🔬 condensed matter

Mapping the Phase Diagram of the Vicsek Model with Machine Learning

यह अध्ययन विकसेक फ्लॉकिंग मॉडल (Vicsek flocking model) के त्रि-आयामी चरण आरेख (three-dimensional phase diagram) को मैप करने के लिए मशीन लर्निंग तकनीकों, विशेष रूप से के-मीन्स क्लस्टरिंग (K-Means clustering) और न्यूरल नेटवर्क वर्गीकरण का उपयोग करता है, जो 92% सटीकता के साथ स्पष्ट क्रम, अव्यवस्था और सह-अस्तित्व चरणों की सफलतापूर्वक पहचान करता है और विरल सिमुलेशन डेटा से वैश्विक चरण सीमाओं का अंतर्वेशन (interpolation) करता है।

मूल लेखक: Grace T. Bai, Brandon B. Le

प्रकाशित 2026-05-01

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Grace T. Bai, Brandon B. Le

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 पक्षियों का एक विशाल झुंड है, मछलियों का एक समूह है, या यहाँ तक कि एक व्यस्त सड़क पर चलते लोगों की भीड़ है। कभी-कभी, वे पूर्ण सामंजस्य में चलते हैं, सभी एक ही दिशा में देखते हुए। अन्य समय में, वे अराजकता के साथ चलते हैं, जैसे आतंक में मधुमक्खियों का एक झुंड। वैज्ञानिक यह समझने के लिए एक गणितीय रेसिपी का उपयोग करते हैं जिसे विकसेक मॉडल (Vicsek Model) कहा जाता है कि ये समूह खुद को व्यवस्थित करने का निर्णय कैसे लेते हैं।

यह शोध पत्र एक कंप्यूटर "मस्तिष्क" (मशीन लर्निंग) का उपयोग करने के बारे में है ताकि यह सटीक रूप से मानचित्रित किया जा सके कि कब और क्यों ये समूह अराजकता से व्यवस्था की ओर परिवर्तित होते हैं।

यहाँ इस शोध पत्र की कहानी है, जिसे सरल अवधारणाओं में विभाजित किया गया है:

1. खेल के नियम (विकसेक मॉडल)

विकसेक मॉडल को एक विशाल वीडियो गेम के रूप में सोचें जिसमें हजारों छोटे, स्व-चालित कण (particles) हैं। प्रत्येक कण के तीन मुख्य सेटिंग्स होते हैं:

शोर/नॉयज (η): कितनी "हवा" या भ्रम चारों ओर बह रहा है। उच्च शोर का अर्थ है कि सभी को यादृच्छिक दिशाओं में धकेला जा रहा है।
घनत्व (ρ): कमरा कितना भरा हुआ है। क्या वहाँ केवल कुछ ही कण हैं, या वे कंधे से कंधा मिलाकर पैक हैं?
गति (v₀): वे कितनी तेज़ी से चल रहे हैं।

नियम सरल है: प्रत्येक कण अपने पड़ोसियों की दिशा की नकल करने की कोशिश करता है। लेकिन यदि "शोर" बहुत अधिक है, तो वह भ्रमित हो जाता है। यदि भीड़ बहुत विरल है, तो वह किसी की नकल करने के लिए किसी को ढूँढ नहीं पाता।

2. रहस्य: व्यवस्था कब होती है?

द दशकों से, वैज्ञानिक इस बात पर बहस कर रहे हैं कि ये कण एक अराजक गैस से एक संगठित सेना में कब बदलते हैं।

अव्यवस्था चरण (The Disorder Phase): उच्च शोर या कम घनत्व। हर कोई गोल-गोल घूम रहा है।
व्यवस्था चरण (The Order Phase): कम शोर या उच्च घनत्व। हर कोई एक लय में मार्च कर रहा है।
सह-अस्तित्व चरण (The Coexistence Phase): एक अजीब मध्य क्षेत्र जहाँ आप मार्च करने वाले कणों की "बैंड्स" देखते हैं जो अराजक कणों के समुद्र के बीच से गुजर रही हैं, जैसे कि एक मोंश पिट (mosh pit) के बीच से एक परेड गुजर रही हो।

