A Polynomial-Scaling PDE Solver with Entanglement-Basis Tensor Networks

भौतिक जगत का अधिकांश भाग उन समीकरणों द्वारा वर्णित किया जाता है जो स्थान और समय के सापेक्ष चीजों के परिवर्तन को ट्रैक करते हैं, जैसे कि एक धातु की छड़ के माध्यम से ऊष्मा का प्रवाह या एक पंख के चारों ओर हवा की गति। चूंकि ये समीकरण अक्सर एक सरल सूत्र के साथ हल करने के लिए बहुत जटिल होते हैं, इसलिए वैज्ञानिक और इंजीनियर समस्या को प्रबंधनीय टुकड़ों में तोड़ने के लिए संख्यात्मक विधियों (numerical methods) पर भरोसा करते हैं। वे एक निरंतर आकार को छोटे, परिमित टुकड़ों के ग्रिड में विभाजित करते हैं, जिससे एक सुचारू, अनंत समस्या को गणनाओं की एक विशाल सूची में बदल दिया जाता है जिसे एक कंप्यूटर प्रोसेस कर सके। हालांकि यह दृष्टिकोण कई समस्याओं के लिए अच्छा काम करता है, लेकिन जब समीकरण अत्यधिक गैर-रैखिक (non-linear) हो जाते हैं या जब सिस्टम में कई परस्पर क्रिया करने वाले भाग शामिल होते हैं, तो यह एक दीवार से टकरा जाता है; गणना की आवश्यक संख्या इतनी तेजी से बढ़ती है कि सबसे शक्तिशाली सुपरकंप्यूटर भी उचित समय में काम पूरा नहीं कर पाते।

मैसाचुसेट्स इंस्टीट्यूट ऑफ टेक्नोलॉजी के शोधकर्ताओं की एक टीम ने क्वांटम भौतिकी के अध्ययन से एक उपकरण उधार लेकर इन कठिन समस्याओं से निपटने का एक नया तरीका विकसित किया है। कंप्यूटर की मेमोरी को संख्याओं की एक साधारण सूची के रूप में मानने के बजाय, वे समाधान को छोटे, जुड़े हुए डेटा स्ट्रक्चर्स के एक नेटवर्क के रूप में प्रस्तुत करते हैं। 'टेंसर नेटवर्क' नामक यह विधि कंप्यूटर को सिस्टम के विभिन्न हिस्सों के बीच सबसे महत्वपूर्ण कनेक्शनों पर ध्यान केंद्रित करके जानकारी को कुशलतापूर्वक संग्रहीत और संसाधित करने की अनुमति देती है। अपने नए कार्य में, शोधकर्ताओं ने इन समीकरणों को हल करने की एक मानक विधि, जिसे 'फाइनाइट एलीमेंट मेथड' कहा जाता है, पर इस तकनीक को सफलतापूर्वक लागू किया, जिससे एक ऐसा सॉल्वर तैयार हुआ जो जटिल, गैर-रैखिक समस्याओं को एक प्रबंधनीय, बहुपद (polynomial) दर पर होने वाली गणना लागत के साथ संभाल सकता है, न कि एक असंभव घातीय (exponential) दर के साथ।

मुख्य चुनौती यह है कि पारंपरिक विधियाँ गैर-रैखिक संबंधों को कैसे संभालती हैं। जब एक भौतिक प्रणाली इस तरह व्यवहार करती है जहाँ आउटपुट इनपुट के सीधे आनुपातिक नहीं होता है—जैसे कि जब किसी पदार्थ के भौतिक गुण इस बात पर निर्भर करते हैं कि वह वर्तमान में कितनी ऊष्मा धारण किए हुए है—तो गणित अविश्वसनीय रूप से कठिन हो जाता है। मानक दृष्टिकोणों के लिए अक्सर कंप्यूटर को एक समाधान का अनुमान लगाने, त्रुटि की जाँच करने और फिर से अनुमान लगाने की आवश्यकता होती है, जो एक धीमी और अस्थिर प्रक्रिया हो सकती है। इस टीम ने इस समस्या को एक बड़े, अधिक अमूर्त स्थान (abstract space) में ले जाकर हल किया जहाँ ये गैर-रैखिक अंतःक्रियाएं सरल, रैखिक संबंधों में बदल जाती हैं। कल्पना कीजिए कि आप एक गाँठ को उसके सिरों को खींचकर सुलझाने की कोशिश कर रहे हैं; कभी-कभी यह कल्पना करना आसान होता है कि गाँठ एक सपाट, अनफोल्ड शीट है जहाँ उलझनें केवल सीधी रेखाएँ हैं जिन्हें सीधा किया जा सकता है। इस बढ़े हुए स्थान में समस्या का विस्तार करके, शोधकर्ता इन शासी समीकरणों (governing equations), टुकड़ों के जुड़ने के नियमों और सिस्टम की सीमाओं की स्थितियों को एक एकल, एकीकृत लक्ष्य के रूप में व्यक्त कर सके: पूरे सिस्टम की त्रुटि, या "रेसिड्यूअल" (residual) को एक साथ कम करना।

