⚛️ quantum physics

Scalably learning quantum many-body Hamiltonians from dynamical data

यह शोध पत्र एक अत्यधिक स्केलेबल, डेटा-संचालित ढांचे को प्रस्तुत करता है जो सीमित गतिशील डेटा से परस्पर क्रिया करने वाले मेनी-बॉडी हैमिल्टोनियन को कुशलतापूर्वक सीखने के लिए ग्रेडिएंट-आधारित मशीन लर्निंग अनुकूलन को टेंसर नेटवर्क निरूपणों के साथ जोड़ता है, जो प्रतिबंधित प्रारंभिक अवस्थाओं, प्रेक्षणों और लघु समय विकास के बावजूद 100 स्पिन से अधिक की प्रणालियों के लिए मजबूत प्रदर्शन प्रदर्शित करता है।

मूल लेखक: Frederik Wilde, Augustine Kshetrimayum, Ingo Roth, Dominik Hangleiter, Ryan Sweke, Jens Eisert

प्रकाशित 2026-06-10

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Frederik Wilde, Augustine Kshetrimayum, Ingo Roth, Dominik Hangleiter, Ryan Sweke, Jens Eisert

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

कल्पना कीजिए कि आपके पास एक बंद बक्से के अंदर एक रहस्यमय, जटिल मशीन है। आप इसके गियर्स या तारों (हैमिल्टनियन, जो उस नियम पुस्तिका की तरह है जो यह तय करती है कि मशीन कैसे काम करती है) को देख नहीं सकते, लेकिन आप इसे हिला सकते हैं, झकझोर सकते हैं और देख सकते हैं कि क्या होता है। आपका लक्ष्य केवल मशीन को चलते हुए देखकर उस सटीक नियम पुस्तिका का पता लगाना है।

यह शोध पत्र क्वांटम मशीनों (ऐसे सिस्टम जो परमाणुओं या इलेक्ट्रॉनों जैसे सूक्ष्म कणों से बने होते हैं) के लिए उस पहेली को सुलझाने का एक नया, अत्यधिक कुशल तरीका प्रस्तुत करता है। उन्होंने इसे कैसे किया, यहाँ सरल भाषा में समझाया गया है:

समस्या: ब्लैक बॉक्स (Black Box)

क्वांटम दुनिया में, वैज्ञानिक अक्सर उपकरण (जैसे क्वांटम कंप्यूटर या सिम्युलेटर) बनाते हैं, लेकिन वे इस बात को लेकर 100% निश्चित नहीं होते कि उन्हें नियंत्रित करने वाले सटीक नियम क्या हैं। उनके पास एक परिकल्पना होती है, लेकिन उन्हें इसे साबित करने की आवश्यकता होती है। आमतौर पर, नियमों को जानने के लिए, आपको मशीन को कई अलग-अलग शुरुआती स्थितियों में तैयार करना होगा और उसे कई अलग-अलग तरीकों से मापना होगा। यह एक केक बनाने की रेसिपी का अनुमान लगाने जैसा है, जिसके लिए आपको अलग-अलग सामग्रियों और ओवन के साथ एक हज़ार बार केक बनाना पड़े। यह धीमा, महंगा और कठिन है।

समाधान: एक "स्मार्ट डिटेक्टिव" दृष्टिकोण

लेखकों ने एक ऐसा तरीका बनाया है जो एक सुपर-स्मार्ट जासूस की तरह काम करता है। लाखों अलग-अलग प्रयोगों की आवश्यकता के बजाय, इस जासूस को केवल चाहिए:

एक शुरुआती स्थिति: वे मशीन को एक सरल, शांत अवस्था से शुरू करते हैं (जैसे सभी कण "ऊपर" की ओर इशारा कर रहे हों)।
कुछ त्वरित स्नैपशॉट्स: वे मशीन को कुछ समय के लिए चलने देते हैं, फिर एक त्वरित "फोटो" (मापन) लेते हैं कि कण क्या कर रहे हैं। वे इसे कुछ बार दोहराते हैं।
एक कंप्यूटर मस्तिष्क: वे एक शक्तिशाली कंप्यूटर एल्गोरिदम का उपयोग करते हैं जो नियम पुस्तिका का अनुमान लगाता है, यह सिम्युलेट करता है कि यदि वह नियम पुस्तिका सच होती तो क्या होता, और वास्तविक फोटो के साथ उसकी तुलना करता है।