समस्या यह है कि ये चरण कहाँ मौजूद हैं, इसका "मानचित्र" धुंधला है। वैज्ञानिकों को सीमाओं का अनुमान लगाने के लिए सिमुलेशन (कंप्यूटर प्रयोग) चलाने पड़ते हैं, लेकिन वे शोर, घनत्व और गति के हर संयोजन का परीक्षण नहीं कर सकते। यह कुछ यादृच्छिक शहरों में तापमान की जाँच करके मौसम का नक्शा बनाने जैसा है।

3. समाधान: पैटर्न देखना सिखाने के लिए एक कंप्यूटर

इस शोध पत्र के लेखकों ने उनके लिए पूरा नक्शा बनाने के लिए मशीन लर्निंग का उपयोग करने का निर्णय लिया। उन्होंने इसे दो चरणों में किया:

चरण A: "क्लस्टरिंग" जासूस (अनसुपरवाइज्ड लर्निंग)
सबसे पहले, उन्होंने विभिन्न सेटिंग्स के साथ सैकड़ों सिमुलेशन चलाए। प्रत्येक सिमुलेशन के लिए, उन्होंने तीन चीजें मापीं:

व्यवस्था (Order): कण कितने संरेखित (aligned) हैं?
उतार-चढ़ाव (Fluctuation): समूह कितना हिल रहा है या डगमगा रहा है?
संवेदनशीलता (Sensitivity): समूह परिवर्तनों के प्रति कितनी आसानी से प्रतिक्रिया करता है?

उन्होंने इन नंबरों को K-Means नामक एक एल्गोरिदम में डाला। कल्पना कीजिए कि आपके पास रंगीन मार्बल्स (लाल, नीले और हरे) का एक मिला-जुला बैग है और आप उन्हें बिना यह जाने कि वे कौन से हैं, छाँटना चाहते हैं। K-Means एल्गोरिदम मार्बल्स को देखता है और कहता है, "ये 50 एक 'अव्यवस्था' समूह की तरह दिखते हैं, ये 30 एक 'व्यवस्था' समूह की तरह दिखते हैं, और ये 20 एक 'सह-अस्तित्व' समूह की तरह दिखते हैं।"

कंप्यूटर ने सफलतापूर्वक सिमुलेशन को इन तीन श्रेणियों में उच्च सटीकता के साथ वर्गीकृत किया।

चरण B: "भविष्यवक्ता" (न्यूरल नेटवर्क)
एक बार जब कंप्यूटर जान गया कि कौन से सिमुलेशन किस श्रेणी के हैं, तो उन्होंने एक न्यूरल नेटवर्क (AI का एक प्रकार जो उदाहरणों से सीखता है) को प्रशिक्षित किया।

इनपुट: कंप्यूटर को सेटिंग्स (शोर, घनत्व, गति) दी गईं।
आउटपुट: कंप्यूटर को चरण (अव्यवस्था, व्यवस्था, या सह-अस्तित्व) का अनुमान लगाना था।

AI ने उन उदाहरणों का अध्ययन किया जिन्हें उसने अभी-अभी वर्गीकृत किया था और सेटिंग्स को परिणाम से जोड़ने वाले छिपे हुए नियमों को सीखा। यह इतना कुशल हो गया कि यह देखे बिना भी किसी नए सिमुलेशन के चरण की 92% सटीकता के साथ भविष्यवाणी कर सकता था।

4. परिणाम: एक पूर्ण 3D मानचित्र

इस प्रशिक्षित AI का उपयोग करते हुए, लेखकों ने विकसेक मॉडल का एक पूर्ण, सुचारू 3D मानचित्र तैयार किया।

