⚛️ quantum physics

More entropy from shorter experiments using polytope approximations to the quantum set

यह शोध पत्र प्रायिकता अनुमान ढांचे के भीतर पुनरावृत्ति पॉलीटोप सन्निकटन (iterative polytope approximations) का उपयोग करने वाली एक व्यवस्थित विधि प्रस्तुत करता है, जो परिमित-आकार के डिवाइस-स्वतंत्र क्वांटम रैंडम नंबर जनरेशन और रैंडमनेस एम्प्लीफिकेशन प्रोटोकॉल के लिए प्रमाणित एंट्रॉपी दरों में उल्लेखनीय सुधार करती है और डिवाइस की आवश्यकताओं को कम करती है।

मूल लेखक: Hyejung H. Jee, Florian J. Curchod, Mafalda L. Almeida

प्रकाशित 2026-03-05

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Hyejung H. Jee, Florian J. Curchod, Mafalda L. Almeida

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 यह सिद्ध करने की कोशिश कर रहे हैं कि एक मशीन वास्तव में रैंडम (यादृच्छिक) है। क्वांटम भौतिकी की दुनिया में, यह एक बहुत बड़ी बात है क्योंकि यदि कोई मशीन वास्तव में रैंडम है, तो वह इंटरनेट के लिए अटूट एन्क्रिप्शन कुंजियाँ (encryption keys) बना सकती है।

हालाँकि, इसमें एक पेंच है: आपको कैसे पता चलेगा कि मशीन किसी छिपे हुए स्क्रिप्ट का पालन तो नहीं कर रही है?

यह शोध पत्र एक नया और चतुर तरीका पेश करता है जिससे यह सिद्ध किया जा सके कि एक क्वांटम उपकरण वास्तविक रैंडमनेस उत्पन्न कर रहा है, भले ही आप मशीन के आंतरिक कामकाज पर भरोसा न करते हों। यहाँ सरल उपमाओं (analogies) का उपयोग करके इसका विवरण दिया गया है।

1. समस्या: "ब्लैक बॉक्स" और "धोखेबाज"

कल्पना कीजिए कि आपके पास एक ब्लैक बॉक्स (क्वांटम डिवाइस) है। आप बटन दबाते हैं (इनपुट), और वह आपको लाइट दिखाता है (आउटपुट)। आप सुनिश्चित होना चाहते हैं कि लाइटें रैंडम हैं।

लेकिन, यहाँ एक "धोखेबाज" (एक विरोधी, या "ईव") है जो शायद लाइटों की भविष्यवाणी करने की कोशिश कर रहा है।

पुराना तरीका: लाइटें रैंडम हैं, यह सिद्ध करने के लिए वैज्ञानिक पहले उन सभी चीजों के चारों ओर एक विशाल, धुंधला सुरक्षा जाल (safety net) बनाते थे जो मशीन कर सकती थी। वह जाल इतना बड़ा और ढीला था कि उसमें कई ऐसी "नकली" स्थितियाँ भी शामिल थीं जहाँ धोखेबाज आसानी से परिणाम की भविष्यवाणी कर सकता था। क्योंकि जाल बहुत ढीला था, रैंडमनेस का प्रमाण कमजोर था, और आपको प्रमाणित रैंडमनेस की थोड़ी सी मात्रा प्राप्त करने के लिए मशीन को लाखों बार चलाना पड़ता था।
लक्ष्य: हमें एक तंग (tighter) जाल चाहिए। हमें उन "नकली" परिदृश्यों को हटाना होगा जहाँ धोखेबाज जीत जाता है, ताकि केवल "वास्तविक" क्वांटम परिदृश्य ही बचें।

2. समाधान: "पॉलीटोप" (एक आकार बदलने वाला जाल)

गणित में, एक "पॉलीटोप" (polytope) बस एक फैंसी आकार है जिसके कई सपाट किनारे होते हैं (जैसे हीरा या सॉकर बॉल)। सभी संभावित "वास्तविक" क्वांटम व्यवहारों का सेट एक अजीब, घुमावदार आकार है जिसे कैलकुलेट करना कठिन है।