दो गुप्त हथियार

बड़े सिस्टमों (100 कणों तक, जो क्वांटम कंप्यूटरों के लिए बहुत अधिक है) के लिए यह काम करने के लिए, उन्होंने दो शक्तिशाली उपकरणों को जोड़ा:

टेंसर नेटवर्क (द कंप्रेशन ट्रिक):
कल्पना कीजिए कि आप ऊन के एक विशाल, उलझे हुए गोले का वर्णन करने की कोशिश कर रहे हैं। हर एक धागे को लिखना बहुत समय लेगा। इसके बजाय, आप उलझाव के पैटर्न का वर्णन करते हैं। "टेंसर नेटवर्क" जटिल क्वांटम सिस्टम का वर्णन करने का एक गणितीय तरीका है बिना डेटा की भारी मात्रा में उलझे। यह एक बड़ी मूवी को ज़िप फ़ाइल की तरह कंप्रेस करने जैसा है ताकि वह आपके फोन में फिट हो सके। यह उन्हें उन सिस्टमों को सिम्युलेट करने की अनुमति देता है जो सामान्य कंप्यूटरों के लिए बहुत बड़े हैं।
मशीन लर्निंग (द सेल्फ-करेक्टिंग लूप):
उन्होंने "ग्रेडिएंट-बेस्ड ऑप्टिमाइज़ेशन" नामक एक तकनीक का उपयोग किया। इसे रेडियो ट्यून करने के बारे में सोचें। आप डायल को थोड़ा घुमाते हैं, शोर सुनते हैं, और यदि शोर बढ़ जाता है, तो आप दूसरी ओर घुमाते हैं। कंप्यूटर नियमों का एक सेट का अनुमान लगाता है, जांचता है कि वह कितना गलत है, और नियमों को स्वचालित रूप से समायोजित करता है ताकि वह सच्चाई के करीब पहुँच सके। यह इसे हजारों बार तब तक करता है जब तक कि "शोर" (त्रुटि) समाप्त न हो जाए।

परिणाम: उन्होंने क्या पाया

टीम ने एक सिम्युलेटेड क्वांटम सिस्टम (स्पिन की एक श्रृंखला, जैसे छोटे चुंबकों की एक पंक्ति) पर इसका परीक्षण किया। यहाँ उन्होंने क्या खोजा:

यह स्केल करता है: उन्होंने 100 से अधिक कणों वाले सिस्टम के नियमों को सफलतापूर्वक सीखा। यह एक बड़ी बात है क्योंकि अधिकांश तरीके विफल हो जाते हैं जब सिस्टम इतना बड़ा हो जाता है।
यह डेटा-कुशल है: उनके अनुमान की सटीकता जैसे-जैसे अधिक डेटा पॉइंट एकत्र होते हैं, वैसे-वैसे बढ़ती है, जो एक अनुमानित पैटर्न का पालन करती है (अधिक डेटा, बेहतर अनुमान, विशेष रूप से डेटा के वर्गमूल के साथ सुधार होता है)।
यह लचीला है: आश्चर्यजनक रूप से, उन्होंने पाया कि उन्हें मशीन को कई अलग-अलग तरीकों से तैयार करने या कई जटिल दिशाओं में मापने की आवश्यकता नहीं थी। यहाँ तक कि एक साधारण अवस्था से शुरू करने और केवल एक या दो तरीकों से मापने मात्र से ही सही उत्तर प्राप्त करने के लिए पर्याप्त था।
समय का "स्वीट स्पॉट": उन्होंने समय के लिए एक "गोल्डिलॉक्स" ज़ोन पाया। यदि उन्होंने मशीन को बहुत कम समय के लिए देखा, तो सिग्नल बहुत कमजोर था। यदि उन्होंने बहुत लंबे समय तक देखा, तो सिस्टम बहुत अराजक हो गया जिसे सिम्युलेट करना कठिन था। लेकिन बीच की सीमा में, यह तरीका पूरी तरह से काम करता है।

यह क्यों महत्वपूर्ण है

यह तरीका वैज्ञानिकों को एक नए, उच्च-शक्ति वाले माइक्रोस्कोप देने जैसा है। यह उन्हें एक मौजूदा क्वांटम डिवाइस को लेने, कुछ सरल परीक्षण करने और उसके भीतर की सटीक भौतिकी को गणितीय रूप से "रिवर्स इंजीनियर" करने की अनुमति देता है। यह क्वांटम कंप्यूटरों पर भरोसा बनाने और यह सुनिश्चित करने के लिए महत्वपूर्ण है कि वे ठीक वैसे ही काम कर रहे हैं जैसा इंजीनियरों ने उन्हें डिज़ाइन किया है।

