⚛️ quantum physics

An interpretable closed form for entanglement entropy from bitstrings, guided by a graph neural network

यह शोध पत्र रिडबर्ग-परमाणु बिटस्ट्रिंग्स (Rydberg-atom bitstrings) से बाइपार्टाइट वॉन न्यूमैन एंटैंगलमेंट एंट्रॉपी (bipartite von Neumann entanglement entropy) का अनुमान लगाने के लिए एक मानव-व्याख्या योग्य, छह-पद वाला रैखिक क्लोज्ड-फॉर्म फॉर्मूला प्रस्तुत करता है, जो ग्राफ न्यूरल नेटवर्क के तुल्य सटीकता प्राप्त करता है और न्यूनतम लेबल के साथ कैलिब्रेट किए जाने पर आउट-ऑफ-डिस्ट्रीब्यूशन डेटा पर उन्हें पीछे छोड़ देता है।

मूल लेखक: Anas Saleh

प्रकाशित 2026-06-23

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Anas Saleh

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 परमाणुओं से बने एक क्वांटम कंप्यूटर के भीतर हो रहे एक जटिल, अदृश्य नृत्य को समझने की कोशिश कर रहे हैं। इस नृत्य को एंटैंगलमेंट (entanglement) कहा जाता है, और यही वह "गुप्त सामग्री" है जो क्वांटम कंप्यूटरों को शक्तिशाली बनाती है।

इस नृत्य को सीधे मापना अविश्वसनीय रूप से कठिन, महंगा और धीमा है। यह एक भूत की तस्वीर खींचने जैसा है: आपको विशेष उपकरणों की आवश्यकता होती है, और जितने अधिक परमाणु शामिल होंगे, यह उतना ही कठिन होता जाएगा।

हालाँकि, नर्तकों को देखने का एक बहुत आसान तरीका है: बस किसी भी क्षण विशिष्ट सीटों पर कितने परमाणु बैठे हैं, इसकी गिनती करना। यह आपको "ऑन" और "ऑफ" स्विचों की एक सरल सूची देता है, जिसे बिटस्ट्रिंग (bitstring) कहा जाता है। यह प्राप्त करना सस्ता और आसान है, लेकिन यह आपको नृत्य की पूरी कहानी (एंटैंगलमेंट) नहीं बताता है।

समस्या:
वैज्ञानिक इन सरल सीट-गणना सूचियों को देखकर नृत्य की "जटिलता" (एंटैंगलमेंट एंट्रॉपी) का अनुमान लगाने की कोशिश कर रहे हैं।

पुराना तरीका: सरल गणितीय सूत्रों का उपयोग करना। ये पढ़ने में आसान हैं लेकिन अक्सर गलत होते हैं (जैसे केवल एक बादल को देखकर मौसम का अनुमान लगाना)।
नया तरीका (AI): एक सुपर-स्मार्ट कंप्यूटर मस्तिष्क (एक ग्राफ न्यूरल नेटवर्क या GNN) का उपयोग करना। यह AI अविश्वसनीय रूप से सटीक है, लेकिन यह एक "ब्लैक बॉक्स" है। यह सही उत्तर तो देता है, लेकिन कोई नहीं जानता कि इसने यह कैसे पता लगाया। साथ ही, प्रयोग में थोड़ा सा भी बदलाव होने पर इसे फिर से प्रशिक्षित (retrain) करने की आवश्यकता होती है।

समाधान:
यह शोध पत्र एक "गोल्डिलॉक्स" (Goldilocks) समाधान प्रस्तुत करता है: एक सरल, मानव-पठनीय सूत्र जो AI के लगभग उतना ही स्मार्ट है, लेकिन इसे बार-बार पुन: प्रशिक्षण की आवश्यकता नहीं है।

उन्होंने इसे कैसे किया, इसके लिए कुछ रचनात्मक उपमाओं का उपयोग किया गया है:

1. जासूसी कार्य (मार्गदर्शक के रूप में AI)

शोधकर्ताओं ने केवल अपने सूत्र में नंबर डालने के लिए अनुमान नहीं लगाया। उन्होंने सुपर-स्मार्ट AI को एक जासूस की तरह माना। उन्होंने AI से पूछा, "आप भविष्यवाणी करने के लिए किन विशिष्ट सुरागों को देख रहे हैं?"

