Hidden-State Updates and observable-record composition in retrocausal models
यह शोध पत्र इस बात की जांच करता है कि कैसे रेट्रोकॉज़ल (retrocausal) ढांचों में छिपे हुए-चर मॉडल (hidden-variable models), यूनिट निरंतरता द्रव्यमान (unit continuation mass) के लिए अपरिवर्तनीय स्थानों और संदर्भ-निर्भर अविभेद्यता (context-dependent indistinguishability) के अवलोकन स्थानों के बीच अंतर करते हुए, परिमित-अवस्था उदाहरणों और निरंतर स्रोत विश्लेषणों के माध्यम से व्यक्तिगत रीडआउट को पुनरुत्पादित करने में सक्षम होते हैं, जबकि उपकरण संयोजन (device composition) के तहत अवलोकन योग्य रिकॉर्डों को बनाए रखने में विफल रहते 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
कणों के व्यवहार के अध्ययन में, वैज्ञानिक अक्सर छिपे हुए चरों (hidden variables) पर भरोसा करते हैं—अदृश्य गुण जो प्रयोग के परिणाम को निर्धारित करते हैं। कल्पना कीजिए कि एक सिक्का है जिसके अंदर एक छिपा हुआ वजन है, जो यह तय करता है कि आपके सिक्के उछालने से पहले ही वह हेड्स या टेल्स पर गिरेगा। मानक भौतिकी में, ये छिपे हुए गुण स्थिर होते हैं और इस आधार पर नहीं बदलते कि आप बाद में क्या मापने का निर्णय लेते हैं। हालाँकि, रेट्रोकॉज़ल मॉडल्स (retrocausal models) नामक सिद्धांतों का एक अलग वर्ग बताता है कि एक कण की छिपी हुई अवस्था प्रयोगकर्ता द्वारा बाद में किए गए निर्णयों पर निर्भर हो सकती है। यह विचार विवादास्पद है क्योंकि यह संकेत देता है कि भविष्य अतीत को प्रभावित कर सकता है। भौतिकविदों के लिए महत्वपूर्ण प्रश्न यह नहीं है कि क्या ये मॉडल एक एकल प्रयोग के परिणामों की नकल कर सकते हैं, बल्कि यह है कि क्या वे तब भी सुसंगत रहते हैं जब एक प्रयोगकर्ता उसी उपकरण का पुन: उपयोग करता है या पिछले परिणामों के आधार पर निर्णयों की एक श्रृंखला लेता है। यदि कोई मॉडल एक माप के लिए तो काम करता है लेकिन उसी उपकरण का दोबारा उपयोग करने पर विफल हो जाता है, तो वह वास्तविकता का वैध विवरण नहीं हो सकता।
मोनाश यूनिवर्सिटी के एक शोधकर्ता ने ठीक इसी समस्या की जांच की है, कि क्या छिपे हुए चर वाले मॉडल पुन: उपयोग होने की परीक्षा में जीवित रह सकते हैं। यह अध्ययन एक विशिष्ट परिदृश्य पर केंद्रित है: एक प्रयोगकर्ता एक परिणाम दर्ज करता है, और फिर उस रिकॉर्ड का उपयोग यह तय करने के लिए करता है कि अगला माप कैसे सेट किया जाए। शोधकर्ता ने पाया कि जबकि इनमें से कई मॉडल घटनाओं के एक निश्चित, पूर्व-निर्धारित क्रम के लिए परिणामों की सफलतापूर्वक भविष्यवाणी कर सकते हैं, वे अक्सर विफल हो जाते हैं जब प्रयोगकर्ता को प्रयोग को जल्दी रोकने या अभी जो देखा है उसके आधार पर योजना बदलने की अनुमति दी जाती है। शोध पत्र में यह प्रदर्शित किया गया है कि एक मॉडल के भौतिक रूप से सुसंगत होने के लिए, छिपी हुई अवस्था को एक बहुत ही विशिष्ट तरीके से अपडेट होना चाहिए जो सभी संभावित परिणामों के कुल "वजन" को सुरक्षित रखता हो, चाहे प्रयोगकर्ता किसी भी तरह से आगे बढ़ने का निर्णय ले। यदि मॉडल इस परीक्षण में विफल होता है, तो वह छिपी हुई जानकारी जिस पर यह मॉडल निर्भर करता है, बाहरी दुनिया से अलग पहचान योग्य हो जाती है, जिससे सिद्धांत में विरोधाभास प्रकट होता है।
