Tensor-Network Finite Elements for Analytic Operator Equations

कल्पना कीजिए कि ब्रह्मांड एक विशाल, अदृश्य मशीन के रूप में है जो निर्देशों के एक अविश्वसनीय रूप से जटिल सेट पर चल रही है। ये निर्देश अंग्रेजी या कोड में नहीं लिखे गए हैं, बल्कि "ऑपरेटर समीकरणों" (operator equations) में हैं—गणितीय रेसिपी जो यह बताती हैं कि चीजें कैसे बदलती हैं, चलती हैं और परस्पर क्रिया करती हैं। वे हमें बताते हैं कि एक धातु की छड़ में गर्मी कैसे फैलती है, भीड़ में वायरस कैसे फैलता है, या एक क्वांटम कण कैसे नृत्य करता है। समस्या यह है कि ये रेसिपी अक्सर इतनी उलझी हुई और गैर-रैखिक (non-linear) होती हैं कि उन्हें हाथ से हल करना असंभव है। दशकों से, वैज्ञानिकों ने "फाइनाइट एलीमेंट्स" (Finite Elements) नामक एक विधि का उपयोग किया है, जो इन विशाल पहेलियों को छोटे, प्रबंधनीय लेगो ब्रिक्स (Lego bricks) में तोड़ने के लिए है। वे प्रत्येक ईंट के लिए गणित को हल करते हैं और फिर उन्हें वापस जोड़ने की कोशिश करते हैं। लेकिन जब सिस्टम बहुत बड़ा हो जाता है या परस्पर क्रियाएं बहुत जटिल हो जाती हैं, तो ईंटों की संख्या विस्फोट की तरह बढ़ जाती है, और कंप्यूटर डेटा के भार से क्रैश हो जाता है।

यहाँ "टेंसर नेटवर्क्स" (Tensor Networks) का प्रवेश होता है, जो मूल रूप से भौतिकविदों द्वारा यह समझने के लिए बनाया गया था कि एक क्वांटम सिस्टम में कण कैसे एक-दूसरे से "एंटेंगल्ड" (entangled) या जुड़े होते हैं। एक टेंसर नेटवर्क को ईंटों के ढेर के रूप में नहीं, बल्कि एक चतुर, लचीले जाल के रूप में सोचें जो उन ईंटों के बीच के सबसे महत्वपूर्ण कनेक्शनों को पकड़ कर रख सकता है, बिना हर एक कनेक्शन को स्टोर किए। यह एक विशाल, भीड़भाड़ वाली पार्टी का वर्णन करने जैसा है: हर जोड़े के बीच होने वाली हर बातचीत को सूचीबद्ध करने के बजाय (जिसमें बहुत समय लगेगा), आप बस मुख्य समूहों और उनके पड़ोसियों के साथ उनके संवाद का मानचित्र बना देते हैं। यह शोध पत्र एक साहसी प्रश्न पूछता है: क्या होगा यदि हम इस "जाल" का उपयोग केवल अंतिम उत्तर को कंप्रेस करने के लिए ही नहीं, बल्कि पहेली को बनाने के लिए भी करें?

