⚛️ quantum physics

A machine learning approach to tomographic pattern generation and classification of quantum states of light

यह शोध पत्र प्रकाश की विभिन्न क्वांटम अवस्थाओं के ऑप्टिकल टोमोग्राफिक पैटर्न को उत्पन्न करने और वर्गीकृत करने के लिए वासरस्टीन जेनेरेटिव एडवरसैरियल नेटवर्क का उपयोग करने वाले एक डीप लर्निंग फ्रेमवर्क को प्रस्तुत करता है, जो स्पष्ट अवस्था पुनर्निर्माण या अतिरिक्त क्लासिफायर की आवश्यकता के बिना माध्य फोटॉन संख्या जैसे अवस्था गुणों के प्रत्यक्ष लक्षण वर्णन को सक्षम बनाता है।

मूल लेखक: Soumyabrata Paul, H. S. Subramania, S. Ramanan, V. Balakrishnan, S. Lakshmibala

प्रकाशित 2026-03-31

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Soumyabrata Paul, H. S. Subramania, S. Ramanan, V. Balakrishnan, S. Lakshmibala

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 एक अंधेरे कमरे के भीतर छिपी हुई एक रहस्यमय वस्तु की पहचान करने की कोशिश कर रहे हैं। क्वांटम भौतिकी की दुनिया में, यह वस्तु प्रकाश की एक "अवस्था" (जैसे कि फोटॉन का एक विशिष्ट विन्यास) है। पारंपरिक रूप से, इस वस्तु के स्वरूप को समझने के लिए, वैज्ञानिकों को हर संभव कोण से हजारों तस्वीरें लेनी पड़ती हैं, और फिर एक अत्यंत जटिल गणितीय विधि का उपयोग करके उस वस्तु के 3D आकार को पुनर्गठित करना पड़ता है। यह प्रक्रिया धीमी, गणनात्मक रूप से भारी और अक्सर त्रुटियों के प्रति संवेदनशील होती है।

यह शोध पत्र एक स्मार्ट और तेज़ तरीका प्रस्तावित करता है: कंप्यूटर को उस वस्तु को वापस "सपना देखने" (dream) के लिए सिखाना।

यहाँ उनके दृष्टिकोण का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. समस्या: "परछाई" की पहेली

प्रकाश की एक क्वांटम अवस्था को एक जटिल 3D मूर्तिकला के रूप में सोचें। जब आप अलग-अलग कोणों से उस पर रोशनी डालते हैं, तो आपको एक 2D परछाई मिलती है। भौतिकी में, इन परछाइयों को ऑप्टिकल टोमोग्राम (Optical Tomograms) कहा जाता है।

पुराना तरीका: यदि आप जानना चाहते हैं कि मूर्तिकला क्या है, तो आप सभी परछाइयाँ एकत्र करते हैं, उन्हें एक विशाल कैलकुलेटर में डालते हैं, और फिर 3D आकार को रिवर्स-इंजीनियर करने की कोशिश करते हैं। यह एक कार के आकार का अनुमान लगाने जैसा है जिसे दीवार पर उसकी परछाई देखकर लगाया जाता है, लेकिन इसके लिए आपको हर एक पिक्सेल के लिए गणित करना पड़ता है।
चुनौती: "मूर्तिकला" (क्वांटम अवस्था) एक विशाल, जटिल स्थान में मौजूद होती है। इसे पूरी तरह से पुनर्गठित करना एक ऐसे जिग्सॉ पज़ल को हल करने जैसा है जहाँ आधे टुकड़े गायब हैं और तस्वीर बार-बार बदल रही है।

2. समाधान: "जालसाजी की टीम" (WGAN)

लेखकों ने एक मशीन लर्निंग तकनीक का उपयोग किया जिसे वॉसरस्टीन जेनेरेटिव एडवरसैरियल नेटवर्क (WGAN) कहा जाता है। इसे दो AI कलाकारों के बीच एक उच्च-दांव वाले कला जालसाजी प्रतियोगिता के रूप में कल्पना करें:

जालसाज (The Generator): इस AI का काम प्रकाश की अवस्था की एक वास्तविक "परछाई" (टोमोग्राम) को देखना और फिर एक नकली परछाई बनाना है जो बिल्कुल असली जैसी दिखे।
जासूस (The Discriminator): इस AI का काम जालसाज की ड्राइंग और असली परछाई को देखना और यह कहना है, "क्या यह असली है या नकली?"

