🔬 condensed matter

Exact autoregressive sampling of planar Ising spin glasses via the Kac--Ward theory

यह शोधपत्र प्लेनर आइसिंग स्पिन ग्लास के लिए एक सटीक ऑटोरेग्रेसिव सैंपलिंग एल्गोरिदम प्रस्तुत करता है जो काक-वॉर्ड थ्योरी और एक प्लेनैरिटी-प्रिजर्विंग ऑक्सिलरी स्पिन कंस्ट्रक्शन का उपयोग करके कंडीशनल पार्टीशन फंक्शन्स को ज़ीरो-फील्ड मॉडल्स में मैप करता है, जिससे न्यूरल सैंपलर्स के लिए एक कठोर बेंचमार्क के रूप में कार्य करने हेतु $\mathcal{O}(N^{5/2})$ लागत पर सटीक लाइकलीहुड्स के साथ पूर्णतः स्वतंत्र सैंपल्स उत्पन्न किए जा सकते हैं।

मूल लेखक: Jing Liu, Tao Chen, Tianrui Che, Lei Wang, Youjin Deng, Pan Zhang

प्रकाशित 2026-08-26

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jing Liu, Tao Chen, Tianrui Che, Lei Wang, Youjin Deng, Pan Zhang

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

चुंबकों की सूक्ष्म दुनिया में, परमाणु हमेशा एकमत नहीं होते। एक मानक चुंबक में, प्रत्येक सूक्ष्म परमाणु स्पिन एक ही दिशा में संकेत करता है, जिससे एक मजबूत, एकीकृत क्षेत्र बनता है। लेकिन स्पिन ग्लास (spin glass) के रूप में ज्ञात विशेष प्रकार के पदार्थों में, परमाणु एक अराजक खींचतान में फंसे होते हैं। कुछ पड़ोसी संरेखित होना चाहते हैं, जबकि अन्य विपरीत दिशा में संकेत देने की मांग करते हैं। यह संघर्ष ऊर्जा का एक ऐसा परिदृश्य बनाता है जो इतना जटिल और ऊबड़-खाबड़ है कि पदार्थ अपने सबसे स्थिर अवस्था को खोजने में असमर्थ होकर स्थानीय जाल में फंस जाता है। भौतिकविदों के लिए, इन प्रणालियों के स्थिर होने के तरीके को समझना एक ऐसे तूफान में मौसम की भविष्यवाणी करने जैसा है जो कभी समाप्त नहीं होता। चुनौती केवल यह देखना नहीं है कि प्रणाली कैसी दिखती है, बल्कि इसका एक आदर्श, यादृच्छिक स्नैपशॉट ठीक वैसे ही उत्पन्न करना है जैसा प्रकृति द्वारा बिना किसी पूर्वाग्रह या त्रुटि के किया जाता है। दशकों से, इसे करने के मानक उपकरण धीमे थे और फंस जाने के प्रति संवेदनशील थे, जबकि आर्टिफिशियल इंटेलिजेंस पर आधारित नए, तेज़ तरीके तेज़ तो थे लेकिन उन्हें पूर्ण निश्चितता के साथ सत्यापित करना असंभव था।

शोधकर्ताओं की एक टीम ने एक विशिष्ट प्रकार के चुंबकीय सिस्टम के लिए इन आदर्श स्नैपशॉट को उत्पन्न करने की विधि बनाकर एक लंबे समय से चले आ रहे पहेली को हल कर दिया है। उन्होंने एक सपाट, द्वि-आयामी ग्रिड में बिछाए गए पदार्थों पर ध्यान केंद्रित किया, जहाँ परमाणुओं के बीच की अंतःक्रियाएं एक प्लेनर आइसिंग मॉडल (planar Ising model) के नियमों का पालन करती हैं। यह सफलता 'एक्जैक्ट ऑटोरेग्रेसिव सैंपलिंग' (exact autoregressive sampling) नामक एक तकनीक में निहित है। पूरे सिस्टम की स्थिति का एक साथ अनुमान लगाने या कंप्यूटर को संभावनाओं के बीच तब तक भटकने देने के बजाय, जब तक कि वह भाग्यशाली न हो जाए, यह नई विधि एक-एक करके परमाणु के आधार पर सिस्टम का निर्माण करती है। यह पहले से रखे गए परमाणुओं के आधार पर अगले परमाणु के ऊपर या नीचे होने की सटीक संभावना की गणना करती है, और फिर वह चुनाव करती है। यह प्रक्रिया तब तक दोहराई जाती है जब तक कि पूरा ग्रिड भर नहीं जाता, जिससे यह गारंटी मिलती है कि अंतिम परिणाम भौतिकी के नियमों से प्राप्त एक सांख्यिकीय रूप से पूर्ण नमूना है, जिसमें कोई छिपी हुई त्रुटि नहीं है।

