⚛️ quantum physics

On the average-case complexity of learning states from the circular and Gaussian ensembles

यह शोध पत्र प्रकार AI, AII, और DIII (सर्कुलर और गॉसियन एनसेम्बल के अनुरूप) के कॉम्पैक्ट सिमेट्रिक स्पेस से समान रूप से नमूने लिए गए राज्यों से बोर्न वितरणों को सीखने की औसत-स्थिति की कठिनाई को सांख्यिकीय प्रश्न मॉडल (statistical query model) के भीतर स्थापित करता है, जबकि एक नवीन एकीकरण तकनीक पेश करता है जो हेयर रैंडम सर्किट के लिए कुल विचलन दूरियों (total variation distances) के सटीक मूल्यांकन को सक्षम बनाता है।

मूल लेखक: Maxwell West

प्रकाशित 2026-09-10

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Maxwell West

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, कणों का व्यवहार निश्चितताओं के बजाय संभावनाओं द्वारा नियंत्रित होता है। जब वैज्ञानिक एक क्वांटम प्रणाली को तैयार करते हैं, तो उन्हें एक एकल, निश्चित परिणाम नहीं मिलता; इसके बजाय, उन्हें संभावनाओं का एक पैटर्न मिलता है, ठीक वैसे ही जैसे मौसम का पूर्वानुमान तापमान की एक एकल संख्या के बजाय तापमान की एक सीमा की भविष्यवाणी करता है। इस पैटर्न को 'वितरण' (डिस्ट्रीब्यूशन) कहा जाता है, और इसे समझना ही यह जानने के लिए केंद्रीय है कि वास्तव में एक क्वांटम अवस्था क्या है। दशकों से, शोधकर्ताओं ने अध्ययन किया है कि क्या होता है जब इन अवस्थाओं को सभी संभावित विन्यासों के विशाल स्थान से पूरी तरह से यादृच्छिक (रैंडम) रूप से चुना जाता है। उन्होंने पाया है कि ये यादृच्छिक अवस्थाएं अविश्वसनीय रूप से जटिल होती हैं, जिससे उन्हें एक क्लासिकल कंप्यूटर के लिए अनुमान लगाना या उनकी नकल करना लगभग असंभव हो जाता है। हालाँकि, प्रकृति हमेशा पूरी तरह से यादृच्छिक नहीं होती है। अक्सर, भौतिक नियम समरूपता (सिमेट्री) लागू करते हैं—ऐसे नियम जो कहते हैं कि कुछ रूपांतरण प्रणाली को अपरिवर्तित छोड़ देते हैं। ये नियम संभावित अवस्थाओं के समूह को प्रतिबंधित करते हैं, जिससे यादृच्छिकता के छोटे, अधिक संरचित परिवार बनते हैं। वह प्रश्न जो इस नए शोध को प्रेरित करता है वह यह है कि क्या ये प्रतिबंधित, सिमेट्री-बद्ध परिवार अभी भी हमारे समझने के लिए बहुत जटिल हैं, या क्या ये नियम उन्हें समझना आसान बनाते हैं।

एक शोधकर्ता ने अब इस प्रश्न का उत्तर दिया है, जिसमें भौतिकी में मौलिक समरूपताओं से उत्पन्न होने वाले तीन विशिष्ट क्वांटम अवस्था परिवारों पर ध्यान केंद्रित किया गया है। इन परिवारों को तकनीकी साहित्य में सर्कुलर ऑर्थोगोनल, सर्कुलर सिम्पलेक्टिक और एक विशिष्ट फर्मियोनिक गौसियन एनसेंबल के रूप में जाना जाता है। सरल शब्दों में, ये उन क्वांटम अवस्थाओं के समूह हैं जो तब स्वाभाविक रूप से प्रकट होते हैं जब भौतिक विज्ञानी 'टाइम-रिवर्सल सिमेट्री' वाले सिस्टम या फर्मिऑन्स (वे कण जिनसे इलेक्ट्रॉन जैसे पदार्थ बने हैं) से बने सिस्टम का अध्ययन करते हैं। शोधकर्ता ने एक बहुत ही विशिष्ट प्रश्न पूछा: यदि आपको इनमें से एक अवस्था तक पहुंच दी जाती है, लेकिन आप इसके बारे में केवल सीमित प्रश्न ही पूछ सकते हैं, तो उस अवस्था द्वारा उत्पन्न संभावनाओं के सटीक पैटर्न का पता लगाना कितना कठिन है? उन्होंने 'सांख्यिकीय प्रश्न लर्निंग' (स्टैटिस्टिकल क्वेरी लर्निंग) नामक एक ढांचे का उपयोग किया, जो एक ऐसे पर्यवेक्षक का अनुकरण करता है जो कुछ गुणों के औसत मान के बारे में प्रश्न पूछ सकता है लेकिन अवस्था को सीधे नहीं देख सकता। लक्ष्य यह देखना था कि क्या यह पर्यवेक्षक उचित संख्या में प्रश्नों के साथ अवस्था के व्यवहार का एक सटीक मॉडल बना सकता है।

