⚛️ quantum physics

Agnostic Tomography of Stabilizer Product States

यह शोधपत्र एगोस्टिक टोमोग्राफी (agnostic tomography) की अवधारणा प्रस्तुत करता है और एक कुशल एल्गोरिदम पेश करता है जो एक अनिश्चित क्वांटम अवस्था के निकटतम स्टेबलाइज़र प्रोडक्ट स्टेट (stabilizer product state) को सीखने के साथ-साथ उस वर्ग के भीतर सर्वोत्तम संभव मिलान को भी सीखता है, जो स्थिर फिडेलिटी (constant fidelity) के लिए बहुपद समय (polynomial time) में चलता है।

मूल लेखक: Sabee Grewal, Vishnu Iyer, William Kretschmer, Daniel Liang

प्रकाशित 2026-03-05

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Sabee Grewal, Vishnu Iyer, William Kretschmer, Daniel Liang

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

यहाँ "Agnostic Tomography of Stabilizer Product States" पेपर का सरल अवधारणाओं और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।

बड़ी तस्वीर: "टूटे हुए कंपास" की समस्या

कल्पना कीजिए कि आप एक जासूस हैं जो यह पता लगाने की कोशिश कर रहे हैं कि एक रहस्यमय वस्तु क्या है। आपके पास ज्ञात वस्तुओं का एक बॉक्स है (सरल आकृतियों जैसे घन, गोले और पिरामिडों की एक "लाइब्रेरी")।

आदर्श परिदृश्य (The Ideal Scenario): आप जानते हैं कि आपके हाथ में जो वस्तु है वह एक पूर्ण घन (cube) है। आपको बस इसे वर्णित करने के लिए इसे मापना है। यह मानक क्वांटम टोमोग्राफी (Quantum Tomography) है।
वास्तविक दुनिया का परिदृश्य (The Real-World Scenario): आपके हाथ में मौजूद वस्तु अस्त-व्यस्त है। यह एक घन है जिसे गिरा दिया गया है, जिसमें डेंट पड़ गए हैं और जो कीचड़ से ढका हुआ है। यह मुख्य रूप से एक घन है, लेकिन बिल्कुल सटीक नहीं है। यदि आप मानक "पूर्ण घन" मापने वाले उपकरण का उपयोग करने का प्रयास करते हैं, तो यह पूरी तरह से विफल हो सकता है क्योंकि वस्तु पूर्ण नहीं है।

यह पेपर एक नया जासूसी उपकरण पेश करता है जिसे एग्नोस्टिक टोमोग्राफी (Agnostic Tomography) कहा जाता है। यहाँ "एग्नोस्टिक" का अर्थ है "मैं यह मानकर नहीं चलता कि वस्तु पूर्ण है।" लक्ष्य आपकी लाइब्रेरी के सरल आकारों में से सबसे अच्छा विवरण खोजना है जो उस अस्त-व्यस्त वस्तु पर फिट बैठता हो, भले ही वस्तु क्षतिग्रस्त या शोर (noisy) से भरी हो।

विशिष्ट चुनौती: स्टेबलाइजर प्रोडक्ट स्टेट्स (Stabilizer Product States)

लेखकों ने क्वांटम दुनिया में एक विशिष्ट प्रकार के "सरल आकार" पर ध्यान केंद्रित किया जिसे स्टेबलाइजर प्रोडक्ट स्टेट्स कहा जाता है।

उपमा (The Analogy): कल्पना कीजिए कि $n$ $n$ लाइट स्विचों की एक पंक्ति है।
- एक प्रोडक्ट स्टेट (Product State) का अर्थ है कि प्रत्येक स्विच स्वतंत्र है। स्विच 1 को स्विच 2 की परवाह नहीं है।
- एक स्टेबलाइजर स्टेट (Stabilizer State) का अर्थ है कि प्रत्येक स्विच छह विशिष्ट, "मानक" स्थितियों में से एक पर सेट है (जैसे ऊपर, नीचे, बाएँ, दाएँ, आगे, पीछे)।
- इसलिए, एक स्टेबलाइजर प्रोडक्ट स्टेट (Stabilizer Product State) केवल $n$ स्विचों की एक पंक्ति है, जहाँ प्रत्येक एक को उन छह मानक स्थितियों में से एक पर सेट किया गया है।

ये "सरल" हैं क्योंकि इन्हें एक सामान्य कंप्यूटर पर वर्णित करना और सिम्युलेट करना आसान है। समस्या यह है: क्या होगा यदि आपका क्वांटम सिस्टम स्विचों का एक अस्त-व्यस्त और उलझा हुआ (entangled) जाल है, लेकिन यह मुख्य रूप से इन सरल स्विचों की एक पंक्ति की तरह व्यवहार कर रहा है?

