Hierarchical Neural Filtering of Nuclear Mass Residuals and Spectral Signatures of Quantum Chaos

तकनीकी सारांश: परमाणु द्रव्यमान अवशेषों और क्वांटम अराजकता के स्पेक्ट्रल हस्ताक्षरों का पदानुक्रमित न्यूरल फ़िल्टरिंग (Hierarchical Neural Filtering)

समस्या विवरण
परमाणु नाभिक जैसे जटिल क्वांटम अनेक-निकाय प्रणालियों (many-body systems) में, नियमित सामूहिक गति (collective motion) अनियमित अंतर्निहित गतिकी (intrinsic dynamics) के साथ सह-अस्तित्व में रहती है। जबकि वैश्विक सैद्धांतिक द्रव्यमान मॉडल (जैसे कि मैक्रोस्कोपिक-माइक्रोस्कोपिक या सेल्फ-कंसिस्टेंट मीन-फील्ड दृष्टिकोण) परमाणु बंधन ऊर्जाओं के सुचारू रुझानों का सफलतापूर्वक वर्णन करते हैं, वे अनिवार्य रूप से कुछ अवशेष (residuals) छोड़ देते हैं। इस क्षेत्र में एक केंद्रीय प्रश्न यह है कि क्या ये अवशेष केवल मॉडल की कमियां हैं या वे अंतर्निहित, अपरिहार्य क्वांटम-अराजक अनेक-निकाय प्रभावों को कूटबद्ध (encode) करते हैं। विशेष रूप से, लेखक इस बात की जांच करते हैं कि क्या परमाणु द्रव्यमान अवशेषों में शेष उतार-चढ़ाव में संरचित जटिलता ($1/f$ स्पेक्ट्रल सहसंबंध और स्पेक्ट्रल रिजिडिटी/स्पेक्ट्रल कठोरता) मौजूद है या वे पूरी तरह से स्टोकेस्टिक (यादृच्छिक) हैं। मौजूदा मशीन लर्निंग दृष्टिकोण अक्सर पूर्ण द्रव्यमान सतह को सीखने के लिए पूर्वानुमान सटीकता को अधिकतम करने पर ध्यान केंद्रित करते हैं; यह कार्य यह प्रतिपादित करता है कि न्यूरल नेटवर्क को विशेष रूप से अवशेषों पर लागू नियंत्रित गैररेखीय फिल्टर (nonlinear filters) के रूप में उपयोग करना, इन उतार-चढ़ाव के अंतर्निहित भौतिकी को अलग करने के लिए एक अधिक कठोर नैदानिक उपकरण प्रदान करता है।

कार्यप्रणाली (Methodology)
लेखक एक पदानुक्रमित अवशेष अपघटन (Hierarchical Residual Decomposition - HRD) ढांचे का प्रस्ताव करते हैं, जो एक फिजिक्स-इन्फॉर्म्ड न्यूरल एन्सेम्बल (Physics-Informed Neural Ensemble - PINE) मॉडल में परिणत होता है। कार्यप्रणाली इस प्रकार है:

1. अवशेष परिभाषा (Residual Definition): इनपुट एक द्रव्यमान अवशेष $\Delta M(Z, N) = M_{exp}(Z, N) - M_{model}(Z, N)$ है, जिसे तीन विशिष्ट वैश्विक द्रव्यमान मॉडलों: डफलो-ज़ुकर (DZ10), फाइनाइट-रेंज ड्रॉपलेट मॉडल (FRDM), और हार्ट्री-फॉक-बोगोलियुबोव (HFB24) के विरुद्ध गणना किया गया है।
2. पदानुक्रमित फ़िल्टरिंग (Hierarchical Filtering): एकल नेटवर्क के बजाय, लेखक अवशेषों पर पुनरावर्ती रूप से प्रशिक्षित किए गए न्यूरल नेटवर्कों के एक अनुक्रम का उपयोग करते हैं।
   • वास्तुकला (Architecture): पदानुक्रम वैश्विक सुचारू सन्निकटन (smooth approximation) के लिए फुली कनेक्टेड फीडफॉरवर्ड न्यूरल नेटवर्क (FFNN) और विशिष्ट अवशेष क्षेत्रों (जैसे, शेल-प्रधान बनाम विरूपण-प्रधान क्षेत्रों) में अनुकूल रूप से विशेषज्ञता हासिल करने के लिए मिक्सचर-ऑफ-एक्सपर्ट्स (MoE) वास्तुकला का उपयोग करता है।
   • प्रक्रिया: प्रत्येक चरण $i$ पर, एक नेटवर्क $f_i$ को पिछले चरण से प्राप्त अवशेष क्षेत्र $\Delta M_{i-1}$ पर प्रशिक्षित किया जाता है। नया अवशेष $\Delta M_i = \Delta M_{i-1} - f_i$ होता है।
   • नियमितीकरण रणनीति (Regularization Strategy): प्रशिक्षण की शुरुआत व्यापक, दीर्घ-रेंज सहसंबंधों को पकड़ने के लिए मजबूत $L_2$ रेगुलराइजेशन के साथ होती है। मॉडल की क्षमता बढ़ाने के लिए रेगुलराइजेशन को धीरे-धीरे कम किया जाता है, जिससे नेटवर्क स्थानीयकृत, लघु-रेंज अराजक उतार-चढ़ाव को हल करने और दबाने में सक्षम होता है।
3. एन्सेम्बल निर्माण (PENSE): अंतिम PINE मॉडल छह स्वतंत्र रूप से फ़िल्टर किए गए अवशेष क्षेत्रों (तीन आधार मॉडलों के लिए FFNN और MoE वेरिएंट) का एक भारित रैखिक संयोजन (weighted linear combination) है। भार को समग्र पूर्वानुमान त्रुटि को न्यूनतम करने के लिए अनुकूलित किया जाता है, जबकि उन संरचनाओं को संरक्षित किया जाता है जो विभिन्न भौतिक विवरणों में सुदृढ़ हैं।
4. स्पेक्ट्रल डायग्नोस्टिक्स (Spectral Diagnostics): सहसंबंधों के दमन को मापने के लिए, लेखक निम्नलिखित का अनुप्रयोग करते हैं:
   • एक-आयामी फूरियर विश्लेषण (One-dimensional Fourier Analysis): 2D परमाणु चार्ट को 1D अनुक्रमों में मैप करने के लिए दो पूरक "बौस्ट्रोफेडोन" (boustrophedon) क्रमों (द्रव्यमान-आधारित और शेल-दूरी-आधारित) का उपयोग करना।
   • दो-आयामी फूरियर विश्लेषण (Two-dimensional Fourier Analysis): अनुक्रमिक व्यवस्था संबंधी त्रुटियों (ordering artifacts) के बिना स्थानिक सहसंबंधों का विश्लेषण करने के लिए सीधे $(Z, N)$ लैटिस पर किया गया विश्लेषण।
   • स्पेक्ट्रल रिजिडिटी ($\Delta_3$): डायसन-मेहटा सांख्यिकी (Dyson–Mehta statistic) का उपयोग दीर्घ-रेंज संचयी सहसंबंधों की निरंतरता को मापने के लिए किया जाता है।

प्रमुख योगदान

• नियंत्रित गैररेखीय फ़िल्टरिंग (Controlled Nonlinear Filtering): यह शोध पत्र न्यूरल नेटवर्क को केवल भविष्य कहने वाले उपकरणों के रूप में नहीं, बल्कि अवशेषों से सुसंगत संरचनाओं को व्यवस्थित रूप से निकालने और दबाने के लिए डिज़ाइन किए गए स्पेक्ट्रल फिल्टर के रूप में पुनर्गठित करता है।
• पदानुक्रमित अपघटन (Hierarchical Decomposition): HRD ढांचा नेटवर्क क्षमता और रेगुलराइजेशन को बदलकर अवशेष गतिकी को वैश्विक (निम्न-आवृत्ति), मध्यवर्ती और स्थानीयकृत (उच्च-आवृत्ति) घटकों में सफलतापूर्वक अलग करता है।
• अराजकता का मात्रात्मक निदान (Quantitative Diagnostic of Chaos): यह अध्ययन परमाणु द्रव्यमान अवशेषों को व्हाइट-नॉइज़ (white-noise) सीमा की ओर ले जाने के लिए आवश्यक "रिज़ॉल्यूशन थ्रेशोल्ड" का मात्रात्मक माप प्रदान करता है, जिससे स्केल-डिपेंडेंट (पैमाने-निर्भर) जटिलता का निदान होता है।

