Nearly optimal algorithms to learn sparse quantum Hamiltonians in physically motivated distances
यह शोध पत्र भौतिक रूप से प्रेरित दूरी मेट्रिक्स और एक लगभग इष्टतम एल्गोरिदम प्रस्तुत करता है, जो वैलिएंट-वाज़िरानी-प्रेरित आइसोलेशन तकनीक का लाभ उठाते हुए, मिलान करने वाले निचले स्तर के बंधनों (lower bounds) को स्थापित करते हुए, बेहतर नमूना और समय जटिलता के साथ -स्पार्स क्वांटम हैमिल्टोनियन को सीखता है।
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
क्वांटम दुनिया में, प्रत्येक कण का व्यवहार और एक प्रणाली के माध्यम से ऊर्जा का प्रवाह 'हैमिल्टोनियन' नामक एक एकल गणितीय वस्तु द्वारा निर्देशित होता है। आप इसे सिस्टम के आंतरिक निर्देश मैनुअल (instruction manual) के रूप में देख सकते हैं, जो एक जटिल ब्लूप्रिंट है जो क्वांटम अवस्था को यह बताता है कि समय के साथ कैसे बदलना है और कैसे एक स्थिर, तापीय संतुलन (thermal equilibrium) में बसना है। क्वांटम कंप्यूटर बनाने वाले या नई सामग्रियों का अध्ययन करने वाले वैज्ञानिकों के लिए, इस ब्लूप्रिंट को जानना अनिवार्य है। यदि वे इस मैनुअल को सटीक रूप से नहीं पढ़ सकते, तो वे यह भविष्यवाणी नहीं कर सकते कि मशीन कैसे व्यवहार करेगी या क्या कोई नई सामग्री उम्मीद के अनुसार बिजली का संचालन करेगी। हालाँकि, इस मैनुअल को पढ़ना अत्यंत कठिन है। केवल कुछ दर्जन कणों वाले सिस्टम के लिए निर्देश मैनुअल इतना विशाल है कि इसमें ब्रह्मांड में मौजूद परमाणुओं की संख्या से भी अधिक अंक होते हैं। ऐसे सिस्टम के हर एक विवरण को समझने की कोशिश करना समुद्र में एक कप पानी डुबोकर पूरे महासागर का मानचित्र बनाने जैसा है; यह कार्य असंभव लगता है क्योंकि आवश्यक सूचना की मात्रा सिस्टम के आकार के साथ तेजी से (exponentially) बढ़ती है।
वर्षों से, शोधकर्ता इस धारणा के आधार पर इसे हल करने का प्रयास कर रहे हैं कि निर्देश मैनुअल ज्यादातर खाली है, जिसमें पूरे पृष्ठ के पाठ के बजाय केवल कुछ सक्रिय निर्देश ही शामिल हैं। 'स्पैरसिटी' (sparsity) के रूप में जानी जाने वाली यह अवधारणा बताती है कि कई भौतिक प्रणालियों में, केवल एक छोटी संख्या में अंतःक्रियाएं (interactions) वास्तव में मायने रखती हैं। इस सरलीकरण के बावजूद, एक बड़ी समस्या बनी रही: वैज्ञानिक यह मापने के लिए जिन उपकरणों का उपयोग करते थे कि उन्होंने मैनुअल को कितनी अच्छी तरह सीखा है, वे अक्सर गणितीय रूप से सुविधाजनक थे लेकिन भौतिक रूप से अर्थहीन थे। वे गणितीय अर्थ में यह तो सिद्ध कर सकते थे कि वे करीब हैं, लेकिन वे इस बात की गारंटी नहीं दे सकते थे कि वास्तविक प्रयोग में सिस्टम वास्तव में एक जैसा व्यवहार करेगा। इसके अलावा, कोई नहीं जानता था कि जो विधियाँ वे उपयोग कर रहे थे, क्या वे मैनुअल सीखने का सबसे अच्छा तरीका थीं, या वे बिना किसी मानचित्र के अंधेरे में भटक रहे थे।
