⚛️ nuclear theory

Emulating Density Functional Theory Calculations via Empirical Interpolation

यह शोध पत्र प्रदर्शित करता है कि एम्पिरिकल इंटरपोलेशन मेथड (EIM), ग्राउंड-स्टेट और विखंडन गुणों के लिए न्यूक्लियर डेंसिटी फंक्शनल थ्योरी गणनाओं का उच्च सटीकता के साथ प्रभावी ढंग से अनुकरण कर सकता है, जिससे एक क्रम-परिमाण (ऑर्डर-ऑफ-मैग्निट्यूड) की गति वृद्धि प्राप्त होती है जो पूरे चार्ट के नाभिकों के लिए व्यवहार्य सांख्यिकीय अनिश्चितता मात्रा निर्धारण को सक्षम बनाती है।

मूल लेखक: Daniel Lay, Pablo Giuliani, Kyle Godbey

प्रकाशित 2026-07-14

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Daniel Lay, Pablo Giuliani, Kyle Godbey

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 यह अनुमान लगाने की कोशिश कर रहे हैं कि परमाणु ऊर्जा का एक विशाल, डगमगाता हुआ गोला कैसे व्यवहार करता है। वैज्ञानिक इस जटिल व्यवहार को समझने के लिए 'डेंसिटी फंक्शनल थ्योरी' (DFT) नामक एक अत्यंत जटिल गणितीय उपकरण का उपयोग करते हैं। यह एक तूफान में हर एक अणु के लिए मौसम का पूर्वानुमान लगाने जैसा है। समस्या क्या है? इसमें बहुत अधिक समय लगता है। शक्तिशाली कंप्यूटरों के बावजूद, यह भविष्यवाणी करने के लिए कि एक नाभिक (nucleus) कैसे टूट सकता है (विखंडन/fission) या अपनी मूल अवस्था (ground state) में कैसे स्थिर रह सकता है, गणना करना इतना धीमा है कि वैज्ञानिक आसानी से यह परीक्षण नहीं कर सकते कि उनके गणितीय मॉडलों में छोटे बदलावों के कारण उनकी भविष्यवाणियां कितनी गलत हो सकती हैं।

मुख्य बाधा एक अनुवादक की तरह है जिसे बार-बार एक कहानी को एक भाषा (कोऑर्डिनेट स्पेस) से दूसरी भाषा (कॉन्फ़िगरेशन स्पेस) में बदलना पड़ता है, जो सिमुलेशन के हर एक चरण में होता है। यही वह भारी काम है जो सब कुछ धीमा कर देता है।

यहाँ इस पेपर के लेखक आते हैं: डैनियल ले, पाब्लो गिउलियानी और काइल गोडबे। उन्होंने पूछा, "क्या होगा अगर हम एक शॉर्टकट बना सकें?" उन्होंने कठिन गणित को फेंका नहीं; इसके बजाय, उन्होंने एम्लेटर (emulator) बनाया, जिसमें एम्पिरिकल इंटरपोलेशन मेथड (EIM) नामक एक तकनीक का उपयोग किया गया है।

जटिल परमाणु सिमुलेशन को एक विशाल, जटिल पेंटिंग की तरह समझें। आमतौर पर, पूरी तस्वीर को समझने के लिए, आपको हर एक ब्रशस्ट्रोक को देखना पड़ता है। EIM एक ऐसा तरीका है जिससे यह समझ आता है कि यदि आप केवल 100 विशिष्ट, सावधानीपूर्वक चुने गए ब्रशस्ट्रोक देखते हैं, तो आप अविश्वसनीय सटीकता के साथ पूरी पेंटिंग को गणितीय रूप से पुनर्गठित कर सकते हैं। लेखकों ने अपने "एम्लेटर" को 100 बार पूर्ण, धीमी सिमुलेशन चलाकर प्रशिक्षित किया, जिसमें सेटिंग्स (जैसे परमाणु रेसिपी में तापमान या दबाव बदलना) थोड़ी अलग थीं। फिर उन्होंने सबसे महत्वपूर्ण "ब्रशस्ट्रोक" (या बेसिस फंक्शन्स) को खोजने के लिए सिंगुलर वैल्यू डिकंपोजिशन (SVD) नामक एक गणितीय तकनीक का उपयोग किया, जो परमाणु व्यवहार के सार को पकड़ते हैं।