इन विचारों का परीक्षण करने के लिए, शोधकर्ता ने दो प्रकार के गणितीय मॉडल बनाए। पहला एक सरल, परिमित प्रणाली (finite system) था जिसमें छिपी हुई अवस्थाओं की एक सीमित संख्या थी, जो कुछ मेमोरी स्लॉट्स वाले एक बुनियादी कंप्यूटर प्रोग्राम के समान है। दूसरा एक निरंतर मॉडल (continuous model) था जिसमें घूमते हुए कण का घूर्णन शामिल था, जहाँ छिपी हुई अवस्था एक कोण है जो किसी भी मान को ले सकता है। परिमित प्रणाली में, शोधकर्ता ने दिखाया कि एक मॉडल हर परीक्षण में पास हो सकता था यदि प्रयोगकर्ता चरणों की एक पूर्व-नियोजित, अपरिवर्तित सूची का पालन करता। हालाँकि, जैसे ही प्रयोगकर्ता को एक चरण का परिणाम देखने और उस परिणाम के आधार पर रुकने या जारी रखने का निर्णय लेने की अनुमति दी गई, मॉडल टूट गया। छिपी हुई अवस्था इस तरह से बदल गई जिससे अंतिम परिणाम की संभावना बदल गई, जिससे प्रभावी रूप से भविष्य के चुनाव को अतीत के रिकॉर्ड को पहचानने योग्य तरीके से बदलने की अनुमति मिली। यह विफलता कोई मामूली त्रुटि नहीं थी; यह एक मॉडल की इतिहास को सुसंगत बनाए रखने की मौलिक अक्षमता थी जब पर्यवेक्षक के कार्य डेटा पर निर्भर थे।
निरंतर मॉडल, जिसमें घूमते हुए कणों का स्रोत शामिल था, ने एक और भी अधिक प्रभावशाली परिणाम प्रदान किया। शोधकर्ता ने एक "निष्क्रिय" सेटअप माना जहाँ कणों का स्रोत मापों के बावजूद अपरिवर्तित रहता है। इस सख्त स्थिति के तहत भी, अध्ययन में पाया गया कि एक ही कण को मापने वाले दो अलग-अलग प्रोब (probes) एक सूक्ष्म सहसंबंध विकसित कर सकते हैं जो बाद के मापन के कोण पर निर्भर करता है। विशेष रूप से, दोनों प्रोब के एक-दूसरे के साथ सहमत होने की संभावना इस बात पर बदल जाती है कि भविष्य का मापन एक विशिष्ट कोण पर सेट है या किसी अन्य कोण पर। यह अंतर छोटा लेकिन गणितीय रूप से सटीक था: सहमति की संभावना अंतःक्रिया की शक्ति और स्रोत के वितरण की चौड़ाई से संबंधित कारक से बदल जाती है। उदाहरण के लिए, विशिष्ट मापदंडों के साथ, भविष्य की सेटिंग के आधार पर सहमति की संभावना लगभग 51.9% से बदलकर 51.0% हो जाती है। इसका मतलब है कि भले ही व्यक्तिगत प्रोब अपने आप में निष्पक्ष और निष्पक्ष लग रहे थे, लेकिन उनके संयुक्त इतिहास में एक ऐसा छिपा हुआ संकेत था जो उस चुनाव के बारे में था जो अभी तक किया नहीं गया था।
शोधकर्ता ने कंप्यूटर सिमुलेशन और सटीक गणितीय गणनाओं के माध्यम से इन निष्कर्षों को सत्यापित किया। परिमित-अवस्था (finite-state) प्रयोगों में, टीम ने हजारों अलग-अलग निर्णय वृक्षों (decision trees) का परीक्षण किया, जिनमें वे भी शामिल थे जहाँ प्रयोगकर्ता ने एक विशिष्ट परिणाम देखने के बाद प्रक्रिया को रोक दिया। उन्होंने पुष्टि की कि जबकि निश्चित अनुक्रम हमेशा सुसंगत परिणाम देते थे, अनुकूलित अनुक्रम (adaptive sequences)—जहाँ अगला चरण पिछले चरण पर निर्भर करता है—ने मॉडलों के छिपे हुए दोषों को उजागर किया। निरंतर प्रयोगों में, टीम ने प्रोब के बीच सहमति को मापने के लिए लाखों परीक्षण चलाए। डेटा ने सैद्धांतिक भविष्यवाणियों से पूरी तरह मेल खाया, जिससे दिखाया कि भविष्य की सेटिंग्स पर सूक्ष्म निर्भरता वास्तविक थी। अध्ययन ने यह भी पता लगाया कि क्या एक "रीसेट" तंत्र इन समस्याओं को ठीक कर सकता है, लेकिन पाया कि केवल डिवाइस को रीसेट करने से समस्या हल नहीं हुई यदि डिवाइस का गैर-यादृच्छिक (non-random) तरीके से पुन: उपयोग किया गया था।
