⚛️ high-energy theory

Machine Learning Topological Order from Defect Partition Functions

यह शोध पत्र 2D आइसिंग मॉडल के डिफेक्ट पार्टीशन फंक्शन्स से आइसिंग टोपोलॉजिकल ऑर्डर निकालने के लिए रिस्ट्रिक्टेड बोल्ट्ज़मैन मशीनों का उपयोग करने वाले एक मशीन लर्निंग फ्रेमवर्क प्रस्तुत करता है, जो डेटा-संचालित रूट के माध्यम से लैटिस सांख्यिकीय यांत्रिकी से टोपोलॉजिकल क्वांटम फील्ड थ्योरी तक सफलतापूर्वक उम्मीदवार वेवफंक्शन्स और अपेक्षित मॉड्यूल S-मैट्रिक्स को प्राप्त करता है।

मूल लेखक: Kazem Bitaghsir Fadafan, Wei Cui, Babak Haghighat, Shailesh Lal

प्रकाशित 2026-06-16

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kazem Bitaghsir Fadafan, Wei Cui, Babak Haghighat, Shailesh Lal

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 आपके पास छोटे चुंबकों (स्पिन्स) से बनी एक विशाल, जटिल पहेली है जो एक चपटी, डोनट के आकार की सतह (एक टॉरस) पर व्यवस्थित है। यह 2D आइसिंग मॉडल (Ising Model) है, जो भौतिकी की एक क्लासिक समस्या है जिसका उपयोग यह समझने के लिए किया जाता है कि लोहा जैसी सामग्रियां कैसे चुंबकीय बनती हैं।

आमतौर पर, भौतिक विज्ञानी इस पहेली का अध्ययन अपने निकटतम पड़ोसियों के साथ चुंबकों की परस्पर क्रिया को देखकर करते हैं। लेकिन यह शोध पत्र एक चतुर तरकीब पेश करता है: वे मशीन लर्निंग (Machine Learning) का उपयोग न केवल पहेली को हल करने के लिए करते हैं, बल्कि पूरे डोनट के आकार के छिपे हुए, जादुई नियमों को "पढ़ने" के लिए भी करते हैं, तब भी जब पहेली अराजक संक्रमण (जिसे "क्रिटिकैलिटी" कहा जाता है) की स्थिति में हो।

यहाँ उन्होंने क्या किया, इसका सरल विवरण दिया गया है:

1. सेटअप: जादुई डोनट और उसके "सीम" (Seams)

डोनट के आकार के ग्रिड को एक वीडियो गेम की दुनिया की तरह समझें जहाँ आप दाईं ओर से बाहर निकल सकते हैं और बाईं ओर से वापस आ सकते हैं।

सामान्य गेम: आमतौर पर, सभी चुंबक एक ही दिशा में (ऊपर या नीचे) रहना चाहते हैं।
ट्विस्ट (दोष/Defects): शोधकर्ताओं ने डोनट के आर-पार "सीम" या कट पेश किए। इन सीमों के साथ, उन्होंने चुंबकों को अपने पड़ोसियों की विपरीत दिशा में रहने के लिए मजबूर किया।
- कल्पना कीजिए कि आप एक ऐसे पुल पर चल रहे हैं जहाँ फर्श अचानक उल्टा हो जाता है।
- उन्होंने डोनट की दुनिया के अलग-अलग "संस्करण" बनाने के लिए इसे अलग-अलग दिशाओं (क्षैतिज और ऊर्ध्वाधर) में किया।

2. मशीन लर्निंग जासूस (RBM)

शोधकर्ताओं ने इन चुंबक विन्यासों (configurations) के स्नैपशॉट को एक विशिष्ट प्रकार के AI, जिसे रिस्ट्रिक्टेड बोल्ट्ज़मैन मशीन (Restricted Boltzmann Machine - RBM) कहा जाता है, में डाला।