लेखकों का नया तरीका एक स्मार्ट मूर्तिकार की तरह है।

चरण 1: वे पत्थर के एक बड़े, खुरदरे ब्लॉक (ढीला सुरक्षा जाल) से शुरुआत करते हैं।
चरण 2: वे दो विशेष छेनी (एल्गोरिदम) का उपयोग करके पत्थर के उन हिस्सों को छील देते हैं जो वास्तविक क्वांटम व्यवहार नहीं हो सकते।
- छेनी 1 (NearV): यह पत्थर के उन "अजीब" कोनों को देखती है जो मशीन के वास्तविक व्यवहार के सबसे करीब हैं और उन्हें छीलकर अलग कर देती है।
- छेनी 2 (MaxGP): यह पूछती है, "यदि मैं धोखेबाज होता, तो मैं परिणाम का अनुमान लगाने के लिए कैसे कोशिश करता?" यह धोखेबाज के सर्वोत्तम संभावित तरीकों को ढूंढती है और पत्थर के उन हिस्सों को छील देती है जो उन ट्रिक्स की अनुमति देते हैं।

इन "असंभव" या "धोखा देने वाले" कोनों को हटाकर, वे एक बहुत अधिक सटीक और तंग आकार बनाते हैं जो वास्तविक क्वांटम व्यवहार के बहुत करीब रहता है।

3. परिणाम: अधिक रैंडमनेस, कम समय

चूंकि यह नया आकार पुराने धुंधले जाल की तुलना में बहुत अधिक तंग है:

"पेनल्टी" (जुर्माना) कम है: अतीत में, आपको पुराने जाल के "धुंधलेपन" को दूर करने के लिए लंबे समय तक मशीन चलाना पड़ता था। अब, क्योंकि जाल तंग है, आप बहुत तेज़ी से रैंडमनेस का एक मजबूत प्रमाण प्राप्त कर सकते हैं।
उपमा: कल्पना कीजिए कि आप मछली पकड़ने की कोशिश कर रहे हैं।
- पुराना तरीका: आप एक विशाल, ढीला जाल इस्तेमाल करते हैं। एक मछली पकड़ने के लिए आपको घंटों तक समुद्र में जाल खींचना पड़ता है, और आप यह भी सुनिश्चित नहीं हो पाते कि वह सही तरह की मछली है।
- नया तरीका: आप एक लेजर-गाइडेड जाल का उपयोग करते हैं जो मछली के आकार में बिल्कुल फिट बैठता है। आप सेकंडों में मछली पकड़ लेते हैं, और आप निश्चित रूप से जानते हैं कि वह सही मछली है।

4. यह क्यों महत्वपूर्ण है

गति: आपको प्रमाणित रैंडमनेस की समान मात्रा प्राप्त करने के लिए कम "डिवाइस उपयोग" (कम बटन दबाने) की आवश्यकता होती है। इससे समय और कंप्यूटिंग शक्ति की बचत होती है।
सुरक्षा: यह सिद्ध करता है कि रैंडमनेस सुरक्षित है, भले ही एक अत्यंत बुद्धिमान धोखेबाज के पास कुछ आंतरिक जानकारी हो।
वास्तविक दुनिया: लेखकों ने वास्तविक क्वांटम कंप्यूटरों से प्राप्त डेटा पर इसका परीक्षण किया और पाया कि वे पिछले तरीकों की तुलना में समान डेटा से दोगुनी रैंडमनेस निकाल सकते हैं।

सारांश

लेखकों ने एक स्मार्ट, अनुकूलित फिल्टर (adaptive filter) बनाया है जो उन सभी "नकली" तरीकों को हटा देता है जिनसे एक क्वांटम मशीन व्यवहार कर सकती है। ऐसा करके, वे एक क्वांटम मशीन वास्तव में रैंडम है, यह बहुत तेज़ी से और कम संसाधनों के साथ सिद्ध कर सकते हैं। यह एक चौड़े जाल वाले मछली पकड़ने के जाल से एक सटीक लेजर ट्रैप में अपग्रेड करने जैसा है, जो यह सुनिश्चित करता है कि आपको मिलने वाली रैंडमनेस वास्तविक और सुरक्षित है।