समाधान: "बेल डिफरेंस सैंपलिंग" जासूस

लेखकों ने इसे हल करने के लिए एक एल्गोरिदम बनाया है। यह एक रूपक (metaphor) का उपयोग करके कैसे काम करता है, यहाँ बताया गया है:

1. "इको" तकनीक (Bell Difference Sampling)

अस्त-व्यस्त क्वांटम अवस्था को सीधे देखने के बजाय (जो एक धुंधले फिंगरप्रिंट को पढ़ने की कोशिश करने जैसा है), एल्गोरिदम एक विशेष ट्रिक करता है जिसे बेल डिफरेंस सैंपलिंग (Bell Difference Sampling) कहा जाता है।

रूपक (The Metaphor): कल्पना कीजिए कि आपके पास एक गाने की शोर भरी रिकॉर्डिंग है। सीधे धुन सुनने के बजाय, आप रिकॉर्डिंग को दो बार चलाते हैं और दोनों प्ले के बीच के अंतर को सुनते हैं।
क्वांटम दुनिया में, यह "अंतर" छिपे हुए पैटर्न को प्रकट करता है। यदि अवस्था एक सरल "स्विचों की पंक्ति" के करीब है, तो ये अंतर संकेत देंगे कि कौन से स्विच किस स्थिति में सेट हैं।

2. "भीड़" की रणनीति (The "Crowd" Strategy)

एल्गोरिदम इन "इकोज़" (नमूनों) की कई संख्या में लेता है।

अंतर्ज्ञान (The Intuition): यदि अवस्था 90% किसी विशिष्ट स्विच पंक्ति की तरह है, तो 90% इकोज़ उसी विशिष्ट कॉन्फ़िगरेशन की ओर इशारा करेंगे।
समस्या: कुछ इकोज़ शोर (noise) हैं (कचरा डेटा)।
समाधान: एल्गोरिदम एक क्लिक (clique) (एक समूह) की तलाश करता है जो एक-दूसरे के साथ सहमत हों। यह आउटलेर्स (outliers) को अनदेखा कर देता है। यह शोर भरी भीड़ में उन लोगों के समूह को खोजने जैसा है जो एक ही बात फुसफुसा रहे हैं। भले ही भीड़ का 50% हिस्सा बकवास चिल्ला रहा हो, यदि आप एक छोटा समूह पाते हैं जो एक ही रहस्य फुसफुसा रहा है, तो आप उन पर भरोसा कर सकते हैं।

3. "अनुमान और जाँच" (The "Guess and Check")

एक बार जब एल्गोरिदम सहमत संकेतों के एक समूह को खोज लेता है, तो यह सबसे संभावित "स्विचों की पंक्ति" (स्टेबलाइजर प्रोडक्ट स्टेट) को फिर से बनाता है जो उन संकेतों पर फिट बैठती है।

इसके बाद, यह अपने अनुमान का परीक्षण मूल अस्त-व्यस्त अवस्था के विरुद्ध करता है कि यह कितनी अच्छी तरह फिट बैठता है।
यह प्रक्रिया तब तक दोहराई जाती है जब तक कि इसे वह अनुमान न मिल जाए जो सबसे अच्छा फिट बैठता है।

यह एक बड़ी बात क्यों है?

1. यह मजबूत है ( "एग्नोस्टिक" वाला हिस्सा)
पुराने क्वांटम लर्निंग एल्गोरिदम ऐसे चाबी की तरह थे जो केवल एक पूरी तरह से बनी हुई ताली (lock) में ही फिट होती थी। यदि ताली थोड़ी जंग लगी (noisy) थी, तो चाबी नहीं घूमती थी। यह नया एल्गोरिदम एक मास्टर की (master key) की तरह है जो एक ताली को खोलने में सक्षम है, भले ही वह थोड़ी जंग लगी हो, जब तक कि वह मुख्य रूप से सही आकार की है।