इसे प्राप्त करने की कठिनाई हमेशा बदलती परिस्थितियों की समस्या रही है। जब आप एक परमाणु की स्थिति को निर्धारित करते हैं, तो यह एक लहर जैसा प्रभाव पैदा करता है जो आने वाले परमाणुओं के वातावरण को बदल देता है। एक सपाट ग्रिड में, ये लहरें शेष परमाणुओं पर दबाव डालने वाले अदृश्य बाहरी बलों की तरह कार्य करती हैं। इन चुंबकीय पहेलियों को हल करने के लिए उपयोग किए जाने वाले पारंपरिक गणितीय उपकरण केवल तभी खूबसूरती से काम करते हैं जब ऐसे कोई बाहरी बल मौजूद न हों। जैसे ही कोई बल प्रकट होता है, गणित विफल हो जाता है और सटीक समाधान लुप्त हो जाता है। शोधकर्ताओं ने एक "घोस्ट" (ghost) परमाणु से जुड़ी एक चतुर युक्ति का आविष्कार करके इस बाधा को पार किया। उन्होंने अपने गणितीय मॉडल में एक अतिरिक्त, अदृश्य स्पिन पेश किया और उसे जमी हुई क्षेत्र के किनारों पर स्थित परमाणुओं से जोड़ दिया। इस घोस्ट परमाणु ने अदृश्य बलों को सोख लिया, जिससे प्रभावी रूप से वे बल रद्द हो गए और गणित को फिर से काम करने के लिए आवश्यक स्वच्छ, बल-मुक्त स्थितियाँ बहाल हो गईं। ऐसा करके, वे 'कैक-वार्ड डिटर्मिनेंट' (Kac–Ward determinant) नामक एक शक्तिशाली सूत्र का उपयोग करके अगले चरण के लिए सटीक संभावना की गणना कर सके, जिससे यह सुनिश्चित हुआ कि सिमुलेशन पूरी तरह से सटीक बना रहे।

परिणामस्वरूप, यह एक ऐसा सैंपलिंग मशीन है जो ऐसी कॉन्फ़िगरेशन (configurations) उत्पन्न करता है जो एक-दूसरे से पूरी तरह स्वतंत्र हैं। पिछले तरीकों में, जैसे कि व्यापक रूप से उपयोग किए जाने वाले मेट्रोपोलिस एल्गोरिदम (Metropolis algorithm) में, सिस्टम को अपनी पिछली स्थिति को भूलने में लंबा समय लगता था, जिससे डेटा का एक धीमा, सुस्त उत्पादन होता था जहाँ प्रत्येक नया नमूना पिछले नमूने से अत्यधिक प्रभावित होता था। यह नई विधि पूरी तरह से ताज़ा नमूने बनाती है, जिसमें अतीत की कोई स्मृति नहीं होती। शोधकर्ताओं ने परीक्षण के रूप में रैंडम इंटरैक्शन वाले स्पिन ग्लास के एक मॉडल का उपयोग किया और पाया कि उनके नमूनों में बिल्कुल भी सहसंबंध (correlation) नहीं था, जबकि पुराने तरीकों में स्मृति का एक धीमा, खिंचा हुआ क्षय दिखाई दिया। उन्होंने इस विधि को एक त्रिकोणीय चुंबकीय जाली (triangular magnetic lattice) पर भी लागू किया, जो ज्यामितीय फ्रस्ट्रेशन (geometric frustration) के लिए जानी जाने वाली प्रणाली है, और मैग्नेटाइजेशन और विशिष्ट ऊष्मा (specific heat) जैसे गुणों को सफलतापूर्वक मापा। डेटा ने सैद्धांतिक भविष्यवाणियों का पूरी तरह से मिलान किया, जिससे पुष्टि हुई कि यह विधि उस महत्वपूर्ण तापमान (critical temperature) के पास भी काम करती है जहाँ पदार्थ एक फेज़ ट्रांज़िशन (phase transition) से गुजरता है।

