⚛️ quantum physics

Emulation Capacity between Idempotent Channels

यह शोध पत्र अनअसिस्टेड (unassisted), शेयर्ड रैंडमनेस (shared randomness), और शेयर्ड एंटैंगलमेंट (shared entanglement) श्रेणियों के बीच इडेम्पोटेंट क्वांटम चैनलों (idempotent quantum channels) के इष्टतम एमुलेशन दरों का पूर्णतः अभिलक्षण करता है, जो यह प्रकट करता है कि जहाँ पहली दो श्रेणियाँ बिना प्रतिवर्तीता (reversibility) वाले शेप वेक्टर्स (shape vectors) द्वारा नियंत्रित सिंगल-लेटर कैपेसिटी (single-letter capacity) प्रदान करती हैं, वहीं एंटैंगलमेंट-असिस्टेड श्रेणी शेप वेक्टर के $\ell_2$ -नॉर्म द्वारा निर्धारित सटीक, प्रतिवर्ती एमुलेशन प्राप्त करती है।

मूल लेखक: Idris Delsol, Omar Fawzi, Li Gao, Mizanur Rahaman

प्रकाशित 2026-10-06

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Idris Delsol, Omar Fawzi, Li Gao, Mizanur Rahaman

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 सूचना के विशाल परिदृश्य में, वैज्ञानिक लगातार यह समझने की कोशिश कर रहे हैं कि डेटा को एक स्थान से दूसरे स्थान पर कैसे ले जाया जाए, या एक प्रकार के सूचना वाहक को दूसरे प्रकार के वाहक में कैसे बदला जाए। कल्पना कीजिए कि एक ऐसी दुनिया की जहाँ सूचना केवल 0 और 1 के बिट्स नहीं है, बल्कि नाजुक क्वांटम अवस्थाएँ हैं जो एक साथ कई संभावनाओं में मौजूद हो सकती हैं। इस क्षेत्र में एक केंद्रीय चुनौती यह समझना है कि एक शोर वाले या सीमित संचार चैनल का उपयोग करके एक अलग, वांछित चैनल के सटीक व्यवहार की नकल करने का सबसे कुशल तरीका क्या है। यह केवल एक संदेश भेजने के बारे में नहीं है; यह उस मशीन के कार्य को दोहराने के बारे में है जो सूचना को संसाधित करती है। यदि आपके पास एक उपकरण है जो डेटा को एक विशिष्ट तरीके से बाधित (scramble) करता है, तो क्या आप इसका उपयोग करके, शायद कई बार, एक ऐसा उपकरण बना सकते हैं जो कुछ और ही करता है? उत्तर इस बात पर बहुत अधिक निर्भर करता है कि इन मशीनों को संचालित करने वाले लोगों के पास साझा करने के लिए क्या संसाधन उपलब्ध हैं। कभी-कभी उनके पास स्वयं मशीनों के अलावा कुछ भी नहीं होता है। अन्य समय में, वे मिलकर उत्पन्न किए गए यादृच्छिक नंबरों (random numbers) की एक सूची साझा कर सकते हैं। सबसे शक्तिशाली परिदृश्य में, वे एक गहरे क्वांटम संबंध को साझा कर सकते हैं जिसे एंटैंगलमेंट (entanglement) कहा जाता है, जहाँ दो कण दूरी के बावजूद एक-दूसरे से जुड़े रहते हैं, जिससे वे शास्त्रीय वस्तुओं की तुलना में असंभव तरीकों से अपने कार्यों का समन्वय करने में सक्षम होते हैं।

