← नवीनतम पेपर
⚛️ क्वांटम भौतिकी

TGen-SQD: Physics-Informed Transferable Configuration Generator for Sample-Based Quantum Diagonalization

यह शोध पत्र TGen-SQD को प्रस्तुत करता है, जो एक भौतिकी-सूचित (physics-informed), हस्तांतरणीय (transferable) मशीन लर्निंग जनरेटर है जो सैंपल-आधारित क्वांटम डायगोनलाइजेशन के लिए कॉम्पैक्ट डिटरमिनेंट सबस्पेस को कुशलतापूर्वक चुनने हेतु कई हैमिल्टोनियन्स (Hamiltonians) पर संयुक्त रूप से प्रशिक्षित होता है, और बिना पुनरप्रशिक्षण की आवश्यकता के, देखे गए और अनदेखे दोनों आणविक ज्यामितियों पर अत्याधुनिक बेसलाइनों की तुलना में बेहतर सटीकता प्राप्त करता है।

मूल लेखक: Niloy Deb Roy Mishu, Lei Jiang, Mohsen Heidari, Ruizhe Zhang, Fan Chen

प्रकाशित 2026-11-13
📖 4 मिनट में पढ़ें🧠 गहराई से पढ़ें

मूल लेखक: Niloy Deb Roy Mishu, Lei Jiang, Mohsen Heidari, Ruizhe Zhang, Fan Chen

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 लेखक ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

एक अणु के भीतर इलेक्ट्रॉन खुद को कैसे व्यवस्थित करते हैं, इसे समझना आधुनिक रसायन विज्ञान की सबसे कठिन चुनौतियों में से एक है। यह अनुमान लगाने के लिए कि एक दवा किसी वायरस से कैसे बंधेगी या एक नई सामग्री बिजली का संचालन कैसे करेगी, वैज्ञानिकों को एक अणु की सबसे निम्नतम, सबसे स्थिर अवस्था की ऊर्जा की गणना करनी पड़ती है। हालाँकि, प्रत्येक अतिरिक्त परमाणु के साथ इलेक्ट्रॉन खुद को व्यवस्थित करने के तरीकों की संख्या इतनी विस्फोटक दर से बढ़ती है कि दुनिया के सबसे शक्तिशाली सुपरकंप्यूटर भी उनके साथ तालमेल बिठाने के लिए संघर्ष करते हैं। इस बाधा को पार करने के लिए, शोधकर्ताओं ने हाइब्रिड विधियों का रुख किया है जो शास्त्रीय (क्लासिकल) कंप्यूटरों को क्वांटम प्रोसेसर के साथ जोड़ती हैं। ऐसा ही एक दृष्टिकोण, जिसे सैंपल-आधारित क्वांटम डायगोनलाइजेशन (sample-based quantum diagonalization) कहा जाता है, क्वांटम कंप्यूटर से संभावित इलेक्ट्रॉन व्यवस्थाओं, या विन्यासों (configurations), की एक सूची बनाने के लिए कहकर और फिर शास्त्रीय कंप्यूटर का उपयोग करके उनमें से सर्वोत्तम उत्तर खोजने के माध्यम से कार्य करता है। इस पद्धति की सफलता पूरी तरह से उस सूची की गुणवत्ता पर निर्भर करती है: यदि क्वांटम कंप्यूटर सबसे महत्वपूर्ण व्यवस्थाओं को छोड़ देता है, तो गणना विफल हो जाती है; यदि इसमें बहुत अधिक बेकार व्यवस्थाएं शामिल हो जाती हैं, तो शास्त्रीय कंप्यूटर धीमा पड़ जाता है। इसलिए, केंद्रीय समस्या क्वांटम कंप्यूटर को एक विवेकपूर्ण क्यूरेटर (discerning curator) बनाना है, जो केवल उन्हीं विन्यासों का चयन करे जो वास्तव में मायने रखते हैं।

