🔬 condensed matter

Automatic Structural Search of Tensor Network States including Entanglement Renormalization

यह अध्ययन टेंसर नेटवर्क अवस्थाओं के स्वचालित संरचनात्मक खोज के लिए एक एल्गोरिदम प्रस्तुत करता है, जिसमें एंटैंगलमेंट रेनोर्मलाइजेशन शामिल है, जो गैर-समान एंटैंगल्ड अवस्थाओं के प्रतिनिधित्व में सटीकता सुधारने के लिए वेरिएशनल ऊर्जा के आधार पर स्थानीय संरचनाओं को अनुकूलित करता है, विशेष रूप से जब इसे स्ट्रॉन्ग डिसऑर्डर्ड रेनोर्मलाइजेशन ग्रुप जैसे मौजूदा डिज़ाइन विधियों के साथ आरंभ किया जाता है।

मूल लेखक: Ryo Watanabe, Hiroshi Ueda

प्रकाशित 2026-02-06

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ryo Watanabe, Hiroshi Ueda

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 आप सीमित संख्या में लेगो ब्रिक्स (Lego bricks) का उपयोग करके एक जटिल, अव्यवस्थित कमरे का एक आदर्श मॉडल बनाने की कोशिश कर रहे हैं। क्वांटम भौतिकी की दुनिया में, इन "ईंटों" को टेन्सर नेटवर्क (Tensor Networks) कहा जाता है। ये वे गणितीय संरचनाएं हैं जिनका उपयोग यह वर्णन करने के लिए किया जाता है कि एक क्वांटम सिस्टम में कण आपस में कैसे "एंटैंगल्ड" (जुड़े हुए) होते हैं।

समस्या यह है कि क्वांटम सिस्टम हमेशा व्यवस्थित और सुव्यवस्थित नहीं होते। कभी-कभी कनेक्शन एक समान होते हैं, लेकिन अक्सर वे अस्त-व्यस्त, अनियमित और "अव्यवस्थित" (disordered) होते हैं, जैसे कि एक ऐसा कमरा जहाँ कुछ कोने बहुत भरे हुए हैं और कुछ खाली हैं। यदि आप इस अव्यवस्थित कमरे में एक मानक, कठोर लेगो डिज़ाइन को जबरन फिट करने की कोशिश करते हैं, तो आपका मॉडल सटीक नहीं होगा, चाहे आप कितनी भी ईंटों का उपयोग क्यों न कर लें।

यह शोध पत्र एक नया तरीका पेश करता है जिससे आप कमरे की विशिष्ट अव्यवस्था के अनुसार लेगो ब्रिक्स को स्वचालित रूप से पुनर्व्यवस्थित (rearrange) कर सकते हैं, बजाय इसके कि आप पहले से ही उसका आकार अनुमानित कर लें।

मुख्य विचार: "स्ट्रक्चरल सर्च" (संरचनात्मक खोज)

एक टेन्सर नेटवर्क को एक फ्लोचार्ट या वंशावली (family tree) की तरह समझें।

पुराना तरीका: वैज्ञानिक आमतौर पर एक मानक आकार चुनते हैं (जैसे कि मल्टी-स्केल एंटैंगलेमेंट रेनोर्मलाइजेशन एंसेट्स, या MERA, जो एक व्यवस्थित, सममित पेड़ जैसा दिखता है) और फिर बस ईंटों के अंदर के नंबरों को थोड़ा बदलते हैं ताकि वह बेहतर काम कर सके। यह एक चौकोर छेद में गोल खूँटी को फिट करने की कोशिश करने जैसा है, बस उसे दबाकर।
नया तरीका (यह शोध पत्र): लेखकों ने एक ऐसा एल्गोरिदम बनाया है जो कहता है, "आइए केवल खूँटी को न दबाएं; आइए छेद का आकार भी बदलें।" उन्होंने एक ऐसी प्रणाली बनाई जो ईंटों को जोड़ने के विभिन्न तरीकों का स्वचालित रूप से परीक्षण करती है। यह कनेक्शन के छोटे जोड़ों को देखती है, उन्हें पुनर्व्यवस्थित करने की कोशिश करती है, और पूछती है: "क्या यह नया आकार सिस्टम की ऊर्जा को कम करता है?" यदि उत्तर हाँ है, तो वह उस बदलाव को बनाए रखती है।