एक बार प्रशिक्षित होने के बाद, इस एम्लेटर को पूरी पेंटिंग को फिर से पढ़ने की आवश्यकता नहीं होती है। यह बस उन 100 प्रमुख बिंदुओं को देखता है और बाकी का अनुमान लगा लेता है। परिणाम यह है कि एम्लेटर मूल गणना के अंतिम दशमलव तक मूल गणना के साथ मेल खाता है। वास्तव में, जिन नाभिकों के लिए उन्होंने परीक्षण किया (60 कणों वाले हल्के नाभिक, $A=60$ , से लेकर 254 कणों वाले भारी नाभिक, $A=254$ तक), एम्लेटर ने बाइंडिंग एनर्जी को लगभग 1 keV (कुल ऊर्जा का एक बहुत छोटा हिस्सा) के भीतर सही बताया।

असली जादू इसकी गति है। लेखकों ने पाया कि यह विधि गणना को मूल सॉल्वर की तुलना में 10 गुना तेज़ बना देती है। यह एक क्रम-परिमाण (order-of-magnitude) की बड़ी छलांग है। यह पैदल चलने के बजाय हाई-स्पीड ट्रेन लेने जैसा है।

हालाँकि, इस खेल के कुछ महत्वपूर्ण नियम भी हैं, और पेपर इस बारे में बहुत स्पष्ट है कि यह क्या नहीं करता है:

यह कोई जादुई "वन-क्लिक" उत्तर नहीं है: एम्लेटर अभी भी एक इटरेटिव (पुनरावृत्ति वाली) प्रक्रिया है। यह केवल एक न्यूरल नेटवर्क की तरह एक नंबर नहीं उगल देता; इसे उत्तर खोजने के लिए एक लूप चलाना पड़ता है, इसलिए यह उन "ब्लैक बॉक्स" AI विधियों जितना तेज़ नहीं है जो एक ही चरण में परिणाम का अनुमान लगाने की कोशिश करती हैं।
यह हर समस्या के लिए रामबाण नहीं है: हालांकि यह मुख्य "अनुवाद" चरण के लिए बहुत अच्छा काम करता है, लेकिन लेखक बताते हैं कि यदि आप वेवफंक्शन्स (wavefunctions) के लिए एक "रिड्यूस्ड बेसिस" (दूसरा शॉर्टकट) का उपयोग बहुत सारे अलग-अलग ऊर्जा स्तरों के लिए करने की कोशिश करते हैं, तो गति का लाभ समाप्त हो जाता है। 20 कणों के साथ उनके परीक्षणों में, दूसरा शॉर्टकट काम तो करता है, लेकिन 20 कणों के साथ, दूसरा शॉर्टकट गायब हो गया क्योंकि गणित बहुत अधिक जटिल हो गया था जिसे आगे सरल नहीं किया जा सकता था।
यह हर चीज़ के लिए पूर्ण नहीं है: एम्लेटर ऊर्जा की भविष्यवाणी करने में अद्भुत है (लगभग 1 keV के भीतर), लेकिन यह अन्य आकृतियों के लिए थोड़ा कम सटीक है, जैसे कि क्वाड्रुपोल मोमेंट (नाभिक कितना खिंचा हुआ है इसका माप), जहाँ त्रुटि लगभग 0.1% ( $10^{-3}$ ) है। यह अभी भी बहुत अच्छा है, लेकिन यह ऊर्जा भविष्यवाणी के स्तर की पूर्णता के समान नहीं है।

लेखकों ने यह भी परीक्षण किया कि क्या उनका शॉर्टकट उन स्थितियों का अनुमान लगा सकता है जिन्हें उसने पहले नहीं देखा है (एक्सट्रपलेशन)। उन्होंने पाया कि जब तक नई स्थिति "प्रशिक्षण" डेटा (उन 100 नमूनों) की सीमा के भीतर है, एम्लेटर अच्छा प्रदर्शन करता है। इससे पता चलता है कि यह विधि परमाणु मॉडलों को कैलिब्रेट करने के लिए बहुत उपयोगी हो सकती है, जहाँ वैज्ञानिकों को सर्वोत्तम फिट खोजने के लिए हजारों विविधताओं का परीक्षण करने की आवश्यकता होती है।

