⚛️ quantum physics

On the Complexity of Quantum States and Circuits from the Orthogonal and Symplectic Groups

यह शोध पत्र प्रदर्शित करता है कि सिम्प्लेक्टिक (symplectic) और स्पेशल ऑर्थोगोनल (special orthogonal) समूहों से उत्पन्न यादृच्छिक क्वांटम अवस्थाएं और सर्किट, पूर्ण यूनिटरी समूह (full unitary group) के समान तेजी से बढ़ती जटिलता और निकट-लंबवतता (near-orthogonality) प्रदर्शित करते हैं, और साथ ही ऐसे संरचित सर्किटों को सीखने की औसत-मामले की कठिनाई (average-case hardness) को भी स्थापित करते हैं।

मूल लेखक: Oxana Shaya, Zoë Holmes, Christoph Hirche, Armando Angrisani

प्रकाशित 2026-05-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Oxana Shaya, Zoë Holmes, Christoph Hirche, Armando Angrisani

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 दुनिया का सबसे जटिल, अप्रत्याशित केक बनाने की कोशिश कर रहे हैं। क्वांटम भौतिकी की दुनिया में, यह "केक" एक क्वांटम अवस्था (quantum state) है, और इसकी "रेसिपी" एक क्वांटम सर्किट (quantum circuit) (क्रियाओं की एक श्रृंखला) है।

आमतौर पर, वैज्ञानिक यह मान लेते हैं कि एक वास्तव में यादृच्छिक (random), जटिल केक बनाने का सबसे अच्छा तरीका एक "यूनिवर्सल मिक्सर" का उपयोग करना है जो कुछ भी कर सके। इसे हाार मेजर (Haar measure) (या पूर्ण यूनिटरी ग्रुप) कहा जाता है। यह एक ऐसे किचन की तरह है जिसमें हर संभव उपकरण, सामग्री और तकनीक उपलब्ध है।

बड़ा सवाल:
यह शोध पत्र पूछता है: क्या हमें वास्तव में पूरे किचन की आवश्यकता है? क्या होगा यदि हम खुद को उपकरणों के एक छोटे, अधिक व्यवस्थित सेट तक सीमित कर दें—विशेष रूप से, ऐसे उपकरण जो केवल वास्तविक-संख्या (real-number) वाले केक (ऑर्थोगोनल ग्रुप) या एक विशिष्ट सममिति (symmetry) (सिम्प्लेक्टिक ग्रुप) वाले केक बनाते हैं? क्या ये प्रतिबंधित किचन अभी भी उन जटिल केक को बनाने में सक्षम हैं जो पूर्ण किचन द्वारा बनाए गए केक जितने ही जटिल और अप्रत्याशित हैं?

संक्षिप्त उत्तर:
हाँ। लेखक सिद्ध करते हैं कि इन प्रतिबंधित, "संरचित" टूलकिट के साथ भी, परिणामी क्वांटम अवस्थाएं उतनी ही अविश्वसनीय रूप से जटिल और समझने में कठिन होती हैं जितनी कि पूर्ण टूलकिट से बनी होती हैं।

यहाँ उनके निष्कर्षों का रोजमर्रा के उदाहरणों के माध्यम से विवरण दिया गया है:

1. केक की "जटिलता" (Complexity)

क्वांटम शब्दों में, "जटिलता" का अर्थ है कि किसी विशिष्ट क्वांटम अवस्था को पूरी तरह से साधारण, मिश्रित अवस्था (जैसे सादे आटे का कटोरा) से अलग पहचानना कितना कठिन है।