वे कैसे सीखते हैं:

जालसाज एक खराब ड्राइंग बनाता है।
जासूस कहता है, "यह स्पष्ट रूप से नकली है! रेखाएं गलत हैं।"
जालसाज जासूस के फीडबैक के आधार पर अपनी तकनीक को सुधारते हुए फिर से प्रयास करता है।
वे इसे लाखों बार दोहराते हैं। अंततः, जालसाज परछाइयों की नकल करने में इतना कुशल हो जाता है कि जासूस भी अंतर नहीं कर पाता।

3. जादू का खेल: "सपने" को पढ़ना

आमतौर पर, जब कोई AI चित्र बनाना सीखता है, तो हम केवल यह देखने के लिए चित्र देखते हैं कि वह सुंदर है या नहीं। लेकिन लेखक कुछ अधिक करना चाहते थे। वे केवल चित्र को देखकर ही वस्तु के गुणों को जानना चाहते थे।

उन्होंने AI को तीन विशिष्ट प्रकार की प्रकाश अवस्थाओं पर प्रशिक्षित किया:

फॉक अवस्थाएँ (Fock States): एक लाइट बल्ब की तरह जिसमें फोटॉन की एक निश्चित संख्या होती है (जैसे, ठीक 3 फोटॉन)।
सुसंगत अवस्थाएँ (Coherent States): एक मानक लेजर बीम की तरह (बहुत व्यवस्थित)।
1-फोटॉन एडेड अवस्थाएँ (1-Photon Added States): एक लेजर बीम जिसमें किसी ने एक अतिरिक्त फोटॉन चुपके से डाल दिया हो।

एक बार जब AI (जालसाज) इन परछाइयों को बनाने में महारत हासिल कर लेता है, तो वैज्ञानिकों को भारी गणितीय पुनर्गठन की आवश्यकता नहीं होती। वे बस AI द्वारा बनाई गई परछाइयों को देखते हैं और सीधे चित्र से फोटॉन की औसत संख्या और विचलन (variance) (प्रकाश कितना "लहराता" है) की गणना करते हैं।

उपमा:
कल्पना कीजिए कि आप एक रहस्यमय फल का वजन जानना चाहते हैं।

पुराना तरीका: आप फल को तौलते हैं, फिर छिलके को तौलते हैं, फिर बीजों को तौलते हैं, और फिर छिलके और बीजों को घटाने के लिए जटिल गणित करते हैं ताकि फल का वास्तविक वजन मिल सके।
इस शोध पत्र का तरीका: आप एक AI को फल को इतनी पूर्णता से बनाना सिखाते हैं कि जब आप उस ड्राइंग को देखते हैं, तो आप बिना असली फल को तौले तुरंत कह सकते हैं, "यह 5 औंस का सेब लग रहा है।"

4. यह क्यों महत्वपूर्ण है

गति और दक्षता: उन्होंने पूर्ण क्वांटम अवस्था के "पुनर्गठन" के धीमे और कठिन चरण को छोड़ दिया। वे सीधे परछाई (टोमोग्राम) से उत्तर (अवस्था के गुण) तक पहुँच गए।
मजबूती (Robustness): उन्होंने इसे "शोर वाले" (noisy) डेटा के साथ परखा (जो वास्तविक दुनिया की खामियों जैसे खराब डिटेक्टरों का अनुकरण करता है)। AI एक अनुभवी जासूस की तरह था जो धुंधली ड्राइंग होने पर भी फल को पहचान सकता था।
रंग का महत्व: उन्होंने पाया कि परछाइयों को देखने के लिए उपयोग किया जाने वाला "कलर मैप" मायने रखता है। एक विशिष्ट प्रकार के कलर ग्रेडिएंट का उपयोग करने से AI बारीक विवरणों (संभाव्यता वितरण की "पूंछ") को बेहतर ढंग से देख सका, जिससे माप अधिक सटीक हो गया।

