🔬 physics

Physically Constrained Ensemble Gaussian Process Modelling for Expensive Quantum Systems with Heteroskedastic Noise

यह शोध पत्र एक फिजिकली कंस्ट्रेंड एनसेम्बल गॉसियन प्रोसेस (pc-EGP) फ्रेमवर्क प्रस्तुत करता है जो महंगे, हेटेरोस्केडेस्टिक क्वांटम सिमुलेशन को सटीक रूप से मॉडल करने के लिए भौतिक निरंतरता दंड (physical consistency penalties) और एनसेम्बल लर्निंग को एकीकृत करता है, जो पारंपरिक तरीकों की तुलना में बोस-हबर्ड मॉडल के लिए महत्वपूर्ण मापदंडों की भविष्यवाणी करने और सुपरफ्लुइडिटी के लिए रासायनिक वातावरण को अनुकूलित करने में बेहतर प्रदर्शन प्रदर्शित करता है।

मूल लेखक: Arpan Biswas, Surtirtha Paul, Joseph Agada, Matthias Thamm, Adrian Del Maestro

प्रकाशित 2026-06-11

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Arpan Biswas, Surtirtha Paul, Joseph Agada, Matthias Thamm, Adrian Del Maestro

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 खतरनाक, धुंधले पहाड़ी क्षेत्र का मानचित्र बनाने की कोशिश कर रहे हैं। आप सबसे ऊँची चोटी (सर्वश्रेष्ठ समाधान) या सबसे गहरी घाटी (न्यूनतम ऊर्जा अवस्था) खोजना चाहते हैं, लेकिन सटीक डेटा प्राप्त करने का एकमात्र तरीका खोजकर्ताओं की एक टीम को भेजना है जो भारी, महंगे उपकरण लेकर चलते हैं। प्रत्येक यात्रा में कई दिन लगते हैं, बहुत अधिक लागत आती है, और कभी-कभी उपकरण में खराबी आ जाती है, जिससे आपको गलत रीडिंग मिल जाती है।

यह वह समस्या है जिसका सामना वैज्ञानिक क्वांटम सिस्टम (जैसे पदार्थों में परस्पर क्रिया करने वाले परमाणु) का अध्ययन करते समय करते हैं। सिमुलेशन इतने महंगे और समय लेने वाले होते हैं कि वे केवल कुछ ही "माप" (डेटा बिंदु) ले सकते हैं। इसके अलावा, इन मापों में अक्सर परिवर्तनशील त्रुटियां (कभी उपकरण बहुत शोर वाला होता है, तो कभी शांत) होती हैं और उन्हें सख्त भौतिक नियमों का पालन करना होता है (उदाहरण के लिए, आप पदार्थ या ऊर्जा की नकारात्मक मात्रा नहीं रख सकते)।

इस शोध पत्र के लेखक, अर्पण बिस्वास और उनके सहयोगियों ने एक नया "स्मार्ट मैप-मेकर" बनाया है जिसे pc-EGP (फिजिकली कंस्ट्रेंड एनसेम्बल गॉसियन प्रोसेस) कहा जाता है। यह कैसे काम करता है, इसके लिए सरल उपमाओं का उपयोग किया गया है:

1. पुराने मानचित्रों के साथ समस्या (मानक मॉडल)

पारंपरिक AI मॉडल एक ऐसे छात्र की तरह हैं जो केवल उन्हीं नोट्स को देखता है जो उसे दिए गए हैं। यदि नोट्स कहते हैं कि "पहाड़ 100 फीट ऊंचा है," तो छात्र उसे 100 फीट पर ही बनाता है। यदि नोट्स गलत हैं (शोर के कारण) या यदि छात्र एक ऐसा पहाड़ बनाता है जो जमीन के नीचे चला जाता है (भौतिकी का उल्लंघन करता है), तो छात्र इसकी परवाह नहीं करता। वे बस नोट्स से पूरी तरह मेल खाने की कोशिश करते हैं।

दोष: क्वांटम भौतिकी में, "नकारात्मक घनत्व" या "नकारात्मक ऊर्जा" असंभव है। यदि एक मानक मॉडल किसी शोर वाले डेटा बिंदु के कारण ऐसा अनुमान लगाता है, तो यह एक ऐसी "भ्रमित कल्पना" (hallucination) पैदा करता है जो भौतिकी के नियमों को तोड़ देती है।