एक नया अध्ययन इड्रिस डेलसोल, उमर फाउज़ी, ली गाओ और मिज़ानुर रहमान द्वारा किए गए शोध द्वारा "इडम्पोटेंट चैनल्स" (idempotent channels) नामक मशीनों के एक विशिष्ट और महत्वपूर्ण वर्ग के लिए इस समस्या का समाधान करता है। ये विशेष प्रकार के क्वांटम उपकरण हैं जो, एक बार अपना काम करने के बाद, यदि आप उन्हें फिर से चलाते हैं तो सूचना को और अधिक नहीं बदलते हैं। इसे एक ऐसे फिल्टर के रूप में सोचें जो कमरे से सारा धूल निकाल देता है; एक बार जब कमरा साफ हो जाता है, तो साफ हवा पर फिर से फिल्टर चलाने से कुछ नहीं बदलता है। ये चैनल स्वाभाविक रूप से तब दिखाई देते हैं जब शोर एक सिस्टम पर बहुत लंबे समय तक कार्य करता है, और अंततः एक स्थिर अवस्था में स्थिर हो जाता है। शोधकर्ता यह जानना चाहते थे कि एक स्रोत चैनल (source channel) का उपयोग करके एक लक्षित चैनल (target channel) की सटीक नकल करने के लिए आपको कितनी बार इसका उपयोग करने की आवश्यकता है, और यह संख्या इस आधार पर कैसे बदलती है कि ऑपरेटर यादृच्छिक संख्याएँ साझा करते हैं या एंटैंगलमेंट। उन्होंने पाया कि इन स्थिर चैनलों के लिए, उत्तर कोई जटिल, बदलती हुई गणना नहीं है, बल्कि एक सटीक, एकल संख्या है जिसे स्वयं चैनलों की संरचना से सीधे निकाला जा सकता है।

टीम ने खोजा कि एक चैनल की दूसरे की नकल करने की क्षमता एक सरल संख्याओं की सूची द्वारा नियंत्रित होती है जो चैनल की आंतरिक संरचना का वर्णन करती है, जिसे वे "शेप वेक्टर" (shape vector) कहते हैं। यह वेक्टर अनिवार्य रूप से उन विभिन्न आकारों की गिनती करता है जिन्हें चैनल सूचना के स्वतंत्र ब्लॉक्स के रूप में संभाल सकता है। जब ऑपरेटरों के पास कोई सहायता नहीं होती है, या जब वे केवल यादृच्छिक संख्याएँ साझा कर सकते हैं, तो नकल की दक्षता उनके आकार को मापने के सभी संभावित तरीकों के माध्यम से तुलना करने से निर्धारित होती है। शोधकर्ताओं ने सिद्ध किया कि यादृच्छिक संख्याएँ साझा करने से इन विशिष्ट चैनलों के लिए रूपांतरण की गति या क्षमता में वास्तव में कोई सुधार नहीं होता है; सीमा वही रहती है चाहे आपके पास यादृच्छिक संख्याएँ हों या न हों। इसके अलावा, उन्होंने दिखाया कि यह प्रक्रिया सरल तरीके से प्रतिवर्ती (reversible) नहीं है। केवल इसलिए कि आप एक निश्चित गति से स्रोत चैनल को लक्षित चैनल में बदल सकते हैं, इसका मतलब यह नहीं है कि आप लक्ष्य को वापस स्रोत में विपरीत गति से बदल सकते हैं। कुछ मामलों में, आप एक तरफ पूरी तरह से जा सकते हैं, लेकिन वापसी की यात्रा असंभव हो सकती है।

हालाँकि, कहानी नाटकीय रूप से बदल जाती है जब ऑपरेटर एंटैंगलमेंट साझा करने की अनुमति रखते हैं। इस शासन (regime) में, माप के सभी संभावित तरीकों की जटिल तुलना एक एकल, सुरुचिपूर्ण नियम में सिमट जाती है। दक्षता अब शेप वेक्टर से प्राप्त एक विशिष्ट संख्या द्वारा निर्धारित होती है, जो सूचना ब्लॉक्स के आकार को जोड़ने के एक विशेष तरीके के अनुरूप होती है। इन परिस्थितियों में, यह प्रक्रिया पूरी तरह से प्रतिवर्ती हो जाती है। यदि आप चैनल A को चैनल B में बदल सकते हैं, तो आप चैनल B को पूर्ण दक्षता के साथ वापस चैनल A में बदल सकते हैं। शोधकर्ताओं ने यह भी पाया कि पर्याप्त एंटैंगलमेंट के साथ, आप केवल साझा एंटैंगल्ड जोड़ों की एक सीमित संख्या का उपयोग करके सटीक, त्रुटि-मुक्त रूपांतरण प्राप्त कर सकते हैं, न कि अनंत आपूर्ति की आवश्यकता होती है। इसका अर्थ यह है कि इन स्थिर चैनलों के लिए, भौतिकी का सबसे शक्तिशाली संसाधन—एंटैंगलमेंट—समस्या को पूरी तरह से सरल बना देता है, जिससे एक कठिन अनुकूलन समस्या एक सीधा सा गणना बन जाती है।