उन्होंने इसे एक कठिन मामले पर भी लागू किया: प्लूटोनियम-236 ( $^{236}\text{Pu}$ ) का एक "फिशन आइसोमर" (fission isomer)। यह नाभिक का एक अजीब, खिंचा हुआ संस्करण है जो विभाजित होने से ठीक पहले एक पल के लिए मौजूद होता है। एम्लेटर ने इस अवस्था की ऊर्जा को लगभग 10 keV के भीतर सफलतापूर्वक अनुमानित किया, भले ही मूल गणित को थोड़े ढीले टॉलरेंस (tolerance) के साथ चलाया गया था।

तो, निष्कर्ष क्या है? यह पेपर सिद्ध करता है कि EIM, सटीकता खोए बिना परमाणु सिमुलेशन को तेज़ करने का एक अत्यधिक प्रभावी तरीका है। यह एक ऐसे कार्य को जो आमतौर पर घंटों या दिनों का समय लेता है, बहुत तेज़ी से करने योग्य बनाता है, जिससे अस्थिर नाभिकों के लिए आवश्यक विशाल सांख्यिकीय परीक्षण करना संभव हो जाता है। यह हर एकल परमाणु भौतिकी प्रश्न के लिए हल किया गया प्रश्न नहीं है (लेखक स्वीकार करते हैं कि यह अभी भी पूर्ण कैलिब्रेशन के लिए व्यक्तिगत लैपटॉप पर चलाने के लिए पर्याप्त तेज़ नहीं है), लेकिन यह एक बड़ा कदम है जो इन जटिल, विकृत नाभिकों के लिए सांख्यिकीय अनिश्चितता मात्रा निर्धारण (uncertainty quantification) को पहली बार व्यवहार्य बनाता है।

तकनीकी सारांश: अनुभवजन्य अंतर्वेशन (Empirical Interpolation) के माध्यम से घनत्व कार्यात्मक सिद्धांत (DFT) गणनाओं का अनुकरण

समस्या विवरण
परमाणु घनत्व कार्यात्मक सिद्धांत (DFT), विशेष रूप से हार्ट्री-फॉक-बोगोल्युबोव (HFB) स्तर पर, परमाणु निम्नतम अवस्था (ground-state) और विखंडन गुणों की भविष्यवाणी करने के लिए एक प्राथमिक उपकरण है। हालाँकि, इन भविष्यवाणियों को विश्वसनीय बनाने के लिए—विशेष रूप से स्थिरता से दूर स्थित नाभिकों के लिए—सांख्यिकीय अनिश्चितता मात्रा निर्धारण (UQ) करने हेतु हजारों से लाखों मॉडल गणनाओं की आवश्यकता होती है। यह कम्प्यूटेशनल बोझ अत्यधिक है क्योंकि कई सॉल्वर में मुख्य बाधा समन्वय स्थान (coordinate space) से विन्यास स्थान (configuration space) में तरंग-कार्यात्मक निर्भर ऑपरेटरों का रूपांतरण करना है। यह रूपांतरण स्व-सुसंगत लूप (self-consistent loop) के प्रत्येक पुनरावृत्ति (iteration) में किया जाना चाहिए। इसके अतिरिक्त, आधुनिक ऊर्जा घनत्व कार्यात्मक (EDFs), जैसे कि स्काईर्म (Skyrme) और गॉग्नी (Gogny), अक्सर गैर-अफ़ाइन पैरामीटर निर्भरता (जैसे कि $(\rho_p + \rho_n)^\gamma$ जैसे पद) रखते हैं, जो 'रिड्यूस्ड बेसिस मेथड' (RBM) जैसे मानक रैखिक प्रक्षेपण विधियों के कुशल उपयोग को बिना संशोधन के रोकते हैं। जबकि गोलाकार नाभिकों के लिए प्रक्षेपण-आधारित एमुलेटर का सफलतापूर्वक उपयोग किया गया है, उन्हें अभी तक अक्षीय रूप से विकृत (axially-deformed) प्रणालियों तक विस्तारित नहीं किया गया है, जो ग्राउंड-स्टेट गुणों और विखंडन अवरोधों (fission barriers) के वर्णन के लिए महत्वपूर्ण हैं।