2. समाधान: "नियमों से बंधा हुआ" दल (pc-EGP)

लेखकों ने एक नया सिस्टम बनाया है जो विशेषज्ञ मानचित्रकारों की एक टीम की तरह कार्य करता है जिनके पास दो महाशक्तियाँ हैं:

A. "भौतिक नियम पुस्तिका" (Physical Constraints)

कल्पना कीजिए कि मानचित्रकारों को एक सख्त नियम पुस्तिका दी गई है: "डेटा चाहे जो भी कहे, आप समुद्र तल से नीचे पहाड़ नहीं बना सकते।"

यह कैसे काम करता है: मॉडल के पास एक "लॉस फंक्शन" (गलती मापने का स्कोरकार्ड) होता है। आमतौर पर, यह केवल डेटा बिंदुओं के करीब रहने की परवाह करता है। नया मॉडल इसमें एक पेनल्टी (दंड) जोड़ता है। यदि मॉडल कुछ भौतिक रूप से असंभव (जैसे नकारात्मक मान) भविष्यवाणी करने की कोशिश करता है, तो उसे भारी दंड मिलता है।
परिणाम: भले ही शोर वाला डेटा एक नकारात्मक मान का सुझाव दे, मॉडल अपने पूर्वानुमान को कानूनी भौतिक सीमाओं के भीतर रखने के लिए "मोड़" देता है, जिससे यह सुनिश्चित होता है कि मानचित्र समझ में आए।

B. "अनुमान लगाने वालों का समूह" (Handling Noisy Data)

चूंकि महंगे सिमुलेशन शोर वाले होते हैं (कुछ बहुत सटीक होते हैं, कुछ बहुत ढीले), मॉडल केवल एक रीडिंग पर भरोसा नहीं करता है।

उपमा: कल्पना कीजिए कि आप 5 अलग-अलग विशेषज्ञों से पहाड़ की ऊंचाई का अनुमान लगाने के लिए कहते हैं, लेकिन प्रत्येक विशेषज्ञ के पास अलग-अलग स्तर के कांपते हाथ (शोर) हैं। उनके उत्तरों का अंधाधुंध औसत निकालने के बजाय, मॉडल गॉस-हर्मिट क्वाड्रचर (Gauss-Hermite quadrature) नामक एक गणितीय ट्रिक का उपयोग करके हजारों "क्या-होगा" परिदृश्यों का अनुकरण करता है, जो इस आधार पर होते हैं कि प्रत्येक विशेषज्ञ के हाथ कितने कांप रहे हैं।
परिणाम: यह कई थोड़े अलग मानचित्रों का एक "एनसेम्बल" (समूह) बनाता है। फिर यह उन्हें एक अंतिम मानचित्र में संयोजित करता है जो औसत ऊंचाई और शोर के कारण होने वाली अनिश्चितता, दोनों को सटीक रूप से दर्शाता है। यह मॉडल को गलत उत्तर में अत्यधिक आत्मविश्वासी होने से रोकता है।

3. परीक्षण के लिए उपयोग

लेखकों ने इस "स्मार्ट मैप-मेकर" का परीक्षण दो वास्तविक दुनिया के क्वांटम पहेलियों पर किया:

मामला 1: बोस-हर्बर्ड मॉडल (फेज ट्रांजिशन)
उन्होंने उस सटीक बिंदु को खोजने की कोशिश की जहाँ एक क्वांटम तरल ठोस में बदल जाता है (जैसे पानी जमने जैसा, लेकिन परमाणुओं के लिए)।
- पुराना तरीका: मानक मॉडल शोर वाले डेटा से भ्रमित हो गया और उसने उस मान पर संक्रमण की भविष्यवाणी की जो भौतिक रूप से असंभव (नकारात्मक) था।
- नया तरीका: pc-EGP ने शोर से मिले असंभव सुझाव को नजरअंदाज कर दिया और संक्रमण बिंदु को सही ढंग से पहचाना, तथा "नियम पुस्तिका" के भीतर रहा।
मामला 2: नैनोपोर में हीलियम (रासायनिक वातावरण)
उन्होंने यह पता लगाने की कोशिश की कि जब हीलियम परमाणुओं को कांच की छोटी नलियों में दबाया जाता है तो वे कैसे व्यवहार करते हैं।
- पुराना तरीका: मानक मॉडल ने भविष्यवाणी की कि कुछ क्षेत्रों में हीलियम घनत्व शून्य से नीचे गिर जाएगा, जो कि असंभव है।
- नया तरीका: pc-EGP ने हर जगह घनत्व को सकारात्मक रखा। इसने यह बताने में भी बेहतर प्रदर्शन किया कि हीलियम कहाँ एकत्रित होगा, भले ही डेटा बहुत कम और शोर वाला था।