यहाँ शोध पत्र "More entropy from shorter experiments using polytope approximations to the quantum set" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

डिवाइस-इंडिपेंडेंट क्वांटम रैंडम नंबर जनरेशन (DI-QRNG) का लक्ष्य केवल इनपुट-आउटपुट सांख्यिकी (statistics) के आधार पर प्रमाणित रैंडमनेस उत्पन्न करना है, बिना हार्डवेयर की आंतरिक कार्यप्रणाली पर भरोसा किए। हालांकि यह कंप्यूटेशनल रूप से असीमित विरोधियों (adversaries) के विरुद्ध सुरक्षा प्रदान करता है, लेकिन यह व्यावहारिक, परिमित-आकार (finite-size) शासन में दो मुख्य चुनौतियों का सामना करता है:

कम एंट्रॉपी दरें (Low Entropy Rates): मानक सुरक्षा प्रमाण (जैसे कि Entropy Accumulation Theorem या Azuma-Hoefding inequalities) अक्सर कम प्रमाणित एंट्रॉपी दरें देते हैं, जिसके लिए रैंडमनेस की एक सकारात्मक मात्रा उत्पन्न करने हेतु डिवाइस के बहुत अधिक उपयोग ( $n$ ) की आवश्यकता होती है।
कंप्यूटेशनल बाधाएं (Computational Bottlenecks): प्रोबेबिलिटी एस्टीमेशन (PE) फ्रेमवर्क, जो परिमित-आकार विश्लेषण के लिए अत्यधिक प्रभावी है, उसे क्वांटम व्यवहारों के अनुमत सेट पर अनुकूलन (optimization) करने की आवश्यकता होती है। हालाँकि, क्वांटम सहसंबंधों (correlations) का सेट एक पॉलीटोप (polytope) नहीं है (यह गैर-रेखीय बाधाओं द्वारा परिभाषित है), जिससे सीधा अनुकूलन कठिन हो जाता है।
- मौजूदा समाधान मोटे बाहरी-पॉलीटोप अनुमानों (जैसे कि नॉन-सिग्नलिंग सेट या सरल Tsirelson बाउंड्स) का उपयोग करते हैं। ये अनुमान बहुत ढीले हैं, जिससे काल्पनिक "सुप्रा-क्वांटम" रणनीतियाँ संभव हो जाती हैं जिनका उपयोग एक विरोधी कर सकता है, जिससे प्रमाणित एंट्रॉपी बाउंड कृत्रिम रूप से कम हो जाती है।
- इसके विपरीत, सूक्ष्म-स्तरीय (fine-grained) अनुमान उच्च-आयामी स्थानों में कंप्यूटेशनल रूप से अव्यवहार्य हैं।

मूल समस्या: क्वांटम सेट के लिए सटीक, कंप्यूटेशनल रूप से सुलभ पॉलीटोप अनुमानों का निर्माण कैसे किया जाए जो विशिष्ट प्रायोगिक डेटा के लिए प्रासंगिक गैर-क्वांटम रणनीतियों को बाहर कर सकें, जिससे परिमित $n$ के लिए प्रमाणित एंट्रॉपी दरों को अधिकतम किया जा सके।

2. कार्यप्रणाली (Methodology)

लेखक एक विशिष्ट डिवाइस के विशिष्ट व्यवहार के अनुरूप कस्टम पॉलीटोप अनुमान उत्पन्न करने के लिए एक व्यवस्थित विधि प्रस्तावित करते हैं। उनका दृष्टिकोण इन अनुमानों को PE फ्रेमवर्क में एकीकृत करता है।

