⚛️ quantum physics

Non-stabilizerness of Neural Quantum States

यह शोध पत्र स्टेबलाइज़र रेनी एंट्रॉपी (Stabilizer Rényi Entropy) के माध्यम से नॉन-स्टेबिलाइज़रनेस (मैजिक) को मापने के लिए न्यूरल क्वांटम स्टेट्स का उपयोग करने वाले एक मोंटे कार्लो-आधारित ढांचे को प्रस्तुत करता है, जो रैंडम नेटवर्क्स में जटिल सहसंबंधों को पकड़ने और एक तथा दो आयामों में $J_1$ - $J_2$ हाइजेनबर्ग मॉडल में स्टेबलाइज़र ग्राउंड स्टेट्स और वैलेंस बॉन्ड सॉलिड चरणों की पहचान करने में इसकी प्रभावशीलता को प्रदर्शित करता है।

मूल लेखक: Alessandro Sinibaldi, Antonio Francesco Mello, Mario Collura, Giuseppe Carleo

प्रकाशित 2026-01-28

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Alessandro Sinibaldi, Antonio Francesco Mello, Mario Collura, Giuseppe Carleo

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

मुख्य चित्र: क्वांटम सिस्टम में "जादू" को मापना

कल्पना कीजिए कि आप एक जटिल मशीन बनाने की कोशिश कर रहे हैं। आप जानते हैं कि बहुत सारे चलते-फिरते पुर्जे (एंटैंगलमेंट/entanglement) होने से मशीन जटिल हो जाती है। लेकिन इसे वास्तव में शक्तिशाली और एक मानक कैलकुलेटर के साथ कॉपी करना असंभव बनाने के लिए एक और सामग्री की आवश्यकता होती है: जादू (Magic)।

क्वांटम दुनिया में, "जादू" (या नॉन-स्टेबिलाइज़रनेस/non-stabilizerness) एक विशिष्ट प्रकार की जटिलता है। यह उस क्वांटम अवस्था और उसके बीच का अंतर है जिसे एक क्लासिकल कंप्यूटर (जैसे एक मानक लैपटॉप) द्वारा आसानी से सिम्युलेट किया जा सकता है, और एक ऐसी अवस्था के बीच जो एक वास्तविक क्वांटम कंप्यूटर को समझने के लिए आवश्यक है।

यह शोध पत्र जटिल क्वांटम सिस्टम में इस "जादू" को मापने का एक नया तरीका पेश करता है, विशेष रूप से न्यूरल क्वांटम स्टेट्स (NQS) का उपयोग करके। NQS को एक अत्यधिक उन्नत, AI-संचालित मानचित्र (map) के रूप में समझें जो एक क्वांटम सिस्टम के आकार को खींचने की कोशिश करता है। लेखक दिखाते हैं कि यह AI मानचित्र न केवल आकार बनाने में अच्छा है, बल्कि यह उस आकार के भीतर कितने "जादू" की मात्रा है, इसे भी सटीक रूप से माप सकता है।

समस्या: पुराने मानचित्र क्यों विफल हुए

लंबे समय तक, वैज्ञानिक इन क्वांटम सिस्टम का मानचित्र बनाने के लिए टेंसर नेटवर्क (Tensor Networks) नामक विधि का उपयोग करते थे।

उपमा: कल्पना कीजिए कि आप ऊन के एक उलझे हुए गोले का चित्र बनाने की कोशिश कर रहे हैं। टेंसर नेटवर्क सरल, ढीले गांठों (कम एंटैंगलमेंट) या सपाट, 2D चित्रों को बनाने में बहुत अच्छे हैं।
सीमा: जब ऊन अविश्वसनीय रूप से उलझ जाता है (उच्च एंटैंगलमेंट) या गोला 3D गोले (उच्च आयामों) में बदल जाता है, तो टेंसर नेटवर्क विधि अटक जाती है। यह जटिलता को संभालने में सक्षम नहीं है।

लेखक यह देखना चाहते थे कि क्या न्यूरल क्वांटम स्टेट्स (जो डीप लर्निंग AI मॉडल की तरह हैं) उन "अत्यधिक उलझे हुए" ऊन के गोलों को संभाल सकते हैं जहाँ पुराने तरीके विफल हो गए थे।

समाधान: जादू को गिनने के दो नए तरीके

जादू को मापने के लिए, लेखकों ने मोंटे कार्लो सैंपलिंग (Monte Carlo sampling) पर आधारित दो अलग-अलग "गिनती करने वाली मशीनें" विकसित कीं। सरल शब्दों में, यह एक सिस्टम के औसत गुणों का अनुमान लगाने के लिए लाखों रैंडम स्नैपशॉट्स लेने जैसा है, बजाय इसके कि एक बार में हर एक विवरण की गणना की जाए।

