Continuous Variable Hamiltonian Learning at Heisenberg Limit via Displacement-Random Unitary Transformation

तकनीकी सारांश: विस्थापन-यादृच्छिक यूनिटरी ट्रांसफ़ॉर्मेशन के माध्यम से हाइजेनबर्ग सीमा पर निरंतर चर हैमिल्टनियन लर्निंग

1. समस्या विवरण

यह शोध पत्र निरंतर-चर (CV) हैमिल्टनियन के लक्षण वर्णन की चुनौती को संबोधित करता है, जो क्वांटम सूचना विज्ञान और मेट्रोलॉजी के लिए एक मौलिक कार्य है। डिस्क्रीट सिस्टम (जैसे कि क्यूबिट्स) के विपरीत, CV सिस्टम अनंत-आयामी हिल्बर्ट स्पेस में संचालित होते हैं, जिससे गुणांकों (coefficients) को सीखना अत्यधिक गैर-तुच्छ हो जाता है। मुख्य कठिनाइयाँ निम्नलिखित हैं:

• अनंत आयामीता (Infinite Dimensionality): एक अनंत-आयामी स्थान में ऑपरेटरों के गुणांकों को सीखना।
• गैर-रैखिकता (Nonlinearity): उच्च-क्रम के पद तीव्र गैर-रैखिकता उत्पन्न करते हैं जहाँ त्रुटियाँ क्रम के साथ तेजी से बढ़ती हैं।
• मौजूदा प्रोटोकॉल की सीमाएँ: वर्तमान हाइजेनबर्ग-लिमिटेड प्रोटोकॉल अक्सर निम्न-क्रम संरचनाओं तक ही सीमित होते हैं, स्टेट प्रिपरेशन एंड मेजरमेंट (SPAM) त्रुटियों के प्रति संवेदनशील होते हैं, या सामान्य मल्टी-मोड सेटिंग्स के लिए प्रयोगात्मक रूप से अव्यवहार्य हो जाते हैं।
• प्रथम-क्वांटाइजेशन अंतराल (First-Quantization Gap): मौजूदा विधियाँ मुख्य रूप से सेकंड-क्वांटाइज्ड (बोसोनिक) ऑपरेटरों पर ध्यान केंद्रित करती हैं, जिससे स्थिति (position) और संवेग (momentum) ऑपरेटरों (प्रथम क्वांटाइजेशन) में व्यक्त भौतिक हैमिल्टनियन काफी हद तक अनसुलझे रह जाते हैं।

लक्ष्य एक जेनेरिक प्रोटोकॉल विकसित करना है जो उच्च प्रयोगात्मक सुलभता और हाइजेनबर्ग-लिमिटेड सटीकता ($T \sim O(1/\epsilon)$) के साथ मनमाने, मल्टी-मोड, निश्चित-क्रम वाले बोसोनिक ऑपरेटरों को सीखने में सक्षम हो।

2. कार्यप्रणाली: विस्थापन-यादृच्छिक यूनिटरी ट्रांसफ़ॉर्मेशन (D-RUT)

लेखक डिस्प्लेसमेंट-रैंड यूनिटरी ट्रांसफ़ॉर्मेशन (D-RUT) प्रोटोकॉल का प्रस्ताव करते हैं, जो एक सक्रिय डेटा अधिग्रहण ढांचा है जो क्वांटम माप बाधाओं को सांख्यिकीय गुणांक रिकवरी के साथ जोड़ता है। यह कार्यप्रणाली तीन मुख्य चरणों में संचालित होती है:

A. बहुपद प्रतिक्रिया (Polynomial Responses) में मानचित्रण
मुख्य अंतर्दृष्टि यह है कि लक्षित हैमिल्टनियन $\hat{H}$ को दो रूपांतरणों के माध्यम से एक संख्या-संरक्षण (number-conserving) प्रभावी ऑपरेटर $\hat{H}(\beta)$ में मैप किया जाए:

1. विस्थापन (Displacement): निर्माण और विनाश ऑपरेटरों ($\hat{b} \to \hat{b} + \beta$) को शिफ्ट करने के लिए एक विस्थापन ऑपरेटर $\hat{D}(\beta)$ लागू करें।
2. यादृच्छिक यूनिटरी ट्रांसफ़ॉर्मेशन (RUT): यादृच्छिक चरण रोटेशन $U(\theta) = e^{-i\theta \hat{N}}$ के माध्यम से विस्थापित हैमिल्टनियन का औसत निकालें। यह एक प्रोजेक्टर के रूप में कार्य करता है, जो गैर-संख्या-संरक्षण पदों (जहाँ निर्माण और विनाश की घातें भिन्न होती हैं) को समाप्त कर देता है।
   परिणामस्वरूप एक प्रभावी हैमिल्टनियन $\hat{H}(\beta)$ प्राप्त होता है जो संख्या ऑपरेटर $\hat{N}$ का एक बहुपद है। महत्वपूर्ण रूप से, इस प्रभावी हैमिल्टनियन का वैक्यूम आइजनवैल्यू, जिसे $C(\beta)$ कहा जाता है, एक स्केलर बहुपद प्रतिक्रिया है:
   $$C(\beta) = \sum_{0 < p+q \le d} g_{p,q} (\beta^*)^p \beta^q$$
   जहाँ $g_{p,q}$ अज्ञात हैमिल्टनियन गुणांक हैं।

