📊 statistics

Universality of Many-body Projected Ensemble for Learning Quantum Data Distribution

यह शोध पत्र किसी भी क्वांटम अवस्था वितरण (quantum state distribution) को कठोर सैद्धांतिक गारंटियों के साथ अनुमानित करने के लिए मैन-बॉडी प्रोजेक्टेड एनसेम्बल (MPE) ढांचे की सार्वभौमिकता स्थापित करता है, जबकि व्यावहारिक प्रशिक्षण क्षमता को बढ़ाने के लिए लेयर-वाइज ट्रेनिंग के साथ एक इंक्रीमेंटल MPE वेरिएंट का प्रस्ताव देता है और जटिल क्वांटम डेटासेट पर इसकी प्रभावकारिता को प्रमाणित करता है।

मूल लेखक: Quoc Hoan Tran, Koki Chinzei, Yasuhiro Endo, Hirotaka Oshima

प्रकाशित 2026-06-18

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Quoc Hoan Tran, Koki Chinzei, Yasuhiro Endo, Hirotaka Oshima

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

कल्पना कीजिए कि आप एक रोबोट को पेंटिंग करना सिखाने की कोशिश कर रहे हैं। लेकिन कैनवास पर पेंटिंग करने के बजाय, रोबोट एक जटिल, अदृश्य क्वांटम दुनिया के "वाइब" या "वितरण" (distribution) को फिर से बनाने की कोशिश कर रहा है। क्वांटम जगत में, चीजें केवल एक जगह नहीं रहतीं; वे एक साथ कई जगहों पर मौजूद होती हैं (सुपरपोजिशन) और एक-दूसरे से गहराई से जुड़ी होती हैं (एंटैंगलमेंट)। कंप्यूटर को इन पैटर्नों को समझने और उन्हें फिर से बनाने के लिए सिखाना अविश्वसनीय रूप से कठिन है क्योंकि क्वांटम दुनिया के नियम हमारी रोजमर्रा की दुनिया से बहुत अलग हैं।

फूजित्सु रिसर्च के क्वोक होन ट्रान और उनके सहयोगियों का यह शोध पत्र एक बड़े सवाल का समाधान करता है: क्या एक ऐसा क्वांटम कंप्यूटर मॉडल बनाया जा सकता है जो किसी भी संभावित क्वांटम डेटा के पैटर्न को सीखने के लिए पर्याप्त शक्तिशाली हो?

यहाँ उनके समाधान का विवरण, सरल उपमाओं (analogies) का उपयोग करते हुए दिया गया है:

1. समस्या: "अनंत पुस्तकालय" (The Infinite Library)

उस क्वांटम डेटा के बारे में सोचें जिसे आप सीखना चाहते हैं, जैसे कि एक अनंत किताबों वाला पुस्तकालय, जहाँ हर किताब एक अद्वितीय क्वांटम अवस्था (state) है। आप इस पुस्तकालय के संग्रह की एक सटीक प्रति बनाने वाली मशीन बनाना चाहते हैं।

चुनौती: अधिकांश वर्तमान तरीके हाथ से एक बार में एक किताब बनाने की तरह हैं। यह धीमा है, महंगा है, और यदि पुस्तकालय बहुत बड़ा है, तो आप फंस सकते हैं (एक समस्या जिसे "बैरेन प्लेटो" कहा जाता है, जहाँ कंप्यूटर अपना रास्ता भटक जाता है)।
लक्ष्य: यह सिद्ध करना कि सैद्धांतिक रूप से एक ऐसा मशीन बनाने का तरीका है जो किसी भी पुस्तकालय की नकल कर सके, चाहे वह कितना भी जटिल क्यों न हो।

2. समाधान: "मेनी-बॉडी प्रोजेक्टेड एनसेम्बल" (MPE)