2. यह तेज़ है ("कुशल" वाला हिस्सा)
आमतौर पर, एक क्वांटम अवस्था के लिए सबसे अच्छा फिट ढूंढना गणनात्मक रूप से असंभव है (इसमें ब्रह्मांड की आयु से भी अधिक समय लग सकता है)।

लेखकों ने सिद्ध किया है कि उनका एल्गोरिदम क्वासीपोलिनोमियल समय (quasipolynomial time) में चलता है।
उपमा: कल्पना कीजिए कि आप घास के ढेर में एक विशिष्ट सुई खोजने की कोशिश कर रहे हैं जो एक गैलेक्सी के आकार का है। ब्रूट-फोर्स सर्च में अनंत समय लगेगा। यह एल्गोरिदम एक मेटल डिटेक्टर की तरह है जो सेकंडों में घास के एक छोटे से हिस्से तक आपकी खोज को सीमित कर देता है। यह तुरंत (पॉलिनोमियल) नहीं है, लेकिन यह उपयोगी (क्वासीपोलोमिनियल) होने के लिए पर्याप्त तेज़ है।

"तो इससे क्या फर्क पड़ता है?" (The "So What?")

हम "स्विचों की पंक्तियों" की परवाह क्यों करते हैं?

भौतिकी (Physics): कई वास्तविक दुनिया के क्वांटम सिस्टम (जैसे गर्म गैसें या पदार्थ) स्वाभाविक रूप से ऐसी अवस्थाओं में स्थिर होते हैं जो इन सरल "स्विचों की पंक्तियों" की तरह दिखती हैं।
सिमुलेशन (Simulation): यदि हम जल्दी से पहचान सकें कि एक जटिल, अस्त-व्यस्त क्वांटम सिस्टम "मुख्य रूप से" एक सरल सिस्टम है, तो हम एक सामान्य कंप्यूटर का उपयोग करके इसे सिम्युलेट कर सकते हैं और इसके व्यवहार की भविष्यवाणी कर सकते हैं, जिससे हमें काम करने के लिए एक विशाल, महंगे क्वांटम कंप्यूटर की आवश्यकता नहीं होगी।

सारांश

यह पेपर एक अस्त-व्यस्त क्वांटम सिस्टम को "रिवर्स इंजीनियर" करने का एक नया, मजबूत तरीका प्रस्तुत करता है। सिस्टम के शोर भरे होने के कारण हार मानने के बजाय, एल्गोरिदम डेटा के अनुकूल होने के लिए एक चतुर सैंपलिंग ट्रिक का उपयोग करता है। यह एक टूटे हुए मोज़ेक (mosaic) को देखने, गायब टाइल्स को अनदेखा करने और मूल सरल पैटर्न की तस्वीर को पूरी तरह से पुनर्गठित करने में सक्षम होने जैसा है।

यहाँ सबी ग्रेवाल, विष्णु अय्यर, विलियम क्रेचमर और डैनियल लियांग के शोध पत्र "Agnostic Tomography of Stabilizer Product States" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या की परिभाषा: एग्नोस्टिक टोमोग्राफी (Agnostic Tomography)

यह शोध पत्र क्वांटम लर्निंग थ्योरी की एक मौलिक चुनौती को संबोधित करता है: एग्नोस्टिक टोमोग्राफी।

संदर्भ: मानक क्वांटम टोमोग्राफी का उद्देश्य एक अज्ञात क्वांटम अवस्था $\rho$ का पूर्ण शास्त्रीय विवरण पुनर्निर्मित करना है। हालाँकि, वास्तविक परिदृश्यों में, अवस्था $\rho$ किसी विशिष्ट सुलभ वर्ग $\mathcal{C}$ (जैसे शोर या भौतिक जटिलता के कारण) का सटीक रूप से हिस्सा नहीं हो सकती है।
कार्य: एक अज्ञात मिश्रित अवस्था $\rho$ की प्रतियों और एक अवस्था वर्ग $\mathcal{C}$ को देखते हुए, लक्ष्य $\mathcal{C}$ के भीतर सर्वोत्तम संभव सन्निकटन (approximation) के भीतर $\rho$ के साथ फिडेलिटी (fidelity) बनाए रखते हुए एक संक्षिप्त शास्त्रीय विवरण वाला एक अवस्था $|\phi\rangle \in \mathcal{C}$ आउटपुट करना है।
$\langle \phi | \rho | \phi \rangle \geq \sup_{|\psi\rangle \in \mathcal{C}} \langle \psi | \rho | \psi \rangle - \epsilon$
चुनौती: मानक लर्निंग एल्गोरिदम के विपरीत, जो यह मान लेते हैं कि लक्षित अवस्था सटीक रूप से $\mathcal{C}$ में है, एग्नोस्टिक एल्गोरिदम को विक्षोभों (perturbations) के प्रति सुदृढ़ होना चाहिए। यदि $\rho$ , $\mathcal{C}$ से थोड़ा भी बाहर है, तो मानक एल्गोरिदम अक्सर विनाशकारी रूप से विफल हो जाते हैं। शोध पत्र नोट करता है कि जबकि एग्नोस्टिक लर्निंग के लिए सैंपल कॉम्प्लेक्सिटी (sample complexity) अक्सर कम होती है (शैडो टोमोग्राफी के माध्यम से), कंप्यूटेशनल दक्षता (पॉलीनोमियल या क्वैसी-पॉलीनोमियल रनटाइम) प्राप्त करना एक खुला प्रश्न रहा है।