5. "वास्तविक दुनिया" का परीक्षण

टीम ने अपने परिणामों की तुलना एक हालिया वास्तविक प्रयोग से की, जहाँ वैज्ञानिकों ने एक "मानक" लेजर और एक "फोटॉन-एडेड" लेजर के बीच अंतर करने की कोशिश की थी।

परिणाम: AI ने प्रयोगात्मक डेटा की सफलतापूर्वक नकल की। इसने सही ढंग से पहचाना कि कुछ सेटिंग्स के लिए, दोनों अवस्थाएं जुड़वा बच्चों की तरह बहुत समान दिखती हैं, लेकिन AI द्वारा बनाई गई परछाइयों में विशिष्ट "लहरों" (variances) को मापकर, यह उन्हें अलग कर सकता था।

सारांश

यह शोध पत्र इस बारे में है कि कंप्यूटर को प्रकाश के पैटर्न को पहचानना कैसे सिखाया जाए। डेटा के आकार को सीखने के माध्यम से। पारंपरिक भौतिकी पुनर्गठन की भारी मेहनत करने के बजाय, उन्होंने AI को डेटा के "आकार" को सीखने दिया। एक बार जब AI उस पैटर्न को पूरी तरह से बना लेता है, तो हम सीधे उस ड्राइंग से उत्तर (जैसे फोटॉन की संख्या और ऊर्जा) पढ़ सकते हैं, जिससे कठिन काम बच जाता है।

यह पहेली को हल करने से चित्र को पहचानने के लिए सीखने की ओर एक बदलाव है।

यहाँ शोध पत्र "A machine learning approach to tomographic pattern generation and classification of quantum states of light" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

क्वांटम स्टेट टोमोग्राफी (QST) प्रकाश के अज्ञात क्वांटम अवस्था (quantum state) को प्रयोगात्मक डेटा (होमोडाइन मापन) से पुनर्गठित करने की मानक प्रक्रिया है। हालाँकि, पारंपरिक QST महत्वपूर्ण चुनौतियों का सामना करता है:

गणना संबंधी जटिलता (Computational Complexity): डेंसिटी मैट्रिसेस या विग्नर फंक्शन्स (Wigner functions) को पुनर्गठित करना, विशेष रूप से मल्टीमोड या बड़े हिल्बर्ट स्पेस सिस्टम के लिए, गणनात्मक रूप से बहुत कठिन है (उदाहरण के लिए, मैक्सिमम लाइकलीहुड एस्टीमेशन की आवश्यकता होती है)।
डेटा की आवश्यकताएं: पूर्ण पुनर्गठन के लिए आदर्श रूप से अनंत संख्या में टोमोग्राफिक स्लाइस (विभिन्न कोणों पर प्रायिकता घनत्व फलन) की आवश्यकता होती है, जो व्यावहारिक रूप से असंभव है।
वर्गीकरण की कठिनाई (Classification Difficulty): समान अवस्थाओं (जैसे, एम्प्लीफाइड कोहेरेंट स्टेट्स बनाम फोटॉन-ऐडेड कोहेरेंट स्टेट्स) के बीच अंतर करने के लिए अक्सर पूर्ण स्टेट पुनर्गठन और फिर एक अलग क्लासिफायर की आवश्यकता होती है।

लेखक पूर्ण स्टेट पुनर्गठन चरण को दरकिनार करने का प्रस्ताव करते हैं। इसके बजाय, उनका लक्ष्य इनपुट पैटर्न से सीधे ऑप्टिकल टोमोग्राम जनरेट (generate) करना और इन जनरेट किए गए टोमोग्राम से सीधे निकाले गए भौतिक अवलोकनों (physical observables) का उपयोग करके क्वांटम अवस्थाओं को चरित्रित/वर्गीकृत (characterize/classify) करना है, जिसमें किसी सहायक न्यूरल नेटवर्क क्लासिफायर की आवश्यकता नहीं होती।