संक्षेप में, उन्होंने बहुत कम डेटा और मानक कंप्यूटर शक्ति का उपयोग करके एक जटिल क्वांटम मशीन के "डीएनए" को सीखने का एक तरीका बनाया है, जिससे उन सिस्टमों को समझना संभव हो गया है जो पहले बहुत बड़े थे।

तकनीकी सारांश: गतिशील डेटा से स्केलेबल तरीके से क्वांटम मेनी-बॉडी हैमिल्टोनियन सीखना

समस्या विवरण
बंद क्वांटम यांत्रिक प्रणालियों का भौतिक विज्ञान उनके हैमिल्टोनियन (Hamiltonian) द्वारा नियंत्रित होता है। जबकि सैद्धांतिक भौतिकी अक्सर एक हैमिल्टोनियन को निर्दिष्ट करके शुरू होती है, व्यावहारिक परिदृश्यों में—विशेष रूप से एनालॉग क्वांटम सिम्युलेटर और निकट-अवधि (near-term) क्वांटम प्रोसेसर के साथ—प्रभावी हैमिल्टोनियन शायद ही कभी उच्च सटीकता के साथ ज्ञात होता है। मौजूदा विधियाँ हैमिल्टोनियन सीखने में महत्वपूर्ण सीमाओं का सामना करती हैं: सैद्धांतिक दृष्टिकोण अक्सर थर्मल अवस्थाओं (thermal states), ऑन्स्टाटेट्स (eigenstates), या बहुत कम समय के विकास पर निर्भर करते हैं जो जटिल अंतःक्रियाओं को पकड़ने में विफल हो सकते हैं, जबकि बड़े सिस्टम के लिए समय विकास की भविष्यवाणी करने की कम्प्यूटेशनल चुनौती से जूझते व्यावहारिक दृष्टिकोण लंबे समय के गतिकी (long-time dynamics) का उपयोग करते समय संघर्ष करते हैं। इसके अलावा, कई मौजूदा स्केलेबल विधियों के लिए विशिष्ट अवस्था तैयारी (state preparation), प्रत्याशा मानों (expectation values) का अनुमान, या अत्यधिक बड़े पैमाने की आवश्यकता होती है। एक ऐसी विधि की आवश्यकता है जो गतिशील डेटा से इंटरैक्टिंग मेनी-बॉडी हैमिल्टोनियंस को इस तरह सीख सके जो बड़े सिस्टम आकार (जैसे, >100 स्पिन) के लिए स्केलेबल हो, प्रयोगात्मक रूप से अनुकूल हो, और सीमित माप संसाधनों के प्रति सुदृढ़ हो।

कार्यप्रणाली (Methodology)
लेखक एक डेटा-संचालित दृष्टिकोण प्रस्तावित करते हैं जो मशीन लर्निंग से ग्रेडिएंट-आधारित अनुकूलन (gradient-based optimization) को कुशल क्वांटम अवस्था प्रतिनिधित्व वाले टेंसर नेटवर्क के साथ एकीकृत करता है। मुख्य कार्यप्रवाह इस प्रकार है:

डेटा अधिग्रहण (Data Acquisition): $n$ स्पिनों की एक बंद क्वांटम प्रणाली को एक सरल प्रोडक्ट स्टेट (विशेष रूप से $|0\rangle^{\otimes n}$ ) में प्रारंभ किया जाता है। प्रणाली एक अज्ञात हैमिल्टोनियन $H^*$ के तहत समय विकास (time evolution) से गुजरती है। विभिन्न समय अंतराल $t_j$ पर, प्रणाली को यादृच्छिक रूप से चुने गए पाउली बेसिस (Pauli bases) $p_k$ में मापा जाता है। परिणामी डेटासेट $D$ बाइनरी मेजरमेंट आउटकम्स (बिट-स्ट्रिंग्स) का समूह है, जिसमें प्रत्याशा मानों (expectation values) में पोस्ट-प्रोसेसिंग की आवश्यकता नहीं होती है।
टेंसर नेटवर्क के माध्यम से सिमुलेशन: सिस्टम को क्लासिकली सिम्युलेट करने के लिए, लेखक टाइम-इवॉल्विंग ब्लॉक डिकिमेशन (TEBD) एल्गोरिदम का उपयोग करते हैं। यह एक-आयामी प्रणालियों में मध्यवर्ती समय तक कुशल गणना की अनुमति देने के लिए मैट्रिक्स प्रोडक्ट स्टेट्स (MPS) का उपयोग करता है। समय विकास ऑपरेटर को ट्रोटर स्टेप्स (Trotter steps) में विभाजित किया जाता है, और एंटैंगलमेंट वृद्धि को प्रबंधित करने के लिए बॉन्ड डायमेंशन को ट्रंकेट (truncate) किया जाता है, जिससे नियंत्रणीय ट्रंकेशन त्रुटियां आती हैं।
अनुकूलन ढांचा (Optimization Framework): सीखने के कार्य को एक मैक्सिमम लाइकलीहुड एस्टीमेशन (MLE) समस्या के रूप में तैयार किया गया है। एक पैरामीट्रिक हैमिल्टोनियन क्लास $C = \{H(\theta)\}$ को भौतिक अंतर्ज्ञान (जैसे, इंटरेक्शन स्ट्रेंथ और लोकल फील्ड्स) के आधार पर परिभाषित किया गया है। लक्ष्य उन मापदंडों $\theta$ को खोजना है जो नेगेटिव लॉग-लाइक्लीहुड लॉस फंक्शन $L_D(\theta)$ को कम करते हैं, जो देखे गए मेजरमेंट आउटकम्स और मॉडल $H(\theta)$ द्वारा अनुमानित संभावनाओं के बीच के अंतर को मापता है।
ग्रेडिएंट-आधारित लर्निंग: उच्च-आयामी पैरामीटर स्पेस को संभालने के लिए, लेखक $\theta$ $θ$ के सापेक्ष लॉस फंक्शन के ग्रेडिएंट की गणना करने के लिए ऑटोमैटिक डिफरेंशिएशन (JAX फ्रेमवर्क के माध्यम से) का उपयोग करते हैं। इसमें पूरे TEBD एल्गोरिदम, जिसमें कॉम्प्लेक्स इनपुट के साथ सिंगुलर वैल्यू डिकंपोजिशन (SVD) शामिल है, के माध्यम से डेरिवेटिव को बैक-प्रोपैगेट करना शामिल है। अनुकूलन दो चरणों में आगे बढ़ता है:
- चरण 1: स्थानीय न्यूनतम (local minimum) के करीब तेजी से पहुँचने के लिए ADAM ऑप्टिमाइज़र और मिनी-बैचेस का उपयोग करके स्टोकेस्टिक ग्रेडिएंट डिसेंट।
- चरण 2: उच्च सटीकता तक समाधान को परिष्कृत करने के लिए पूरे डेटासेट के साथ BFGS (स्यूडो-न्यूटन) ऑप्टिमाइज़र का उपयोग।

प्रमुख योगदान

स्केलेबिलिटी: विधि को एक-आयामी प्रणालियों के लिए सिस्टम आकार के साथ रैखिक रूप से स्केल करते हुए प्रदर्शित किया गया है, जिससे 100 से अधिक स्पिन वाले सिस्टम के हैमिल्टोनियन को सीखना संभव हो जाता है।
डेटा दक्षता और सरलता: एल्गोरिदम सीधे रॉ मेजरमेंट बिट-स्ट्रिंग्स पर काम करता है, जिससे प्रत्याशा मानों का अनुमान लगाने या कई अलग-अलग प्रारंभिक अवस्थाओं को तैयार करने की आवश्यकता नहीं होती है। यह एक एकल प्रारंभिक अवस्था और पाउली बेसिस की कम संख्या के साथ भी प्रभावी ढंग से कार्य करता है।
ML और टेंसर नेटवर्क का एकीकरण: यह कार्य नॉन-कॉन्वेक्स ऑप्टिमाइज़ेशन समस्या को हल करने के लिए मशीन लर्निंग तकनीकों (ऑटोमैटिक डिफरेंशिएशन, स्टोकेस्टिक ऑप्टिमाइज़ेशन) को टेंसर नेटवर्क सिमुलेशन (TEBD) के साथ सफलतापूर्वक जोड़ता है।
सैद्धांतिक स्केलिंग: लेखक स्थापित करते हैं कि यदि हैमिल्टोनियन क्लास अच्छी तरह से कंडिशन्ड (well-conditioned) है, तो पैरामीटर रिकवरी में सापेक्ष त्रुटि डेटासेट आकार $d$ के संबंध में $d^{-1/2}$ के रूप में स्केल करती है।

