⚛️ quantum physics

Quantum Phase Recognition via Quantum Attention Mechanism

यह शोध पत्र एक हाइब्रिड क्वांटम-क्लासिकल अटेंशन मॉडल प्रस्तावित करता है जो क्लस्टर-आइसिंग मॉडल पर न्यूनतम प्रशिक्षण डेटा के साथ उच्च सटीकता और स्केलेबिलिटी प्रदर्शित करते हुए, कई-शरीर प्रणालियों (many-body systems) में क्वांटम चरणों को कुशलतापूर्वक और मजबूती से वर्गीकृत करने के लिए स्वैप टेस्ट और पैरामीट्रिक क्वांटम सर्किट का लाभ उठाता है।

मूल लेखक: Jin-Long Chen, Xin Li, Zhang-Qi Yin

प्रकाशित 2026-06-17

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jin-Long Chen, Xin Li, Zhang-Qi Yin

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 केवल एक स्वर (note) सुनकर विभिन्न प्रकार के संगीत—जैसे जैज़, शास्त्रीय, या हेवी मेटल—को पहचानने की कोशिश कर रहे हैं। यह लगभग असंभव है, है ना? आपको यह सुनने की आवश्यकता है कि स्वर एक-दूसरे से कैसे संबंधित हैं, वे कैसे सामंजस्य (harmonize) बिठाते हैं, और लय (rhythm) कैसे बहती है।

यह शोध पत्र इसी तरह की समस्या से निपटता है, लेकिन संगीत के बजाय, यह क्वांटम पदार्थ (quantum matter) से संबंधित है। विशेष रूप से, यह "क्वांटम चरणों" (quantum phases) को देखता है—वे अलग-अलग अवस्थाएँ जिनमें कणों (जैसे इलेक्ट्रॉन या स्पिन) के समूह जा सकते हैं। कुछ अवस्थाएँ व्यवस्थित होती हैं, कुछ अराजक (chaotic), और कुछ "टोपोलॉजिकल" (topological) होती हैं, जो एक फैंसी तरीका है यह कहने का कि उनमें एक छिपा हुआ, जटिल ढांचा होता है जो सामान्य व्यवस्था जैसा नहीं दिखता।

बड़ी चुनौती यह है कि ये क्वांटम अवस्थाएँ अविश्वसनीय रूप से जटिल हैं। पारंपरिक कंप्यूटर यह पता लगाने में संघर्ष करते हैं कि कणों का एक समूह किस अवस्था में है क्योंकि कणों के बीच के संबंध बहुत उलझे हुए और इतने अधिक होते हैं कि उन्हें आसानी से कैलकुलेट करना मुश्किल होता है।

समाधान: एक "क्वांटम गपशप नेटवर्क" (Quantum Gossip Network)

शोधकर्ताओं ने एक नया उपकरण बनाया है जिसे हाइब्रिड क्वांटम-क्लासिकल अटेंशन मॉडल (Hybrid Quantum-Classical Attention Model) कहा जाता है। आइए इसे एक उपमा (analogy) के साथ समझते हैं।

कल्पना कीजिए कि एक कमरा लोगों (क्यूबिट्स/कणों) से भरा है। आप जानना चाहते हैं कि कमरे का "मिजाज" (mood) क्या है।

पुराना तरीका: आप प्रत्येक व्यक्ति से व्यक्तिगत रूप से पूछते हैं कि वे कैसा महसूस कर रहे हैं। इससे समूह का माहौल (vibe) छूट जाता है।
नया तरीका (यह शोध पत्र): आप एक ऐसी प्रणाली बनाते हैं जहाँ हर कोई एक-दूसरे से फुसफुसाकर बात करता है ताकि यह देखा जा सके कि कौन किसे प्रभावित कर रहा है। यही "अटेंशन मैकेनिज्म" (Attention Mechanism) है।

