Compact representation and long-time extrapolation of real-time data for quantum systems using the ESPRIT algorithm

यहाँ शोध पत्र "ESPRIT एल्गोरिदम का उपयोग करके क्वांटम प्रणालियों के वास्तविक-समय डेटा का संक्षिप्त प्रतिनिधित्व और दीर्घकालिक बाह्यत्रोपण (extrapolation)" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

कंडेंस्ड मैटर, उच्च-ऊर्जा भौतिकी और क्वांटम कंप्यूटिंग में क्वांटम प्रणालियों को समझने के लिए वास्तविक-समय की गतिशीलता (real-time dynamics) केंद्रीय है। हालाँकि, संख्यात्मक सिमुलेशन (जहाँ लागत समय के साथ तेजी से बढ़ती है) में दीर्घकालिक गतिक डेटा प्राप्त करना कम्प्यूटेशनल रूप से महंगा है और शोर (noise) तथा सीमित मापन खिड़कियों के कारण प्रयोगात्मक रूप से चुनौतीपूर्ण है।

• चुनौती: अल्प-समय डेटा को दीर्घकाल तक बाह्यत्रोपण (extrapolate) करने वाली मौजूदा विधियाँ अक्सर अस्थिरता, शोर के प्रति संवेदनशीलता, या विशिष्ट भौतिक एंसेज़ (physical ansatzes - मॉडल धारणाओं) पर निर्भरता से ग्रस्त होती हैं।
• लक्ष्य: वास्तविक-समय क्वांटम डेटा को जटिल घातांकों (complex exponentials) के एक संक्षिप्त योग के रूप में प्रदर्शित करने के लिए एक मजबूत, डेटा-संचालित विधि विकसित करना। यह प्रतिनिधित्व, अंतर्निहित भौतिक समीकरणों के पूर्व ज्ञान के बिना, शोर को कम करने (denoising), कुशल संपीड़न (compression), और अनंत-समय सीमाओं तक विश्वसनीय बाह्यत्रोपण को सक्षम करना चाहिए।

2. कार्यप्रणाली: ESPRIT एल्गोरिदम (Methodology: The ESPRIT Algorithm)

लेखक ESPRIT (Estimation of Signal Parameters via Rotational Invariance Techniques) एल्गोरिदम का उपयोग करने का प्रस्ताव करते हैं, जो कि एक सबस्पेस-आधारित सिग्नल प्रोसेसिंग तकनीक है, जिसे क्वांटम मल्टी-बॉडी सिस्टम के लिए अनुकूलित किया गया है।

A. मूल अवधारणा (Core Concept)

यह विधि मानती है कि एक गतिक अवलोकन $f(t)$ को $M$ जटिल घातांकों के योग द्वारा अनुमानित किया जा सकता है:
$$f(t) = \sum_{p=1}^{M} C_p e^{\xi_p t}$$
जहाँ:

• $\xi_p$ जटिल घातांक (complex exponents) हैं जो विशिष्ट आवृत्तियों (काल्पनिक भाग) और क्षय दरों/सुसंगतता समय (वास्तविक भाग) को कूटबद्ध करते हैं।
• $C_p$ जटिल प्रीफैक्टर्स (prefactors) हैं जो आयामों (amplitudes) का प्रतिनिधित्व करते हैं।
• यह रूप क्वांटम गतिकी के लिए स्वाभाविक रूप से उपयुक्त है, जिसमें अक्सर दोलनकारी (oscillatory) और क्षयकारी व्यवहार दिखाई देता है।

B. एल्गोरिदम के चरण (Algorithmic Steps)

1. हेंकेल मैट्रिक्स निर्माण (Hankel Matrix Construction): समय-श्रृंखला डेटा को एक हेंकेल मैट्रिक्स $H$ में पुनर्व्यवस्थित किया जाता है, जहाँ प्रत्येक एंटी-डायगोनल में स्थिर समय-शिफ्टेड डेटा बिंदु होते हैं।
2. सिंगुलर वैल्यू डिकंपोजिशन (SVD): मैट्रिक्स का अपघटन ($H = U\Sigma V^\dagger$) किया जाता है। शोर-निर्भर थ्रेशोल्ड लागू करके, महत्वपूर्ण घातांकों ($M$) की संख्या निर्धारित करने के लिए सिंगुलर मानों का विश्लेषण किया जाता है, जो प्रभावी रूप से शोर को फ़िल्टर करता है।
3. रोटेशनल इनवेरिएंस (Rotational Invariance): एल्गोरिदम इस तथ्य का लाभ उठाता है कि सिग्नल सबस्पेस समय परिवर्तन (time shifts) के तहत अपरिवर्तित रहता है। बाएं सिंगुलर वेक्टर्स से दो उप-मैट्रिक्स ($U_0$ और $U_1$) बनाकर, एक रोटेशन मैट्रिक्स $\Phi$ की गणना की जाती है ताकि $U_0 \Phi = U_1$ हो सके।
4. घातांक निष्कर्षण (Exponent Extraction): $\Phi$ के आइजन मान (eigenvalues) जटिल घातांक $\xi_p$ प्रदान करते हैं।
5. प्रीफैक्टर गणना (Prefactor Calculation): गुणांक $C_p$ को वंडरमंड सिस्टम (Vandermonde system) को हल करके निर्धारित किया जाता है।