शोधकर्ताओं के एक दल ने इस चयन समस्या को हल करने के लिए TGen-SQD नामक एक नया उपकरण विकसित किया है। प्रत्येक अणु जिसे वे अध्ययन करना चाहते हैं उसके लिए एक अलग आर्टिफिशियल इंटेलिजेंस को प्रशिक्षित करने के बजाय, उन्होंने एक एकल, लचीला जनरेटर बनाया है जो विभिन्न प्रकार के आणविक आकारों से सीखता है और फिर उस ज्ञान को नई, अनदेखी स्थितियों में लागू करता है। अपने कार्य में, शोधकर्ताओं ने इस प्रणाली को दस हाइड्रोजन परमाणुओं की एक श्रृंखला पर प्रशिक्षित किया, जो बीस क्वांटम बिट्स, या क्यूबिट्स (qubits) से जुड़ी एक मानक परीक्षण स्थिति है। उन्होंने क्वांटм मापों और स्थापित सैद्धांतिक सुधारों के मिश्रण से प्राप्त हजारों इलेक्ट्रॉन व्यवस्थाओं को दिखाकर इस प्रणाली को सिखाया। प्रणाली ने इलेक्ट्रॉनों के ऊर्जा स्तरों और परमाणुओं के बीच की दूरियों में पैटर्न पहचानना सीखा, जिससे यह अनुमान लगाने में सक्षम हुई कि कौन से विन्यास गणना के लिए सबसे मूल्यवान होंगे। एक बार प्रशिक्षित होने के बाद, शोधकर्ताओं ने प्रणाली की आंतरिक सेटिंग्स को फ्रीज (freeze) कर दिया, जिसका अर्थ है कि इसे प्रत्येक नए परीक्षण के लिए पुन: प्रशिक्षित या समायोजित करने की आवश्यकता नहीं थी। यह बस एक नए अणु के विशिष्ट विवरण लेता था और एक अनुकूलित विन्यासों की सूची तैयार करता था।

इस दृष्टिकोण के परिणाम आश्चर्यजनक थे। जब हाइड्रोजन श्रृंखलाओं पर परीक्षण किया गया जिनके बॉन्ड की लंबाई (bond lengths) प्रणाली ने प्रशिक्षण के दौरान देखी थी, तो इसने पिछले सर्वश्रेष्ठ तरीके की तुलना में ऊर्जा गणनाओं में त्रुटि को लगभग 12.7 प्रतिशत कम कर दिया। इससे भी अधिक प्रभावशाली बात यह थी कि जब इसके सामने पूरी तरह से नई बॉन्ड लंबाई आई जिसे इसने पहले कभी नहीं देखा था, तब भी इसने पुराने मानक से लगभग 11.7 प्रतिशत बेहतर प्रदर्शन किया। यह सुझाव देता है कि प्रणाली ने इन श्रृंखलाओं में इलेक्ट्रॉन कैसे व्यवहार करते हैं, इसके मौलिक नियमों को सीखा, न कि केवल विशिष्ट उत्तरों को रटा। शोधकर्ताओं ने पाया कि जैसे-जैसे उन्होंने उन विन्यासों की संख्या बढ़ाई जिन्हें प्रस्तावित करने की अनुमति दी गई थी, उनकी विधि स्थिर और सटीक बनी रही। विभिन्न आणविक ज्यामिति (molecular geometries) में ज्ञान साझा करके, प्रणाली ने हर नई समस्या के लिए महंगी, दोहराव वाली ट्रेनिंग की आवश्यकता को समाप्त कर दिया। यह कार्य प्रदर्शित करता है कि एक एकल, भौतिकी-जागरूक (physics-aware) जनरेटर विश्वसनीय रूप से क्वांटम कंप्यूटरों को आणविक पहेली के सबसे महत्वपूर्ण हिस्सों की ओर निर्देशित कर सकता है, जो निरंतर पुन: प्रशिक्षण की आवश्यकता के बिना सटीक रासायनिक सिमुलेशन की ओर एक अधिक कुशल मार्ग प्रदान करता 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।

Digest आज़माएँ →