⚛️ quantum physics

Quantum Machine Learning Using Quantum Illumination With Quantum Enhanced Interference

यह शोध पत्र एक हाइब्रिड क्वांटम मशीन लर्निंग फ्रेमवर्क प्रस्तावित करता जो क्वांटम सर्च और ऑप्टिमाइज़ेशन एल्गोरिदम को अनुकूलित करने के लिए क्यूबिट स्थितियों को निर्धारित करने हेतु बैकप्रोपैगेशन के साथ एक क्वांटम न्यूरल नेटवर्क का निर्माण करने के लिए क्वांटम इल्यूमिनेशन और क्वांटम-एन्हांस्ड इंटरफेरेंस को एकीकृत करते हुए डबल-स्लिट विवर्तन पैटर्न के माध्यम से क्यूबिट सुपरपोजिशन अवस्थाओं का विश्लेषण करता है।

मूल लेखक: Pallab Biswas, Tamal Maity

प्रकाशित 2026-01-27

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Pallab Biswas, Tamal Maity

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

यहाँ इस शोध पत्र का सरल भाषा और रचनात्मक उपमाओं (analogies) का उपयोग करते हुए विवरण दिया गया है, जो पूरी तरह से पाठ में किए गए दावों पर आधारित है।

मुख्य विचार: प्रकाश को "सोचना" सिखाना

कल्पना कीजिए कि आपके पास एक क्लासिक भौतिकी प्रयोग है जिसे डबल-स्लिट एक्सपेरिमेंट (Double-Slit Experiment) कहा जाता है। आप एक दीवार में दो संकीर्ण दरारों के माध्यम से प्रकाश चमकाते हैं, और दूसरी ओर, प्रकाश केवल दो चमकीले धब्बे नहीं बनाता; यह धारियों का एक जटिल पैटर्न (जैसे बारकोड) बनाता है जिसे इंटरफेरेंस पैटर्न (interference pattern) कहा जाता है। ऐसा इसलिए होता है क्योंकि प्रकाश एक तरंग (wave) की तरह व्यवहार करता है, और दोनों दरारों से निकलने वाली तरंगें आपस में टकराती हैं, जिससे चमकीले और अंधेरे क्षेत्र बनते हैं।

इस शोध पत्र के लेखक एक साहसिक प्रश्न पूछते हैं: क्या होगा यदि हम इन धारियों को नियंत्रित करने के लिए एक "स्मार्ट" कंप्यूटर (क्वांटम मशीन लर्निंग) का उपयोग कर सकें? केवल पैटर्न को देखने के बजाय, वे चाहते हैं कि कंप्यूटर यह पता लगाए कि प्रकाश के स्रोत को ठीक कैसे ट्यून किया जाए ताकि सबसे चमकीली धारी बिल्कुल वहीं पहुँच जाए जहाँ वे उसे चाहते हैं, बिना किसी भौतिक उपकरण को हिलाए।

सामग्री (Ingredients)

1. "लाइट बल्ब" वास्तव में एक क्वांटम बिट (Qubit) है
एक सामान्य प्रयोग में, आप बस एक लैंप चालू करते हैं। इस शोध पत्र में, "लैंप" ऑप्टिकल क्यूबिट्स (Optical Qbits) से बना है। एक क्यूबिट को एक घूमते हुए सिक्के की तरह समझें जो एक ही समय में 'हेड्स' और 'टेल्स' दोनों है (सुपरपोजिशन)।

लेखक इन "घूमते हुए सिक्कों" (क्यूबिट्स) के दो प्रकारों का उपयोग प्रकाश स्रोत के रूप में करते हैं।
वे ब्लोक स्फीयर एंगल्स (Bloch Sphere angles) नामक गणितीय नॉब्स (knobs) का उपयोग करके इन सिक्कों के "स्पिन" को समायोजित कर सकते हैं (इन्हें उन डायल की तरह समझें जो प्रकाश की दिशा और चरण/फेज को नियंत्रित करते हैं)।

2. "मस्तिष्क" एक क्वांटम न्यूरल नेटवर्क (QNN) है
एक मानक कंप्यूटर मस्तिष्क (न्यूरल नेटवर्क) चित्रों को देखकर और उनका अनुमान लगाकर सीखता है। यह शोध पत्र एक क्वांटम न्यूरल नेटवर्क (QNN) बनाता है।

