← नवीनतम पेपर
⚛️ क्वांटम भौतिकी

Machine-learned active spaces enable quantum calculations of spin-state energetics of transition-metal complexes on quantum hardware

यह शोध पत्र SpinAware को प्रस्तुत करता है, जो एक मशीन-लर्निंग मॉडल है जो अनरिस्ट्रिक्टेड हार्ट्री-फॉक समाधानों से ऑर्बिटल एंटैंगलमेंट मेट्रिक्स की भविष्यवाणी करता है ताकि स्वचालित रूप से कॉम्पैक्ट एक्टिव स्पेस की पहचान की जा सके, जिससे पूर्व सहसंबंधित गणनाओं के बिना ट्रांज़िशन-मेटल कॉम्प्लेक्स के स्पिन-स्टेट ऊर्जा विज्ञान के सटीक क्वांटम हार्डवेयर गणनाओं को सक्षम बनाया जा सके।

मूल लेखक: Muhammad Arsalan Ali Akbar, Thomas D. Kühne, Sabre Kais, Werner Dobrautz

प्रकाशित 2026-11-17
📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

मूल लेखक: Muhammad Arsalan Ali Akbar, Thomas D. Kühne, Sabre Kais, Werner Dobrautz

मूल पेपर CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/) के तहत सार्वजनिक डोमेन को समर्पित 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

संक्रमण धातुएं (transition metals) आधुनिक रसायन विज्ञान के कार्यबल हैं, जो हमारी कोशिकाओं को जीवित रखने वाले एंजाइमों से लेकर तेल को प्लास्टिक में बदलने वाले औद्योगिक उत्प्रेरकों तक, सब कुछ संचालित करती हैं। उनका रासायनिक व्यवहार एक सूक्ष्म क्वांटम घटना द्वारा नियंत्रित होता है: जिस तरह से उनके इलेक्ट्रॉन अंतरिक्ष में खुद को व्यवस्थित करते हैं। सरल परमाणुओं के विपरीत जहाँ इलेक्ट्रॉन व्यवस्थित, अनुमानित परतों में स्थित होते हैं, संक्रमण धातुओं में इलेक्ट्रॉन अक्सर एक ही ऊर्जा स्तर साझा करते हैं, जिससे संभावनाओं का एक उलझा हुआ जाल बन जाता है। यह "स्थैतिक सहसंबंध" (static correlation) का अर्थ है कि इन अणुओं की प्रतिक्रिया को समझने के लिए, वैज्ञानिक केवल इलेक्ट्रॉनों के एक विन्यास को नहीं देख सकते; उन्हें एक साथ कई विन्यासों पर विचार करना होगा। समस्या यह है कि इन सभी संभावनाओं की गणना करना अविश्वannya रूप से महंगा है। इसके लिए इलेक्ट्रॉनों के एक विशिष्ट सेट को चुनना आवश्यक है, जिसे 'एक्टिव स्पेस' (active space) कहा जाता है। यदि चुनाव गलत हुआ, तो गणना विफल हो जाएगी; यदि यह बहुत बड़ा हुआ, तो दुनिया के सबसे शक्तिशाली सुपरकंप्यूटर भी इसे हल नहीं कर पाएंगे। इस बाधा ने लंबे समय से शोधकर्ताओं को विभिन्न स्पिन अवस्थाओं (spin states)—जो अणु के चुंबकीय ओरिएंटेशन होते हैं—के बीच ऊर्जा अंतर की सटीक भविष्यवाणी करने से रोका है, जो यह समझने के लिए महत्वपूर्ण है कि ये उत्प्रेरक कैसे कार्य करते हैं।

शोधकर्ताओं की एक टीम ने अब आर्टिफिशियल इंटेलिजेंस का उपयोग करके इस बाधा को दूर करने का एक नया तरीका विकसित किया है। उन्होंने 'स्पिनअवेयर' (SpinAware) नामक एक मशीन-लर्निंग मॉडल बनाया है जो महंगी गणनाओं को करने के बजाय यह अनुमान लगा सकता है कि कौन से इलेक्ट्रॉन पथ महत्वपूर्ण हैं। इलेक्ट्रॉन पथों के जटिल जाल को समझने के लिए सुपरकंप्यूटर की आवश्यकता के बजाय, यह मॉडल अणु के इलेक्ट्रॉनों की एक बहुत सरल, मानक गणना को देखता है और हजारों उदाहरणों से सीखे गए पैटर्न के आधार पर, सटीक रूप से भविष्यवाणी करता है कि जटिल गणना में किन पथों को शामिल करने की आवश्यकता है। मॉडल को संक्रमण-धातु परिसरों (transition-metal complexes) के एक विशाल डेटासेट पर प्रशिक्षित किया गया था, जिससे उसने इलेक्ट्रॉनों की ऊर्जा और धातु एवं उसके आसपास के परमाणुओं के बीच उनके साझाकरण जैसे बुनियादी डेटा से इलेक्ट्रॉन उलझाव (electron entanglement) के सूक्ष्म संकेतों को पहचानना सीखा।