निष्कर्ष स्पष्ट और निर्णायक हैं। शोधकर्ता ने सिद्ध किया कि इन सिमेट्री-बद्ध अवस्थाओं के संभाव्यता पैटर्न को सीखना, औसतन, अत्यंत कठिन है। वास्तव में, यह कठिनाई इतनी गहरी है कि एक बहुत शक्तिशाली पर्यवेकत्ता के साथ भी, जो अत्यधिक सटीक प्रश्न पूछ सकता है, संभावित पैटर्न के एक छोटे से अंश को सीखने के लिए भी प्रश्नों की एक ऐसी संख्या की आवश्यकता होगी जो प्राप्त करना व्यावहारिक रूप से असंभव है। इसे समझने के लिए, यदि क्वांटम प्रणाली का आकार थोड़ा सा भी बढ़ता है, तो अवस्था को सीखने के लिए आवश्यक प्रश्नों की संख्या केवल दोगुनी या तिगुनी नहीं होती है; बल्कि यह एक ऐसी विशाल संख्या में विस्फोट कर जाती है जिसे प्राप्त करने में ब्रह्मांड की आयु से भी अधिक समय लगेगा। यह उन तीनों परिवारों के लिए सत्य है जिनका उन्होंने परीक्षण किया है, जो यह सुझाव देता है कि इन भौतिक समरूपताओं की उपस्थिति इन क्वांटम अवस्थाओं को सीखने में आसान नहीं बनाती है। जटिलता उतनी ही चरम बनी रहती है जितनी कि पूरी तरह से यादृच्छिक अवस्थाओं के लिए होती है।

इस निष्कर्ष तक पहुँचने के लिए, शोधकर्ता ने इन समूहों का विश्लेषण करने के लिए आवश्यक गणितीय गणनाओं को करने का एक नया तरीका विकसित किया। इस क्षेत्र में अक्सर उपयोग किए जाने वाले मानक, भारी उपकरणों के बजाय, उन्होंने यादृच्छिक संख्याओं के सांख्यिकीय गुणों से जुड़े अधिक प्रत्यक्ष दृष्टिकोण का उपयोग किया। इसने उन्हें इन क्वांटम अवस्थाओं द्वारा उत्पन्न पैटर्न और एक पूरी तरह से सपाट, समान (यूनिफॉर्म) पैटर्न के बीच सटीक दूरी की गणना करने की अनुमति दी। उन्होंने पाया कि ये अवस्थाएं समान होने से लगातार दूर हैं, जो इन्हें सीखने में कठिन बनाने वाला एक प्रमुख कारक है। इस सटीक गणना को एक गणितीय सिद्धांत के साथ जोड़कर, जो यह बताता है कि यादृच्छिक चर कैसे एक औसत मान के आसपास क्लस्टर होते हैं, वे यह दिखाने में सक्षम हुए कि इन परिवारों में लगभग हर अवस्था सीखना समान रूप से कठिन है। भीड़ में कोई भी आसान अपवाद छिपा हुआ नहीं है; कठिनाई इन एनसेंबल्स की एक सार्वभौमिक विशेषता है।

यह कार्य इस बढ़ते साक्ष्य में योगदान देता है कि क्वांटम अवस्थाओं को सीखना मौलिक रूप से एक कठिन कार्य है, भले ही वे अवस्थाएं मनमाने यादृच्छिक प्रक्रियाओं के बजाय प्राकृतिक भौतिक नियमों द्वारा उत्पन्न की गई हों। यह पुष्टि करता है कि इन प्रणालियों को समझने में बाधा केवल कंप्यूटिंग शक्ति की कमी नहीं है, बल्कि स्वयं सूचना की प्रकृति द्वारा लगाया गया एक मौलिक प्रतिबंध है। शोधकर्ता ने दिखाया है कि चाहे कोई प्रणाली टाइम-रिवर्सल की समरूपता द्वारा शासित हो या फर्मियोनिक पदार्थ के विशिष्ट नियमों द्वारा, परिणामी क्वांटम अवस्थाएं क्लासिकल लर्निंग विधियों के लिए उतनी ही जिद्दी रूप से अपारदर्शी बनी रहती हैं। यह इस विचार को पुख्ता करता है कि क्वांटम प्रणालियों में एक ऐसा स्तर की जटिलता होती है जो अंतर्निहित और अपरिहार्य है, जो यह सुनिश्चित करती है कि वे हमारी तकनीक के बढ़ने के बावजूद, उन्हें सिम्युलेट करने और समझने की हमारी क्षमता को चुनौती देती रहेंगी। यह अध्ययन यह सुझाव नहीं देता है कि सीखना हर एक मामले में असंभव है, लेकिन यह स्थापित करता है कि इन अवस्थाओं के विशाल बहुमत के लिए, कार्य प्रभावी रूप से पहुंच से बाहर है।