A. PE फ्रेमवर्क का संदर्भ

PE फ्रेमवर्क एक प्रोबेबिलिटी एस्टीमेशन फैक्टर (PEF), $F(C, Z)$ का निर्माण करके एंट्रॉपी को प्रमाणित करता है, जो इस प्रकार संतुष्ट होता है:
$\mathbb{E}[F(C, Z) \mu(D|Z)^\beta] \leq 1$
सभी अनुमत व्यवहारों $\mu$ के लिए। प्रमाणित एंट्रॉपी को अधिकतम करने के लिए, हमें अनुमत व्यवहारों के सेट पर इष्टतम $F$ खोजना होगा। यह अनुकूलन तभी हल किया जा सकता है जब $S$ एक उत्तल पॉलीटोप (convex polytope) हो।

B. प्रस्तावित एल्गोरिदम

लेखक एक प्रारंभिक बाहरी-पॉलीटोप अनुमान ( $P_{in}$ , जैसे कि नॉन-सिग्नलिंग सेट) को एक टाइट पॉलीटोप ( $P_Q$ ) में परिष्कृत करने के लिए दो पुनरावृत्ति (iterative) एल्गोरिदम पेश करते हैं, जो क्वांटम सेट $Q$ का बेहतर अनुमान लगाता है। दोनों एल्गोरिदम क्वांटम बाउंड निर्धारित करने और गैर-क्वांटम वर्टिसेस (vertices) की पहचान करने के लिए NPA पदानुक्रम (NPA hierarchy) पर निर्भर करते हैं।

Algorithm 1: NearV (Nearest Non-Quantum Vertices)
- अंतर्ज्ञान (Intuition): एक विरोधी डिवाइस के देखे गए व्यवहार को पॉलीटोप के वर्टिसेस के उत्तल संयोजन (convex combination) के रूप में विघटित कर सकता है। यदि इस विघटन में गैर-क्वांटम वर्टिसेस शामिल हैं, तो एंट्रॉपी बाउंड कमजोर हो जाता है।
- प्रक्रिया:
  1. वर्तमान पॉलीटोप के उन $m$ वर्टिसेस की पहचान करें जो देखे गए विशिष्ट व्यवहार $\vec{p}$ के सबसे करीब हैं।
  2. इन "निकट" गैर-क्वांटम वर्टिसेस में से एक ( $\vec{v}_{near}$ ) को यादृच्छिक रूप से चुनें।
  3. इस वर्टेक्स के सबसे निकटतम क्वांटम बिंदु ( $\vec{q} \in Q$ ) को खोजें।
  4. एक क्वांटम बेल इनइक्वेलिटी (एक हाफ-स्पेस) का निर्माण करें जो गैर-क्वांटम वर्टेक्स को क्वांटम सेट से अलग करती है, जिसे वेक्टर $\vec{b} = \vec{v}_{near} - \vec{q}$ द्वारा परिभाषित किया गया है।
  5. गैर-क्वांटम क्षेत्र को हटाने के लिए वर्तमान पॉलीटोप को इस नए इनइक्वेलिटी के साथ इंटरसेक्ट (intersect) करें।
- लक्ष्य: देखे गए डेटा के पास पॉलीटोप को पुनरावृत्ति से छाँटना (prune)।
Algorithm 2: MaxGP (Maximum Guessing Probability)
- अंतर्ज्ञान (Intuition): आउटपुट का अनुमान लगाने की संभावना को अधिकतम करने (मिन-एंट्रॉपी को कम करने) वाली विशिष्ट विरोधी रणनीतियों पर ध्यान केंद्रित करना।
- प्रक्रिया:
  1. दिए गए इनपुट सेटिंग के लिए, देखे गए वितरण के लिए विरोधी की अनुमान लगाने की संभावना को अधिकतम करने वाले व्यवहारों का सेट $\{\vec{\mu}_\lambda\}$ खोजने के लिए एक अनुकूलन समस्या को हल करें।
  2. यदि इनमें से कोई भी इष्टतम रणनीतियाँ गैर-क्वांटम हैं, तो उन्हें Algorithm 1 की तरह ही मानें: निकटतम क्वांटम बिंदु खोजें और एक अलग करने वाली बेल इनइक्वेलिटी बनाएँ।
  3. इन नई इनइक्वेलिटीज़ के साथ पॉलीटोप को रिफाइन (intersect) करें।
- लक्ष्य: सीधे उन रणनीतियों को लक्षित करना जो एंट्रॉपी सर्टिफिकेशन के लिए सबसे बड़ा खतरा पैदा करती हैं।