AI ने एक आश्चर्यजनक रहस्य प्रकट किया: यह केवल "सीमावर्ती" (borderline) नर्तकों पर ध्यान देता है।
कल्पना कीजिए कि परमाणुओं को दो टीमों में विभाजित किया गया है, बाएँ (Left) और दाएँ (Right)। AI ने महसूस किया कि सबसे महत्वपूर्ण जानकारी इस बारे में नहीं है कि बाएँ टीम के भीतर या दाएँ टीम के भीतर क्या हो रहा है। यह सब उन हाथ मिलाने (handshakes) के बारे में है जो ठीक उस सीमा (boundary) पर हो रहे हैं जहाँ दोनों टीमें मिलती हैं।

2. "छह-सामग्री वाली रेसिपी"

AI के संकेत का उपयोग करते हुए, शोधकर्ताओं ने पूर्ण रेसिपी की तलाश शुरू की। उन्होंने हजारों गणितीय संयोजनों का परीक्षण किया, लेकिन अपनी खोज को केवल उन्हीं "सीमावर्ती हाथ मिलाने" (boundary handshakes) तक सीमित रखा।

उन्हें एक छह-पद वाला सूत्र (समीकरण 1) मिला जो एक जादू की मंत्र की तरह काम करता है। यह आसान-से-प्राप्त बिटस्ट्रिंग्स से प्राप्त छह विशिष्ट संख्याओं को लेता है और एंटैंगलमेंट की गणना करता है।

सामग्री: यह टीमों के बीच कुल "शोर" (noise), सबसे मजबूत हाथ मिलाने की ताकत, सबसे कमजोर हाथ मिलाने की ताकत और हाथ मिलाने के वितरण को देखता है।
परिणाम: यह सूत्र पुराने सरल गणितीय सूत्रों की तुलना में 6.4 गुना अधिक सटीक है। हालांकि यह 19-मिलियन-पैरामीटर वाले AI जितना पूर्ण नहीं है, लेकिन यह साधारण भाषा (गणित) में लिखा गया है जिसे एक इंसान पढ़ सकता है, समझ सकता है और बिना सुपरकंप्यूटर की आवश्यकता के उपयोग कर सकता है।

3. "यूनिवर्सल एडेप्टर" (Universal Adapter)

असली जादू इसकी पोर्टेबिलिटी (portability) में है।

AI की कमजोरी: यदि आप परमाणु सरणी (atom array) का आकार या प्रयोग का प्रकार बदलते हैं, तो AI अक्सर टूट जाता है और इसे शून्य से फिर से प्रशिक्षित करने की आवश्यकता होती है।
सूत्र की ताकत: क्योंकि यह सूत्र केवल संबंधों (हाथ मिलाने) पर ध्यान केंद्रित करता है, न कि विशिष्ट निर्देशांकों (परमाणु कहाँ बैठे हैं) पर, इसलिए यह हर जगह काम करता है।
- उपमा: कल्पना कीजिए कि AI एक ऐसा शेफ है जो केवल एक विशिष्ट रसोई में एक विशिष्ट व्यंजन बनाना जानता है। यदि आप रसोई बदलते हैं, तो शेफ घबरा जाता है। नया सूत्र एक ऐसी रेसिपी की तरह है जो किसी भी रसोई में, किसी भी चूल्हे के साथ काम करती है, जब तक कि आपके पास वे छह मुख्य सामग्रियां हों।

शोधकर्ताओं ने परमाणु सरणी के आकार को बदलकर, ग्रिड के आकार को बदलकर, और यहाँ तक कि उपयोग किए जा रहे भौतिकी के नियमों के प्रकार को बदलकर इसका परीक्षण किया। लगभग हर मामले में, इस सरल सूत्र ने AI को हरा दिया जब AI का उपयोग "आउट ऑफ द बॉक्स" (बिना पुन: प्रशिक्षण के) किया गया था।

4. "स्केलिंग लॉ" (बड़ा होना)

शोधकर्ताओं ने यह भी पूछा, "क्या होगा यदि हम सिस्टम को बहुत बड़ा (100 परमाणुओं तक) बना दें?"

जाल: यदि आप छोटे सिस्टम पर प्रशिक्षित सूत्र को बड़े सिस्टम पर लागू करते हैं, तो यह विफल हो जाता है। "सामग्री" (ingredients) को समायोजित करने की आवश्यकता होती है।
समाधान: उन्होंने पाया कि जैसे-जैसे सिस्टम बड़ा होता है, रेसिपी के छह नंबर एक बहुत ही अनुमानित और सुचारू तरीके से बदलते हैं (एक "1 over size" नियम का पालन करते हैं)।
लाभ: आपको विशाल प्रणालियों के लिए महंगे सिमुलेशन चलाने की आवश्यकता नहीं है। आपको नए आकार के लिए रेसिपी को "रीकैलिब्रेट" (recalibrate) करने के लिए केवल डेटा के एक छोटे से समूह (लगට 20 से 50 डेटा पॉइंट) की आवश्यकता है, और फिर यह पूरी तरह से काम करता है।

