Heisenberg-Limited Quantum Hamiltonian Learning via Randomly Spread Product-States

तकनीकी सारांश: यादृच्छिक रूप से फैले उत्पाद-अवस्थाओं (Randomly Spread Product-States) के माध्यम से हाइजेनबर्ग-सीमित क्वांटम हैमिल्टोनियन लर्निंग

समस्या विवरण
हैमिल्टोनियन लर्निंग (HL) क्वांटम सूचना प्रसंस्करण में एक महत्वपूर्ण उप-प्रक्रिया (subroutine) है, जिसका लक्ष्य अज्ञात सिस्टम डायनेमिक्स को प्रायोगिक डेटा से अनुमान लगाकर हैमिल्टोनियन मापदंडों का लक्षण वर्णन करना है। HL में मुख्य चुनौती न्यूनतम संसाधनों, विशेष रूप से कुल प्रयोगात्मक समय ($T_{tot}$) के साथ उच्च अनुमान दक्षता प्राप्त करना है। जबकि स्टैंडर्ड क्वांटम लिमिट (SQL) $\Delta\theta \propto T_{tot}^{-1/2}$ के रूप में अनुमान त्रुटि स्केलिंग की भविष्यवाणी करती है, हाइजेनबर्ग लिमिट $\Delta\theta \propto T_{tot}^{-1}$ की बेहतर स्केलिंग प्रदान करती है।

हाइजेनबर्ग-सीमित स्केलिंग प्राप्त करने वाले मौजूदा तरीके आमतौर पर निरंतर गतिशील नियंत्रण (continuous dynamical control) या सुसंगत, एंटैंगल्ड मापन (entangled measurements) पर निर्भर करते हैं। हालाँकि, इन दृष्टिकोणों को महत्वपूर्ण व्यावहारिक बाधाओं का सामना करना पड़ता है: निरंतर नियंत्रण के लिए उच्च-निष्ठा वाले क्षेत्रों (high-fidelity fields) की आवश्यकता होती है जो सिस्टम के आकार के साथ खराब रूप से स्केल करते हैं और आंतरिक सुसंगतता समय (coherence times) से तेज़ होने चाहिए, जबकि एंटैंगल्ड मापन नाजुक होते हैं और डिकोहेरेंस (decoherence) के प्रति संवेदनशील होते हैं। इसके अलावा, कई-शरीर (many-body) हैमिल्टोनियन लर्निंग के लिए अक्सर मापदंडों को क्रमवार रूप से अलग करने या संरचनात्मक पूर्वग्रहों (जैसे स्पैरसिटी/sparsity) पर निर्भर रहने की आवश्यकता होती है, जो एक साथ कई मापदंडों के अनुमान की क्षमता को सीमित करता है। यह कार्य एक ऐसे प्रोटोकॉल की आवश्यकता को संबोधित करता है जो केवल स्थानीय ऑपरेशन्स, पृथक उत्पाद अवस्थाओं (separable probe states) और बिना किसी गतिशील नियंत्रण के हाइजेनबर्ग-सीमित स्केलिंग प्राप्त कर सके।

कार्यप्रणाली (Methodology)
लेखक एक लर्निंग प्रोटोकॉल प्रस्तावित करते हैं जो लघु-समय क्वांटम विकास के स्वाभाविक रूप से घटित होने वाले द्विघाती फिशर इंफॉर्मेशन (quadratic Fisher information) शासन का लाभ उठाता है, लेकिन इसकी व्यावहारिक सुलभता का विस्तार करता है। कार्यप्रणाली के मुख्य घटक हैं:

1. फैले हुए अवस्थाएँ (Spread States): निश्चित प्रारंभिक अवस्थाओं के बजाय, प्रोटोकॉल प्रयोगों को स्थानीय रूप से यादृच्छिक उत्पाद अवस्थाओं (locally randomized product states) में प्रारंभ करता है। विशेष रूप से, एक निश्चित आधार अवस्था (basis state) को स्वतंत्र, हार-रैंडम सिंगल-क्विबिट रोटेशन ($U_{spread} = \bigotimes_i R_z(\xi_i)R_y(\chi_i)R_z(\phi_i)$) के अधीन किया जाता है। यह "फैलाव" (spreading) यह सुनिश्चित करता है कि प्रारंभिक अवस्था का हैमिल्टोनियन के सभी आइजनस्टेट्स (eigenstates) के साथ गैर-शून्य ओवरलैप हो, जिससे पूर्ण स्पेक्ट्रल गैप संरचना सक्रिय हो जाती है और अवस्था-प्रेरित स्पेक्ट्रल घटकों के दमन को रोका जा जा सकता है।
2. यादृच्छिक मापन (Randomized Measurements): प्रोटोकॉल एक एन्सेम्बल (ensemble) के यादृच्छिक वन-शॉट पाउली-प्रोडक्ट मापन का उपयोग करता है। यह यादृच्छिकता सुनिश्चित करती है कि एन्सेम्बल के माध्यम से विभिन्न स्पेक्ट्रल आवृत्तियाँ मापन सांख्यिकी में प्रकट हों।
3. एन्सेम्बल औसत (Ensemble Averaging): प्रोटोकॉल कई स्वतंत्र रूप से तैयार किए गए प्रोब कॉन्फ़िगरेशन (फैले हुए अवस्थाओं) और मापन आधारों के क्लासिकल औसतिंग पर निर्भर करता है। यह एन्सेम्बल दृष्टिकोण एक ही प्रयोग के कई शॉट्स लेने की आवश्यकता को समाप्त करता है।
4. गैर-समान समय शेड्यूलिंग (Non-Uniform Time Scheduling): कई टाइम-पॉइंट्स से डेटा एकत्र करने पर सुपर-लीनियर लर्निंग रेट के क्षरण को संबोधित करने के लिए, लेखक एक गैर-समान मापन अनुसूची ($t_k = \Delta t \cdot k^\alpha$) पेश करते हैं। यह शेड्यूलिंग कुल प्रयोगात्मक समय के सापेक्ष फिशर इंफॉर्मेशन के संचय को अनुकूलित करती है।

प्रमुख योगदान और सैद्धांतिक परिणाम

• द्विघाती स्केलिंग का विस्तार: लेखक सिद्ध करते हैं कि जबकि द्विघाती फिशर इंफॉर्मेशन स्केलिंग ($I(t) \propto t^2$) आमतौर पर केवल लघु सीमा ($t \to 0$) में मौजूद होती है, फैले हुए अवस्थाओं का उपयोग इस शासन को एक परिमित, प्रयोगात्मक रूप से सुलभ टेम्पोरल विंडो तक विस्तारित करता है। इस विंडो के भीतर, फिशर इंफॉर्मेशन $I(t) = \Omega(t^2)$ के रूप में बढ़ती है, जो विकास समय के संबंध में हाइजेनबर्ग-सीमित संवेदनशीलता के अनुरूप है।
• फिशर इंफॉर्मेशन का विकर्णीकरण (Diagonalization): एक महत्वपूर्ण सैद्धांतिक योगदान यह प्रदर्शन है कि स्थानीय रूप से यादृच्छिक उत्पाद अवस्थाओं पर एन्सेम्बल औसत करने से फिशर इंफॉर्मेशन मैट्रिक्स आसततिका रूप से विकर्णीय (asymptotically diagonal) हो जाता है। जैसे-जैसे एन्सेम्बल आकार $R \to \infty$ होता है, विभिन्न हैमिल्टोनियन मापदंडों के बीच क्रॉस-कोरिलेशन लुप्त हो जाते हैं। यह एक ही डेटासेट से सभी हैमिल्टोनियन मापदंडों के एकल, निष्पक्ष अनुमान की अनुमति देता है, जिससे मापदंड अलगाव या संरचनात्मक पूर्वग्रहों की आवश्यकता समाप्त हो जाती है।
• कुल समय के साथ स्केलिंग: पेपर मल्टी-टाइमस्टैम्प परिदृश्यों में संचयी फिशर इंफॉर्मेशन का विश्लेषण करता है। यह प्रदर्शित करता है कि हालांकि पावर लॉ का योग स्वाभाविक रूप से एकल-समय स्केलिंग के घातांक (exponent) को संरक्षित नहीं करता है, उपयुक्त गैर-समान शेड्यूलिंग (एक्सपोनेंट $\alpha$ को ट्यून करके) $\alpha \to \infty$ होने पर संचयी फिशर इंफॉर्मेशन को हाइजेनबर्ग-सीमित स्केलिंग ($I_{tot} \propto T_{tot}^2$) को आसततिका रूप से पुनः प्राप्त करने की अनुमति देती है।
• स्केलेबिलिटी (Scalability): सैद्धांतिक तर्क सुझाव देते हैं कि यह तंत्र स्थानीय ऑपरेशन्स और हैमिल्टोनियन पदों की स्थानीयता (locality) पर निर्भर करता है, जिसका अर्थ है कि प्रोटोकॉल की प्रभावशीलता हिल्बर्ट-स्पेस आयाम के बढ़ने के साथ कम नहीं होती है।