AI ने क्या किया: केवल चित्रों को याद करने के बजाय, AI ने चुंबकों के व्यवस्थित होने की अंतर्निहित संभावना या "नुस्खा" सीखने की कोशिश की। इसने सिस्टम के "अहसास" (vibe) को सीखा।
आश्चर्य: भले ही AI केवल चुंबकों के एक सपाट, 2D ग्रिड को देख रहा था, उसने गुप्त रूप से एक बहुत गहरे, 3D "टोपोलॉजिकल" (Topological) विश्व के नियमों को सीख लिया। यह ऐसा ही है जैसे यदि आप किसी 3D वस्तु की 2D छाया का अध्ययन करें और AI केवल छाया के पैटर्न को देखकर उस 3D वस्तु के आकार का सटीक पुनर्निर्माण कर सके।

3. "वर्गमूल" (Square Root) की तरकीब

यह इस शोध पत्र का सबसे जादुई हिस्सा है।

भौतिकी में, "पार्टिशन फंक्शन" (Partition Function) एक संख्या है जो बताती है कि चुंबकों की एक निश्चित व्यवस्था कितनी संभावित है। यह एक विशिष्ट पहेली अवस्था के लिए एक स्कोर की तरह है।
शोधकर्ताओं ने महसूस किया कि यदि आप इन स्कोर का वर्गमूल (square root) लेते हैं (एक गणितीय क्रिया), तो आपको केवल एक छोटी संख्या ही नहीं मिलती; बल्कि आपको एक वेव फंक्शन (Wavefunction) प्राप्त होता है।
उपमा: कल्पना कीजिए कि पार्टिशन फंक्शन भीड़ की एक तस्वीर है। वेव फंक्शन उस भीड़ की "आत्मा" या क्वांटम अवस्था है। AI द्वारा सीखे गए "फोटो" का वर्गमूल लेकर, उन्होंने जादुई रूप से सिस्टम की "आत्मा" को उत्पन्न कर दिया।

4. छिपे हुए कोड की खोज (Topological Order)

एक बार जब उनके पास ये "सोल" वेवफंक्शन्स आ गए, तो उन्होंने जाँच की कि क्या वे आइसिंग टोपोलॉजिकल क्वांटम फील्ड थ्योरी (Ising TQFT) नामक एक प्रसिद्ध सैद्धांतिक ढांचे के नियमों से मेल खाते हैं।

यह सिद्धांत भविष्यवाणी करता है कि डोनट के आकार पर, ठीक तीन विशेष, स्थिर अवस्थाएँ (ग्राउंड स्टेट्स) होनी चाहिए जो अलग-अलग प्रकार के "कणों" (जिन्हें 1, $\psi$ , और $\sigma$ लेबल किया गया है) की तरह कार्य करती हैं।
शोधकर्ताओं ने अपने AI-जनित वेवफंक्शन्स को आपस में मिलाया।
परिणाम: जब उन्होंने गणना की कि ये अवस्थाएँ एक-दूसरे के साथ कैसे ओवरलैप होती हैं (वे एक-दूसरे को कितना देखती हैं), तो उन्हें जो संख्याएँ मिलीं, वे मॉड्यूलर S-मैट्रिक्स (Modular S-matrix) से मेल खाती थीं।
- S-मैट्रिक्स क्या है? इसे एक "रोसेटा स्टोन" या एक अनुवाद तालिका के रूप में सोचें जो आपको बताती है कि यदि आप डोनट को घुमाते हैं या दिशा बदलते हैं तो सिस्टम कैसे बदल जाता है।
- तथ्य यह है कि AI ने, जो केवल 2D चुंबक स्नैपशॉट पर प्रशिक्षित था, सटीक "अनुवाद तालिका" वाला 3D टोपोलॉजिकल सिद्धांत तैयार किया, यह एक बड़ी सफलता है। यह सिद्ध करता है कि AI ने केवल सतह के विवरणों को नहीं, बल्कि ब्रह्मांड की गहरी, छिपी हुई ज्यामिति को पकड़ लिया है।

सारांश

यह शोध पत्र दिखाता है कि आप एक मशीन लर्निंग मॉडल को चुंबकों के एक साधारण 2D ग्रिड को देखने के लिए सिखा सकते हैं, भले ही आपने ग्रिड को "डिफेक्ट सीम्स" के साथ घुमाया हो। जो कुछ भी मशीन ने सीखा, उसका गणितीय "वर्गमूल" लेकर, आप एक जटिल 3D टोपोलॉजिकल दुनिया के क्वांटम वेवफंक्शन्स निकाल सकते हैं।

