⚛️ quantum physics

Distinguishing Ordered Phases using Machine Learning and Classical Shadows

यह शोधपत्र एक स्केलेबल और कुशल ढांचे का प्रस्ताव करता है जो क्लासिकल शैडोज़ को अनसुपरवाइज्ड मशीन लर्निंग के साथ जोड़कर एक्सियल नेक्स्ट-नियर-नेबर आइसिंग और किटाव-हाइजेनबर्ग प्रणालियों जैसे मॉडलों में क्वांटम फेज़ ट्रांज़िशन को प्रभावी ढंग से पहचानने के लिए उपयोग करता है, जो लॉगरिदमिक सैंपल कॉम्प्लेक्सिटी प्राप्त करने हेतु स्थानीय अवलोकनों (लोकल ऑब्जर्वेबल्स) के एक प्रतिबंधित सेट का उपयोग करता है।

मूल लेखक: Leandro Morais, Tiago Pernambuco, Rodrigo G. Pereira, Askery Canabarro, Diogo O. Soares-Pinto, Rafael Chaves

प्रकाशित 2026-05-18

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Leandro Morais, Tiago Pernambuco, Rodrigo G. Pereira, Askery Canabarro, Diogo O. Soares-Pinto, Rafael Chaves

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 मोजों के एक विशाल, अस्त-व्यस्त और मिले-जुले ढेर को छाँटने की कोशिश कर रहे हैं। कुछ लाल हैं, कुछ नीले हैं, कुछ में धारियाँ हैं, और कुछ सादे हैं। यदि आप यह पता लगाने के लिए हर एक मोज़े के हर एक धागे को देखने की कोशिश करेंगे कि उसे किस ढेर में होना चाहिए, तो आप कभी भी इसे पूरा नहीं कर पाएंगे। यह मूल रूप से उस समस्या को दर्शाता है जिसका सामना भौतिक विज्ञानी क्वांटम सामग्रियों (quantum materials) का अध्ययन करते समय करते हैं। ये सामग्रियां अनगिनत सूक्ष्म कणों (qubits) से बनी होती हैं जो अविश्वसनीय रूप से जटिल तरीकों से एक-दूसरे के साथ परस्पर क्रिया करते हैं। यह समझने के लिए कि सामग्री किस "फेज" (phase) में है (जैसे कि एक चुंबक, एक तरल, या पदार्थ की कोई नई अवस्था), वैज्ञानिकों को आमतौर पर सब कुछ मापने की आवश्यकता होती है, जो कि असंभव है क्योंकि डेटा की मात्रा तेजी से (exponentially) बढ़ती है।

यह शोध पत्र एक चतुर शॉर्टकट का प्रस्ताव करता है: मशीन लर्निंग (Machine Learning) और क्लासिकल शैडोज़ (Classical Shadows) नामक एक तकनीक का संयोजन। उन्होंने इसे कैसे किया, इसका सरल विवरण यहाँ दिया गया है।

समस्या: "एक्सपोनेंशियल" पर्वत

एक क्वांटम सिस्टम को एक विशाल पुस्तकालय की तरह समझें जहाँ हर किताब ब्रह्मांड की एक संभावित अवस्था है। जैसे-जैसे आप अधिक किताबें (qubits) जोड़ते हैं, पुस्तकालय केवल बड़ा ही नहीं होता; वह विस्फोट की तरह फैलता है। पारंपरिक तरीके पैटर्न खोजने के लिए हर किताब को पढ़ने की कोशिश करते हैं। यह बहुत धीमा और बहुत महंगा है।

समाधान: "शैडो" (परछाईं) का कमाल

लेखकों ने क्लासिकल शैडोज़ (Classical Shadows) नामक एक विधि का उपयोग किया। कल्पना कीजिए कि आप जानना चाहते हैं कि एक 3D वस्तु कैसी दिखती है, लेकिन आप पूरी वस्तु को नहीं देख सकते। पूरी वस्तु की तस्वीर लेने के बजाय, आप उस पर कुछ यादृच्छिक (random) कोणों से रोशनी डालते हैं और दीवार पर पड़ने वाली उसकी परछाइयों को देखते हैं।