संख्यात्मक परिणाम (Numerical Results)
सैद्धांतिक दावों को विभिन्न विस्कर्ड मेनी-बॉडी हैमिल्टोनियंस (निकटतम-पड़ोसी, नेक्स्ट-नियर-नेक्स्ट, और थ्री-बॉडी इंटरैक्शन वाले एनिसोट्रोपिक हाइजेनबर्ग मॉडल और गैपलेस XXZ मॉडल सहित) पर 5-क्विबिट सिस्टम पर संख्यात्मक सिमुलेशन के माध्यम से मान्य किया गया है।

• Beyond-SQL प्रदर्शन: सिमुलेशन दिखाते हैं कि पूर्ण हैमिल्टोनियन मैट्रिक्स के लिए पुनर्निर्माण त्रुटि $\varepsilon \propto T_{tot}^{-\beta}$ के रूप में स्केल करती है जहाँ $\beta \approx 0.66$ से $0.75$ है, जो SQL लिमिट ($\beta = 0.5$) से बेहतर है।
• एन्सेम्बल आकार की भूमिका: फैले हुए अवस्थाओं की संख्या ($R$) बढ़ाने से लर्निंग प्रक्रिया की स्थिरता में सुधार होता है। जैसे-जैसे $R$ बढ़ता है, फिट किया गया स्केलिंग एक्सपोनेंट $\beta$ सैद्धांतिक भविष्यवाणी की ओर अभिसरित (converge) होता है, और फिशर इंफॉर्मेशन मैट्रिक्स के ऑफ-डायगोनल तत्व दब जाते हैं, जो विकर्णीकरण तंत्र की पुष्टि करते हैं।
• सिंगल-स्टेट शासन: फिशर इंफॉर्मेशन डायग्नोस्टिक्स प्रकट करते हैं कि यदि पर्याप्त मापन आधारों का उपयोग किया जाए, तो द्विघात्मक लघु-समय संवेदनशीलता शासन एक एकल स्प्रेड स्टेट ($R=1$) के साथ भी मौजूद रहता है। $R$ बढ़ाने से मुख्य रूप से फिशर मैट्रिक्स का विकर्णीकरण होता है और मल्टी-पैरामीटर एस्टीमेशन समस्या की कंडीशनिंग में सुधार होता है, न कि यह स्वयं द्विघाती शासन बनाता है।
• सिस्टम साइज स्वतंत्रता: 2 से 6 क्विट्स तक के सिस्टम पर किए गए डायग्नोस्टिक्स पुष्टि करते हैं कि द्विघाती स्केलिंग और विकर्णीकरण तंत्र सिस्टम का आकार बढ़ने के साथ प्रभावी बने रहते हैं।

महत्व और दावे
यह पेपर दावा करता है कि यह एंटैंगलमेंट, वैश्विक सुसंगत मापन, या जटिल गतिशील नियंत्रण की आवश्यकता के बिना हाइजेनबर्ग-सीमित हैमिल्टोनियन लर्निंग के लिए एक व्यावहारिक मार्ग प्रदान करता है। केवल स्थानीय क्वांटम ऑपरेशन्स (यादृच्छिक अवस्था तैयारी और स्थानीय मापन) और क्लासिकल डेटा एकत्रीकरण का उपयोग करके, यह प्रोटोकॉल द्विघाती फिशर इंफॉर्मेशन शासन को वास्तविक विकास समय के लिए सुलभ बनाता है।

लेखक इस बात पर जोर देते हैं कि यह दृष्टिकोण संरचनात्मक अलगाव या अनुकूलित नियंत्रण की आवश्यकता के बिना एक ही डेटासेट से सभी हैमिल्टोनियन मापदंडों के समवर्ती शिक्षण (simultaneous learning) को सक्षम बनाता है। कार्य यह प्रदर्शित करता है कि उन्नत लर्निंग दरें पुनर्निर्माण एल्गोरिदम के आर्टिफैक्ट्स के बजाय मापन सांख्यिकी की अंतर्निहित सूचना सामग्री (फिशर इंफॉर्मेशन डायग्नोस्टिक्स के माध्यम से सत्यापित) से उत्पन्न होती हैं। यह क्वांटम लक्षण वर्णन और अनुकूलित मेट्रोलॉजी के लिए एक संसाधन-कुशल विधि स्थापित करता है जो निकट-अवधि क्वांटम उपकरणों (near-term quantum devices) के अनुकूल है।