यह अध्ययन इन रूपांतरणों के लिए एक पूर्ण मानचित्र प्रदान करता है, जो एक ऐसा सूत्र देता है कि आपको किसी भी विशिष्ट संख्या के उपयोग के लिए सटीक त्रुटि दर क्या मिलेगी, न कि केवल लंबे समय के संदर्भ में। उन्होंने सिद्ध किया कि यदि आप सैद्धांतिक सीमा से आगे जाने की कोशिश करते हैं, तो त्रुटि केवल उच्च नहीं रहती; यह बहुत तेज़ी से अधिकतम संभव मान तक बढ़ जाती है। यह "स्ट्रॉन्ग कन्वर्स" (strong converse) व्यवहार सुनिश्चित करता है कि कोई ग्रे एरिया (धुंधला क्षेत्र) नहीं है जहाँ आप थोड़ा अतिरिक्त प्रदर्शन निकाल सकें। शोधकर्ताओं ने किसी भी दिए गए चैनलों के जोड़े के लिए इन क्षमताओं की गणना करने के लिए एक कुशल कंप्यूटर एल्गोरिदम भी विकसित किया, जिससे यह सुनिश्चित हुआ कि सैद्धांतिक परिणाम व्यावहारिक रूप से लागू किए जा सकें। इडम्पोटेंट चैनल्स के लिए इस समस्या को हल करके, टीम ने सूचना के प्रवाह का एक व्यापक चित्र खींचा है, जो यह प्रकट करता है कि जहाँ बिना मदद के नियम जटिल होते हैं, वहीं जब एंटैंगलमेंट की पूर्ण शक्ति का उपयोग किया जाता है, तो वे सुंदर रूप से सरल और सममित हो जाते हैं।

तकनीकी सारांश: इडेम्पोटेंट चैनलों के बीच इम्यूलेशन क्षमता (Emulation Capacity)

1. समस्या विवरण (Problem Statement)

यह शोध पत्र क्वांटम चैनल इंटरकन्वर्जन (या इम्यूलेशन) की मौलिक समस्या को संबोधित करता है। एक स्रोत चैनल $G$ और एक लक्ष्य चैनल $F$ को देखते हुए, लक्ष्य यह निर्धारित करना है कि $n$ उपयोगों के $G$ का उपयोग करके, एन्कोडिंग और डिकोडिंग ऑपरेशन्स के माध्यम से $k$ उपयोगों के $F$ का इम्यूलेशन करने की इष्टतम दर (optimal rate) $k/n$ क्या होगी। इम्यूलेशन की गुणवत्ता को नॉर्मलाइज्ड डायमंड डिस्टेंस एरर (normalized diamond distance error) द्वारा मापा जाता है।

लेखक विशेष रूप से इडेम्पोटेंट चैनलों (idempotent channels) पर ध्यान केंद्रित करते हैं, जिन्हें ऐसे चैनलों के रूप में परिभाषित किया गया है जो $\Phi \circ \Phi = \Phi$ की स्थिति को संतुष्ट करते हैं। ये चैनल पुनरावृत्त शोर (iterated noise/Markovian evolution) के सीमा स्वरूपों के रूप में स्वाभाविक रूप से उत्पन्न होते हैं और इनमें आइडेंटिटी चैनल, कम्पलीटली डिपोलराइजिंग चैनल और कम्पलीटली डीफेजिंग चैनल शामिल हैं। यह अध्ययन तीन अलग-अलग संसाधन व्यवस्थाओं (resource regimes) में किया गया है:

अनअसिस्टेड (Unassisted - UA): एन्कोडर और डिकोडर के बीच कोई साझा संसाधन नहीं।
शेयर्ड रैंडमनेस (Shared Randomness - SR): एन्कोडर और डिकोडर एक शास्त्रीय यादृच्छिक चर (classical random variable) साझा करते हैं।
एंटैंगलमेंट-असिस्टेड (Entanglement-Assisted - EA): एन्कोडर और डिकोडर एक मनमाना परिमित-आयामी एंटैंगल्ड स्टेट साझा करते हैं।