C. पोस्ट-प्रोसेसिंग रणनीतियाँ (Post-Processing Strategies)

भौतिक विश्वसनीयता बढ़ाने के लिए, लेखक विशिष्ट पोस्ट-प्रोसेसिंग चरण पेश करते हैं:

• अभौतिक मोड को फ़िल्टर करना (Filtering Unphysical Modes): उन घातांकों को हटा दिया जाता है जिनका वास्तविक भाग धनात्मक है (घातांकीय रूप से बढ़ने वाले मोड), ताकि दीर्घकालिक बाह्यत्रोपण में अप्राकृतिक विचलन को रोका जा सके।
• अनंत-समय सीमा अनुमान (Infinite-Time Limit Estimation): स्थिर अवस्था मानों ($t \to \infty$) की सटीक भविष्यवाणी करने के लिए, लेखक दो रणनीतियाँ प्रस्तावित करते हैं:
  1. फिट में शून्य घातांक को स्पष्ट रूप से जोड़ना।
  2. सबसे छोटे पूर्ण मान वाले घातांक को शून्य पर सेट करना।
     चयन शोर के स्तर और डेटा की उपलब्धता पर निर्भर करता है।

D. तुलनात्मक बेंचमार्क (Comparative Benchmarks)

ESPRIT विधि का बेंचमार्किंग निम्नलिखित के विरुद्ध किया गया है:

• लीनियर प्रेडिक्शन (Linear Prediction): शोर के साथ अस्थिरता और विचलन के प्रति संवेदनशील।
• डायनेमिक मोड डिकंपोजिशन (DMD): विशेष रूप से हाई-ऑर्डर DMD (HO-DMD) और हेंकेल-DMD। यद्यपि ये संबंधित हैं, DMD को शोर के प्रति अधिक संवेदनशील दिखाया गया है और समान सटीकता के लिए अधिक डेटा/घातांकों की आवश्यकता होती है।
• रिकरेंट न्यूरल नेटवर्क (RNNs): गतिकी सीखने में प्रभावी हैं लेकिन शोर को बढ़ा सकते हैं और व्यापक प्रशिक्षण के बिना सही स्पर्शोन्मुख (asymptotic) मानों तक पहुँचने में संघर्ष कर सकते हैं।

3. प्रमुख योगदान (Key Contributions)

1. डेटा-संचालित बाह्यत्रोपण (Data-Driven Extrapolation): यह प्रदर्शित करता है कि ESPRIT बिना किसी अंतर्निहित हैमिल्टनियन या गति के समीकरणों के ज्ञान के, अल्प-समय डेटा से क्वांटम गतिकी का विश्वसनीय बाह्यत्रोपण कर सकता है।
2. शोर के प्रति मजबूती (Robustness to Noise): दिखाता है कि ESPRIT एक प्रभावी डिनोइज़िंग फ़िल्टर के रूप में कार्य करता है, जो शोर वाले परिदृश्यों में लीनियर प्रेडिक्शन और मानक DMD से बेहतर प्रदर्शन करता है।
3. स्थिरता मानदंड (Stability Criterion):ism: संख्यात्मक प्रसार योजनाओं के लिए एक व्यावहारिक मानदंड पेश करता है: निकाले गए घातांकों के समय के साथ अभिसरण (convergence/plateauing) की निगरानी करके, एक यह निर्धारित कर सकता है कि अल्प-समय डेटा में बाह्यत्रोपण शुरू करने के लिए पर्याप्त जानकारी है या नहीं।
4. अनंत-समय भविष्यवाणी (Infinite-Time Prediction): क्वांटम चरणों (जैसे स्थानीयकरण बनाम विस्थानीकरण) को सटीक रूप से वर्गीकृत करने के लिए एक शुद्ध डेटा-संचालित दृष्टिकोण प्रदान करता है।

4. परिणाम (Results)

लेखक ने तीन अलग-अलग परीक्षण मामलों का उपयोग करके विधि को मान्य किया है:

A. विश्लेतिक परीक्षण फलन (Analytic Test Functions)

• प्रदर्शन: ESPRIT ने विभिन्न सैंपलिंग समय ($t_{samp}$) में सही गतिकी और अनंत-समय सीमा ($f_\infty$) को लगातार पुनः प्राप्त किया, जबकि लीनियर प्रेडिक्शन और RNN अक्सर विफल रहे या विचलन प्रदर्शित किया, विशेष रूपकर शोर ($\sigma = 10^{-2}$) के मामले में।
• शोर संवेदनशीलता: सटीक भविष्यवाणी के लिए आवश्यक सैंपलिंग समय शोर की शक्ति के साथ मामूली रूप से बढ़ता है। उच्च शोर के लिए, ESPRIT मुख्य रूप से एक डिनोइज़र के रूप में कार्य करता है, जिसके लिए बाह्यत्रोपण विश्वसनीय होने से पहले सिग्नल का काफी हद तक स्थिर अवस्था तक पहुँचना आवश्यक है।

B. एंडरसन इम्प्योरिटी मॉडल (क्वांटम मोंटे कार्लो डेटा)

• अनुप्रयोग: सहसंबद्ध शासन (correlated regime) में एकल-ऑर्बिटल एंडरसन इम्प्योरिटी मॉडल के प्रतिबंधित प्रोपेगेटर्स पर लागू किया गया।
• दक्षता: ESPRIT ने केवल लघु-समय QMC डेटा (सैंपलिंग समय $0.3/\Gamma$ से $5.0/\Gamma$ तक) का उपयोग करके दीर्घकालिक प्रोपेगेटर्स का सफलतापूर्वक बाह्यत्रोपण किया।
• स्थिरता मानदंड: निकाले गए घातांक तेजी से स्थिर (plateaued) हुए। इसने लेखकों को एक स्टॉपिंग क्राइटेरिया परिभाषित करने की अनुमति दी: एक बार जब घातांक स्थिर हो जाते हैं, तो आगे का समय प्रसार अनावश्यक है, और बाह्यत्रोपण को इसके स्थान पर उपयोग किया जा सकता है, जिससे कम्प्यूटेशनल लागत काफी कम हो जाती है।

C. स्पिन-बोसन मॉडल (स्थानीयकरण अध्ययन)

• अनुप्रयोग: स्थानीयकृत (localized) और विस्थानीकृत (delocalized) चरणों के बीच गतिकी चरण संक्रमण का अध्ययन करने के लिए डीप सब-ओह्मिक शासन में स्पिन-पोलराइजेशन का विश्लेषण किया गया।
• परिणाम: ESPRIT ने अनंत-समय स्पिन पोलराइजेशन की सटीक भविष्यवाणी की, जो शून्य (विस्थानीकृत) और गैर-शून्य (स्थानीयकृत) स्थिर अवस्थाओं के बीच अंतर करता है।
• सत्यापन: परिणाम पिछले अध्ययनों से मेल खाते थे जो विशिष्ट भौतिक एंसेज़ पर निर्भर थे, लेकिन ESPRIT ने यह बिना किसी विशिष्ट कार्यात्मक रूप को माने, एक मॉडल-मुक्त सत्यापन के रूप में हासिल किया।

5. महत्व और भविष्य की दिशा (Significance and Outlook)

• कम्प्यूटेशनल दक्षता: दीर्घकालिक संख्यात्मक प्रसार को संक्षिप्त बाह्यत्रोपण से बदलने की क्षमता, उन दृढ़ रूप से सहसंबद्ध क्वांटम प्रणालियों के अनुकरण का मार्ग प्रशस्त करती है, जो वर्तमान में मेमोरी और समय की बाधाओं के कारण दुर्गम हैं।
• प्रायोगिक प्रासंगिकता: यह विधि भौतिक सेटअप के प्रति तटस्थ (agnostic) है, जिससे यह प्रयोगात्मक डेटा के लिए भी लागू होती है जहाँ शोर अधिक होता है और समय की खिड़कियाँ सीमित होती हैं।
• भविष्य की दिशाएँ: लेखक इस दृष्टिकोण को अन्य संख्यात्मक विधियों (जैसे, TD-DMRG, TD-DFT) तक विस्तारित करने और गैर-संतुलन गणनाओं के लिए डेटा को संकुचित करने हेतु दो-समय वस्तुओं (जैसे ग्रीन फंक्शन) पर लागू करने का सुझाव देते हैं।
• DMD के साथ तुलना: यद्यपि DMD एक शक्तिशाली उपकरण है, पेपर यह रेखांकित करता है कि ESPRIT का हेंकेल मैट्रिक्स में रोटेशनल इनवेरिएंस का विशिष्ट उपयोग, शोर वाले क्वांटम डेटा से न्यूनतम पोल प्रतिनिधित्व निकालने में अधिक मजबूत और कुशल है।

संक्षेप में, यह कार्य ESPRIT को वास्तविक-समय क्वांटम डेटा के संक्षिप्त प्रतिनिधित्व और दीर्घकालिक बाह्यत्रोपण के लिए एक श्रेष्ठ, बहुमुखी उपकरण के रूप में स्थापित करता है, जो अल्प-समय सिमुलेशन/प्रयोगों और दीर्घकालिक भौतिक घटनाओं के बीच के अंतर को पाटता है।