🔬 physics

An Iterative Dual-Channel Neural Quantum State Algorithm for Selected Configuration Interaction

यह शोध पत्र हैंडओवर इटरेटिव न्यूरल क्वांटम स्टेट (HI-NQS) एल्गोरिदम प्रस्तुत करता है, जो एक विशुद्ध रूप से क्लासिकल GPU-आधारित विधि है जो पारंपरिक सिलेक्टेड कॉन्फ़िगरेशन इंटरैक्शन दृष्टिकोणों की तुलना में स्ट्रॉन्गली कोरिलेटेड सिस्टम के लिए रासायनिक सटीकता और बेहतर स्केलिंग प्राप्त करने के लिए एक ड्यूल-चैनल ट्रांसफॉर्मर न्यूरल नेटवर्क को इटरेटिव सैंपल-डायगोनलाइज़-अपडेट फ्रेमवर्क के साथ जोड़ता है।

मूल लेखक: Jen-Yu Chang, Yi-Chun Chang, Yu-Jui Lin, Ming-Chun Yang, Hsiu-Chi Tsai, Tai-Yue Li, Nan Yow Chen, Tsung-Wei Huang, En-Jui Kuo

प्रकाशित 2026-06-26

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jen-Yu Chang, Yi-Chun Chang, Yu-Jui Lin, Ming-Chun Yang, Hsiu-Chi Tsai, Tai-Yue Li, Nan Yow Chen, Tsung-Wei Huang, En-Jui Kuo

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 विशाल, धुंध भरे शहर में एक विशिष्ट गंतव्य (एक अणु की निम्नतम ऊर्जा अवस्था) तक पहुँचने के लिए सबसे अच्छा रास्ता खोजने की कोशिश कर रहे हैं। इस शहर में अरबों संभावित सड़कें (कॉन्फ़िगरेशन) हैं, लेकिन उनमें से केवल एक बहुत छोटा हिस्सा ही वास्तव में आपको कुशलतापूर्वक गंतव्य तक ले जाता है।

क्वांटम केमिस्ट्री की दुनिया में, वैज्ञानिक लंबे समय से इस "शहर" को सुलझाने के संघर्ष में रहे हैं। पारंपरिक तरीके हर एक सड़क का मानचित्र बनाने की कोशिश करते हैं, जो बड़े शहरों के लिए असंभव है। अन्य तरीके सबसे अच्छी सड़कों का अनुमान लगाने की कोशिश करते हैं, लेकिन वे अक्सर डेड एंड (बंद रास्तों) में फंस जाते हैं या सबसे महत्वपूर्ण शॉर्टकट को मिस कर देते हैं।

यह पेपर एक नया, स्मार्ट तरीका पेश करता है जिससे इस शहर में नेविगेट किया जा सकता है, जिसे HI-NQS कहा जाता है। यह कैसे काम करता है, इसे सरल उपमाओं के माध्यम से यहाँ समझाया गया है:

1. समस्या: "धुंध भरा शहर"

एक अणु कैसे व्यवहार करता है, यह समझने के लिए वैज्ञानिकों को एक जटिल गणितीय पहेली को हल करने की आवश्यकता होती है। इलेक्ट्रॉन्स (हमारे शहर की "कारें") खुद को कैसे व्यवस्थित कर सकते हैं, इसके संभावित तरीकों की संख्या इतनी तेजी से बढ़ती है कि उन सभी की जाँच करना असंभव हो जाता है।

पुराना तरीका (CIPSI): कल्पना कीजिए कि एक जासूस सबसे स्पष्ट रास्तों से शुरू करते हुए एक-एक करके हर सड़क की जाँच करता है। जैसे-जैसे शहर बड़ा होता जाता है, जासूस को घातीय रूप से (exponentially) अधिक सड़कों की जाँच करनी पड़ती है, और अंततः वह अभिभूत (overwhelmed) हो जाता है।
लक्ष्य: कम से कम स्ट्रीट चेक का उपयोग करके सबसे अच्छा रास्ता खोजना।