मानचित्र: केवल बिखरे हुए बिंदुओं के बजाय, अब उनके पास एक निरंतर परिदृश्य है जो दिखाता है कि अराजकता कहाँ समाप्त होती है और व्यवस्था कहाँ शुरू होती है।
खोज: उन्होंने पुष्टि की कि अराजक और संगठित दुनिया के बीच एक संकीरा, कठिन "सह-अस्तित्व" क्षेत्र मौजूद है। उन्होंने यह भी देखा कि कणों की गति ( $v_0$ ) बदलने से यह क्षेत्र कैसे खिंचता या सिकुड़ता है।

5. यह क्यों महत्वपूर्ण है

शोध पत्र निष्कर्ष निकालता है कि यह विधि एक शक्तिशाली नया उपकरण है। हर एकल परिदृश्य के लिए महंगे, समय लेने वाले कंप्यूटर सिमुलेशन चलाने के बजाय, वैज्ञानिक अब:

कुछ सिमुलेशन चला सकते हैं।
AI को पैटर्न सीखने दे सकते हैं।
AI का उपयोग बाकी के मानचित्र को तुरंत भरने के लिए कर सकते हैं।

यह डेटा बिंदुओं के विरल, पैच वाले संग्रह को सामूहिक गति कैसे काम करती है, इसके स्पष्ट, वैश्विक चित्र में बदल देता है। लेखक सुझाव देते हैं कि इस दृष्टिकोण का उपयोग अन्य जटिल प्रणालियों के अध्ययन के लिए किया जा सकता है जहाँ व्यक्तियों के समूह आपस में क्रिया करते हैं, जिससे हमें पक्षियों के झुंड से लेकर बैक्टीरिया की कॉलोनियों तक सब कुछ समझने में मदद मिलेगी।

संक्षेप में: उन्होंने एक कंप्यूटर को कुछ बिखरे हुए प्रयोगों को देखना, खेल के नियम समझना और फिर अराजकता से व्यवस्था कैसे उभरती है, इसका एक पूर्ण, विस्तृत मानचित्र बनाना सिखाया।

यहाँ ग्रेस टी. बाई और ब्रैंडन बी. ली के शोध पत्र "मैपिंग द फेज डायग्राम ऑफ द विकसेक मॉडल विद मशीन लर्निंग" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

विकसेक मॉडल (Vicsek model) एक मौलिक एजेंट-आधारित मॉडल है जिसका उपयोग सामूहिक गति (collective motion/active matter) के अध्ययन के लिए किया जाता है, जैसे कि पक्षियों का झुंड या बैक्टीरिया की कॉलोनियाँ। यह स्वयं-चालित कणों (self-propelled particles) का वर्णन करता है जो शोर (noise) की उपस्थिति में अपने पड़ोसियों की दिशा के साथ संरेखित होते हैं।

चुनौती: विकसेक मॉडल का फेज व्यवहार जटिल और ऐतिहासिक रूप से विवादास्पद रहा है। जहाँ शुरुआती अध्ययनों ने अव्यवस्था (disorder) से व्यवस्था (order) की ओर एक निरंतर द्वितीय-क्रम (second-order) संक्रमण का सुझाव दिया था, वहीं बाद के शोध ने यात्रा करने वाली घनत्व बैंडों (traveling density bands) के साथ एक प्रथम-क्रम (first-order) संक्रमण यानी सह-अस्तित्व चरण (coexistence phase) का तर्क दिया। इसके अलावा, बड़े सिस्टम साइज के लिए एक चौथा "क्रॉस-सी" (cross-sea) चरण भी पहचाना गया।
अंतराल (Gap): मौजूदा साहित्य अक्सर विरल (sparse) सिमुलेशन डेटा बिंदुओं पर निर्भर करता है। शोर ( $\eta$ ), घनत्व ( $\rho$ ), और वेग ( $v_0$ ) के तीन-आयामी पैरामीटर स्पेस में एक निरंतर, वैश्विक फेज डायग्राम बनाने के लिए एक व्यवस्थित पद्धति की आवश्यकता है।
उद्देश्य: चरणों को वर्गीकृत करने, सिमुलेशन बिंदुओं के बीच इंटरपोलेशन करने और अव्यवस्थित, व्यवस्थित और सह-अस्तित्व चरणों के बीच सटीक सीमाओं को हल करने के लिए मशीन लर्निंग का उपयोग करना।

