⚛️ quantum physics

First-Principles Optical Descriptors and Hybrid Classical-Quantum Classification of Er-Doped CaF $_2$

यह अध्ययन एक भौतिकी-सूचित मशीन लर्निंग ढांचे को प्रस्तुत करता है जो DFT और LR-TDDFT गणनाओं से प्राप्त प्रथम-सिद्धांत ऑप्टिकल डिस्क्रिप्टर्स का उपयोग करके शुद्ध और Er-डोप्ड CaF $_2$ के बीच सफलतापूर्वक अंतर करता है, जो यह प्रदर्शित करता है कि हाइब्रिड क्वांटम न्यूरल नेटवर्क वर्तमान क्वांटम हार्डवेयर की शोर संबंधी बाधाओं के बावजूद शास्त्रीय बेसलाइन के तुलनीय उच्च वर्गीकरण सटीकता प्राप्त कर सकते हैं।

मूल लेखक: David Angel Alba Bonilla, Kerem Yurtseven, Krishan Sharma, Ragunath Chandrasekharan, Muhammad Khizar, Alireza Alipour, Dennis Delali Kwesi Wayo

प्रकाशित 2026-06-05

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: David Angel Alba Bonilla, Kerem Yurtseven, Krishan Sharma, Ragunath Chandrasekharan, Muhammad Khizar, Alireza Alipour, Dennis Delali Kwesi Wayo

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 आपके पास कांच के दो जार हैं। एक जार शुद्ध, उत्तम क्रिस्टल से बना है (आइए इसे शुद्ध कांच - Pure Glass कहें)। दूसरा जार भी उसी क्रिस्टल से बना है, लेकिन किसी ने इसमें थोड़ा सा विशेष "जादुई धूल" (magic dust) छिड़क दी है (आइए इसे डस्टेड ग्लास - Dusted Glass कहें)।

नग्न आंखों से देखने पर वे लगभग एक जैसे ही दिखते हैं। लेकिन यदि आप उनके माध्यम से एक विशिष्ट प्रकार की रोशनी चमकाते हैं, तो वे अलग तरह से प्रतिक्रिया करते हैं। "जादुई धूल" इस बात को बदल देती है कि कांच उस रोशनी को कैसे सोखता और परावर्तित करता है, जिससे एक अनूठा "फिंगरप्रिंट" बनता है जो यह साबित करता है कि धूल वहां मौजूद है।

यह शोध पत्र एक कहानी है कि कैसे वैज्ञानिकों ने कंप्यूटर को उस अंतर को पहचानने के लिए प्रशिक्षित करने की कोशिश की, जिसमें दो अलग-अलग प्रकार के "मस्तिष्क" का उपयोग किया गया: एक क्लासिकल ब्रेन (Classical Brain) (जो आज के सामान्य कंप्यूटरों में उपयोग किया जाता है) और एक क्वांटम ब्रेन (Quantum Brain) (एक भविष्यवादी, प्रयोगात्मक प्रकार का कंप्यूटर जो क्वांटम भौतिकी के अजीब नियमों का उपयोग करता है)।

उन्होंने इसे इस प्रकार किया, चरण-दर-चरण:

1. सेटअप: कांच बनाना

सबसे पहले, वैज्ञानिकों ने असली कांच के जार का उपयोग नहीं किया। उन्होंने एक सुपरकंप्यूटर के भीतर उनके सूक्ष्म, डिजिटल मॉडल बनाए।

शुद्ध मॉडल (The Pure Model): कैल्शियम और फ्लोरीन परमाणुओं (CaF₂) का एक समूह।
डस्टेड मॉडल (The Dusted Model): वही क्लस्टर, लेकिन उन्होंने एक कैल्शियम परमाणु को अर्बियम (Erbium) परमाणु (जादुई धूल) से बदल दिया।
परीक्षण: उन्होंने एक जटिल गणितीय विधि (जिसे DFT और TDDFT कहा जाता है) का उपयोग किया ताकि यह सिम्युलेट किया जा सके कि क्या होता है जब प्रकाश इन मॉडलों से टकराता है। उन्होंने गणना की कि प्रकाश विभिन्न ऊर्जा स्तरों पर कैसे अवशोषित होता है, जिससे प्रत्येक जार का "ऑप्टिकल फिंगरप्रिंट" बताने वाली संख्याओं की एक लंबी सूची तैयार हुई।