2. समाधान: दो लेन वाला एक "स्मार्ट जीपीएस"

लेखकों ने एक नया एल्गोरिदम बनाया है जिसे HI-NQS कहा जाता है। इसे एक स्मार्ट जीपीएस के रूप में सोचें जो गाड़ी चलाते समय शहर को सीखता है।

न्यूरल नेटवर्क (जीपीएस): सड़कों की जाँच करने के लिए किसी इंसान के बजाय, एक कंप्यूटर प्रोग्राम (एक ट्रांसफार्मर नामक AI) यह अनुमान लगाने के लिए सीखता है कि कौन सी सड़कें महत्वपूर्ण हैं।
"डुअल-चैनल" ट्रिक: इलेक्ट्रॉन दो प्रकार के आते हैं: "स्पिन-अप" और "स्पिन-डाउन।" पिछले AI मॉडलों में, इन्हें निर्देशों की एक ही उलझी हुई सूची के रूप में माना जाता था।
- नवाचार: HI-NQS जीपीएस को दो अलग-अलग लेन (चैनलों) में विभाजित करता है। एक लेन "स्पिन-अप" कारों को संभालती है, और दूसरी लेन "स्पिन-डाउन" कारों को संभालती है। महत्वपूर्ण बात यह है कि ये दोनों लेन आपस में लगातार संवाद करती हैं (क्रॉस-अटेंशन)।
- यह क्यों मायने रखता है: यह एक ट्रैफिक कंट्रोलर की तरह है जिसे पता है कि "स्पिन-अप" कारें कैसे चल रही हैं और वह टकराव से बचने के लिए तुरंत "स्पिन-डाउन" कारों को एडजस्ट करता है। इलेक्ट्रॉन्स के बीच होने वाली अंतःक्रिया (interaction) को समझने की यह अंतर्निहित क्षमता AI को रास्ता खोजने में कहीं अधिक स्मार्ट और तेज़ बनाती है।

3. "हैंडओवर" लूप: कोच और खिलाड़ी

यह एल्गोरिदम एक चक्र में काम करता है, जैसे एक कोच एक एथलीट को प्रशिक्षित करता है:

एथलीट (AI) अनुमान लगाता है: AI जांचने के लिए कुछ आशाजनक सड़कों (कॉन्फ़िगरेशन) की एक सूची का सुझाव देता है।
कोच (मैथ सॉल्वर) जाँच करता है: एक शक्तिशाली, सटीक गणितीय सॉल्वर इन विशिष्ट सड़कों की जाँच करता है ताकि उनके बीच का सही रास्ता खोजा जा सके।
फीडबैक (हैंडओवर): यही मुख्य बात है। कोच केवल एक स्कोर नहीं देता; वह जो सटीक समाधान पाता है, उसे AI को "सिखाता" है। वह कहता है, "तुमने इस विशिष्ट विवरण को मिस कर दिया; यहाँ बताया गया है कि सही उत्तर वास्तव में कैसा दिखता है।"
अपडेट: AI इस फीडबैक से सीखता है, अपने आंतरिक मानचित्र को अपडेट करता है, और अगली बार बेहतर अनुमान लगाने के लिए चरण 1 पर वापस जाता है।

यह एक क्लोज्ड लूप बनाता है: AI प्रस्ताव देता है, गणित हल करता है, और गणित AI को सिखाता है। वे बेहतर बनने के लिए मिलकर काम करते रहते हैं जब तक कि वे पूर्ण समाधान तक नहीं पहुँच जाते।

4. परिणाम: कठिन नहीं, बल्कि स्मार्ट

लेखकों ने इस नए जीपीएस का परीक्षण 18 अलग-अलग "शहरों" (अणुओं) पर किया, जो छोटे से लेकर बहुत बड़े, जटिल सिस्टम तक फैले हुए हैं।

