🔬 condensed matter

Quantifying information flow along a stochastic trajectory

यह शोध पत्र टाइम-सीरीज़ डेटा से स्टोकेस्टिक इंफॉर्मेशन फ्लो (SIF) के अनुमान में कम्प्यूटेशनल बाधाओं को दूर करने के लिए एक स्केलेबल डीप-लर्निंग पद्धति प्रस्तावित करता है, जो सैद्धांतिक मॉडलों और अनुभवजन्य जैविक प्रक्षेपवक्रों (biological trajectories) में सहकारी संरचनाओं के एक डेटा-संचालित संकेतक के रूप में अपनी उपयोगिता प्रदर्शित करता है।

मूल लेखक: Yongjae Oh, Euijoon Kwon, Yongjoo Baek

प्रकाशित 2026-05-14

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yongjae Oh, Euijoon Kwon, Yongjoo Baek

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 भीड़ भरे डांस फ्लोर को देख रहे हैं। अतीत में, वैज्ञानिक जो यह समझने की कोशिश करते थे कि नर्तक एक-दूसरे के साथ कैसे परस्पर क्रिया (interact) करते हैं, वे कमरे के पिछले हिस्से में खड़े होकर सभी की गतिविधियों का एक औसत (average) लेते थे। वे पूछते थे, "औसतन, इन दो लोगों के बारे में एक-दूसरे को कितना पता है?" यह पूरे कमरे की एक धुंधली, स्थिर फोटो देखने जैसा है। यह आपको सामान्य माहौल तो बताता है, लेकिन यह उन विशिष्ट, क्षणिक पलों को छोड़ देता है जहाँ एक नर्तक नेतृत्व करता है और दूसरा अनुसरण करता है।

यह शोध पत्र (paper) डांस फ्लोर को देखने का एक नया तरीका पेश करता है: स्टोकेस्टिक इंफॉर्मेशन फ्लो (Stochastic Information Flow - SIF)। एक धुंधले औसत के बजाय, SIF एक अकेले नर्तक के पथ (path) के साथ समय के साथ बहने वाली "सूचना" (information) का पता लगाता है। यह इस प्रश्न का उत्तर देता है: "अभी, क्या यह नर्तक अपने साथी से कुछ नया सीख रहा है, या वह इसे भूल रहा है?"

यहाँ सरल उपमाओं (analogies) का उपयोग करके इस शोध पत्र के मुख्य विचारों का विवरण दिया गया है:

1. "औसत" सोच के साथ समस्या

पारंपरिक रूप से, वैज्ञानिक यह मापने के लिए कि दो चीजें एक-दूसरे से कितनी जुड़ी हुई हैं, "म्युचुअल इंफॉर्मेशन" (Mutual Information) नामक एक उपकरण का उपयोग करते थे। म्युचुअल इंफॉर्मेशन को एक सममित हैंडशेक (symmetric handshake) के रूप में सोचें। यदि आप किसी से हाथ मिलाते हैं, तो हैंडशेक दोनों के लिए एक समान होता है। यह यह नहीं बताता कि किसने चाल शुरू की या कौन नृत्य का नेतृत्व कर रहा है।

वास्तविक दुनिया में, सूचना अक्सर एक दिशा में बहती है। एक कण दूसरे को "सिखा" सकता है, या एक कोशिका दूसरे का "अनुसरण" कर सकती है। पुराने उपकरण इस दिशात्मकता (directionality) को नहीं देख सके, विशेष रूप से तब जब दोनों चीजें समान (जैसे दो समान नर्तक) हों। यदि वे समान होते, तो पुराने उपकरण कहते, "कुछ भी नहीं हो रहा है," भले ही वे लगातार नेता और अनुयायी की भूमिकाएं बदल रहे हों।

2. नया उपकरण: "स्टोकेस्टिक" पथ को ट्रैक करना

लेखक स्टोकेस्टिक इंफॉर्मेशन फ्लो (SIF) का प्रस्ताव करते हैं। कल्पना कीजिए कि आपने हर नर्तक की कलाई पर एक छोटा कैमरा लगा दिया है। यह कैमरा केवल यह रिकॉर्ड नहीं करता कि वे कहाँ हैं; यह उनकी गति की कहानी रिकॉर्ड करता है।

