⚛️ क्वांटम भौतिकी

Learning and certification of local time-dependent quantum dynamics and noise

यह शोध पत्र उत्पाद-अवस्था तैयारियों (product-state preparations), पॉली मापन (Pauli measurements) और स्थिर अंतर्वेशन (stable interpolation) का उपयोग करते हुए, उच्च प्रायिकता के साथ बहुपद संसाधनों (polynomial resources) के माध्यम से समान पुनर्निर्माण प्राप्त करने के लिए, कमजोर विसंयोजन शोर (weak dephasing noise) वाले स्थानीय रूप से परस्पर क्रिया करने वाले $n$ -qubit प्रणालियों के समय-निर्भर गुणांकों को सीखने और प्रमाणित करने के लिए एक स्केलेबल और कठोर प्रोटोकॉल प्रस्तुत करता है।

मूल लेखक: Daniel Stilck França, Cambyse Rouzé, Albert H. Werner, Tim Möbus

प्रकाशित 2026-10-14

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Daniel Stilck França, Cambyse Rouzé, Albert H. Werner, Tim Möbus

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 कंप्यूटर ऐसी मशीनें हैं जिन्हें उन समस्याओं को हल करने के लिए बनाया गया है जो किसी भी क्लासिकल कंप्यूटर के लिए बहुत जटिल हैं, लेकिन वे स्वभाव से बहुत नाजुक होती हैं। उन्हें उपयोगी बनाने के लिए, वैज्ञानिकों को यह सटीक रूप से समझना होगा कि उनके भीतर के कण समय के साथ कैसे चलते हैं और आपस में कैसे क्रिया करते हैं। यह गति 'डायनामिक्स' (dynamics) नामक नियमों द्वारा नियंत्रित होती है। सरल मामलों में, ये नियम एक समान रहते हैं, जैसे एक घड़ी निरंतर गति से टिक-टिक करती है। हालांकि, वास्तविक दुनिया में, ये नियम अक्सर बदलते रहते हैं। कणों को निर्देशित करने वाले बल मशीन के प्रोग्राम चलाने के दौरान भटक सकते हैं, स्पंदित हो सकते हैं या बदल सकते हैं। इसे 'टाइम-डिपेंडेंट डायनामिक्स' (time-dependent dynamics) कहा जाता है। जब इन बदलते नियमों को पूरी तरह से नहीं समझा जाता, तो कंप्यूटर गलतियाँ करता है। इसे ठीक करने के लिए, शोधकर्ताओं को इन बदलते नियमों को वास्तविक समय में मापने और मानचित्रित करने के तरीके की आवश्यकता है, लेकिन बिना मशीन को नुकसान पहुँचाए एक बड़े सिस्टम पर ऐसा करना एक बड़ी चुनौती रही है।

शोधकर्ताओं की एक टीम ने इन बदलते नियमों को कुशलतापूर्वक सीखने का एक नया तरीका विकसित किया है। उनका काम उन प्रणालियों पर केंद्रित है जहाँ कण केवल अपने निकटतम पड़ोसियों के साथ परस्पर क्रिया करते हैं, जो क्वांटम उपकरणों में एक सामान्य सेटअप है। उन्होंने एक प्रोटोकॉल बनाया जो इन अंतःक्रियाओं की शक्ति और उस दर को भी पता लगा सकता है जिस पर सिस्टम जानकारी खो देता है, भले ही ये मान क्षण-प्रति-क्षण बदलते रहें। यह विधि कणों की सरल, स्थिर अवस्थाओं को तैयार करने, उन्हें एक चुने हुए समय के लिए विकसित होने देने और फिर परिणाम को मापने के माध्यम से कार्य करती है। विभिन्न सेटिंग्स के साथ इस प्रक्रिया को कई बार दोहराकर, टीम यह पता लगा सकती है कि सिस्टम के नियम कैसे बदले, बिना नियमों को पहले से जाने।