सटीकता (Accuracy): इसने हर एक टेस्ट के लिए सही उत्तर (केमिकल एक्यूरेसी) खोज निकाला।
दक्षता (Efficiency): यहीं यह चमकता है। सबसे बड़े शहरों (40 "क्यूबिट्स" या जटिल सिस्टम) के लिए, पुराने तरीके (CIPSI) को समान परिणाम प्राप्त करने के लिए HI-NQS की तुलना में लगभग 200 गुना अधिक सड़कों की जाँच करने की आवश्यकता थी।
स्केलिंग (Scaling): जैसे-जैसे शहर बड़ा होता है, पुराने तरीके का कार्यभार विस्फोट की तरह बढ़ता है। HI-NQS का कार्यभार बहुत धीरे-धीरे बढ़ता है। यह पुराने तरीके के एक खड़ी पहाड़ी पर चढ़ने जैसा है, जबकि HI-NQS लिफ्ट ले रहा है।

5. निष्कर्ष

यह पेपर दावा करता है कि एक विशेष AI आर्किटेक्चर का उपयोग करके जो इलेक्ट्रॉन्स के बीच होने वाली अंतःक्रिया के विशिष्ट "नियमों" का सम्मान करता है (डुअल-चैनल डिज़ाइन) और निरंतर सटीक गणितीय समाधानों के साथ AI को शिक्षित करके (हैंडओवर लूप), उन्होंने एक शुद्ध क्लासिकल कंप्यूटर विधि बनाई है जो वर्तमान अत्याधुनिक तकनीकों की तुलना में बहुत अधिक कुशल है।

संक्षेप में: उन्होंने एक स्मार्ट नेविगेटर बनाया है जो एक पूर्ण मानचित्र से सीखता है, जिससे वे पिछले तरीकों की तुलना में बहुत कम कंप्यूटिंग पावर के साथ जटिल आणविक पहेलियों को हल कर सकते हैं, और इसके लिए क्वांटम कंप्यूटर की आवश्यकता भी नहीं है।

तकनीकी सारांश: चयनित कॉन्फ़िगरेशन इंटरैक्शन के लिए हैंडओवर इटरेटिव न्यूरल क्वांटम स्टेट (HI-NQS)

समस्या विवरण
स्ट्रॉन्गली कोरिलेटेड सिस्टम्स (strongly correlated systems) के लिए इलेक्ट्रॉनिक श्रोडिंगर समीकरण (Schrödinger equation) को सटीक रूप से हल करना, कॉन्फ़िगरेशन स्पेस के घातीय विकास (exponential growth) के कारण बाधित होता है, जिससे केवल बहुत छोटे एक्टिव स्पेस के लिए ही फुल कॉन्फ़िगरेशन इंटरैक्शन (FCI) व्यावहारिक रह जाता है। सिलेक्टेड कॉन्फ़िगरेशन इंटरैक्शन (SCI) एल्गोरिदम कॉम्पैक्ट डिटरमिनेंटल एक्सपेंशन को अनुकूल रूप से (adaptively) निर्मित करके इस समस्या का समाधान करते हैं। हालाँकि, उनकी दक्षता उन सैंपलिंग रणनीतियों की गुणवत्ता द्वारा सीमित है जिनका उपयोग रासायनिक रूप से महत्वपूर्ण कॉन्फ़िगरेशनों की पहचान करने के लिए किया जाता है। मौजूदा विधियाँ विशिष्ट बाधाओं का सामना करती हैं: क्लासिकल SCI वेरिएंट (जैसे CIPSI) कैंडिडेट पूल्स में कॉम्बिनेटोरियल विकास और सबस्पेस डायगोनलाइजेशन में क्यूबिक स्केलिंग से ग्रस्त होते हैं; क्वांटम दृष्टिकोण (जैसे VQE) वर्तमान में मेजरमेंट ओवरहेड्स और शोर (noise) के कारण बड़े पैमाने पर अव्यावहारिक हैं; और मौजूदा न्यूरल क्वांटम स्टेट (NQS) विधियों में अक्सर एक बाहरी सटीकता एंकर (accuracy anchor) की कमी होती है या वे स्पष्ट रूप से फर्मियोनिक स्पिन संरचना को एनकोड करने में विफल रहती हैं, जिससे सब-ऑप्टिमल सैंपलिंग दक्षता होती है।

