🔬 physics

Enhancing quantum-classical configuration interaction methods using a neural-network classifier

यह शोध पत्र एक डेटा-संचालित ढांचे को प्रस्तुत करता है जो शास्त्रीय और क्वांटम-क्लासिकल कॉन्फ़िगरेशन इंटरैक्शन विधियों दोनों के लिए महत्वपूर्ण निर्धारकों को कुशलतापूर्वक चुनने के लिए एक सक्रिय-लर्निंग लूप में एक न्यूरल-नेटवर्क क्लासिफायर को एकीकृत करता है, जिससे पारंपरिक परिणामों के साथ समानता प्राप्त होती है और साथ ही कम्प्यूटेशनल लागत और मेमोरी उपयोग में काफी कमी आती है।

मूल लेखक: Severino Zeni, Giovanni Varutti, Jacopo Nespolo, Dimitrios Trypogeorgos

प्रकाशित 2026-06-24

📖 4 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें

CC BY 4.0

मूल लेखक: Severino Zeni, Giovanni Varutti, Jacopo Nespolo, Dimitrios Trypogeorgos

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 किसी व्यंजन के लिए एकदम सही रेसिपी खोजने की कोशिश कर रहे हैं, लेकिन आपके पास एक ऐसा पुस्तकालय है जिसमें दुनिया के हर संभव सामग्रियों का संयोजन मौजूद है। हर एक संयोजन की जाँच करना बहुत लंबा समय लेगा और इसके लिए एक ऐसे किचन की आवश्यकता होगी जो एक शहर के आकार का हो। यह मूल रूप से वह समस्या है जिसका सामना वैज्ञानिक तब करते हैं जब वे अणुओं में इलेक्ट्रॉनों के व्यवहार की गणना करने की कोशिश करते हैं। इलेक्ट्रॉन व्यवस्थाओं (जिन्हें "डिटरमिनेंट्स" कहा जाता है) की संख्या इतनी विशाल है कि सबसे तेज़ सुपरकंप्यूटर भी उन सभी की जाँच नहीं कर सकते।

इस समस्या को हल करने के लिए, वैज्ञानिक एक "स्मार्ट फ़िल्टर" विधि का उपयोग करते हैं जिसे सिलेक्टेड कॉन्फ़िगरेशन इंटरैक्शन (SCI) कहा जाता है। हर रेसिपी की जाँच करने के बजाय, वे अनुमान लगाने की कोशिश करते हैं कि कौन सी सामग्रियां महत्वपूर्ण हैं और केवल उन्हीं की जाँच करते हैं। हालाँकि, यह अनुमान लगाना कि कौन सी सामग्रियां महत्वपूर्ण हैं, काफी कठिन है। यदि आपका अनुमान गलत निकला, तो आप सही स्वाद (सही ऊर्जा) को खो देंगे। यदि आप बहुत व्यापक रूप से अनुमान लगाते हैं, तो आप बहुत सारी रेसिपीज़ की जाँच करने लगेंगे और किचन बहुत भीड़भाड़ वाला हो जाएगा।

नया विचार: एक "स्मार्ट सू-शेफ" (Smart Sous-Chef)

यह पेपर एक नए टूल को पेश करता है: एक न्यूरल नेटवर्क क्लासिफायर। इसे एक अत्यधिक प्रशिक्षित "स्मार्ट सू-शेफ" के रूप में समझें जो मुख्य शेफ (कंप्यूटर एल्गोरिदम) को यह तय करने में मदद करता है कि किन सामग्रियों को रखना है।

यहाँ लेखक का नया सिस्टम एक सरल उपमा (analogy) का उपयोग करके काम करता है:

चखने का दौर (एक रैंडम सैंपल):
कंप्यूटर द्वारा लाखों सामग्रियों के महत्व को खुद समझने की कोशिश करने के बजाय, यह उनमें से कुछ रैंडम सामग्रियां चुनता है (कुल पूल का लगभग 20%)। यह केवल इन सामग्रियों के साथ एक त्वरित, अस्थायी टेस्ट डिश बनाता है ताकि यह देख सके कि उनका स्वाद कैसा है।
लेबलिंग:
इस टेस्ट के आधार पर, कंप्यूटर उन सामग्रियों को चिह्नित करता है जिन्होंने डिश का स्वाद अच्छा बनाया उसे "महत्वपूर्ण" (Important) के रूप में और जिन्होंने नहीं बनाया उन्हें "गैर-महत्वपूर्ण" (Unimportant) के रूप में मार्क करता है।
सू-शेफ सीखता है:
न्यूरल नेटवर्क (सू-शेफ) इन लेबल की गई सामग्रियों को देखता है। वह पैटर्न सीखता है: "ओह, जब मैं इलेक्ट्रॉन व्यवस्थाओं का यह विशिष्ट संयोजन देखता हूँ, तो इसका मतलब है कि सामग्री महत्वपूर्ण है।"
बड़ा निर्णय:
अब, सू-शेफ उन लाखों सामग्रियों को देखता है जिन्हें उसने अभी तक चखा नहीं है। सीखी गई बातों के आधार पर, वह तेजी से भविष्यवाणी करता है कि शेष सामग्रियों में से कौन सी महत्वपूर्ण होने की संभावना है। वह मुख्य शेफ को एक छोटी, चुनिंदा सूची वापस सौंप देता है।
परिणाम:
मुख्य शेफ को अब केवल इस छोटी, स्मार्ट सूची के साथ खाना बनाना होता है। इससे समय और स्थान की भारी बचत होती है।

उन्होंने क्या हासिल किया?

लेखकों ने इस "स्मार्ट सू-शेफ" का परीक्षण दो अलग-अलग प्रकार के कुकिंग तरीकों (एल्गोरिदम) पर किया, जिसमें नाइट्रोजन अणु ( $N_2$ ) को उनका टेस्ट डिश बनाया गया।

क्लासिकल मेथड (cHCI) के लिए:
नए तरीके ने पुराने तरीके के समान ही स्वादिष्ट परिणाम (सटीक ऊर्जा गणना) प्राप्त किया, लेकिन इसमें केवल 1/5वीं सामग्रियों का उपयोग किया गया।
- वास्तविक दुनिया का प्रभाव: इसका अर्थ है कि कंप्यूटर को 5 गुना कम मेमोरी की आवश्यकता है और यह प्रत्येक स्टेप में 5 गुना तेज़ी से काम करता है। यह बिल्कुल वैसा ही है जैसे कि आपको वही भोजन मिले लेकिन आपको 5 गुना छोटे किचन की आवश्यकता हो।
क्वांटम मेथड (cSQD) के लिए:
क्वांटम कंप्यूटर ऐसे नए, प्रयोगात्मक ओवन की तरह हैं जो बहुत तेज़ हैं लेकिन कभी-कभी भ्रमित हो जाते हैं और बार-बार एक ही सामग्रियां चुनते रहते हैं। नए तरीके ने क्वांटम ओवन को सही सामग्रियां बहुत तेज़ी से खोजने में मदद की।
- वास्तविक दुनिया का प्रभाव: नया तरीका केवल 3 राउंड के कुकिंग में उच्च स्तर की सटीकता तक पहुँच गया। पुराना तरीका 20 राउंड के बाद भी सटीकता के उसी स्तर तक नहीं पहुँच सका था।

मुख्य निष्कर्ष (The Bottom Line)

पेपर का दावा है कि सबसे महत्वपूर्ण इलेक्ट्रॉन व्यवस्थाओं को चुनने में मदद करने के लिए मशीन लर्निंग "सू-शेफ" का उपयोग करके, वैज्ञानिक जटिल रासायनिक गणनाओं को बहुत तेज़ और कम मेमोरी-गहन बना सकते हैं। यह पारंपरिक सुपरकंप्यूटरों और उभरते हुए क्वांटम कंप्यूटरों, दोनों के लिए काम करता है, जिससे वे उन समस्याओं को हल कर सकते हैं जो पहले बहुत बड़ी या बहुत धीमी थीं, बिना इन कंप्यूटरों के काम करने के बुनियादी तरीके को बदले।