लेखक मेनी-बॉडी प्रोजेक्टेड एनसेम्बल (MPE) नामक एक विधि पेश करते हैं।

उपमा: कल्पना करें कि आपके पास एक विशाल, जादुई, कई परतों वाला केक है (एक "मेनी-बॉडी वेव फंक्शन")। आप यह देखने के लिए कि इसके अंदर क्या है, एक बार में पूरा केक नहीं खा सकते। इसके बजाय, आप एक छोटा सा टुकड़ा (एक "एनसिला" या सहायक प्रणाली) काटते हैं और उसे देखते हैं।
यह कैसे काम करता है: जब आप उस छोटे टुकड़े को देखते हैं, तो बाकी का केक (मुख्य प्रणाली) उस छोटे टुकड़े में जो आपने देखा, उसके आधार पर तुरंत एक विशिष्ट आकार में "कोलैप्स" (collapse) हो जाता है। सहायक टुकड़े को काटने और देखने के तरीके को बदलकर, आप मुख्य केक को विभिन्न आकारों में ढलने के लिए मजबूर कर सकते हैं।
जादू: यह पेपर सिद्ध करता है कि इस "काटने और देखने" की तकनीक का उपयोग करके, आप केक का कोई भी आकार बना सकते हैं जिसे आप चाहें। उन्होंने गणितीय रूप से सिद्ध किया कि यह विधि यूनिवर्सल (universal) है—जिसका अर्थ है कि यह किसी भी क्वांटम वितरण (distribution) की नकल कर सकती है, जब तक कि आप एक बहुत ही मामूली त्रुटि (error) को स्वीकार करने के लिए तैयार हों।

3. "पिक्सेलेशन" ट्रिक (डिस्क्रीटाइजेशन)

इसे सिद्ध करने के लिए, लेखकों ने एक चतुर गणितीय ट्रिक का उपयोग किया।

उपमा: कल्पना करें कि आप एक पूर्ण वृत्त (circle) बनाना चाहते हैं। एक चिकनी वक्र रेखा (smooth curve) को पूरी तरह से बनाना कठिन है। लेकिन यदि आप 1,000 भुजाओं वाला एक बहुभुज (polygon) बनाते हैं, तो यह लगभग एक वृत्त जैसा ही दिखता है।
अनुप्रयोग: उन्होंने दिखाया कि किसी भी जटिल क्वांटम वितरण को "डॉट्स" (एक ग्रिड या नेट) के एक सीमित सेट में तोड़ा जा सकता है। यदि आप सही आवृत्तियों (frequencies) के साथ इन विशिष्ट डॉट्स को उत्पन्न करना सीख जाते हैं, तो आपने प्रभावी रूप से पूरे वितरण को सीख लिया है। MPE विधि वह उपकरण है जो आपको इन डॉट्स को पूरी तरह से उत्पन्न करने की अनुमति देता है।

4. इसे व्यावहारिक बनाना: "परत-दर-परत" दृष्टिकोण (Layer-by-Layer Approach)

हालाँकि गणित यह सिद्ध करता है कि यह किया जा सकता है, लेकिन एक साथ यह सब करने वाली मशीन बनाना वर्तमान क्वांटम कंप्यूटरों के लिए बहुत भारी होगा (जो शोर वाले और सीमित शक्ति वाले हैं)।

समाधान: उन्होंने एक इन्क्रीमेंटल MPE (Incremental MPE) का प्रस्ताव दिया।
उपमा: एक ही बड़ी छलांग में पहाड़ चढ़ने के बजाय, आप छोटे, प्रबंधनीय चरणों में पहाड़ चढ़ते हैं।
यह कैसे काम करता है: आप क्वांटम कंप्यूटर को परतों (layers) में प्रशिक्षित करते हैं। पहले, वह एक सरल चरण सीखता है। एक बार जब वह इसमें महारत हासिल कर लेता है, तो वह अगले चरण को सीखने के लिए दूसरी परत जोड़ता है, और इसी तरह। यह "लेयर-वाइज ट्रेनिंग" इसे भ्रमित हुए बिना या अटके बिना सीखना बहुत आसान बनाती है।