"सीखने" का क्षण: यदि नर्तक A इस तरह से चलता है जो नर्तक B को यह अनुमान लगाने में मदद करता है कि नार्थक A आगे कहाँ जाएगा, तो नर्तक B ने कुछ "सीखा" है। SIF इस लाभ (gain) को मापता है।
"भूलने" का क्षण: यदि नर्तक A यादृच्छिक (randomly) रूप से चलता है, तो नर्तक B अपनी भविष्यवाणी करने की क्षमता खो देता है। SIF इस हानि (loss) को मापता है।

यह महत्वपूर्ण है क्योंकि, समान कणों के एक सिस्टम में, "औसत" सूचना प्रवाह शून्य हो सकता है (क्योंकि कभी A, B का नेतृत्व करता है, और कभी B, A का)। लेकिन SIF उतार-चढ़ाव (fluctuations) को देख सकता है। यह कह सकता है, "भले ही औसत शून्य है, लेकिन ठीक इस सेकंड, A, B के लिए एक 'मैक्सवेल के डेमन' (एक छोटा, अदृश्य मार्गदर्शक) की तरह कार्य कर रहा है।"

3. "दो-कणों" का नृत्य

यह साबित करने के लिए कि यह काम करता है, लेखकों ने इसे दो कणों के मॉडल पर परखा जो एक स्प्रिंग से जुड़े हुए हैं, और एक गर्म तरल (जैसे पानी में पराग) में उछल रहे हैं।

अवलोकन: उन्होंने कणों को एक घेरे में एक-दूसरे का पीछा करते देखा। कभी एक कण दूर भागता है, और दूसरा उसका अनुसरण करता है।
परिणाम: उन्होंने पाया कि जब कण एक विशिष्ट "शिकारी-शिकार" (predator-prey) घेरे में चलते हैं, तो SIF बढ़ जाता है। इसने दिखाया कि एक कण दूसरे के बारे में जानकारी को सक्रिय रूप से "मिटा" रहा है (दूर जाने की कोशिश कर रहा है) या जानकारी "प्राप्त" कर रहा है (पकड़ने की कोशिश कर रहा है)। पुराने उपकरण केवल यह कहते, "वे केवल कंपन कर रहे हैं," लेकिन SIF ने सूचना के छिपे हुए नृत्य को प्रकट कर दिया।

4. "AI" समाधान: न्यूरल नेटवर्क जासूस

एक बड़ी समस्या थी: जटिल प्रणालियों के लिए SIF की गणना करना अविश्वसनीय रूप से कठिन है। यह एक स्टेडियम में हर व्यक्ति के सटीक पथ की गणना हाथ से करने की कोशिश करने जैसा है। यदि सिस्टम में बहुत अधिक चर (variables) हैं (जैसे हजारों की भीड़), तो गणित असंभव हो जाता है।

इसे हल करने के लिए, लेखकों ने एक न्यूरल एस्टिमेटर ऑफ स्टोकेस्टिक इंफॉर्मेशन फ्लो (NESIF) बनाया।

उपमा: कल्पना कीजिए कि एक सुपर-स्मार्ट जासूस (न्यूरल नेटवर्क) नृत्य के हजारों घंटों के फुटेज को देखता है। डेटा को मैन्युअल रूप से कैलकुलेट करने के बजाय, जासूस सूचना प्रवाह के पैटर्न को पहचानना सीख जाता है।
यह कैसे काम करता है: AI डेटा (समय के साथ कणों की स्थिति) को देखता है और "आश्चर्य" (surprise) के कारक की भविष्यवाणी करना सीखता है। यदि AI कण A के वर्तमान कदम के आधार पर कण B के अगले कदम की भविष्यवाणी कर सकता है, तो वह जानता है कि सूचना बह रही है।
परीक्षण: उन्होंने इस AI का परीक्षण मोतियों की एक श्रृंखला (जैसे एक हार) पर किया और पाया कि यह सूचना प्रवाह को सटीक रूप से माप सकता है, भले ही श्रृंखला बहुत लंबी हो, जो कि पिछली विधियाँ नहीं कर सकी थीं।

5. वास्तविक दुनिया का अनुप्रयोग: कोशिका नृत्य

अंत में, उन्होंने अपने AI जासूस को वास्तविक जैविक डेटा पर लागू किया: एक संकीर्ण चैनल में चलती मानव कोशिकाएं।