तकनीकी सारांश: एक न्यूरल-नेटवर्क क्लासिफायर का उपयोग करके क्वांटम-क्लासिकल कॉन्फ़िगरेशन इंटरेक्शन विधियों को उन्नत करना

समस्या विवरण
सटीक इलेक्ट्रॉनिक संरचना गणनाओं के लिए ऐसी विधियों की आवश्यकता होती है जो उन हिल्बर्ट स्पेस (Hilbert spaces) के भीतर इलेक्ट्रॉन सहसंबंध (electron correlation) को संभालने में सक्षम हों, जो सक्रिय ऑर्बिटल्स की संख्या के साथ तेजी से (exponentially) बढ़ते हैं। जबकि फुल कॉन्फ़िगरेशन इंटरेक्शन (FCI) सटीक समाधान प्रदान करता है, इसकी कम्प्यूटेशनल लागत इसे बहुत छोटे सिस्टम तक ही सीमित कर देती है। सिलेक्टेड कॉन्फ़िगरेशन इंटरेक्शन (SCI) विधियाँ, जैसे कि CIPSI, ASCI, और हीट-बाथ कॉन्फ़िगरेशन इंटरेक्शन (HCI), एक समझौता प्रदान करती हैं जो केवल सबसे महत्वपूर्ण डिटरमिनेंट्स (determinants) वाले कॉम्पैक्ट वेरिएशनल स्पेस का निर्माण करने के लिए पुनरावृत्ति (iteratively) का उपयोग करती हैं। हालाँकि, SCI विधियों की दक्षता उन ह्यूरिस्टिक्स (heuristics) पर निर्भर करती है जिनका उपयोग महत्वपूर्ण डिटरमिनेंट्स की पहचान करने के लिए किया जाता है। जैसे-जैसे चयनित स्पेस बढ़ता है, निरीक्षण किए जाने वाले उम्मीदवार डिटरमिनेंट्स की संख्या बड़ी हो जाती है, जिससे एक बाधा (bottleneck) उत्पन्न होती है।

इसी प्रकार, क्वांटम कंप्यूटिंग डोमेन में, सैंपल-आधारित क्वांटम डायगोनलाइजेशन (SQD) विधियाँ क्वांटम मेजरमेंट्स के माध्यम से एक सबस्पेस का निर्माण करके CI समस्या को हल करने का प्रयास करती हैं। SQD की एक महत्वपूर्ण सीमा नए डिटरमिनेंट्स की खोज करने में इसकी अक्षमता है; बार-बार सैंपलिंग करने से अक्सर वही कॉन्फ़िगरेशन चुने जाते हैं, विशेष रूप से जब एक अनुमानित एंसेट (ansatz) से शुरुआत की जाती है, जो गणना की सटीकता को सीमित करता है।

कार्यप्रणाली (Methodology)
लेखक एक डेटा-संचालित ढांचे का प्रस्ताव करते हैं जो डिटरमिनेंट चयन को एक बाइनरी क्लासिफिकेशन कार्य के रूप में पुनर्गठित करता है, जो एक एक्टिव-लर्निंग लूप के माध्यम से एक न्यूरल-नेटवर्क (NN) क्लासिफायर को इটারেटिव CI वर्कफ्लो में एकीकृत करता है। यह दृष्टिकोण दो अलग-अलग एल्गोरिदम पर लागू किया गया है: HCI का एक क्लासिकल वेरिएंट (cHCI) और SQD का एक क्वांटम-क्लासिकल वेरिएंट (cSQD)।

मुख्य प्रक्रिया प्रत्येक इटरेशन (iteration) में इस प्रकार संचालित होती है:

कैंडिडेट पूल जनरेशन: मूल विधि उम्मीदवार डिटरमिनेंट्स का एक पूल ( $P$ ) उत्पन्न करती है (जैसे, HCI में हीट-बाथ स्क्रीनिंग या SQD में कॉन्फ़िगरेशन रिकवरी के माध्यम से)।
रैंडम सैंपलिंग और लेबलिंग: पूल का एक छोटा, निश्चित हिस्सा ( $f_s = 0.2$ ) रैंडमली चुना जाता है ( $P_{rand}$ )। एक अस्थायी वेरिएशनल स्पेस बनाने के लिए वर्तमान स्पेस को $P_{rand}$ के साथ जोड़ा जाता है। इस अस्थायी स्पेस में हैमिल्टोनियन (Hamiltonian) का एक एकल डायगोनलाइजेशन CI गुणांकों (coefficients) को प्राप्त करता है।
लेबल असाइनमेंट: वे कॉन्फ़िगरेशन जिनमें एम्प्लीट्यूड (amplitude) एक थ्रेशोल्ड से अधिक है, उन्हें "महत्वपूर्ण" (important) के रूप में लेबल किया जाता है, जबकि अन्य को "महत्वहीन" (unimportant) के रूप में लेबल किया जाता है। यह प्रशिक्षण के लिए एक संतुलित डेटासेट बनाता है।
क्लासिफायर ट्रेनिंग: एक न्यूरल-नेटवर्क क्लासिफायर को उनके ऑक्यूपेशन-नंबर बिटस्ट्रिंग्स (occupation-number bitstrings) के आधार पर महत्व की भविष्यवाणी करने के लिए इस लेबल किए गए सबसेट पर शून्य से प्रशिक्षित किया जाता है।
गाइडेड सिलेक्शन: प्रशिक्षित क्लासिफायर पूल के शेष उम्मीदवारों ( $P_{rest}$ ) को स्कोर देता है। अगला वेरिएशनल स्पेस $P_{rand}$ से लेबल किए गए "महत्वपूर्ण" कॉन्फ़िगरेशन को बनाए रखकर और $P_{rest}$ के शीर्ष-स्कोरिंग कॉन्फ़िगरेशन को जोड़कर बनाया जाता है।

यह ढांचा केवल एल्गोरिदम के चयन चरण को संशोधित करता है, जिससे मुख्य वर्कफ्लो (डायगोनलाइजेशन, सैंपलिंग, आदि) बरकरार रहता है। क्लासिफायर निरंतर अनुकूलित होता है जैसे-जैसे इटरेशन के दौरान वेव फंक्शन विकसित होता है।

प्रमुख योगदान

एकीकृत ढांचा (Unified Framework): यह पेपर एक सामान्य एक्टिव-लर्निंग लूप पेश करता है जो डिटरमिनेंट चयन को बाइनरी क्लासिफिकेशन समस्या के रूप में मानता है, जो क्लासिकल और हाइब्रिड क्वांटम-क्लासिकल कॉन्फ़िगरेशन इंटरेक्शन एल्गोरिदम दोनों के लिए लागू है।
एल्गोरिद्मिक एकीकरण: लेखकों ने सफलतापूर्वक इस ढांचे को दो विशिष्ट एल्गोरिदम में एकीकृत किया है:
- cHCI: एक क्लासिफायर-एन्हांस्ड हीट-बाथ कॉन्फ़िगरेशन इंटरेक्शन विधि।
- cSQD: एक क्लासिफायर-एन्हांस्ड सैंपल-आधारित क्वांटम डायगोनलाइजेशन विधि।
बिटस्ट्रिंग-आधारित क्लासिफिकेशन: यह दृष्टिकोण ऐसे न्यूरल नेटवर्क्स का उपयोग करता है जो सीधे ऑक्यूपेशन-नंबर बिटस्ट्रिंग्स पर काम करते हैं, जो पारंपरिक पर्सर्बेटिव (perturbative) या ऊर्जा-आधारित चयन मानदंडों के लिए एक लचीला, आर्किटेक्चर-एग्नोस्टिक विकल्प प्रदान करता है।