"रेप्लिकेटेड एस्टिमेटर" (चार-प्रतिलिपि वाला तरीका - The Four-Copy Trick):
- यह कैसे काम करता है: कल्पना कीजिए कि आप अपने क्वांटम सिस्टम की चार समान प्रतियां लेते हैं। फिर आप एक विशेष, जटिल नृत्य (एक गणितीय ऑपरेशन) करते हैं जो उन सभी को आपस में मिला देता है। उनके बीच होने वाली अंतःक्रिया को देखकर, आप जादू की गणना कर सकते हैं।
- चुनौती: यह विधि थोड़ी शोर भरी (noisy) है। क्योंकि यह "नृत्य" बहुत जटिल है, इसलिए कुछ रैंडम स्नैपशॉट्स औसत से बहुत अलग दिखते हैं, जिससे सांख्यिकीय "आउटलेयर्स" (outliers) पैदा होते हैं जो गणना को अस्थिर बना देते हैं।
"बेल बेस एस्टिमेटर" (दर्पण का तरीका - The Mirror Trick):
- यह कैसे काम करता है: यह विधि सिस्टम की दो प्रतियों का उपयोग करती है जो पूरी तरह से जुड़ी हुई (entangled) हैं। यह जादू को खोजने के लिए मूल सिस्टम और उसकी प्रति के बीच के संबंध को देखता है।
- चुनौती: यह विधि बहुत साफ और स्थिर है, लेकिन यह केवल तभी काम करती है जब आप सिस्टम की "ग्राउंड स्टेट" (इसकी सबसे कम ऊर्जा, विश्राम अवस्था) को देख रहे हों। इसे काम करने के लिए सिस्टम के एक बहुत ही विशिष्ट, जटिल संस्करण को जानने की आवश्यकता होती है।

लेखकों का चुनाव: चूंकि उनके द्वारा अध्ययन किए गए सिस्टम बहुत जटिल थे, इसलिए उन्होंने मुख्य रूप से पहले तरीके (रेप्लिकेटेड एस्टिमेटर) का उपयोग किया क्योंकि यह अधिक लचीला था, भले ही इसमें "शोर" (noise) को सावधानीपूर्वक संभालने की आवश्यकता थी।

उन्होंने क्या पाया: दो प्रमुख प्रयोग

लेखकों ने अपने नए उपकरणों का परीक्षण दो परिदृश्यों में किया:

1. रैंडम AI टेस्ट

सबसे पहले, उन्होंने अपने AI (न्यूरल क्वांटम स्टेट) को कई रैंडम सेटिंग्स दीं ताकि यह देखा जा सके कि वह अपने आप किस तरह का "जादू" बना सकता है।

परिणाम: उन्होंने पाया कि AI ने न केवल बहुत सारा उलझा हुआ ऊन (एंटैंगलमेंट) बनाया; बल्कि इसने काफी मात्रा में जादू भी बनाया।
सीख: यह साबित करता है कि न्यूरल नेटवर्क एक ही समय में दोनों प्रकार की क्वांटम जटिलता को पकड़ने के लिए पर्याप्त शक्तिशाली हैं। वे न केवल आकार बनाने में अच्छे हैं; वे इसके अंदर के "जादू" को भी समझते हैं।

2. फ्रस्ट्रेटेड मैग्नेट (J1-J2 हाइजेनबर्ग मॉडल)

इसके बाद, उन्होंने अपने उपकरणों को एक प्रसिद्ध भौतिकी समस्या पर लागू किया: चुंबकों की एक श्रृंखला जो "फ्रस्ट्रेटेड" (frustrated) है।