शोधकर्ताओं ने इस नए उपकरण का परीक्षण अणुओं के एक चुनौतीपूर्ण सेट पर किया जो मॉडल के प्रशिक्षण में उपयोग किए गए अणुओं से पूरी तरह से अलग थे। इनमें टाइटेनियम और वैनेडियम जैसे धातु और लिगेंड्स शामिल थे जिन्हें मॉडल ने पहले कभी नहीं देखा था, साथ ही असामान्य रासायनिक बंध भी थे। इस पूर्व अनुभव की कमी के बावजूद, मॉडल ने लगभग हर मामले में सही इलेक्ट्रॉन पथों की पहचान सफलतापूर्वक की। यह चालीस संभावित इलेक्ट्रॉन पथों के समूह को लगभग पंद्रह के एक छोटे, प्रबंधनीय समूह तक सीमित करने में सक्षम रहा, जबकि यह सुनिश्चित किया कि इसने अनजाने में उन महत्वपूर्ण पथों को न छोड़ दिया हो जो सटीक उत्तर के लिए आवश्यक हैं। वास्तव में, मॉडल के चयन में उपलब्ध सबसे कठोर और समय लेने वाली विधियों द्वारा पाए गए सही पथों का ९९ प्रतिशत हिस्सा शामिल था।

यह सिद्ध करने के लिए कि यह दृष्टिकोण वास्तविक दुनिया में काम करता है, टीम ने अपने अनुमानित इलेक्ट्रॉन पथों को वास्तविक क्वांटम कंप्यूटरों पर चलाया। उन्होंने 'सैंपल-बेस्ड क्वांटम डायगोनलाइजेशन' (sample-based quantum diagonalization) नामक एक विधि का उपयोग किया, जो वर्तमान क्वांटम हार्डवेयर में निहित शोर और त्रुटियों को संभालने के लिए डिज़ाइन की गई है। एक IBM क्वांटम प्रोसेसर से नमूने (samples) लेकर, वे स्पिन अवस्थाओं के बीच सटीक ऊर्जा अंतर को एक किलोकैलोरी प्रति मोल के दसवें हिस्से से भी कम के त्रुटि मार्जिन के साथ पुनरुत्पादित करने में सक्षम रहे। सटीकता का यह स्तर रासायनिक रूप से महत्वपूर्ण है और यह दर्शाता है कि मशीन-लर्निंग मॉडल क्वांटम कंप्यूटर के लिए समस्या को तैयार करने में सफलतापूर्वक सक्षम है। यह प्रक्रिया प्रभावी रूप से शास्त्रीय कंप्यूटिंग (जो सरल कार्यों के लिए अच्छी है) और क्वांटम कंप्यूटिंग (जिसकी आवश्यकता कठिन समस्याओं के लिए होती है) के बीच के अंतर को पाटती है, जिसमें AI का उपयोग यह तय करने के लिए किया जाता है कि क्वांटम मशीन से वास्तव में क्या पूछना है।

स्पिनअवेयर की सफलता यह सुझाव देती है कि इन गणनाओं की कठिनाई केवल कच्चे कंप्यूटिंग पावर का मामला नहीं है, बल्कि यह जानने का मामला है कि कहाँ देखना है। मॉडल ने सीखा कि एक इलेक्ट्रॉन पथ का महत्व अन्य पथों के साथ उसके संबंध पर निर्भर करता है, ठीक वैसे ही जैसे एक कॉर्ड (chord) में एक एकल नोट केवल अन्य नोट्स के संदर्भ में ही समझ में आता है। इन संबंधों को सरल डेटा से पकड़कर, मॉडल उन महंगी प्रारंभिक गणनाओं से बच जाता है जिन्होंने पारंपरिक रूप से अनुसंधान को धीमा कर दिया था। हालाँकि मॉडल की कुछ सीमाएँ भी हैं—यह कभी-कभी अत्यंत मजबूत या बहुत कमजोर चुंबकीय अंतःक्रियाओं के साथ संघर्ष करता है जहाँ संकेत धुंधला होता है—लेकिन यह एक बड़ी प्रगति का प्रतिनिधित्व करता है। यह वैज्ञानिकों को जटिल संक्रमण-धातु रसायन विज्ञान को सटीकता के उस स्तर के साथ हल करने की अनुमति देता है जो पहले पहुंच से बाहर था, जिससे बेहतर उत्प्रेरकों को डिजाइन करने और उन जैविक प्रक्रियाओं को समझने का मार्ग प्रशस्त होता है जो इन जटिल धातु केंद्रों पर निर्भर करती हैं। यह कार्य दर्शाता है कि मशीन लर्निंग को क्वांटम हार्डवेयर के साथ जोड़कर, शोधकर्ता अब उन समस्याओं को हल कर सकते हैं जो कभी किसी एक तकनीक के लिए बहुत कठिन मानी जाती थीं।

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 →