यह एक कंप्यूटर को एक शहर के सपाट मानचित्र को देखने के लिए सिखाने जैसा है और फिर एक साधारण गणितीय ट्रिक के माध्यम से, उससे इमारतों की 3D वास्तुकला, यातायात प्रवाह और छिपे हुए भूमिगत सुरंगों का सटीक वर्णन प्राप्त करना है, बिना कभी उस 3D शहर को देखे। मशीन ने डेटा से सीधे "टोपोलॉजिकल ऑर्डर"—सिस्टम के गहरे, अपरिवर्तनीय नियमों—को सीख लिया।

तकनीकी सारांश: मशीन लर्निंग टोपोलॉजिकल ऑर्डर (Topological Order) डिफेक्ट पार्टीशन फंक्शन्स से

समस्या विवरण
यह शोध पत्र (1+1)-आयामी लैटिस मॉडल की क्रिटिकल सांख्यिकीय यांत्रिकी (critical statistical mechanics) से सीधे (2+1)-आयामी टोपोलॉजिकल क्वांटम फील्ड थ्योरी (TQFT) के टोपोलॉजिकल ऑर्डर और ग्राउंड-स्टेट वेवफंक्शन्स को निकालने की चुनौती को संबोधित करता है। विशेष रूप से, यह आइसिंग (Ising) TQFT पर केंद्रित है, जो नॉन-अबेलियन एनीयॉन्स (non-abelian anyons) का वर्णन करता है और (2+1)-आयामी $\mathbb{Z}_2$ लैटिस गेज थ्योरी के द्वैत (dual) है। जबकि मोंटे कार्लो (Monte Carlo) विधियों ने लैटिस गेज थ्योरी में प्रगति की है, वे साइन प्रॉब्लम (sign problem) जैसी चुनौतियों का सामना करती हैं। इसके विपरीत, न्यूरल नेटवर्क क्वांटम स्टेट्स (NNQS), विशेष रूप से रिस्ट्रिक्टेड बोल्ट्ज़मैन मशीन्स (RBMs), का उपयोग स्पिन मॉडल्स के ग्राउंड स्टेट्स खोजने के लिए किया गया है। हालाँकि, मौजूदा दृष्टिकोण अक्सर लैटिस के आकार के बढ़ने के साथ धीमी ग्रेडिएंट कन्वर्जेंस (gradient convergence) से जूझते हैं और काइरल टोपोलॉजिकल फेजेस (chiral topological phases) के लिए आवश्यक जटिल मापदंडों को सीखने में कठिनाई का सामना करते हैं। इसके अतिरिक्त, लैटिस पार्टीशन फंक्शन्स से सीधे TQFT वेवफंक्शन्स और मॉड्यूल डेटा (जैसे S-मैट्रिक्स) तक एक सीधा, डेटा-संचालित मार्ग पूरी तरह से स्थापित नहीं किया गया है।

कार्यप्रणाली (Methodology)
लेखक एक ऐसा ढांचा प्रस्तावित करते हैं जो वेवफंक्शन एम्प्लीट्यूड (wavefunction amplitudes) और फेजेस (phases) को सीखने की प्रक्रिया को अलग करता है, जिसमें पहले टॉरस (torus) पर क्रिटिकल आइसिंग मॉडल से प्राप्त एम्प्लीट्यूड पर ध्यान केंद्रित किया जाता है। कार्यप्रणाली तीन मुख्य चरणों में आगे बढ़ती है:

टोरस पर डिफेक्ट पार्टीशन फंक्शन्स (Defect Partition Functions on the Torus):
लेखक आवधिक बाउंड्री कंडीशंस (periodic boundary conditions) के साथ एक टॉरस पर 2D आइसिंग मॉडल पर विचार करते हैं। वे नॉन-कन्ट्रैक्टिबल $a$ और $b$ साइकिल्स (cycles) के साथ टोपोलॉजिकल डिफेक्ट लाइन्स (विशेष रूप से स्पिन-फ्लिप $\mathbb{Z}_2$ डिफेक्ट्स और क्रैमरर्स-वानियर ड्युअलिटी डिफेक्ट्स) पेश करते हैं। ये डिफेक्ट्स पार्टीशन फंक्शन में विशिष्ट टोपोलॉजिकल सेक्टर्स (जिन्हें कॉन्फॉर्मल प्राइमरीज़ $1, \psi, \sigma$ द्वारा लेबल किया गया है) को डालने के अनुरूप होते हैं। इन सेक्टर्स के लिए पार्टीशन फंक्शन्स ( $Z^{\text{defect}}$ ) क्रिटिकल कपलिंग $K_c$ पर मोंटे कार्लो सिमुलेशन का उपयोग करके कंप्यूट किए जाते हैं।
RBM ट्रेनिंग और वेवफंक्शन निर्माण:
रिस्ट्रिक्टेड बोल्ट्ज़मैन मशीन्स (RBMs) को इन विशिष्ट डिफेक्ट सेक्टर्स में सैंपल किए गए स्पिन कॉन्फ़िगरेशन पर प्रशिक्षित किया जाता है। RBM, स्पिन कॉन्फ़िगरेशन $v$ के प्रायिकता वितरण $P(v)$ को सीखता है।

स्क्वायर-रूट मैप (Square-Root Map): एक प्रमुख सैद्धांतिक चरण में सीखे गए RBM प्रायिकता वितरण (जो पार्टीशन फंक्शन वेट का अनुमान लगाता है) का कंपोनेंट-वाइज स्क्वायर रूट लेना शामिल है। यह ऑपरेशन क्लासिकल बोल्ट्ज़मैन वेट्स को एक कैंडिडेट क्वांटम वेवफंक्शन में मैप करता है: $|\Psi\rangle = \sum_v \sqrt{\Phi_\theta(v)} |v\rangle$ ।
बेसिस निर्माण (Basis Construction): विभिन्न डिफेक्ट सेक्टर्स (अनट्विस्टेड, $x$ या $y$ में स्पिन-फ्लिप ट्विस्टेड, और दोनों) पर RBM को प्रशिक्षित करके, लेखक टॉरस पर आइसिंग TQFT के तीन-आयामी ग्राउंड-स्टेट हिल्बर्ट स्पेस के लिए एक बेसिस (basis) के रूप में वे वेवफंक्शन्स का निर्माण करते हैं।

मॉड्यूलर डेटा का निष्कर्षण (Extraction of Modular Data):
लेखक मूल टॉरस ज्योमेट्री पर परिभाषित वेवफंक्शन्स और मॉड्यूलर S-ट्रांसफॉर्मेशन ( $\tau \to -1/\tau$ ) द्वारा रूपांतरित ज्योमेट्री द्वारा परिभाषित वेवफंक्शन्स के बीच ओवरलैप की गणना करते हैं। इन अवस्थाओं के इंटर-प्रोडक्ट मैट्रिक्स का विश्लेषण करके मॉड्यूलर S-मैट्रिक्स को रिकवर किया जाता है, जो TQFT का एक मौलिक इनवेरिएंट (invariant) है।