निष्कर्ष: यदि आप इन प्रतिबंधित टूलकिट (ऑर्थोगोनल या सिम्प्लेक्टिक ग्रुप) का उपयोग करके अपना केक बनाते हैं, तो परिणाम लगभग हमेशा घातांकीय रूप से जटिल (exponentially complex) होता है।
उदाहरण: कल्पना कीजिए कि आपके पास एक सरल रेसिपी बुक है। यदि आप इन प्रतिबंधित समूहों द्वारा बनाए गए केक को केवल कुछ सरल चरणों (गेट्स) का उपयोग करके पुन: बनाने की कोशिश करते हैं, तो आप विफल हो जाएंगे। केक इतना जटिल है कि इसे दोहराने के लिए चरणों की संख्या इतनी बड़ी होगी जिसे लिखना व्यावहारिक रूप से असंभव है। शोध पत्र दिखाता है कि भले ही ये समूह पूर्ण ब्रह्मांड की संभावनाओं की तुलना में "छोटे" हैं, फिर भी वे ऐसे केक बनाते हैं जिन्हें रिवर्स-इंजीनियर करना असंभव रूप से जटिल है।

2. अवस्थाओं का "भीड़भाड़ वाला कमरा" (Crowded Room of States)

लेखकों ने यह भी देखा कि ये केक एक-दूसरे से कितने भिन्न हैं।

निष्कर्ष: आप इन जटिल अवस्थाओं की एक विशाल संख्या को एक "कमरे" में रख सकते हैं, और वे सभी लगभग ऑर्थोगोनल (orthogonal) होंगे (अर्थात, वे एक-दूसरे से उतने ही अलग हैं जितना कि दो अवस्थाएं हो सकती हैं)।
उदाहरण: कल्पना कीजिए कि लोगों से भरा एक कमरा है। यदि हर कोई एक थोड़ी अलग टोपी पहने हुए है, तो वे विशिष्ट हैं। लेकिन यहाँ, लेखक दिखाते हैं कि आप कमरे में "दोहरे घातांकीय" (doubly exponential) संख्या में लोगों को फिट कर सकते हैं, और हर व्यक्ति एक ऐसी टोपी पहने हुए है जो दूसरों की तुलना में पूरी तरह से अद्वितीय और विशिष्ट है। भले ही "टोपी बनाने वाली मशीन" (ग्रुप) प्रतिबंधित है, फिर भी यह विविध और अद्वितीय परिणामों की एक चक्करदार विविधता पैदा करती है।

3. "अनुमान लगाने का खेल" (The Guessing Game - रेसिपी सीखना)

शोध पत्र का दूसरा प्रमुख भाग सीखने (learning) के बारे में है। कल्पना कीजिए कि आप एक जासूस हैं जो केक के कुछ टुकड़ों (मेजरमेंट डेटा) को चखकर उसकी रेसिपी का पता लगाने की कोशिश कर रहे हैं।

निष्कर्ष: यदि आपको केवल कुछ टुकड़े चखने को मिलते हैं, तो इन केक्स की रेसिपी को सीखना अत्यंत कठिन है।
उदाहरण: मान लीजिए कि आप एक गुप्त कोड का अनुमान लगाने की कोशिश कर रहे हैं। यदि कोड इन प्रतिबंधित समूहों द्वारा बनाया गया है, तो यह इतना यादृच्छिक और एकसमान दिखता है कि इसका अनुमान लगाना एक दुस्वप्न जैसा है।
- शोध पत्र सिद्ध करता है कि यदि आपके पास एक बहुत शक्तिशाली कंप्यूटर भी है, तो भी पैटर्न को समझने के लिए आपको असंभव रूप से बड़ी संख्या में टुकड़ों (queries) को चखने की आवश्यकता होगी।
- यह समुद्र तट पर एक विशिष्ट रेत के कण को खोजने जैसा है जिसे एक बार में एक कण उठाकर खोजने की कोशिश की जा रही है। समुद्र तट इतना बड़ा है (जटिलता इतनी अधिक है) कि निश्चित होने के लिए आपको ब्रह्मांड में मौजूद परमाणुओं से भी अधिक कण उठाने की आवश्यकता होगी।

4. यह क्यों महत्वपूर्ण है (पेपर के संदर्भ में)

लेखक इसके कुछ विशिष्ट कारण बताते हैं, जो केवल उनके द्वारा लिखे गए आधार पर हैं:

हार्डवेयर की वास्तविकता: वास्तविक क्वांटम कंप्यूटरों में अक्सर भौतिक सीमाएं होती हैं। वे स्वाभाविक रूप से "वास्तविक-संख्या" वाली अवस्थाएं (ऑर्थोगोनल) या विशिष्ट सममिति (सिम्प्लेक्टिक) उत्पन्न कर सकते हैं क्योंकि उनका हार्डवेयर इसी तरह से बना है। यह शोध पत्र हमें आश्वस्त करता है कि इन भौतिक सीमाओं के बावजूद, कंप्यूटर अभी भी कुछ अविश्वसनीय रूप से जटिल और "अराजक" (chaotic) कर रहा है।
सुरक्षा और सत्यापन (Security & Verification): क्योंकि ये अवस्थाएं इतनी कठिन अनुमान और सीखने योग्य हैं, इसलिए ये यह साबित करने के लिए अच्छे उम्मीदवार हैं कि एक क्वांटम कंप्यूटर वास्तव में कुछ ऐसा कर रहा है जो एक सामान्य कंप्यूटर नहीं कर सकता (क्वांटम एडवांटेज)। यह एक ऐसे ताले की तरह है जो इतना जटिल है कि एक मास्टर चोर (एक क्लासिकल कंप्यूटर) भी इसे अनंत काल खर्च किए बिना नहीं खोल सकता।
मशीन लर्निंग: यदि आप इन समूहों का उपयोग करके एक क्वांटम मशीन लर्निंग मॉडल को प्रशिक्षित करने का प्रयास करते हैं, तो आप एक "बैरन प्लेटो" (barren plateau) से टकरा सकते हैं। यह एक ऐसे पहाड़ पर चढ़ने जैसा है जो ऊपर से पूरी तरह सपाट है; आप चाहे जिस भी दिशा में कदम रखें, आप ऊंचे नहीं होते (आप कुछ भी नहीं सीखते)। शोध पत्र सुझाव देता है कि अपने मॉडल में केवल सममिति जोड़ने से वह प्रशिक्षण में आसान नहीं हो जाता; यह अभी भी बहुत जटिल हो सकता है।

सारांश

यह शोध पत्र एक गणितीय प्रमाण है कि प्रतिबंध अनिवार्य रूप से जटिलता को कम नहीं करते हैं। भले ही आप अपने क्वांटम उपकरणों को विशिष्ट, संरचित समूहों (जैसे कि वास्तविक दुनिया के हार्डवेयर में उपयोग किए जाने वाले समूहों) तक सीमित कर दें, फिर भी परिणामी क्वांटम अवस्थाएं अभी भी:

अविश्वसनीय रूप से जटिल (बनाने या वर्णन करने में कठिन) हैं।
अत्यधिक विशिष्ट (एक-दूसरे के साथ भ्रमित होने में कठिन) हैं।
सीमित डेटा से सीखने में असंभव हैं।

यह यह खोजने जैसा है कि भले ही एक छोटा, विशिष्ट टूलबॉक्स एक ऐसा घर बना सकता है जो इतना जटिल है कि कोई भी केवल ईंटों को देखकर यह नहीं जान सकता कि इसे कैसे बनाया गया था।

तकनीकी सारांश: ऑर्थोगोनल और सिम्प्लेक्टिक समूहों से क्वांटम अवस्थाओं और सर्किट की जटिलता पर