सेटअप: कल्पना कीजिए कि चुंबकों की एक रेखा जहाँ पड़ोसी विपरीत दिशाओं में संकेत करना चाहते हैं, लेकिन नियम ऐसे सेट किए गए हैं कि वे सभी एक साथ खुश नहीं हो सकते। यह एक "फ्रस्ट्रेटेड" अवस्था बनाता है।
1D चेन (एक आयाम):
- उन्होंने पाया कि एक विशिष्ट संतुलन बिंदु (जिसे माजुमदार-घोष पॉइंट कहा जाता है) पर, "जादू" पूरी तरह से गायब हो गया।
- अर्थ: इस सटीक बिंदु पर, सिस्टम इतना सरल हो जाता है कि एक क्लासिकल कंप्यूटर भी इसका सिमुलेशन कर सकता है। "जादू" गायब हो जाता है, जो पुष्टि करता है कि सिस्टम एक विशेष, सरल अवस्था में है।
2D ग्रिड (दो आयाम):
- यह वह जगह है जहाँ पुराने तरीके (टेंसर नेटवर्क) आमतौर पर विफल हो जाते हैं क्योंकि ग्रिड बहुत जटिल होता है।
- उन्होंने एक विशिष्ट फ्रस्ट्रेशन स्तर के आसपास जादू में एक "गिरावट" (dip) देखी। जादू पूरी तरह से गायब नहीं हुआ, लेकिन यह काफी कम हो गया।
- अर्थ: यह सुझाव देता है कि सिस्टम अराजकता के बीच एक "वेलेंस बॉन्ड सॉलिड" (एक विशिष्ट प्रकार की संगठित संरचना) बना रहा है। यह एक ऐसी खोज है जिसे पिछले उपकरणों के साथ करना बहुत कठिन था।

निष्कर्ष

यह शोध पत्र प्रदर्शित करता है कि न्यूरल क्वांटम स्टेट्स क्वांटम सिस्टम के "जादू" की खोज करने के लिए एक शक्तिशाली नया उपकरण हैं।

वे उन सिस्टम को संभाल सकते हैं जो पुराने तरीकों के लिए बहुत अधिक उलझे हुए और जटिल हैं।
वे उच्च आयामों (जैसे 2D ग्रिड) में काम करते हैं जहाँ अन्य उपकरण विफल हो जाते हैं।
उन्होंने ज्ञात सरल अवस्थाओं (जहाँ जादू शून्य है) को सफलतापूर्वक पहचाना और जटिल, फ्रस्ट्रेटेड मैग्नेट में नए पैटर्न की खोज की।

संक्षेप में, लेखकों ने AI का उपयोग करके एक नया "मैजिक मीटर" बनाया है जो क्वांटम सिस्टम की वास्तविक जटिलता को उन तरीकों से माप सकता है जो पहले असंभव थे।

तकनीकी सारांश: न्यूरल क्वांटम अवस्थाओं की नॉन-स्टेबिलाइज़रनेस (Non-stabilizerness)

समस्या विवरण
मेनी-बॉडी सिस्टम में क्वांटम जटिलता दो अलग-अलग संसाधनों पर निर्भर करती है: एंटैंगलमेंट (entanglement) और नॉन-स्टेबिलाइज़रनेस (जिसे अक्सर 'मैजिक' कहा जाता है)। जबकि एंटैंगलमेंट का व्यापक रूप से लक्षण वर्णन किया गया है, नॉन-स्टेबिलाइज़रनेस को बड़े सिस्टमों में मापना कठिन बना हुआ है। मौजूदा माप, जैसे कि स्टेबलाइज़र रेनी एंट्रॉपीज़ (SREs), आमतौर पर गणनात्मक रूप से गहन मिनिमाइजेशन प्रक्रियाओं की मांग करते हैं या मैट्रिक्स प्रोडक्ट स्टेट्स (MPS) जैसे विशिष्ट एन्सैट्स (ansätze) तक ही सीमित होते हैं। फलस्वरूप, वर्तमान विधियाँ उन प्रणालियों को संबोधित करने में विफल रहती हैं जहाँ स्ट्रॉन्ग कोरिलेशन और उच्च स्थानिक आयाम (spatial dimensions) होते हैं, जहाँ टेंसर नेटवर्क (TN) विधियाँ एंटैंगलमेंट स्केलिंग द्वारा सीमित होती हैं और क्वांटम मोंटे कार्लो (QMC) विधियाँ अक्सर साइन प्रॉब्लम (sign problems) से ग्रस्त होती हैं। किसी भी वैरायशनल वेव फंक्शन के लिए मैजिक का मूल्यांकन करने हेतु एक स्केलेबल फ्रेमवर्क की महत्वपूर्ण आवश्यकता है, विशेष रूप से उन अवस्थाओं के लिए जो वॉल्यूम-लॉ (volume-law) एंटैंगलमेंट को दर्शाने में सक्षम हैं।

कार्यप्रणाली (Methodology)
लेखक किसी भी बहु-क्विबिट सिस्टम के लिए SREs (विशेष रूप से $M_2$ ) का अनुमान लगाने के लिए एक फ्रेमवर्क पेश करते हैं, जिसे न्यूरल क्वांटम स्टेट्स (NQS) के रूप में एनकोड किया गया है। यह दृष्टिकोण दो मोंटे कार्लो सैंपलिंग स्कीमों पर आधारित है:

रेप्लिकेटेड एस्टिमेटर (Replicated Estimator): यह विधि चार गुना रेप्लिकेटेड हिल्बर्ट स्पेस का उपयोग करती है। एक विशिष्ट अवस्था $|\Phi\rangle = |\Psi^*, \Psi^*, \Psi^*, \Psi\rangle$ और एक विशिष्ट यूनिटरी ऑपरेटर $\hat{U}$ को परिभाषित करके, जो रेप्लिकास के बीच इंटरैक्शन बनाता है, SRE को एक एक्सपेक्टेशन वैल्यू $\langle \Phi | \hat{U} | \Phi \rangle / \langle \Phi | \Phi \rangle$ के रूप में व्यक्त किया जाता है। यह एक स्टोकैस्टिक एस्टीमेशन की अनुमति देता है जिसे $|\Phi\rangle$ के बॉर्न डिस्ट्रीब्यूशन से सैंपलिंग करके प्राप्त किया जा सकता है। लेखक नोट करते हैं कि $\hat{U}$ की नॉन-लोकल प्रकृति के कारण इस एस्टिमेटर में सांख्यिकीय आउटलेयर्स (outliers) हो सकते हैं, जिसे एनेल्ड इम्पॉर्टेंस सैंपलिंग (annealed importance sampling) का उपयोग करके कम किया जा सकता है।
बेल बेस एस्टिमेटर (Bell Basis Estimator): यह दृष्टिकोण दो सिस्टम कॉपियों के बेल स्टेट्स पर पाउली स्ट्रिंग एक्सपेक्टेशन वैल्यूज और एम्प्लीट्यूड के बीच समानता का लाभ उठाता है। इसके लिए आवश्यक है कि अवस्था $|\Psi\rangle$ , हैमिल्टोनियन $\hat{H}$ की ग्राउंड स्टेट हो। इस विधि में सिस्टम को एक क्लिफोर्ड ट्रांसफॉर्मेशन $\hat{C}$ के माध्यम से एक डबलड स्टेट $|\Gamma\rangle$ में बदलना शामिल है, ताकि SRE को वितरण $|\Gamma(\nu)|^2$ पर एम्प्लीट्यूड रेश्यो के औसत द्वारा अनुमानित किया जा सके। जबकि यह एस्टिमेटर पॉजिटिव-डेफिनेट है और सांख्यिकीय रूप से अधिक सुदृढ़ है, यह केवल ग्राउंड स्टेट्स तक सीमित है और इसके लिए रूपांतरित ग्राउंड स्टेट $|\Gamma\rangle$ को सीखना आवश्यक है, जो नॉन-लोकल कपलिंग्स पेश करता है।

मुख्य परिणामों में, लेखक जटिल मॉडल्स के लिए रूपांतरित ग्राउंड स्टेट $|\Gamma\rangle$ को सीखने की चुनौतियों के कारण मुख्य रूप से रेप्लिकेटेड एस्टिमेटर का उपयोग करते हैं। उपयोग किए गए NQS एन्सैट्स में रैंडम एन्सेम्बल्स के लिए रिस्ट्रिक्टेड बोल्ट्ज़मैन मशीन (RBM) और हाइजेनबर्ग मॉडल के लिए डीप विजन ट्रांसफॉर्मर (ViT) शामिल हैं, जिन्हें स्टोकेस्टिक रीकॉन्फ़िगरेशन के साथ वैरीयेशनल मोंटे कार्लो (VMC) के माध्यम से ऑप्टिमाइज़ किया गया है।

प्रमुख योगदान

एल्गोरिद्मिक फ्रेमवर्क: यह पेपर मनमाने ढंग से किसी भी वैरीयशनल एन्सैट्स में SREs को मापने के लिए दो मोंटे कार्लो एल्गोरिदम प्रस्तुत करता है, जो TN विधियों की सीमाओं से परे जाकर उच्च-आयामी और अत्यधिक एंटैंगल्ड सिस्टम्स में मैजिक विश्लेषण का विस्तार करता है।
NQS एक्सप्रेसिविटी का लक्षण वर्णन: लेखक प्रदर्शित करते हैं कि NQS पैरामीट्रिज़ेशन एक साथ व्यापक एंटैंगलमेंट और परिमित (finite) नॉन-स्टेबिलाइज़रनेस को कैप्चर कर सकता है, जो एक ऐसी क्षमता है जो मानक TNs (जो कम एंटैंगलमेंट कैप्चर करते हैं) या स्टेबलाइज़र अवस्थाओं (जिनमें शून्य मैजिक होता है) के पास नहीं है।
$J_1-J_2$ हाइजेनबर्ग मॉडल का फेज डायग्राम: इस फ्रेमवर्क को 1D और 2D में पैराडिग्मैटिक फ्रस्ट्रेटेड $J_1-J_2$ हाइजेनबर्ग मॉडल पर लागू किया गया है, जो एक ऐसा सिस्टम है जहाँ मानक मैजिक कंप्यूटेशन विधियाँ अव्यवहार्य (intractable) हैं।