इस उपलब्धि का मूल आधार एक अस्त-व्यस्त, परिवर्तनशील समस्या को एक स्थिर, समाधान योग्य समस्या में बदलने का तरीका है। अतीत में, बदलते नियमों को सीखने की कोशिश करने से अक्सर गणितीय भ्रम पैदा होता था क्योंकि डेटा बहुत शोर वाला हो जाता था या समीकरण हल करने के लिए बहुत जटिल हो जाते थे। शोधकर्ताओं ने 'प्रोसेस शैडो टोमोग्राफी' (process shadow tomography) नामक तकनीक का उपयोग करके इस समस्या को हल किया। कल्पना कीजिए कि आप एक जटिल मशीन को उसके गियर की आवाज़ सुनकर समझने की कोशिश कर रहे हैं; आपको यह जानने के लिए कि वह कैसे काम करती है, उसके हर एक हिस्से को देखने की आवश्यकता नहीं है, बस एक चित्र बनाने के लिए कुछ प्रमुख ध्वनियाँ पर्याप्त हैं। इसी प्रकार, यह विधि क्वांटम सिस्टम के कई छोटे, यादृच्छिक मापों को लेती है। ये माप अपने आप में पूर्ण नहीं होते हैं, लेकिन जब उन्हें मिलाया जाता है, तो वे सिस्टम के विकास की अंतर्निहित संरचना को प्रकट करते हैं। शोधकर्ताओं ने सिद्ध किया कि इन मापों का उपयोग करके, वे समीकरणों का एक सेट बना सकते हैं जो स्थिर और आसानी से हल करने योग्य है, यहाँ तक कि कई कणों वाले बड़े सिस्टम के लिए भी।

उनकी सफलता का एक महत्वपूर्ण हिस्सा इस तथ्य को संभालना था कि सिस्टम पूरी तरह से अलग-थलग नहीं है। वास्तविक क्वांटम मशीनें हमेशा अपने वातावरण में थोड़ी जानकारी खो देती हैं, जिसे 'डिसिपेशन' (dissipation) कहा जाता है। पिछले तरीके अक्सर तब संघर्ष करते थे जब यह डिसिपेशन मौजूद होता था, या उन्हें यह आवश्यकता होती थी कि सिस्टम पूरी तरह से अलग-थलग रहे, जो व्यवहार में लगभग असंभव है। यह नया प्रोटोकॉल तब भी काम करता है जब इसमें सूचना की थोड़ी कमी होती है, विशेष रूप से जब यह हानि व्यक्तिगत कणों पर एक अनुमानित तरीके से होती है। शोधकर्ताओं ने दिखाया कि जब तक यह हानि बहुत अधिक नहीं होती, वे अभी भी सिस्टम के बदलते नियमों का सटीक मानचित्र बना सकते हैं। उन्होंने यह भी सिद्ध किया कि वांछित उत्तर प्राप्त करने के लिए आवश्यक डेटा की मात्रा सिस्टम के बड़ा होने पर बहुत धीमी गति से बढ़ती है, जिसका अर्थ है कि यह विधि भविष्य की बड़ी मशीनों तक विस्तार कर सकती है।

टीम ने अपने विचार का परीक्षण विस्तृत कंप्यूटर सिमुलेशन के माध्यम से किया ताकि यह सुनिश्चित हो सके कि यह व्यवहार में काम करेगा। उन्होंने पंद्रह कणों के एक सिस्टम का सिमुलेशन किया, जो इतना बड़ा है कि पुराने तरीकों के लिए इसका उपयोग करना असंभव होता। इन परीक्षणों में, उन्होंने उच्च सटीकता के साथ सिस्टम के बदलते नियमों को सफलतापूर्वक पुनर्गठित किया। उन्होंने यह भी जाँच की कि जब नियम सरल सुचारू वक्रों के बजाय जटिल, गैर-दोहराव वाले पैटर्न में बदलते हैं, तो यह विधि कितनी अच्छी तरह काम करती है। परिणामों ने दिखाया कि डेटा को फिट करने के लिए उपयोग किए जाने वाले गणितीय मॉडल की जटिलता को समायोजित करके, वे इन जटिल परिवर्तनों को भी पकड़ सकते हैं। सिमुलेशन ने पुष्टि की कि एक सटीक उत्तर प्राप्त करने के लिए आवश्यक मापों की संख्या प्रबंधनीय रहती है, जो केवल वांछित सटीकता और बदलते नियमों की जटिलता के पावर (power) के रूप में बढ़ती है।