चुनौती: "लोकल मिनिमम" (स्थानीय न्यूनतम) में फंसना

कल्पना कीजिए कि आप एक धुंधली पर्वत श्रृंखला में हाइकिंग कर रहे हैं, और आप सबसे निचली घाटी (परफेक्ट समाधान) खोजने की कोशिश कर रहे हैं।

यदि आप केवल अपने पैरों के आसपास की जमीन को देखते हैं, तो आप एक छोटे से गड्ढे को पा सकते हैं और सोच सकते हैं, "यही सबसे निचला बिंदु है!" लेकिन आप अगली पहाड़ी के ठीक पीछे मौजूद एक बहुत अधिक गहरी घाटी को मिस कर सकते हैं। गणित में, इसे लोकल मिनिमम (local minimum) में फंसना कहा जाता है।
इसे ठीक करने के लिए, लेखकों ने भौतिकी की एक तकनीक रेप्लिका एक्सचेंज (Replica Exchange) का सहारा लिया। कल्पना कीजिए कि आप एक साथ 8 अलग-अलग हाइकर्स (रेप्लिका) भेज रहे हैं। कुछ हाइकर्स को बेतहाशा घूमने की अनुमति है (उच्च "तापमान"), जबकि अन्य बहुत सतर्क हैं (कम "तापमान")। कभी-कभी वे आपस में जगह बदलते हैं। यह उन्हें उन छोटी पहाड़ियों के ऊपर से कूदने में मदद करता है जो उन्हें रोक रही थीं, जिससे पूरा समूह वास्तविक, सबसे गहरी घाटी को खोजने में सक्षम होता है।

उन्होंने क्या परीक्षण किया

लेखकों ने अपने "स्वचालित पुनर्व्यवस्थित करने वाले" का परीक्षण दो विशिष्ट प्रकार के क्वांटम सिस्टम पर किया:

टेट्रामर मॉडल (The Tetramer Model - "परफेक्ट पहेली"):
उन्होंने एक ऐसे सिस्टम के साथ शुरुआत की जिसे वे जानते थे (चार-कण समूहों की एक विशिष्ट व्यवस्था)। उन्होंने एक मानक MERA आकार से शुरुआत की और अपने एल्गोरिदम को उसे पुनर्व्यवस्थित करने दिया।
- परिणाम: एल्गोरिदम ने नेटवर्क को सफलतापूर्वक तब तक पुनर्व्यवस्थित किया जब तक कि वह सटीक, ज्ञात उत्तर से मेल नहीं खा गया। इसने साबित कर दिया कि यह विधि काम करती है।
रैंडम XY मॉडल (The Random XY Model - "अव्यवस्थित कमरा"):
यह रैंडम डिसऑर्डर वाला एक सिस्टम है, जैसे कि एक कमरा जहाँ फर्नीचर बेतरतीब ढंग से बिखरा हुआ है। उन्होंने अपने तरीके का परीक्षण दो शुरुआती बिंदुओं पर किया:
- शुरुआती बिंदु A: एक मानक, व्यवस्थित MERA ट्री।
- शुरुआती बिंदु B: एक अन्य विधि (SDRG) द्वारा बनाया गया आकार, जो विशेष रूप से अव्यवस्थित सिस्टम के लिए है।
- परिणाम: दोनों मामलों में, उनके एल्गोरिदम ने सटीकता में सुधार किया (ऊर्जा त्रुटि को कम किया और मॉडल को वास्तविकता के प्रति अधिक निष्ठावान बनाया)। हालांकि, शुरुआती बिंदु B बहुत बेहतर रहा।
- सबक: यह एक अव्यवस्थित कमरे को ठीक करने जैसा है। यदि आप एक ऐसे ब्लूप्रिंट के साथ शुरुआत करते हैं जो पहले से ही अव्यवस्था को ध्यान में रखता है (SDRG), तो आपका स्वचालित पुनर्व्यवस्थित करने वाला शानदार काम कर सकता है। यदि आप एक आदर्श, खाली कमरे के ब्लूप्रिंट के साथ शुरुआत करते हैं (MERA), तो यह अभी भी मदद करता है, लेकिन इसे बहुत अधिक मेहनत करनी पड़ती है। शोध पत्र निष्कर्ष निकालता है कि सर्वोत्तम परिणामों के लिए एक स्मार्ट "प्री-प्रोसेसिंग" चरण का उपयोग करना महत्वपूर्ण है।