2. सही सुराग चुनना

कंप्यूटर ने प्रत्येक जार के लिए हजारों डेटा पॉइंट उत्पन्न किए। यह कांच का वर्णन करने वाली 10,000 पन्नों की किताब होने जैसा था, लेकिन अधिकांश पन्ने उबाऊ या दोहराव वाले थे।
वैज्ञानिकों को उन तीन सबसे महत्वपूर्ण वाक्यों को चुनने की आवश्यकता थी जो उन्हें बता सकें कि कौन सा जार कौन सा है। उन्होंने "टॉप 3 सुरागों" को चुनने के लिए एक स्मार्ट फिल्टर का उपयोग किया:

प्रकाश कितना अवशोषित होता है (Absorption coefficient)।
प्रकाश कितना कम या मंद होता है (Extinction coefficient)।
प्रकाश की विशिष्ट ऊर्जा रंग (Transition energy)।

ये तीन संख्याएं प्रत्येक जार के लिए "आईडी कार्ड" बन गईं।

3. दौड़: क्लासिकल बनाम क्वांटम ब्रेन्स

अब, उन्होंने यह देखने के लिए एक प्रतियोगिता आयोजित की कि कौन सा प्रकार का कंप्यूटर केवल उन तीन आईडी कार्डों का उपयोग करके शुद्ध कांच और डस्टेड ग्लास के बीच अंतर कर सकता है।

प्रतिभागी A: क्लासिकल ब्रेन (SVM)

यह एक मानक, शक्तिशाली कंप्यूटर एल्गोरिदम है। इसने डेटा को देखा और दोनों समूहों को अलग करने के लिए एक रेखा खींची।

परिणाम: यह अविश्वसनीय रूप से अच्छा था। इसने 98.3% उत्तर सही दिए। यह एक कुशल जासूस की तरह था जो कभी कोई सुराग नहीं चूकता।

प्रतिभागी B: क्वांटम ब्रेन (QSVM)

यह एक नए प्रकार का एल्गोरिदम है जिसे क्वांटम कंप्यूटरों पर चलाने के लिए डिज़ाइन किया गया है। यह एक ऐसे "क्वांटम स्पेस" में पैटर्न खोजने की कोशिश करता है जिसे नियमित कंप्यूटर आसानी से नहीं देख सकते।

एक परफेक्ट सिम्युलेटर पर (बिना शोर के): इसने 85.1% सही बताया। अच्छा था, लेकिन क्लासिकल ब्रेन जितना अच्छा नहीं।
एक नॉइजी सिम्युलेटर पर (गलतियों के साथ): इसने 81.7% सही बताया। "शोर" (जैसे रेडियो में स्टेटिक) ने इसे थोड़ा और खराब कर दिया।
वास्तविक हार्डवेयर पर (IBM क्वांटम कंप्यूटर): उन्होंने इसे वास्तविक दुनिया में एक वास्तविक क्वांटम चिप पर चलाया। चूंकि वर्तमान क्वांटम कंप्यूटर त्रुटियों और "डिकोहेरेंस" (अपनी क्वांटम अवस्था खो देना) के प्रति बहुत संवेदनशील होते हैं, इसलिए स्कोर गिरकर 73.3% हो गया। यह अभी भी रैंडम अनुमान (50%) से बेहतर था, लेकिन यह वास्तविक हार्डवेयर की जटिलताओं के साथ संघर्ष कर रहा था।

प्रतिभागी C: हाइब्रिड क्वांटम ब्रेन (QNN)

यह एक अलग दृष्टिकोण था। केवल एक स्थिर पैटर्न खोजने के बजाय, यह एक "सीखने वाला" क्वांटम सर्किट था। यह एक छात्र की तरह था जो परीक्षा दे रहा है, फीडबैक प्राप्त कर रहा है, और बेहतर होने के लिए अपनी सोच को समायोजित कर रहा है।

परिणाम: इसने आश्चर्यजनक रूप से अच्छा प्रदर्शन किया! इसने 93% सटीकता हासिल की। इसने स्थिर QSVM की तुलना में क्वांटम स्पेस को बेहतर ढंग से नेविगेट करना सीखा, और क्लासिकल ब्रेन के प्रदर्शन के काफी करीब पहुँच गया।

मुख्य निष्कर्ष

शोध पत्र कुछ प्रमुख सबक के साथ समाप्त होता है:

"जादुई धूल" एक निशान छोड़ती है: अर्बियम परमाणु निश्चित रूप से पदार्थ के प्रकाश के साथ होने वाली अंतःक्रिया को बदलते हैं। ये परिवर्तन इतने मजबूत हैं कि कंप्यूटर द्वारा पहचाने जा सकते हैं।
क्लासिकल अभी भी राजा है (फिलहाल के लिए): नियमित कंप्यूटर (Classical SVM) सबसे सटीक और विश्वसनीय था। इसने साबित कर दिया कि इस विशिष्ट कार्य के लिए, हमें शानदार परिणाम प्राप्त करने के लिए क्वांटम कंप्यूटरों की आवश्यकता नहीं है।
क्वांटम आशाजनक है लेकिन शोर वाला है: क्वांटम कंप्यूटर (विशेष रूप से वास्तविक हार्डवेयर वाला) गलतियाँ कर रहे थे क्योंकि वे वर्तमान में नाजुक और त्रुटियों के प्रति संवेदनशील हैं। हालांकि, "सीखने वाला" क्वांटम मॉडल (QNN) ने दिखाया कि यदि हम हार्डवेयर की समस्याओं को ठीक कर सकें, तो क्वांटम कंप्यूटर अंततः उन जटिल पैटर्न को सीख सकते हैं जिन्हें ढूंढना नियमित कंप्यूटरों के लिए कठिन है।
यह एक बेंचमार्क है: यह अध्ययन अभी कोई नया लेजर या मेडिकल डिवाइस बनाने के बारे में नहीं है। यह एक "तनाव परीक्षण" (stress test) है यह देखने के लिए कि वर्तमान क्वांटम मशीनें वैज्ञानिक डेटा को पुराने तरीकों की तुलना में कितनी अच्छी तरह संभाल सकती हैं।

संक्षेप में: वैज्ञानिकों ने साबित किया कि आप शुद्ध और डोप्ड क्रिस्टल के बीच अंतर करने के लिए प्रकाश का उपयोग कर सकते हैं। फिर उन्होंने परीक्षण किया कि क्या एक भविष्यवादी क्वांटम कंप्यूटर एक सामान्य कंप्यूटर की तुलना में इसे बेहतर तरीके से कर सकता है। सामान्य कंप्यूटर दौड़ जीत गया, लेकिन क्वांटम कंप्यूटर ने दिखाया कि इसमें तब तक पकड़ बनाने की क्षमता है जब तक कि हम इसे कम "शोर वाला" बना सकें।

तकनीकी सारांश: Er-डोप्ड CaF2 के लिए प्रथम-सिद्धांत (First-Principles) ऑप्टिकल डिस्क्रिप्टर्स और हाइब्रिड क्लासिकल-क्वांटम वर्गीकरण

समस्या विवरण
दुर्लभ-तत्व डोप्ड सामग्रियों की पहचान करना, विशेष रूप से शुद्ध कैल्शियम फ्लोराइड (CaF2) को एरबियम-डोप्ड CaF2 (CaF2:Er) से अलग करना, सामग्री सूचना विज्ञान (materials informatics) में एक चुनौती है। जबकि Er3+ जैसे दुर्लभ-तत्व आयन फोटॉन अपकन्वर्जन अनुप्रयोगों के लिए महत्वपूर्ण हैं, उनके ऑप्टिकल सिग्नेचर जटिल होते हैं, जिनमें मध्यवर्ती इलेक्ट्रॉनिक अवस्थाएं और अनुक्रमिक ऊर्जा हस्तांतरण पथ शामिल होते हैं जिन्हें मानक टाइम-डिपेंडेंट डेंसिटी फंक्शनल थ्योरी (TDDFT) के माध्यम से सीधे पकड़ना कठिन होता है। पारंपरिक ग्राउंड-स्टेट DFT ऑप्टिकल उत्तेजनाओं का वर्णन नहीं कर सकता है, और हालांकि लीनियर-रिस्पॉन्स TDDFT उत्तेजना ऊर्जाओं की गणना करता है, परिणामी उच्च-आयामी स्पेक्ट्रल डेटा को व्यवस्थित तुलना और वर्गीकरण सक्षम करने के लिए मजबूत, व्याख्या योग्य डिस्क्रिप्टर्स की आवश्यकता होती है। इसके अलावा, जबकि मशीन लर्निंग (ML) को स्पेक्ट्रल विश्लेषण के लिए लागू किया गया है, क्वांटम मशीन लर्निंग (QML) की क्षमता कि वह क्वांटम-मैकेनिकल डेटा में गैर-तुच्छ संबंधों को पकड़ सके, एक खुला क्षेत्र बना हुआ है, विशेष रूप से इस संबंध में कि क्या क्वांटम फीचर एम्बेडिंग्स नॉइजी इंटरमीडिएट-स्केल क्वांटम (NISQ) हार्डवेयर के संदर्भ में क्लासिकल बेसलाइन की तुलना में लाभ प्रदान करती हैं।