B. रोबस्ट फेज एस्टीमेशन (RPE)
$C(\beta)$ को हाइजेनबर्ग-लिमिटेड सटीकता के साथ अनुमानित करने के लिए, प्रोटोकॉल रोबस्ट फेज एस्टीमेशन (RPE) का उपयोग करता है।

• एक नियंत्रित-यूनिटरी अनुक्रम (controlled-unitary sequence) का निर्माण ट्रोटराइज्ड (Trotterized) D-RUT ऑपरेशन्स का उपयोग करके किया जाता है।
• एक एंसिला क्यूबिट सिस्टम के साथ इंटरैक्ट करता है, और X और Y बेसिस में माप $\cos(\kappa C(\beta))$ और $\sin(\kappa C(\beta))$ पर निर्भर सांख्यिकी ($P_0^{Re}$ और $P_0^{Im}$) प्रदान करते हैं।
• ज्यामितीय रूप से बढ़ते विकास समय (evolution times) के साथ RPE को दोहराकर, $C(\beta)$ का अनुमान कुल विकास समय $O(1/\epsilon)$ के साथ लगाया जाता है। प्रोटोकॉल को सीमित SPAM त्रुटियों के विरुद्ध मजबूत बनाया गया है।

C. पदानुक्रमित गुणांक रिकवरी (Hierarchical Coefficient Recovery)
एक बार जब विभिन्न विस्थापन मापदंडों $\beta = r e^{i\theta}$ के लिए $C(\beta)$ का अनुमान लग जाता है, तो गुणांकों को दो-चरणीय व्युत्क्रमण (inversion) के माध्यम से प्राप्त किया जाता है:

1. रेडियल व्युत्क्रमण (Radial Inversion): रेडियल नोड्स $r_\mu$ पर चेबिशेव इंटरपोलेशन का उपयोग करके, मध्यवर्ती कोणीय गुणांक $g_l(\theta)$ प्राप्त किए जाते हैं। यह वेंडरमोंड मैट्रिक्स (Vandermonde matrix) के कंडीशन नंबर को कम करता है।
2. कोणीय व्युक्रमण (Angular Inversion): समान कोणीय नमूनों पर इनवर्स डिस्क्रीट फूरियर ट्रांसफॉर्म (DFT) का उपयोग करके, व्यक्तिगत गुणांक $g_{p,q}$ को हल किया जाता है।
   मल्टी-मोड सिस्टम के लिए, एक "विभाजित करो और जीतो" (divide-and-conquer) रणनीति अपनाई जाती है। विस्थापन मापदंडों को चुनिंदा रूप से शून्य करके, सिस्टम को क्लस्टर्स में विभाजित किया जाता है, जिससे पदानुक्रमित रिकवरी संभव होती है: पहले शुद्ध सिंगल-मोड गुणांकों को सीखना, फिर इंटरेक्शन क्लस्टर्स के भीतर कपलिंग गुणांकों को हल करना।

D. प्रथम-क्वांटाइजेशन तक विस्तार
इस ढांचे को प्रथम-क्वांटाइज्ड हैमिल्टनियन (जो $\hat{x}$ और $\hat{p}$ में व्यक्त होते हैं) तक विस्तारित किया गया है। एक ज्ञात संदर्भ फ्रेम $(m_0, \omega_0)$ द्वारा परिभाषित नए बोसोनिक बेसिस में समस्या को पुनर्गठित करके, भौतिक गुणांकों को प्रत्यक्ष रैखिक व्युत्क्रमण के माध्यम से प्राप्त किया जाता है, बशर्ते कि संदर्भ और भौतिक मापदंडों के बीच का अंतर सीमित हो।