सारांश

यह शोध पत्र सटीकता और सरलता के बीच के "स्वीट स्पॉट" (sweet spot) को खोजने के बारे में है।

पुरानी गणित: बहुत सरल, बहुत गलत।
AI: बहुत जटिल, बहुत अस्पष्ट, बहुत नाजुक।
यह नया सूत्र: यह सही सुरागों (सीमावर्ती हाथ मिलाने) को खोजने के लिए AI के "मस्तिष्क" का उपयोग करता है, फिर उन सुरागों को एक सरल, 6-लाइन वाली रेसिपी में लिख देता है।

यह वैज्ञानिकों को बिना किसी ब्लैक-बॉक्स AI या महंगे प्रयोगों के, तेजी से और सटीक रूप से क्वांटम एंटैंगलमेंट की जटिलता का अनुमान लगाने की अनुमति देता है, और यह तब भी काम करता है जब प्रयोग का आकार या रूप बदल जाता है। यह एक "सेट इट एंड फॉरगेट इट" (set it and forget it) टूल है जिसे मनुष्य वास्तव में समझ सकते हैं।

तकनीकी सारांश: बिटस्ट्रिंग्स से एंटैंगलमेंट एंट्रॉपी के लिए एक व्याख्यात्मक क्लोज्ड फॉर्म, जो ग्राफ न्यूरल नेटवर्क द्वारा निर्देशित है

समस्या विवरण
रिडबर्ग-एटम एरे क्वांटम सिमुलेशन में, अनुभवजन्य बिटस्ट्रिंग वितरण (ऑक्यूपेशन बेसिस में मापन परिणाम) सबसे सुलभ अवलोकन है। हालांकि, बाइपार्टिट वॉन न्यूमैन एंटैंगलमेंट एंट्रॉपी ( $S_{vN}$ ), जो क्वांटम मेनी-बॉडी मैटर के लिए एक महत्वपूर्ण डायग्नोस्टिक है, इसे प्राप्त करना बहुत अधिक कठिन है। पूर्ण स्टेट टोमोग्राफी सिस्टम साइज $N$ के साथ घातीय रूप से स्केल करती है, और टोमोग्राफी-मुक्त प्रोटोकॉल भी प्रतियों (copies), गेट्स या पोस्ट-प्रोसेसिंग में महत्वपूर्ण ओवरहेड की मांग करते हैं। मौजूदा एस्टिमेटर्स एक ट्रेड-ऑफ का सामना करते हैं: शास्त्रीय म्यूचुअल इंफॉर्मेशन ( $I$ ) पर आधारित विश्लेषणात्मक सीमाएं (bounds) व्याख्या योग्य तो हैं लेकिन वे अनुमानित (coarse) हैं (वे $S_{vN}$ को $\sim 0.10$ नैट्स कम आंकती हैं), जबकि सटीक ग्राफ न्यूरल नेटवर्क (GNN) सरोगेट 'ब्लैक बॉक्स' हैं जिन्हें हर नए रिजीम (फेज, ज्योमेट्री, या हैमिल्टोनियन) के लिए पुन: प्रशिक्षित करने की आवश्यकता होती है। लक्ष्य एक ऐसा एस्टिमेटर खोजना है जो सीखे गए मॉडलों की सटीकता और विश्लेषणात्मक रूपों की व्याख्यात्मकता और पोर्टेबिलिटी को जोड़ सके।

कार्यप्रणाली (Methodology)
लेखक एक "GNN-निर्देशित" दृष्टिकोण का उपयोग करके एक क्लोज्ड-फॉर्म एस्टिमेटर व्युत्पन्न करते हैं:

GNN का यांत्रिक अन्वेषण (Mechanistic Probing): हाथ से चुने गए अवलोकनों पर एक विश्लेषणात्मक रूप फिट करने के बजाय, लेखक एक पूर्व-प्रशिक्षित GNN (संदर्भ [5] से) का परीक्षण करते हैं ताकि यह पहचाना जा सके कि कौन से इनपुट इसके $S_{vN}$ भविष्यवाणियों को संचालित करते हैं। कॉज़ल इंटरवेंशन (अटेंशन रूटिंग, एक्टिवेशन पैचिंग, और एज रिमूवल) के माध्यम से, वे स्थापित करते हैं कि GNN का प्रेडिक्शन विशेष रूप से बाइपार्टिशन-बाउंड्री एडजेस ( $E_b = A \times B$ ) के माध्यम से रूट किया जाता है। नेटवर्क अटेंशन को इस आधार पर पुन: रूट करता है कि क्या कोई एज कट को पार कर रहा है, और बाउंड्री एडजेस को हटाने से प्रदर्शन में काफी गिरावट आती है।
फीचर रिस्ट्रिक्शन और सर्च: बाउंड्री कोरिलेटर्स पर GNN के फोकस से निर्देशित होकर, लेखक बिटस्ट्रिंग वितरण से प्राप्त 25 भौतिक स्केलर (physics scalars) की एक क्यूरेटेड शॉर्टलिस्ट पर एक व्यापक खोज को सीमित करते हैं, जो विशेष रूप से बाउंड्री सेट $E_b$ पर गणना किए गए हैं।
व्यापक प्रतीकात्मक खोज (Exhaustive Symbolic Search): छह फीचर्स के सभी $\binom{25}{6} = 177,100$ सबसेट्स पर एक व्यापक खोज 'ऑर्डिनरी लीस्ट स्क्वायर्स' (OLS) का उपयोग करके की जाती है। विजेता एक छह-टर्म लीनियर क्लोज्ड फॉर्म (Eq. 1) है।
वैलिडेशन और स्केलिंग: इस फॉर्म को $N \le 20$ के लिए 'एक्जैक्ट डायगोनल डायगोनलाइजेशन' (ED) और $N=100$ तक के लिए 'डेंसिटी मैट्रिक्स रिनॉर्मलाइजेशन ग्रुप' (DMRG) के विरुद्ध सत्यापित किया गया है। लेखक गुणांकों (coefficients) के स्केलिंग व्यवहार का विश्लेषण करते हैं और विभिन्न हैमिल्टोनियन परिवारों और ज्यामितीय बदलावों के बीच इसकी अंतर-स्थानांतरण क्षमता (transferability) का परीक्षण करते हैं।

मुख्य योगदान

एक छह-टर्म क्लोज्ड फॉर्म (Eq. 1): लेखक एक मानव-पठनीय, हाइपरपैरामीटर-मुक्त लीनियर एस्टिमेटर प्रस्तुत करते हैं:
$\hat{S}_{vN} = b_1 \log(I+1) + b_2 \sum_{E_b} \sqrt{|c|} + b_3 \sum_{E_b} \tanh |c| + b_4 (\max_{E_b} |c|)^2 + b_5 \min_{E_b} c + b_6 \min(H_A, H_B) I$
जहाँ $c$ टू-पॉइंट कोरिलेटर्स को दर्शाता है, $I$ म्यूचुअल इंफॉर्मेशन है, और $H$ सिंगल-साइट एंट्रॉपी है।
GNN-निर्देशित फीचरिंग: यह कार्य प्रदर्शित करता है कि कैसे एक न्यूरल नेटवर्क का कॉज़ल प्रोबिंग एक विशिष्ट प्रेडिक्शन टास्क के लिए प्रासंगिक भौतिक सबस्पेस (बाउंड्री कोरिलेटर्स) को प्रभावी ढंग से पहचान सकता है, जिससे मैन्युअल फीचर इंजीनियरिंग की आवश्यकता समाप्त हो जाती है।
स्केलिंग लॉ और कैलिब्रेशन रूल्स: पेपर स्थापित करता है कि हालांकि क्लोज्ड फॉर्म के गुणांक स्केल-इनवेरिएंट नहीं हैं (फ्रोज़न कोएफिशिएंट्स बड़े $N$ पर विफल हो जाते हैं), फिर भी यह फॉर्म स्वयं $N=100$ तक बना रहता है। दो गुणांक स्पष्ट $1/N$ लॉ का पालन करते हैं, और एंकर गुणांक डाउनवर्ड कर्वेचर के साथ बढ़ता है। यह एक "लेबल-बजट रूल" की अनुमति देता है: लक्षित आकार पर कुछ दर्जन लेबल्स का उपयोग करके फॉर्म को फाइन-ट्यून्ड एन्सेम्बल्स के अनुरूप पुन: कैलिब्रेट किया जा सकता है।