कार्यप्रणाली
यह अध्ययन एक भौतिकी-सूचित वर्कफ़्लो का उपयोग करता है जो प्रथम-सिद्धांत गणनाओं को क्लासिकल और क्वांटम मशीन लर्निंग के साथ एकीकृत करता है:

प्रथम-सिद्धांत गणनाएँ (First-Principles Calculations):
- सिस्टम निर्माण: फ्लोराइट संरचना ( $a = 5.46$ Å) के आधार पर Ca8F16 (शुद्ध) और Ca7ErF16 (डोप्ड) के परिमित क्लस्टर बनाए गए।
- इलेक्ट्रॉनिक संरचना: ज्यामिति अनुकूलन (Geometry optimization) और ग्राउंड-स्टेट गणनाएं GPAW कोड का उपयोग करके LCAO मोड, एक DZP बेसिस सेट और PBE एक्सचेंज-कोरिलेशन फंक्शनल के साथ की गईं।
- ऑप्टिकल रिस्पॉन्स: Casida फॉर्मलिज्म के भीतर लीनियर-रिस्पॉन्स TDDFT का उपयोग 10 eV तक उत्तेजित अवस्था के गुणों की गणना के लिए किया गया। ऑसिलेटर स्ट्रेंथ और ट्रांजिशन ऊर्जा को निकाला गया।
- स्पेक्ट्रम जनरेशन: डिस्क्रीट उत्तेजनाओं को गाऊसी ब्रॉडनिंग ( $\sigma = 0.1–0.2$ eV) का उपयोग करके निरंतर अवशोषण स्पेक्ट्रा में परिवर्तित किया गया, जिससे प्रत्येक सिस्टम के लिए 1,589 ऊर्जा-विभेदित डेटा बिंदु उत्पन्न हुए।
फीचर इंजीनियरिंग:
- इनपुट वेरिएबल्स को वितरणों को सामान्य करने के लिए बॉक्स-कॉक्स पावर ट्रांसफॉर्मेशन के अधीन किया गया।
- वेट मैग्नीट्यूड द्वारा फीचर्स को रैंक करने के लिए एक लीनियर सपोर्ट वेक्टर मशीन (SVM) का उपयोग किया गया।
- तीन भौतिक रूप से व्याख्या योग्य डिस्क्रिप्टर्स को अंतिम फीचर सेट के रूप में चुना गया: अवशोषण गुणांक ( $\alpha$ ), विलुप्ति गुणांक ( $\kappa$ ), और ट्रांजिशन ऊर्जा ( $E$ )।
मशीन लर्निंग मॉडल:
- क्लासिकल बेसलाइन: एक रेडियल बेसिस फंक्शन (RBF) कर्नल सपोर्ट वेक्टर मशीन (SVM) को चयनित डिस्क्रिप्टर्स पर प्रशिक्षित किया गया।
- क्वांटम सपोर्ट वेक्टर मशीन (QSVM): 3 क्वबिट्स का उपयोग करके एक क्वांटम फीचर मैप (ZZFeatureMap) को लागू किया गया। क्वांटम कर्नल का मूल्यांकन तीन प्लेटफार्मों पर किया गया: एक आइडियल स्टेटवेक्टर सिम्युलेटर, एक नॉइजी QASM-स्टाइल सिम्युलेटर (डेपोलराइजिंग नॉइज़ $p=0.05$ ), और वास्तविक हार्डवेयर (IBM क्वांटम ibm_fez प्रोसेसर)।
- हाइब्रिड क्वांटम न्यूरल नेटवर्क (QNN): एक वेरिएशनल क्वांटम क्लासिफायर का निर्माण किया गया जिसमें 3-क्वबिट ZZFeatureMap के बाद एक डेप्थ-4 TwoLocal एंसेटलैट (पैरामीटराइज्ड $R_y$ , $R_z$ , और CX गेट्स) का उपयोग किया गया। क्वांटम आउटपुट को पैरिटी फंक्शन के माध्यम से क्लास प्रोबेबिलिटीज में मैप किया गया और एक क्लासिकल लीनियर लेयर द्वारा प्रोसेस किया गया। मॉडल को अर्ली स्टॉपिंग के साथ एडम ऑप्टिमाइज़र का उपयोग करके एंड-टू-एंड प्रशिक्षित किया गया।