5. परिणाम: सिद्धांत का परीक्षण

टीम ने इस विचार का दो प्रकार के "क्वांटम पहेलियों" पर परीक्षण किया:

क्लस्टर्ड डेटा (Clustered Data): कल्पना करें कि एक कमरा जहाँ लोग तीन अलग-अलग समूहों में एकत्र हुए हैं (क्लस्टर)। मॉडल ने इन समूहों को सफलतापूर्वक फिर से बनाना सीख लिया।
मॉलिक्यूलर डेटा (QM9): उन्होंने छोटे अणुओं (जैसे रसायन विज्ञान के सेट की सामग्री) के एक डेटासेट का उपयोग किया। मॉडल ने इन अणुओं के पैटर्न को सीखा, जिससे पता चला कि यह वास्तविक दुनिया के वैज्ञानिक डेटा को संभाल सकता है।

निचोड़ (The Bottom Line)

यह पेपर यह दावा नहीं करता कि उन्होंने आज सभी रसायन विज्ञान की समस्याओं को हल करने वाला सुपरकंप्यूटर बना लिया है। इसके बजाय, यह एक ब्लूप्रिंट और एक गारंटी प्रदान करता है।

गारंटी: उन्होंने गणितीय रूप से सिद्ध किया कि MPE फ्रेमवर्क किसी भी क्वांटम पैटर्न को सीखने के लिए पर्याप्त शक्तिशाली है।
ब्लूप्रिंट: उन्होंने दिखाया कि आज की अपूर्ण मशीनों पर इसे स्टेप-बाय-स्टेप ट्रेनिंग के माध्यम से कैसे व्यावहारिक रूप से बनाया जा सकता है।

संक्षेप में, उन्होंने सिद्ध किया कि सही "काटने" की तकनीक और चरण-दर-चरण प्रशिक्षण कार्यक्रम के साथ, क्वांटम कंप्यूटरों में किसी भी क्वांटम डेटा वितरण को उत्पन्न करने की कला में महारत हासिल करने की सैद्धांतिक क्षमता है, जो रसायन विज्ञान और पदार्थ विज्ञान (materials science) में बेहतर सिमुलेशन का मार्ग प्रशस्त करती है।

तकनीकी सारांश: क्वांटम डेटा वितरण सीखने के लिए मेनी-बॉडी प्रोजेक्टेड एनसेम्बल की सार्वभौमिकता (Universality)

समस्या विवरण

यह शोध पत्र क्वांटम मशीन लर्निंग (QML) की एक मौलिक चुनौती—अज्ञात क्वांटम डेटा वितरणों को सीखने और उत्पन्न करने—को संबोधित करता है। जबकि शास्त्रीय जनरेटिव मॉडल सुपरपोजिशन, एंटैंगलमेंट और नॉन-लोकैलिटी जैसी क्वांटम घटनाओं को दोहराने में संघर्ष करते हैं, मौजूदा क्वांटम जनरेटिव मॉडल महत्वपूर्ण सैद्धांतिक और व्यावहारिक बाधाओं का सामना करते हैं। विशेष रूप से, क्वांटम जनरेटिव एडवरसैरियल नेटवर्क (QGANs) और क्वांटुअल वेरिएशनल ऑटोएनकोडर्स (QVAEs) जैसे मॉडल गहरे पैरामीटराइज्ड क्वांटम सर्किट्स (PQCs) की आवश्यकता के कारण अवस्थाओं के एनसेम्बल (ensembles) उत्पन्न करने के लिए अक्षम होते हैं। इसके अलावा, क्षेत्र में सार्वभौमिकता (universality) की कठोर सैद्धांतिक गारंटी का अभाव है: यानी किसी पैरामीटराइज्ड मॉडल की किसी भी क्वांटम वितरण को अनिश्चित सटीकता के साथ अनुमानित (approximate) करने की क्षमता। व्यावहारिक कार्यान्वयन को शोर (noise), सीमित क्वबिट कनेक्टिविटी, और NISQ युग में बैरन प्लेटो (barren plateaus) जैसी अनुकूलन (optimization) संबंधी कठिनाइयों द्वारा बाधित किया जाता है।