परिणाम

सटीकता: क्लोज्ड फॉर्म इन-डिस्ट्रीब्यूशन टेस्ट सेट पर 0.0244 नैट्स का मीन एब्सोल्यूट एरर (MAE) प्राप्त करता है। यह बेस GNN (0.0038 नैट्स) के एरर से 6.4 गुना अधिक है, लेकिन शास्त्रीय म्यूचुअल इंफॉर्मेशन बेसलाइन (0.1002 नैट्स) से काफी बेहतर है।
पोर्टेबिलिटी (आउट-ऑफ-डिस्ट्रीब्यूशन): जब इसे बिना किसी बदलाव के छह आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) पूल्स (विभिन्न सिस्टम साइज, स्ट्रक्चरल शिफ्ट्स, और रैंडम 2D पोजीशन) पर लागू किया जाता है, तो क्लोज्ड फॉर्म छह में से पांच पूल्स पर बेस GNN से बेहतर प्रदर्शन करता है और छठे में बराबर रहता है। यह इसके ज्योमेट्री-नॉनपैरामेट्रिक स्वभाव के कारण है; GNN के विपरीत, यह स्पष्ट परमाणु निर्देशांक (atomic coordinates) को इनपुट के रूप में नहीं लेता है।
क्रॉस-हैमिल्टोनियन ट्रांसफर: जब प्रत्येक परिवार के लिए इसे फिर से फिट किया जाता है, तो छह-फीचर वाला फॉर्म सभी परीक्षण किए गए हैमिल्टोनियन परिवारों (TFIM, XXZ, J1-J2, Rydberg, और रैंडम-साइन) पर विश्लेषणात्मक बेसलाइन्स ( $I$ और फिल्टर्ड $I$ ) से बेहतर प्रदर्शन करता है। हालांकि समान फीचर्स पर XGBoost अधिक सटीक है, लेकिन इसमें व्याख्यात्मकता का अभाव है।
$N=100$ तक स्केलिंग: स्वतंत्र DMRG डेटा का उपयोग करते हुए, लेखक दिखाते हैं कि फ्रोज़न कोएफिशिएंट्स के साथ ग्लोबल फिट बड़े स्केल्स पर विफल हो जाता है (MAE बढ़कर $>1$ नैट हो जाता है)। हालांकि, साइज के अनुसार कोएफिशिएंट्स को फिर से फिट करने से 25–50 मलिएनैट (mnat) का MAE बना रहता है। कोएफिशिएंट्स के लिए निर्धारित स्केलिंग लॉ, लेबल-फ्री डिप्लॉयमेंट को लगभग 40–80 मलिएनैट पर संभव बनाते हैं।
मजबूती (Robustness): यह फॉर्म शॉट नॉइज़ के प्रति मजबूत है, जो लगभग 160 मेजरमेंट शॉट्स के साथ भी म्यूचुअल इंफॉर्मेशन बेसलाइन से बेहतर प्रदर्शन करता है।

महत्व और दावे
पेपर का दावा है कि Eq. 1 सटीकता-व्याख्यात्मकता (accuracy-interpretability) के बीच के ट्रेड-ऑफ में एक अनूठा स्थान रखता है। यह GNN के 'डिस्टिलेशन' के अर्थ में नहीं है (अर्थात इसके आंतरिक वेट्स का पुनर्निर्माण नहीं करता), बल्कि यह उन्हीं भौतिक मात्राओं पर एक स्वतंत्र, लो-डायमेंशनल ग्राउंड-ट्रुथ फिट है जिनका उपयोग GNN करता है। GNN इन मात्राओं को एक रेडंडेंट, हाई-डायमेंशनल कोड में एनकोड करता है, जबकि Eq. 1 एक पठनीय प्रोजेक्शन प्रदान करता है।

इसका महत्व एक पारदर्शी, हस्तांतरणीय और ट्यूनेबल एस्टिमेटर प्रदान करने में निहित है। यह प्रयोगकर्ताओं को एंट्रॉपी अनुमान को चलाने वाले भौतिकी का निरीक्षण करने, बिना रिट्रेनिंग के विभिन्न ज्योमेट्री और फेजेस में मॉडल लागू करने, और न्यूनतम लेबल्स के साथ इसे कैलिब्रेट करने की अनुमति देता है। लेखक निष्कर्ष निकालते हैं कि जबकि नॉन-लीनियर मॉडल (जैसे XGBoost या GNN) बड़े लेबल वाले डेटासेट के साथ उच्च कच्ची सटीकता प्रदान कर सकते हैं, क्लोजेड फॉर्म बेहतर पारदर्शिता और कैरेक्टराइज्ड स्केलिंग व्यवहार प्रदान करता है, जो बड़े पैमाने के क्वांटम सिमुलेशन के लिए एक "लेबल-बजट रूल" को फिक्स करता है।

1. जासूसी कार्य (मार्गदर्शक के रूप में AI)

2. "छह-सामग्री वाली रेसिपी"

3. "यूनिवर्सल एडेप्टर" (Universal Adapter)

4. "स्केलिंग लॉ" (बड़ा होना)

सारांश

इसी तरह के और पेपर