आर्टिफिशियल इंटेलिजेंस की दुनिया में, "अटेंशन" एक ऐसी तकनीक है जो कंप्यूटर को डेटा के सबसे महत्वपूर्ण हिस्सों पर ध्यान केंद्रित करने में मदद करती है। इस क्वांटम संस्करण में, शोधकर्ता एक ट्रिक का उपयोग करते हैं जिसे "स्वैप टेस्ट" (Swap Test) कहा जाता है।

स्वैप टेस्ट को "कौन किसके समान है?" के खेल की तरह समझें। मशीन दो कणों को लेती है, उनकी स्थिति को आपस में बदल (swap) देती है, और मापती है कि पूरे सिस्टम में कितना बदलाव आया।

यदि उन्हें बदलने से सिस्टम में बहुत बदलाव आता है, तो वे मजबूत रूप से जुड़े हुए (high attention) हैं।
यदि उन्हें बदलने से कुछ भी नहीं बदलता, तो वे स्वतंत्र (low attention) हैं।

प्रत्येक कण के जोड़े के लिए ऐसा करके, मशीन एक "कोरिलेशन मैप" (Correlation Map) (या अटेंशन मैट्रिक्स) बनाती है। यह मानचित्र दिखाता है कि क्वांटम सिस्टम में कौन किससे बात कर रहा है।

यह व्यवहार में कैसे काम करता है

तैयारी (Preparation): क्वांटम सिस्टम को एक विशिष्ट अवस्था में तैयार किया जाता है।
स्वैप टेस्ट (The Swap Test): मशीन कणों के सभी जोड़ों के बीच ये "स्वैप" जाँच करती है। यह नंबरों का एक ग्रिड बनाता है जो प्रत्येक कण के बीच संबंधों की ताकत को दर्शाता है।
दिमाग (The Brain): इस ग्रिड को एक छोटे, क्लासिकल न्यूरल नेटवर्क (एक मानक AI मस्तिष्क) में फीड किया जाता है। AI कनेक्शन के पैटर्न को देखता है और कहता है, "आह, यह पैटर्न एक 'पैरामैग्नेटिक' चरण जैसा दिखता है," या "यह एक 'टोपोलॉजिकल' चरण जैसा दिखता है।"

उन्होंने क्या पाया?

टीम ने इसका परीक्षण क्लस्टर-आइसिंग मॉडल (Cluster-Ising model) पर किया, जो भौतिकी में एक मानक परीक्षण मामला है जिसमें तीन अलग-अलग चरण हैं:

एंटीफेरोमैग्नेटिक (AFM): एक शतरंज के बोर्ड की तरह, जहाँ पड़ोसी एक-दूसरे के विपरीत होते हैं।
सिमेट्री-प्रोटेक्टेड टोपोलॉजिकल (SPT): एक जटिल, उलझा हुआ (entangled) राज्य जिसमें कोई सरल स्थानीय व्यवस्था नहीं होती।
पैरामैग्नेटिक (Paramagnetic): एक अव्यवस्थित, यादृच्छिक (random) अवस्था।

यहाँ मुख्य परिणाम दिए गए हैं, जिन्हें सरल अंग्रेजी (हिंदी अनुवाद के संदर्भ में) में रूपांतरित किया गया है:

यह अत्यंत कुशल है: AI को सीखने के लिए हजारों उदाहरणों की आवश्यकता नहीं पड़ी। यह 9-कण या 15-कण वाले सिस्टम के चरण को 100 से भी कम प्रशिक्षण उदाहरणों के साथ सटीक रूप से पहचान सका। कुछ मामलों में, इसने केवल 20 उदाहरणों के साथ 98% सटीकता प्राप्त की। यह एक बच्चे को केवल 20 तस्वीरें दिखाकर कुत्ता पहचानना सिखाने जैसा है, और वह कभी गलती नहीं करता।
यह मजबूत (Robust) है: भले ही आप प्रशिक्षण डेटा को थोड़ा बदल दें, AI अभी भी अच्छा काम करता है। यह छोटे बदलावों से भ्रमित नहीं होता।
यह व्याख्या योग्य है (The "Why"): यह सबसे शानदार हिस्सा है। AI ने केवल उत्तर नहीं दिया; इसने बताया कि क्यों।
- SPT चरण में, कोरिलेशन मैप ने दिखाया कि हर कोई दूसरे के साथ समान रूप से जुड़ा हुआ था। यह वैश्विक उलझाव (global entanglement) का एक जाल था।
- पैरामैग्नेटिक चरण में, मैप ने दिखाया कि कुछ कण अलग-थलग थे, जो शायद ही किसी से बात कर रहे थे।
- AFM चरण में, मैप ने एक लहरदार पैटर्न दिखाया, जैसे कि एक रिपल इफेक्ट (ripple effect)।