उपमा: भले ही एक छाया एक 3D वस्तु का केवल 2D हिस्सा है, लेकिन यदि आप पर्याप्त यादृच्छिक छायाएँ लेते हैं, तो आप पूरी वस्तु को देखे बिना भी उसके मुख्य लक्षणों को गणितीय रूप से पुनर्गठित कर सकते हैं।
शोध पत्र में: उन्होंने यादृच्छिक मापों का उपयोग करके क्वांटम सिस्टम के "स्नैपशॉट" लिए। पूरे सिस्टम का वर्णन करने के लिए लाखों मापों की आवश्यकता होने के बजाय, उन्हें विशिष्ट भागों (जैसे कि दो स्पिन कैसे परस्पर क्रिया करते हैं) के व्यवहार का सटीक अनुमान लगाने के लिए इन "छायाओं" की एक बहुत कम संख्या की आवश्यकता थी। इसने इस प्रक्रिया को अविश्वसनीय रूप से तेज़ और कुशल बना दिया।

जासूसी का काम: मशीन लर्निंग

एक बार जब उनके पास ये कुशल स्नैपशॉट आ गए, तो उन्हें इन्हें छाँटने की आवश्यकता थी। उन्होंने डेटा के एक डिजिटल जासूस के रूप में मशीन लर्निंग (विशेष रूप से K-Means नामक एक एल्गोरिदम) का उपयोग किया।

उपमा: कल्पना कीजिए कि आपके पास अलग-अलग रंगों की कंचों (marbles) का एक बैग है, लेकिन वे सभी आपस में मिले हुए हैं। आप रंगों को सीधे नहीं देख सकते, लेकिन आप उनके वजन और बनावट को महसूस कर सकते हैं (ये "छायाएं" हैं)। आप कंप्यूटर को बताते हैं, "इन कंचों को उनके अहसास के आधार पर समूह में बांटो।" कंप्यूटर डेटा में पैटर्न खोजता है और कहता है, "ये 10 कंचे 'लाल' जैसे महसूस होते हैं, ये 10 'नीले' जैसे, और ये 10 'हरे' जैसे।"
परिणाम: कंप्यूटर ने क्वांटम अवस्थाओं को विभिन्न "फेज" (जैसे फेरोमैग्नेटिक, पैरामैग्नेटिक, या स्पिन लिक्विड) में सफलतापूर्वक वर्गीकृत किया, जो केवल इन सरल पैटर्न को देखकर किया गया।

दो परीक्षण मामले

लेखकों ने यह देखने के लिए कि क्या यह काम करता है, इसे क्वांटम सामग्रियों के दो विशिष्ट "टॉय मॉडल्स" (toy models) पर परखा:

ANNNI मॉडल (एक "फ्रस्ट्रेटेड" चुंबक):
- इसे हाथ पकड़े हुए लोगों की एक पंक्ति के रूप में सोचें। कुछ एक ही दिशा में रहना चाहते हैं, कुछ विपरीत दिशा में, और एक हवा (चुंबकीय क्षेत्र) उन पर चल रही है।
- परिणाम: इस पद्धति ने पंक्ति के विभिन्न "मूड्स" (क्रमबद्ध, अव्यवस्थित, या वैकल्पिक पैटर्न) की सफलतापूर्वक पहचान की। हालाँकि, यह छोटे सिस्टम में एक बहुत ही सूक्ष्म, "फ्लोटिंग" फेज को पहचानने में संघर्ष कर रहा था, ठीक वैसे ही जैसे आकाश के एक छोटे से टुकड़े में एक विशिष्ट प्रकार के बादल को पहचानना। लेखकों का कहना है कि एक बड़े सिस्टम (अधिक क्वबिट्स) के साथ, यह बेहतर काम करेगा।
किटाव-हाइजेनबर्ग लैडर (एक "विदेशी" सीढ़ी):
- यह एक अधिक जटिल संरचना है, जैसे एक सीढ़ी जहाँ इसके डंडों और किनारों के नियम अलग-अलग हैं। इसमें "स्पिन लिक्विड" फेज होते हैं, जो पदार्थ की ऐसी अवस्था है जो परम शून्य (absolute zero) पर भी जमती नहीं है।
- चुनौती: मानक माप (पड़ोसियों को देखना) "स्पिन लिक्विड" और "ऑर्डर्ड" चरणों के बीच अंतर नहीं कर सके। यह एक बूंद को देखकर पानी और बर्फ के बीच अंतर करने की कोशिश करने जैसा था।
- सुधार: लेखकों ने एक विशेष "छह-स्पिन" माप (प्लाकेट ऑपरेटर) जोड़ा। इसे केवल दो लोगों के बजाय छह लोगों के एक पूरे समूह को एक साथ देखने के रूप में समझें। इस विशेष समूह दृश्य ने एक अद्वितीय "फिंगरप्रिंट" के रूप में कार्य किया जिसने स्पिन लिक्विड चरणों की स्पष्ट रूप से पहचान की।
- परिणाम: मानक पड़ोसी जांचों को इस विशेष समूह जांच के साथ जोड़कर, मशीन लर्निंग एल्गोरिदम ने चरणों को पूरी तरह से वर्गीकृत किया, जिससे चार अलग-अलग ऑर्डर्ड स्टेट्स और दो विदेशी स्पिन लिक्विड स्टेट्स की पहचान हुई।