C. रैंडमनेस एम्प्लीफिकेशन के साथ एकीकरण

इस पद्धति को रैंडमनेस एम्प्लीफिकेशन प्रोटोकॉल तक विस्तारित किया गया है, जहाँ इनपुट स्रोत कमजोर रूप से रैंडम होता है और संभावित रूप से डिवाइस के साथ सह-संबंधित (correlated) होता है (जिसे Santha-Vazirani स्रोतों द्वारा मॉडल किया जाता है)। लेखक इनपुट और आउटपुट के लिए एक संयुक्त पॉलीटोप का निर्माण करते हैं, जिससे PE फ्रेमवर्क स्वतंत्रता (independence) का अनुमान लगाए बिना सह-संबंधित इनपुट को संभालने में सक्षम होता है।

3. मुख्य योगदान (Key Contributions)

व्यवस्थित पॉलीटोप निर्माण: क्वांटम सेट के टाइट बाहरी-पॉलीटोप अनुमान उत्पन्न करने के लिए एक नया, सामान्य-उद्देश्य वाला ढांचा, जो स्थिर, मोटे अनुमानों से आगे बढ़ता है।
दो कुशल एल्गोरिदम: NearV और MaxGP का विकास, जो कम्प्यूटेशनल लागत और अनुमान की गुणवत्ता के बीच संतुलन बनाते हैं, क्योंकि वे केवल उन गैर-क्वांटम क्षेत्रों को हटाते हैं जो विशिष्ट प्रायोगिक डेटा के लिए सबसे अधिक प्रासंगिक हैं।
सॉफ्टवेयर कार्यान्वयन: PE_polytope_approximation के रूप में सार्वजनिक पायथन कोड का रिलीज, जो इन एल्गोरिदम को PE फ्रेमवर्क के साथ एकीकृत करता है, जिससे यह विधि व्यावहारिक DI-QRNG कार्यान्वयन के लिए सुलभ हो जाती है।
सह-संबंधित इनपुट के लिए विस्तार: रैंडमनेस एम्प्लीफिकेशन परिदृश्यों में सफलतापूर्वक अनुप्रयोग, जो कि DI-QRNG में एक कठिन समस्या है।

4. परिणाम (Results)

लेखकों ने सिम्युलेटेड नॉइजी डेटा और वास्तविक प्रायोगिक डेटा दोनों का उपयोग करके विभिन्न परिदृश्यों पर अपने तरीके का परीक्षण किया।