इस कार्य का मुख्य निष्कर्ष यह है कि एक रेट्रोकॉज़ल मॉडल के व्यवहार्य होने के लिए, उसे दो सख्त शर्तों को पूरा करना चाहिए। पहला, छिपी हुई अवस्था को इस तरह से अपडेट होना चाहिए कि वह सभी संभावित परिणामों की कुल प्रायिकता को स्थिर रखे, चाहे प्रयोगकर्ता प्रयोग को जारी रखने के लिए कोई भी निर्णय ले। दूसरा, छिपी हुई तैयारियाँ पर्यवेक्षक के लिए अविभेद्य (indistinguishable) रहनी चाहिए, जिसका अर्थ है कि जो हुआ उसका रिकॉर्ड यह प्रकट नहीं कर सकता कि भविष्य की सेटिंग क्या चुनी गई थी। शोध पत्र दिखाता है कि कई प्रस्तावित मॉडल इन परीक्षणों में विफल हो जाते हैं। जब कोई मॉडल विफल होता है, तो इसका अर्थ है कि छिपे हुए चर वास्तव में छिपे हुए नहीं हैं; वे अवलोकन योग्य रिकॉर्ड में एक निशान छोड़ते हैं जो प्रयोगकर्ता को उनके भविष्य के चुनावों का अनुमान लगाने की अनुमति देता है। यह यह सिद्ध नहीं करता है कि रेट्रोकॉजैलिटी असंभव है, लेकिन यह उन सिद्धांतों पर एक भारी बोझ डालता है जो इसे प्रस्तावित करते हैं। सिद्धांत को इतनी सटीकता के साथ निर्मित किया जाना चाहिए कि वह एक ऐसे पर्यवेक्षक की जांच का सामना कर सके जो अपने द्वारा देखे गए डेटा के आधार पर अपनी रणनीति को सक्रिय रूप से अनुकूलित करता है।
यह अध्ययन इस बात के महत्व पर भी प्रकाश डालता है कि हम "रिकॉर्ड" को कैसे परिभाषित करते हैं। इन मॉडलों में, एक रिकॉर्ड में न केवल अंतिम मापन परिणाम शामिल है, बल्कि समय, नियंत्रक सेटिंग्स और पर्यावरण की कोई भी स्मृति भी शामिल है। शोधकर्ता ने पाया कि यदि आप इन विवरणों को अनदेखा करते हैं और केवल अंतिम परिणाम को देखते हैं, तो आप विफलता को चूक सकते हैं। यह केवल तभी स्पष्ट होता है जब आप घटनाओं की पूरी श्रृंखला को देखते हैं, जिसमें रास्ते में लिए गए निर्णय भी शामिल हैं। यह सुझाव देता है कि रेट्रोकॉज़ल मॉडल बनाने के किसी भी प्रयास को घटनाओं के पूर्ण जटिलता का लेखा-जोखा रखना चाहिए, जिसमें पर्यवेक्षक की अपनी राय बदलने की क्षमता भी शामिल है। यह कार्य एक नया डिटेक्टर नहीं बनाता है या यह सिद्ध नहीं करता है कि प्रकृति इसी तरह काम करती है; बल्कि, यह यह जांचने के लिए गणितीय उपकरणों का एक सेट प्रदान करता है कि क्या प्रस्तावित मॉडल सुसंगत है। इन उपकरणों को लागू करके, शोधकर्ता अब उन पूरे वर्गों के मॉडलों को खारिज कर सकते हैं जो पहली नज़र में प्रशंसनीय लग सकते थे।
अंत में, यह शोध पत्र उन सिद्धांतों के लिए एक कठोर तनाव परीक्षण (stress test) के रूप में कार्य करता है जो भविष्य से प्रभावित छिपे हुए चरों के माध्यम से क्वांटम सहसंबंधों की व्याख्या करने का प्रयास करते हैं। यह दिखाता है कि जबकि इन मॉडलों को सरल, स्थिर परिदृश्यों के लिए ट्यून किया जा सकता है, वे एक प्रयोगकर्ता की गतिशील वास्तविकता में जीवित रहने के लिए संघर्ष करते हैं जो सीखता है और अनुकूलन करता है। निष्कर्ष बताते हैं कि यदि ऐसे मॉडल मौजूद हैं, तो उन्हें पहले की तुलना में कहीं अधिक प्रतिबंधित होना चाहिए, जिसके लिए एक ऐसे स्तर की निरंतरता की आवश्यकता है जिसे बिना किसी नए, अस्पष्ट तंत्र के प्राप्त करना कठिन है। शोध भविष्य के सिद्धांतों के लिए द्वार खुला रखता है लेकिन उन्हें प्रमाण के बहुत उच्च मानक को पार करने की मांग करता है, यह सुनिश्चित करता है कि वर्तमान में जिज्ञासु पर्यवेक्षक से छिपा हुआ अतीत वास्तव में छिपा रहे।
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।