कार्यप्रणाली (Methodology)

1. सैद्धांतिक ढांचा: मेनी-बॉडी प्रोजेक्टेड एनसेम्बल (MPE)

लेखक क्वांटम डेटा वितरण सन्निकटन (approximation) की सार्वभौमिकता को सिद्ध करने के लिए मेनी-बॉडी प्रोजेक्टेड एनसेम्बल (MPE) को एक ढांचे के रूप में प्रस्तावित करते हैं। MPE एक एकल मेनी-बॉडी वेव फंक्शन $|\Phi\rangle$ का उपयोग करता है जो एक संयुक्त प्रणाली (composite system) पर परिभाषित है, जिसमें एक एनसिला सिस्टम (ancilla system) $A$ और एक मुख्य सिस्टम (main system) $M$ शामिल है।

तंत्र (Mechanism): एनसिला सिस्टम $A$ पर कंप्यूटेशनल बेसिस में स्थानीय माप (local measurements) करने से, मुख्य सिस्टम $M$ शुद्ध अवस्थाओं (pure states) के एक सेट $\{|\phi(z_A)\rangle_M\}$ में ढह (collapse) जाता है, जिनमें से प्रत्येक एक विशिष्ट मापन परिणाम $z_A$ और प्रायिकता $p(z_A)$ से जुड़ा होता है।
लक्ष्य: एक निर्दिष्ट त्रुटि सीमा (error bound) के भीतर $n$ -क्विबिट शुद्ध अवस्थाओं पर एक लक्षित वितरण $Q_t$ को एक पैरामीटराइज्ड वितरण $Q_\theta$ (PQCs के माध्यम से) के रूप में निर्मित करना।

2. सार्वभौमिकता प्रमेय और प्रमाण रणनीति

मुख्य सैद्धांतिक योगदान Theorem IV.1 है, जो कहता है कि किसी भी लक्षित वितरण $Q_t$ और किसी भी त्रुटि सीमा $\epsilon > 0$ के लिए, MPE के माध्यम से निर्मित एक ऐसा पैरामीटराइज्ड वितरण $Q_\theta$ मौजूद है कि 1-वॉसरस्टीन दूरी (1-Wasserstein distance) $W_1(Q_t, Q_\theta) \leq \epsilon$ है।

यह प्रमाण दो-चरणीय निर्माण पर आधारित है:

विविक्तकरण (Discretization - $\epsilon/2$ -Covering): निरंतर लक्षित वितरण $Q_t$ को स्टेट स्पेस के वोरोनोई पार्टीशनिंग (Voronoi partitioning) का उपयोग करके एक परिमित एनसेम्बल $Q$ ( $\epsilon/2$ -नेट) द्वारा अनुमानित किया जाता है। लेम्मा (Lemma) IV.2 सिद्ध करता है कि एक परिमित एनसेम्बल मौजूद है जिससे $W_1(Q_t, Q) \leq \epsilon/2$ होता है।
MPE सन्निकटन (Approximation): इसके बाद परिमित एनसेम्बल $Q$ $Q$ को MPE द्वारा उत्पन्न प्रोजेक्टेड एनसेम्बल $P$ $P$ द्वारा अनुमानित किया जाता है।
- प्रायिकता मिलान (Probability Matching): एक इंस्टेंटेनियस क्वांटम पॉलीनोमियल (IQP) सर्किट या एनसिला और हिडन सिस्टम पर कार्य करने वाले एक पैरामीटराइज्ड यूनिटरी $V$ का उपयोग करके, यह विधि मापन प्रायिकताएं $p_j$ उत्पन्न करती है जो डिस्क्रीट एनसेम्बल की लक्षित प्रायिकताओं $q_j$ का अनुमान लगाती हैं (लेम्मा IV.3)। एक सटीक मिलान भी सैद्धांतिक रूप से संभव है (लेम्मा IV.4)।
- अवस्था तैयारी (State Preparation): कंट्रोल्ड यूनिटरी सर्किट हिडन सिस्टम की पोस्ट-मेजरमेंट अवस्थाओं को डिस्क्रीट एनसेम्बल की लक्षित अवस्थाओं में परिवर्तित करते हैं।
- दूरी सीमा (Distance Bound): लेम्मा IV.5 प्रदर्शित करता है कि प्रोजेक्टेड एनसेम्बल और डिस्क्रीट एनसेम्बल के बीच 1-वॉसरस्टीन दूरी उनके प्रायिकता वितरणों की टोटल वेरिएशन दूरी (total variation distance) द्वारा सीमित है, जो $W_1(P, Q) \leq \epsilon/2$ को संतुष्ट करती है।
- निष्कर्ष: ट्राइएंगल इनइक्वेलिटी (triangle inequality) द्वारा, $W_1(Q_t, P) \leq \epsilon$ ।