Bipartite CHSH परिदृश्य:
- इसे विभिन्न शोर स्तरों के साथ मानक और एसिमेट्रिक CHSH इनइक्वेलिटी पर लागू किया गया।
- परिणाम: नए पॉलीटोप अनुमानों ने पिछले तरीकों (नॉन-सिग्नलिंग सेट्स या Tsirelson बाउंड्स का उपयोग करने वाले) की तुलना में काफी उच्च प्रमाणित एंट्रॉपी दरें प्रदान कीं।
- परिमित-आकार लाभ: इस पद्धति ने EAT या Azuma-Hoeffding-आधारित विधियों की तुलना में कम डिवाइस उपयोगों के साथ सकारात्मक एंट्रॉपी दर प्राप्त की (कुछ मामलों में कई गुना कम)।
प्रायोगिक डेटा (Loophole-Free CHSH):
- वास्तविक दुनिया के लूपहोल-फ्री बेल टेस्ट (जैसे Rosenfeld et al., Zhang et al.) के डेटा पर परीक्षण किया गया।
- परिणाम: [24] के डेटासेट के लिए, इस पद्धति ने पिछले विश्लेषणों की तुलना में निकाली जा सकने वाली एंट्रॉपी दर को लगभग दोगुना कर दिया, जबकि रिफाइंड पॉलीटोप्स के साथ पिछले प्रयासों ने केवल मामूली लाभ दिखाया था।
Tripartite Mermin परिदृश्य:
- एक Quantinuum H1 आयन-ट्रैप क्वांटम कंप्यूटर द्वारा Mermin-Bell टेस्ट करने वाले डेटा पर परीक्षण किया गया।
- परिणाम: इस पद्धति ने बेहतर एंट्रॉपी बाउंड प्रदान किए, जो ट्रिपार्टाइट सिस्टम तक इसकी स्केलेबिलिटी को प्रदर्शित करते हैं।
रैंडमनेस एम्प्लीफिकेशन:
- Hardy विरोधाभासों (Hardy paradoxes) और Santha-Vazirani स्रोतों का उपयोग करने वाले एक बाइपार्टाइट प्रोटोकॉल पर लागू किया गया।
- परिणाम: मौजूदा तकनीकों की तुलना में एंट्रॉपी दरों में कई गुना सुधार प्राप्त किया, जिसमें सुरक्षा विश्लेषण में कोई अतिरिक्त जटिलता नहीं जोड़ी गई।

5. महत्व और निष्कर्ष (Significance and Conclusion)

व्यावहारिक प्रभाव: यह कार्य सैद्धांतिक सुरक्षा प्रमाणों और व्यावहारिक कार्यान्वयन के बीच के अंतर को पाटता है। कम डिवाइस उपयोग के साथ उच्च एंट्रॉनी दरें सक्षम करके, यह DI-QRNG को वास्तविक दुनिया के अनुप्रयोगों के लिए अधिक व्यवहार्य बनाता है जहाँ बड़ी मात्रा में डेटा उत्पन्न करना महंगा या धीमा हो सकता है।
पोस्ट-प्रोसेसिंग बाधा को दूर करना: रैंडमनेस एक्सट्रैक्शन एल्गोरिदम कंप्यूटेशनल रूप से महंगे होते हैं और इनपुट आकार के साथ स्केल करते हैं। लक्षित एंट्रॉपी प्राप्त करने के लिए आवश्यक डिवाइस राउंड ( $n$ ) की संख्या को कम करके, यह विधि पोस्ट-प्रोसेसिंग के कंप्यूटेशनल बॉटलनैक को कम करती है।
सुरक्षा: यह विधि कंप्यूटेशनल रूप से असीमित विरोधियों (क्लासिकल साइड इंफॉर्मेशन) के विरुद्ध कठोर सुरक्षा प्रमाण प्रदान करती है और इसके विस्तार से, इसे क्वांटम साइड इंफॉर्मेशन के लिए भी अनुकूलित किया जा सकता है।
स्केलेबिलिटी: हालांकि वर्टेक्स एन्यूमरेशन (एल्गोरिदम का एक चरण) बहुत उच्च-पार्टी परिदृश्यों के लिए कंप्यूटेशनल रूप से गहन है, लेखक यह प्रदर्शित करते हैं कि सामान्य बाइपर्टाइट और ट्रिपार्टाइट सेटअप के लिए यह विधि अत्यधिक प्रभावी और तैनाती के लिए तैयार है।

संक्षेप में, यह शोध पत्र सबसे सामान्य व्यावहारिक DI-QRNG प्रोटोकॉल में परिमित-आकार शासन में बेहतर प्रमाणित एंट्रॉपी दर के साथ सुरक्षा सिद्ध करने के लिए एक तैयार-उपयोग (ready-to-use), प्रभावी उपकरण प्रदान करता है, जो मौजूदा अत्याधुनिक तकनीकों से काफी बेहतर प्रदर्शन करता है।