हालाँकि, यह नया स्थान सैद्धांतिक रूप से विशाल है, जो इतना बड़ा हो जाता है कि इसे कंप्यूटर की मेमोरी में संग्रहीत करना सरलतम समस्याओं के अलावा किसी के लिए भी असंभव होगा। यहीं पर टेंसर नेटवर्क काम आता है। शोधकर्ताओं ने महसूस किया कि भले ही स्थान विशाल है, लेकिन समाधान का वर्णन करने के लिए आवश्यक वास्तविक जानकारी अक्सर बहुत संक्षिप्त होती है क्योंकि सिस्टम के सभी हिस्से एक-दूसरे से समान रूप से जुड़े नहीं होते हैं। उन्होंने एक विशिष्ट प्रकार के नेटवर्क स्ट्रक्चर का उपयोग किया, जिसे 'मैट्रिक्स प्रोडक्ट स्टेट' कहा जाता है, जो डेटा को एक श्रृंखला में व्यवस्थित करता है जहाँ प्रत्येक हिस्सा केवल अपने निकटतम पड़ोसी से सीधे बात करता है। यह संरचना एक फिल्टर की तरह कार्य करती है, जो तत्वों के बीच केवल आवश्यक सहसंबंधों (correlations) को रखती है और बाकी को हटा देती है। 'डेंसिटी मैट्रिक्स रिनॉर्मलाइजेशन ग्रुप' नामक एल्गोरिदम का उपयोग करके, जो एक समय में एक टुकड़े को अनुकूलित करने के लिए श्रृंखला के माध्यम से आगे-पीछे घूमता है, कंप्यूटर पूरी, विशाल जगह को अपनी मेमोरी में बनाए बिना सर्वोत्तम समाधान पा सकता है।

अपने विचार का परीक्षण करने के लिए, टीम ने अपने नए सॉल्वर को 'डिफ्यूजन इक्वेशन' पर लागू किया, जो यह बताने का एक सामान्य मॉडल है कि पदार्थ के माध्यम से ऊष्मा या कण कैसे फैलते हैं जहाँ ऊष्मा का संचालन करने की क्षमता स्थान के आधार पर बदलती है। उन्होंने एक एक-आयामी डोमेन पर एक सिमुलेशन सेट किया, इसे दस छोटे खंडों में विभाजित किया और प्रत्येक खंड के भीतर समाधान का वर्णन करने के लिए एक विशिष्ट प्रकार के गणितीय फलन (function) का उपयोग किया। इसके बाद उन्होंने एल्गोरिदम को चलने दिया, जो समीकरण में त्रुटि को कम करने के लिए खंडों के बीच के कनेक्शनों को समायोजित करता है। परिणामों ने दिखाया कि इस पद्धति ने एक समाधान तैयार किया जो आज उपयोग की जाने वाली मानक, स्थापित विधियों के आश्चर्यजनक रूप से करीब था, जिसमें तरंग के आयाम (amplitude) में पांच प्रतिशत से भी कम का अंतर था। इससे भी महत्वपूर्ण बात यह है कि समाधान खंडों की सीमाओं के पार सुचारू और निरंतर बना रहा, जो यह सिद्ध करता है कि पद्धति ने उन भौतिक नियमों को सही ढंग से लागू किया जो यह आवश्यक बनाते हैं कि समाधान एक टुकड़े से दूसरे टुकड़े तक निर्बाध रूप से जुड़े।

