🔬 mesoscale physics

Scaling universal Fermi network toward ground states: A diffusion-Monte-Carlo assessment

यह शोध पत्र प्रदर्शित करता है कि सार्वभौमिक रूप से अभिव्यंजक फर्मी सेट्स (Fermi Sets) न्यूरल नेटवर्क आर्किटेक्चर को परस्पर क्रिया करने वाले फर्मिऑन प्रणालियों के ग्राउंड स्टेट्स पर अभिसरण करने के लिए व्यवस्थित रूप से स्केल किया जा सकता है, जैसा कि जेलीअम (jellium) और क्वांटम डॉट मॉडलों पर फिक्स्ड-फेज डिफ्यूजन मोंटे कार्लो गणनाओं से ऊर्जा में होने वाले घटते सुधारों से प्रमाणित होता है।

मूल लेखक: Yu-Sheng Li, Saskia Poldmaa, Tzen Ong, Ahmed Abouelkomsan, Tay-Rong Chang, Hsin Lin, Liang Fu

प्रकाशित 2026-07-29

📖 4 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें

CC BY 4.0

मूल लेखक: Yu-Sheng Li, Saskia Poldmaa, Tzen Ong, Ahmed Abouelkomsan, Tay-Rong Chang, Hsin Lin, Liang Fu

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

अदृश्य, छटपटाते नर्तकों की एक भीड़ के सटीक नृत्य की भविष्यवाणी करने का प्रयास करें। क्वांटम भौतिकी की दुनिया में, ये नर्तक इलेक्ट्रॉन हैं, और वे जिस कोरियोग्राफी का पालन करते हैं, वह श्रोडिंगर समीकरण (Schrödinger equation) नामक नियमों के एक समूह द्वारा निर्देशित होती है। यह समीकरण वह "स्क्रिप्ट" है जो हमें बताती है कि परमाणु, अणु और हमारे आसपास की सामग्रियां कैसे व्यवहार करती हैं। लेकिन यहाँ एक पेंच है: इलेक्ट्रॉन चतुर होते हैं। वे "असामाजिक" होते हैं, जिसका अर्थ है कि यदि आप उनमें से दो को आपस में बदल देते हैं, तो पूरा नृत्य का क्रम उल्टा हो जाता है (एक नियम जिसे एंटीसिमेट्री कहा जाता है)। इसके अलावा, जिस मंच पर वे नाचते हैं वह अनंत है, और उनके द्वारा किए जा सकने वाले संभावित मूव्स की संख्या इतनी विशाल है कि उन्हें गिनना व्यावहारिक रूप से असंभव है।

दशकों से, वैज्ञानिकों ने इस नृत्य की स्क्रिप्ट को हल करने के लिए दो मुख्य रणनीतियों का उपयोग करने का प्रयास किया है। पहली रणनीति एक पुस्तकालय की किताबों में हर एक कदम को याद करने जैसा है; यह सटीक है लेकिन इतनी विशाल और धीमी हो जाती है कि कुछ से अधिक जटिल नर्तकों के लिए यह विफल हो जाती है। दूसरी रणनीति नृत्य के एक रफ स्केच का उपयोग करके मूव्स का अनुमान लगाने जैसी है; यह तेज़ है, लेकिन स्केच उन तरीकों में गलत हो सकता है जिन्हें आप आसानी से देख नहीं सकते। हाल ही में, मंच पर एक नया उपकरण आया है: आर्टिफिशियल इंटेलिजेंस (न्यूरल नेटवर्क)। ये कंप्यूटर प्रोग्राम हैं जो स्वयं नृत्य की स्क्रिप्ट लिखना सीख सकते हैं, और आप उन्हें जितना अधिक "ब्रेनपावर" (पैरामीटर्स) देंगे, वे उतने ही बेहतर होते जाएंगे। हालाँकि, बड़ा सवाल यह रहा है: हम यह कैसे जानते हैं कि एआई (AI) ने वास्तव में परफेक्ट डांस खोज लिया है, या यह केवल एक बहुत अच्छा अनुमान है?