परिणाम

• निम्न-आवृत्ति सहसंबंधों का दमन: तीनों आधार मॉडलों से अवशेष, मजबूत निम्न-आवृत्ति प्रभुत्व (तीव्र नकारात्मक स्पेक्ट्रल ढलान के साथ, जो सुसंगत, दीर्घ-रेंज संरचनाओं को दर्शाता है) प्रदर्शित करते हैं। HRD फ़िल्टरिंग के बाद, स्पेक्ट्रल ढलान शून्य की ओर गिर जाते हैं (उदाहरण के लिए, द्रव्यमान-आधारित क्रम के लिए DZ-MoE के लिए $\approx -0.95$ से $\approx -0.06$ तक)।
• व्हाइट नॉइज़ की ओर संक्रमण: PINE अवशेषों के फूरियर पावर स्पेक्ट्रा पूरे आवृत्ति रेंज में काफी सपाट हो जाते हैं। रेडियल पावर स्पेक्ट्रम ढलान $\approx -1.726$ (औसत मॉडल) से सुधरकर $\approx -0.211$ (PINE) हो जाता है, जो व्हाइट-नॉइज़ सीमा के करीब पहुँच जाता है।
• स्पेक्ट्रल रिजिडिटी का उन्मूलन: डायसन-मेहटा $\Delta_3$ सांख्यिकी, जो दीर्घ-रेंज रिजिडिटी का एक माप है, औसत मॉडल में $\approx 270$ से नाटकीय रूप से गिरकर PINE मॉडल में $\approx 1.19$ हो जाता है। यह क्वांटम-अराजक प्रणालियों की विशेषता वाले दृढ़, सामूहिक सहसंबंधों के लगभग पूर्ण उन्मूलन को दर्शाता है।
• शेष उतार-चढ़ाव का स्थानीयकरण: PINE मॉडल में शेष उतार-चढ़ाव मुख्य रूप से स्थानीयकृत, खंडित और उच्च आवृत्तियों पर केंद्रित होते हैं। वे परमाणु चार्ट में कम सुसंगत हैं और वैश्विक शेल संरचनाओं पर कमजोर निर्भरता दिखाते हैं, विशेष रूप से HFB और DZ मॉडलों में।
• मॉडल स्वतंत्रता: DZ, FRDM और HFB मॉडलों की विभिन्न व्यवस्थित कमियों के बावजूद, तीनों से फ़िल्टर किए गए अवशेष एक समान कमजोर रूप से सहसंबंधित शासन की ओर अभिसरित होते हैं, जो यह सुझाव देता है कि पदानुक्रमित शिक्षण प्रक्रिया सफलतापूर्वक सीखने योग्य वैश्विक भौतिकी को अलग करती है।

महत्व और दावे
लेखक दावा करते हैं कि पदानुक्रमित न्यूरल फ़िल्टरिंग दृष्टिकोण परमाणु अनेक-निकाय समस्या की "अपरिहार्य" जटिलता को प्रभावी ढंग से अलग करता है। अवशेषों को व्हाइट-नॉइज़ सीमा की ओर ले जाकर, यह ढांचा प्रदर्शित करता है कि द्रव्यमान विचलन में प्रमुख निम्न-आवृत्ति सहसंबंध काफी हद तक व्यवस्थित और सीखने योग्य (मीन-फील्ड प्रभावों, शेल विकास और सामूहिक रुझानों से जुड़े) हैं। केवल कमजोर, स्थानीयकृत उच्च-आवृत्ति उतार-चढ़ाव की निरंतरता यह सुझाव देती है कि शेष विचलन लघु-रेंज अनेक-निकाय प्रभावों, स्थानीय शेल उतार-चढ़ाव और स्टोकेस्टिक योगदानों द्वारा शासित होते हैं जो बड़े पैमाने पर सुसंगत रूप से संगठित नहीं होते हैं।

यह शोध पत्र दावा करता है कि यह पद्धति एक सामान्य स्पेक्ट्रल फ़िल्टरिंग टूल के रूप में कार्य करती है जो अवशेष गतिकी को वैश्विक, मध्यवर्ती और स्थानीयकृत घटकों में विभाजित करने में सक्षम है। यह परमाणु द्रव्यमान विचलन की अंतर्निहित स्केल-डिपेंडेंट जटिलता के लिए एक मात्रात्मक निदान प्रदान करता है, जो मॉडल की कमियों और अंतर्निहित अनेक-निकाय गतिकी के बीच अंतर करता है। लेखक उल्लेख करते हैं कि इस दृष्टिकोण को अन्य परमाणु प्रेक्षणों (त्रिज्या, क्षय गुण, उत्तेजना स्पेक्ट्रा) और व्यापक मशीन लर्निंग समस्याओं में विस्तारित किया जा सकता है जहाँ लक्ष्य कई पैमानों पर छिपी हुई सहसंबंध संरचनाओं का व्यवस्थित अलगाव है।