बिल्लियों या कुत्तों को पहचानने के बजाय, यह QNN तरंग पैटर्न (wave patterns) को पहचानना सीख रहा है।
इसका काम एक "उल्टा पहेली" (reverse puzzle) हल करना है। आमतौर पर, आप सेटिंग्स जानते हैं और पैटर्न की गणना करते हैं। यह QNN इसके विपरीत करता है: यह एक वांछित पैटर्न को देखता है (उदाहरण के लिए, "मैं इस विशिष्ट कोण पर सबसे चमकीली धारी चाहता हूँ") और यह पता लगाता है कि उस पैटर्न को बनाने के लिए क्यूबिट्स के पास क्या सेटिंग्स होनी चाहिए।

यह कैसे काम करता है: "फ्रिंज स्टीयरिंग" (Fringe Steering) की उपमा

कल्पना कीजिए कि आप टॉर्च का उपयोग करके एक लक्ष्य दीवार पर निशाना लगाने की कोशिश कर रहे हैं।

पुराना तरीका: आप टॉर्च को बाएं या दाएं ले जाने के लिए, या उसे झुकाने के लिए शारीरिक रूप से चलते हैं, ताकि बीम को हिलाया जा सके।
शोध पत्र का तरीका: टॉर्च स्थिर है। हालाँकि, टॉर्च के अंदर का प्रकाश "क्वांटम तरंगों" से बना है। QNN एक जादूगर की तरह कार्य करता है जो तुरंत प्रकाश की तरंगों की आंतरिक लय (internal rhythm) को बदल देता है।

दो क्यूबिट्स की "लय" (phase) को बदलकर, QNN यह कारण बनता है कि तरंगें एक विशिष्ट तरीके से एक-दूसरे के साथ हस्तक्षेप (interfere) करें। इससे दीवार पर चमकीली धारियाँ (fringes) तब तक खिसकती हैं जब तक कि सबसे चमकीली धारी ठीक लक्ष्य पर न पहुँच जाए। शोध पत्र इसे "फ्रिंज स्टीयरिंग" (Fringe Steering) कहता है।

सफलता का "नुस्खा" (Recipe)

शोध पत्र एक प्रशिक्षण प्रक्रिया का वर्णन करता है जो एक कुत्ते को करतब सिखाने जैसा है, लेकिन गणित के साथ:

सेटअप: उन्होंने डबल-स्लिट प्रयोग का एक डिजिटल सिमुलेशन बनाया।
लक्ष्य: उन्होंने कंप्यूटर को बताया, "प्रकाश को 0.04 रेडियन के कोण पर सबसे चमकीला बनाओ।"
परीक्षण और त्रुटि (Trial and Error):
- QNN क्यूबिट्स के लिए एक सेटिंग का अनुमान लगाता है।
- यह परिणामी पैटर्न की गणना करता है (डबल-स्लिट प्रयोग से प्राप्त एक भौतिक सूत्र का उपयोग करके)।
- यह देखता है कि प्रकाश सही स्थान पर नहीं है।
- यह यह पता लगाने के लिए एक गणितीय उपकरण (जिसे बैकप्रोपैगेशन/Backpropagation कहा जाता है) का उपयोग करता है कि लक्ष्य के करीब पहुँचने के लिए किस "डायल" को घुमाना है।
परिणाम: लगभग 100 प्रयासों (epochs) के बाद, QNN सेटिंग्स का सही संयोजन खोज लेता है। यह प्रकाश पैटर्न को सफलतापूर्वक स्थानांतरित करता है ताकि पीक इंटेंसिटी (peak intensity) लक्ष्य कोण पर पहुँच जाए, भले ही भौतिक दरारें कभी नहीं हिलीं।

उन्होंने वास्तव में क्या सिद्ध किया?