यह शोध पत्र इस प्रश्न का उत्तर देने के लिए एक चतुर दो-चरणीय विधि पेश करता है, जो इन एआई नर्तकों के लिए एक कठोर "फाइनल एग्जाम" की तरह कार्य करती है। शोधकर्ताओं ने "फर्मी सेट्स" (Fermi Sets) नामक एक विशिष्ट प्रकार के एआई आर्किटेक्चर का उपयोग किया, जिसे विशेष रूप से इलेक्ट्रॉनों के असामाजिक नियमों का सम्मान करने के लिए बनाया गया है। पहले, उन्होंने एआई को अभ्यास करने और अपनी ऊर्जा को कम करने (सबसे कुशल नृत्य खोजने) दिया। फिर, उन्होंने एआई के परिणाम पर "डिफ्यूजन मोंटे कार्लो" (Diffusion Monte Carlo - DMC) नामक एक दूसरा, अधिक शक्तिशाली सिमुलेशन चलाया। इस दूसरे चरण को एआई के नृत्य को लेकर और थोड़ा सा बदलने (tweak करने) की कोशिश करने वाले एक सख्त कोच के रूप में समझें ताकि यह देखा जा सके कि क्या इसे और बेहतर बनाया जा सकता है। यदि कोच नृत्य में बिल्कुल भी सुधार नहीं कर पाता है, तो इसका अर्थ है कि एआई ने संभवतः वास्तविक, पूर्ण 'ग्राउंड स्टेट' खोज लिया है।

टीम ने इसे दो बहुत अलग परिदृश्यों पर परखा। पहले, उन्होंने एक "क्वांट_डॉट" (quantum dot) को देखा, जो एक छोटा, कृत्रिम परमाणु है जहाँ इलेक्ट्रॉन एक चुंबकीय क्षेत्र में फंसे होते हैं। इस सेटिंग में, इलेक्ट्रॉन एक जटिल, घूमता हुआ नृत्य करते हैं जिसके लिए एक "फेज" (गणित में एक छिपा हुआ दिशा) की आवश्यकता होती है जिसे सही करना कठिन है। उन्होंने पाया कि जैसे-जैसे उन्होंने एआई नेटवर्क को बड़ा और स्मार्ट बनाया, एआई के अनुमान और कोच के अंतिम चेक के बीच का अंतर लगभग शून्य तक सिमट गया—इतना छोटा कि यह व्यावहारिक रूप से शून्य था। वास्तव में, उनके एआई ने एक विशिष्ट, विलक्षण नृत्य पैटर्न (एक कंपोजिट फर्मियन स्टेट) खोजा जिसे पारंपरिक तरीके वर्णित भी नहीं कर सके।

इसके बाद, उन्होंने उसी पद्धति को एक "जेलियम" (jellium) मॉडल पर लागू किया, जो एक तटस्थ पृष्ठभूमि में तैरते इलेक्ट्रॉनों के एक समान समुद्र की तरह है, जो एक धातु का प्रतिनिधित्व करता है। यहाँ, इलेक्ट्रॉन मजबूती से परस्पर क्रिया करते हैं और भीड़भाड़ वाले होते हैं। फिर से, जैसे-जैसे उन्होंने न्यूरल नेटवर्क के आकार को बढ़ाया, एआई की ऊर्जा और कोच की ऊर्जा के बीच का "गैप" ढह गया। यह शोध पत्र दिखाता है कि ट्रैप्ड क्वांटम डॉट और इलेक्ट्रॉन समुद्र दोनों के लिए, एआई का प्रदर्शन व्यवस्थित रूप से सुधरा जब तक कि वह सटीक समाधान से अविभेदनीय नहीं हो गया। शोधकर्ता निष्कर्ष निकालते हैं कि इन "फर्मी सेट्स" नेटवर्क को स्केल अप करके, वे जटिल इलेक्ट्रॉन प्रणालियों के सटीक ग्राउंड स्टेट के करीब व्यवस्थित रूप से पहुँच सकते हैं, जो क्वांटम भौतिकी की कुछ सबसे कठिन समस्याओं को हल करने का एक शक्तिशाली नया तरीका प्रदान करता है।