प्राथमिक उद्देश्य इन चैनलों के लिए सभी तीन व्यवस्थाओं में इम्यूलेशन क्षमता (शून्य त्रुटि के साथ प्राप्त होने वाली दरों का सुप्रीमम) और जीरो-एरर इम्यूलेशन क्षमता का पूर्ण लक्षण वर्णन करना है, जिसमें फाइनाइट-ब्लॉकलेन्थ एरर बाउंड्स और स्ट्रोंग कंवर्स (strong converse) परिणाम भी शामिल हैं।

2. कार्यप्रणाली और मुख्य अवधारणाएं (Methodology and Key Concepts)

शेप वेक्टर और अपघटन (Shape Vectors and Decomposition)

प्रस्तुत मुख्य उपकरण शेप वेक्टर $\lambda(F)$ है, जो एक पूर्णांक वेक्टर है जो एक इडेम्पोटेंट चैनल $F$ के रेंज की संरचना का वर्णन करता है।

अपघटन (Decomposition): किसी भी इडेम्पोटेंट चैनल $F$ को $L(H_{k,1}) \otimes \rho_k$ के ब्लॉक्स के डायरेक्ट सम (direct sum) में विघटित किया जा सकता है, जहाँ $\rho_k$ एक निश्चित अवस्था (state) है। शेप वेक्टर $\lambda(F) = (d_1, \dots, d_K)$ उन आयामों $d_k = \dim(H_{k,1})$ से बना है जो गैर-बढ़ते क्रम (non-increasing order) में व्यवस्थित हैं।
न्यूनीकरण (Reduction): पेपर यह सिद्ध करता है कि सामान्य इडेम्पोटेंट चैनलों के लिए इम्यूलेशन समस्या उनके संबंधित ब्लॉक पिंचिंग (block pinching) चैनलों $\Pi_{\lambda(F)}$ के इम्यूलेशन में सटीक रूप से बदल जाती है। ये पिंचिंग चैनल ब्लॉक्स के बीच कोहेरेंस को मिटा देते हैं जबकि ब्लॉक संरचना को सुरक्षित रखते हैं।
टेन्सर प्रोडक्ट (Tensor Product): शेप वेक्टर टेन्सर प्रोडक्ट के तहत गुणात्मक (multiplicative) है: $\lambda(F \otimes G) = \lambda(F) \otimes \lambda(G)$ । फलस्वरूप, शेप वेक्टर्स के $\ell_p$ -norms भी गुणात्मक होते हैं।

विश्लेषणात्मक तकनीकें (Analytical Techniques)

अनअसिस्टेड/SR व्यवस्था: लेखक परिमित-आयामी $*$ -algebras के एम्बेडेबिलिटी के संबंध में कुपरबर्ग (Kuperberg) के एक प्रमेय का उपयोग करते हैं। वे सटीक इम्यूलेशन के अस्तित्व को इस शर्त से जोड़ते हैं कि $\|\lambda(F)\|_p < \|\lambda(G)\|_p$ सभी $p \in [1, +\infty]$ के लिए हो। कंवर्स (converse) को होलवीओ-हेलमेट (Holevo–Helstrom) बाउंड का उपयोग करते हुए एक टेस्टिंग तर्क के माध्यम से स्थापित किया गया है, जिसमें विशिष्ट टेस्ट स्टेट्स (ब्लॉक्स पर मैक्सिमली एंटैंगल्ड स्टेट्स के मिश्रण) का निर्माण किया गया है और सफलता की संभावना को बांधने के लिए कॉची-श्वार्ज़ (Cauchy–Schwarz) और हॉल्डर (Hölder) असमानताओं को लागू किया गया है।
एंटैंगलमेंट-असिस्टेड व्यवस्था: प्रमाण ब्लॉक-दर-ब्लॉक लागू किए गए टेलीपोर्टेशन (teleportation) और सुपरडेंस कोडिंग (superdense coding) प्रोटोकॉल पर निर्भर करता है। ये प्रोटोकॉल एक इडेम्पोटेंट चैनल को एक शोर रहित शास्त्रीय चैनल (जिसका अल्फाबेट साइज $s = \|\lambda(F)\|_2^2$ है) में और इसके विपरीत सटीक रूपांतरण की अनुमति देते हैं। समस्या फिर शोर रहित शास्त्रीय चैनलों के इम्यूलेशन में बदल जाती है, जिसे नो-सिग्नलिंग (no-signaling) तर्क का उपयोग करके हल किया जाता है।
एल्गोरिदम दृष्टिकोण: क्षमता सूत्र की गणना योग्यता (computability) को संबोधित करने के लिए (जो कि एक अनबाउंड अंतराल पर इन्फिमम (infimum) शामिल है), लेखक एक कुशल एल्गोरिदम विकसित करते हैं। इसमें अनुकूलन (optimization) को टेल बाउंड्स के माध्यम से $p$ के एक बाउंडेड रेंज तक कम करना, ऑब्जेक्टिव फंक्शन को डायडिक इंटरवल्स पर रैशनल पॉलिनोमिअल्स के साथ अनुमानित करना, और प्रमाणित मिनिमा खोजने के लिए रियल रूट आइसोलेशन का उपयोग करना शामिल है।

