Learning quantum Hamiltonians at any temperature in polynomial time

तकनीकी सारांश: किसी भी तापमान पर बहुपद समय में क्वांटम हैमिल्टनियन सीखना

समस्या विवरण
यह शोध पत्र स्थानीय क्वांटम प्रणालियों के लिए हैमिल्टनियन लर्निंग (Hamiltonian learning) की समस्या को संबोधित करता है। $n$ क्यूबिट्स के एक सिस्टम को एक स्थानीय हैमिल्टनियन $H = \sum_{a=1}^m \lambda_a E_a$ द्वारा वर्णित किया गया है, जहाँ $E_a$ ज्ञात, भिन्न, गैर-आइडेंटिटी पाउली ऑपरेटर्स (Pauli operators) हैं जिनकी लोकैलिटी (locality) सीमित है, और $\lambda_a$ अज्ञात इंटरैक्शन स्ट्रेंथ (interaction strengths) हैं जो $[-1, 1]$ के बीच हैं। लक्ष्य $\lambda_a$ का अनुमान लगाना है। एल्गोरिदम के पास ज्ञात व्युत्क्रम तापमान (inverse temperature) $\beta > 0$ पर गिब्स स्टेट (Gibbs state) $\rho = e^{-\beta H} / \text{tr}(e^{-\beta H})$ की कॉपियों तक पहुँच है। उद्देश्य $\hat{\lambda}_a$ ऐसे अनुमान आउटपुट करना है कि सभी $a$ के लिए $|\hat{\lambda}_a - \lambda_a| \leq \epsilon$ हो, जिसमें नमूनों (samples) की संख्या और रनिंग टाइम सिस्टम साइज $n$ (और टर्म्स की संख्या $m$) तथा $1/\epsilon$ के बहुपद (polynomial) में हो।

इस कार्य से पूर्व, जबकि बहुपद सैंपल कॉम्प्लेक्सिटी (sample complexity) बाउंड्स ज्ञात थे [AAKS20], सामान्य निम्न-तापमान (low-temperature) शासन के लिए संगत कंप्यूटेशनल एल्गोरिदम अक्षम (एक्सपोनेंशियल समय वाले) थे। कुशल एल्गोरिदम केवल उच्च तापमान (छोटे $\beta$) [HKT22] या कम्यूटिंग हैमिल्टनियन टर्म्स [AAKS21] के लिए मौजूद थे। केंद्रीय खुला प्रश्न यह था कि क्या निम्न-तापमान (बड़े $\beta$) पर हैमिल्टनियन लर्निंग को $n$ में बहुपद समय में हल किया जा सकता है।

कार्यप्रणाली (Methodology)
लेखक सम-ऑफ-स्क्वायर्स (Sum-of-Squares - SoS) पदानुक्रम पर आधारित एक कंप्यूटेशनल रूप से कुशल एल्गोरिदम प्रस्तावित करते हैं। मुख्य तकनीकी रणनीति तीन घटकों से मिलकर बनी है:

1. एक बहुपद बाधा प्रणाली (Polynomial Constraint System) तैयार करना:
   लोकल मार्जिनल्स से पैरामीटर्स को सीधे इनवर्ट करने के बजाय (जो कि गणनात्मक रूप से कठिन है), लेखक बाधाओं की एक प्रणाली परिभाषित करते हैं जिसे वास्तविक पैरामीटर्स को संतुष्ट करना चाहिए। इस प्रणाली में शामिल हैं:

   • पैरामीटर्स पर सीमाएँ: $-1 \leq \lambda'_a \leq 1$।
   • कम्यूटेटर बाधाएं (Commutator constraints): यह सुनिश्चित करना कि उम्मीदवार हैमिल्टनियन $H'$ गिब्स स्टेट $\rho$ के साथ कम्यूट करता है (अर्थात, $[H', \rho] \approx 0$)।
   • "फ्लैट" बहुपद बाधाएं (Flat polynomial constraints): मैट्रिक्स एक्सपोनेंशियल $e^{-\beta H'}$ को लो-डिग्री बहुपद सन्निकटन (approximation) $p(H' | P)$ द्वारा बदलना जो लोकल ऑब्जर्वेबल्स पर कार्य करता है। विशेष रूप से, वे यह लागू करते हैं कि स्थानीय पाउली ऑपरेटर्स $P, Q$ के लिए, एक्सपेक्टेशन $\text{tr}(Q e^{-\beta H'} P e^{\beta H'} \rho)$ $\text{tr}(PQ\rho)$ के करीब है।