सारांश

संक्षेप में, यह शोध पत्र प्रस्तुत करता है कि AI को एक जिम्मेदार वैज्ञानिक कैसे बनाया जाए। केवल महंगे और शोर वाले डेटा की अंधाधुंध नकल करने के बजाय, नया मॉडल:

भौतिकी के नियमों का सम्मान करता है (यह असंभव चीजें भविष्यवाणी नहीं करेगा)।
डेटा की गुणवत्ता को समझता है (यह जानता है कि कब कोई माप अस्थिर है और यह उसके अनुसार अपना आत्मविश्वास समायोजित करता है)।
कम खर्च और समय में बेहतर भविष्यवाणियां करता है (यह महंगे प्रयोगों के साथ बेहतर परिणाम देता है)।

लेखकों का दावा है कि यह दृष्टिकोण वैज्ञानिकों को लाखों सिमुलेशन चलाने की आवश्यकता के बिना, अधिक कुशलता से और परिणामों पर अधिक विश्वास के साथ जटिल क्वांटम प्रणालियों का पता लगाने की अनुमति देता है।

तकनीकी सारांश: महंगे क्वांटम सिस्टम के लिए हेटरोस्केडास्टिक शोर (Heteroskedastic Noise) के साथ भौतिक रूप से बाधित एन्सेम्बल गॉसियन प्रोसेस मॉडलिंग

समस्या विवरण
क्वांटम मल्टी-बॉडी सिस्टम का सटीक मॉडलिंग अक्सर अत्यधिक महंगे सिमुलेशन पर निर्भर करता है, जैसे कि डेंसिटी मैट्रिक्स रिनॉर्मलाइजेशन ग्रुप (DMRG) और क्वांटम मोंटे कार्लो (QMC)। सटीक होने के बावजूद, ये विधियाँ गंभीर समय और संसाधन संबंधी बाधाएँ उत्पन्न करती हैं, जिससे व्यापक पैरामीटर अन्वेषण सीमित हो जाता है। इसके अतिरिक्त, ये सिमुलेशन अक्सर हेटरोस्केडास्टिक शोर (पैरामीटर स्पेस में परिवर्तनशील त्रुटि परिमाण) प्रदर्शित करते हैं और इनमें स्टोकेस्टिक सैंपलिंग त्रुटियाँ भी हो सकती हैं।

मानक सरोगेट मॉडलिंग दृष्टिकोण, विशेष रूप से स्वायत्त खोज (Autonomous Discovery) के लिए उपयोग किए जाने वाले बेयसियन ऑप्टिमाइज़ेशन (BO) में, इस संदर्भ में दो महत्वपूर्ण सीमाओं का सामना करते हैं:

AI-भौतिक मिसअलाइनमेंट (AI-Physical Misalignment): विशुद्ध रूप से डेटा-संचालित मॉडल अक्सर आवश्यक भौतिक बाधाओं (जैसे, घनत्व की गैर-ऋणात्मकता, ऊर्जा अंतराल की धनात्मकता) को संतुष्ट करने में विफल रहते हैं, जिससे अनभौतिक भविष्यवाणियाँ होती हैं जो खोज प्रक्रिया को पटरी से उतार सकती हैं।
शोर प्रबंधन (Noise Handling): मानक गॉसियन प्रोसेस (GPs) आमतौर पर निश्चित (होमोस्केडास्टिक) शोर मानते हैं या प्रशिक्षण परिणामों को नियत (Deterministic) मानते हैं। वे महंगे क्वांटम सिमुलेशन में निहित परिवर्तनशील अनिश्चितताओं को ट्रैक करने और उन्हें मापने में संघर्ष करते हैं, जिससे खराब कॉन्फिडेंस अनुमान और उप-इष्टतम सैंपलिंग निर्णय होते हैं।