1. समस्या विवरण

क्वांटियम अवस्थाओं और सर्किट की जटिलता को समझना क्वांटम सूचना विज्ञान में एक केंद्रीय चुनौती है, जिसके निहितार्थ मैनी-बॉडी भौतिकी (many-body physics), उच्च-ऊर्जा भौतिकी और क्वांटम लर्निंग थ्योरी में हैं। पारंपरिक रूप से, विशिष्ट अवस्थाओं और सर्किटों के व्यवहार को पूर्ण यूनिटरी समूह $U(D)$ पर हाार मेजर (Haar measure) से यूनिटरी ट्रांसफॉर्मेशन के नमूने लेकर मॉडल किया जाता है। हालांकि, कई भौतिक और एल्गोरिद्मिक संदर्भों में विशिष्ट उपसमूहों (subgroups) से प्राप्त संरचित यूनिटरीज शामिल होती हैं, जैसे कि स्पेशल ऑर्थोगोनल समूह $SO(D) $, यूनिटरी सिम्प्लेक्टिक समूह$ Sp(D/2) $, और स्पेशल यूनिटरी समूह$ SU(D)$।

इस कार्य में संबोधित केंद्रीय प्रश्न यह है कि क्या ये संरचित उपसमूह उन औसत-मामला गुणों (average-case properties) की नकल कर सकते हैं जो आमतौर पर हार-रैंडम (Haar-random) यूनिटरीज के लिए आरोपित किए जाते हैं। विशेष रूप से, लेखक जांचते हैं कि:

अवस्था जटिलता (State Complexity): क्या इन शास्त्रीय कॉम्पैक्ट समूहों से उत्पन्न रैंडम अवस्थाएं उच्च "स्ट्रॉन्ग स्टेट कॉम्प्लेक्सिटी" प्रदर्शित करती हैं (अर्थात, क्या वे सीमित आकार के सर्किटों का उपयोग करके मैक्सिमली मिक्स्ड स्टेट से अलग होने में कठिन हैं)?
सीखने की कठिनाई (Learning Hardness): क्या इन उपसमूहों से प्राप्त सर्किटों का आउटपुट वितरण (Born distribution) स्टैटिस्टिकल क्वेरी (SQ) मॉडल में सीखने में कठिन है?

2. कार्यप्रणाली

लेखक प्रत्येक समूह $G \in \{SU(D), SO(D), Sp(D/2)\}$ के साथ $D=2^n$ के लिए प्रेरित एनसेम्बल (ensembles) का विश्लेषण करने के लिए सांद्रता माप (concentration of measure) घटनाओं और गाऊसी एकीकरण (Gaussian integration) तकनीकों के संयोजन का उपयोग करते हैं।

सांद्रता माप (Concentration of Measure): विश्लेषण लेवी के लेम्मा (Lévy's Lemma) पर अत्यधिक निर्भर है, जो बताता है कि कॉम्पैक्ट समूहों पर लिप्सचिट्ज़ फलन (Lipschitz functions) अपने माध्य के आसपास केंद्रित होते हैं। लेखक प्रत्येक समूह के लिए विशिष्ट सांद्रता स्थिरांकों ( $C_{SO}, C_{Sp}, C_{SU}$ ) का उपयोग अवस्थाओं की विभेदन क्षमता (distinguishability) और आउटपुट वितरण गुणों को बांधने (bound) के लिए करते हैं।
गाऊसी एकीकरण पुनर्गठन (Gaussian Integration Reformulation): वींगेटन कैलकुलस (Weingarten calculus) पर निर्भर रहने के बजाय इन समूहों पर औसतों का मूल्यांकन करने के लिए, लेखक हार औसतों को मानक स्वतंत्र गाऊसीय यादृच्छिक चरों (standard independent Gaussian random variables) पर अपेक्षाओं के रूप में पुनर्गठित करते हैं। यह तकनीक समरूप कार्यों (homogeneous functions) के लिए ऑर्थोगोनल, सिम्प्लेक्टिक और यूनिटरी मामलों के उपचार को एकीकृत करती है।
स्टैटिस्टिकल क्वेरी (SQ) ढांचा: सीखने की समस्या को SQ मॉडल के भीतर औपचारिक रूप दिया गया है, जहाँ एक एल्गोरिदम केवल बाउंडेड टेस्ट फंक्शन्स के अपेक्षाओं के $\tau$ -सटीक अनुमानों के माध्यम से लक्ष्य वितरण तक पहुँचता है। यह निकट-अवधि क्वांटम उपकरणों (सीमित-शॉट सांख्यिकी) और शोर वाले मापनों की सीमाओं को मॉडल करता है।
डिज़ाइन थ्योरी (Design Theory): परिणामों को इन समूहों पर $\varepsilon$ -एप्रोक्सिमेट $k$ -डिज़ाइन पर विस्तारित किया जाता है, जिसमें डिज़ाइन मोमेंट्स की हार मोमेंट्स के करीब होने के बाउंड्स का उपयोग किया जाता है।