2. कार्यप्रणाली (Methodology)

लेखकों ने एक दो-चरणीय मशीन लर्निंग पाइपलाइन का उपयोग किया: लेबल जनरेशन के लिए अनसुपरवाइज्ड क्लस्टरिंग (Unsupervised Clustering) और फेज मैपिंग के लिए सुपरवाइज्ड क्लासिफिकेशन (Supervised Classification)।

A. सिमुलेशन और डेटा जनरेशन

मॉडल कार्यान्वयन: विकसेक मॉडल के एक C++ कार्यान्वयन को सेल लिस्ट्स (Cell Lists) (पड़ोसी खोजने की जटिलता को $O(n^2)$ से $O(n)$ तक कम करने के लिए) और HPC क्लस्टर पर समानांतर प्रसंस्करण के लिए OpenMP का उपयोग करके अनुकूलित किया गया।
पैरामीटर्स: सिस्टम साइज $L=128$ , जिसमें स्वतंत्र पैरामीटर्स $\eta \in [0, 1]$ , $\rho \in [0.1, 3]$ , और $v_0 \in [0.01, 0.5]$ हैं।
सैंपलिंग: 3D स्पेस को कुशलतापूर्वक कवर करने के लिए लैटिन हाइपरक्यूब सैंपलिंग (LHS) का उपयोग करके 193 पैरामीटर बिंदुओं का चयन किया गया, ताकि महत्वपूर्ण क्षेत्रों पर गणना बर्बाद किए बिना समान कवरेज सुनिश्चित हो सके।
ट्रायल: प्रत्येक पैरामीटर बिंदु के लिए, स्टोकेस्टिसिटी (stochasticity) को ध्यान में रखते हुए 5 स्वतंत्र सिमुलेशन ट्रायल चलाए गए ( $10^6$ टाइम स्टेप्स प्रत्येक)।

B. फीचर एक्सट्रैक्शन (अवलोकनीय/Observables)

प्रत्येक सिमुलेशन ट्रायल के लिए, अवस्था को चित्रित करने के लिए तीन प्रमुख गतिशील अवलोकनीय (dynamical observables) की गणना की गई:

स्थिर ऑर्डर पैरामीटर ( $\langle \phi \rangle$ ): वैश्विक वेग वेक्टर के परिमाण का समय-औसत (यह संरेखण को मापता है)।
बाइंडर क्युमुलेन्ट ( $G$ ): ऑर्डर पैरामीटर का उतार-चढ़ाव मापने का एक पैमाना ( $1 - \langle \phi^4 \rangle / 3\langle \phi^2 \rangle^2$ ), जिसका उपयोग फेज के प्रकारों को अलग करने के लिए किया जाता है।
ससेप्टिबिलिटी ( $\chi$ ): ऑर्डर पैरामीटर का विचरण (variance), जो फेज ट्रांजिशन के समय चरम (peak) पर होता है।