"कॉन्ट्रास्ट" और "लेंथ" मेट्रिक्स

शोधकर्ताओं ने AI द्वारा देखे गए दृश्यों को मापने के लिए दो सरल मेट्रिक्स भी बनाए:

कॉन्ट्रास्ट वैल्यू (Contrast Value): यह अल्प-दूरी के कनेक्शन (पड़ोसी) और दीर्घ-दूरी के कनेक्शन (दूर के कण) के बीच के अंतर को मापता है।
- AFM चरण में, दीर्घ-दूरी के कनेक्शन हावी होते हैं।
- पैरामैग्नेटिक चरण में, अल्प-दूरी के कनेक्शन हावी होते हैं।
- इस मान (value) में तीव्र परिवर्तन एक थर्मामीटर की तरह कार्य करता है, जो चरण संक्रमण (phase transitions) को स्पष्ट रूप से चिह्नित करता है, जिससे एक अवस्था और दूसरी अवस्था के बीच की सीमा स्पष्ट होती है।
प्रभावी कोरिलेशन लेंथ (Effective Correlation Length): यह मापता है कि एक कण का "प्रभाव" कितनी दूर तक जाता है।
- SPT चरण में, प्रभाव बहुत दूर तक जाता है (उच्च कोरिलेशन लेंथ), जो इसकी टोपोलॉजिकल प्रकृति को दर्शाता है।
- पैरामैग्नेटिक चरण में, प्रभाव जल्दी खत्म हो जाता है (कम कोरिलेशन लेंथ), जिसका अर्थ है कि कण केवल अपने निकटतम पड़ोसियों की परवाह करते हैं।

यह क्यों मायने रखता है?

आमतौर पर, इन क्वांटम चरणों को पहचानने के लिए, भौतिकविदों को "ऑर्डर पैरामीटर" (order parameter) को पहले से जानने की आवश्यकता होती है—एक विशिष्ट गणितीय सूत्र जो उस चरण को परिभाषित करता है। लेकिन टोपोलॉजिकल जैसे जटिल चरणों के लिए, हमारे पास अक्सर वह सूत्र नहीं होता है।

यह नया तरीका एक ऐसे जासूस की तरह है जो कणों के "सोशल नेटवर्क" को देख सकता है और बिना पहले से नियम बताए चरण का पता लगा सकता है। यह अज्ञात क्वांटम सामग्रियों की खोज करने के लिए प्राकृतिक कनेक्शनों का उपयोग करता है, जो इसे एक शक्तिशाली उपकरण बनाता है।

सीमाएं

शोध पत्र अपनी सीमाओं के बारे में ईमानदार है:

इसका परीक्षण सिमुलेशन का उपयोग करके छोटे सिस्टम (9 और 15 कण) पर किया गया था, वास्तविक क्वांटम हार्डवेयर पर नहीं।
वास्तविक क्वांटम कंप्यूटर शोर वाले (noisy) और अपूर्ण होते हैं। वास्तविक हार्डवेयर पर बड़े सिस्टम तक इसे ले जाना चुनौतीपूर्ण होगा।

लेकिन फिलहाल के लिए, यह कार्य दिखाता है कि क्वांटम अटेंशन—यानी सहसंबंधों को मापने के लिए क्वांटम यांत्रिकी का उपयोग करना और उनकी व्याख्या के लिए AI का उपयोग करना—क्वांटम पदार्थ की छिपी हुई संरचनाओं को समझने का एक आशाजनक, डेटा-कुशल तरीका है।