तकनीकी सारांश: ग्राउंड स्टेट्स की ओर यूनिवर्सल फर्मी नेटवर्क का स्केलिंग

समस्या विवरण
परस्पर क्रिया करने वाले कई-इलेक्ट्रॉन प्रणालियों के लिए इलेक्ट्रॉनिक श्रोडिंगर समीकरण को हल करना कंडक्टेड मैटर फिजिक्स और क्वांटम केमिस्ट्री में एक केंद्रीय चुनौती बनी हुई है। इसकी कठिनाई निरंतर प्रणालियों (continuum systems) के अनंत-आयामी हिल्बर्ट स्पेस और कण विनिमय के तहत फर्मिओनिक वेवफंक्शंस के एंटीसिमेट्रिक (antisymmetric) होने की आवश्यकता से उत्पन्न होती है। पारंपरिक विधियाँ महत्वपूर्ण सीमाओं का सामना करती हैं: फुल कॉन्फ़िगरेशन इंटरेक्शन (FCI) सिस्टम के आकार के साथ फैक्टोरियल रूप से स्केल करता है और सीमित बेसिस सेट्स द्वारा प्रतिबंधित है; ट्रंकेटेड एक्सपेंशन (जैसे, कपल्ड क्लस्टर) बेसिस सेट अपूर्णता और मेनी-बॉडी ट्रंकेशन त्रुटियों दोनों से ग्रस्त होते हैं; और डिफ्यूजन मोंटे कार्लो (DMC), हालांकि यह निरंतर स्थान में कार्य करता है, वास्तविक-मान वाले ट्रायल स्टेट्स के लिए फिक्स्ड-नोड सन्निकटन (fixed-node approximation) पर निर्भर करता है, जो यदि नोडल संरचना दोषपूर्ण हो तो अनियंत्रित त्रुटियां पेश करता है।

हाल के न्यूरल नेटवर्क दृष्टिकोणों (जैसे, FermiNet, PauliNet) ने सीधे एंटीसिमेट्रिक वेवफंक्शंस उत्पन्न करके आशाजनक परिणाम दिखाए हैं, फिर भी एक महत्वपूर्ण अंतर बना हुआ है: यह आकलन करने के लिए कोई कठोर, व्यवस्थित विधि नहीं है कि एक अनुकूलित न्यूरल वेवफंक्शन सटीक ग्राउंड स्टेट के कितने करीब है, विशेष रूप से तब जब यह मौजूदा बेंचमार्क से बेहतर प्रदर्शन करता है। इसके अलावा, इन नेटवर्कों को आसन्नतः सटीक (asymptotically exact) परिणाम प्राप्त करने के लिए स्केल करने की व्यवहार्यता का पूरी तरह से अन्वेषण नहीं किया गया है।

कार्यप्रणाली
लेखक एक दो-चरणीय कम्प्यूटेशनल फ्रेमवर्क पेश करते हैं जो फर्मी सेट्स (Fermi Sets)—फर्मिओनिक वेवफंक्शंस के लिए एक प्रमाणित सार्वभौमिक न्यूरल नेटवर्क आर्किटेक्चर—को फिक्स्ड-फेज़ डिफ्यूजन मोंटे कार्लो (FPDMC) के साथ जोड़ता है।