कार्यप्रणाली: HI-NQS एल्गोरिदम
लेखक हैंडओवर इटरेटिव न्यूरल क्वांटम स्टेट (HI-NQS) एल्गोरिदम का प्रस्ताव करते हैं, जो एक विशुद्ध रूप से क्लासिकल दृष्टिकोण है जो सैंपल-बेस्ड क्वांटम डायगोनलाइजेशन (SQD) के इटरेटिव सैंपल-डायगनालाइज़-अपडेट फ्रेमवर्क के भीतर एक क्लासिकली प्रशिक्षित ऑटोरिग्रेसिव ट्रांसफॉर्मर NQS को समाहित करता है। यह एल्गोरिदम पाँच प्रमुख चरणों वाले एक क्लोज्ड फीडबैक लूप के माध्यम से संचालित होता है:

डुअल-चैनल ऑटोरिग्रेसिव सैंपलिंग: वेवफंक्शन को एक ट्रांसफॉर्मर आर्किटेक्चर द्वारा मॉडल किया जाता है जो बोर्न डिस्ट्रीब्यूशन $\pi_\theta(x)$ को स्पिन-रिजॉल्व्ड कंडीशन्स में फैक्टराइज़ करता है।
- आर्किटेक्चर: एक डुअल-चैनल डिज़ाइन स्पिन- $\alpha$ और स्पिन- $\beta$ स्ट्रीम्स को अलग करता है। $\alpha$ -स्ट्रीम स्पिन-अप कंडीशन्स जेनरेट करने के लिए कॉज़ल सेल्फ-अटेंशन (causal self-attention) का उपयोग करती है। $\beta$ -स्ट्रीम पूर्ण $\alpha$ -कॉन्फ़िगरेशन ( $H_\alpha$ ) के साथ कॉज़ल सेल्फ-अटेंशन को क्रॉस-अटेंशन के साथ इंटरलीव करती है। यह विपरीत-स्पिन सहसंबंधों (opposite-spin correlations) को एक आर्किटेक्चरल इंडक्टिव बायस के रूप में स्पष्ट रूप से एनकोड करता है, जो पूर्ववर्ती जेनेरेटिव NQS विधियों के सिंगल-स्ट्रीम एनकोडिंग के विपरीत है।
- सैंपलिंग: हार्ड पार्टिकल-नंबर कंस्ट्रेंट्स के तहत सटीक एंसेस्ट्रल सैंपलिंग (ancestral sampling) के माध्यम से कॉन्फ़िगरेशन खींचे जाते हैं, जो बिना मार्कोव-चेन मिक्सिंग के अनबायस्ड सैंपल्स सुनिश्चित करता है।
हाइब्रिड कैंडिडेट जनरेशन: लेट इटरेशन्स में ऑटोरिग्रेसिव सैपर्स में मोड कोलैप्स (mode collapse) को रोकने के लिए, एल्गोरिदम स्टोकेस्टिक NQS प्रपोजल्स को एक डिटरमिनिस्टिक क्लासिकल एक्सपेंशन के साथ जोड़ता है। यह एक्सपेंशन वर्तमान बेसिस के डोमिनेंट डिटरमिनेंट्स के सिंगल और डबल एक्साइटेशन्स को सूचीबद्ध करता है, जो उच्च-एम्प्लीट्यूड वाले क्षेत्रों के हैमिल्टोनियन-कनेक्टेड परिवेश में ताज़ा कॉन्फ़िगरेशन की निरंतर आपूर्ति सुनिश्चित करता है।
पर्टर्बेटिव स्कोरिंग और बेसिस अपडेट: उम्मीदवारों को एपस्टीन-नेस्बेट सेकंड-ऑर्डर पर्टर्बेशन थ्योरी (PT2) महत्व माप, $s(x) = |\langle x|\hat{H}|\Psi_0\rangle|^2 / |E_0 - H_{xx}|$ का उपयोग करके रैंक किया जाता है। संचयी बेसिस (cumulative basis) को शीर्ष-रैंक वाले कॉन्फ़िगरेशन को बनाए रखकर अपडेट किया जाता है।
सबस्पेस डायगोनलाइजेशन: चयनित बेसिस के भीतर प्रोजेक्टेड हैमिल्टोनियन को ग्राउंड-स्टेट एनर्जी $E_0$ और आइजनवेक्टर $\Psi_0$ प्राप्त करने के लिए सटीक रूप से डायगनालाइज़ किया जाता है (डेविडसन इजनसॉल्वर का उपयोग करके)। यह चरण एक वेरिएशनल अपर बाउंड प्रदान करता है और क्लासिकल सटीक डायगोनलाइजेशन के लिए "हैंडओवर" के रूप में कार्य करता है।
सुपरवाइज्ड डिस्टिलेशन (टीचर-स्टूडेंट लूप): परिणामी आइजनवेक्टर $\Psi_0$ को वापस NQS में डिस्टिल किया जाता है। सीधे ऊर्जा को मिनिमाइज़ करने के बजाय, नेटवर्क को एक कंपोजिट लॉस फंक्शन के माध्यम से प्रशिक्षित किया जाता है जिसमें $|\Psi_0|^2$ के फैक्टराइज्ड स्पिन-मार्जिनल्स ( $p_\alpha(\sigma_\alpha)p_\beta(\sigma_\beta)$ से प्राप्त) से प्राप्त टीचर सिग्नल शामिल होता है। यह सुपरवाइज्ड लॉस, पॉलिसी-ग्रेडिएंट और एंट्रॉपी रेगुलराइजेशन टर्म्स के साथ मिलकर, नेटवर्क पैरामीटर्स को सटीक सबस्पेस आइजनवेक्टर को बेहतर ढंग से अनुमान लगाने के लिए अपडेट करता है।