लेखकों ने, जो MIT की एक टीम है, एक नया ढांचा विकसित किया है जो इन दोनों दुनियाओं को आपस में जोड़ता है। यह मानते हुए कि "लियो ब्रिक्स" (फाइनाइट एलीमेंट्स) और "जाल" (टेंसर नेटवर्क्स) अलग-अलग चरण हैं, वे उन्हें शुरुआत से ही एक साथ बुनते हैं। वे दिखाते हैं कि इन समीकरणों के गणितीय निर्माण खंडों को एक टेंसर नेटवर्क के नजरिए से देखकर, वे इन विश्लेषणात्मक (analytic) ऑपरेटर समीकरणों को बहुत सरल, रैखिक मैट्रिक्स समीकरणों (linear matrix equations) में बदल सकते हैं। अपने सिमुलेशन में, उन्होंने परीक्षण के लिए एक एक-आयामी विसरण (diffusion) समस्या का उपयोग किया (कल्पना कीजिए कि पानी में स्याही की एक बूंद फैल रही है, लेकिन एक ट्विस्ट के साथ जहाँ फैलने की गति इस बात पर निर्भर करती है कि पहले से कितनी स्याही मौजूद है)। उन्होंने पाया कि उनकी विधि पारंपरिक समाधानों को उच्च सटीकता के साथ पुनरुत्पादित कर सकती है, किनारों को चिकना और सीमाओं को सही रखती है, जबकि वह पारंपरिक कंप्यूटर की तुलना में बहुत कम मेमोरी का उपयोग करती है। यह एक 'प्रूफ ऑफ कॉन्सेप्ट' है जो सुझाव देता है कि हम कुछ जटिल समीकरणों को केवल संख्याओं के ढेर के बजाय परस्पर जुड़े नेटवर्क के रूप में सोचकर हल कर सकते हैं।

मुख्य विचार: अराजकता को एक सीधी रेखा में बदलना

इसके मूल में, यह शोध पत्र एक जादू की तरह है: एक अव्यवस्थित, गैर-रैखिक समीकरण को एक साफ, सीधी रेखा में बदलना। गणित की दुनिया में, "गैर-रैखिक" (non-linear) दुश्मन है। इसका अर्थ है कि यदि आप इनपुट को दोगुना करते हैं, तो आउटपुट केवल दोगुना नहीं होता; यह वर्ग, घन या कुछ पूरी तरह से विचित्र हो सकता है। ये समीकरण हल करने के लिए कुख्यात रूप से कठिन होते हैं। लेखकों का लक्ष्य इन अराजक समीकरणों को लेकर उन्हें "रैखिक मैट्रिक्स समीकरणों" में परिवर्तित करना था, जो गणितीय रूप से एक सीधी, आसानी से चलने योग्य राह के समान हैं।

ऐसा करने के लिए, उन्हें समस्या को देखने का तरीका बदलना पड़ा। आमतौर पर, जब वैज्ञानिक फाइनाइट एलिमेंट मेथड (FEM) का उपयोग करते हैं, तो वे एक डोमेन (जैसे धातु का टुकड़ा या तरल) को छोटे हिस्सों में काट देते हैं। वे प्रत्येक हिस्से के लिए मान (value) को हल करते हैं और मानते हैं कि हिस्से काफी हद तक स्वतंत्र हैं, जो केवल समीकरण के गणित के माध्यम से एक-दूसरे से बात करते हैं। लेखकों ने महसूस किया कि यह दृष्टिकोण "सहसंबंधों" (correlations) को छोड़ देता है—उन गहरे, छिपे हुए लिंक को जो विभिन्न हिस्सों के बीच होते हैं।

उन्होंने सोचने का एक नया तरीका प्रस्तावित किया: समाधान को प्रत्येक हिस्से के लिए संख्याओं की एक सूची के रूप में मानने के बजाय, समाधान को एक विशाल, बहु-आयामी वस्तु (एक टेंसर) के रूप में मानें जहाँ हिस्से गहराई से जुड़े हुए हैं। फिर उन्होंने इस वस्तु को दर्शाने के लिए एक "टेंसर नेटवर्क" का उपयोग किया। एक टेंसर नेटवर्क को ओरिगेमी फोल्ड्स (origami folds) की एक श्रृंखला के रूप में सोचें। यदि आपके पास कागज की एक बड़ी शीट (पूर्ण समाधान स्थान) है, तो उसे एक विशिष्ट आकार (नेटवर्क) में मोड़ने से आप पूरे स्थान को घेरे बिना उसे अपने हाथ में रख सकते हैं।