शोधकर्ताओं की एक टीम ने अब दो क्वांटम निर्देश मैनुअलों के बीच की दूरी को मापने का एक नया तरीका और उन्हें लगभग पूर्ण दक्षता के साथ सीखने वाला एक एल्गोरिदम विकसित करके इन कमियों को दूर किया है। उन्होंने दो नए तरीके पेश किए हैं जिनसे यह आंका जा सके कि दो सिस्टम कितने भिन्न हैं, जो दोनों वास्तविक भौतिकी पर आधारित हैं। पहला यह मापता है कि दो सिस्टम कितने अलग हैं यदि आप उन्हें सीमित समय के लिए विकसित होने देते हैं, जैसे कि घड़ी की सुइयों को कुछ सेकंड के लिए अलग तरह से चलते देखने के लिए उन्हें देखना। दूसरा यह मापता है कि वे कितने अलग हैं जब उन्हें एक विशिष्ट तापमान तक ठंडा किया जाता है, यह जांचते हुए कि क्या उनके तापीय अवस्थाएँ (thermal states) अलग दिखती हैं। ये नए माप सुनिश्चित करते हैं कि यदि दो मैनुअल को "करीब" माना जाता है, तो उनके द्वारा वर्णित सिस्टम लैब में लगभग एक समान व्यवहार करेंगे।
इन नई परिभाषाओं का उपयोग करते हुए, शोधकर्ताओं ने एक ऐसा एल्गोरिदम डिजाइन किया है जो एक विरल (sparse) क्वांटम निर्देश मैनुअल के सक्रिय हिस्सों को लगभग सर्वोत्तम सैद्धांतिक रूप से संभव प्रयोगों की संख्या के साथ सीख सकता है। यह विधि शेष प्रणाली के शोर (noise) से विशिष्ट निर्देशों को अलग करने की एक चतुर तकनीक पर निर्भर करती है। कल्पना कीजिए कि आप एक भीड़ भरे कमरे में एक अकेली बातचीत को सुनने की कोशिश कर रहे हैं; पूरी भीड़ को सुनने के बजाय, एल्गोरिदम यादृच्छिक फिल्टर (random filters) की एक श्रृंखला का उपयोग करता है ताकि उस विशिष्ट आवाज को छोड़कर बाकी सबको शांत किया जा सके जिसे वह सुनना चाहता है। इस प्रक्रिया को दोहराकर, यह बिल्कुल पहचान सकता है कि मैनुअल में कौन से निर्देश मौजूद हैं और फिर उनकी शक्ति को उच्च सटीकता के साथ माप सकता है। टीम ने सिद्ध किया कि उनके तरीके के लिए प्रयोगों की संख्या सक्रिय निर्देशों की संख्या के साथ कुशलतापूर्वक बढ़ती है, और इस सटीकता को प्राप्त करने के लिए सिस्टम को विकसित होने का कुल समय भी लगभग इष्टतम (optimal) है।
शोधकर्ताओं ने यह भी स्थापित किया कि कोई भी सीखने की प्रक्रिया कितनी तेजी से काम कर सकती है इसकी सख्त सीमाएं क्या हैं, यह सिद्ध करते हुए कि उनका नया एल्गोरिदम उतना ही कुशल है जितना कि प्रकृति अनुमति देती है। उन्होंने दिखाया कि आप मौलिक भौतिक सिद्धांतों का उल्लंघन किए बिना इन सिस्टमों को उनके तरीके से काफी तेजी से नहीं सीख सकते। यह कार्य विशेष रूप से महत्वपूर्ण है क्योंकि यह अतिरिक्त, सहायक क्वांटम बिट्स की आवश्यकता को समाप्त करता है जिनकी पिछली विधियों को आवश्यकता थी, जिससे सीखने की प्रक्रिया वर्तमान हार्डवेयर के लिए अधिक व्यावहारिक हो जाती है। भौतिक रूप से सार्थक दूरियों पर ध्यान केंद्रित करके और अपने दृष्टिकोण की इष्टतमता को सिद्ध करके, टीम ने जटिल क्वांटम प्रणालियों के लक्षण वर्णन (characterizing) के लिए एक विश्वसनीय, कुशल रोडमैप प्रदान किया है। इस प्रगति का अर्थ है कि जैसे-जैसे क्वांटम तकनीक बढ़ेगी, वैज्ञानिकों के पास उनके द्वारा बनाए गए उपकरणों के अंतर्निहित भौतिकी को समझने का एक मजबूत और प्रमाणित तरीका होगा, जिससे यह सुनिश्चित होगा कि सिद्धांत से वास्तविक दुनिया के अनुप्रयोग तक का संक्रमण एक ठोस नींव पर बना है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।