तकनीकी सारांश: सर्कुलर और गॉसियन एनसेंबल्स से लर्निंग स्टेट्स की औसत-मामले की जटिलता पर

समस्या विवरण
यह कार्य विशिष्ट एनसेंबल्स से लिए गए क्वांटम स्टेट्स के बोर्न प्रोबेबिलिटी डिस्ट्रीब्यूशन को सीखने की कम्प्यूटेशनल जटिलता की जांच करता है। विशेष रूप से, लेखक स्टैटिस्टिकल क्वेरी (SQ) लर्निंग मॉडल पर ध्यान केंद्रित करते हैं, जहाँ एक एल्गोरिदम एक अज्ञात वितरण $P$ को सीखने का प्रयास करता है, जो एक ऑरेकल तक पहुँच प्राप्त करता है जो एक निश्चित एडिटिव टॉलरेंस $\tau$ के साथ सीमित फलनों (ऑब्जर्वेबल्स) के एक्सपेक्टेशन वैल्यू को लौटाता है। केंद्रीय प्रश्न यह है: टाइप AI, AII, और DIII के क्लासिकल कॉम्पैक्ट सिमेट्रिक स्पेस से लिए गए स्टेट्स के बोर्न डिस्ट्रीब्यूशन को सीखने की सैंपल कॉम्प्लेक्सिटी क्या है?

ये एनसेंबल्स सर्कुलर ऑर्थोगोनल एनसेंबल (COE), सर्कुलर सिम्प्लेक्टिक एनसेंबल (CSE), और फर्मिओनिक गॉसियन स्टेट्स (टाइप DIII) से संबंधित एक एनसेंबल का प्रतिनिधित्व करते हैं। अध्ययन का उद्देश्य यह निर्धारित करना है कि क्या ये डिस्ट्रीब्यूशन सीखने के लिए "औसत-मामले में कठिन" (average-case hard) हैं, जिसका अर्थ है कि एक विशिष्ट एनसेंबल से लिए गए रैंडम स्टेट के लिए, संभावित डिस्ट्रीब्यूशनों के एक छोटे अंश को सीखने के लिए सुपर-पॉलिनोमियल (विशेष रूप से, डबली-एक्सपोनेंशियल) संख्या में क्वेरीज की आवश्यकता होती है।

कार्यप्रणाली
लेखक पूर्व कार्यों (विशेष रूप से संदर्भ [6] और [24]) द्वारा स्थापित एक ढांचे का उपयोग करते हैं जो संदर्भ [6] के लेम्मा 1 से प्राप्त क्वेरी कॉम्प्लेक्सिटी पर एक निचला स्तर (lower bound) का उपयोग करता है। यह लेम्मा एक डिस्ट्रीब्यूशन क्लास के एक अंश $\beta$ को सीखने के लिए आवश्यक क्वेरी $q$ को दो प्रमुख मात्राओं से जोड़ता है:

"ईज़ी" सेट का वॉल्यूम ( $u$ ): वह प्रायिकता कि एक रैंडम डिस्ट्रीब्यूशन, यूनिफॉर्म (कॉन्सटेंट) डिस्ट्रीब्यूशन $C$ के करीब (Total Variation Distance, TVD में) है।
डिस्टिंग्विशेबिलिटी फ्रैक्शन ( $f$ ): एक सिंगल स्टैटिस्टिकल क्वेरी द्वारा एक रैंडम डिस्ट्रीब्यूशन को यूनिफॉर्म डिस्ट्रीब्यूशन से अलग करने की अधिकतम प्रायिकता।

इन मात्राओं का मूल्यांकन करने के लिए, पेपर एक तकनीकी दृष्टिकोण पेश करता है जो क्वांटम इंफॉर्मेशन थ्योरी में अक्सर उपयोग किए जाने वाले वींगार्टन कैलकुलस (Weingarten calculus) से भिन्न है। इसके बजाय, लेखक:

बीटा और गामा डिस्ट्रीब्यूशन का उपयोग करते हैं: वे इस तथ्य का लाभ उठाते हैं कि Haar-रैंडम मैट्रिसेस (और उनके सिमेट्रिक स्पेस समकक्षों) के कॉलम को स्वतंत्र गॉसियन वेरिएबल्स के नॉर्मलाइज्ड वेक्टर्स के माध्यम से बनाया जा सकता है। यह उन्हें मैट्रिक्स एलिमेंट मैग्नीट्यूड्स और ओवरलैप्स को बीटा और गामा डिस्ट्रीब्यूशन के रूप में व्यक्त करने की अनुमति देता है।
सटीक इंटीग्रेशन (Exact Integration): वे Haar-रैंडम यूनिटरी/ऑर्थोगोनल सर्किट्स और कॉन्सटेंट डिस्ट्रीब्यूशन के बीच अपेक्षित टोटल वेरिएशन डिस्टेंस (TVD) के लिए सटीक गणना करते हैं, जिससे पिछले साहित्य में पाए जाने वाले एडिटिव एप्रोक्सिमेशंस ( $O(1/\sqrt{d})$ ) से बचा जा सके।
कंसंट्रेशन ऑफ मेजर (Concentration of Measure): वे (लेवी के लेम्मा से अनुकूलित) कंसंट्रेशन ऑफ मेजर तर्क लागू करते हैं ताकि यह दिखाया जा सके कि TVD और डिस्ट्रीब्यूशनों की डिस्टिंग्विशेबिलिटी उनके माध्य मानों के आसपास मजबूती से केंद्रित (tightly concentrated) हैं। यह इस बात की सीमा निर्धारित करने की अनुमति देता है कि एक रैंडम इंस्टेंस औसत मामले से कितना विचलन करता है।

मुख्य योगदान और परिणाम

ग्रुप के मामलों के लिए सटीक TVD गणना:
लेखक Haar-रैंडम यूनिटरी ( $U(d)$ ) और ऑर्थोगोनल ( $O(d)$ ) अवस्थाओं के आउटपुट डिस्ट्रीब्यूशन और यूनिफॉर्म डिस्ट्रीब्यूशन के बीच अपेक्षित टोटल वेरिएशन डिस्टेंस ( $d_{TV}$ ) के लिए सटीक अभिव्यक्तियाँ व्युत्पन्न करते हैं।
- $U(d)$ के लिए, $\lim_{d\to\infty} \mathbb{E}[d_{TV}] = e^{-1}$ ।
- $O(d)$ के लिए, $\lim_{d\to\infty} \mathbb{E}[d_{TV}] = \sqrt{2/(\pi e)}$ ।
  ये परिणाम पिछले अनुमानों में सुधार करते हैं और सिमेट्रिक स्पेस विश्लेषण के लिए एक बेसलाइन के रूप में कार्य करते हैं।
सिमेट्रिक स्पेस के लिए लर्निंग की कठिनाई (थ्योरम 1):
मुख्य परिणाम यह स्थापित करता है कि AI, AII, और DIII एनसेंबल्स से बोर्न डिस्ट्रीब्यूशन को सीखना औसत-मामले में कठिन है।
- AI (सर्कुलर ऑर्थोगोनल): स्टेट्स $U^T U$ (या $U^* U$ के समान) के रूप में होते हैं जहाँ $U$ $U(d)$ पर Haar-रैंडम है और इनवोल्यूशन कॉम्प्लेक्स कंजुगेशन ( $\sigma(U) = U^*$ ) है। यह सिमेट्रिक यूनिटरीज के स्पेस के अनुरूप है।
- AII (सर्कुलर सिम्प्लेक्टिक): स्टेट्स $J U^T J U$ के रूप में होते हैं जहाँ $U$ $U(2d)$ पर Haar-रैंडम है और इनवोल्यूशन $\sigma(U) = J U^T J^*$ है। (नोट: पेपर स्पष्ट रूप से बताता है कि एक रैंडम एलिमेंट का रूप $J U^T J U$ है जहाँ $U$ यूनिटरी ग्रुप पर Haar रैंडम है)।
- DIII: यह एनसेंबल टाइप DIII के सिमेट्रिक स्पेस पर यूनिफॉर्म मेजर के अनुरूप है। इस एनसेंबल के स्टेट्स के कम्प्यूटेशनल बेसिस एम्प्लीट्यूड एक रैंडम फर्मिओनिक गॉसियन स्टेट के कोवेरियेंस मैट्रिक्स के कॉलम की तरह वितरित होते हैं। लेखक इस एनसेंबल को स्वयं फर्मिओनिक गॉसियन स्टेट्स के एनसेंबल से स्पष्ट रूप से अलग करते हैं, यह नोट करते हुए कि जबकि एक रैंडम फर्मिओनिक गॉसियन स्टेट का कोवेरियेंस मैट्रिक्स को $O^T J O$ (जहाँ $O$ $O(d)$ पर Haar-रैंडम है) के रूप में सैंपल किया जा सकता है, DIII एनसेंबल विशेष रूप से इस मैट्रिक्स से प्राप्त एम्प्लीट्यूड के वितरण को संदर्भित करता है, न कि सर्किट द्वारा उत्पन्न पूर्ण स्टेट को।