यह क्यों महत्वपूर्ण है

शोध पत्र का दावा है कि यह हाइब्रिड दृष्टिकोण एक शक्तिशाली उपकरण है क्योंकि:

यह कुशल है: इसे सब कुछ मापने की आवश्यकता नहीं है। यह बहुत कम मापों के साथ सही डेटा प्राप्त करने के लिए "शैडो" ट्रिक का उपयोग करता है।
यह स्केल करता है: जैसे-जैसे सिस्टम बड़े होते जाते हैं, यह तरीका प्रबंधनीय रहता है, जबकि पुराने तरीके विफल हो जाते हैं।
यह छोटे कंप्यूटरों के साथ काम करता है: उन्होंने सिद्ध किया कि यह छोटे क्वांटम सिस्टम (12 क्वबिट्स) के साथ भी काम करता है, जो यह सुझाव देता है कि यह भविष्य के बड़े क्वांटम कंप्यूटरों पर और भी बेहतर काम करेगा।

संक्षेप में, लेखकों ने एक ऐसा सिस्टम बनाया है जो क्वांटम दुनिया का एक सरलीकृत मानचित्र बनाने के लिए यादृच्छिक स्नैपशॉट्स का उपयोग करता है, और फिर AI को उस मानचित्र पर विभिन्न चरणों के बीच की सीमाएं खींचने देता है। यह हर एक पत्ते को गिनने के बजाय पूरे जंगल को देखने का एक तरीका है।

तकनीकी सारांश: मशीन लर्निंग और क्लासिकल शैडोज़ का उपयोग करके क्रमबद्ध चरणों (Ordered Phases) का वर्गीकरण

समस्या विवरण
मेनी-बॉडी सिस्टम्स में क्वांटम चरण संक्रमणों (Quantum Phase Transitions) को वर्गीकृत करना एक मौलिक चुनौती है, विशेष रूप से जैसे-जैसे सिस्टम का आकार बढ़ता है और हिल्बर्ट स्पेस (Hilbert space) तेजी से विस्तृत होता जाता है। पारंपरिक विधियाँ, जो ऑर्डर पैरामीटर्स और कोरिलेशन फंक्शन्स पर निर्भर करती हैं, अक्सर उच्च-आयामी सिस्टम और उन टोपोलॉजिकल चरणों के लिए संघर्ष करती हैं जहाँ मानक ऑब्जर्वेबल्स विफल हो जाते हैं। जबकि मशीन लर्निंग (ML) बिना किसी पूर्व ज्ञान के चरणों की पहचान करने के लिए एक आशाजनक विकल्प प्रदान करती है, यह उच्च-गुणवत्ता वाले इनपुट डेटा पर अत्यधिक निर्भर है। बड़े सिस्टम के लिए क्लासिकल सिमुलेशन (जैसे, क्वांटम मोंटे कार्लो, मैट्रिक्स प्रोडक्ट स्टेट्स) के माध्यम से डेटा उत्पन्न करना गणनात्मक रूप से अव्यवहार्य (intractable) हो जाता है, और पूर्ण वेरिएशनल क्वांटम दृष्टिकोण व्यावहारिक बाधाओं, जैसे कि बैरन प्लेटो (barren plateaus), का सामना करते हैं। इसके अलावा, क्वांटम हार्डवेयर पर क्वांटम अवस्थाओं के लक्षण वर्णन के लिए आवश्यक मेजरमेंट ओवरहेड, क्वबिट्स की संख्या के साथ तेजी से (exponentially) बढ़ता है, जो डेटा अधिग्रहण के लिए एक बाधा उत्पन्न करता है।

