⚛️ quantum physics

Tensor-network variational diagonalization of quantum many-body spectra

यह शोध पत्र टेंसर-नेटवर्क वेरिएशनल डायगोनलाइजेशन (TNVD) को प्रस्तुत करता है, जो पूर्ण मेनी-बॉडी स्पेक्ट्रा और उनके डायगोनलाइज़िंग ट्रांसफॉर्मेशन को कुशल टेंसर-नेटवर्क निरूपणों में संयुक्त रूप से संकुचित करने की एक विधि है, जिससे यह प्रकट होता है कि स्पेक्ट्रल सुगमता (spectral tractability) केवल स्पेक्ट्रल अराजकता के बजाय श्मिट ट्रंकेशन (Schmidt truncation) द्वारा सीमित होती है।

मूल लेखक: Peng-Fei Zhou, Shuang Qiao, An-Chun Ji, Shi-Ju Ran

प्रकाशित 2026-07-23

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Peng-Fei Zhou, Shuang Qiao, An-Chun Ji, Shi-Ju Ran

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

ब्रह्मांड की कल्पना एक विशाल, ब्रह्मांडीय ऑर्केस्ट्रा के रूप में करें। प्रत्येक कण, सबसे छोटे इलेक्ट्रॉन से लेकर सबसे बड़े तारे तक, एक स्वर बजाता है। जब आप उन सभी को एक साथ रखते हैं, तो वे ऊर्जा स्तरों का एक जटिल सिम्फनी (स्वरलहरी) बनाते हैं। क्वांटम भौतिकी की दुनिया में, वैज्ञानिक इसे "स्पेक्ट्रम" कहते हैं। इस सिम्फनी के हर एक स्वर को जानना इस बात को समझने के लिए एक परम 'चीट कोड' की तरह है कि पदार्थ कैसे व्यवहार करता है, ऊष्मा कैसे प्रवाहित होती है, और क्यों कुछ सामग्रियां अजीब तरह से व्यवहार करती हैं। लेकिन यहाँ एक पेंच है: इस सिम्फनी में स्वरों की संख्या इतनी तेज़ी से बढ़ती है कि उन्हें गिनना असंभव हो जाता है। यदि आप ऑर्केस्ट्रा में केवल कुछ और वाद्य यंत्र (कण) जोड़ देते हैं, तो संभावित स्वरों की संख्या दोगुनी हो जाती है, फिर फिर से दोगुनी हो जाती है, जब तक कि यह पूरे ब्रह्मांड के परमाणुओं की संख्या से भी अधिक न हो जाए। पारंपरिक कंप्यूटर हर एक स्वर को एक-एक करके सूचीबद्ध करने की कोशिश में फंस जाते हैं, जैसे कोई लाइब्रेरियन एक ऐसी लाइब्रेरी की हर किताब पढ़ने की कोशिश कर रहा हो जो हर सेकंड दोगुनी होती जा रही है।

इसे हल करने के लिए, भौतिक विज्ञानी "टेन्सर नेटवर्क" (tensor networks) नामक एक चतुर तकनीक का उपयोग करते हैं। इसे एक सूची के रूप में नहीं, बल्कि एक संपीड़न एल्गोरिदम (compression algorithm) के रूप में सोचें, जो एक ज़िप (ZIP) फ़ाइल की तरह फोटो के एक विशाल फोल्डर को बिना तस्वीर खोए एक छोटी फ़ाइल में सिकोड़ देता है। यह स्वरों के बीच पैटर्न और कनेक्शन को खोजने का काम करता है, यह समझते हुए कि संगीत केवल यादृच्छिक शोर (random noise) नहीं है; इसमें एक संरचना है। बड़ा सवाल हमेशा से यह रहा है: क्या हम स्वरों की पूरी सूची—पूरे स्पेक्ट्रम—को एक प्रबंधनीय आकार में संपीड़ित कर सकते हैं, या क्या यह इतना अराजक है कि कभी फिट ही नहीं हो पाएगा?

