Quantum Wavefunction Dynamics via Hard-Constrained Probability-Preserving Transformers

परमाणुओं और उप-परमाण्विक कणों की सूक्ष्म दुनिया में, प्रकृति उन नियमों का पालन करती है जो हमारे दैनिक जीवन के अनुभवों से बहुत अलग हैं। ठोस गेंदों की तरह चलने के बजाय, ये नन्ही वस्तुएं तालाब पर उठने वाली लहरों की तरह व्यवहार करती हैं, जो फैलती हैं और एक-दूसरे के साथ हस्तक्षेप करती हैं। वैज्ञानिक इन लहरों को 'वेव फंक्शन' (तरंग फलन) नामक एक गणितीय वस्तु का उपयोग करके वर्णित करते हैं। यह वेव फंक्शन हमें यह नहीं बताता कि कोई कण ठीक कहाँ है, बल्कि यह किसी विशिष्ट स्थान पर उसके पाए जाने की संभावना बताता है। इस क्वांटम दुनिया का एक मौलिक नियम यह है कि कण के कहीं न कहीं पाए जाने की कुल प्रायिकता (probability) हमेशा सौ प्रतिशत होनी चाहिए। यदि कोई गणना यह सुझाव देती है कि कुल प्रायिकता उससे थोड़ी अधिक या कम है, तो परिणाम भौतिक रूप से असंभव है, भले ही संख्याएँ उसके करीब ही क्यों न दिखें। इन प्रायिकता तरंगों समय के साथ कैसे बदलती हैं, इसका पूर्वानुमान लगाना कंप्यूटर चिप में इलेक्ट्रॉनों की गति से लेकर प्रकाश का पदार्थ के साथ होने वाले संपर्क तक, सब कुछ समझने के लिए आवश्यक है। हालाँकि, कंप्यूटर पर ये गणनाएँ करना अविश्वसनीय रूप से कठिन है। समीकरण जटिल हैं, और एक सटीक भविष्य की तस्वीर पाने के लिए, एक कंप्यूटर को अक्सर लाखों छोटे कदम उठाने पड़ते हैं, और हर एक क्षण में सिस्टम की स्थिति की जाँच करनी पड़ती है। यह प्रक्रिया धीमी है और इसके लिए बहुत अधिक कंप्यूटिंग शक्ति की आवश्यकता होती है, विशेष रूप से जब वैज्ञानिक कई अलग-अलग परिदृश्यों का अनुकरण करना चाहते हैं या बहुत दूर के भविष्य को देखना चाहते हैं।

शोधकर्ताओं की एक टीम ने इस समस्या को हल करने के लिए एक नया दृष्टिकोण विकसित किया है, जिसमें एक प्रकार के आर्टिफिशियल इंटेलिजेंस को शुरुआत से ही भौतिकी के नियमों का सम्मान करना सिखाया गया है। केवल एक कंप्यूटर से क्वांटम सिस्टम के अगले चरण का अनुमान लगाने और इस उम्मीद में रहने के बजाय कि कुल प्रायिकता सही रहेगी, उन्होंने एक विशिष्ट प्रकार का न्यूरल नेटवर्क बनाया जो वह गलती करने में सक्षम ही नहीं है। वे इस प्रणाली को 'प्रोबेबिलिटी-प्रिजर्विंग ट्रांसफार्मर' कहते हैं। अपने अध्ययन में, उन्होंने एक सरल लेकिन क्लासिक क्वांटम सेटअप पर ध्यान केंद्रित किया: एक कण जो एक आयामी बॉक्स के भीतर फंसा हुआ है, और दो दीवारों के बीच आगे-पीछे उछल रहा है। यह परिदृश्य क्वांटम सिद्धांतों के लिए एक मानक परीक्षण है, ठीक वैसे ही जैसे गुरुत्वाकर्षण के लिए गिरता हुआ सेब। शोधकर्ताओं ने अपने आर्टिफिशियल इंटेलिजेंस को 'क्रैंक-निकोल्सन स्कीम' नामक एक अत्यधिक सटीक, पारंपरिक विधि से उत्पन्न डेटा पर प्रशिक्षित किया, जो इन गणनाओं के लिए एक स्वर्ण मानक (gold standard) के रूप में कार्य करती है। उन्होंने एआई को वेव फंक्शन समय के साथ कैसे चला, इसके संक्षिप्त इतिहास दिए और उससे पूछा कि आगे क्या होगा। महत्वपूर्ण रूप से, उन्होंने एआई की संरचना को इस तरह से डिजाइन किया कि भविष्यवाणी करने के बाद, इसे परिणाम को सामान्य (normalize) करने के लिए मजबूर किया जाए, जिससे यह सुनिश्चित हो सके कि कुल प्रायिकता बिल्कुल एक बनी रहे, जैसा कि प्रकृति की आवश्यकता है। यह कोई नरम सुझाव या गलत होने के लिए दंड नहीं था; यह मशीन की संरचना में निर्मित एक कठोर नियम था।