कार्यप्रणाली (Methodology)
लेखक एक हाइब्रिड क्वांटम-क्लासिकल फ्रेमवर्क प्रस्तावित करते हैं जो क्वांटम चरणों को कुशलतापूर्वक पहचानने के लिए क्लासिकल शैडोज़ (Classical Shadows) टोमोग्राफी को अनसुपरवाइज्ड मशीन लर्निंग (विशेष रूप से K-Means क्लस्टरिंग) के साथ एकीकृत करता है। कार्यप्रणाली इस प्रकार है:

क्लासिकल शैडो प्रोटोकॉल: पूर्ण स्टेट टोमोग्राफी करने के बजाय, लेखक विशिष्ट ऑब्जर्वेबल्स के एक्सपेक्टेशन वैल्यू (expectation values) का अनुमान लगाने के लिए क्लासिकल शैडोज़ प्रोटोकॉल का उपयोग करते हैं, जिससे मापों (measurements) की संख्या काफी कम हो जाती है। वे सिंगल-क्वबिट क्लिफोर्ड यूनिटरीज (Clifford unitaries) का उपयोग करके रैंडमाइज्ड मेजरमेंट्स का उपयोग करते हैं।
- फीचर चयन (Feature Selection): स्केलेबिलिटी सुनिश्चित करने के लिए, लेखक मापे गए ऑब्जर्वेबल्स के सेट को सीमित करते हैं। एक्सियल नेक्स्ट-नियर-नेबर आइसिंग (ANNNI) मॉडल के लिए, वे निकटतम-पड़ोसी (NN) और अगले-निकटतम-पड़ोसी (NNN) साइटों के बीच पेयरवाइज कोरिलेशन (pairwise correlations) का उपयोग करते हैं। किटाएव-हाइजेनबर्ग (KH) लैडर के लिए, वे पेयरवाइज कोरिलेशन और एक विशिष्ट छह-स्पिन प्लैकेट ऑपरेटर ( $O_{Plaquette}$ ) के संयोजन का उपयोग करते हैं, जो स्पिन लिक्विड चरणों की पहचान करने के लिए महत्वपूर्ण है।
- डिरैंडमाइजेशन (Derandomization): KH मॉडल के लिए, लेखक प्लैकेट ऑपरेटर के अनुमान को अनुकूलित करने के लिए एक डिरैंडमाइजेशन प्रोटोकॉल का उपयोग करते हैं, जिससे सटीकता बनाए रखते हुए मेजरमेंट बजट कम हो जाता है।
- सैंपल कॉम्प्लेक्सिटी (Sample Complexity): आवश्यक स्नैपशॉट्स ( $T$ ) की संख्या मापे गए फीचर्स ( $M$ ) के साथ लॉगरिदमिक रूप से और ऑपरेटर्स की लोकैलिटी ( $l$ ) के साथ पॉलिनोमियल रूप से स्केल करती है, जो संबंध $T \propto \log(M) \cdot 3^l / \epsilon^2$ का पालन करती है। यह बड़े सिस्टमों के लिए भी कुशल डेटा जनरेशन की अनुमति देता है।
मशीन लर्निंग पाइपलाइन: अनुमानित एक्सपेक्टेशन वैल्यूज़ K-Means क्लस्टरिंग एल्गोरिदम के लिए इनपुट फीचर्स के रूप में कार्य करते हैं।
- फीचर रिडक्शन (Feature Reduction): लेखक यह प्रदर्शित करते हैं कि फीचर्स को स्थानीय कोरिलेशन (NN, NNN, और डायगोनल्स) तक सीमित करने से फीचर्स की संख्या सिस्टम साइज ( $N$ ) के साथ रैखिक (linear) रूप से स्केल होती है, न कि द्विघातीय (quadratic) रूप से, जिससे क्लासिकल प्रोसेसिंग स्टेप गणनात्मक रूप से कुशल रहता है।
- क्लस्टर निर्धारण (Cluster Determination): इनेर्शिया (सेंट्रॉइड्स से वर्ग दूरी का योग) का उपयोग करके इष्टतम क्लस्टर्स की संख्या ( $k$ ) निर्धारित की जाती है, ताकि वेरिएंस स्पष्टीकरण और मॉडल जटिलता के बीच संतुलन बनाया जा सके। इसे "एल्बो मेथड" द्वारा किया जाता है।
- टोपोलॉजिकल विश्लेषण (Topological Analysis): एक पूरक सत्यापन के रूप में, लेखक डेटा वितरण पर परसिस्टेंट होमोलॉजी (Persistent Homology) (टोपोलॉजिकल डेटा एनालिसिस से एक उपकरण) लागू करते हैं। यह उन टोपोलॉजिकल फीचर्स (कनेक्टेड कंपोनेंट्स, $H_0$ ) की पहचान करता है जो फिल्ट्रेशन के दौरान बने रहते हैं, जो अलग-अलग चरणों की संख्या के लिए स्वतंत्र साक्ष्य प्रदान करता है।