कार्यप्रणाली
लेखक अक्षीय रूप से विकृत HFB गणनाओं के लिए एमुलेटर बनाने के लिए अनुभवजन्य अंतर्वेशन विधि (Empirical Interpolation Method - EIM) के उपयोग का प्रस्ताव करते हैं। यह दृष्टिकोण विशिष्ट बाधा को लक्षित करता है: स्थानीय घनत्वों और धाराओं (क्षेत्रों/fields) का समन्वय स्थान से विन्यास स्थान आधार (आमतौर पर विकृत हार्मोनिक ऑसिलेटर अवस्थाओं) में अभिन्न रूपांतरण।

अनुभवजन्य अंतर्वेशन (Empirical Interpolation): विधि गैर-अफ़ाइन क्षेत्रों $f(\alpha; x)$ को पूर्व-निर्धारित आधार फलनों के रैखिक संयोजन का उपयोग करके अनुमानित करती है (जहाँ $\alpha$ EDF पैरामीटर है और $x$ समन्वय है):
$f(\alpha; x) \approx \hat{f}(\alpha; x) = \sum_{i=0}^{N_{EIM}} a_i(\alpha) \hat{f}^{(i)}(x)$
आधार फलन $\hat{f}^{(i)}(x)$ को वास्तविक पोस्टीरियर वितरण के माध्यम से परिवर्तित EDF पैरामीटरों के एक प्रशिक्षण सेट के सिंगुलर वैल्यू डीकंपोजिशन (SVD) के माध्यम से प्राप्त किया जाता है। विस्तार गुणांक $a_i(\alpha)$ को विशिष्ट कोलोकेशन बिंदुओं (सूचना सामग्री को अधिकतम करने के लिए MaxVol एल्गोरिदम के माध्यम से चयनित) पर मूल्यांकन करके और एक रैखिक प्रणाली को हल करके प्रत्येक पुनरावृत्ति में निर्धारित किया जाता है।
HFB में कार्यान्वयन: लेखक प्रत्येक क्षेत्र (जैसे कि गतिज, पेयरिंग, स्पिन-करंट) पर अलग से EIM लागू करते हैं क्योंकि उनके सिंगुलर वैल्यू क्षय दर (decay rates) भिन्न होते हैं। पेयरिंग फील्ड, जिसका क्षय धीमा होता है, प्रशिक्षण नमूनों की संख्या को निर्धारित करता है।
- प्रशिक्षण: UNEDF1 पोस्टीरियर वितरण से 100 EDF पैरामीटर सेट लिए गए।
- सत्यापन: एमुलेटर का परीक्षण 400 अतिरिक्त नमूनों पर किया गया।
- दायरा: विधि का परीक्षण एक सरल 1D ग्रॉस-पिटाएव्स्की (Gross-Pitaevskii) मॉडल और $A=60$ से $A=254$ तक के वास्तविक अक्षीय रूप से विकृत नाभिकों पर किया गया, जिसमें एक अत्यधिक विकृत विखंडन आइसोमर ( $^{236}\text{Pu}$ ) भी शामिल है।
- हाइब्रिड दृष्टिकोण: अध्ययन तरंग-कार्यात्मकों के लिए RBM के साथ EIM को संयोजित करने पर भी विचार करता है, हालांकि यह नोट करता है कि कई अवस्थाओं वाले अक्षीय रूप से विकृत प्रणालियों के लिए RBM की गति में सुधार गोलाकार मामलों की तुलना में कम स्पष्ट है।