परिणामों से पता चला कि यह विधि उल्लेखनीय रूप से अच्छी तरह से काम करती है। जब कण की सरल ग्राउंड स्टेट (मूल अवस्था) पर परीक्षण किया गया, तो एआई ने वेव के भविष्य के संचलन की उच्च सटीकता के साथ भविष्यवाणी की, जो पारंपरिक गणनाओं से लगभग पूरी तरह मेल खाती थी। इससे भी महत्वपूर्ण बात यह है कि कुल प्रायिकता कभी नहीं बदली। जबकि एक मानक, अनियंत्रित एआई मॉडल ने ऐसे भविष्यवाणियां कीं जहाँ कुल प्रायिकता धीरे-धीरे बढ़कर लगभग 1.045 हो गई, जो भौतिकी के नियम का स्पष्ट उल्लंघन है, नए सिस्टम ने प्रायिकता को कंप्यूटर की सटीकता की सीमा तक ठीक एक बनाए रखा। शोधकर्ताओं ने सिस्टम को और आगे बढ़ाया, और उन परिदृश्यों पर परीक्षण किया जिन्हें उसने पहले कभी नहीं देखा था। उन्होंने एआई को उत्तेजित अवस्थाओं (excited states), चलते हुए वेव पैकेट्स और विभिन्न अवस्थाओं के जटिल संयोजनों से संबंधित डेटा दिया। इन विशिष्ट नई स्थितियों के लिए स्पष्ट रूप से प्रशिक्षित न होने के बावजूद, एआई ने अपने ज्ञान का सामान्यीकरण किया, और इन विविध क्वांटम अवस्थाओं के विकास की सफलतापूर्वक भविष्यवाणी की। भविष्यवाणियां सटीक रहीं, और प्रायिकता संरक्षण सभी विभिन्न प्रारंभिक स्थितियों के माध्यम से बना रहा। सिस्टम ने केवल प्रशिक्षण डेटा को याद नहीं किया; इसने क्वांटम अवस्था के विकसित होने के अंतर्निहित नियमों को सीखा।

सटीकता के अलावा, अध्ययन ने गति में एक महत्वपूर्ण लाभ का भी खुलासा किया। पारंपरिक विधि के लिए कंप्यूटर को वर्तमान और भविष्य के बीच के प्रत्येक मध्यवर्ती चरण की गणना करनी पड़ती है, एक ऐसी प्रक्रिया जो भविष्य में जितना आगे देखना हो, उतनी ही धीमी होती जाती है। इसके विपरीत, प्रशिक्षित एआई मॉडल अतीत के एक संक्षिप्त इतिहास के आधार पर सीधे भविष्य की अवस्था पर कूद सकता है। सौ समय चरणों (time steps) के प्रेडिक्शन होराइजन के लिए, एआई पारंपरिक विधि की तुलना में पंद्रह गुना से अधिक तेज़ था। जब और भी आगे, एक सौ पिचानवे चरणों पर देखा गया, तो गति का लाभ बीस गुना से अधिक बढ़ गया। यह सुझाव देता है कि दीर्घकालिक सिमुलेशन के लिए, जहाँ पारंपरिक विधि एक बाधा बन जाती है, यह नया दृष्टिकोण एक शक्तिशाली विकल्प प्रदान कर सकता है। शोधकर्ताओं ने नोट किया कि हालांकि एआई अत्यधिक सटीक था, फिर भी कुछ छोटी त्रुटियाँ थीं, विशेष रूप से कुछ जटिल वेव पैकेट्स के व्यवहार की भविष्यवाणी करने में। हालाँकि, ये त्रुटियाँ स्थानीयकृत थीं और इनके कारण सिस्टम विफल नहीं हुआ या प्रायिकता के मौलिक नियमों का उल्लंघन नहीं हुआ। अध्ययन यह निष्कर्ष निकालता है कि मशीन लर्निंग मॉडल के डिजाइन में भौतिक बाधाओं को शामिल करके, वैज्ञानिक ऐसे उपकरण बना सकते हैं जो न केवल तेज़ हैं, बल्कि अधिक विश्वसनीय और भौतिक रूप से सुसंगत भी हैं, जो उन जटिल क्वांटम गतिकी के अनुकरण का द्वार खोलते हैं जिन्हें कंप्यूट करने में पहले बहुत अधिक लागत आती थी।