यह कार्य अगली पीढ़ी के क्वांटम प्रयोगों के लिए एक व्यावहारिक उपकरण प्रदान करता है। यह वैज्ञानिकों को यह सत्यापित करने की अनुमति देता है कि उनकी मशीनें इच्छानुसार व्यवहार कर रही हैं, भले ही वातावरण शोर वाला हो और नियम बदल रहे हों। इन बदलते नियमों को न्यूनतम प्रयोगात्मक आवश्यकताओं के साथ सीखने में सक्षम होने से, यह विधि अधिक विश्वसनीय क्वांटम सिमुलेशनों के द्वार खोलती है। इसका अर्थ है कि शोधकर्ता अब जटिल संचालन के दौरान अपने उपकरणों के प्रदर्शन की जाँच कर सकते हैं, जैसे विशिष्ट क्वांटम अवस्थाओं को तैयार करना या ऐसे एल्गोरिदम चलाना जिनमें सटीक समय की आवश्यकता होती है। इन गतिशील प्रक्रियाओं को प्रमाणित करने की क्षमता एक महत्वपूर्ण कदम है, जो इस क्षेत्र को सैद्धांतिक संभावना से व्यावहारिक, सत्यापन योग्य वास्तविकता की ओर ले जाती है। शोधकर्ताओं ने अपना कोड और डेटा उपलब्ध करा दिया है, जिससे अन्य लोग इस कुशल तरीके का परीक्षण कर सकें और इस पर आगे बढ़ सकें।

तकनीकी सारांश: स्थानीय समय-निर्भर क्वांटम गतिकी और शोर का सीखना और प्रमाणन

समस्या विवरण
यह शोध पत्र $n$ -क्यूबिट प्रणालियों पर समय-निर्भर क्वांटम गतिकी के जनरेटरों (generators) को सीखने की चुनौती को संबोधित करता है। समय-स्वतंत्र गतिकी के लिए हैमिल्टोनियन लर्निंग प्रोटोकॉल ने कठोर और स्केलेबल गारंटी (अक्सर सिस्टम आकार में पॉलीनोलॉगरिदमिक सैंपल कॉम्प्लेक्सिटी के साथ) प्राप्त की है, लेकिन मौजूदा कठोर विधियाँ स्पष्ट रूप से समय-निर्भर गतिकी को संभालने में विफल रहती हैं। यह अंतराल महत्वपूर्ण है क्योंकि कई व्यावहारिक क्वांटम कार्य—जैसे कि एडियाबेटिक स्टेट प्रिपरेशन, क्वेंच (quenches), फ्लोकेट इंजीनियरिंग (Floquet engineering), और डायनामिकल डिकपलिंग—समय-निर्भर नियंत्रण पर निर्भर करते हैं, और वास्तविक शोर स्रोत अक्सर समय-निर्भर ड्रिफ्ट प्रदर्शित करते हैं।

विशिष्ट समस्या जिसे संबोधित किया गया है वह समस्या 2.1 है: प्रभावी आयाम $D$ वाले एक ग्राफ $G$ पर स्थानीय रूप से परस्पर क्रिया करने वाले $n$ -क्यूबिट सिस्टम के समय-निर्भर गुणांकों को सीखना। अज्ञात जनरेटर $S(t)$ एक समय-निर्भर लिंडब्लैडियन (Lindbladian) है जिसमें शामिल हैं:

ज्यामितीय रूप से स्थानीय हैमिल्टोनियन पद $-i h_{(x,z)}(t) P_{(x,z)}$ ।
कमजोर ऑनसाइट पाउली-डीफेजिंग (Pauli-dephasing) पद $\ell_{j,P}(t) L_{j,P}$ ।

सीखने का लक्ष्य अंतराल $[0, T]$ पर गुणांक फलनों $h_{(x,z)}(t)$ और $\ell_{j,P}(t)$ को त्रुटि $\epsilon$ और सफलता की प्रायिकता $1-\delta$ के साथ समान रूप से (uniformly) पुनर्गठित करना है, जो एक प्रयोगात्मक रूप से न्यूनतम एक्सेस मॉडल (प्रोडक्ट पाउली आइजनस्टेट्स की तैयारी, विकास, और प्रोडक्ट पाउली माप) का उपयोग करता है।

कार्यप्रणाली
प्रस्तावित प्रोटोकॉल तीन मुख्य तकनीकी स्तंभों को जोड़ता है: मार्कोव-स्टेबल फंक्शन सिस्टम्स (MSFS), लीब-रॉबिन्सन (LR) बाउंड्स, और सेमीडेफिनेट प्रोग्रामिंग (SDP) के साथ एकीकृत प्रोसेस शैडो टॉमोग्राफी।

स्मूथनेस और इंटरपोलेशन मॉडल:
प्रोटोकॉल यह मानता है कि समय-निर्भर गुणांक और उनके डेरिवेटिव एक ज्ञात परिमित-आयामी फंक्शन क्लास $\mathcal{F}_m$ (उदाहरण के लिए, डिग्री $m$ के बहुपद) के भीतर एक प्रमाणित 'समतुल्य $C^1$ एप्रोक्सिमेशन' को स्वीकार करते हैं। इस क्लास को एक "मार्कोव-स्टेबल फंक्शन सिस्टम" के रूप में परिभाषित किया गया है, जो यह सुनिश्चित करता है कि डेरिवेटिव को डिग्री $m$ के केवल बहुपद ओवरहेड के साथ फंक्शन वैल्यूज से स्थिर रूप से अनुमानित किया जा सकता है। सीखने के कार्य को विशिष्ट समय नोड्स पर गुणांकों का अनुमान लगाने और उन्हें स्थिर रूप से इंटरपोलेट करने में बदल दिया जाता है।
परिमित-समय डेरिवेटिव अनुमान:
समय-स्वतंत्र लर्निंग जो $t=0$ पर डेरिवेटिव पर निर्भर करती है, उसके विपरीत, यह प्रोटोकॉल परिमित समय $t_i$ पर चैनल ओवरलैप के डेरिवेटिव का अनुमान लगाता है। एक ट्रांसफर-मैट्रिक्स एंट्री $f_O(t) = 2^{-n}\text{tr}[T(0,t)(O)P]$ का डेरिवेटिव अज्ञात गुणांकों $h_\alpha(t)$ और $\ell_{j,P}(t)$ के रैखिक (linear) में है। हालांकि, इस रैखिक प्रणाली के गुणांक स्वयं अज्ञात विकास (evolution) पर निर्भर करते हैं।
स्थानीय प्रोब्स और SDP के माध्यम से स्थिरीकरण:
रैखिक प्रणाली को हल करने योग्य और स्थिर बनाने के लिए, प्रोटोकॉल "आइसोलेटिंग प्रोब्स" (isolating probes) का निर्माण करता है।