तकनीकी सारांश: क्वांटम अटेंशन मैकेनिज्म के माध्यम से क्वांटम चरण पहचान (Quantum Phase Recognition)

समस्या विवरण
क्वांटम चरण संक्रमण (QPTs) कई-निकाय प्रणालियों (many-body systems) में जटिल सहसंबंध और एंटैंगलमेंट संरचनाओं द्वारा अभिलक्षित होते हैं। पारंपरिक शास्त्रीय विधियाँ, जैसे कि डेंसिटी मैट्रिक्स रिनॉर्मलाइजेशन ग्रुप (DMRG) और क्वांटम मोंटे कार्लो (QMC), बड़े सिस्टमों में कम्प्यूटेशनल चुनौतियों का सामना करती हैं और अक्सर उन चरणों का पता लगाने में विफल रहती हैं जिनमें स्थानीय ऑर्डर पैरामीटर्स (local order parameters) का अभाव होता है, जैसे कि टोपोलॉजिकल या सिमेट्री-प्रोटेक्टेड चरण। जबकि क्वांटम चरण संक्रमणों के लिए क्लासिकल मशीन लर्निंग (ML) का अनुप्रयोग किया गया है, यह क्वांटम अवस्थाओं के क्लासिकली सुलभ निरूपणों पर निर्भर करता है, जो अत्यधिक एंटेंगल्ड सिस्टम के लिए अक्षम हो जाते हैं। मौजूदा क्वांटम मशीन लर्निंग (QML) दृष्टिकोण, जैसे कि क्वांटम न्यूरल नेटवर्क (QNNs) और क्वांटम कनवल्शनल न्यूरल नेटवर्क (QCNNs), बैरन प्लेटो (barren plateaus), उच्च संसाधन मांग, या आर्किटेक्चरल बाधाओं के कारण दीर्घ-परासी सहसंबंधों (long-range correlations) को पकड़ने की सीमित क्षमता जैसी समस्याओं से ग्रस्त हैं। एक डेटा-कुशल, स्केलेबल दृष्टिकोण की आवश्यकता है जो अंतर्निहित सहसंबंधों के आधार पर चरणों की पहचान करने के लिए सीधे क्वांटम अवस्थाओं को प्रोसेस कर सके।

कार्यप्रणाली (Methodology)
लेखक क्वांटम चरण पहचान (QPR) के लिए एक हाइब्रिड क्वांटम-क्लासिकल अटेंशन मॉडल प्रस्तावित करते हैं। यह फ्रेमवर्क वेरिएशनल क्वांटम एल्गोरिदम (VQA) प्रतिमान के भीतर कार्य करता है और तीन मुख्य चरणों में विभाजित है:

पैरामीटराइज्ड क्वांटम सर्किट (PQC) के माध्यम से फीचर मैपिंग: इनपुट क्वांटम अवस्था $|\psi\rangle$ को एक्सप्रेसिबिलिटी (expressibility) और एंटैंगलमेंट बढ़ाने के लिए एक PQC $U(\theta)$ द्वारा प्रोसेस किया जाता है। एंसेट (ansatz) में सिंगल-क्यूबिट $R_Y$ रोटेशन गेट्स और टू-क्यूबिट कंट्रोल्ड- $R_X$ (CRX) गेट्स के लेयर्स शामिल हैं। $n$ क्यूबिट्स और $l$ लेयर्स के लिए, सर्किट में $4nl$ ट्रेन करने योग्य पैरामीटर्स होते हैं।
क्वांटम अटेंशन मैट्रिक्स निर्माण: क्लासिकल क्वेरी-की-वैल्यू (QKV) मैकेनिज्म के बजाय, मॉडल सीधे मापने योग्य क्यूबिट-क्यूबिट सहसंबंधों से एक अटेंशन मैट्रिक्स का निर्माण करता है। यह सभी क्यूबिट जोड़ों के बीच स्वैप टेस्ट (swap tests) का उपयोग करके प्राप्त किया जाता है। क्यूबिट $i$ और $j$ के लिए, एक स्वैप टेस्ट एक सहायक (ancillary) क्यूबिट की माप प्रायिकता $P_{ij}(0)$ प्रदान करता है। अटेंशन वैल्यू को $q_{ij} = 2P_{ij}(0) - 1$ के रूप में परिभाषित किया गया है, जो दो क्यूबिट्स को स्वैप करने का वैश्विक अवस्था पर प्रभाव को मापता है। इसके परिणामस्वरूप $n \times n$ आकार का एक सिमेट्रिक अटेंशन मैट्रिक्स $q$ प्राप्त होता है, जिसके लिए $n(n-1)/2$ स्वैप टेस्ट की आवश्यकता होती है।
क्लासिकल क्लासिफिकेशन: सिमेट्रिक अटेंशन मैट्रिक्स के अपर-ट्राइएंगुलर तत्वों को एक क्लासिकल फीड-फॉरवर्ड न्यूरल नेटवर्क (FFN) में फीड किया जाता है। FFN, जिसमें एक फुली कनेक्टेड लेयर और एक नॉनलीनियर एक्टिवेशन फंक्शन (सिग्मॉइड या सॉफ्टमैक्स) होता है, प्रेडिक्टेड फेज लेबल आउटपुट करता है। क्रॉस-एन्ट्रॉपी लॉस को कम करने के लिए PQC पैरामीटर्स और FFN वेट्स को एक क्लासिकल ऑप्टिमाइज़र का उपयोग करके साथ में ऑप्टिमाइज़ किया जाता है।

मॉडल की कम्प्यूटेशनल जटिलता $O(n^2 + nl)$ के रूप में स्केल करती है, जो बड़े $n$ के लिए स्वैप टेस्ट से प्रेरित द्विघाती पद $O(n^2)$ द्वारा प्रभावी होती है।

प्रमुख योगदान

हाइब्रिड क्वांटम-क्लासिकल अटेंशन मॉडल: एक नवीन QPR मॉडल का परिचय जो वैश्विक सहसंबंधों को एनकोड करने वाले अटेंशन मैट्रिक्स के निर्माण के लिए क्वांटम स्वैप टेस्ट का लाभ उठाता है, जिससे स्पष्ट ऑर्डर पैरामीटर्स की आवश्यकता समाप्त हो जाती है।
डेटा दक्षता: यह प्रदर्शन करना कि मॉडल बहुत सीमित प्रशिक्षण डेटा (100 से कम सैंपल) के साथ उच्च वर्गीकरण सटीकता प्राप्त करता है, जो बड़े सिस्टमों के लिए लेबल किए गए ग्राउंड स्टेट्स उत्पन्न करने की चुनौती का समाधान करता है।
व्याख्यात्मकता (Interpretability): अटेंशन मैट्रिसेस भौतिक रूप से व्याख्या योग्य प्रतिनिधित्व प्रदान करते हैं, जो प्रभावी सहसंबंध लंबाई (correlation lengths) और कंट्रास्ट मेजर जैसे संकेतकों के निष्कर्षण की अनुमति देते हैं।

परिणाम
मॉडल का बेंचमार्किंग क्लस्टर-आइसिंग मॉडल (Cluster-Ising model) पर किया गया, जो सिमेट्री-प्रोटेक्टेड टोपोलॉजिकल (SPT), पैरामैग्नेटिक और एंटीफेरोमैग्नेटिक (AFM) चरणों को धारण करता है। सिमुलेशन $N=9$ और $N=15$ क्यूबिट्स के सिस्टम साइज के लिए किए गए।