प्रमुख परिणाम

सटीकता: EIM एमुलेटर मूल सॉल्वर के अभिसरण सहनशीलता (convergence tolerance) के साथ मिलान करने वाली सटीकता के साथ DFT मानों को पुनरुत्पादित करता है। बाइंडिंग ऊर्जा के लिए, एमुलेटर केवल 20–100 आधार फलनों का उपयोग करके लगभग 1 keV का रूट-मीन-स्क्वायर एरर (RMS error) प्राप्त करता है। त्रुटि घनत्व त्रुटियों के साथ द्विघात रूप से स्केल करती है, जो HFB की वेरिएशनल प्रकृति के अनुरूप है।
गति में वृद्धि (Speedup): एमुलेटर मूल HFB सॉल्वर (जैसे HFBTHO) की तुलना में क्रम के एक परिमाण (order-of-magnitude) की गति प्रदान करता है। 1D टेस्ट केस में, समान सटीकता के लिए EIM, मानक हार्मोनिक ऑसिलेटर (HO) सॉल्वर की तुलना में 100 गुना तेज़ था। वास्तविक 3D मामलों में, गति मुख्य रूप से प्रति पुनरावृत्ति समन्वय-से-विन्यास स्थान रूपांतरण की लागत में कमी से प्रेरित है।
सहवर्ती भविष्यवाणी: एक दिए गए परमाणु अवस्था के लिए, एमुलेटर गुणांकों के एक ही सेट के साथ सभी प्रेक्षणों (बाइंडिंग ऊर्जा, क्वाड्रुपोल विरूपण, उत्तेजना ऊर्जा) की एक साथ भविष्यवाणी करता है।
एक्सट्रपलेशन (Extrapolation): एमुलेटर UNEDF1 कैलिब्रेशन के पोस्टीरियर पैरामीटर क्षेत्र के भीतर विश्वसनीय रूप से एक्सट्रपलेशन करने की क्षमता प्रदर्शित करता है, जो न्यूरल नेटवर्क दृष्टिकोणों से बेहतर प्रदर्शन करता है जो अक्सर प्रशिक्षण डेटा के निकट होने पर भी एक्सट्रपलेशन में संघर्ष करते हैं।
विखंडन आइसोमर: विधि $^{236}\text{Pu}$ के विखंडन आइसोमर के उत्तेजना ऊर्जा और क्वाड्रुपोल मोमेंट्स को सफलतापूर्वक पुनरुत्पादित करती है, जिसमें त्रुटियां प्रशिक्षण डेटा सहनशीलता के अनुरूप हैं।

महत्व और दावे
यह शोध दावा करता है कि EML, DFT के लिए एक उपयुक्त और सरल एमुलेशन योजना है, विशेष रूप से उन अनुप्रयोगों के लिए जिनमें उच्च सटीकता (जैसे मॉडल कैलिब्रेशन और विखंडन अध्ययन) की आवश्यकता होती है। प्रमुख योगदान निम्नलिखित हैं:

UQ की व्यवहार्यता: गणना लागत को एक क्रम के परिमाण द्वारा कम करके, EIM विकृत नाभिकों के लिए सांख्यिकीय अनिश्चितता मात्रा निर्धारण को व्यवहार्य बनाता है, जो पहले कम्प्यूटेशनल व्यय के कारण बाधित था।
कार्यान्वयन: विधि को मौजूदा HFB सॉल्वरों में "कार्यान्वयन के लिए काफी सरल" बताया गया है जो समन्वय-से-विन्यास रूपांतरण करते हैं।
सटीकता बनाम गति: न्यूरल नेटवर्क एमुलेटर के विपरीत, जो एकल कॉल में घनत्वों का मूल्यांकन कर सकते हैं लेकिन एक्सट्रपलेशन विश्वसनीयता की कमी रखते हैं, EIM स्व-सुसंगत लूप संरचना को बनाए रखता है (यह सुनिश्चित करता है कि भौतिक बाधाएं पूरी हों) जबकि सबसे महंगे चरण की लागत को भारी रूप से कम करता है।
सीमाएँ: लेखक विनम्रतापूर्वक नोट करते हैं कि हालांकि EIM महत्वपूर्ण गति प्रदान करता है, यह अभी तक व्यक्तिगत कंप्यूटर पर EDF कैलिब्रेशन को सक्षम नहीं करता है (एक लक्ष्य जो अन्य एमुलेटरों के साथ भी अप्राप्त रहा है)। वे सुझाव देते हैं कि इस अंतर को पाटने के लिए आगे के हाइब्रिड स्कीम्स या ऑपरेटर लर्निंग दृष्टिकोणों की आवश्यकता हो सकती है।

यह कार्य निष्कर्ष निकालता है कि EIM भविष्य की परमाणु भविष्यवाणियों की विश्वसनीयता में सुधार करने में मदद करता है, जिससे ग्राउंड स्टेट और विखंडन आइसोमर दोनों के लिए HFB गणनाओं के माध्यम से सांख्यिकीय अनिश्चितताओं का नियमित प्रसार संभव हो जाता है।

इसी तरह के और पेपर