What Neural Network Field Theory Can and Cannot Realise on a Computer
यह शोध पत्र एक 'नो-गो' प्रमेय प्रस्तुत करता है जो यह प्रदर्शित करता है कि मानक परिमित-चौड़ाई वाले न्यूरल नेटवर्क एन्सेम्बल्स (ensemments) रिफ्लेक्शन पॉजिटिविटी (reflection positivity) और स्केल सेपरेशन (scale separation) की विफलताओं के कारण कंप्यूटर पर क्वांटम या प्रभावी क्षेत्र सिद्धांतों (effective field theories) को निरंतर रूप से साकार नहीं कर सकते हैं, जिसमें केवल विशिष्ट अनंत-चौड़ाई सीमाएँ या परिमित विचरण (finite variance) और रोटेशन इनवेरिएंस (rotation invariance) के शिथिलन ही संभावित बचाव प्रदान करते हैं।
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
ब्रह्मांड को समझने के आधुनिक प्रयास में, भौतिक विज्ञानी अक्सर दो शक्तिशाली उपकरणों पर भरोसा करते हैं: वे समीकरण जो कणों के बीच होने वाली अंतःक्रियाओं का वर्णन करते हैं, और वे कंप्यूटर जो उन अंतःक्रियाओं को सिम्युलेट (simulate) करने के लिए उपयोग किए जाते हैं ताकि यह देखा जा सके कि क्या होता है। दशकों से, एक विशिष्ट प्रकार के कंप्यूटर मॉडल का उपयोग इन अंतःक्रियाओं के अध्ययन के लिए किया जाता रहा है, जो स्थान और समय को बिंदुओं के एक ग्रिड (grid) के रूप में मानता है। हाल ही में, एक नया विचार उभरा जिसने इस ग्रिड को कुछ अधिक तरल (fluid) चीज़ से बदलने का प्रयास किया: वे न्यूरल नेटवर्क जो आधुनिक आर्टिफिशियल इंटेलिजेंस को शक्ति प्रदान करते हैं। यह उम्मीद थी कि इन नेटवर्कों के एक विशाल संग्रह को एक एकल भौतिक प्रणाली के रूप में मानकर, वैज्ञानिक प्रकृति के मौलिक नियमों को सीधे सिम्युलेट कर सकेंगे। 'न्यूरल नेटवर्क फील्ड थ्योरी' के रूप में ज्ञात यह दृष्टिकोण, मशीन लर्निंग की जटिल मशीनरी को क्वांटम जगत के व्यवहार की गणना करने के एक नए तरीके में बदलने का वादा करता था। मूल विचार यह था कि यदि आप पर्याप्त संख्या में सरल नेटवर्क लें और उन्हें आपस में जुड़ने दें, तो उनका सामूहिक व्यवहार स्वाभाविक रूप से उन जटिल, उतार-चढ़ाव वाले क्षेत्रों (fields) की नकल करेगा जो वास्तविकता बनाते हैं—सूक्ष्म कणों से लेकर उन्हें बांधने वाले बलों तक।
इस नए शोध को चलाने वाला प्रश्न सरल लेकिन गहरा था: क्या हम वास्तव में इन न्यूरल नेटवर्कों का उपयोग कंप्यूटर पर ब्रह्मांड का एक आदर्श सिमुलेशन चलाने के लिए कर सकते हैं? मैसाचुसेट्स इंस्टीट्यूट ऑफ टेक्नोलॉजी के एक शोधकर्ता, थॉमस आर. हार्वे ने इस विचार की सीमाओं का परीक्षण करने का निर्णय लिया। उन्होंने परीक्षण किया कि क्या इन नेटवर्कों द्वारा निर्मित गणितीय संरचनाएं वास्तव में भौतिकी के कठोर नियमों का प्रतिनिधित्व कर सकती हैं, विशेष रूप से यह देखने के लिए कि क्या वे दो या अधिक आयामों में क्वांटम क्षेत्रों (quantum fields) के व्यवहार को पुनरुत्पादित कर सकती हैं। यह जांच एक बेहतर मशीन लर्निंग मॉडल बनाने के बारे में नहीं थी, बल्कि यह समझने के बारे में थी कि इन मॉडलों के क्या नियम हैं और वे क्या दर्शा सकते हैं और क्या नहीं। लक्ष्य यह निर्धारित करना था कि क्या न्यूरल नेटवर्कों को क्वांटम क्षेत्र में सीधे प्रवेश करने वाली खिड़की के रूप में उपयोग करने का वादा एक व्यवहार्य मार्ग है या यह एक ऐसी दीवार से टकरा गया है जिसे पार नहीं किया जा सकता।