2. एक्सपोनेंशियल का फ्लैट बहुपद सन्निकटन (Flat Polynomial Approximation of the Exponential):
   एक प्रमुख तकनीकी बाधा यह है कि $e^{-\beta x}$ का मानक टेलर सीरीज़ सन्निकटन सन्निकटन अंतराल के बाहर बहुत तेज़ी से बढ़ता है, जिससे निम्न-तापमान शासन के लिए यह अनुपयुक्त हो जाता है जहाँ आइजनवैल्यू (eigenvalue) के अंतर बड़े हो सकते हैं। लेखक एक नया "फ्लैट" बहुपद सन्निकटन $p(x)$ निर्मित करते हैं जो:

   • अंतराल $[-1, 1]$ पर $e^{-\beta x}$ का अच्छी तरह से सन्निकटन करता है।
   • इस अंतराल के बाहर एक नियंत्रित, धीमी घातांकीय दर ($e^{\eta \beta |x|}$) पर बढ़ता है।
     यह निर्माण लीब-रॉबिन्सन बाउंड्स (Lieb-Robinson bounds) में उपयोग की जाने वाली इटरेटिव "पीलिंग" (peeling) तकनीकों से प्रेरित है। यह अज्ञात $\lambda'_a$ के बहुपद में मैट्रिक्स एक्सपोनेंशियल को बदलने की अनुमति देता है।

3. बहुपदों और नेस्टेड कम्यूटेटर्स के बीच अनुवाद:
   लेखक मल्टीवेरिएट स्केलर बहुपदों और नेस्टेड कम्यूटेटर्स के ऑपरेटरों के बीच एक औपचारिक अनुवाद स्थापित करते हैं। हेडामार्ड फॉर्मूला (Hadamard formula) का उपयोग करते हुए, वे दिखाते हैं कि $e^{-\beta H'} P e^{\beta H'}$ जैसे पदों को $H'$ के आइजनवैल्यू के बहुपदों के रूप में व्यक्त किया जा सकता है, जो नेस्टेड कम्यूटेटर्स $[H', P]_\ell$ के अनुरूप होते हैं। वे सिद्ध करते हैं कि स्केलर डोमेन में बहुपद पहचान (identities) छोटे एरर टर्म्स के साथ नेस्टेड कम्यूटेटर्स वाली पहचानों में अनुवादित होती हैं, बशर्ते कि ऑपरेटर्स लोकल हों।

4. सम-ऑफ-स्क्वायर्स रिलैक्सेशन और आइडेंटिफिएबिलिटी (Identifiability):
   परिणामी बाधा प्रणाली निम्न-डिग्री बहुपद असमानताओं का एक सेट है। लेखक इस सिस्टम को डिग्री-$d$ सम-ऑफ-स्क्वायर्स (SoS) रिलैक्सेशन का उपयोग करके हल करते हैं, जिसे सेमी-डेफिनिट प्रोग्राम (SDP) के रूप में तैयार किया जा सकता है।

   • व्यवहार्यता (Feasibility): वे सिद्ध करते हैं कि वास्तविक पैरामीटर्स (सैंपलिंग शोर के साथ) इस सिस्टम को संतुष्ट करते हैं।
   • पहचान क्षमता (Identifiability): वे एक SoS प्रमाण प्रदान करते हैं कि सिस्टम का कोई भी समाधान वास्तविक पैरामीटर्स के करीब होना चाहिए। यह "प्रूफ-टू-एल्गोरिदम" दर्शन पर निर्भर करता है। एक महत्वपूर्ण चरण यह दिखाना है कि गिब्स स्टेट के तहत स्थानीय ऑपरेटर्स का वेरिएंस शून्य से दूर (bounded away from zero) है (जो क्लासिकल ग्राफिकल मॉडल्स के गुणों का क्वांटम एनालॉग है), जिससे पैरामीटर्स की पहचान सुनिश्चित होती है।
   • दक्षता (Efficiency): SoS प्रमाणों की विशिष्ट संरचना का विश्लेषण करके, वे दिखाते हैं कि केवल एक स्पार्स (sparse) मोनोमियल्स के उपसमुच्चय की आवश्यकता होती है, जिससे SDP को $m$ और $1/\epsilon$ के बहुपद समय में हल किया जा सकता है (डिग्री में $\beta$ पर एक्सपोनेंशियल निर्भरता के साथ, लेकिन $n$ में बहुपद)।