C. अनसुपरवाइज्ड लेबलिंग (K-Means क्लस्टरिंग)

एल्गोरिदम: लेखकों ने लेबल जनरेशन के लिए DBSCAN, GMM, स्पेक्ट्रल क्लस्टरिंग और K-Means की तुलना की। सिलहूट स्कोर (Silhouette Score), डेविस-बोल्डिन इंडेक्स (Davies-Bouldin Index), और कैलिंस्की-हाराबज़ इंडेक्स (Calinski-Harabasz Index) के आधार पर 3 सेंट्रोइड्स के साथ K-Means को चुना गया।
प्रक्रिया: अवलोकनीय $(\langle \phi \rangle, G, \chi)$ $(⟨ ϕ ⟩, G, χ)$ को z-score के माध्यम से सामान्यीकृत (normalize) किया गया और क्लस्टर किया गया।
- क्लस्टर 0 (अव्यवस्था/Disorder): कम $\langle \phi \rangle$ , कम $G$ , कम $\chi$ ।
- क्लस्टर 1 (व्यवस्था/Order): उच्च $\langle \phi \rangle$ , $G \approx 0.66$ , कम $\chi$ ।
- क्लस्टर 2 (सह-अस्तित्व/Coexistence): मध्यवर्ती $\langle \phi \rangle$ , उच्च $G$ , और विशेष रूप से उच्च $\chi$ (जो फेज सेपरेशन को दर्शाता है)।
लेबल असाइनमेंट: प्रत्येक पैरामीटर बिंदु को उसके 5 ट्रायल्स के बहुमत वोट के आधार पर एक प्रमुख फेज लेबल सौंपा गया।

D. सुपरवाइज्ड क्लासिफिकेशन (न्यूरल नेटवर्क)

आर्किटेक्चर: एक पूर्णतः जुड़ा हुआ (fully connected) फीड-फॉरवर्ड न्यूरल नेटवर्क जिसमें एक हिडन लेयर (128 न्यूरॉन्स, ReLU एक्टिवेशन) और ओवरफिटिंग को रोकने के लिए ड्रॉपआउट (0.2) है।
इनपुट/आउटपुट: इनपुट पैरामीटर्स $(\eta, \rho, v_0)$ हैं; आउटपुट सॉफ्टमैक्स (Softmax) के माध्यम से तीन चरणों के लिए संभावनाएँ हैं।
ट्रेनिंग रणनीति:
- स्ट्रैटिफाइड स्प्लिट (Stratified Split): क्लास डिस्ट्रीब्यूशन को बनाए रखने के लिए 80% ट्रेनिंग, 20% टेस्टिंग।
- लॉस फंक्शन: क्लास असंतुलन को संभालने के लिए वेटेड क्रॉस-एन्ट्रॉपी (Weighted cross-entropy) (दुर्लभ सह-अस्तित्व चरण पर होने वाली त्रुटियों को अधिक दंडित करना)।
- ऑप्टिमाइज़र: $10^{-3}$ लर्निंग रेट के साथ Adam।

3. मुख्य योगदान (Key Contributions)

स्वचालित फेज लेबलिंग: यह प्रदर्शित किया गया कि बिना किसी मैनुअल थ्रेशोल्डिंग के, डायनेमिकल अवलोकनीय पर अनसुपरवाइज्ड K-Means क्लस्टरिंग का उपयोग करके अव्यवस्था, व्यवस्था और सह-अस्तित्व चरणों को मजबूती से अलग किया जा सकता है।
ग्लोबल फेज इंटरपोलेशन: मॉडल ने विरल सिमुलेशन डेटा को सफलतापूर्वक इंटरपोलेट किया, जिससे एक निरंतर 3D फेज डायग्राम तैयार हुआ जो मूल रूप से सैंपल किए गए बिंदुओं से भी आगे तक फैला हुआ है।
सह-अस्तित्व का समाधान: मॉडल ने व्यवस्थित और अव्यवस्थित चरणों के बीच एक संकीर्ण सह-अस्तित्व क्षेत्र (coexistence region) की सफलतापूर्वक पहचान की, जो बैंडिंग फेज के अस्तित्व की पुष्टि करता है।
मेथोडोलॉजिकल फ्रेमवर्क: विरल एजेंट-आधारित सिमुलेशन डेटा को ग्लोबल फेज मैप में बदलने के लिए एक पुनरुत्पादक (reproducible) पाइपलाइन स्थापित की।

4. परिणाम (Results)