शायद इस दृष्टिकोण का सबसे महत्वपूर्ण लाभ यह है कि यह आर्टिफिशियल इंटेलिजेंस के परीक्षण के लिए एक स्वर्ण मानक (gold standard) प्रदान करता है। आधुनिक न्यूरल नेटवर्क का उपयोग अक्सर इन चुंबकीय प्रणालियों का अनुमान लगाने के लिए किया जाता है क्योंकि वे तेज़ होते हैं, लेकिन बिना सटीक उत्तर की जाँच करने के तरीके के, यह जानना कठिन है कि वे वास्तव में सटीक हैं या केवल अच्छा अनुमान लगा रहे हैं। चूंकि यह नई विधि सटीक संभावनाओं के साथ नमूने उत्पन्न करती है, इसलिए यह वैज्ञानिकों को यह गणना करने की अनुमति देता है कि न्यूरल नेटवर्क वास्तव में कितना अच्छा प्रदर्शन कर रहे हैं, और सटीक नमूनों को आधार रेखा (baseline) के रूप में उपयोग कर सकता है। शोधकर्ताओं ने एक त्रिकोणीय एंटीफेरोमैग्नेट (triangular antiferromagnet) के एंट्रॉपी, या विकार के माप का अनुमान लगाकर इसे प्रदर्शित किया। उनके सटीक नमूनों की संभावनाओं का औसत निकालकर, वे जटिल, अप्रत्यक्ष एकीकरण विधियों की आवश्यकता के बिना सही सैद्धांतिक मान तक पहुँच गए।

हालाँकि यह विधि एक बड़ी प्रगति है, लेकिन इसकी एक लागत भी है। प्रत्येक नमूने को उत्पन्न करने के लिए आवश्यक कम्प्यूटेशनल प्रयास सिस्टम के बड़ा होने के साथ काफी बढ़ जाता है, जो स्पिन की संख्या की दो दशमलव पाँच घात (power of 2.5) के अनुपात में बढ़ता है। इसका अर्थ है कि यह तकनीक वर्तमान में मध्यम आकार के सिस्टम के लिए सबसे उपयुक्त है, जिनमें लगभग एक हजार स्पिन होते हैं, न कि वास्तविक दुनिया के पदार्थों में पाए जाने वाले विशाल ग्रिडों के लिए। हालाँकि, ज्ञात संभावनाओं के साथ कड़ाई से स्वतंत्र, निष्पक्ष नमूने उत्पन्न करने की क्षमता भौतिकी के लिए एक नया द्वार खोलती है। यह जटिल चुंबकीय प्रणालियों के अध्ययन से अनुमान को हटा देता है और अगली पीढ़ी के मशीन लर्निंग मॉडल को प्रशिक्षित करने के लिए एक विश्वसनीय आधार प्रदान करता है। शोधकर्ताओं ने अपना कोड सार्वजनिक रूप से उपलब्ध कराया है, जिससे अन्य लोग अपने स्वयं के सिमुलेशन को सत्यापित करने और स्पिन ग्लास के अराजक, जमे हुए परिदृश्यों को उस स्पष्टता के साथ खोजने के लिए उपयोग कर सकें जो पहले पहुंच से बाहर थी।

तकनीकी सारांश: काक-वार्ड सिद्धांत (Kac–Ward Theory) के माध्यम से प्लेनर आइसिंग स्पिन ग्लास का सटीक ऑटोरेग्रेसिव सैंपलिंग