"फॉक स्पेस" (Fock Space) अपग्रेड

यहीं पर यह थोड़ा विज्ञान-कथा (sci-fi) जैसा हो जाता है। लेखक बताते हैं कि रैखिक समस्याओं के लिए, आप बस एक मानक "हिल्बर्ट स्पेस" (वेक्टर्स का एक फैंसी गणितीय शब्द) का उपयोग कर सकते हैं। लेकिन गैर-रैखिक समस्याओं के लिए, जहाँ चीजें गुणा और परस्पर क्रिया करती हैं, वह खेल का मैदान पर्याप्त नहीं है। उन्हें एक "फॉक स्पेस" में अपग्रेड करना पड़ा।

कल्पना कीजिए कि हिल्बर्ट स्पेस एक एकल कमरा है जहाँ आप एक व्यक्ति रख सकते हैं। फॉक स्पेस एक ऐसी इमारत की तरह है जिसमें अनंत कमरे हैं, जहाँ आप एक व्यक्ति, दो लोग, तीन लोग, या एक पूरी भीड़, एक साथ रख सकते हैं। उनके गणित में, यह एक फलन (function) के गुणन (जैसे $u \times u$) को कमरों के बीच लोगों की एक सरल, रैखिक गति के रूप में दर्शाने की अनुमति देता है। यह सुनने में जटिल लगता है, लेकिन परिणाम शक्तिशाली है: यह एक गैर-रैखिक दुःस्वप्न को रैखिक नियमों के सेट में बदल देता है जिसे कंप्यूटर बहुत आसानी से संभाल सकता है।

वह "जाल" जो पहेली को थामे रखता है

वास्तविक नवाचार यह है कि वे टेंसर नेटवर्क का उपयोग कैसे करते हैं। पारंपरिक तरीकों में, यदि आप उच्च सटीकता के साथ किसी समस्या को हल करना चाहते हैं, तो आपको लाखों "डिग्री ऑफ फ्रीडम" (चरों) की आवश्यकता होती है। यह डेटा विस्फोट पैदा करता है। लेखकों की विधि एक टेंसर नेटवर्क का उपयोग एक "वैरिएशनल रिप्रेजेंटेशन" (variational representation) के रूप में करती है।

इसे इस प्रकार सोचें: यदि आप एक जटिल पेंटिंग का वर्णन करने की कोशिश कर रहे हैं, तो आप प्रत्येक सिंगल पिक्सेल के रंग को सूचीबद्ध कर सकते हैं (पारंपरिक तरीका)। यह बहुत सारा डेटा है। या, आप पेंटिंग को ब्रशस्ट्रोक के एक सेट के रूप में और उनके ओवरलैप होने के तरीके के रूप में वर्णित कर सकते हैं (टेंसर नेटवर्क का तरीका)। लेखक दिखाते हैं कि फाइनाइट एलीमेंट गुणांकों को एक नेटवर्क संरचना (जैसे कि एक मैट्रिक्स प्रोडक्ट स्टेट, या MPS, जो 1D समस्याओं के लिए अच्छा एक विशिष्ट प्रकार का नेटवर्क है) में व्यवस्थित करके, वे लाखों अतिरिक्त नंबरों को स्टोर किए बिना तत्वों के बीच आवश्यक "सहसंबंधों" को कैप्चर कर सकते हैं।

उन्होंने इसका परीक्षण एक गैर-रैखिक विसरण समीकरण पर किया। इस परिदृश्य में, "स्याही" का फैलना इस बात पर निर्भर करता है कि वहां पहले से कितनी स्याही है।

• परीक्षण: उन्होंने इसे विभिन्न स्तरों की गैर-रैखिकता के साथ सिम्युलेट किया।
• सेटअप: उन्होंने एक 1D डोमेन (एक रेखा) का उपयोग किया जिसे 10 या 11 फाइनाइट एलीमेंट्स में विभाजित किया गया था। प्रत्येक एलिमेंट में 4 बेसिस फंक्शन्स (वक्र को अनुमानित करने के लिए उपयोग किए जाने वाले गणितीय आकार) थे।
• परिणाम: केवल 1 के "बॉन्ड डायमेंशन" (जो बहुत छोटा है, जिसका अर्थ है एक बहुत ही सरल नेटवर्क) के साथ एक टेंसर नेटवर्क का उपयोग करके, उन्हें मानक, भारी-भरकम कंप्यूटर सिमुलेशन के लगभग समान परिणाम मिले। अंतर मूल आयाम (amplitude) के 2% से भी कम था।