2. लक्षित वर्ग: स्टेबलाइजर प्रोडक्ट स्टेट्स (Stabilizer Product States)

लेखक $\mathcal{C}$ वर्ग के $n$ -qubit स्टेबलाइजर प्रोडक्ट स्टेट्स पर ध्यान केंद्रित करते हैं।

परिभाषा: ये सिंगल-क्विबिट स्टेबलाइजर अवस्थाओं के टेंसर उत्पाद (tensor products) हैं। विशेष रूप से, ये $|\psi_1\rangle \otimes \dots \otimes |\psi_n\rangle$ के रूप में अवस्थाएँ हैं, जहाँ प्रत्येक $|\psi_i\rangle$ एक सिंगल-क्विबिट पाउली ऑपरेटर ( $X, Y, Z$ ) में से एक का आइजनस्टेट (eigenstate) है।
सेट: सिंगल-क्विबिट अवस्थाओं का सेट $\{|0\rangle, |1\rangle, |+\rangle, |-\rangle, |i\rangle, |-i\rangle\}$ है।
महत्व: यह वर्ग स्टेबलाइजर अवस्थाओं (गोट्समैन-क्निल प्रमेय के माध्यम से कुशलतापूर्वक सिम्युलेबल) और प्रोडक्ट अवस्थाओं (अनएन्टैंगल्ड) का प्रतिच्छेदन है। ये भौतिक रूप से प्रासंगिक हैं, जो स्थानीय हैमिल्टोनियन के उच्च-तापमान गिब्स अवस्थाओं (high-temperature Gibbs states) में दिखाई देते हैं।

3. कार्यप्रणाली और एल्गोरिदम

प्रस्तावित एल्गोरिदम सामान्य स्टेबलाइजर अवस्थाओं को सीखने के पिछले कार्यों (ग्रेवाल एट अल., [19] और मोंटानारो [10]) का एक विशेष अनुकूलन है, जो दक्षता में सुधार के लिए प्रोडक्ट अवस्थाओं की विशिष्ट संरचना का लाभ उठाता है।

मुख्य प्रिमिटिव्स (Core Primitives)

बेल डिफरेंस सैंपलिंग (Bell Difference Sampling): एक प्रक्रिया जो, 4 प्रतियों के दिए जाने पर, एक वितरण $q_\rho(P)$ से एक पाउली ऑपरेटर $P$ को सैंपल करती है। एक स्टेबलाइजर अवस्था $|\phi\rangle$ के लिए, यह वितरण इसके स्टेबलाइजर समूह पर समान (uniform) होता है।
स्थानीय क्रमविनिमेयता (Local Commutativity): स्टेबलाइजर प्रोडक्ट अवस्थाओं के लिए, स्टेबलाइजर समूह एक सिंगल-क्विबिट समूहों का टेंसर उत्पाद होता है। इसका तात्पर्य यह है कि समूह के किन्हीं भी दो तत्वों को स्थानीय रूप से क्रमविनिमेय (अर्थात, प्रत्येक क्विबिट $j$ के लिए, पाउली ऑपरेटर $P_j$ और $Q_j$ क्रमविनिमेय होने चाहिए) होना चाहिए।

एल्गोरिदम (एल्गोरिदम 1)

एल्गोरिदम तीन मुख्य चरणों में आगे बढ़ता है:

सैंपलिंग और ग्राफ निर्माण:
- $m_{clique}$ बार बेल डिफरेंस सैंपलिंग करें ताकि पाउली ऑपरेटरों का एक सेट $\{W_1, \dots, W_{m_{clique}}\}$ प्राप्त किया जा सके।
- एक ग्राफ $G$ का निर्माण करें जहाँ वर्टिस (vertices) ये सैंपल किए गए पाउली ऑपरेटर हैं। एक किनारा (edge) दो वर्टिस के बीच तब मौजूद होता है जब वे स्थानीय रूप से क्रमविनिमेय हों (अर्थात, $[[W_i, W_j]] = 0$ )।
क्लिक सर्च और स्टेबलाइजर पुनर्निर्माण:
- $G$ में आकार $k$ के सभी क्लिक्स (cliques) के माध्यम से पुनरावृत्ति (iterate) करें।
- प्रत्येक क्लिक के लिए, लोकल स्पैन $\langle\langle V \rangle\rangle$ की गणना करें, जो सैंपल किए गए पाउली ऑपरेटरों का सबसे छोटा टेंसर उत्पाद समूह है।
- जाँच करें कि क्या इस समूह का आकार पर्याप्त बड़ा है (विशेष रूप से, यदि $\log_2|\langle\langle V \rangle\rangle| \geq n - t$ , जहाँ $t$ $\tau$ से संबंधित एक छोटा पैरामीटर है)।
- यदि शर्त पूरी होती है, तो शेष क्विबिट्स को नॉन-आइडेंटिटी पाउली ( $X, Y, Z$ ) असाइन करके समूह को एक पूर्ण स्टेबलाइजर प्रोडक्ट समूह $S$ में विस्तारित करें।
फिडेलिटी अनुमान (Fidelity Estimation):
- प्रत्येक उम्मीदवार समूह $S$ के लिए, $S$ -बेसिस (स्टेबलाइजर प्रोडक्ट अवस्थाओं द्वारा स्थिर की गई $S$ की ऑर्थोगोनल बेसिस) में $\rho$ की प्रतियों को मापें।
- प्रत्येक बेसिस स्टेट की अनुभवजन्य प्रायिकता (empirical probability) का अनुमान लगाएं।
- उच्चतम अनुमानित फिडेलिटी वाला अवस्था $|\phi\rangle$ आउटपुट करें।

मुख्य तकनीकी अंतर्दृष्टि

लेखक इस तथ्य का लाभ उठाते हैं कि एक स्टेबलाइजर प्रोडक्ट अवस्था के लिए, स्टेबलाइजर समूह केवल एक पूर्ण वेट (weight $n$ ) वाले जेनरेटर द्वारा निर्धारित होता है।

सामान्य स्टेबलाइजर लर्निंग में, आपको $n$ स्वतंत्र जेनरेटर्स खोजने की आवश्यकता होती है।
यहाँ, स्थानीय-क्रमविनिमेयता ग्राफ में $O(\log n)$ आकार का एक क्लिक खोजना, लक्षित स्टेबलाइजर समूह से नमूने प्राप्त होने पर, समूह संरचना को उच्च संभावना के साथ पुनर्निर्मित करने के लिए पर्याप्त है।
एल्गोरिदम एक एन्ट्रॉपी काउंटिंग तर्क (लेम्मा 2.1) का उपयोग करता है यह दिखाने के लिए कि $O(\log n)$ सैंपल सभी क्विबिट्स को "कवर" करने (अर्थात, हर क्विबिट पर एक नॉन-आइडेंटिटी पाउली देखना) के लिए पर्याप्त हैं।

4. मुख्य परिणाम और जटिलता

थ्योरम 1.2: $n$ -qubit स्टेबलाइजर प्रोडक्ट स्टेट्स के लिए एक प्रॉपर एग्नोस्टिक टोमोग्राफी एल्गोरिदम मौजूद है।