समस्या विवरण
बोल्ट्ज़मैन वितरण (Boltzmann distribution) से साम्यावस्था विन्यास (equilibrium configurations) उत्पन्न करना स्पिन ग्लास के लिए एक महत्वपूर्ण चुनौती बनी हुई है। मानक मार्कोव चेन मोंटे कार्लो (MCMC) विधियाँ, जैसे कि मेट्रोपोलिस-हेस्टिंग्स (Metropolis–Hastings), चरण संक्रमण (phase transitions) के पास क्रिटिकल स्लोइंग डाउन (critical slowing down) और जटिल ऊर्जा परिदृश्य वाले विक्षोभ प्रणालियों में मेटास्टेबल ट्रैपिंग (metastable trapping) से ग्रस्त होती हैं। जबकि उन्नत क्लस्टर एल्गोरिदम फेरोमैग्नेट्स में इन समस्याओं को कम करते हैं, वे अक्सर फ्रस्ट्रेटेड सिस्टम (frustrated systems) में विफल हो जाते हैं। फलस्वरूप, पैरेलल टेम्परिंग (Parallel Tempering - PT) ही ग्लास प्रणालियों के लिए अत्याधुनिक विधि बनी हुई है, लेकिन इसके लिए श्रमसाध्य ट्यूनिंग की आवश्यकता होती है और यह गणनात्मक रूप से महंगी है।

हाल ही में, वेरिएशनल ऑटोरेग्रेसिव नेटवर्क (VANs) और टेंसर-नेटवर्क विधियाँ उभरी हैं जो स्वतंत्र और समान रूप से वितरित (i.i.d.) नमूने उत्पन्न करती हैं। हालाँकि, ये विधियाँ अनुमानित (approximate) हैं। बिना सटीक संदर्भ नमूनों के, उनका वेरिएशनल एंसेटल (variational ansatz) कठोरता से बेंचमार्क नहीं किया जा सकता है, और उनकी व्यावहारिक दक्षता का आकलन करना कठिन है। इसके अलावा, प्रमुख अवलोकनों (जैसे ओवरलैप वितरण, स्पिन-ग्लास ससेप्टिबिलिटी) के विश्वसनीय अनुमान के लिए असंतत (uncorrelated) नमूनों की आवश्यकता होती है, जिन्हें ग्लास प्रणालियों में प्राप्त करना कठिन है। यद्यपि प्लेनर आइसिंग मॉडल के लिए सटीक सैंपलिंग एल्गोरिदम मौजूद हैं (जैसे परफेक्ट मैचिंग में मैपिंग), पिछले डिवाइड-एंड-कॉन्कर दृष्टिकोण स्पष्ट रूप से कैनोनिकल ऑटोरेग्रेसिव फैक्टराइजेशन के लिए आवश्यक अनुक्रमिक सशर्त प्रायिकताएं $P(s_i|s_{<i})$ प्रदान नहीं करते हैं।

कार्यप्रणाली
लेखक एक सटीक ऑटोरेग्रेसिव सैंपलिंग एल्गोरिदम प्रस्तुत करते हैं जो प्लेनर आइसिंग स्पिन ग्लास के लिए सटीक सशर्त प्रायिकताएं $P(s_i|s_{<i})$ की गणना करता है, जो चेन रूल के माध्यम से बोल्ट्ज़मैन वितरण को सैंपल करने के लिए आवश्यक हैं:
$P(s) = \prod_{i=1}^N P(s_i | s_{<i})$

मुख्य चुनौती यह है कि क्रमवार स्पिन $s_{<i}$ को स्थिर करने से शेष अनसैंपल क्षेत्र की सीमा पर प्रभावी बाहरी क्षेत्र (effective external fields) उत्पन्न होते हैं। ये क्षेत्र शून्य-क्षेत्र संरचना को नष्ट कर देते हैं जो मानक काक-वार्ड या कास्टेलाइन-पफ़ाफियन (Kac–Ward or Kasteleyn–Pfaffian) विधियों के सटीक मूल्यांकन के लिए आवश्यक है, क्योंकि ये विधियाँ केवल बाहरी क्षेत्रों की अनुपस्थिति में ही मान्य हैं।

इस समस्या को हल करने के लिए, लेखक एक प्लेनैरिटी-संरक्षण सहायक स्पिन निर्माण (planarity-preserving auxiliary spin construction) का उपयोग करते हैं:

सशर्त विभाजन फलन (Conditional Partition Functions): सशर्त प्रायिकता प्रभावी सीमा क्षेत्रों $h^{\pm}_m$ के तहत अनसैंपल स्पिन के लिए विभाजन फलनों के अनुपात $Q^{\pm}_i$ पर निर्भर करती है।
सहायक स्पिन मैपिंग (Auxiliary Spin Mapping): इन क्षेत्रों को बाहरी विभव (external potentials) के रूप में मानने के बजाय, विधि एक सहायक स्पिन $s_g$ पेश करती है। सीमा स्थलों पर प्रभावी स्थानीय क्षेत्रों को $s_g$ और सीमा स्पिनों के बीच युग्मन (pairwise couplings) द्वारा प्रतिस्थापित किया जाता है।
प्लेनैरिटी संरक्षण (Planarity Preservation): यह सुनिश्चित करके कि ऑटोरेग्रेसिव जनरेशन एक जुड़े हुए खोज क्रम (जैसे रस्टर-स्कैन) का पालन करता है, जमे हुए स्पिन एक जुड़ा हुआ उपग्राफ (connected subgraph) बनाते हैं। सहायक स्पिन का परिचय टोपोलॉजिकल रूप से इस जुड़े हुए क्षेत्र को एक एकल शीर्ष (vertex) में संकुचित करने के समान है। चूंकि प्लेनर ग्राफ, एज कंट्रैक्शन (edge contraction) के तहत भी प्लेनर रहते हैं, इसलिए परिणामी विस्तारित इंटरेक्शन ग्राफ प्लेनर बना रहता है।
सटीक मूल्यांकन (Exact Evaluation): विस्तारित प्रणाली अब एक प्लेनर ग्राफ पर शून्य-क्षेत्र आइसिंग मॉडल है। विभाजन फलनों $\tilde{Q}^{\pm}_i$ का सटीक मूल्यांकन काक-वार्ड डिटरमिनेंट फॉर्मूला का उपयोग करके किया जाता है। इन विभाजन फलनों का अनुपात सटीक सशर्त प्रायिकता प्रदान करता है।
दक्षता अनुकूलन (Efficiency Optimization): प्रत्येक चरण में पूर्ण डिटरमिनेंट को पुनर्गणना करने से बचने के लिए, लेखक मैट्रिक्स डिटरमिनेंट लेम्मा का उपयोग करते हैं। चूंकि $+$ और $-$ मामलों के बीच मैट्रिसेस का अंतर लो-रैंक (low-rank) है (जो केवल सहायक स्पिन से जुड़े किनारों पर गैर-शून्य है), डिटरमिनेंट अनुपात एक $r \times r$ डिटरमिनेंट में सिमट जाता है (जहाँ $r$ सीमा पड़ोसियों की संख्या है), जिसके लिए प्रति चरण केवल एक स्पार्स LU फैक्टराइजेशन की आवश्यकता होती है।

प्रमुख योगदान

सटीक ऑटोरेग्रेसिव सैंपलर: पहला एल्गोरिदम जो प्लेनर आइसिंग स्पिन ग्लास के लिए सटीक नॉर्मलाइज्ड लाइकलिहुड के साथ सख्त i.i.d. नमूने प्रदान करता है, क्योंकि यह स्पष्ट रूप से $P(s_i|s_{<i})$ की गणना करता है।
सीमा क्षेत्रों का प्रबंधन (Handling Boundary Fields): एक नवीन मैपिंग जो सीमा-प्रेरित प्रभावी क्षेत्रों को एक सहायक स्पिन का उपयोग करके शून्य-क्षेत्र विस्तारित मॉडल में एनकोड करती है, जिससे काक-वार्ड फॉर्मूला के लिए आवश्यक प्लेनैरिटी बनी रहती है।
कंप्यूटेशनल जटिलता (Computational Complexity): यह विधि $N$ स्पिन के लिए $O(N^{5/2})$ की गणनात्मक लागत के साथ कार्य करती है। हालांकि यह पिछले डिवाइड-एंड-कॉन्कर सटीक सैंपलर के $O(N^{3/2})$ से अधिक है, लेकिन यह प्रति-स्पिन सशर्त प्रायिकता प्राप्त करने के लिए आवश्यक लागत है।
कठोर बेंचमार्किंग (Rigorous Benchmarking): यह एल्गोरिदम आधुनिक न्यूरल ऑटोरेग्रेसिव सैंपलर (VANs) और टेंसर-नेटवर्क विधियों को कठोरता से बेंचमार्क करने के लिए आवश्यक सटीक नॉर्मलाइज्ड लाइकलिहुड प्रदान करता है।