पेपर सिद्ध करता है कि इन डिस्ट्रीब्यूशनों के $\epsilon$ -लर्निंग के लिए, जो एक अंश $\beta$ को सीखता है, आवश्यक $\tau$ -एक्यूट क्वेरी $q$ का मान ऐसा होगा जहाँ $q$ क्यूबिट्स $n$ (जहाँ $d=2^n$ ) में डबली-एक्सपोनेंशियल (doubly-exponential) है। विशेष रूप से, इन डिस्ट्रीब्यूशनों के डबली-एक्सपोनेंशियल रूप से छोटे अंश को सीखने के लिए भी डबली-एक्सपोनेंशियल संख्या में क्वेरीज की आवश्यकता होती है, भले ही क्वेरीज की सटीकता इनवर्स-एक्सपोनेंशियल हो।

इंटीग्रेशन में तकनीकी नवीनता:
पेपर कॉम्पैक्ट ग्रुप्स और सिमेट्रिक स्पेस पर इंटीग्रेशन के लिए एक "अपरंपरागत दृष्टिकोण" को उजागर करता है। बीटा और गामा डिस्ट्रीब्यूशन पर इंटीग्रेशन को मैप करके, लेखक उच्च-क्रम वींगार्टन कैलकुलस की जटिलता से बचते हुए सटीक परिणाम प्राप्त करते हैं।

महत्व और दावे
लेखक इस कार्य को पूर्ण यूनिटरी ग्रुप (Haar measure) और रैंडम ब्रिकवर्क सर्किट्स से स्टेट्स को सीखने की कठिनाई स्थापित करने वाले हालिया परिणामों के पूरक के रूप में देखते हैं।

भौतिक प्रेरणा: अध्ययन किए गए एनसेंबल्स (AI, AII, DIII) भौतिक प्रणालियों में सिमेट्री बाधाओं (डाइसन के थ्रीफोल्ड वे) और फर्मिओनिक गॉसियन स्टेट्स के अध्ययन द्वारा प्रेरित हैं।
मात्रात्मक चरम सीमा (Quantitative Extremity): जबकि इन स्टेट्स को सीखने की गुणात्मक कठिनाई अपेक्षित हो सकती है, लेखक इस परिणाम की मात्रात्मक चरम सीमा पर जोर देते हैं। लर्निंग टास्क केवल कठिन नहीं है, बल्कि इसके लिए संसाधनों की आवश्यकता सिस्टम साइज के डबली-एक्सपोनेंशियल के रूप में होती है, यहाँ तक कि बहुत कम सफलता की संभावनाओं के लिए भी।
मैचगेट (Matchgate) सर्किट्स से अंतर: पेपर मैचगेट (फ्री-फर्मिओनिक) सर्किट्स के साथ DIII एनसेंबल के संबंध को स्पष्ट करता है। जबकि मैचगेट सर्किट्स को पैरिटी लर्निंग में रिडक्शन के माध्यम से सीखना कठिन माना जाता है (संदर्भ [28]), यहाँ DIII विश्लेषण उन स्टेट्स के एम्प्लीट्यूड को संबोधित करता है जो एक रैंडम फर्मिओनिक ग적인 स्टेट के कोवेरियेंस मैट्रिक्स के कॉलम की तरह वितरित होते हैं, न कि सर्किट द्वारा उत्पन्न पूर्ण स्टेट के।

निष्कर्षतः, पेपर दृढ़ता से प्रदर्शित करता है कि इन विशिष्ट, सिमेट्री-बाधित एनसेंबल्स से बोर्न डिस्ट्रीब्यूशन का स्टैटिस्टिकल क्वेरी लर्निंग औसत मामले में अव्यवहार्य (intractable) है, जो इस व्यापक प्रवृत्ति को पुख्ता करता है कि "रैंडम" क्वांटम स्टेट्स को बिना एक्सपोनेंशियल संसाधनों के क्लासिकली कैरेक्टराइज करना आम तौर पर कठिन होता है।

इसी तरह के और पेपर