वर्गीकरण सटीकता (Classification Accuracy): मॉडल ने केवल 20 ट्रेनिंग पेयर्स के साथ 9-क्यूबिट सिस्टम के लिए 98% तक सटीकता प्राप्त की। प्रशिक्षण सेट के आकार में वृद्धि के साथ सटीकता तेजी से संतृप्त (saturate) हो गई, जो सांख्यिकीय उतार-चढ़ाव और प्रशिक्षण सेट की विविधताओं के विरुद्ध मजबूती प्रदर्शित करती है। अटेंशन-आधारित मॉडल ने सटीकता और स्थिरता दोनों में QCNNs को पछाड़ दिया।
अटेंशन पैटर्न: सीखे गए अटेंशन मैट्रिसेस के विश्लेषण ने प्रत्येक चरण के लिए विशिष्ट पैटर्न प्रकट किए:
- SPT चरण: समान रूप से बड़े मैट्रिक्स तत्व, जो नॉनलोकल एंटैंगलमेंट को दर्शाते हैं।
- पैरामैग्नेटिक चरण: आंशिक रूप से डीकप्ल्ड पैटर्न, जो प्रमुख स्थानीय ध्रुवीकरण (local polarization) को दर्शाते हैं।
- AFM चरण: अल्टरनेटिंग स्ट्रॉन्ग और वीक सहसंबंधों के साथ स्टैगर्ड संरचनाएं, जो नील-टाइप (Néel-type) व्यवस्था के अनुरूप हैं।
कंट्रास्ट मेजर: निकटतम-पड़ोसी (nearest-neighbor) और दीर्घ-परासी (long-range) सहसंबंधों के बीच प्रतिस्पर्धा को मापने के लिए एक कंट्रास्ट मान $C = (q_{near} - q_{long}) / (q_{near} + q_{long})$ को परिभाषित किया गया। $C$ में तीखे साइन परिवर्तन ने स्पष्ट रूप से फेज बाउंड्रीज को रेखांकित किया।
प्रभावी सहसंबंध लंबाई (Effective Correlation Lengths): अटेंशन मैट्रिक्स से निकाले गए डिस्टेंस-डिपेंडेंट कोरिलेशन स्ट्रेंथ फंक्शन $f(r)$ को एक्सपोनेंशियल डिके (exponential decay) में फिट करके, लेखकों ने एक प्रभावी सहसंबंध लंबाई $\xi$ निकाली। परिणामों ने दिखाया कि $\xi$ SPT चरण में काफी बढ़ी हुई थी (नॉनलोकल टोपोलॉजिकल ऑर्डर को दर्शाती है), AFM चरण में छोटी थी (शॉर्ट-टू-इंटरमीडिएट रेंज), और पैरामैग्नेटिक चरण में तेजी से घटी (लोकल कोरिलेशन)।

महत्व
यह पेपर दावा करता है कि प्रस्तावित हाइब्रिड क्वांटम-क्लासिकल अटेंशन मॉडल क्वांटम चरण पहचान के लिए एक स्केलेबल और डेटा-कुशल दृष्टिकोण प्रदान करता है। स्थानीय ऑर्डर पैरामीटर्स पर निर्भर किए बिना सीधे अंतर्निहित सहसंबंधों और एंटैंगलमेंट पैटर्न को कैप्चर करके, यह मॉडल जटिल कई-निकाय प्रणालियों, जिसमें टोपोलॉजिकल या सिमेट्री-प्रोटेक्टेड चरण शामिल हैं, के लिए लागू करने योग्य है। अटेंशन मैट्रिसेस की व्याख्यात्मकता क्वांटम अवस्थाओं में अंतर्निहित सहसंबंध संरचनाओं को विज़ुअलाइज़ करने और समझने का एक व्यावहारिक तरीका प्रदान करती है। लेखक नोट करते हैं कि हालांकि वर्तमान अध्ययन छोटे सिस्टम साइज और आइडियलाइज्ड सिम्युलेटर्स तक सीमित है, यह फ्रेमवर्क व्यापक श्रेणियों के क्वांटम मेनी-बॉडी सिस्टम के लिए विस्तार योग्य है और क्वांटम चरण संक्रमणों की जांच के लिए एक बहुमुखी उपकरण के रूप में कार्य कर सकता है।