शोध पत्र का दावा है कि उन्होंने सफलतापूर्वक:

भौतिकी का मॉडलिंग किया: उन्होंने क्वांटम बिट्स (qubits) के "स्पिन" और प्रकाश के भौतिक पैटर्न (interference और diffraction) के बीच एक गणितीय सेतु बनाया।
AI को प्रशिक्षित किया: उन्होंने एक क्वांटम न्यूरल नेटवर्क बनाया जो इन जटिल संबंधों को सीख सकता है।
नियंत्रण प्राप्त किया: उन्होंने प्रदर्शित किया कि नेटवर्क स्रोत की क्वांटम अवस्था को समायोजित करके हस्तक्षेप पैटर्न को एक विशिष्ट स्थान पर "स्टीयर" (मोड़) सकता है, जिससे यह सिद्ध होता है कि एक मशीन लर्निंग मॉडल मौलिक प्रकाश-पदार्थ अंतःक्रियाओं को नियंत्रित कर सकता है।

शोध पत्र क्या दावा नहीं करता है

प्रदान किए गए पाठ के आधार पर:

इसमें यह दावा नहीं किया गया है कि उन्होंने एक वास्तविक लैब में प्रकाश को हिलाने वाला कोई भौतिक रोबोट बनाया है (यह पायथन और पायटॉर्च का उपयोग करके एक सिमुलेशन था)।
इसमें यह दावा नहीं किया गया है कि इसने बीमारियों का इलाज किया या जलवायु परिवर्तन को हल किया।
इसमें यह दावा नहीं किया गया है कि इसने अभी तक कोई व्यावसायिक उत्पाद बनाया है।
यह पूरी तरह से क्वांटम इल्यूमिनेशन (क्वांटम प्रकाश गुणों का उपयोग करना) और मशीन लर्निंग (कंप्यूटर को उस प्रकाश को नियंत्रित करना सिखाना) के बीच के सैद्धांतिक और सिम्युलेटेड संबंध पर केंद्रित है।

संक्षेप में, यह शोध पत्र एक ब्लूप्रिंट है जो दिखाता है कि यदि आप प्रकाश को एक क्वांटम कंप्यूटर के रूप में देखते हैं, तो आप प्रकाश के व्यवहार को विशिष्ट पैटर्न बनाने के लिए "प्रोग्राम" करने हेतु AI का उपयोग कर सकते हैं, और वह भी बिना किसी भौतिक भाग को हिलाए।

तकनीकी सारांश: क्वांटम एन्हांस्ड इंटरफेरेंस के साथ क्वांटम इल्यूमिनेशन का उपयोग करके क्वांटम मशीन लर्निंग

समस्या विवरण
यह शोध पत्र ऑप्टिकल इंटरफेरेंस और विवर्तन (diffraction) पैटर्न को नियंत्रित करने और अनुकूलित करने की चुनौती को संबोधित करता है, विशेष रूप से एक डबल-स्लिट प्रयोग के संदर्भ में। पारंपरिक इंटरफेरेंस प्रयोग निश्चित ज्यामिति और स्थिर ऑप्टिकल स्रोतों पर निर्भर करते हैं। लेखक एक "इनवर्स डिफ्रैक्शन प्रॉब्लम" को हल करने के लिए एक ढांचा प्रस्तावित करते हैं: यानी, डिटेक्शन प्लेन पर एक विशिष्ट लक्षित तीव्रता वितरण (target intensity distribution) उत्पन्न करने के लिए एक प्रकाशमान स्रोत (illuminating source) के सटीक क्वांटक स्टेट कॉन्फ़िगरेशन को निर्धारित करना। मुख्य उद्देश्य मैकेनिकल मूवमेंट के बिना "एक्टिव बीम स्टीयरिंग" या "फ्रिंज स्टीयरिंग" प्राप्त करने के लिए क्यूबिट अवस्थाओं के सुपरपोजिशन का विश्लेषण और हेरफेर करने हेतु क्वांटम मशीन लर्निंग (QML) का लाभ उठाना है।

कार्यप्रणाली
प्रस्तावित दृष्टिकोण क्वांटम इल्यूमिनेशन (QI), क्वांटम न्यूरल नेटवर्क (QNN) और क्लासिकल मशीन लर्निंग ऑप्टिमाइज़ेशन तकनीकों को एकीकृत करता है।