3. प्रमुख योगदान और परिणाम

A. उच्च स्ट्रॉन्ग स्टेट कॉम्प्लेक्सिटी और ज्यामितीय पृथक्करण

लेखक स्थापित करते हैं कि सिम्प्लेक्टिक या ऑर्थोगोनल यूनिटरीज का उपयोग करके उत्पन्न रैंडम क्वांटम अवस्थाएं आमतौर पर घातांकीय रूप से बड़ी स्ट्रॉन्ग स्टेट कॉम्प्लेक्सिटी प्रदर्शित करती हैं।

प्रमेय 3: $SO(D), Sp(D/2), $या$ SU(D) $के हार-प्रेरित एनसेम्बल से ली गई एक रैंडम अवस्था$ |\psi\rangle $के लिए, यह संभावना कि इसे आकार$ r $(तत्व गेटों से बना) के सर्किट का उपयोग करके मैक्सिमली मिक्स्ड स्टेट से अलग किया जा सकता है, सिस्टम आयाम$ D $में घातांकीय रूप से छोटी है, बशर्ते$ r \lesssim D/\log n $हो। यह परिणाम सटीक हार एनसेम्बल और एप्रोक्सिमेट$ k $-डिज़ाइन (के लिए$ k>3$) दोनों के लिए मान्य है।
प्रमेय 4: उच्च जटिलता मजबूत ज्यामितीय पृथक्करण के साथ संगत है। लेखक यह सिद्ध करते हैं कि इन एनसेम्बल के भीतर दोहरी घातांकीय बड़ी संख्या में अवस्थाओं को इस तरह पैक किया जा सकता है कि प्रत्येक की उच्च जटिलता हो और प्रत्येक जोड़ी ट्रेस दूरी (trace distance) में लगभग मैक्सिमली सेपरेटेड हो। यह पुष्टि करता है कि ये संरचित एनसेम्बल कम-जटिलता वाले क्षेत्रों में क्लस्टर नहीं होते हैं।

B. बोर्न डिस्ट्रीब्यूशन सीखने की औसत-मामला कठिनाई

यह शोध पत्र प्रदर्शित करता है कि इन शास्त्रीय समूहों से प्राप्त सर्किटों के आउटपुट वितरण को सीखना SQ मॉडल में औसत-मामले में कठिन (average-case hard) है।

प्रमेय 5 और 6: लेखक बोर्न वितरण $P_U$ और यूनिफॉर्म वितरण के बीच औसत कुल भिन्नता दूरी (total variation distance) को नियंत्रित करने वाले स्पष्ट स्थिरांक ( $M_G$ ) की गणना करते हैं। वे दिखाते हैं कि $SO(D) $और$ Sp(D/2)$ के लिए, ये वितरण औसत रूप से यूनिफॉर्म से दूर हैं।
क्वेरी जटिलता (Query Complexity): सांद्रता माप (यह दिखाते हुए कि अधिकांश सर्किट यूनिफॉर्म से दूर हैं) को SQ लोअर बाउंड फ्रेमवर्क (लेम्मा 2) के साथ जोड़कर, लेखक सिद्ध करते हैं कि इन बोर्न डिस्ट्रीबक्शंस के एक बहुत छोटे अंश को भी गैर-तुच्छ सटीकता तक सीखने के लिए दोहरी घातांकीय क्वेरी ( $q = 2^{2^{\Omega(n)}}$ ) की आवश्यकता होती है। यह कठिनाई पूर्ण यूनिटरी समूह की तरह ही ऑर्थोगोनल और सिम्प्लेक्टिक समूहों पर भी लागू होती है।