हार्वे का कार्य एक महत्वपूर्ण बाधा को प्रकट करता है जो इस दृष्टि को इसके सबसे सरल रूप में वास्तविकता बनने से रोकती है। उन्होंने सिद्ध किया कि किसी भी मानक न्यूरल नेटवर्क आर्किटेक्चर के लिए, जो स्थान के प्रत्येक बिंदु पर परिमित (finite) और स्थिर मान उत्पन्न करता है, परिणामी प्रणाली दो या अधिक आयामों में एक क्वांटम फील्ड थ्योरी की बुनियादी आवश्यकताओं को पूरा नहीं कर सकती है। यह प्रमाण क्वांटम भौतिकी के एक विशिष्ट गुण पर आधारित है जिसे 'रिफ्लेक्शन पॉजिटिविटी' (reflection positivity) कहा जाता है, जो एक निरंतरता जाँच (consistency check) के रूप में कार्य करता है, यह सुनिश्चित करता है कि सिम्युलेट की गई प्रणाली एक वास्तविक भौतिक सिद्धांत की तरह व्यवहार करे जिसमें सकारात्मक प्रायिकताएँ (probabilities) हों। शोध से पता चलता है कि जब आप एक ऐसा नेटवर्क बनाने की कोशिश करते हैं जो सुचारू (smooth), स्थिर और हर कोण से एक जैसा दिखे, तो वह अनिवार्य रूप से इस जाँच में विफल हो जाता है। प्रणाली गणितीय रूप से असंगत हो जाती है, जिसका अर्थ है कि यह एक ऐसे ब्रह्मांड का वर्णन नहीं कर सकती जहाँ कण उसी तरह चलते और अंतःक्रिया करते हैं जैसा कि हम देखते हैं। यह विफलता कोई मामूली त्रुटि नहीं है जिसे संख्याओं को बदलकर ठीक किया जा सके; यह एक मौलिक बाधा है जो इन नेटवर्कों के पूरे वर्ग पर लागू होती है।
अध्ययन ने समस्या को चार अलग-अलग परिदृश्यों में विभाजित किया है ताकि यह देखा जा सके कि क्या उनमें से कोई भी अभी भी काम कर सकता है। पहले परिदृश्य में, जहाँ नेटवर्क का आकार निश्चित और परिमित है, सिमुलेशन इसलिए विफल होता है क्योंकि यह आवश्यक निरंतरता बनाए नहीं रख पाता। दूसरे परिदृश्य में, जहाँ नेटवर्क की कल्पना अनंत आकार के रूप में की गई है, प्रणाली केवल आंशिक रूप से सिम्युलेट की जा सकती है; जबकि इसके 'स्मियर्ड कोरिलेटर्स' (smeared correlators) नियंत्रित त्रुटि के साथ गणनीय हैं, वे विलक्षण अवलोकन (singular observables) जो एक वास्तविक क्वांटम फील्ड थ्योरी को अलग करते हैं, उन्हें केवल एन्सेम्बल (ensemble) से नियंत्रित त्रुटियों के साथ नहीं निकाला जा सकता। तीसरा परिदृश्य सुझाव देता है कि नेटवर्क एक 'इफेक्टिव थ्योरी' (effective theory) के रूप में काम कर सकता है, जो केवल कुछ पैमानों पर मान्य एक सरलीकृत विवरण है। हालाँकि, शोध इंगित करता है कि नेटवर्क के परिमित आकार से उत्पन्न होने वाली गणितीय त्रुटियाँ संभवतः भौतिकी के साथ इतनी उलझी हुई हैं कि उन्हें स्पष्ट रूप से अलग करना कठिन है, जिससे निम्न-ऊर्जा घटनाओं (low-energy