प्रमुख योगदान और परिणाम
यह पेपर दो बेंचमार्क मॉडल का उपयोग करके इस फ्रेमवर्क को मान्य करता है:

ANNNI मॉडल (1D चेन):
- यह मॉडल चार चरणों को प्रदर्शित करता है: फेरोमैग्नेटिक (Ferromagnetic), पैरामैग्नेटिक (Paramagnetic), एंटीफेज (Antiphase), और एक गैपलेस फ्लोटिंग (Floating) चरण।
- $N=12$ क्वबिट्स और पेयरवाइज कोरिलेशन का उपयोग करते हुए, K-Means एल्गोरिदम ने फेरोमैग्नेटिक, पैरामैग्नेटिक और एंटीफेज क्षेत्रों को सफलतापूर्वक अलग किया।
- सीमा (Limitation): यह विधि इस सिस्टम साइज पर गैपलेस फ्लोटिंग चरण को अलग करने में विफल रही, जो कि एक ज्ञात कठिनाई है क्योंकि यह चरण बहुत संकीले अस्तित्व क्षेत्र और क्रिटिकल प्रकृति वाला है। लेखक नोट करते हैं कि इस चरण को अलग करने के लिए आमतौर पर सैकड़ों साइटों वाली बड़ी चेन्स की आवश्यकता होती है जो DMRG के माध्यम से सुलभ हैं।
किटाएव-हाइजेनबर्ग लैडर (2-लेग लैडर):
- इस मॉडल में छह चरण हैं, जिनमें दो टोपोलॉजिकल किटाएव स्पिन लिक्विड (KSL) चरण (एंटीफेरोमैग्नेटिक और फेरोमैग्नेटिक) और चार ऑर्डर्ड (ordered) चरण शामिल हैं।
- हाइब्रिड दृष्टिकोण: लेखकों ने पहले KSL क्षेत्रों (जहाँ मान गैर-शून्य है) की पहचान करने के लिए छह-स्पिन प्लैकेट ऑपरेटर के एक्सपेक्टेशन वैल्यू का उपयोग किया। शेष ऑर्डर्ड चरणों के लिए, उन्होंने रिड्यूस्ड पेयरवाइज कोरिलेशन पर K-Means लागू किया।
- परिणाम: पाइपलाइन ने चरण आरेख (phase diagram) को सफलतापूर्वक पुनर्गठित किया, जिसमें चार ऑर्डर्ड चरणों (रंग-सिंगलेट, जिगज़ैग, फेरोमैग्नेटिक, स्ट्राइपी) और दो स्पिन लिक्विड चरणों की पहचान की गई।
- सटीकता: हालांकि जिगज़ैग और फेरोमैग्नेटिक चरणों के बीच का संक्रमण कम सटीक था (संभवतः छोटे सिस्टम साइज में कमजोर रूप से परिभाषित कोरिलेशन के कारण), अन्य ट्रांजिशन को सटीक रूप से रिकवर किया गया। प्रिंसिपल कंपोनेंट एनालिसिस (PCA) और परसिस्टेंट होमोलॉजी ने ऑर्डर्ड चरणों के लिए चार अलग-अलग क्लस्टर्स के अस्तित्व की पुष्टि की।