प्रमुख योगदान

डुअल-चैनल आर्किटेक्चर: स्पिन-अप और स्पिन-डाउन स्ट्रीम्स के बीच स्पष्ट क्रॉस-अटेंशन के साथ एक ट्रांसफॉर्मर का परिचय, जो फर्मियोनिक स्पिन स्ट्रक्चर को एक सीखा गया फीचर मानने के बजाय एक स्ट्रक्चरल प्रायर के रूप में मानता है।
फैक्टराइज्ड सुपरविजन: एक प्रशिक्षण रणनीति जो फैक्टरलाइज्ड स्पिन-मार्जिनल्स का उपयोग करके सटीक सबस्पेस आइजनवेक्टर को NQS में डिस्टिल करती है, जिससे एक सक्रिय सुपरवाइज्ड पाथवे बनता है जो डुअल-चैनल आर्किटेक्चर के साथ संरेखित होता है।
हाइब्रिड सैंपलिंग रणनीति: मोड कोलैप्स को रोकने और हैमिल्टोनियन-कनेक्टेड स्पेस को कवर करने के लिए डिटरमिनिस्टिक सिंगल/डबल एक्साइटेशन्स को ऑटोरिग्रेसिव सैंपलिंग के साथ एकीकृत करना।
शुद्ध क्लासिकल स्केलेबिलिटी: यह प्रदर्शन कि पूरी तरह से GPU हार्डवेयर पर, बिना क्वांटम कंप्यूटिंग संसाधनों के, एक उच्च-प्रदर्शन, स्केलेबल SCI सॉल्वर प्राप्त किया जा सकता है, जो क्वांटम संदर्भों (HI-VQE) में पहले से खोजे गए "हैंडओवर" सिद्धांत का उपयोग करता है।

परिणाम
लेखकों ने 18 सिस्टम्स में CIPSI-SCI और सटीक FCI (या उच्च-सटीकता वाले SHCI प्रॉक्सी) के विरुद्ध HI-NQS का बेंचमार्किंग किया:

सटीकता: HI-NQS ने सभी 18 परीक्षण किए गए सिस्टम्स पर केमिकल एक्यूरेसी ( $|E - E_{ref}| < 1.6$ mHa) हासिल की, जिसमें दस छोटे अणु और एक आठ-पॉइंट नाइट्रोजन एक्टिव-स्पेस सीरीज़ (CAS(6,6) से CAS(14,20), जो 12 से 40 क्यूबिट्स तक फैला है) शामिल हैं।
डिटरमिनेंट काउंट स्केलिंग: विधि ने क्यूबिट काउंट के मुकाबले डिटरमिनेंट्स की संख्या ( $N_{det}$ ) के लिए एक लॉग-लीनियर स्केलिंग एक्सपोनेंट $\alpha_{NQS} = 0.089 \pm 0.011$ प्रदर्शित किया। यह CIPSI-SCI ( $\alpha_{CIPSI} = 0.180$ ) की तुलना में लगभग आधा और फुल CASCI ( $\alpha_{CASCI} = 0.262$ ) की तुलना में एक-तिहाई स्केलिंग है।
दक्षता लाभ: सबसे बड़े परीक्षण किए गए एक्टिव स्पेस (CAS(14,20), 40 क्यूबिट्स) पर, HI-NQS को केमिकल एक्यूरेसी तक पहुँचने के लिए CIPSI-SCI की तुलना में लगभग 200 गुना कम डिटरमिनेंट्स की आवश्यकता पड़ी। यह लाभ सिस्टम साइज के साथ बढ़ता है, जो छोटे एक्टिव स्पेस (CAS(6,6)) पर समानता से शुरू होकर CAS(14,20) पर $\sim 200\times$ के कारक तक पहुँच जाता है।
पारेटो ऑप्टिमलिटी: 18 में से 13 सिस्टम्स पर, HI-NQS पारेटो-डोमिनेंट था, जिसने CIPSI-SCI की तुलना में समान या बेहतर सटीकता प्राप्त करते हुए कम डिटरमिनेंट्स का उपयोग किया।

महत्व और दावे
यह पेपर दावा करता है कि HI-NQS शुद्ध क्लासिकल सिलेक्टेड कॉन्फ़िगरेशन इंटरैक्शन के लिए एक नया मानक स्थापित करता है, यह प्रदर्शित करते हुए कि एक जेनेरेटिव सैंपलर जिसमें फर्मियोनिक स्पिन स्ट्रक्चर के अनुरूप इंडक्टिव बायस है, वह बेसिस कॉम्पैक्टनेस में पर्टर्बेटिवली ऑर्डर्ड SCI मेथड्स से आगे निकल सकता है। लेखक तर्क देते हैं कि सिलेक्टेड-CI और न्यूरल क्वांटम स्टेट्स के बीच का अंतर सिद्धांत के बजाय आर्किटेक्चर का मामला है। जेनेरेटिव सैंपलिंग और सटीक डायगोनलाइजेशन के बीच फीडबैक लूप को सफलतापूर्वक बंद करके, HI-NQS स्ट्रॉन्गली कोरिलेटेड क्वांटम केमिस्ट्री के लिए एक स्केलेबल समाधान प्रदान करता है जो भविष्य के हाइब्रिड क्लासिकल-क्वांटम वर्कफ़्लो (जैसे, क्वांटम डायगोनलाइजेशन के लिए वॉर्म-स्टार्ट के रूप में) के साथ सीधा इंटरफ़ेस बनाए रखता है। परिणाम बताते हैं कि यह विधि काफी बड़े एक्टिव स्पेस तक विस्तार कर सकती है, जैसे कि ट्रांजिशन-मेटल केमिस्ट्री (जैसे, Fe–S क्लस्टर्स, Cr $_2$ ) के लिए आवश्यक, जहाँ डिटरमिनेंट टेल में सबसे मजबूत कॉम्बिनेटोरियल ग्रोथ होता है।

1. समस्या: "धुंध भरा शहर"

2. समाधान: दो लेन वाला एक "स्मार्ट जीपीएस"

3. "हैंडओवर" लूप: कोच और खिलाड़ी

4. परिणाम: कठिन नहीं, बल्कि स्मार्ट

5. निष्कर्ष

इसी तरह के और पेपर