वर्गीकरण सटीकता (Classification Accuracy): न्यूरल नेटवर्क ने 0.92 की टेस्टिंग सटीकता प्राप्त की।
फेज टोपोलॉजी:
- अव्यवस्थित चरण (Disordered Phase): उच्च शोर ( $\eta$ ) और निम्न घनत्व ( $\rho$ ) पर हावी रहता है।
- व्यवस्थित चरण (Ordered Phase): निम्न शोर और उच्च घनत्व पर हावी रहता है।
- सह-अस्तित्व चरण (Coexistence Phase): दोनों के बीच एक संकीर्ण बैंड मौजूद है, जिसकी विशेषता उच्च ससेप्टिबिलिटी है।
पैरामीटर निर्भरता:
- शोर ( $\eta$ ): फेज ट्रांजिशन का प्राथमिक चालक।
- घनत्व ( $\rho$ ): उच्च घनत्व क्रिटिकल नॉइज़ थ्रेशोल्ड ( $\eta_c$ ) को बढ़ाता है, जिससे उच्च शोर स्तरों पर भी व्यवस्था बनी रहती है।
- वेग ( $v_0$ ): उच्च $v_0$ सह-अस्तित्व बैंड की चौड़ाई को कम करता है। इसका श्रेय कणों के बीच बढ़ते इंटरैक्शन और इंटरैक्शन समय के सापेक्ष शोर के उतार-चढ़ाव में कमी को दिया जाता है।
विज़ुअलाइज़ेशन: परिणामी 3D फेज मैप (चित्र 2) और 2D स्लाइस (चित्र 3) स्पष्ट रूप से सीमाओं को रेखांकित करते हैं, जो दिखाते हैं कि ट्रांजिशन केवल एक सरल रेखा नहीं बल्कि एक जटिल क्षेत्र है जो तीनों मापदंडों के प्रति संवेदनशील है।

5. महत्व और भविष्य की दिशाएं (Significance and Future Directions)

वैज्ञानिक प्रभाव: यह अध्ययन एक डेटा-संचालित, उच्च-रिज़ॉल्यूशन मैप प्रदान करके विकसेक फेज ट्रांजिशन की अस्पष्टताओं को हल करता है। यह सह-अस्तित्व चरण के अस्तित्व की पुष्टि करता है और सिस्टम मापदंडों पर इसकी निर्भरता को मापता है।
व्यापक अनुप्रयोग: यह दृष्टिकोण उन जटिल एक्टिव मैटर सिस्टम के विश्लेषण के लिए एक व्यवस्थित तरीका प्रदान करता जहाँ विश्लेषणात्मक समाधान कठिन या असंभव हैं। यह मैकेनिस्टिक सिमुलेशन और ग्लोबल स्टैटिस्टिकल समझ के बीच के अंतर को पाटता है।
भविष्य का कार्य:
- प्रोबेबिलिस्टिक मैपिंग: मल्टीस्टेबिलिटी (multistability) के अध्ययन के लिए हार्ड क्लासिफिकेशन से हटकर 'संभावना' (probability) की भविष्यवाणी करना।
- हिस्टेरेसिस विश्लेषण (Hysteresis Analysis): यह जांचना कि पैरामीटर स्वीप (ऊपर या नीचे) कैसे अंतिम अवस्था को प्रभावित करता है।
- सघन सैंपलिंग (Dense Sampling): "क्रॉस-सी" चरण या स्मेक्टिक व्यवस्थाओं (smectic arrangements) के अध्ययन के लिए पहचानी गई सीमाओं का उपयोग करना।

निष्कर्षतः, यह शोध पत्र प्रभावी ढंग से प्रदर्शित करता है कि हाई-परफॉर्मेंस सिमुलेशन को अनसुपरवाइज्ड और सुपरवाइज्ड मशीन लर्निंग के साथ जोड़ने से एक्टिव मैटर सिस्टम के जटिल फेज व्यवहार को मैप करने के लिए एक शक्तिशाली उपकरण प्राप्त होता है।