फर्मी सेट्स आर्किटेक्चर (वेरिएशनल ऑप्टिमाइजेशन):
वेवफंक्शन को सीखने योग्य कॉम्प्लेक्स-वैल्यूड ऑर्बिटल्स के साथ स्लेटर डिटर्मिनेंट्स की एक छोटी संख्या ( $N_d$ ) के रैखिक संयोजन के रूप में बनाया जाता है, जिन्हें सिमेट्रिक, परम्यूटेशन-इनवेरिएंट न्यूरल नेटवर्क (जैसे, डीप सेट्स या ट्रांसफॉर्मर्स) द्वारा भारित (weighted) किया जाता है। एन्सैट्ज़ (ansatz) इस प्रकार है:
$\Psi_\theta(R) = e^{J_\theta(R)} e^{E(R)} \sum_{k=1}^{N_d} \Omega_k(R) \det[\phi^k_i(r_j)]$
जहाँ $J_\theta$ एक जैस्ट्रौ फैक्टर (Jastrow factor) है (इलेक्ट्रॉन-इलेक्ट्रॉन कस्प्स को संभालता है), $E(R)$ एक वैकल्पिक एनवेलप (एन्वेलप) है (कन्फाइंड सिस्टम में नॉर्मलाइज़ेबिलिटी सुनिश्चित करता है), और $\Omega_k(R)$ सहसंबंधों (correlations) को कैप्चर करने वाले सिमेट्रिक फंक्शन हैं। यह आर्किटेक्चर निरंतर एंटीसिमेट्रिक फंक्शन के लिए एक यूनिवर्सल एप्रोक्सिमेटर है। नेटवर्क को ऊर्जा को कम करने के लिए वेरिएशनल मोंटे कार्लो (VMC) के माध्यम से अनुकूलित किया जाता है।
फिक्स्ड-फेज़ डिफ्यूजन मोंटे कार्लो (आकलन और शोधन):
अनुकूलित न्यूरल वेवफंक्शन $\Psi_\theta(R) = |\Psi_\theta(R)| e^{i\Phi_\theta(R)}$ एक इमेजिनरी-टाइम FPDMC प्रोजेक्शन के लिए ट्रायल स्टेट के रूप में कार्य करता है। इस विधि में, फेज $\Phi_\theta(R)$ स्थिर रहता है, और एम्प्लीट्यूड एक प्रभावी हैमिल्टोनियन के तहत विकसित होता है जिसमें फेज ग्रेडिएंट से प्राप्त एक रिपल्सिव पोटेंशियल शामिल होता है।

सटीकता के लिए मीट्रिक: फ्रेमवर्क ऊर्जा अंतराल $\Delta E = E_{\text{VMC}} - E_{\text{DMC}}$ का उपयोग करता है। चूंकि $E_{\text{DMC}}$ , नेटवर्क द्वारा सीखे गए विशिष्ट फेज मैनिफोल्ड के लिए वेरिएशनल लोअर बाउंड है, इसलिए एक लुप्त होता $\Delta E$ यह दर्शाता है कि एम्प्लीट्यूड त्रुटि को उसके द्वारा समर्थित फेज की सीमा तक कम कर दिया गया है।
अभिसरण मानदंड (Convergence Criterion): यदि नेटवर्क क्षमता बढ़ने के साथ $\Delta E \to 0$ होता है, तो इसका तात्पर्य है कि नेटवर्क वास्तविक ग्राउंड स्टेट की ओर अभिसरित हो गया है (यह मानते हुए कि सीखा गया फेज सही है)।

प्रमुख परिणाम
इस फ्रेमवर्क को स्केलेबिलिटी और अभिसरण प्रदर्शित करने के लिए दो अलग-अलग प्रणालियों पर लागू किया गया था:

मैग्नेटिक फील्ड में क्वांटम डॉट:

सिस्टम: GaAs मापदंडों के साथ 2D हार्मोनिक ट्रैप में $N=4$ इलेक्ट्रॉन, $B=4$ T और $B=8$ T चुंबकीय क्षेत्रों के तहत।
निष्कर्ष: ग्राउंड स्टेट्स स्वाभाविक रूप से कॉम्प्लेक्स-वैल्यूड होते हैं (जो टाइम-रिवर्सल सिमेट्री को तोड़ते हैं), जो कंपोजिट फर्मियन अवस्थाओं (जैसे, 8 T पर $\nu=3/7$ ) के अनुरूप होते हैं।
स्केलिंग: जैसे-जैसे नेटवर्क पैरामीटर्स की संख्या बढ़ी ( $8.4 \times 10^4$ तक), वेरिएशनल ऊर्जा ( $E_{\text{VMC}}$ ) मोनोटोनिक रूप से कम हुई, जिसने मल्टी-लैंडौ-लेवल एक्सैक्ट डायगोनलाइजेशन (ED) बेंचमार्क को भी पीछे छोड़ दिया।
अभिसरण: अवशिष्ट अंतराल (residual gap) $\Delta E$ मोनोटोनिक रूप से $\sim 561 \mu H^*$ से घटकर $\sim 25 \mu H^*$ (8 T पर) और $\sim 24 \mu H^*$ (4 T पर) हो गया, जो सांख्यिकीय रूप से शून्य से अविभेद्य हो गया। यह पुष्टि करता है कि नेटवर्क ने सांख्यिकीय रिज़ॉल्यूशन के भीतर सटीक ग्राउंड स्टेट पा लिया है।