लीब-रॉबिन्सन लोकलाइजेशन: LR बाउंड्स का उपयोग करते हुए, प्रोटोकॉल यह सिद्ध करता है कि एक स्थानीय पाउली ऑपरेटर के यूनिटरी हैमिल्टोनियन विकास के व्युत्क्रम (inverse) को एक निरंतर आकार के क्षेत्र (जो सिस्टम आकार $n$ से स्वतंत्र है) पर समर्थित एक स्थानीय ऑपरेटर द्वारा अनुमानित किया जा सकता है।
परटर्बेटिव तुलना: कमजोर-क्षय (weak-dissipation) की स्थिति के तहत, यह दिखाया गया है कि ये स्थानीय प्रोब्स पूर्ण फॉरवर्ड चैनल (डीफेजिंग सहित) के तहत भी अपने लक्षित पाउली के करीब रहते हैं।
SDP निर्माण: प्रोटोकॉल प्रोसेस शैडो डेटा का उपयोग करके स्थानीय ट्रांसफर मैट्रिक्स एंट्रीज का अनुमान लगाता है और एक स्थानीय प्रोब ऑपरेटर $O$ खोजने के लिए एक निरंतर-आकार के सेमीडेफिनेट प्रोग्राम (SDP) को हल करता है, ताकि $T(0, t_i)(O)$ का विकसित अवस्था लक्षित पाउली के करीब हो। यह सुनिश्चित करता है कि परिणामी रैखिक प्रणाली (linear system) स्पार्स और डायगोनली डोमिनेंट हो, जिससे सांख्यिकीय शोर के विरुद्ध स्थिरता सुनिश्चित होती है।

प्रोसेस शैडो टॉमोग्राफी:
प्रोटोकॉल स्थानीय पाउली स्ट्रिंग्स $P, Q$ के लिए आवश्यक चैनल ओवरलैप्स $2^{-n}\text{tr}[T(0, t)(P)Q]$ को कुशलतापूर्वक अनुमानित करने के लिए प्रोसेस शैडो का उपयोग करता है। यह सभी आवश्यक मैट्रिक्स एंट्रीज के समानांतर अनुमान की अनुमति देता है, जिसका सैंपल कॉम्प्लेक्सिटी केवल स्थानीय सपोर्ट साइज (स्थिर) और त्रुटि के व्युत्क्रम के साथ बहुपद रूप से स्केल करता है।

मुख्य परिणाम
मुख्य परिणाम थ्योरम 2.1 है, जो स्थापित करता है कि लर्निंग समस्या को निम्नलिखित के साथ हल किया जा सकता है:

सैंपल कॉम्प्लेक्सिटी: $\tilde{O}(\epsilon^{-2} \text{poly}(m_{\text{eff}}) \log(n \delta^{-1}))$ , जहाँ $m_{\text{eff}}$ फंक्शन क्लास की प्रमाणित प्रभावी डिग्री है।
क्लासिकल कॉम्प्लेक्सिटी: $\tilde{O}(\epsilon^{-2} \text{poly}(n, m_{\text{eff}}, \log \delta^{-1}))$ ।
टाइम कॉम्प्लेक्सिटी: कुल विकास समय सैंपल कॉम्प्लेक्सिटी के समान स्केल करता है।

सिस्टम आकार $n$ पर इसकी निर्भरता लॉगरिदमिक है, जो समय-स्वतंत्र हैमिल्टोनियन लर्निंग के सर्वोत्तम ज्ञात परिणामों से मेल खाती है। समय-निर्भरता की लागत केवल $m_{\text{eff}}$ की प्रभावी डिग्री के बहुपद कारक के रूप में दिखाई देती है। एक्सपोनेंशियल रूप से अभिसरण करने वाले एप्रोक्सिमेशन (जैसे एनालिटिक शेड्यूल्स) के लिए, $m_{\text{eff}}$ $1/\epsilon$ के लॉगरिदमिक रूप से स्केल करता है।