यह क्यों महत्वपूर्ण है

शोध पत्र का दावा है कि नेटवर्क के स्ट्रक्चर को स्वचालित रूप से बदलने की अनुमति देकर, हम अधिक कंप्यूटिंग पावर (अधिक "ईंटों") की आवश्यकता के बिना जटिल क्वांटम सिस्टम का बहुत अधिक सटीक विवरण प्राप्त कर सकते हैं।

वे यह भी नोट करते हैं कि यह विधि नॉइजी इंटरमीडिएट-स्केल क्वांटम (NISQ) उपकरणों के लिए विशेष रूप से उपयोगी है। ये शुरुआती चरण के क्वांटम कंप्यूटर हैं जो त्रुटियों के प्रति संवेदनशील होते हैं। इन मशीनों के लिए "सर्किट" (नेटवर्क स्ट्रक्चर) को डिजाइन करने का एक बेहतर तरीका होने से, वे अपनी वर्तमान सीमाओं के बावजूद समस्याओं को अधिक प्रभावी ढंग से हल करने में सक्षम हो सकते हैं।

संक्षेप में: लेखकों ने एक स्मार्ट, स्वचालित उपकरण बनाया है जो क्वांटम मॉडल में कनेक्शनों को पुनर्व्यवस्थित करता है ताकि वह सिस्टम की विशिष्ट "अव्यवस्था" के अनुकूल हो सके। उन्होंने इसे एक मानक मॉडल को एक पूर्ण मॉडल में बदलकर और यह दिखाकर सिद्ध किया कि यह अव्यवस्थित सिस्टम के मॉडलों में काफी सुधार कर सकता है—विशेष रूप से यदि आप उन्हें एक अच्छा शुरुआती ब्लूप्रिंट दें।

तकनीकी सारांश: एंटैंगलमेंट रेनोर्मलाइजेशन सहित टेंसर नेटवर्क स्टेट्स का स्वचालित संरचनात्मक खोज

समस्या विवरण
टेंसर नेटवर्क (TN) स्टेट्स, विशेष रूप से जो एंटैंगलमेंट रेनोर्मलाइजेशन (ER) जैसे एंटैंगलमेंट रेनोर्मलाइजेशन (ER) को शामिल करते हैं (जैसे कि मल्टी-स्केल एंटैंगलमेंट रेनोर्मलाइजेशन एन्सैम्बल - MERA), उलझे हुए क्वांटम अवस्थाओं (entangled quantum states) का प्रतिनिधित्व करने के लिए शक्तिशाली उपकरण हैं। हालाँकि, गैर-समान एंटैंगलमेंट संरचनाओं (जैसे कि विस्कृत या रासायनिक प्रणालियों में) वाले क्वांटम स्टेट्स का निश्चित डिग्री ऑफ फ्रीडम का उपयोग करके सटीक प्रतिनिधित्व करने के लिए, TN टोपोलॉजी का अंतर्निहित एंटैंगलमेंट पैटर्न के साथ संरेखित होना आवश्यक है। एक निश्चित संरचना के भीतर टेंसर तत्वों को अनुकूलित करना एक मानक प्रक्रिया है, लेकिन स्वयं संरचना को अनुकूलित करना एक कॉम्बिनेटोरियल चुनौती है जो ER-TNs के लिए काफी हद तक अनसुलझी रही है। ट्री टेंसर नेटवर्क (TTN) जैसी स्थानीय संरचनाओं के पुनर्निर्माण के पिछले प्रयास ER-TNs के अनुकूल होने में संघर्ष करते हैं क्योंकि इनमें आंतरिक लूप (internal loops) होते हैं, जो एंटैंगलमेंट एंट्रॉपी और बाइपार्टिशनिंग के मूल्यांकन को जटिल बना देते हैं। इसके अलावा, मौजूदा संरचनात्मक खोज एल्गोरिदम अक्सर ऊर्जा परिदृश्य (energy landscape) में स्थानीय मिनिमा (local minima) से बाहर निकलने की लचीलापन की कमी रखते हैं।

कार्यप्रणाली
लेखक वैरेशनल ऊर्जा (variational energy) के सापेक्ष स्थानीय टेंसर जोड़ों के पुनर्निर्माण पर आधारित ER-TNs के इष्टतम संरचनात्मक खोज के लिए एक स्वचालित योजना प्रस्तावित करते हैं। मुख्य एल्गोरिदम फिक्स्ड बॉन्ड डायमेंशन ( $\chi=2$ ) के प्रतिबंध के तहत कार्य करता है और निम्नलिखित चरणों के माध्यम से आगे बढ़ता है:

स्थानीय संरचना पुनर्निर्माण (Local Structure Reconstruction): एल्गोरिदम नेटवर्क के भीतर एक जोड़े आसन्न (adjacent) टेंसरों का चयन करता है। यह सभी संभावित स्थानीय टोपोलॉजिकल कॉन्फ़िगरेशन (जैसे कि डिसएंटैंगलर्स $u$ , आइसोमेट्रिस $v$ , और टॉप टेंसर $t$ के संयोजन) पर विचार करता है जो आइसोमेट्रिक स्थितियों को संतुष्ट करते हैं।
वैरेशनल ऑप्टिमाइजेशन (Variational Optimization): प्रत्येक उम्मीदवार स्थानीय संरचना के लिए, दो टेंसरों को वैरेशनल ऊर्जा $E = \langle \Psi | H | \Psi \rangle$ को कम करने के लिए अपडेट किया जाता है। लेखक आइसोमेट्रिक बाधाओं को बनाए रखते हुए टेंसरों को अपडेट करने के लिए स्टिफेल मैनिफोल्ड (Stiefel manifold) पर रिमानियन ऑप्टिमाइजेशन (विशेष रूप से एडम एल्गोरिदम) का उपयोग करते हैं। इन अपडेट्स के दौरान लर्निंग रेट को क्रमिक रूप से कम किया जाता है।
स्टोकेस्टिक चयन (Stochastic Selection): स्थानीय मिनिमा में फंसने से बचने के लिए, एक नए स्थानीय ढांचे का चयन नियतात्मक (deterministic) नहीं है। इसके बजाय, एल्गोरिदम बोल्ट्ज़मैन वितरण का उपयोग करते हुए एक हीट-बाथ विधि नियोजित करता है: $P_i \propto \exp(-\beta E_i)$ , जहाँ $E_i$ , $i$ -वें संरचनात्मक उम्मीदवार की ऊर्जा है और $\beta$ व्युत्क्रम तापमान (inverse temperature) है।
रेप्लिका एक्सचेंज (Replica Exchange): स्थानीय मिनिमा की समस्या को और अधिक संबोधित करने के लिए, लेखक रेप्लिका एक्सचेंज विधि को शामिल करते हैं। विभिन्न $\beta$ मानों के साथ कई रेप्लिका समानांतर में चलाए जाते हैं। मेट्रोपोलिस स्वीकृति संभावनाओं के आधार पर आसन्न रेप्लिका का आदान-प्रदान किया जाता है, जिससे सिस्टम ऊर्जा परिदृश्य का अधिक प्रभावी ढंग से अन्वेषण कर पाता है।
ग्लोबल अपडेट (Global Update): संरचनात्मक खोज लूप के बाद, सभी टेंसरों को वैश्विक स्तर पर अपडेट किया जाता है जबकि उनके द्वारा निर्धारित नई संरचना को स्थिर रखा जाता है।

इस पद्धति का परीक्षण दो विशिष्ट क्वांटम प्रणालियों के विरुद्ध बेंचमार्क किया गया है: स्पिन-1/2 टेट्रामर सिंगलेट मॉडल और 1D रैंडम XY चेन।

मुख्य परिणाम
अध्ययन दो अलग-अलग मॉडलों पर संख्यात्मक सिमुलेशन के माध्यम से एल्गोरिदम को मान्य करता है:

स्पिन-1/2 टेट्रामर मॉडल: एल्गोरिदम एक मानक 1D बाइनरी MERA संरचना से शुरू होकर टेट्रामर सिंगलेट चरण के सटीक ग्राउंड स्टेट का सफलतापूर्वक पुनर्निर्माण करता है। टेट्रामर सिंगलेट चरण ( $J'/J \approx 0$ ) में, एल्गोरिदम सटीक ग्राउंड एनर्जी पर अभिसरण (converge) करता है। हाल्डेन चरण ( $J'/J = 0.7411$ ) में, जहाँ सटीक ग्राउंड स्टेट सिंगलेट्स का सरल उत्पाद नहीं है, एल्गोरिदम ने सापेक्ष ऊर्जा त्रुटि को $4.30 \times 10^{-2}$ से घटाकर $9.88 \times 10^{-5}$ कर दिया। यह दिखाया गया कि अभिसरण के लिए रेप्लिका एक्सचेंज और हीट-बाथ विधियों का समावेश महत्वपूर्ण था, क्योंकि इन विशेषताओं के बिना नियतात्मक अपडेट ने न्यूनतम सुधार दिए।
1D रैंडम XY चेन: एल्गोरिदम का उपयोग $N=8$ $N = 8$ और $N=16$ $N = 16$ सिस्टम साइज के साथ रैंडम सिस्टम पर किया गया। दो प्रारंभिक संरचनाओं का परीक्षण किया गया: एक मानक बाइनरी MERA और एक सब-ऑप्टिमल संरचना जो स्ट्रॉन्ग डिसऑर्डर रेनोर्मलाइजेशन ग्रुप (SDRG) विधि से प्राप्त की गई है (ER-SDRG)।
- ऊर्जा और फिडेलिटी (Fidelity): संरचनात्मक खोज ने दोनों प्रारंभिक संरचनाओं के लिए वैरेशनल ऊर्जा, फिडेलिटी और एंटैंगलमेंट एंट्रॉपी में सुधार किया।
- प्रीप्रोसेसिंग का महत्व: सुधार मानक MERA की तुलना में ER-SDRG से शुरू होने पर काफी अधिक स्पष्ट थे। उदाहरण के लिए, $N=8$ पर (MERA के 1.37% के मुकाबले) ER-SDRG के लिए औसत सापेक्ष ऊर्जा त्रुटि में कमी 24.9% थी। यह सुझाव देता है कि संरचनात्मक खोज के प्रदर्शन को अधिकतम करने के लिए मौजूदा TN डिजाइन विधियों (जैसे SDRG) का प्रीप्रोसेसिंग स्टेप के रूप में उपयोग करना चाहिए।
- एंटैंगलमेंट एंट्रॉपी: विधि ने सबसिस्टम साइज के माध्यम से औसत एंटैंगलमेंट एंट्रॉपी में सुधार किया, जो विस्कृत प्रणालियों में अपेक्षित लॉगरिदमिक स्केलिंग के साथ बेहतर तालमेल बिठाता है।

महत्व और दावे
यह शोध दावा करता है कि यह ER-TNs के लिए एक स्वचालित संरचनात्मक खोज का पहला प्रदर्शन प्रदान करता है जो लूप वाले नेटवर्क से जुड़ी कम्प्यूटेशनल और एल्गोरिद्मिक बाधाओं को दूर करता है। सीधे एंटैंगलमेंट एंट्रॉपी मूल्यांकन के बजाय (जो लूप वाले नेटवर्क में कठिन है) वैरेशनल ऊर्जा द्वारा निर्देशित स्थानीय संरचनाओं के पुनर्निर्माण पर ध्यान केंद्रित करके, यह विधि गैर-समान प्रणालियों के लिए TN टोपोलॉजी को अनुकूलित करने का एक व्यावहारिक मार्ग प्रदान करती है।

लेखक इस बात पर जोर देते हैं कि उनका दृष्टिकोण सामान्य आइसोमेट्रिक TN स्टेट्स का विस्तार करता है, जिससे क्वांटम सूचना प्रसंस्करण और क्वांटम कंप्यूटिंग को लाभ हो सकता है, विशेष रूप से नॉयजी इंटरमीडिएट-स्केल क्वांटम (NISQ) डिवाइसेस के संदर्भ में जहाँ छोटे पैमाने के अध्ययन महत्वपूर्ण अंतर्दृष्टि प्रदान करते हैं। अध्ययन निष्कर्ष निकालता है कि जबकि यह विधि प्रभावी है, भविष्य के कार्यों को बॉन्ड डायमेंशन के विस्तार, लूप वाली संरचनाओं के लिए कुशल कॉन्ट्रैक्शन तकनीकों के विकास और बड़े पैमाने के सिस्टम को संभालने के लिए एल्गोरिदम के पैरेललाइजेशन को संबोधित करना होगा। लेखक यह भी नोट करते हैं कि उनकी विधि AQCE (ऑटोमैटिक क्वांटम सर्किट एनकोडिंग) जैसे मौजूदा एल्गोरिदम के पूरक के रूप में कार्य करती है, जो आसन्न गेट पेयर्स को लक्षित करती है और स्टोकेस्टिक चयन पेश करती है, जो कनेक्टिविटी को अनुकूलित करने के लिए एक अलग दृष्टिकोण प्रदान करती है।

मुख्य विचार: "स्ट्रक्चरल सर्च" (संरचनात्मक खोज)

चुनौती: "लोकल मिनिमम" (स्थानीय न्यूनतम) में फंसना

उन्होंने क्या परीक्षण किया

यह क्यों महत्वपूर्ण है

इसी तरह के और पेपर