दो-आयामी यूनिफॉर्म इलेक्ट्रॉन गैस (2D UEG):

सिस्टम: $r_s = 30$ (विग्नर क्रिस्टलीकरण के पास, अत्यधिक स्ट्रॉन्गली कोरिलेटेड रिजीम में) पर $N=16$ पूर्ण स्पिन-पोलराइज्ड इलेक्ट्रॉन।
निष्कर्ष: नेटवर्क को $\sim 25,000$ से $\sim 50,000$ पैरामीटर्स तक स्केल किया गया।
स्केलिंग: दोनों $E_{\text{VMC}}$ और प्रक्षिप्त (projected) $E_{\text{DMC}}$ मोनोटोनिक रूप से कम हुए। प्राप्त न्यूनतम ऊर्जा ( $E_{\text{DMC}} \approx -0.031996$ Ha) ने सर्वश्रेष्ठ स्लेटर-जैस्ट्रौ बेंचमार्क में सुधार किया।
अभिसरण: क्षमता बढ़ने के साथ $\Delta E$ व्यवस्थित रूप से $1.63 \times 10^{-5}$ से $0.57 \times 10^{-5}$ Ha प्रति इलेक्ट्रॉन तक कम हुआ, जो एम्प्लीट्यूड एरर के व्यवस्थित दमन को दर्शाता है।

महत्व और दावे
पेपर का दावा है कि फर्मी सेट्स, FPDMC मूल्यांकन के साथ मिलकर, इलेक्ट्रॉनिक श्रोडिंगर समीकरण के लिए एक यूनिवर्सल और आसन्नतः सटीक सॉल्वर प्रदान करते हैं। प्राथमिक महत्व इस प्रदर्शन में निहित है कि:

न्यूरल नेटवर्क वेवफंक्शंस को व्यवस्थित रूप से स्केल किया जा सकता है ताकि ग्राउंड स्टेट के करीब पहुँचा जा सके, जहाँ नेटवर्क क्षमता बढ़ने के साथ वेरिएशनल ऊर्जा अभिसरित होती है।
फिक्स्ड-फेज़ DMC गैप ( $\Delta E$ ) एक कठोर, मात्रात्मक मीट्रिक के रूप में कार्य करता है जो यह प्रमाणित करता है कि एक न्यूरल वेवफंक्शन ने अपने वेरिएशनल फ्रीडम को संतृप्त कर लिया है और दिए गए फेज मैनिफोल्ड के लिए ग्राउंड स्टेट तक अभिसरण कर लिया है।
यह आर्किटेक्चर जटिल नोडल संरचनाओं (जैसे, कंपोजिट फर्मियन अवस्थाएं) को सफलतापूर्वक कैप्चर करता है, जो पारंपरिक स्लेटर-जैस्ट्रौ एन्सैट्स के लिए अप्राप्य हैं, क्योंकि वे आवश्यक कॉम्प्लेक्स फेज वाइंडिंग का वर्णन नहीं कर सकते।

लेखक निष्कर्ष निकालते हैं कि हालांकि फेज एरर को $\Delta E$ द्वारा सीधे नहीं परखा जाता है, लेकिन नेटवर्क आकार के साथ गैप का मोनोटोनिक पतन इस बात का पुख्ता प्रमाण है कि फर्मी सेट्स, नेटवर्क आकार और कम्प्यूटेशनल संसाधनों की सीमा के भीतर, कई-इलेक्ट्रॉन ग्राउंड स्टेट्स के लिए मनमानी सटीकता प्राप्त कर सकते हैं।

इसी तरह के और पेपर