सेटअप: उन्होंने दो प्रकार की कोशिकाओं को देखा: सामान्य कोशिकाएं और कैंसर कोशिकाएं। जब ये कोशिकाएं एक-दूसरे से टकराती हैं, तो वे या तो एक-दूसरे के बगल से "फिसल" जाती हैं या दिशा "बदल" लेती हैं।
आश्चर्य: यदि आप कोशिकाओं के बीच "औसत" संबंध को देखते, तो दोनों समूह एक जैसे दिखते। पुराने उपकरण कोई अंतर नहीं देख पाते।
SIF खोज: AI ने, हालांकि, एक बड़ा अंतर देखा।
- कैंसर कोशिकाएं बहुत अधिक सूचना का आदान-प्रदान करती थीं। वे लगातार एक-दूसरे से "बात" कर रही थीं, भले ही वे बस एक-दूसरे के बगल से गुजर रही हों।
- सामान्य कोशिकाएं बहुत कम सूचना का आदान-प्रदान करती थीं।
- विशेष रूप से, जब कैंसर कोशिकाएं दिशा बदलती थीं, तो वे बहुत अधिक सूचना साझा करती थीं, जबकि सामान्य कोशिकाएं नहीं करती थीं।

सारांश

यह शोध पत्र हमें केवल एक नया गणितीय सूत्र नहीं देता; यह हमें एक नया चश्मा देता है।

पुराना चश्मा: हमें चीजों के बीच औसत, स्थिर संबंध दिखाता है (जैसे एक धुंधली फोटो)।
नया चश्मा (SIF + AI): हमें सूचना के गतिशील, क्षण-दर-क्षण प्रवाह को दिखाता है (जैसे एक हाई-स्पीड वीडियो)।

इस नई पद्धति का उपयोग करके, लेखकों ने दिखाया कि भले ही ऐसे सिस्टम में चीजें औसत पर समान और संतुलित दिखती हों, फिर भी व्यक्तिगत स्तर पर सूचना के आदान-प्रदान का एक छिपा हुआ, अराजक नृत्य चल रहा होता है। उन्होंने सिद्ध किया कि कैंसर कोशिकाएं सामान्य कोशिकाओं की तुलना में आपस में टकराने के दौरान अधिक "बातूनी" और सूचना-समृद्ध होती हैं, एक ऐसा विवरण जो पिछली विधियों के लिए अदृश्य था।

तकनीकी सारांश: एक स्टोकेस्टिक प्रक्षेपवक्र (Stochastic Trajectory) के साथ सूचना प्रवाह का परिमाणीकरण

समस्या विवरण
स्टोकेस्टिक थर्मोडायनामिक्स ने छोटे सिस्टम का वर्णन करने के लिए थर्मोडायनामिक मात्राओं को प्रक्षेपवक्र-स्तरीय फलन (trajectory-level functionals) के रूप में सफलतापूर्वक पुनर्परिभाषित किया है। इसके साथ ही, सूचना सिद्धांत को मुख्य रूप से म्यूचुअल इंफॉर्मेशन (mutual information) के माध्यम से मैक्सवेल के डेमन (Maxwell's demon) जैसे विरोधाभासों को सुलझाने के लिए इस ढांचे में एकीकृत किया गया है। हालांकि, म्यूचुअल इंफॉर्मेशन सममित (symmetric) है और इसमें डायनेमिक्स पर स्पष्ट निर्भरता का अभाव है, जो इसे निर्देशित सूचना प्रवाह (directed information flow) को मापने के लिए अनुपयुक्त बनाता है। जबकि "सूचना प्रवाह" (Information Flow - IF) दिशात्मकता को संबोधित करता है, यह एक एन्सेम्बल-औसतित (ensemble-averaged) मात्रा है जो समान उप-प्रणालियों (subsystems) के लिए स्थिर अवस्थाओं (steady states) में शून्य हो जाती है। उप-प्रणालियों द्वारा स्रोत और प्राप्तकर्ता के रूप में भूमिकाओं को बारी-बारी से निभाने के दौरान, उतार-चढ़ाव वाले, प्रक्षेपवक्र-वार सूचना विनिमय को पकड़ने के लिए "स्टोकेस्टिक इंफॉर्मेशन फ्लो" (Stochastic Information Flow - SIF) की अवधारणा पेश की गई थी। इसके सैद्धांतिक उपयोग के बावजूद, SIF का अनुभवजन्य अनुप्रयोग गणनात्मक कठिनाइयों, विशेष रूप से इसके गणना के लिए आवश्यक उच्च-आयामी स्थिर-अवस्था संभाव्यता वितरणों के अनुमान में "डायमेंशनलिटी के अभिशाप" (curse of dimensionality) द्वारा बाधित हुआ है।