यह क्यों महत्वपूर्ण है (और यह क्या नहीं करता है)

लेखक सावधानीपूर्वक यह स्पष्ट करते हैं कि यह एक "प्रूफ ऑफ प्रिंसिपल" है। वे यह दावा नहीं कर रहे हैं कि उन्होंने ब्रह्मांड के हर समीकरण को हल कर लिया है। वे दिखा रहे हैं कि ढांचा (framework) काम करता है। उन्होंने प्रदर्शित किया कि समस्या को फिर से तैयार करके, वे शास्त्रीय इंजीनियरिंग समस्याओं को हल करने के लिए स्थापित एल्गोरिदम (जैसे DMRG, जो क्वांटम भौतिकी में प्रसिद्ध है) का उपयोग कर सकते हैं।

उन्होंने स्पष्ट रूप से इस विचार को खारिज कर दिया कि टेंसर नेटवर्क केवल पहले से गणना किए गए समाधानों के लिए "कंप्रेशन टूल्स" हैं। इसके बजाय, वे तर्क देते हैं कि टेंसर नेटवर्क वह भाषा होनी चाहिए जिसमें समीकरण को शुरू से लिखा जाए। यह एक सूक्ष्म लेकिन महत्वपूर्ण बदलाव है। इसका अर्थ है कि गणित स्वयं अधिक कुशल हो जाता है, न कि केवल उत्तर का भंडारण।

यह शोध पत्र यह भी उजागर करता है कि यह विधि तब सबसे अच्छा काम करती है जब सहसंबंध "स्थानीय" (local) होते हैं—अर्थात, एक हिस्से में जो होता है वह मुख्य रूप से उसके निकटतम पड़ोसियों को प्रभावित करता है। यदि सिस्टम अराजक है या इसमें लंबी दूरी के, अनियंत्रित संबंध हैं, तो नेटवर्क को बड़ा और अधिक जटिल होने की आवश्यकता हो सकती है। लेकिन भौतिकी और इंजीनियरिंग की कई मानक समस्याओं के लिए, यह "स्थानीय" धारणा सही बैठती है।

निष्कर्ष

सरल शब्दों में, लेखकों ने गणित की दो अलग-अलग दुनियाओं के बीच एक पुल बनाया है: चीजों को टुकड़ों में तोड़ने की दुनिया (फाइनाइट एलीमेंट्स) और चीजों को जालों के साथ जोड़ने की दुनिया (टेंसर नेटवर्क्स)। इस पुल को पार करके, उन्होंने सबसे जिद्दी, गैर-रैखिक विश्लेषणात्मक समीकरणों को रैखिक समीकरणों में बदलने का एक तरीका खोजा जो हल करने में आसान हैं।

उन्होंने दिखाया कि एक विशिष्ट प्रकार की समस्या (1D विसरण) के लिए, सोचने का यह नया तरीका सटीक परिणाम देता है और साथ ही गणना की लागत को भी कम रखता है। यह खोजने जैसा है कि आप रूबिक क्यूब को बेतरतीब ढंग से घुमाकर नहीं, बल्कि यह महसूस करके हल कर सकते हैं कि पूरा क्यूब वास्तव में एक एकल, लचीला लूप है जिसे बस एक विशिष्ट क्रम में सुलझाने की आवश्यकता है। हालांकि उन्होंने अभी तक हर पहेली को हल नहीं किया है, लेकिन उन्होंने हमें एक नया, बहुत शक्तिशाली उपकरण उनके टूलबॉक्स में थमा दिया है।