महत्व और दावे
यह पेपर दावा करता है कि यह दृष्टिकोण मेनी-बॉडी सिस्टम्स में चरण संक्रमणों के अध्ययन के लिए एक स्केलेबल और कुशल उपकरण प्रदान करता है जहाँ क्लासिकल वेरिफिकेशन अव्यवहार्य है। मुख्य महत्व के बिंदु निम्नलिखित हैं:

मेजरमेंट एफिशिएंसी: क्लासिकल शैडोज़ का लाभ उठाकर, प्रोटोकॉल फीचर्स की संख्या के संबंध में मेजरमेंट ओवरहेड को एक्सपोनेंशियल से लॉगरिदमिक स्केलिंग तक कम कर देता है, जिससे यह बड़े सिस्टम के लिए व्यवहार्य हो जाता है।
हाइब्रिड व्यवहार्यता: यह कार्य प्रदर्शित करता है कि क्वांटम-जनरेटेड डेटा (कुशल शैडो प्रोटोकॉल के माध्यम से) को क्लासिकल ML एल्गोरिदम के साथ एकीकृत करना प्रभावी रूप से क्लासिकल कंप्यूटेशनल सीमाओं से परे समस्याओं को हल कर सकता है, जो पूरी तरह से वेरिएशनल क्वांटम मशीन लर्निंग से जुड़ी प्रशिक्षण कठिनाइयों (जैसे, बैरन प्लेटो) को दरकिनार करता है।
फीचर चयन: अध्ययन इस बात पर प्रकाश डालता है कि जटिल चरणों को अलग करने के लिए पूर्ण स्टेट रिकंस्ट्रक्शन की आवश्यकता के बिना, सावधानीपूर्वक फीचर चयन (स्थानीय कोरिलेशन और विशिष्ट उच्च-क्रम ऑपरेटर्स जैसे प्लैकेट पर ध्यान केंद्रित करना) पर्याप्त है।
स्केलेबिलिटी: लेखक तर्क देते हैं कि जबकि परिमित-आकार के प्रभाव (finite-size effects) छोटे सिस्टम्स ( $N=12$ ) में कुछ क्रिटिकल चरणों (जैसे फ्लोटिंग फेज या जिगज़ैग-फेरोमैग्नेटिक बाउंड्री) के रेजोल्यूशन को सीमित करते हैं, शैडो प्रोटोकॉल का लॉगरिदमिक स्केलिंग और सिस्टम साइज के साथ कोरिलेशन पैटर्न की बढ़ती स्पष्टता यह सुझाव देती है कि यह विधि बड़े $N$ के लिए अधिक सटीक हो जाएगी।

लेखक निष्कर्ष निकालते हैं कि यह फ्रेमवर्क इंटरमीडिएट-स्केल क्वांटम डिवाइसेस के लिए क्वांटम चरणों के लक्षण वर्णन के लिए एक व्यावहारिक मार्ग प्रदान करता है, जो पारंपरिक संख्यात्मक विधियों के लिए एक मजबूत विकल्प पेश करता है।

समस्या: "एक्सपोनेंशियल" पर्वत

समाधान: "शैडो" (परछाईं) का कमाल

जासूसी का काम: मशीन लर्निंग

दो परीक्षण मामले

यह क्यों महत्वपूर्ण है

इसी तरह के और पेपर