परिणाम
लेखक कई प्लेनर प्रणालियों पर अपने एल्गोरिदम को सत्यापित करते हैं:

2D एडवर्ड्स-एंडरसन (EA) स्पिन ग्लास: एल्गोरिदम विन्यास उत्पन्न करता है जिसका ऑटोकोरिलेशन फंक्शन $\Gamma(t) = \delta_{t,0}$ है, जो सख्त i.i.d. नमूनों की पुष्टि करता है। इसके विपरीत, मेट्रोपोलिस एल्गोरिदम धीमा, स्ट्रेच्ड एक्सपोनेंशियल क्षय दिखाता है, जो गंभीर क्रिटिकल स्लोइंग डाउन का संकेत देता है।
ट्रायंगुलर फेरोमैग्नेटिक (FM) आइसिंग मॉडल: एल्गोरिदम क्रिटिकल तापमान $T_c$ के पास सिस्टम को सफलतापूर्वक सिम्युलेट करता है। गणना की गई मैग्नेटाइजेशन और विशिष्ट ऊष्मा (specific heat) सैद्धांतिक अपेक्षाओं और फाइनाइट-साइज़ स्केलिंग व्यवहारों से मेल खाती है, जो क्रिटिकालिटी के पास वेरिएशनल विधियों को प्रभावित करने वाले व्यवस्थित पूर्वाग्रहों से मुक्त है।
ट्रायंगुलर एंटीफेरोमैग्नेटिक (AFM) आइसिंग मॉडल: लेखक सटीक लाइकलिहुड से सीधे एंट्रॉपी ( $S = -\langle \ln P(s) \rangle$ ) का अनुमान लगाने की क्षमता प्रदर्शित करते हैं, जिसके लिए थर्मोडायनामिक इंटीग्रेशन की आवश्यकता नहीं है। परिणाम प्रति साइट सैद्धांतिक रेसिडुअल एंट्रॉपी $S_0 \approx 0.323$ के करीब पहुँचते हैं।

महत्व और दावे
यह शोध दावा करता है कि यह कार्य प्लेनर स्पिन ग्लास के लिए सटीक सैंपलिंग और ऑटोरेग्रेसिव जनरेशन के बीच के अंतर को पाटता है। सटीक लाइकलिहुड के साथ सख्त अनबायस्ड नमूने उत्पन्न करने की विधि प्रदान करके, लेखक आधुनिक अनुमानित न्यूरल और टेंसर-नेटवर्क सैंपलर को वैलिडेट करने के लिए एक कठोर आधार स्थापित करते हैं।

लेखक नोट करते हैं कि $O(N^{5/2})$ स्केलिंग वर्तमान में मध्यम सिस्टम आकार ( $N \approx 10^3$ ) तक ही सीमित है। हालाँकि, वे तर्क देते हैं कि इक्विलिब्रेशन समय और ऑटोकोरिलेशन ओवरहेड का उन्मूलन MCMC और PT पर एक स्पष्ट लाभ प्रदान करता है। इसके अतिरिक्त, इस एल्गोरिदम द्वारा गणना की गई सटीक सशर्त प्रायिकताओं का उपयोग "टीचर सिग्नल" के रूप में ऑन-पॉलिसी नॉलेज डिस्टिलेशन के लिए किया जा सकता है, जो मानक REINFORCE दृष्टिकोणों की तुलना में ग्रेडिएंट वेरिएंस को कम करके वेरिएशनल ऑटोरेग्रेसिव नेटवर्क के प्रशिक्षण में सुधार कर सकता है। शोध में आगे के अनुसंधान को सुगम बनाने के लिए एक संदर्भ पायथन कार्यान्वयन शामिल है।

तकनीकी सारांश: काक-वार्ड सिद्धांत (Kac–Ward Theory) के माध्यम से प्लेनर आइसिंग स्पिन ग्लास का सटीक ऑटोरेग्रेसिव सैंपलिंग

इसी तरह के और पेपर