सैद्धांतिक आधार (क्वांटम इल्यूमिनेशन और ऑप्टिक्स):
- लेखक क्वांटम इलेक्ट्रोडायनामिक्स (QED) में निहित क्वांटम इल्यूमिनेशन सिद्धांतों के आधार पर, स्रोत से डिटेक्शन तक प्रकाश-पदार्थ की परस्पर क्रिया (light-matter interaction) को मॉडल करते हैं।
- वे दो ऑप्टिकल क्यूबिट्स के ब्लॉच स्फीयर मापदंडों ( $\theta, \phi$ ) को दूर-क्षेत्र विवर्तन तीव्रता (far-field diffraction intensity) से जोड़ने वाले एक गणितीय ट्रांसफर फंक्शन को व्युत्पन्न करते हैं।
- सिस्टम प्रकाशमान स्रोत को दो ट्यूनेबल क्यूबिट्स ( $|\psi_1\rangle, |\psi_2\rangle$ ) के रूप में मानता है जो दो स्लिट्स से गुजरते हैं। संयुक्त अवस्था को टेंसर उत्पादों (tensor products) के माध्यम से दर्शाया जाता है, और परिणामी तीव्रता $E(\Theta)$ को स्लिट की चौड़ाई ( $a$ ), पृथक्करण ( $d$ ), तरंग दैर्ध्य ( $\lambda$ ), और क्यूबिट्स के सापेक्ष चरण अंतर (phase differences) के फलन के रूप में गणना की जाती है।
- तीव्रता समीकरण सिंगल-स्लिट डिफ्रैक्शन एनवेलप ( $\text{sinc}^2 \beta$ ) को मल्टी-स्लिट इंटरफेरेंस टर्म ( $\text{sinc}^2 \alpha$ ) और सापेक्ष चरण $\phi'$ पर निर्भर कोहेरेंस टर्म के साथ जोड़ता है।
क्वांटम न्यूरल नेटवर्क (QNN) आर्किटेक्चर:
- एक हाइब्रिड क्वांटम-क्लासिकल न्यूरल नेटवर्क बनाया गया है जहाँ भौतिक विवर्तन प्रक्रिया एक निश्चित, गैर-रेखीय रूपांतरण परत (non-linear transformation layer) के रूप में कार्य करती है।
- एनकोडिंग लेयर: दो क्यूबिट अवस्थाओं को रोटेशन गेट्स ( $R_y, R_z$ ) का उपयोग करके इनिशियलाइज़ किया जाता है, जो ट्यूनेबल ब्लॉच कोणों ( $\theta_1, \phi_1, \theta_2, \phi_2$ ) के अनुरूप होते हैं।
- डिफ्रैक्शन लेयर: मानक एक्टिवेशन फंक्शन (जैसे ReLU) के बजाय, नेटवर्क व्युत्पन्न भौतिक इंटरफेरेंस समीकरण (Eq. 18) का उपयोग अपने एक्टिवेशन फंक्शन के रूप में करता है। यह लेयर पूरी तरह से डिफरेंशिएबल (differentiable) है।
- ऑप्टिमाइज़ेशन: सिस्टम एक लॉस फंक्शन $\mathcal{L}$ को परिभाषित करता है जिसका लक्ष्य एक विशिष्ट लक्षित कोण $\Theta_{target}$ पर तीव्रता को अधिकतम करना है। लॉस को लक्षित स्थान पर ऊर्जा प्रत्याशा (energy expectation value) या तीव्रता के ऋणात्मक मान के रूप में परिभाषित किया गया है।
प्रशिक्षण एल्गोरिदम:
- मॉडल एक "फिजिक्स-इन्फॉर्म्ड" लर्निंग लूप का उपयोग करता है।
- यह ब्लॉच स्फीयर मापदंडों पर ग्रेडिएंट डिसेंट करने के लिए एडम ऑप्टिमाइज़र (Adam optimizer) का उपयोग करता है।
- एल्गोरिदम मापदंडों को अपडेट करने के लिए पुनरावृत्ति (iteratively) करता है, जिससे वांछित ऑफ-एक्सिस लक्ष्य के साथ संरेखित करने के लिए कंस्ट्रक्टिव इंटरफेरेंस फ्रिंज को शिफ्ट किया जा सके।