3. मुख्य योगदान और परिणाम (Key Contributions and Results)

प्रमेय A: अनअसिस्टेड और शेयर्ड रैंडमनेस व्यवस्थाएं

इडेम्पोटेंट चैनलों $F$ और $G$ (जहाँ $\lambda(F) \neq (1)$ ) के लिए:

क्षमता सूत्र (Capacity Formula): अनअसिस्टेड और शेयर्ड रैंडमनेस क्षमताएं समान हैं और एक सिंगल-लेटर फॉर्मूला द्वारा दी गई हैं:
$C_{UA}(G \to F) = C_{SR}(G \to F) = \inf_{p \in [1, +\infty]} \frac{\log(\|\lambda(G)\|_p)}{\log(\|\lambda(F)\|_p)}$
(यदि $\|\lambda(F)\|_\infty = 1$ हो तो $p=+\infty$ वाला पद छोड़ दिया जाता है)।
जीरो-एरर कोइन्सिडेंस (Zero-Error Coincidence): इम्यूलेशन क्षमता, जीरो-एरर इम्यूलेशन क्षमता के बराबर है।
फाइनाइट ब्लॉकलेन्थ बाउंड: किसी भी $k, n$ के लिए, न्यूनतम त्रुटि $\delta$ इस प्रकार संतुष्ट होती है:
$\delta \geq 1 - \inf_{p \in [1, +\infty]} \frac{\|\lambda(G)\|_p^n}{\|\lambda(F)\|_p^k}$
स्ट्रोंग कंवर्स (Strong Converse): क्षमता से अधिक दरें ब्लॉकलेन्थ $n$ के सापेक्ष ब्लॉकलेन्थ में तेजी से त्रुटि की ओर ले जाती हैं।
कंप्यूटेबिलिटी (Computability): क्षमता को वांछित सटीकता में इनपुट आयामों के बहुपद समय (polynomial time) में अनुमानित करने के लिए एक कुशल एल्गोरिदम मौजूद है।

प्रभाव:

गैर-प्रतिवर्तीता (Non-Reversibility): सामान्यतः, $C(G \to F) \cdot C(F \to G) \neq 1$ होता है। इन्फिमम दोनों दिशाओं के लिए अलग-अलग $p$ मानों पर प्राप्त हो सकता है।
सुपरएडिटिविटी (Superadditivity): क्षमता स्रोत चैनलों के टेन्सर प्रोडक्ट के तहत स्पष्ट रूप से सुपरएडिटिव हो सकती है (उदाहरण के लिए, एक क्वांटम और एक क्लासिकल स्रोत को मिलाकर एक हाइब्रिड लक्ष्य को उनके व्यक्तिगत दरों की तुलना में अधिक कुशलता से इम्यूलेट किया जा सकता है)।

प्रमेय B: एंटैंगलमेंट-असिस्टेड व्यवस्था

इडेम्पोटेंट चैनलों $F$ और $G$ के लिए:

क्षमता सूत्र: क्षमता पूरी तरह से शेप वेक्टर के $\ell_2$ -norm द्वारा नियंत्रित होती है:
$C_{EA}(G \to F) = \frac{\log(\|\lambda(G)\|_2)}{\log(\|\lambda(F)\|_2)}$
यह जीरो-एरर क्षमता के साथ मेल खाता है।
सटीक फाइनाइट ब्लॉकलेन्थ एरर: न्यूनतम त्रुटि इस प्रकार दी गई है:
$\delta_{EA} = \max\left\{0, 1 - \frac{\|\lambda(G)\|_2^{2n}}{\|\lambda(F)\|_2^{2k}}\right\}$
जब त्रुटि शून्य होती है, तो मैक्सिमली एंटैंगल्ड स्टेट्स की एक सीमित संख्या का उपयोग करके सटीक इम्यूलेशन प्राप्त किया जा सकता है।
स्ट्रोंग कंवर्स: एक स्पष्ट एक्सपोनेंशियल रेट के साथ लागू होता है।

