरल नेटवर्क का उपयोग करके स्कोर फंक्शन $s_\theta(x, t)$ को सीखती है।

पैरामीट्राइजेशन (Parametrization): स्कोर को एक स्केलर पोटेंशियल के ग्रेडिएंट के रूप में मॉडल किया जाता है: $s_\theta = \nabla_x \phi_\theta(x, t)$ । यह सुनिश्चित करता है कि $s_\theta$ एक वैध ग्रेडिएंट फील्ड है।
प्रशिक्षण उद्देश्य (Training Objective): नेटवर्क को सीखे गए स्कोर और उसके द्वारा उत्पन्न घनत्व के वास्तविक स्कोर के बीच फिशर डाइवर्जेंस (Fisher Divergence) को कम करने के लिए प्रशिक्षित किया जाता है:
$L[s_\theta] = \int_0^T dt \int_{\mathbb{R}^d} dx \, \rho_\theta |s_\theta - \nabla \ln \rho_\theta|^2$
- स्व-संगति (Self-Consistency): घनत्व $\rho_\theta$ स्थिर नहीं है; इसे $s_\theta$ द्वारा संचालित प्रक्षेपवक्रों द्वारा उत्पन्न किया जाता है। $L$ को न्यूनतम करना नेटवर्क को एक ऐसा स्कोर खोजने के लिए मजबूर करता है जो उस घनत्व के साथ सुसंगत हो जिसे वह बनाता है।
गणना लूप (Computational Loop):
- फॉरवर्ड पास (Forward Pass): $\rho_0$ से कणों को प्रारंभ करें। वर्तमान $s_\theta$ द्वारा संचालित बोहमियन गति के समीकरणों (Eq. 5) का उपयोग करके उन्हें आगे बढ़ाएं।
- जैकबियन ट्रैकिंग (Jacobian Tracking): परिवर्तन-परिवर्तनों सूत्र (change-of-variables formula) के माध्यम से लक्षित स्कोर $\nabla \ln \rho_\theta$ की गणना करने के लिए विरूपण ग्रेडिएंट $F$ और उसके वेग समकक्ष $G$ (Eq. 8) को साथ-साथ इंटीग्रेट करें: $\nabla \ln \rho_\theta = F^{-T} [\nabla \ln \rho_0 - \nabla \ln |\det F|]$ ।
- बैकप्रोपैगेशन (Backpropagation): प्रक्षेपवक्र के साथ बैकप्रोपैगेशन थ्रू टाइम (BPTT) का उपयोग करके नेटवर्क मापदंडों $\theta$ के सापेक्ष लॉस के ग्रेडिएंट की गणना करें।

3. मुख्य योगदान (Key Contributions)

सैद्धांतिक एकीकरण (Theoretical Unification): यह बोहमियन मैकेनिक्स और आधुनिक जनरेटिव मॉडलिंग (विशेष रूप से कंटीन्यूअस नॉर्मलाइजिंग फ्लो और स्कोर मैचिंग) के बीच एक कठोर संबंध स्थापित करता है। यह सिद्ध करता है कि फिशर डाइवर्जेंस का शून्य-हानि मिनिमाइज़र नोडलेस वेवफंक्शन्स के लिए सटीक क्वांटम गतिकी को पुनः प्राप्त करता है।
फेज-मुक्त गतिकी (Phase-Free Dynamics): केवल स्कोर (लॉग-घनत्व का ग्रेडिएंट) और वास्तविक-मान वाले घनत्व के साथ काम करके, यह विधि प्रसार के दौरान जटिल चरण $S$ को ट्रैक करने की जटिलताओं से बचती है। चरण की आवश्यकता केवल प्रारंभिक स्थितियों के लिए होती है या इसे बाद में पुनर्निर्मित किया जा सकता है।
वैश्विक वेरिएशनल सिद्धांत (Global Variational Principle): पिछली प्रक्षेपवक्र विधियों के विपरीत, जो प्रत्येक टाइमस्टेप पर बिंदुवार (pointwise) स्कोर को फिट करती हैं, यह दृष्टिकोण पूरे समय क्षितिज $[0, T]$ पर एक एकल लॉस फंक्शन के माध्यम से वैश्विक स्व-संगति लागू करता है।
कॉस्टिक्स को संभालना (Handling Caustics): यह विधि शुरुआती प्रशिक्षण के दौरान क्षणिक कॉस्टिक्स (जहाँ $\det F \to 0$ ) को संभालने के लिए एक मास्किंग रणनीति पेश करती है, जिससे सिस्टम को तब "स्व-उपचार" (self-heal) करने की अनुमति मिलती है जब सीखा गया क्वांटम पोटेंशियल फ्लो को स्थिर करता है।

4. परिणाम (Results)

विधि का परीक्षण दो चुनौतीपूर्ण क्वांटम प्रणालियों पर किया गया:

डबल-वेल पोटेंशियल में वेवपैकेट स्प्लिटिंग (Wavepacket Splitting in a Double-Well Potential):
- एक यूनिमोडल गाऊसी वेवपैकेट के मल्टीमॉडल वितरण में विभाजन को मॉडल करने की क्षमता प्रदर्शित की।
- बोहमियन प्रक्षेपवक्रों ने बिना क्रॉसिंग के घनत्व विकास को सही ढंग से ट्रैक किया, जो नॉर्मलाइजिंग फ्लो के गुण की पुष्टि करता है।
मोर्स चेन ( $d=4$ ) के एनहार्मोनिक वाइब्रेशन (Anharmonic Vibrations of a Morse Chain):
- 4 युग्मित मोर्स ऑसिलेटर्स की एक श्रृंखला का अनुकरण किया।
- अभिसरण (Convergence): फिशर लॉस चार क्रमों तक कम हुआ ( $\sim 10 \to 10^{-3}$ )।
- सटीकता (Accuracy): माध्य ऊर्जा त्रुटि एक उच्च-परिशुद्धता 4D स्प्लिट-ऑपरेटर FFT संदर्भ के सापेक्ष $\sim 0.2\%$ तक अभिसरित हुई।
- गतिकी (Dynamics): मॉडल ने एनहार्मोनिसिटी के कारण होने वाले डिपोल-जैसे दोलन और मोड-विशिष्ट "ब्रीदिंग" (चौड़ाई में भिन्नता) को सटीक रूप से पुनरुत्पादित किया।
- घनत्व सत्यापन (Density Verification): सीखे गए घनत्व और सटीक समाधान के बीच कुलबैक-लीब्लर (KL) डाइवर्जेंस इंटरपोलेशन फ्लोर के करीब रहा, जो पुष्टि करता है कि विधि न केवल निम्न-क्रम के मोमेंट्स बल्कि पूर्ण घनत्व वितरण को भी कैप्चर करती है।

5. महत्व और भविष्य की संभावनाएं (Significance and Future Outlook)

क्वांटम गतिकी के लिए नया प्रतिमान (New Paradigm for Quantum Dynamics): यह कार्य बोहमियन मैकेनिक्स को एक वैचारिक व्याख्या से एक व्यावहारिक, उच्च-प्रदर्शन कंप्यूटिंग टूल में बदल देता है। यह TDSE को तेजी से आगे बढ़ते जनरेटिव AI (जैसे, फ्लो मैचिंग, डिनोइजिंग स्कोर मैचिंग) के टूलकिट के लिए खोलता है।
स्केलेबिलिटी (Scalability): यह दृष्टिकोण ग्रिड विधियों के घातांकीय स्केलिंग और वेरिएशनल मोंटे कार्लो की खराब-अनुकूलन (ill-conditioning) से बचता है। इसकी गणना लागत आयाम के साथ बहुपद (polynomial) रूप से स्केल करती है ( $O(d^2)$ या कार्यान्वयन के आधार पर $O(d^3)$ ), जो इसे उच्च-आयामी प्रणालियों के लिए आशाजनक बनाती है।
फर्मियन्स तक विस्तार (Extension to Fermions): लेखक स्वीकार करते हैं कि वर्तमान परिणाम नोडलेस (बोसोनिक या ग्राउंड-स्टेट) प्रणालियों पर लागू होते हैं। वे इस ढांचे को फर्मिओनिक फ्लो आर्किटेक्चर (जो नोड्स को संभालने के लिए परम्यूटेशन-इक्विवैरिएंट फ्लो और स्लेटर डिटरमिनेंट्स का उपयोग करते हैं) के साथ जोड़कर, कई-इलेक्ट्रॉन प्रणालियों की वास्तविक समय की गतिकी तक विस्तार करने का प्रस्ताव करते हैं, जिससे "साइन प्रॉब्लम" और वालस्ट्रोम की आपत्ति का समाधान हो सके।
व्यापक प्रभाव (Broader Impact): यह शोध पत्र क्वांटम मैकेनिक्स और स्टोकेस्टिक/डिटरमिनिस्टिक जनरेटिव मॉडलिंग के बीच एक गहरे संरचनात्मक समानांतर को उजागर करता है, जो यह सुझाव देता है कि एक क्षेत्र में विकसित तकनीकें सीधे दूसरे क्षेत्र में प्रगति को गति दे सकती हैं।

संक्षेप में, यह शोध पत्र क्वांटम गतिकी को एक स्कोर-ड्रिवन नॉर्मलाइजिंग फ्लो के रूप में मानकर समय-निर्भर श्रोडिंगर समीकरण को हल करने के लिए एक अभिनव, स्व-संगत और अत्यधिक सटीक विधि प्रस्तुत करता है, जो क्वांटम भौतिकी और आधुनिक मशीन लर्निंग के बीच के अंतर को सफलतापूर्वक पाटता है।