मुख्य परिणाम

स्पेक्ट्रल अंतर: TDDFT गणनाओं ने खुलासा किया कि Er डोपिंग प्रमुख ट्रांजिज़न्स में एक व्यवस्थित रेड-शिफ्ट ( $\Delta E \approx -1.5$ से $-0.3$ eV) और ऑसिलेटर स्ट्रेंथ का पुनर्वितरण प्रेरित करती है, जो वाइड-बैंडगैप शुद्ध CaF2 की तुलना में दृश्य और निकट-UV क्षेत्रों में विशिष्ट ऑप्टिकल फिंगरप्रिंट बनाती है।
क्लासिकल प्रदर्शन: क्लासिकल RBF-SVM ने 0.983 की टेस्ट सटीकता और 0.999 का ROC-AUC प्राप्त किया, जो नगण्य ओवरफिटिंग के साथ एक उच्च-प्रदर्शन बेसलाइन स्थापित करता है।
QSVM प्रदर्शन:
- आइडियल स्टेटवेक्टर सिम्युलेटर: टेस्ट सटीकता 0.851 (AUC 0.903)।
- नॉइजी सिम्युलेटर: टेस्ट सटीकता 0.817 (AUC 0.878)।
- वास्तविक हार्डवेयर (ibm_fez): टेस्ट सटीकता एक छोटे टेस्ट स्लाइस (15 सैंपल) पर गिरकर 0.733 हो गई, जिसका कारण डिकोहेरेंस और कर्नल मैट्रिक्स संरचना को प्रभावित करने वाला फाइनाइट-शॉट नॉइज़ है।
हाइब्रिड QNN प्रदर्शन: वेरिएशनल QNN ने 0.93 की टेस्ट सटीकता और 0.96 का AUC प्राप्त किया। यह प्रदर्शन QSVM के परिणामों से काफी बेहतर था और क्लासिकल बेसलाइन के करीब था, जो दर्शाता है कि प्रशिक्षण योग्य वेरिएशनल पैरामीटर्स, फिक्स्ड क्वांटम कर्नल्स की तुलना में फीचर स्पेस ज्योमेट्री के अनुकूल अधिक प्रभावी ढंग से ढल सकते हैं।

महत्व और दावे
यह शोध पत्र स्वयं को एक निश्चित क्वांटम लाभ के प्रदर्शन के बजाय एक व्यवस्थित बेंचमार्किंग अध्ययन के रूप में प्रस्तुत करता है। लेखक दावा करते हैं कि:

मजबूत फीचर स्पेस: डोपेंट-प्रेरित ऑप्टिकल फिंगरप्रिंट्स एक भौतिक रूप से आधारित, मजबूत फीचर स्पेस बनाते हैं जो निकट- been (near-term) क्वांटम लर्निंग मॉडल्स के बेंचमार्किंग के लिए उपयुक्त है।
QML मूल्यांकन: यह अध्ययन एक संतुलित तुलना प्रदान करता है जो दिखाता है कि जबकि स्टैटिक क्वांटम कर्नल्स (QSVM) सार्थक क्लास सेपरेशन कैप्चर करते हैं, वे वर्तमान में मजबूत क्लासिकल बेसलाइन्स से कम प्रदर्शन करते हैं और हार्डवेयर नॉइज़ के प्रति संवेदनशील होते हैं।
वेरिएशनल लाभ: हाइब्रिड QNNs, अपने प्रशिक्षण योग्य एंसेटलैट के माध्यम से, फिक्स्ड-कर्नल QSVMs की तुलना में बेहतर रिप्रजेंटेशनल पावर और लचीलापन प्रदर्शित करते हैं, जो सीमित क्वबिट्स के साथ भी क्लासिकल मॉडल्स के करीब प्रदर्शन करते हैं।
वास्तविक दुनिया का संदर्भ: IBM हार्डवेयर पर क्वांटम कर्नल का सफल निष्पादन एंड-टू-एंड पाइपलाइन (एम्बेडिंग, ट्रांसपाइलेशन, निष्पादन) को मान्य करता है, लेकिन यह सुपरवाइज्ड लर्निंग कार्यों के लिए NISQ उपकरणों की वर्तमान सीमाओं को भी उजागर करता है, जहाँ शोर प्रदर्शन को महत्वपूर्ण रूप से कम कर देता है।

लेखक निष्कर्ष निकालते हैं कि QNN-आधारित आर्किटेक्चर स्पेक्ट्रल विश्लेषण में अनुकूलन योग्य क्वांटम लर्निंग के लिए एक आशाजनक मार्ग प्रदान करते हैं, बशर्ते कि भविष्य के विकास में एरर मिटिगेशन और हार्डवेयर फिडेलिटी जैसे कारक सिम्युलेटेड क्षमता और वास्तविक दुनिया के परिनियोजन के बीच के अंतर को पाट सकें।