प्रभाव:

प्रतिवर्तीता (Reversibility): यह व्यवस्था प्रतिवर्ती (reversible) है: $C_{EA}(G \to F) \cdot C_{EA}(F \to G) = 1$ ।
एडिटिविटी (Additivity): क्षमता स्रोत चैनलों के टेन्सर प्रोडक्ट के तहत एडिटिव है।
संसाधन समानता (Resource Equivalence): मैक्सिमली एंटैंगल्ड स्टेट्स, फाइनाइट ब्लॉकलेन्थ के लिए इस कार्य हेतु किसी भी नो-सिग्नलिंग कोरिलेशन जितनी शक्तिशाली हैं।

4. महत्व और दावे (Significance and Claims)

पेपर का दावा है कि यह इडेम्पोटेंट चैनलों के इम्यूलेशन की एक व्यापक तस्वीर प्रदान करता है। इसका महत्व निम्नलिखित में निहित है:

एक कठिन समस्या का समाधान: यह चैनल इंटरकन्वर्जन के लिए पूर्ण, सिंगल-लेटर लक्षण वर्णन प्रदान करता है, जहाँ सामान्य चैनल क्षमताएं आमतौर पर सुपरएडिटिविटी से जुड़े रेगुलराइज्ड, दुर्बोध (intractable) सूत्रों द्वारा दी जाती हैं।
व्यवस्थाओं के बीच सेतु (Bridging Regimes): यह अनअसिस्टेड/शेयर्ड रैंडमनेस व्यवस्थाओं (जहाँ $\ell_p$ -norms का पूरा परिवार महत्वपूर्ण है, जिससे गैर-प्रतिवर्तीता और सुपरएडिटिविटी होती है) और एंटैंगलमेंट-असिस्टेड व्यवस्था (जहाँ केवल $\ell_2$ -norm महत्वपूर्ण है, जिससे प्रतिवर्तीता और एडिटिविटी बहाल होती है) के बीच एक तीखा अंतर रेखांकित करता है।
सटीक फाइनाइट-ब्लॉकलेन्थ परिणाम: क्वांटम शैनन थ्योरी के कई एसिम्प्टोटिक (asymptotic) परिणामों के विपरीत, ये परिणाम फाइनाइट ब्लॉकलेन्थ के लिए सटीक त्रुटि सूत्र और स्ट्रोंग कंवर्स एक्सपोनेंट्स प्रदान करते हैं।
कंप्यूटेशनल व्यवहार्यता: यह प्रदर्शित करता है कि ये क्षमताएं कुशलतापूर्वक गणनीय (efficiently computable) हैं, जिससे यह प्रश्न हल होता है कि क्या $p$ पर इन्फिमम को प्रभावी ढंग से मूल्यांकित किया जा सकता है।

लेखक नोट करते हैं कि हालांकि क्वांटम रिवर्स शैनन थ्योरम के माध्यम से एंटैंगलमेंट-असिस्ड व्यवस्था के एसिम्प्टोटिक मान ज्ञात थे, यह कार्य एक सिंगल-शॉट, सटीक, जीरो-एरर काउंटरपार्ट प्रदान करता है जो स्मूथिंग या एसिम्प्टोटिक लिमिट्स पर निर्भर नहीं करता है और स्पष्ट रूप से फाइनाइट रिसोर्स कॉस्ट (मैक्सिमली एंटैंगल्ड स्टेट्स) की पहचान करता है।

नोट: लेखक स्पष्ट रूप से "Use of AI tools" अनुभाग में उल्लेख करते हैं कि प्रमाणों के महत्वपूर्ण हिस्से (विशेष रूप से लेम्मा 20, 22, 23, और सेक्शन 6 में एल्गोरिदम संबंधी प्रमाण) और एंटैमेंट-असिस्टेड व्यवस्था का विश्लेषण AI मॉडल्स (Anthropic के Claude Opus 5 और OpenAI के Astra) द्वारा उत्पन्न किया गया था और बाद में लेखकों द्वारा सत्यापित किया गया था।