3. मुख्य योगदान

• D-RUT प्रोटोकॉल: एक सक्रिय डेटा अधिग्रहण विधि का परिचय जो परिमित-क्रम बोसोनिक हैमिल्टनियन लर्निंग को बहुपद रिकवरी में बदल देता है, जिससे हाइजेनबर्ग-लिमिटेड स्केलिंग ($T \sim O(1/\epsilon)$) प्राप्त होती है।
• पदानुक्रमित दक्षता (Hierarchical Efficiency): एक पदानुक्रमित मल्टी-मोड रिकवरी रणनीति का विकास जो समवर्ती अनुमान विधियों की तुलना में बेहतर सांख्यिकीय दक्षता प्रदान करता है।
• मजबूती के आश्वासन (Robustness Guarantees): सीमित SPAM त्रुटियों के विरुद्ध मजबूती का सैद्धांतिक प्रमाण, जो पिछले हाइजेनबर्ग-लिमिटेड प्रोटोकॉल में एक महत्वपूर्ण सुधार है।
• प्रथम-क्वांटाइजेशन लर्निंग: भौतिक हैमिल्टनियन गुणांकों को सीधे स्थिति और संवेग ऑपरेटरों में सीखने के लिए प्रोटोकॉल का विस्तार।
• प्रयोगात्मक सुलभता: प्रोटोकॉल के लिए केवल वैक्यूम अवस्था और विस्थापन ऑपरेटरों तक पहुंच की आवश्यकता होती है, जिससे जटिल स्क्वीज्ड स्टेट्स या इंजीनियरड डिसिपेशन (engineered dissipation) की आवश्यकता नहीं होती।

4. परिणाम

• सैद्धांतिक गारंटी: लेखक यह सिद्ध करते हैं कि प्रोटोकॉल कुल विकास समय $T \sim O(\epsilon^{-1})$ के साथ सभी हैमिल्टनियन गुणांकों का रूट-मीन-स्क्वायर एरर (RMSE) $\epsilon$ तक अनुमान लगाता है।
• तुलना: इस कार्य की तुलना अत्याधुनिक विधियों (Li et al., 2024; Möbus et al., 2025) से की गई है। Li et al. (निम्न-क्रम तक सीमित) और Möbus et al. (SPAM त्रुटियों के प्रति संवेदनशील) के विपरीत, D-RUT उच्च-क्रम के पदों का समर्थन करता है, SPAM-रोबस्ट है, और प्रथम-क्वांटाइज्ड हैमिल्टनियन को संभाल सकता है।
• संख्यात्मक सत्यापन: सिंगल- और मल्टी-मोड नॉनलीनर सिस्टम पर संख्यात्मक प्रयोग अनुमानित हाइजेनबर्ग स्केलिंग की पुष्टि करते हैं।

5. महत्व और दावे

यह शोध पत्र दावा करता है कि यह निरंतर-चर हैमिल्टनियन लर्निंग के लिए एक जेनेरिक, प्रयोगात्मक रूप से सुलभ ढांचा प्रदान करता है जो पिछले दृष्टिकोणों की विशिष्ट सीमाओं को दूर करता है। इसका महत्व निम्नलिखित में निहित है:

• बाधाओं को जोड़ना: क्वांटम माप बाधाओं (शोर युक्त परिणामों से प्राप्त परिमित ऑपरेटर गुणांक) को सांख्यिकीय रिकवरी तकनीकों के साथ सफलतापूर्वक जोड़ना।
• आयामीता पर विजय: गतिशील प्रक्रियाओं को रिकवर करने योग्य स्केलर बहुपद प्रतिक्रियाओं में बदलकर अनंत-आयामी हिल्बर्ट स्पेस की चुनौतियों को संबोधित करना।
• व्यावहारिकता: यह एक ऐसा प्रोटोकॉल प्रदान करता है जो नाजुक संसाधनों (जैसे स्क्वीज्ड स्टेट्स) पर निर्भर नहीं है, बल्कि मानक ऑपरेशन्स (डिस्प्लेसमेंट और रैंडम यूनिटरीज) का उपयोग करता है, जो इसे वर्तमान और निकट-अवधि की क्वांटम प्रौद्योगिकियों के लिए व्यवहार्य बनाता है।
• व्यापक प्रयोज्यता: यह दोनों मानक बोसोनिक मॉडलों और स्थिति/संवेग में व्यक्त भौतिक मॉडलों को सीखने में सक्षम बनाता है, जो पिछले हाइजेनबर्ग-लिमिटेड तरीकों की तुलना में क्वांटम सिस्टम की एक विस्तृत श्रृंखला को कवर करता है।

लेखक D-RUT को उच्च सटीकता और शोर सहिष्णुता के साथ मनमाने, मल्टी-मोड, निश्चित-क्रम वाले बोसोनिक ऑपरेटरों को सीखने के लिए एक "दुर्लभ" जेनेरिक प्रोटोकॉल के समाधान के रूप में प्रस्तुत करते हैं।