यह शोध पत्र टेन्सर-नेटवर्क वेरिएशनल डायगोनलाइज़ेशन (TNVD) नामक एक नई विधि पेश करता है, जो ठीक यही करने का प्रयास करती है। ऊर्जा स्तरों को एक-एक करके लिखने के बजाय, शोधकर्ताओं ने कंप्यूटर को एक विशेष "लेबलिंग प्रणाली" सीखने के लिए प्रशिक्षित किया। कल्पना कीजिए कि आपके पास खिलौनों (ऊर्जा स्तरों) से भरा एक विशाल, अस्त-व्यस्त कमरा है। उन्हें वर्णानुक्रम में या आकार के आधार पर सूचीबद्ध करने के बजाय, आप एक नया तरीका आविष्कार करते हैं ताकि समान खिलौने एक-दूसरे के पास आ सकें। कंप्यूटर इस संगठन को स्वचालित रूप से सीखता है। एक बार जब खिलौने इस तरह व्यवस्थित हो जाते हैं, तो कंप्यूटर पूरे कमरे को एक संक्षिप्त, कुशल मानचित्र (एक "स्पेक्ट्रम मैट्रिक्स प्रोडक्ट स्टेट") और निर्देशों के एक सेट (एक "क्वांटम सर्किट") का उपयोग करके वर्णित कर सकता है जो आपको कोई भी विशिष्ट खिलौना खोजने के लिए बताता है।

टीम ने इसका परीक्षण आइसिंग चेन (Ising chain) नामक एक प्रसिद्ध मॉडल पर किया, जो छोटे चुंबकों की एक रेखा की तरह है जो ऊपर या नीचे की ओर इशारा कर सकते हैं। उन्होंने पाया कि TNVD यहाँ अविश्वसनीय रूप से अच्छा काम करता है। यह 100 चुंबकों तक की प्रणालियों के लिए ऊर्जा स्तरों को सटीक रूप से पुनर्गठित कर सका, जो एक ऐसा आकार है जिसे पारंपरिक तरीके संभाल नहीं सकते। इससे भी अधिक प्रभावशाली बात यह है कि उन्होंने $2^{100}$ स्तरों वाली प्रणाली के लिए "डेंसिटी ऑफ स्टेट्स" (states का घनत्व) का नमूना लेने के लिए इस विधि का उपयोग किया (यह 1 के बाद 30 शून्य वाला नंबर है!)। उन्होंने उन सभी को नहीं गिना; उन्होंने बस अपने संपीड़ित मानचित्र से यादृच्छिक नमूने निकाले और सही सांख्यिकीय चित्र प्राप्त किया, जैसे कि हर एक जेलीबीन को खाए बिना एक बड़े जार में जेलीबीन के स्वाद के वितरण का अनुमान लगाना।

हालाँकि, यह शोध पत्र एक महत्वपूर्ण सीमा को भी उजागर करता है। शोधकर्ताओं ने आइसिंग चेन की तुलना XXZ चेन नामक एक अधिक जटिल प्रणाली से की, जिसमें चुंबकों के बीच अधिक जटिल अंतःक्रियाएं शामिल हैं। उन्होंने पाया कि हालांकि दोनों प्रणालियाँ अपने "लेवल स्टैटिस्टिक्स" (स्तर सांख्यिकी - कैसे स्वर अलग-अलग होते हैं) के मामले में समान रूप से अराजक दिखती थीं, लेकिन TNVD विधि XXZ चेन के साथ बहुत अधिक संघर्ष करती है। त्रुटि दर अधिक थी, और "संपीड़न" उतना कुशलता से काम नहीं कर पाया।

क्यों? शोध पत्र सुझाव देता है कि समस्या केवल संगीत के कितना अराजक होने के बारे में नहीं है। यह डेटा की "पूंछ" (tail) के बारे में है। XXZ चेन में, सबसे महत्वपूर्ण जानकारी विवरणों की एक लंबी, भारी पूंछ में छिपी होती है जिसे सटीकता खोए बिना काटना कठिन है। यह एक वीडियो को कंप्रेस करने जैसा है: यदि वीडियो के अंत में बहुत सारे बारीक, शोर वाले विवरण (एक भारी पूंछ) हैं, तो आप तस्वीर को धुंधला किए बिना उसे बहुत अधिक सिकोड़ नहीं सकते। अध्ययन से पता चलता है कि XXZ चेन के लिए, यह "पूंछ" आइसिंग चेन की तुलना में बहुत अधिक भारी है, जो इस विधि के लिए एक बाधा (bottleneck) बन जाती है।