कार्यप्रणाली: pc-EGP फ्रेमवर्क
लेखक एक फिजिकली कंस्ट्रेंड एन्सेम्बल गॉसियन प्रोसेस (pc-EGP) फ्रेमवर्क प्रस्तावित करते हैं, जिसे दो प्राथमिक वास्तुशिल्प विकासों के माध्यम से इन चुनौतियोंों को संबोधित करने के लिए डिज़ाइन किया गया है:

भौतिक हानि एकीकरण (Physical Loss Integration):
लेखक एक उपयोगकर्ता-नियंत्रित भौतिक हानि घटक को नेगेटिव लॉग-लाइक्लीहुड फंक्शन में एकीकृत करके मानक GP प्रशिक्षण उद्देश्य को संशोधित करते हैं। कुल हानि $L$ मानक डेटा-संचालित हानि और एक भौतिक दंड (penalty) पद $p$ को जोड़ती है:
$L = L_{data} + p$
जहाँ $p = \sum w_i l_i$ ।

बाधा प्रवर्तन (Constraint Enforcement): एक विशिष्ट हानि घटक ( $l_1$ ) विश्वसनीयता सूचकांक के आधार पर उन भविष्यवाणियों को दंडित करता है जो भौतिक बाधाओं (जैसे, $y < 0$ ) का उल्लंघन करती हैं।
डेटा फिडेलिटी (Data Fidelity): दूसरा घटक ( $l_2$ ) यह सुनिश्चित करता है कि मॉडल प्रशिक्षण डेटा के साथ फिट बैठता है, जो भौतिक पालन और अनुभवजन्य सटीकता के बीच संतुलन बनाता है।
यह मॉडल को उन क्षेत्रों में भी भौतिक रूप से सार्थक भविष्यवाणियाँ करने की प्राथमिकता देता है जहाँ प्रशिक्षण डेटा में त्रुटिपूर्ण या शोर युक्त नमूने हो सकते हैं।

संख्यात्मक क्वाड्रचर (Numerical Quadrature) के माध्यम से एन्सेम्बल मॉडलिंग:
हेटरोस्केडास्टिक शोर को संभालने के लिए, लेखक गॉस-हर्मिट क्वाड्रचर का उपयोग करके एक एन्सेम्बल दृष्टिकोण अपनाते हैं। प्रशिक्षण परिणामों को नियत बिंदुओं के रूप में मानने के बजाय, यह विधि प्रत्येक अवलोकन को एक विशिष्ट माध्य (mean) और भिन्नता (variance) के साथ एक वितरण के रूप में मॉडल करती है।

प्रशिक्षण डेटा को प्रत्येक नमूने के शोर वितरण के आधार पर $m$ नियत वास्तविकताओं (collocation nodes) में विस्तारित किया जाता है।
इन वास्तविकताओं पर कई भौतिक रूप से बाधित GPs को प्रशिक्षित किया जाता है।
एक नए बिंदु के लिए अंतिम भविष्यवाणी एन्सेम्बल की भविष्यवाणियों का एक भारित औसत (weighted average) होती है, जो प्रभावी रूप से इनपुट शोर को सरोगेट मॉडल के माध्यम से प्रसारित करती है ताकि अनिश्चितता को अधिक सटीक रूप से मापा जा सके।

प्रमुख परिणाम और केस स्टडीज
फ्रेमवर्क को सिंथेटिक डेटा और दो जटिल क्वांटम सिस्टम पर मान्य किया गया था:

सिंथेटिक डेटा: हेटरोस्केडास्टिक शोर और भौतिक सीमाओं (जैसे, $y \geq 0$ ) के पास रुचि के क्षेत्रों वाली फलनों पर, मानक GPs बाधाओं का सम्मान करने में विफल रहे, जिससे अनभौतिक ऋणात्मक मानों की भविष्यवाणी हुई। pc-EGP ने डेटा को करीब से ट्रैक करते हुए भी व्यवहार्य क्षेत्रों के भीतर भविष्यवाणियों को बनाए रखा, जो त्रुटिपूर्ण नमूनों के विरुद्ध बेहतर मजबूती प्रदर्शित करता है।
केस स्टडी 1: बोस-हबर्ड मॉडल (DMRG): मॉडल का उपयोग सुपरफ्लुइड-टू-मॉट-इन्सुलेटर ट्रांजिशन के लिए क्रिटिकल इंटरेक्शन पैरामीटर ( $U_c/J$ ) की भविष्यवाणी करने के लिए किया गया था। केवल 9 महंगे DMRG डेटा बिंदुओं का उपयोग करते हुए, मानक GP ने स्क्वेयर्ड ऑर्डर पैरामीटर $(1-\zeta)^2$ के लिए अनभौतिक ऋणात्मक मानों की भविष्यवाणी की। pc-EGP ने इसे सुधारा, जिससे एक भौतिक रूप से वैध न्यूनतम ( $4 \times 10^{-9}$ ) प्राप्त हुआ और साहित्य के अनुरूप क्रिटिकल ट्रांजिशन पॉइंट ( $U_c/J \approx 3.2730$ ) को सटीक रूप से पहचाना गया।
केस स्टडी 2: नैनोपोर में हीलियम (QMC): इस विधि को नैनोपोर में सीमित $^4$ $^{4}$ He के रेडियल डेंसिटी ( $\rho$ $ρ$ ) को सीखने के लिए लागू किया गया, जो उच्च हेटरोस्केडास्टिक शोर वाला सिस्टम है।
- एक 1D अन्वेषण में, pc-EGP-BO (बेयसियन ऑप्टिमाइज़ेशन) ने मानक GP-BO की तुलना में काफी कम भविष्यवाणी त्रुटियां प्राप्त कीं और गैर-ऋणात्मक घनत्व भविष्यवाणियों को बनाए रखा, जबकि मानक GP ने कम घनत्व वाले क्षेत्रों में अनभौतिक ऋणात्मक घनत्व उत्पन्न किए।
- 2D पैरामीटर स्पेस (रेडियल स्थिति बनाम केमिकल पोटेंशियल) में, लेखकों ने एक ट्यूनेबल ट्रेड-ऑफ (tunable trade-off) प्रदर्शित किया। बाधा भार (constraint weights) को समायोजित करके, वे भौतिक उल्लंघनों को 38% (मानक GP) से घटाकर 0% (उच्च बाधा भार के साथ pc-EGP) कर सकते थे, हालांकि इससे समग्र मीन एब्सोल्यूट एरर (MAE) में मामूली वृद्धि हुई। यह फ्रेमवर्क की क्षमता को उजागर करता है कि यह डोमेन-विशेषज्ञ की प्राथमिकताओं के साथ संरेखित हो सकता है।

महत्व और दावे
यह पेपर दावा करता है कि pc-EGP फ्रेमवर्क डोमेन-इन्फॉर्म्ड ऑटोनॉमस और फिजिकली इंटरप्रिटेबल सरोगेट मॉडलिंग की ओर एक मजबूत मार्ग स्थापित करता है। इसके प्राथमिक योगदान हैं:

शोर के प्रति मजबूती (Robustness to Noise): यह महंगे सिमुलेशन से हेटरोस्केडास्टिक शोर को प्रभावी ढंग से सरोगेट अनुमान में प्रसारित करता है, जिससे डेटा की कमी वाले क्षेत्रों में भविष्यवाणियों में विश्वास में सुधार होता है।
भौतिक निरंतरता (Physical Consistency): यह भौतिक बाधाओं (जैसे, धनात्मकता) को सीधे अनुकूलन लूप के भीतर लागू करके AI-मिसअलाइनमेंट को रोकता है, जिससे खोज प्रक्रिया अनभौतिक पैरामीटर व्यवस्थाओं पर संसाधन बर्बाद नहीं करती है।
लचीलापन (Flexibility): फ्रेमवर्क वेटिंग पैरामीटर्स के माध्यम से 'ह्यूमन-इन-द-लूप' नियंत्रण की अनुमति देता है, जिससे शोधकर्ता विशिष्ट वैज्ञानिक लक्ष्यों के आधार पर सख्त भौतिक पालन और डेटा फिडेलिटी के बीच संतुलन बना सकते हैं।

लेखक निष्कर्ष निकालते हैं कि यह दृष्टिकोण अन्य महंगे भौतिक मॉडलों और स्वायत्त प्रयोगों के लिए हस्तांतरणीय है, जो उन क्वांटम सिस्टम में अधिक कुशल और विश्वसनीय खोज के लिए एक मार्ग प्रदान करता है जहाँ डेटा दुर्लभ और शोर युक्त है।