phenomena) के परिणामों पर विश्वास करना मुश्किल हो जाता है। चौथा परिदृश्य, जो अनंत सीमा को एक प्रभावी सिद्धांत के रूप में देखता है, एकमात्र ऐसा है जो व्यवहार्य बना हुआ है; यहाँ, एक नेटवर्क एक प्रभावी क्षेत्र (effective field) के कोरिलेटर्स की गणना करने का एक वैध तरीका है जो अनंत चौड़ाई पर विनियमित (regulated) है, बशर्ते कि सभी परिमित चौड़ाई की त्रुटियों को कट-ऑफ द्वारा लगाए गए व्यवस्थित त्रुटियों से नीचे रखा जाए।
स्थान का एक आयाम इस नियम का अपवाद है, जहाँ गणितीय बाधा लागू नहीं होती है। हालाँकि, यहाँ तक कि इस सरल एक-आयामी दुनिया में भी, शोध दर्शाता है कि इन अध्ययनों में अक्सर उपयोग किए जाने वाले विशिष्ट प्रकार के नेटवर्क अभी भी किसी भी परिमित आकार पर निरंतरता जाँच में विफल रहते हैं। इसका अर्थ है कि समस्या केवल स्थान की जटिलता के बारे में नहीं है, बल्कि स्वयं नेटवर्कों की मौलिक प्रकृति के बारे में है। इस बाधा को पार करने के एकमात्र तरीके यह हैं कि इस आवश्यकता को छोड़ दिया जाए कि नेटवर्क प्रत्येक बिंदु पर परिमित मान उत्पन्न करे, या इस आवश्यकता को त्याग दिया जाए कि प्रणाली हर दिशा में बिल्कुल एक जैसी दिखे। ये दोनों विकल्प गणना के लिए अपने स्वयं के गंभीर कठिनाइयों को जन्म देते हैं, जैसे कि परिणामों को ज्ञात सटीकता के साथ गणना करना असंभव बना देना या उस समरूपता (symmetry) को तोड़ देना जो भौतिक नियमों को सार्वभौमिक बनाती है।
इन निष्कर्षों के निहितार्थ स्पष्ट हैं: एक मानक न्यूरल नेटवर्क एन्सेम्बल का उपयोग करके सीधे कंप्यूटर पर क्वांटम फील्ड थ्योरी को सिम्युलेट करने का सपना एक मौलिक गणितीय नियम द्वारा बाधित है, जिसमें अनंत चौड़ाई सीमा का उपयोग करके विनियमित प्रभावी सिद्धांतों (regulated effective theories) की गणना करने का उल्लेखनीय अपवाद शामिल है। जबकि ये नेटवर्क अन्य उद्देश्यों के लिए उपयोगी हो सकते हैं, जैसे कि ज्ञात भौतिक विन्यासों का नमूना लेना, वे मूल रूप से उम्मीद की गई तरह सटीक क्वांटम फील्ड थ्योरी के लिए स्वयं 'थ्योरी' के रूप में कार्य नहीं कर सकते। शोध यह सुझाव नहीं देता कि न्यूरल नेटवर्क भौतिकी के लिए बेकार हैं, बल्कि यह कि वे सभी संदर्भों में क्वांटम दुनिया को सिम्युलेट करने के पारंपरिक तरीकों के प्रत्यक्ष प्रतिस्थापन के रूप में नहीं हो सकते। आगे का रास्ता या तो यह स्वीकार करने की मांग करता है कि सिमुलेशन हमेशा अनियंत्रित त्रुटियों के साथ एक सन्निकटन (approximation) होगा, या विनियमित प्रभावी सिद्धांतों के लिए विशेष रूप से नेटवर्कों का उपयोग करना, या इन नेटवर्कों को बनाने के पूरी तरह से नए तरीके खोजना जो इस प्रमाण की धारणाओं को तोड़ सकें। तब तक, न्यूरल नेटवर्क को स्वयं ब्रह्मांड में बदलने का प्रयास एक सुंदर विचार है जो एक कठोर गणितीय दीवार से टकराता है, हालांकि प्रभावी सिद्धांतों के लिए एक विशिष्ट, विनियमित मार्ग खुला है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।