परिणाम
सिंथेटिक डेटा पर संख्यात्मक प्रयोग किए गए जो रैंडम लोकल फील्ड्स के साथ एक एक-आयामी हाइजेनबर्ग मॉडल से उत्पन्न हुआ था।

सिस्टम आकार: विधि ने 100 स्पिन तक के सिस्टम के लिए हैमिल्टोनियन मापदंडों को सफलतापूर्वक रिकवर किया। पाया गया कि सापेक्ष त्रुटि सिस्टम आकार $n$ और मापदंडों की संख्या $\nu$ से काफी हद तक स्वतंत्र थी।
डेटा आकार: त्रुटि मेजरमेंट सैंपल्स की संख्या बढ़ने के साथ अनुमानित $d^{-1/2}$ स्केलिंग के अनुसार कम हुई।
माप संबंधी बाधाएं: एल्गोरिदम एक एकल पाउली बेसिस तक सीमित होने पर भी प्रभावी रहा, हालांकि इससे अनुकूलन विफलताओं (आउटलेयर्स) की दर बढ़ गई।
टाइम स्टैम्प: टाइम स्टैम्प की संख्या बढ़ाने से ग्लोबल मिनिमम की सटीकता में सुधार हुआ, लेकिन इसने लॉस लैंडस्केप की रग्डनेस (ruggedness) को भी बढ़ा दिया, जिससे आउटलेयर्स की संख्या अधिक हो गई। फलस्वरूप, ग्लोबल मिनिमम खोजने के लिए आवश्यक रैंडम इनिशियलाइजेशन की संख्या आउटलेयर्स की संख्या पर निर्भर एक हाइपरपैरामीटर के रूप में कार्य करती है।

महत्व और दावे
यह शोध पत्र इस विधि को समय विकास की अवधि के संबंध में एक "स्वीट स्पॉट" पर रखता है: यह बहुत कम समय के विस्तार के लो सिग्नल-टू-नॉइज़ अनुपात और बहुत लंबी अवधि की गतिकी की कम्प्यूटेशनल अव्यवहार्यता दोनों से बचता है। लेखक दावा करते हैं कि यह विधि अत्यधिक व्यावहारिक और प्रयोगात्मक रूप से अनुकूल है, क्योंकि इसमें केवल नेटिव टाइम इवोल्यूशन और मानक पाउली मेजरमेंट्स की आवश्यकता होती है, और इसमें जटिल अवस्था हेरफेर (जैसे, पाउली ट्वर्ल्स) या विशिष्ट अवस्था तैयारियों की मांग नहीं की जाती है।

इसका महत्व क्वांटम उपकरणों, विशेष रूप से एनालॉग सिम्युलेटर्स (जैसे, ट्रैप्ड आयन, अल्ट्रा-कोल्ड एटम्स) के सटीक इंजीनियरिंग के लिए एक प्रिमिटिव प्रदान करने में निहित है, जहाँ अवस्था तैयारी और माप लचीलापन मौजूद है लेकिन अंतर्निहित हैमिल्टोनियन अज्ञात है। लेखक विनम्रतापूर्वक नोट करते हैं कि हालांकि यह विधि सटीक हैमिल्टोनियन कैलिब्रेशन की अनुमति देती है, ऐसे कैलिब्रेटेड सिस्टम के लिए लंबी अवधि की गतिकी की भविष्यवाणी करना कम्प्यूटेशनल रूप से कठिन बना हुआ है; अतः, यह विधि भविष्य के प्रयोगात्मक सत्यापन के बिना दीर्घकालिक भविष्यवाणी के बजाय कैलिब्रेशन के लिए सबसे उपयुक्त है। लेखकों द्वारा सुझाए गए भविष्य के विस्तार में टाइम-डिपेंडेंट हैमिल्टोनियंस, डिसिपेटिव सिस्टम (लिंडब्लैडियन्स) को संभालना और स्टेट प्रिपरेशन एंड मेजरमेंट (SPAM) त्रुटियों के प्रति मजबूती को शामिल करना शामिल है।

समस्या: ब्लैक बॉक्स (Black Box)

समाधान: एक "स्मार्ट डिटेक्टिव" दृष्टिकोण

दो गुप्त हथियार

परिणाम: उन्होंने क्या पाया

यह क्यों महत्वपूर्ण है

इसी तरह के और पेपर