C. तकनीकी एकीकरण

इन बाउंड्स को प्राप्त करने के लिए गाऊसी एकीकरण प्रमेयों का उपयोग करना एक महत्वपूर्ण पद्धतिगत योगदान है। यह दृष्टिकोण वींगेटन कैलकुलस की जटिलता से बचता है और एक एकीकृत प्रमाण तकनीक प्रदान करता है, जिससे ऑर्थोगोनल, सिम्प्लेक्टिक और यूनिटरी मामलों के लिए स्पष्ट औसत-मामला बाउंड्स प्राप्त होते हैं।

4. महत्व और निहितार्थ

यह शोध दावा करता है कि यूनिटरी समूह के संरचित उपसमूह पूर्ण यूनिटरी समूह के समान जटिलता प्रदर्शित कर सकते हैं। इन निष्कर्षों का महत्व निम्नलिखित संदर्भों में स्पष्ट किया गया है:

छद्म-यादृच्छिकता (Pseudorandomness) और अराजकता (Chaos): परिणाम इस विचार का समर्थन करते हैं कि "हार-जैसे" आउटपुट सांख्यिकी और उच्च जटिलता उथले डेप्थ (shallow depths) पर संरचित सेटिंग्स (जैसे, वास्तविक-मान एनकोडिंग या सिम्प्लेक्टिक सर्किट) में उभर सकती है, जो क्वांटम अराजकता और क्वांटम ग्रेविटी को मॉडल करने के लिए प्रासंगिक है।
क्वांटम लर्निंग थ्योरी (QML): ये निष्कर्ष बैरन प्लेटो (barren plateaus) जैसी बाधाओं से बचने के लिए क्वांटम सर्किट बोर्न मशीनों (QCBMs) में सिमेट्री इंजेक्ट करने की रणनीति को चुनौती देते हैं। लेखक दिखाते हैं कि एंसेट्स (ansatzes) को $SO(D) $या$ Sp(D/2)$ तक सीमित करना, अपने आप में, आउटपुट वितरण की सीखने की क्षमता को वापस नहीं लाता है। यह सुझाव देता है कि अत्यधिक अभिव्यंजक सिमेट्रिक एंसेट्स अभी भी औसत-मामला कठिनाई से ग्रस्त हो सकते हैं, जो वार्म-स्टार्ट्स या अधिक प्रतिबंधित मॉडलों के उपयोग को प्रेरित करता है।
क्वांटम लाभ और सत्यापन: इन समूहों से आउटपुट वितरण का यूनिफॉर्म से दूर होना उन्हें "हैवी आउटपुट जनरेशन" कार्यों के लिए उपयुक्त उम्मीदवार बनाता है, जो क्वांटम लाभ को सत्यापित करने के लिए एक प्रस्तावित विधि है।
क्रिप्टोग्राफी और ब्लैक होल: इन डिस्ट्रीबक्शंस को सीखने की औसत-मामला कठिनाई क्वांटम क्रिप्टोग्राफी (छद्म-यादृच्छिक अवस्था पीढ़ी) और ब्लैक होल डायनेमिक्स के अध्ययन जैसे मौलिक क्षेत्रों से जुड़ती है, जहाँ समान जटिलता-सैद्धांतिक बाधाएं प्रासंगिक हैं।

संक्षेप में, यह कार्य प्रदर्शित करता है कि सीखने की कम्प्यूटेशनल कठिनाई और विशिष्ट अवस्थाओं की उच्च जटिलता मजबूत विशेषताएं हैं जो तब भी बनी रहती हैं जब यादृच्छिकता को शास्त्रीय कॉम्पैक्ट उपसमूहों तक सीमित कर दिया जाता है, बशर्ते कि एनसेम्बल पर्याप्त समृद्ध हो (जैसे, $k>3$ के लिए $k$ -डिज़ाइन)।