शोधकर्ताओं ने यह भी जांचा कि ग्रिड को महीन बनाने या प्रत्येक खंड के भीतर अधिक जटिल कार्यों का उपयोग करने से सटीकता में कितना सुधार होता है। उन्होंने पाया कि जैसे-जैसे उन्होंने रिज़ॉल्यूशन बढ़ाया, त्रुटि लगातार कम होती गई, जिससे पुष्टि हुई कि प्रतिनिधित्व अधिक विस्तृत होने पर पद्धति सही उत्तर की ओर अभिसरित (converge) होती है। हालाँकि, उन्होंने नोट किया कि यह सुधार अनंत नहीं है; एक बार जब स्थानिक रिज़ॉल्यूशन बहुत उच्च हो जाता है, तो सटीकता सिमुलेशन में उपयोग किए गए टाइम स्टेप्स के आकार द्वारा सीमित हो जाती है, जो मानक संख्यात्मक विधियों के अनुरूप व्यवहार है। अध्ययन ने प्रदर्शित किया कि इस विशिष्ट प्रकार की समस्या के लिए, गणना की लागत तत्वों की संख्या के साथ बहुपद (polynomially) रूप से स्केल करती है, जिसका अर्थ है कि खंडों की संख्या को दोगुना करने से काम दोगुना नहीं होता है, बल्कि यह बहुत अधिक प्रबंधनीय कारक द्वारा बढ़ता है, बशर्ते तत्वों के बीच के कनेक्शन की जटिलता सीमित रहे।

यह कार्य यह दावा नहीं करता है कि यह समीकरणों को हल करने के लिए हर मौजूदा पद्धति को बदल देगा, न ही यह सुझाव देता है कि यह दृष्टिकोण सभी प्रकार की भौतिक समस्याओं के लिए एक जादुई समाधान है। इस पद्धति की दक्षता इस बात पर बहुत अधिक निर्भर करती है कि क्या विशिष्ट समस्या के समाधान को कम संख्या में कनेक्शनों वाले एक संक्षिप्त नेटवर्क द्वारा वर्णित किया जा सकता है। यदि भौतिक प्रणाली को बहुत बड़ी संख्या में लंबी दूरी के कनेक्शनों की आवश्यकता है, तो यह पद्धति पारंपरिक तकनीकों की तुलना में कोई लाभ नहीं दे सकती है। इसके अलावा, वर्तमान कार्यान्वयन एक-आयामी समस्याओं तक सीमित है, और शोधकर्ता स्वीकार करते हैं कि यदि समस्या की स्थानीय जटिलता बढ़ती है तो गणना में शामिल स्थिरांक (constants) बड़े हो सकते हैं। फिर भी, यह अध्ययन एक स्पष्ट मार्ग स्थापित करता है, जो दिखाता है कि फाइनाइट एलीमेंट विश्लेषण के मौलिक निर्माण खंडों को एक ऐसे ढांचे में पुनर्गठित करना संभव है जो इन शक्तिशाली, क्वांटम-प्रेरित अनुकूलन उपकरणों के अनुकूल हो।

समाधान के स्थानीय सन्निकटन (local approximation) को उन वैश्विक बाधाओं (global constraints) से अलग करके, जो सिस्टम को एक साथ रखते हैं, शोधकर्ताओं ने एक लचीला ढांचा तैयार किया है जिसे मूल सॉल्वर को बदले बिना विभिन्न प्रकार के समीकरणों और सीमा स्थितियों (boundary conditions) के अनुकूल बनाया जा सकता है। यह अलगाव इस बात की अनुमति देता है कि एक ही एल्गोरिथम इंजन का उपयोग सरल ऊष्मा प्रवाह से लेकर अधिक जटिल, गैर-रैखिक अंतःक्रियाओं तक, विविध प्रकार की समस्याओं के लिए किया जा सके। एक-आयामी सेटिंग में इस दृष्टिकोण की सफलता यह सुझाव देती है कि इसे अधिक जटिल नेटवर्क ज्यामिति का उपयोग करके उच्च आयामों में विस्तारित किया जा सकता है, जो संभावित रूप से उन समस्याओं को हल करने का द्वार खोल सकता है जो वर्तमान में क्लासिकल कंप्यूटरों की पहुंच से बाहर हैं। यह कार्य एक प्रमाण (proof of concept) के रूप में कार्य करता है कि टेंसर नेटवर्क के सिद्धांतों को प्रभावी ढंग से क्वांटम यांत्रिकी के क्षेत्र से व्यावहारिक, रोजमर्रा की इंजीनियरिंग और अनुप्रयुक्त गणित (applied mathematics) की दुनिया में अनुवादित किया जा सकता है, जो हमारे भौतिक वास्तविकता को आकार देने वाली जटिल, परिवर्तनशील प्रणालियों को समझने के लिए एक नया उपकरण प्रदान करता है।