संक्षेप में, शोध पत्र सुझाव देता है कि हम वास्तव में एक क्वांटम प्रणाली के पूर्ण सिम्फनी को संपीड़ित कर सकते हैं, लेकिन केवल तभी जब उसकी आंतरिक संरचना एक व्यवस्थित संगठन की अनुमति देती है। कुछ प्रणालियों के लिए, जैसे आइसिंग चेन, संगीत इतना व्यवस्थित है कि इसे एक छोटी फ़ाइल में संपीड़ित किया जा सकता है। अन्य प्रणालियों के लिए, जैसे XXZ चेन, संगीत अपने किनारों पर बहुत अधिक अव्यवस्थित है, और फ़ाइल का आकार बहुत बढ़ जाता है। इसका मतलब यह नहीं है कि विधि विफल हो गई; बल्कि, यह एक सीधा परीक्षण प्रदान करती है कि यह बताने के लिए कि कब एक पूर्ण स्पेक्ट्रम को इन स्मार्ट गणितीय उपकरणों द्वारा नियंत्रित किया जा सकता है और कब यह एक बॉक्स में फिट होने के लिए बहुत जंगली बना रहता है। लेखक निष्कर्ष निकालते हैं कि TNVD हर ऊर्जा स्तर को सूचीबद्ध करने के असंभव कार्य को इस परीक्षण में बदल देता है कि क्या ब्रह्मांड के संगीत में एक छिपी हुई, संपीड़ित संरचना मौजूद है जिसकी खोज की जानी बाकी है।

तकनीकी सारांश: टेंसर-नेटवर्क वेरिएशनल डायगोनलाइजेशन ऑफ क्वांटम मेनी-बॉडी स्पेक्ट्रा

समस्या विवरण
एक मेनी-बॉडी हैमिल्टोनियन की पूर्ण आइगेनस्ट्रक्चर (eigenstructure) आवश्यक भौतिक गुणों को एनकोड करती है, जिसमें ऊष्मागतिकी (thermodynamics), गतिशील प्रतिक्रिया (dynamical response), और क्वांटम अराजकता (quantum chaos) या लोकलाइजेशन के संकेत शामिल हैं। हालाँकि, हिल्बर्ट स्पेस का घातीय विकास ( $N$ स्पिन के लिए $2^N$ ) सटीक विकर्णकरण (exact diagonalization - ED) को लगभग 30 स्पिन से बड़े सिस्टम के लिए अव्यवहार्य बना देता है, भले ही सममिति (symmetry) का उपयोग किया गया हो। मौजूदा टेंसर-नेटवर्क विधियाँ, जैसे कि डेंसिटी-मैट्रिक्स रिनॉर्मलाइजेशन ग्रुप (DMRG) और उत्तेजित-अवस्था (excited-state) मैट्रिक्स प्रोडक्ट स्टेट (MPS) एल्गोरिदम, विशिष्ट स्पेक्ट्रल सेक्टर्स (जैसे कम-ऊर्जा या स्थानीयकृत अवस्थाओं) को सफलतापूर्वक लक्षित करती हैं, लेकिन वे आमतौर पर ऊर्जा स्पेक्ट्रम को एक संग्रहीत वेरिएशनल ऑब्जेक्ट के बजाय एक अंतर्निहित सूची के रूप में मानती हैं। यह कार्य इस केंद्रीय चुनौती को संबोधित करता है कि क्या संपूर्ण घातीय रूप से बड़ी आइगेन-एनर्जी सूची को स्पष्ट गणना (explicit enumeration) के बिना दर्शाया और सैंपल किया जा सकता है, यदि स्पेक्ट्रम एक उपयुक्त लेबलिंग के तहत एक संपीड़ित (compressible) संरचना रखता हो।

कार्यप्रणाली: टेंसर-नेटवर्क वेरिएशनल डायगोनलाइजेशन (TNVD)
लेखक टेंसर-नेटवर्क वेरिएशनल डायगोनलाइजेशन (TNVD) पेश करते हैं, जो आइगेनवैल्यू अपघटन $\hat{H} = \sum_{\alpha} E_\alpha |\alpha\rangle\langle\alpha|$ को दर्शाने के लिए दो युग्मित टेंसर-नेटवर्क ऑब्जेक्ट्स को संयुक्त रूप से अनुकूलित (optimize) करता है:

स्पेक्ट्रम MPS: आइगेन-एनर्जी $\{E_\alpha\}$ को एक $N$ -वें क्रम के टेंसर $E_{r_1 \dots r_N}$ के रूप में माना जाता है, जहाँ इंडेक्स $\alpha$ को एक बाइनरी स्ट्रिंग $r = (r_1, \dots, r_N)$ द्वारा दर्शाया जाता है। इस MPS का वर्चुअल बॉन्ड डायमेंशन $\chi_a$ चुने गए लेबल स्पेस में ऊर्जा स्पेक्ट्रम की "वर्चुअल एंटैंगलमेंट" का एक सीधा प्रोब (probe) है।
वेरिएशनल क्वांटम सर्किट (VQC): एक परिमित-डेप्थ क्वांटम सर्किट $\hat{U}$ बाइनरी प्रोडक्ट स्टेट्स $|r_\alpha\rangle$ को अनुमानित आइगेनस्टेट्स $|\alpha\rangle = \hat{U}|r_\alpha\rangle$ में मैप करता है। सर्किट में दो-बॉडी गेट्स का एक ब्रिक-वॉल आर्किटेक्चर और डेप्थ $N_L$ होता है।
संयुक्त अनुकूलन (Joint Optimization): बाइनरी लेबल फिक्स्ड नहीं होते बल्कि सीखे जाते हैं। स्पेक्ट्रम MPS के स्थानीय टेंसर और VQC गेट्स के मापदंडों को लॉगरिदमिक हिल्बर्ट-श्मिट लॉस (Hilbert-Schmidt loss) को कम करने के लिए एक साथ अनुकूलित किया जाता है:
$F = \log_2 \|\hat{H} - \tilde{H}\|_{HS}^2 - N$
जहाँ $\tilde{H}$ एंसेट हैमिल्टोनियन है। यह ग्लोबल लॉस फंक्शन पूरे ऑपरेटर को नियंत्रित करता है न कि किसी विशिष्ट ऊर्जा विंडो को।
कंप्यूटेशनल लागत: लॉस का मूल्यांकन सुपर-डायगोनल टेंसरों द्वारा मध्यस्थता के माध्यम से स्पेक्ट्रम MPS को VQC और उसके कंजुगेट के साथ कॉन्ट्रैक्ट करके किया जाता है। जब MPS डायमेंशन $\chi_a$ , सर्किट डेप्थ $N_L$ , और TEBD ट्रंकेशन डायमेंशन $\chi_t$ स्थिर होते हैं, तो लागत सिस्टम साइज $N$ के साथ बहुपद (polynomial) रूप से स्केल करती है।