3. व्यावहारिक कार्यान्वयन: इंक्रीमेंटल MPE (Incremental MPE)

बड़े $N$ के लिए प्रत्यक्ष MPE निर्माण के लिए घातीय संसाधनों (विशेष रूप से $\log N$ के साथ स्केल होने वाले एनसिला क्वबिट्स) की आवश्यकता को पहचानते हुए, लेखक व्यावहारिक NISQ उपकरणों के लिए एक इंक्रीमेंटल MPE संस्करण प्रस्तावित करते हैं।

लेयर-वाइज ट्रेनिंग (Layer-wise Training): एक एकल गहरे सर्किट को प्रशिक्षित करने के बजाय, मॉडल को $K$ चक्रों में पुनरावृत्ति (iteratively) से प्रशिक्षित किया जाता है। प्रत्येक चक्र $k$ में, वर्तमान अवस्थाओं के एनसेम्बल पर एक पैरामीटराइज्ड यूनिटरी $V_k$ लागू किया जाता है।
अनुकूलन (Optimization): पैरामीटर्स $\theta_k$ को प्रशिक्षण डेटासेट और जनरेट किए गए एनसेम्बल के बीच एक लॉस फंक्शन (1-वॉसरस्टीन दूरी, मैक्सिमम मीन डिसक्रीपेंसी, या वेंडी स्कोर पर आधारित) को कम करने के लिए अनुकूलित किया जाता है। एक बार अनुकूलित होने के बाद, $\theta_k$ को स्थिर कर दिया जाता है, और प्रक्रिया अगले स्तर पर बढ़ जाती है।
एन्सात्ज़ (Ansatz): प्रयोग एकल-क्विबिट रोटेशन और कंट्रोल्ड-Z एंटैंगलिंग गेट्स के परतों वाले हार्डवेयर एफिशिएंट एन्सात्ज़ का उपयोग करते हैं।

मुख्य परिणाम

संख्यात्मक प्रयोग

लेखकों ने TensorCircuit और JAX का उपयोग करके दो डेटासेट्स पर इस ढांचे को मान्य किया:

मल्टी-क्लस्टर क्वांटम डिस्ट्रीब्यूशन: एक सिंथेटिक डेटासेट जिसमें 6-क्विबिट अवस्थाओं (जो $|0\rangle^{\otimes n}$ $∣0 ⟩^{\otimes n}$ , $|1\rangle^{\otimes n}$ $∣1 ⟩^{\otimes n}$ , और GHZ अवस्था के केंद्र पर केंद्रित हैं) के तीन क्लस्टर्स का मिश्रण और उसमें जोड़ा गया गॉसियन शोर शामिल है।
- निष्कर्ष: इंक्रीमेंटल MPE ने वितरण को सफलतापूर्वक सीखा। प्रदर्शन मेट्रिक्स (1-वॉसरस्टीन दूरी, MMD, और वेंडी स्कोर अंतर) ने सर्किट परतों की एक विशिष्ट संख्या ( $L$ ) पर एक इष्टतम ट्रेड-ऑफ दिखाया। बहुत कम परतें अपर्याप्त अभिव्यक्तता (लोकल मिनिमा) की ओर ले गईं, जबकि बहुत अधिक परतें ओवरपैरामीट्राइजेशन या बैरन प्लेटो का कारण बनीं। इष्टतम कॉन्फ़िगरेशन ने औसत 1-वॉसरस्टीन दूरी $< 0.1$ प्राप्त की।
QM9 मॉलिक्यूलर डेटासेट: QM9 डेटासेट का एक उपसमुच्चय जिसमें 7 भारी परमाणुओं वाले 488 अणु शामिल हैं, जिन्हें 7-क्विबिट अवस्थाओं में एनकोड किया गया है।
- निष्कर्ष: इस ढांचे को इन आणविक अवस्थाओं के वितरण को सीखने के लिए लागू किया गया। हालांकि मॉडल ने $L=20$ परतों के आसपास इष्टतम प्रदर्शन दिखाया, लेखकों ने नोट किया कि अभिसरण (convergence) अधूरा था (दूरियां अपेक्षाकृत उच्च रहीं), जो यह सुझाव देता है कि जटिल रासायनिक डेटा के लिए सैद्धांतिक त्रुटि सीमाओं तक पहुँचने के लिए प्रशिक्षण युगों (epochs), एनसिला क्वबिट्स, या एन्सात्ज़ डिजाइन के और अधिक ट्यूनिंग की आवश्यकता है।

महत्व और दावे

शोध पत्र तीन प्राथमिक योगदानों का दावा करता है:

सैद्धांतिक गारंटी: यह मेनी-बॉडी प्रोजेक्टेड एनसेम्बल ढांचे के लिए पहला कठोर सार्वभौमिकता प्रमेय (universality theorem) प्रदान करता है। यह सिद्ध करता है कि MPE, सिद्धांत रूप में, किसी भी शुद्ध क्वांटम अवस्था के वितरण को मनचाही 1-वॉसरस्टीन दूरी त्रुटि के भीतर अनुमानित कर सकता है, जो सार्वभौमिक अभिव्यक्तता के संबंध में QML में एक महत्वपूर्ण सैद्धांतिक अंतर को संबोधित करता है।
व्यावहारिक अनुकूलन: यह इंक्रीमेंटल MPE वेरिएंट पेश करता है, जो मानक MFE की संसाधन गहनता और प्रशिक्षण योग्य समस्याओं को कम करता है। लेयर-वाइज ट्रेनिंग का उपयोग करके, यह विधि व्यक्तिगत सर्किट्स की गहराई को कम करती है, जिससे यह NISQ हार्डवेयर बाधाओं के साथ अधिक संगत हो जाती है।
सत्यापन: सिंथेटिक क्लस्टर्ड स्टेट्स और वास्तविक दुनिया के केमिस्ट्री डेटासेट (QM9) दोनों पर संख्यात्मक प्रयोग जटिल क्वांटम डेटा वितरणों को सीखने में इस ढांचे की प्रभावकारिता को प्रमाणित करते हैं, जो क्वांटम केमिस्ट्री और सामग्री विज्ञान में इसके अनुप्रयोगों की क्षमता को सिद्ध करते हैं।

लेखक अपनी सीमाओं के संबंध में एक विनम्र लहजा बनाए रखते हैं, यह स्वीकार करते हुए कि जबकि सार्वभौमिकता सिद्ध है, सैंपल कॉम्प्लेक्सिटी (sample complexity) डेटा मैनिफोल्ड के आंतरिक आयाम के साथ घातीय रूप से स्केल हो सकती है। वे यह भी नोट करते हैं कि सटीक एनसिला-सहायता प्राप्त मापन पर निर्भरता वर्तमान शोर वाले हार्डवेयर के लिए चुनौतियां पेश करती है, और बड़े पैमाने के सर्किट्स को अनुकूलित करने की कम्प्यूटेशनल लागत भविष्य के कार्य के लिए एक बाधा बनी हुई है।