मुख्य परिणाम
शोध पत्र थ्योरम 1.1 प्रस्तुत करता है, जो बताता है कि किसी भी स्थिर व्युत्क्रम तापमान $\beta > 0$ (विशेष रूप से $\beta \geq \beta_c$ किसी सार्वभौमिक स्थिरांक के लिए) के लिए, एक एल्गोरिदम है जो $99/100$ की प्रायिकता के साथ $\epsilon$ शुद्धता तक हैमिल्टनियन गुणांकों को सीख सकता है।

• सैंपल कॉम्प्लेक्सिटी: $n \geq \text{poly}(m, (1/\epsilon)^{2O(\beta)})$।
• रनिंग टाइम: $n^{O(1)}$ (विशेष रूप से $\text{poly}(m, \log(1/\delta)) \cdot (1/\epsilon)^{2O(\beta)}$)।

एल्गोरिदम "लो-इंटरसेक्शन" (low-intersection) हैमिल्टनियन्स के लिए काम करता है, जो एक क्लास है जिसमें लैटिस पर ज्यामितीय रूप से स्थानीय हैमिल्टनियन और एक्सपैंडर ग्राफ पर परिभाषित हैमिल्टनियन शामिल हैं।

महत्व और दावे
लेखक दावा करते हैं कि वे निम्न-तापमान पर कुशल हैमिल्टनियन लर्निंग की समस्या को पूरी तरह से हल करते हैं।

• खुले प्रश्नों का समाधान: यह परिणाम निम्न-तापमान हैमिल्टनियन लर्निंग के कुशल होने के प्रश्न पर एक सकारात्मक उत्तर प्रदान करता है [AAKS20; HKT22; Alh23; AA23]। यह इस पर भी नकारात्मक उत्तर देता है कि क्या निम्न-तापमान गिब्स स्टेट्स छद्म-यादृच्छिक (pseudorandom) हो सकते हैं [AA23 में प्रश्न 3] और इस पर सकारात्मक उत्तर देता है कि क्या अनुमानित सशर्त स्वतंत्रता (approximate conditional independence) के तहत सीखना संभव है [AA23 में प्रश्न 2]।
• एल्गोरिद्मिक टूल: यह कार्य प्रदर्शित करता है कि अनुकूलन सिद्धांत (optimization theory) के परिष्कृत उपकरण, विशेष रूप से सम-ऑफ-स्क्वायर्स पदानुक्रम, उन बाधाओं को पार कर सकते हैं जो पहले क्वांटम मेनी-बॉडी लर्निंग में कठिन लग रहे थे, जो विभाजन कार्यों (partition functions) की गणना करने की कठिनाई के कारण थे।
• क्लासिकल लिमिट्स से स्वतंत्रता: लेखक नोट करते हैं कि जबकि क्लासिकल हैमिल्टनियन लर्निंग (अनडायरेक्टेड ग्राफिकल मॉडल्स सीखना) $\beta$ में एक्सपोनेंशियल समय की आवश्यकता रखता है, क्वांटम सेटिंग को गैर-कम्यूटेटिविटी और गैर-लोकैलिटी के बावजूद अनिवार्य रूप से इस कठिनाई को विरासत में लेने की आवश्यकता नहीं है।
• व्यावहारिकता: शोध पत्र स्वीकार करता है कि हालांकि एल्गोरिदम सैद्धांत的に $n$ में बहुपद है, लेकिन रनिंग टाइम और सैंपल कॉम्प्लेक्सिटी में $\beta$ पर एक्सपोनेंशियल निर्भरता का मतलब है कि यह वर्तमान में बहुत कम तापमान या बड़े सिस्टम के लिए व्यावहारिक नहीं है। हालांकि, यह एक ऐसी सैद्धांतिक संभावना स्थापित करता है जहाँ पहले कुछ भी नहीं था।

शोध पत्र नए प्रयोगात्मक सेटअप या तत्काल व्यावहारिक अनुप्रयोगों का प्रस्ताव नहीं करता है, बल्कि यह क्वांटम सिस्टम को लक्षणबद्ध करने की कम्प्यूटेशनल जटिलता को समझने में एक मौलिक प्रगति के रूप में प्रस्तुत करता है, जो एनालॉग क्वांटम सिम्युलेटर्स के सत्यापन के लिए प्रासंगिक है जो अक्सर निम्न-तापमान शासन में संचालित होते हैं।