2. कार्यप्रणाली (Methodology)

इस दृष्टिकोण का मुख्य आधार ऑप्टिकल टोमोग्राफिक पैटर्न पर लागू किया गया एक वॉसरस्टीन जेनेरेटिव एडवरसेरियल नेटवर्क (WGAN) फ्रेमवर्क है।

A. डेटा प्रतिनिधित्व (Data Representation)

इनपुट: ऑप्टिकल टोमोग्राम $w(X_\theta, \theta)$ , जो फेज एंगल्स $\theta$ पर फील्ड क्वाड्रचर $X_\theta$ के प्रायिकता घनत्व फलनों (PDFs) का प्रतिनिधित्व करते हैं।
दृश्यीकरण (Visualization): टोमोग्राम को 2D छवियों (128 $\times$ 128 पिक्सेल के ग्रिड) के रूप में माना जाता है जहाँ तीव्रता प्रायिकता को दर्शाती है। लेखकों ने RGB इमेज डेटा और रॉ न्यूमेरिकल एरे दोनों का परीक्षण किया, और पाया कि इमेज-आधारित प्रशिक्षण पर्याप्त और तुलनीय है।
प्रशिक्षण अवस्थाएँ (Training States): मॉडल को तीन प्रकार के सिंगल-मोड स्टेट्स पर प्रशिक्षित किया गया था:
1. फोक स्टेट्स (Fock States) $|n\rangle$ (n=0 से 5 तक)।
2. कोहेरेंट स्टेट्स (Coherent States - CS) $|\alpha\rangle$ ।
3. सिंगल-फोटॉन ऐडेड कोहेरेंट स्टेट्स (1-PACS) $|\alpha, 1\rangle$ ।

B. नेटवर्क आर्किटेक्चर (Network Architecture)

यह प्रणाली दो कनवल्शनल न्यूरल नेटवर्क (CNNs) का उपयोग करती है:

जेनेरेटर (Generator - G): रैंडम नॉइज़ को इनपुट के रूप में लेता है और सिंथेटिक टोमोग्राफिक पैटर्न उत्पन्न करता है।
डिस्क्रिमिनेटर (Discriminator/Critic - D): वास्तविक इनपुट टोमोग्राम और जनरेट किए गए टोमोग्राम के बीच अंतर करता है।

लॉस फंक्शन (Loss Function): नेटवर्क्स को मानक GAN लॉस के बजाय वॉसरस्टीन डिस्टेंस (अर्थ मूवर डिस्टेंस) का उपयोग करके प्रशिक्षित किया जाता है। यह वितरणों के ओवरलैप न होने पर भी एक स्मूथ, नॉन-वेनिशिंग ग्रेडिएंट प्रदान करता है, जिससे स्थिर अभिसरण (convergence) सुनिश्चित होता है।
प्रशिक्षण प्रोटोकॉल: जेनेरेटर के प्रत्येक अपडेट के लिए डिस्क्रिमिनेटर को 25,000 इपोक (epochs) के दौरान 5 बार प्रशिक्षित किया जाता है। एडम ऑप्टिमाइज़र (Adam optimizer) का उपयोग विशिष्ट हाइपरपैरामीटर्स ( $\beta_1=0, \beta_2=0.9, lr=0.0001$ ) के साथ किया जाता है।

C. एरर मॉडलिंग और मजबूती (Error Modeling and Robustness)

प्रायोगिक खामियों (डिटेक्टर अक्षमता, शोर) को सिम्युलेट करने के लिए, प्रशिक्षण डेटा पर दो एरर मॉडल लागू किए गए:

यूनिफॉर्म नॉइज़: $[1 + U(\epsilon)]w(X_\theta, \theta)$
गौसियन नॉइज़: $[1 + N(0, \epsilon^2)]w(X_\theta, \theta)$
मॉडल की मजबूती सत्यापित करने के लिए $\epsilon = 0.10$ (सीमांत) और $\epsilon = 0.25$ (यथार्थवादी) के थ्रेसहोल्ड का परीक्षण किया गया।

D. पुनर्गठन के बिना चरित्रीकरण (Characterization without Reconstruction)

महत्वपूर्ण रूप से, लेखक डेंसिटी मैट्रिक्स $\hat{\rho}$ या विग्नर फंक्शन का पुनर्गठन नहीं करते हैं। इसके बजाय, वे जनरेट किए गए PDFs से सीधे भौतिक अवलोकनों को निकालते हैं:

मीन फोटॉन नंबर ( $\langle \hat{n} \rangle$ ): $\theta = 0, \pi/3, 2\pi/3$ पर PDFs को शामिल करते हुए एक विशिष्ट इंटीग्रल फॉर्मूला का उपयोग करके गणना की जाती है।
क्वाड्रचर वेरिएंस ( $\Delta \hat{X}^2_\theta$ ): पुनर्गठित PDFs से सीधे गणना की जाती है।
नॉनक्लासिकलिटी इंडिकेटर (NI): सभी कोणों पर वेरिएंस के वर्गमूल के इंटीग्रल से प्राप्त किया जाता है।

3. प्रमुख योगदान (Key Contributions)

डायरेक्ट टोमोग्राम जनरेशन: यह प्रदर्शित किया गया कि WGANs सफलतापूर्वक उच्च-फिडेलिटी ऑप्टिकल टोमोग्राम (फोक, कोहेरेंट और 1-PACS स्टेट्स के लिए) जनरेट कर सकते हैं, जो इनपुट पैटर्न की उच्च सटीकता के साथ नकल करते हैं।
पुनर्गठन-मुक्त चरित्रीकरण (Reconstruction-Free Characterization): यह दिखाया गया कि प्रमुख क्वांटम गुणों (मीन फोटॉन नंबर, वेरिएंस, हायर मोमेंट्स) को जनरेट किए गए टोमोग्राम से सीधे निकाला जा सकता है, जिसमें सैद्धांतिक मानों के सापेक्ष <4% त्रुटि होती है। यह जटिल इन्वर्स समस्याओं (QST) की आवश्यकता को समाप्त करता है।
अवलोकनों के माध्यम से अवस्था वर्गीकरण: यह सिद्ध हुआ कि विभिन्न क्वांटम अवस्थाओं को केवल उनके कंप्यूट किए गए अवलोकनों (जैसे, वेरिएंस/स्क्वीजिंग गुणों के माध्यम से 1-PACS को एम्प्लीफाइड CS से अलग करना) की तुलना करके पहचाना जा सकता है, जिसके लिए किसी माध्यमिक क्लासिफायर नेटवर्क की आवश्यकता नहीं है।
शोर के प्रति मजबूती (Robustness to Noise): यह सत्यापित किया गया कि प्रशिक्षित मॉडल नॉइजी डेटा पर प्रशिक्षित होने के बावजूद प्रभावी रहता है और वास्तविक प्रयोगात्मक डेटा में देखे गए रुझानों को सफलतापूर्वक पुनरुत्पादित करता है।
कलरमैप विश्लेषण (Colormap Analysis): इसने पुनर्गठन सटीकता पर कलर मैपिंग के प्रभाव की जांच की। पाया गया कि हालांकि नॉन-लीनियर कलरमैप्स टेल आर्टिफैक्ट्स को दबाने में मदद करते हैं, लेकिन अधिकांश चरित्रीकरण के लिए एक मानक लीनियर कलरमैप पर्याप्त है।

4. परिणाम (Results)