प्रोटोकॉल बहुपद शेड्यूल्स के लिए समय $T_f > T$ तक एक्सट्रपलेशन (extrapolation) करने की विधि भी प्रदान करता है, हालांकि त्रुटि प्रवर्धन (error amplification) डिग्री $m$ और अनुपात $T_f/T$ के साथ तेजी से (exponentially) बढ़ता है। इसके अतिरिक्त, सीखे गए मॉडल का उपयोग भौतिक ऑब्जर्वेबल्स के स्थानीय एक्सपेक्टेशन वैल्यूज को प्रमाणित करने के लिए सीखा गया चैनल बनाम वास्तविक चैनल की तुलना करके किया जा सकता है।

महत्व और दावे
लेखक दावा करते हैं कि यह कार्य एक प्रयोगात्मक रूप से न्यूनतम एक्सेस मॉडल के तहत स्थानीय, समय-निर्भर जनरेटरों (हैमिल्टोनियन और विशिष्ट लिंडब्लैडियन दोनों) को सीखने के लिए पहला प्रमाणित कुशल और स्केलेबल प्रोटोकॉल प्रदान करके साहित्य के एक महत्वपूर्ण अंतर को भरता है।

प्रायोगिक व्यवहार्यता: प्रोटोकॉल के लिए केवल प्रोडक्ट पाउली स्टेट प्रिपरेशन और मेजरमेंट की आवश्यकता होती है, जो एंटैंगल्ड प्रोब्स, अनसिला सिस्टम या अन्य लर्निंग प्रोटोकॉल के लिए आवश्यक इंटरलीव्ड कंट्रोल ऑपरेशंस की आवश्यकता को टाल देता है।
कठोर गारंटी: ह्यूरिस्टिक दृष्टिकोणों के विपरीत, विधि सांख्यिकीय शोर, इंटरपोलेशन बायस और मॉडल एप्रोक्सिमेशन एरर को ध्यान में रखते हुए कठोर त्रुटि सीमाएं प्रदान करती है।
स्केलेबिलिटी: सिस्टम आकार $n$ पर लॉगरिदमिक निर्भरता यह सुनिश्चित करती है कि विधि बड़े क्वांटम सिम्युलेटर्स के लिए व्यावहारिक है, बशर्ते कि समय-निर्भरता को कम-जटिलता वाले फलनों द्वारा अच्छी तरह से अनुमानित किया जा सके।

शोध पत्र स्पष्ट रूप से सीमाओं को नोट करता है: वर्तमान विधि कमजोर ऑनसाइट पाउली डीफेजिंग तक सीमित है और अभी तक सामान्य नॉन-यूनिटल डिसिपेशन या मल्टी-क्यूबिट डिसिपेटिव इंटरैक्शन को नहीं संभालती है। यह समय-निर्भर शासन (regime) में स्ट्रक्चर लर्निंग (जनरेटर के सपोर्ट को सीखना) की समस्या को भी खुला छोड़ देता है, हालांकि यह एक स्वाभाविक विस्तार का सुझाव देता है।

संख्यात्मक सत्यापन
शोध पत्र में 15 क्यूबिट तक के सिस्टम (टेन्सर नेटवर्क सिमुलेशन का उपयोग करके) और 3 क्यूबिट (सिंथेटिक नॉइज़ के साथ सटीक सिमुलेशन का उपयोग करके) पर संख्यात्मक चित्रण शामिल हैं। ये परीक्षण पुष्टि करते हैं कि:

प्रोसेस-शैडो पाइपलाइन गैर-मामूली क्यूबिट संख्याओं तक स्केल करती है।
स्मूथ नॉन-पॉलिनोमियल शेड्यूल्स को वर्किंग पॉलिनॉमियल डिग्री बढ़ाकर रिकवर किया जा सकता है, जिसमें त्रुटियां डिटर्मिनिस्टिक एप्रोक्सिमेशन बायस का अनुसरण करती हैं।
सैंपल कॉम्प्लेक्सिटी समय-निर्भर फंक्शन क्लास के आयाम के साथ बहुपद रूप से स्केल करती है, जो सैद्धांतिक विश्लेषण के अनुरूप है।

इसी तरह के और पेपर