इनपुट: एक अज्ञात अवस्था $\rho$ की प्रतियाँ और पैरामीटर्स $\epsilon, \tau$ ।
प्रॉमिस (Promise): $\rho$ की फिडेलिटी किसी स्टेबलाइजर प्रोडक्ट स्टेट के साथ कम से कम $\tau$ है।
आउटपुट: एक स्टेबलाइजर प्रोडक्ट अवस्था $|\phi\rangle$ ताकि $\langle \phi | \rho | \phi \rangle \geq \max_{|\psi\rangle \in \mathcal{C}} \langle \psi | \rho | \psi \rangle - \epsilon$ ।
रनटाइम: $n^{O(\log(2/\tau))} / \epsilon^2$ $n^{O (l o g (2/ τ))} / ϵ^{2}$ ।
- यदि $\tau$ एक स्थिरांक है (उदाहरण के लिए, अवस्था वर्ग के "करीब" है), तो रनटाइम $n$ और $1/\epsilon$ में पॉलीनोमियल है।
- यदि $\tau$ छोटा है, तो रनटाइम क्वैसी-पॉलीनोमियल है।

सैंपल कॉम्प्लेक्सिटी: एल्गोरिदम $n$ और $1/\epsilon$ में पॉलीनोमियल प्रतियों का उपयोग करता है।

5. महत्व और योगदान

एक गैर-तुच्छ वर्ग के लिए पहला कुशल एग्नोस्टिक लर्नर: इस कार्य से पहले, कुशल एग्नोस्टिक टोमोग्राफी केवल तुच्छ वर्गों (जैसे कम्प्यूटेशनल बेसिस स्टेट्स) के लिए ज्ञात थी। यह एक समृद्ध, भौतिक रूप से प्रासंगिक वर्ग (स्टेबलाइजर प्रोडक्ट स्टेट्स) के लिए कुशल एग्नोस्टिक लर्नर के अस्तित्व के बारे में ग्रेवाल एट अल. [19] द्वारा उठाए गए प्रश्न को हल करता है।
शोर के प्रति सुदृढ़ता (Robustness to Noise): एल्गोरिदम तब भी काम करता है जब इनपुट अवस्था एक मिश्रित अवस्था हो जो शोर से दूषित हो, बशर्ते शोर फिडेलिटी को $\tau$ से नीचे न गिराए। यह सैद्धांतिक लर्निंग मॉडल और प्रयोगात्मक वास्तविकता के बीच के अंतर को पाटता है।
पद्धतिगत नवाचार: शोध पत्र बेल डिफरेंस सैंपलिंग को लोकल कम्यूटेटिविटी पर आधारित ग्राफ-थ्योरेटिक क्लिक फाइंडिंग के साथ जोड़कर स्टेबलाइजर लर्निंग के प्रति एक नया दृष्टिकोण पेश करता है। यह सामान्य स्टेबलाइजर अवस्थाओं को सीखने की तुलना में सैंपल और कंप्यूटेशनल आवश्यकताओं को कम करता है।
सैद्धांतिक निहितार्थ: यह कार्य स्टेबलाइजर प्रोडक्ट स्टेट्स के लिए कुशल एग्नोस्टिक लर्नर्स के अस्तित्व के बारे में एक खुले प्रश्न को हल करता है। यह यह भी सुझाव देता है कि एग्नोस्टिक टोमोग्राफी अन्य "डिस्क्रीट" या "स्ट्रक्चर्ड" क्वांटम स्टेट परिवारों को सीखने के लिए एक व्यवहार्य ढांचा है।
अनुवर्ती प्रभाव: शोध पत्र नोट करता है कि इस मॉडल ने पहले से ही सामान्य स्टेबलाइजर अवस्थाओं, डिस्क्रीट प्रोडक्ट स्टेट्स और यहाँ तक कि क्लासिकल समस्याओं (जैसे गोल्डरेइच-लेविन के द्विघातीय सामान्यीकरण) के लिए एग्नोस्टिक लर्निंग के लिए आगे के शोध को प्रेरित किया है।

निष्कर्ष

यह शोध पत्र सफलतापूर्वक प्रदर्शित करता है कि स्टेबलाइजर प्रोडक्ट स्टेट्स के लिए एग्नोस्टिक टोमोग्राफी कम्प्यूटेशनल रूप से व्यवहार्य है। इन अवस्थाओं की अनूठी बीजगणितीय संरचना (विशेष रूप से उनकी स्थानीय क्रमविनिमेयता गुणों) का लाभ उठाकर, लेखक एक एल्गोरिदम डिजाइन करते हैं जो क्वैसी-पॉलीनोमियल समय में चलता है, जो जटिल, शोरयुक्त क्वांटम सिस्टम के लिए सरल एंसेट्स (ansatzes) सीखने का एक सुदृढ़ तरीका प्रदान करता है।