प्रमुख योगदान और परिणाम

टोपोलॉजिकल संरचना की रिकवरी: प्रशिक्षित RBMs न केवल स्थानीय निकटतम-पड़ोसी सहसंबंधों (nearest-neighbor correlations) को बल्कि वैश्विक टोपोलॉजिकल विशेषताओं को भी सफलतापूर्वक कैप्चर करते हैं। RBM वेट कोवेरिएंस मैट्रिक्स ( $W W^T$ ) का विश्लेषण प्रकट करता है कि नेटवर्क ने उन विशिष्ट एंटी-फेरोमैग्नेटिक साइन रिवर्सल्स को सीख लिया है जो स्पिन-फ्लिप डिफेक्ट सीम्स (seams) द्वारा पेश किए गए थे, जिससे नेटवर्क मापदंडों में नॉन-कन्ट्रैक्टिबल डिफेक्ट टोपोलॉजी प्रभावी रूप से एनकोड हो जाती है।
वेवफंक्शन निर्माण: RBM आउटपुट पर कंपोनेंट-वाइज स्क्वायर-रूट ऑपरेशन सफलतापूर्वक (2+1)-आयामी आइसिंग TQFT के लिए कैंडिडेट वेवफंक्शन्स उत्पन्न करता है। ये वेवफंक्शन्स आइडेंटिटी ($1 $), फर्मियन ($ \psi $), और स्पिन ($ \sigma$) सेक्टर्स से जुड़े ग्राउंड स्टेट्स के अनुरूप होते हैं।
मॉड्यूलर S-मैट्रिक्स रिकवरी: एक गैर-तुच्छ निरंतरता जांच (consistency check) के रूप में, लेखकों ने RBM वेवफंक्शन्स से प्राप्त x-साइकिल और y-साइकिल बेसिस के बीच ओवरलैप मैट्रिक्स की गणना की। परिणामी मैट्रिक्स अपेक्षित आइसिंग मॉड्यूलर S-मैट्रिक्स से मेल खाती है:
$S = \frac{1}{2} \begin{pmatrix} 1 & 1 & \sqrt{2} \\ 1 & 1 & -\sqrt{2} \\ \sqrt{2} & -\sqrt{2} & 0 \end{pmatrix}$
यह पुष्टि करता है कि न्यूरल नेटवर्क प्रतिनिधित्व उभरती हुई टोपोलॉजिकल संरचना और सिद्धांत के सही फ्यूजन रूल्स (fusion rules) को कैप्चर करता है।
RBM मापदंडों का भौतिक अर्थ: अध्ययन यह प्रदर्शित करता है कि RBM का "प्रभावी एक्शन" (मार्जिनलाइज्ड डिस्ट्रीब्यूशन से प्राप्त) अंतर्निहित लैटिस मॉडल के ज्यामितीय और टोपोलॉजिकल पत्राचार को निष्ठापूर्वक पुनरुत्पादित करता है, भले ही वह क्रिटिकैलिटी पर हो जहाँ कोरिलेशन लेंथ (correlation length) डाइवर्ज (diverge) होती है।

महत्ता और दावे
यह शोध पत्र दावा करता है कि यह "लैटिस सांख्यिकीय यांत्रिकी से टोपोलॉजिकल क्वांटम फील्ड थ्योरी तक एक डेटा-संचालित मार्ग" प्रदर्शित करता है। इसकी प्राथमिक महत्ता इस बात में निहित है कि यह दिखाता है कि न्यूरल नेटवर्क प्रतिनिधित्व बिना किसी टोपोलॉजिकल बाधा को नेटवर्क आर्किटेक्चर में स्पष्ट रूप से हार्ड-कोड किए, क्रिटिकल फ्लक्चुएशन (लैटिस मॉडल से) और उभरते टोपोलॉजिकल स्ट्रक्चर (TQFT ग्राउंड स्टेट्स और मॉड्यूलर डेटा) को एक साथ कैप्चर कर सकता है।

लेखक इस बात पर जोर देते हैं कि यह दृष्टिकोण सफलतापूर्वक TQFT वेवफंक्शन्स के एम्प्लीट्यूड को सीखता है। वे विनम्रतापूर्वक नोट करते हैं कि काइरल टोपोलॉजिकल फेजेस का पूर्ण प्रतिनिधित्व करने के लिए जटिल फेजेस (complex phases) को सीखना भी आवश्यक होगा, जो यहाँ उपयोग किए गए क्लासिकल बोल्ट्ज़मैन डिस्ट्रीब्यूशन में अनुपस्थित हैं। वे सुझाव देते हैं कि सीखे गए RBM स्टेट्स विशिष्ट पैरेंट हैमिल्टोनियंस (parent Hamiltonians) के विरुद्ध बाद के कॉम्प्लेक्स-वैल्यूड नेटवर्क्स के प्रशिक्षण के लिए "एम्प्लीट्यूड सीड्स" (amplitude seeds) के रूप में कार्य कर सकते हैं। यह कार्य CFT (क्रिटिकैलिटी पर) और उनके लो-एनर्जी टोपोलॉजिकल फेजेस का वर्णन करने वाले TQFT के बीच गहरे संबंध की जांच करने के लिए RBMs की उपयोगिता को प्रमाणित करता है।

1. सेटअप: जादुई डोनट और उसके "सीम" (Seams)

2. मशीन लर्निंग जासूस (RBM)

3. "वर्गमूल" (Square Root) की तरकीब

4. छिपे हुए कोड की खोज (Topological Order)

सारांश

इसी तरह के और पेपर