परिणाम

रैंडम NQS एन्सेमबल: वॉल्यूम-लॉ एंटैंगलमेंट वाले रैंडम RBMs के एक एन्सेमबल के विश्लेषण से पता चलता है कि औसत SRE डेंसिटी ( $m_2 = M_2/N$ ), थर्मोडायनामिक लिमिट में एक परिमित, गैर-शून्य मान ( $m_2^* \approx 0.241$ ) की ओर अभिसरित (converge) होती है। यह पुष्टि करता है कि न्यूरल नेटवर्क वेव फंक्शन्स एंटैंगलमेंट के साथ स्वाभाविक रूप से नॉन-स्टेबिलाइज़रनेस को एनकोड करते हैं।
1D $J_1-J_2$ मॉडल: 1D स्पिन चेन में, SRE डेंसिटी मजुमदार-घोष पॉइंट ( $J_2 = J_1/2$ ) पर एक न्यूनतम (minimum) प्रदर्शित करती है। जैसे-जैसे सिस्टम का आकार बढ़ता है, SRE डेंसिटी इस बिंदु पर शून्य की ओर बढ़ती है, जो मजुमदार-घोष ग्राउंड स्टेट (जो डाइमरकृत सिंगलेट्स का सुपरपोजिशन है) की ज्ञात स्टेबलाइज़र प्रकृति के अनुरूप है।
2D $J_1-J_2$ मॉडल: 2D स्क्वायर लैटिस में, SRE डेंसिटी अधिकतम फ्रस्ट्रेशन व्यवस्था ( $J_2/J_1 \approx 0.6$ ) के पास एक स्पष्ट डिप (dip) दिखाती है। 1D मामले के विपरीत, न्यूनतम मान सिस्टम के आकार बढ़ने पर भी गैर-शून्य बना रहता है। इस व्यवहार को नेल (Néel) और स्ट्राइप एंटीफेरोमैग्नेटिक ऑर्डर्स के बीच मौजूद वैलेंस बॉन्ड सॉलिड (VBS) चरण के प्रमाण के रूप में व्याख्यायित किया गया है, जो कम लेकिन गैर-शून्य नॉन-स्टेबिलाइज़रनेस द्वारा लक्षित है।

महत्व और दावे
यह पेपर दावा करता है कि NQS को SREs के मोंटे कार्लो एस्टीमेशन के साथ जोड़कर, मैजिक कंप्यूटेशन की अत्याधुनिक दृष्टिकोणों की सीमाओं को पार करना संभव है। यह कार्य पद्धति अत्यधिक एंटैंगल्ड मेनी-बॉडी स्टेट्स में, किसी भी स्थानिक आयाम में, नॉन-स्टेबिलाइज़रनेस के अन्वेषण की अनुमति देती है, जो पहले अप्राप्य था। परिणाम मैजिक और भौतिक घटनाओं, जैसे फेज ट्रांजिशन और फ्रस्ट्रेशन के बीच संबंध के बारे में नई अंतर्दृष्टि प्रदान करते हैं, जो यह सुझाव देते हैं कि मैजिक एक विशिष्ट संसाधन है जिसे विशिष्ट ऑर्डर वाले चरणों जैसे VBS में कम (लेकिन आवश्यक रूप से समाप्त नहीं) किया जा सकता है। लेखक इस कार्य को जटिल भौतिक परिदृश्यों में क्वांटम संसाधनों की भूमिका को समझने की दिशा में एक कदम के रूप में देखते हैं, यह नोट करते हुए कि NQS की एक्सप्रेसिविटी उन्हें उन अवस्थाओं के करीब प्रतिनिधित्व करने की अनुमति देती है जो मैक्सिमल एंटैंगलमेंट और नॉन-स्टेबिलाइज़रनेस रखने वाले रैंडम हेयर (Haar) स्टेट्स के समान हैं।