फोक स्टेट्स: जनरेट किए गए टोमोग्रामों ने $\theta$ -स्वतंत्र तीव्रता वितरण को सही ढंग से पुनरुत्पादित किया। $n=0$ से $n=5$ के लिए कंप्यूट किए गए मीन फोटॉन नंबर और वेरिएंस सैद्धांतिक मानों से 4% के भीतर थे।
कोहेरेंट स्टेट्स: मॉडल ने गौसियन PDFs के $\theta$ -डिपेंडेंट रोटेशन को कैप्चर किया। मीन फोटॉन नंबर $|\alpha|^2$ के 4% त्रुटि के भीतर था, और वेरिएंस वैक्यूम लिमिट (0.5) के करीब रहा।
1-PACS: इसने कोहेरेंट से फोक-जैसी व्यवहार की ओर संक्रमण दिखाने वाली अवस्थाओं को सफलतापूर्वक जनरेट किया। मॉडल ने कम $\alpha$ के लिए टोमोग्राम में "वर्टिकल कट" फीचर और उच्च $\alpha$ के लिए इसके गायब होने की पहचान सही ढंग से की।
प्रयोगात्मक सत्यापन: इस पद्धति का परीक्षण एम्प्लीफाइड CS, ऑप्टिमल CS और 1-PACS के बीच फिडेलिटी के संबंध में हालिया प्रयोगात्मक डेटा के विरुद्ध किया गया। ML-जनरेटेड ऑब्जर्वेबल्स ने प्रयोगात्मक रुझान को सही ढंग से पुनरुत्पादित किया: $\alpha \geq 1$ के लिए, इन अलग-अलग अवस्थाओं के मीन फोटॉन नंबर अभिसरित होते हैं, लेकिन उनके वेरियंस (विशेष रूप से 1-PACS में स्क्वीजिंग) अलग रहते हैं, जिससे सही वर्गीकरण संभव होता है।
नॉनक्लासिकलिटी: जनरेट किए गए टोमोग्राम से गणना किया गया नॉनक्लासिकलिटी इंडिकेटर (NI) सही ढंग से पहचाना कि $n=0$ क्लासिकल है (NI $\approx$ 0) और $n>0$ नॉनक्लासिकल है (NI > 0)।

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

QST का विकल्प: यह कार्य पारंपरिक क्वांटम स्टेट टोमोग्राफी का एक व्यवहार्य विकल्प स्थापित करता है। पूर्ण डेंसिटी मैट्रिक्स के पुनर्गठन से बचकर, यह गणनात्मक ओवरहेड को काफी कम कर देता है, जिससे यह बड़े हिल्बर्ट स्पेस (जैसे, स्पिन एरे, मल्टीपार्टाइट सिस्टम) के लिए उपयुक्त हो जाता है।
दक्षता (Efficiency): यह दृष्टिकोण सीमित संख्या में टोमोग्राफिक स्लाइस का उपयोग करके अज्ञात अवस्थाओं का सीधा चरित्रीकरण करने की अनुमति देता है, बशर्ते मशीन को एक प्रतिनिधि सेट पर प्रशिक्षित किया गया हो।
भविवी दिशाएं: लेखक सुझाव देते हैं कि हालांकि वर्तमान आर्किटेक्चर जेनेरेटर में कलर ट्रांजिशन के कारण मामूली बायस (वेरियंस वितरण में स्क्यूनेस) पेश करता है, लेकिन लोकल पैडिंग या सुपर-रिज़ॉल्यूशन GAN जैसी तकनीकें जनरेशन प्रक्रिया को और अधिक परिष्कृत कर सकती हैं। यह विधि वास्तविक प्रयोगात्मक डेटा के लिए 'डिनोइज़र' (denoiser) के रूप में भी कार्य करने के लिए तैयार है।

संक्षेप में, यह शोध पत्र प्रदर्शित करता है कि डीप लर्निंग, विशेष रूप से WGANs, ऑप्टिकल टोमोग्राम के "पैटर्न" को प्रभावी ढंग से सीख सकता है, जिससे पूर्ण स्टेट पुनर्गठन की महंगी प्रक्रिया के बिना सीधे भौतिक अवलोकनों का निष्कर्षण और अवस्था वर्गीकरण संभव हो जाता है।