मुख्य परिणाम

आइसिंग चेन में पूर्ण-स्पेक्ट्रम पुनर्निर्माण:
ट्रांसवर्स-फील्ड आइसिंग चेन के लिए, TNVD $N \le 16$ के लिए सटीक विकर्णकरण परिणामों को सफलतापूर्वक पुनरुत्पादित करता है। महत्वपूर्ण रूप से, $N=100$ के लिए, यह विधि $2^{100}$ स्तरों को एन्यूमरेट किए बिना एक MPS एनकोडिंग से डेंसिटी ऑफ स्टेट्स को सैंपल करती है। सैंपल किया गया वितरण छोटे आकार के ED से प्राप्त गॉसियन फिट के साथ मेल खाता है।
- लेबल संगठन: सटीक स्पेक्ट्रम पर बाइनरी लेबल के रैंडम परम्यूटेशन का उपयोग करने वाले एक कंट्रोल प्रयोग ने उच्च वर्चुअल एंटैंगलमेंट एंट्रॉपी दिखाई, जबकि TNVD-अनुकूलित लेबल एक निम्न-एंटैंगलमेंट, कॉम्पैक्ट MPS प्रतिनिधित्व प्रदान करते हैं। यह प्रदर्शित करता है कि ऊर्जा टेंसर की संपीड़ितता (compressibility) लेबल के सीखे गए संगठन पर महत्वपूर्ण रूप से निर्भर करती है।
विस्केंद्रित (Disordered) सिस्टम: आइसिंग बनाम XXZ:
लेखकों ने रैंडम-फील्ड आइसिंग चेन और रैंडम-फील्ड XXZ चेन की तुलना की। दोनों सिस्टम विक्षोभ (disorder) की शक्ति बढ़ने के साथ लेवल-स्पेसिंग सांख्यिकी (पॉइसन से गॉसियन ऑर्थोगोनल एनसेम्बल और वापस पॉइसन तक) में समान क्रॉसओवर प्रदर्शित करते हैं, जो समान स्पेक्ट्रल अराजकता गुणों को इंगित करता है।
- विभेदक त्रुटियां (Divergent Errors): समान लेवल सांख्यिकी के बावजूद, समान वेरिएशनल संसाधनों के तहत XXZ चेन के लिए TNVD त्रुटियां (हिल्बर्ट-श्मिट लॉस और मीन एनर्जी एरर) आइसिंग चेन की तुलना में काफी अधिक थीं।
- मूल कारण विश्लेषण: लेखकों ने पहचान की कि स्पेक्ट्रल अराजकता (spectral chaos) अकेले TNVD जटिलता को निर्धारित नहीं करती है। XXZ चेन के लिए बाधा को डायगोनलाइजिंग ट्रांसफॉर्मेशन के फाइनाइट-रैंक ट्रंकेशन (finite-rank truncation) के रूप में पहचाना गया।
  - शून्य विक्षोभ ( $W=0$ ) पर, XXZ चेन (एक $c=1$ क्रिटिकल थ्योरी) आइसिंग चेन ( $c=1/2$ ) की तुलना में बहुत धीमी श्मिट गुणांक क्षय (decay of Schmidt coefficients) और एक भारी ग्राउंड-स्टेट श्मिट टेल प्रदर्शित करती है।
  - परिणामस्वरूप, XXZ चेन के लो-एनर्जी आइगेनस्टेट्स ट्रंकेशन कटऑफ $\chi_t$ के परे काफी अधिक श्मिट वेट (Schmidt weight) वहन करते हैं, जिससे उच्च त्रुटियां होती हैं। आइसिंग चेन, जो $W=0$ पर फ्री-फर्मियन इंटीग्रेबल है, लो-रैंक ट्रंकेशन के लिए अधिक अनुकूल है।

महत्व और दावे
यह शोध दावा करता है कि TNVD एक प्रत्यक्ष परीक्षण प्रदान करता है कि कब पूर्ण मेनी-बॉडी स्पेक्ट्रा सुलभ टेंसर-नेटवर्क प्रतिनिधित्व स्वीकार करते हैं। यह विधि पूर्ण-स्पेक्ट्रम डायगोनलाइजेशन के प्रतिमान को एन्यूमरेशन कार्य से एक सीखने योग्य टेंसर संरचना के परीक्षण में बदल देती है।

लेखक सफल TNVD के लिए दो स्वतंत्र संरचनात्मक आवश्यकताओं की पहचान करते हैं:

लेबल स्पेस में वर्चुअल एंटैंगलमेंट: ऊर्जा टेंसर को सीखे गए बाइनरी लेबलिंग के तहत निम्न वर्चुअल एंटैंगलमेंट वाला होना चाहिए (आइसिंग चेन द्वारा प्रदर्शित)।
फाइनाइट-रैंक श्मिट ट्रंकेशन: डायगोनलाइजिंग ट्रांसफॉर्मेशन (सर्किट-इवॉल्व्ड MPO) ट्रंकेटेबल रहना चाहिए, जो श्मिट स्पेक्ट्रा के क्षय द्वारा नियंत्रित होता है (आइसिंग बनाम XXZ द्वारा प्रदर्शित)।

कार्य निष्कर्ष निकालता है कि जबकि स्पेक्ट्रल अराजकता (लेवल रिपल्शन) स्पेक्ट्रम की एक विशेषता है, TNVD के माध्यम से पूर्ण स्पेक्ट्रम को दर्शाने की कठिनाई ऊर्जा टेंसर की संपीड़ितता और आइगेनस्टेट्स की स्वयं की एंटैंगलमेंट संरचना के बीच के परस्पर प्रभाव द्वारा निर्धारित होती है। कार्यान्वयन के लिए सोर्स कोड सार्वजनिक रूप से उपलब्ध कराया गया है।

तकनीकी सारांश: टेंसर-नेटवर्क वेरिएशनल डायगोनलाइजेशन ऑफ क्वांटम मेनी-बॉडी स्पेक्ट्रा

इसी तरह के और पेपर