कार्यप्रणाली
लेखक एक स्केलेबल डीप-लर्निंग विधि, 'न्यूरल एस्टिमेटर ऑफ स्टोकेस्टिक इंफॉर्मेशन फ्लो' (NESIF), प्रस्तावित करते हैं, जो बिना स्थिर-अवस्था वितरणों के विश्लेषणात्मक समाधानों की आवश्यकता के, सामान्य टाइम-सीरीज डेटा से SIF का अनुमान लगाती है।

सैद्धांतिक सूत्रीकरण:
- SIF को $\dot{J}_{X_t}$ द्वारा दर्शाया जाता है, जिसे एक उप-प्रणाली की अवस्था के सापेक्ष स्टोकेस्टिक म्यूचुअल इंफॉर्मेशन (SMI) के समय व्युत्पन्न (time derivative) के रूप में परिभाषित किया गया है। निरंतर लैंघ्विन (Langevin) प्रणालियों के लिए, इसे $\dot{J}_X = \nabla_x \ln p_{Y_t|X_t}(x, Y_t)|_{x=X_t} \circ \dot{X}_t$ के रूप में व्यक्त किया जाता है, जहाँ $\circ$ स्ट्रैटोनोविच उत्पाद (Stratonovich product) को दर्शाता है।
- SIF यह मात्रा निर्धारित करता है कि प्रक्षेपवक्र $X_t \to X_{t+dt}$ के कारण उप-प्रणाली $X$ के पास $Y$ के बारे में कितनी तात्कालिक सूचना होती है। धनात्मक मान इंगित करते हैं कि $X$ , $Y$ के बारे में "सीख" रहा है, जबकि ऋणात्मक मान "भूलने" (forgetting) को इंगित करते हैं।
न्यूरल एस्टीमेशन (NESIF):
- यह विधि म्यूचुअल इंफॉर्मेशन न्यूरल एस्टिमेटर (MINE) का लाभ उठाती है। MINE पॉइंटवाइज म्यूचुअल इंफॉर्मेशन (PMI), $i_{X,Y}(x,y) = \ln \frac{p_{X,Y}(x,y)}{p_X(x)p_Y(y)}$ को अनुमानित करने के लिए एक न्यूरल नेटवर्क को प्रशिक्षित करने हेतु म्यूचुअल इंफॉर्मेशन के एक वेरिएशनल प्रतिनिधित्व का उपयोग करता है।
- SIF का अनुमान सीखे गए PMI के समय व्युत्पन्न को अनुमानित करके लगाया जाता है: $\hat{\dot{J}}_{X_t} \approx \frac{i_{\theta^*}(X_{t+\Delta t}, Y_t) - i_{\theta^*}(X_t, Y_t)}{\Delta t}$ ।
- इस दृष्टिकोण को अनुमान प्रदर्शन को अनुकूलित करने के लिए $\alpha$ -डाइवर्जेंस सामान्यीकरणों (परिशिष्ट C) का उपयोग करके मान्य किया जाता है।

मुख्य परिणाम
SIF की उपयोगिता और NESIF की विश्वसनीयता को तीन विशिष्ट भौतिक प्रणालियों में प्रदर्शित किया गया है:

सटीक रूप से हल करने योग्य टू-पार्टिकल मॉडल:
- तापीय संतुलन में दो युग्मित ओवरडैम्प्ड ब्राउनियन कणों के एक सिस्टम में, एन्सेम्बल-औसतित IF शून्य है। हालांकि, SIF गैर-तुच्छ प्रक्षेपवक्र संरचनाओं (non-trivial trajectory structures) को प्रकट करता है।
- समय-एकीकृत SIF ( $J_X$ ) को स्टोकेस्टिक क्षेत्र ( $A_{XY}$ ) के साथ, जो अपरिवर्तनीयता (irreversibility) का एक माप है, प्रति-सहसंबंधित (anticorrelated) पाया गया है।
- चरम SIF मानों वाले प्रक्षेपवक्र विशिष्ट गतिशील व्यवहारों से मेल खाते हैं: "शिकारी-शिकार" (predator-prey) जैसे पीछा करना या बचना। इन मामलों में, एक कण दूसरे के लिए मैक्सवेल के डेमन के रूप में कार्य करता है, जो वैश्विक संतुलन के बावजूद, स्टोकेस्टिक रूप से सूचना प्राप्त करता या मिटाता है।
N-बीड हार्मोनिक चेन (N-Bead Harmonic Chain):
- स्केलेबिलिटी का परीक्षण करने के लिए $N$ युग्मित ऑसिलेटर्स की एक श्रृंखला पर NESIF लागू किया गया था।
- विधि ने पर्याप्त डेटासेट आकार ( $M=10^7$ ) दिए जाने पर $N=256$ तक SIF के स्केल्ड वेरिएंस ( $D_{J_{X_1}}$ ) को उच्च सटीकता ( $R^2 \approx 1$ ) के साथ सफलतापूर्वक अनुमानित किया।
- यह पुष्टि करता है कि NESIF एक विश्वसनीय, स्केलेबल एस्टिमेटर है जो उन उच्च-आयामी डिग्री ऑफ फ्रीडम को संभालने में सक्षम है जहाँ पारंपरिक हिस्टोग्राम-आधारित विधियाँ विफल हो जाती हैं।
कुरामोटो ऑसिलेटर्स (Kuramoto Oscillators):
- विपरीत रूप से संचालित ऑसिलेटर्स वाले एक नॉइजी कुरामोटो मॉडल में, औसत SIF शून्य के करीब रहता है। हालांकि, SIF का वेरिएंस (variance) सिंक्रोनाइजेशन फेज ट्रांजिशन के एक संवेदनशील संकेतक के रूप में कार्य करता है।
- SIF का वेरिएंस क्रिटिकल टेम्परेचर के पास चरम पर होता है, जो सिंक्रोनाइज्ड फेज में बढ़ी हुई सहकारी सूचना विनिमय (cooperative information exchange) को दर्शाता है, एक ऐसी विशेषता जिसे औसत SIF नहीं पकड़ पाता है।
अनुभवजन्य सेल डायनेमिक्स (Empirical Cell Dynamics):
- विधि को परस्पर क्रिया करने वाली मानव स्तन एपिथेलियल कोशिकाओं (कैंसरयुक्त MDA-MB-231 बनाम गैर-कैंसरयुक्त MCF10A) के अनुभवजन्य प्रक्षेपवपथों पर लागू किया गया।
- जहाँ म्यूचुअल इंफॉर्मेशन दोनों प्रकार की कोशिकाओं के बीच अंतर करने में विफल रहा, वहीं SIF वेरिएंस ने महत्वपूर्ण अंतर प्रकट किए। कैंसरयुक्त कोशिकाओं में उच्च SIF वेरिएंस देखा गया, जो "स्लाइड" घटनाओं और "रिवर्स" घटनाओं के दौरान होने वाले जोरदार सूचना विनिमय द्वारा संचालित था।
- यह जटिल, गैर-संतुलन जैविक डेटा में सहकारी संरचनाओं को उजागर करने की SIF की क्षमता को प्रदर्शित करता है।

महत्व और दावे
लेख दावा करता है कि SIF सूचना विनिमय और मैक्सवेल के डेमन प्रभावों के लिए एक सिद्धांत-आधारित, प्रक्षेपवक्र-स्तरीय संकेतक प्रदान करता है, विशेष रूप से उन प्रणालियों में जहाँ एन्सेम्बल-औसतित मात्राएं (जैसे म्यूचुअल इंफॉर्मेशन या मानक IF) शून्य होती हैं या डायनेमिक्स को पकड़ने में विफल रहती हैं। प्राथमिक योगदान NESिफ (NESIF) की स्थापना है, जो एक डेटा-संचालित ढांचा है जो जटिल, उच्च-आयामी प्रणालियों में SIF की गणना करने की कम्प्यूटेशनल बाधाओं को दूर करता है।

लेखक का तर्क है कि NESIF एक बहुमुखी उपकरण है जो अराजक प्रणालियों (chaotic systems), तंत्रिका नेटवर्क (neural networks), जैव रासायनिक नेटवर्क और सामाजिक-आर्थिक प्रणालियों सहित विविध टाइम-सीरीज डेटा पर लागू किया जा सकता है। वे इस बात पर जोर देते हैं कि SIF "नई सूचना विनिमय संरचनाओं" को प्रकट कर सकता है जो एन्सेम्बल-औसतित मात्राओं में अदृश्य होती हैं। यह कार्य औसत स्तर से परे सामूहिक व्यवहारों के अंतर्निहित सहकारी संरचनाओं को समझने की दिशा में एक कदम के रूप में प्रस्तुत किया गया है, जिसमें यह चेतावनी भी दी गई है कि वर्तमान विधि मानती है कि सिस्टम एक स्थिर अवस्था (steady state) में है, जो भविष्य के कार्य के लिए ट्रांजिएंट स्टेट विश्लेषण (transient state analysis) का सुझाव देती है।