प्रमुख परिणाम
शोध पत्र पायटॉर्च (PyTorch) और नम्पी (NumPy) का उपयोग करके एक पायथन कार्यान्वयन के आधार पर सिमुलेशन परिणाम प्रस्तुत करता है:

अभिसरण (Convergence): QNN एक मनमाने ऑफ-एक्सिस कोण $\Theta = 0.04$ rad पर अधिकतम तीव्रता को केंद्रित करने के लिए 100 इपोक (epochs) के भीतर सफलतापूर्वक अभिसरित हुआ।
फ्रिंज स्टीयरिंग: नेटवर्क ने एक विशिष्ट चरण कॉन्फ़िगरेशन की पहचान की जहाँ सापेक्ष चरण अंतर $\Delta\phi \approx \pi$ रेडियन है। इसने सिस्टम को भौतिक डिफ्रैक्शन सीमा के भीतर एक प्रमुख मैक्सिमा (principal maximum) को लक्षित निर्देशांक के साथ संरेखित करने के लिए आंतरिक इंटरफेरेंस फ्रिंज को स्थानांतरित करने की अनुमति दी।
एनवेलप स्टीयरिंग से भिन्नता: परिणाम "एनवेलप स्टीयरिंग" के बजाय "फ्रिंज स्टीयरिंग" को प्रदर्शित करते हैं। वैश्विक डिफ्रैक्शन एनवेलप (जो निश्चित स्लिट चौड़ाई द्वारा नियंत्रित है) स्थिर रहा, लेकिन QNN ने भौतिक डिफ्रैक्शन सीमा के भीतर सिग्नल डिटेक्शन को अधिकतम करने के लिए सापेक्ष चरण का सफलतापूर्वक हेरफेर किया।
अनुकूलित पैरामीटर: सिमुलेशन ने विशिष्ट अनुकूलित ब्लॉच कोण ( $\theta_1 \approx 1.647, \phi_1 \approx 1.567$ , आदि) और एक परिणामी दो-क्यूबिट अवस्था प्रदान की जो क्वांटम सर्च समस्या के लिए एक अद्वितीय सुपरपोजिशन मान का प्रतिनिधित्व करती है।

महत्ता और दावे
लेखक दावा करते हैं कि यह कार्य मौलिक तरंग यांत्रिकी (wave mechanics) और आधुनिक लर्निंग एल्गोरिदम के बीच के अंतर को पाटता है। प्रकाशमान स्रोत को ट्यूनेबल क्यूबिट्स के रूप में मॉडल करके, यह शोध पत्र निम्नलिखित के लिए एक नवीन ढांचा प्रदर्शित करता है:

प्रोग्रामेबल ऑप्टिक्स: मैकेनिकल एडजस्टमेंट के बजाय क्वांटम स्टेट मैनिपुलेशन के माध्यम से ऑप्टिकल इंटरफेरेंस पैटर्न को नियंत्रित करना।
क्वांटम सर्च और ऑप्टिमाइज़ेशन: पिछले सुपरपोजिशन अवस्थाओं का विश्लेषण करने और क्यूबिट स्थितियों की पहचान करने के लिए एक विधि प्रदान करना, जिसे लेखक क्वांटम ऑप्टिमाइज़ेशन और सर्च एल्गोरिदम के लिए महत्वपूर्ण मानते हैं।
एडेप्टिव सेंसिंग: सुरक्षित क्वांटम संचार और एडेप्टिव सेंसिंग जैसे अनुप्रयोगों के लिए प्रकाश-पदार्थ की परस्पर क्रिया पर सटीक नियंत्रण सक्षम करना।

शोध पत्र इस बात पर जोर देता है कि सुपरपोजिशन को बनाए रखने और इंटरफेरेंस पैटर्न का पता लगाने की क्षमता सिस्टम के क्वांटम मैकेनिक्स के प्रति पालन की पुष्टि करती है, जो क्वांटम पैरेललिज्म को सक्षम करती है जहाँ कई समाधान पथों को सही उत्तरों को बढ़ाने के लिए एक साथ प्रोसेस किया जाता है।