परिणाम
लेखकों ने प्रस्तावित विधियों का उनके पारंपरिक समकक्षों के विरुद्ध नाइट्रोजन अणु ( $N_2$ ) के ग्राउंड स्टेट (संतुलन अंतरनाभिकीय दूरी $R = 2.1$ Å, cc-pVDZ बेस सेट में) का उपयोग करके बेंचमार्क किया।

cHCI प्रदर्शन: cHCI विधि ने एक ऐसा वेरिएशनल स्पेस डाइमेंशन प्राप्त किया जो कन्वर्ज्ड स्टैंडर्ड HCI स्पेस का केवल 1/5 था, जिसमें उसने CASCI सहसंबंध ऊर्जा (correlation energy) के 98% से अधिक को रिकवर किया। इसके परिणामस्वरूप मेमोरी फुटप्रिंट और प्रति-इटरेशन कम्प्यूटेशनल लागत (विशेष रूप से वेरिएशनल डेविडसन डायगोनलाइजेशन के लिए) में लगभग 5-गुना कमी आई।
cSQD प्रदर्शन: cSQD विधि ने मानक SQD की तुलना में काफी त्वरित अभिसरण (convergence) प्रदर्शित किया। cSQD ने मात्र 3 इटरेशन में 1% से कम का रिलेटिव कोरिलेशन-एनर्जी एरर हासिल किया। इसके विपरीत, मानक SQD 20 इटरेशन के बाद भी इस सटीकता सीमा तक पहुँचने में विफल रहा।
दक्षता: क्लासिफायर-आधारित चयन ने सटीकता से समझौता किए बिना वेरिएशनल स्पेस को प्रभावी ढंग से संकुचित किया, जिससे एल्गोरिदम को सबसे प्रासंगिक कॉन्फ़िगरेशन पर ध्यान केंद्रित करने की अनुमति मिली।

महत्व और दावे
यह पेपर दावा करता है कि क्लासिफायर-असिस्टेड डिटरमिनेंट सिलेक्शन एक लाइटवेट, मेथड-एग्नोस्टिक टूल के रूप में कार्य करता है, जो वेरिएशनल स्पेस को संकुचित करने और क्लासिकल एवं हाइब्रिड क्वांटम-क्लासिकल कॉन्फ़िगरेशन इंटरेक्शन एल्गोरिदम दोनों को तेज करने के लिए उपयोगी है। पारंपरिक ह्यूरिस्टिक चयन के स्थान पर डेटा-संचालित क्लासिफायर का उपयोग करके, यह विधि काफी कम कम्प्यूटेशनल लागत पर पारंपरिक दृष्टिकोणों के समान परिणाम प्राप्त करती है।

लेखक इस कार्य को क्लासिफायर-असिस्टेड सिलेक्शन की अधिक व्यापक समझ की ओर एक प्रारंभिक कदम के रूप में देखते हैं। वे नोट करते हैं कि हालांकि वर्तमान अध्ययन एक एकल आणविक प्रणाली और वेरिएशनल चरण पर केंद्रित है, यह ढांचा कॉम्पैक्ट वेव फंक्शन रिप्रेजेंटेशन और अधिक कुशल इलेक्ट्रॉनिक स्ट्रक्चर वर्कफ्लो के डिजाइन के लिए मशीन लर्निंग की एक व्यापक भूमिका का सुझाव देता है। यह पेपर सभी प्रणालियों के लिए सार्वभौमिक रूप से स्केलिंग समस्या को हल करने का दावा नहीं करता है, बल्कि $N_2$ के विशिष्ट मामलों के लिए cHCI और cSQD पर इस दृष्टिकोण की उपयोगिता को प्रदर्शित करता है।

नया विचार: एक "स्मार्ट सू-शेफ" (Smart Sous-Chef)

उन्होंने क्या हासिल किया?

मुख्य निष्कर्ष (The Bottom Line)

इसी तरह के और पेपर