⚛️ quantum physics

Sampling two-dimensional isometric tensor network states

यह शोध पत्र दो-आयामी आइसोमेट्रिक टेंसर नेटवर्क अवस्थाओं (isoTNS) को कुशलतापूर्वक नमूना लेने के लिए दो नवीन एल्गोरिदम प्रस्तुत करता है—एक स्वतंत्र एकल-कॉन्फ़िगरेशनों के लिए और दूसरा ग्रीडी सर्च के माध्यम से उच्च-संभाव्यता वाले कॉन्फ़िगरेशनों की पहचान करने के लिए—जो विभिन्न एंटैंगलमेंट और सिस्टम आकारों में उनकी प्रभावशीलता को प्रदर्शित करता है।

मूल लेखक: Alec Dektor, Eugene Dumitrescu, Chao Yang

प्रकाशित 2026-06-18

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Alec Dektor, Eugene Dumitrescu, Chao Yang

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 क्वांटम कंप्यूटर द्वारा खेले जा रहे एक विशाल, जटिल संयोग के खेल के परिणाम की भविष्यवाणी करने की कोशिश कर रहे हैं। इस खेल में, हर संभावित परिणाम (जैसे कि चित या पट के विशिष्ट पैटर्न) के होने की एक निश्चित संभावना होती है। आपका लक्ष्य इस खेल से "सैंपलिंग" करना है: कुछ संभावित परिणामों को चुनना और यह पता लगाना कि वे कितने संभावित हैं।

यह शोध पत्र एक विशिष्ट प्रकार के क्वांटम सिस्टम के लिए सैंपलिंग करने का एक नया तरीका पेश करता है जिसे 2D Isometric Tensor Network State (isoTNS) कहा जाता है। यहाँ लेखक द्वारा किए गए कार्यों का विवरण दिया गया है, जिसे सरल उपमाओं के माध्यम से समझाया गया है।

समस्या: एक विशाल, उलझा हुआ जाल

एक क्वांटम सिस्टम को धागों के एक विशाल, बहु-आयामी जाल के रूप में सोचें। जाल में प्रत्येक गांठ एक कण का प्रतिनिधित्व करती है और उन धागों को जोड़ने वाले तार यह दर्शाते हैं कि वे कण एक-दूसरे से कैसे जुड़े हुए हैं (एंटैंगलमेंट)।

पुराना तरीका (1D): उन प्रणालियों के लिए जो कणों की एक एकल रेखा मात्र हैं (जैसे मोतियों की एक माला), वैज्ञानिकों के पास परिणामों को सैंपल करने का एक सटीक नुस्खा पहले से ही मौजूद है। वे रेखा के साथ आगे बढ़ सकते हैं, प्रत्येक मोती पर एक निर्णय ले सकते हैं, और जानते हैं कि उस विकल्प की संभावना कितनी है।
नई चुनौती (2D): जब कण एक ग्रिड (जैसे शतरंज के बोर्ड) में व्यवस्थित होते हैं, तो जाल एक 2D मेश बन जाता है। पुराना "रेखा के साथ चलने वाला" नुस्खा विफल हो जाता है क्योंकि कनेक्शन बहुत अधिक उलझे हुए होते हैं। संभावनाओं की सीधे गणना करने की कोशिश करना एक ऐसे गाँठ को सुलझाने जैसा है जो खींचने पर और भी कसती जाती है।

समाधान: एक विशेष ग्रिड मैप

लेखकों ने इस 2D ग्रिड में नेविगेट करने के लिए दो नए एल्गोरिदम बनाए हैं। उन्होंने isoTNS नामक एक विशेष संरचना पर काम किया है, जो ग्रिड के एक पूर्व-व्यवस्थित मानचित्र (map) की तरह है। इस मानचित्र में, अधिकांश कनेक्शन "कठोर" और अनुमानित (isometric) हैं, जिससे गणित में उलझने के बिना संभावनाओं की गणना करना आसान हो जाता है।

उन्होंने इस मानचित्र का उपयोग करने के दो अलग-अलग तरीके प्रस्तावित किए हैं:

1. "एक-एक करके" सैंपलर (स्वतंत्र सैंपलिंग - Independent Sampling)

कल्पना कीजिए कि आप एक भूलभुलैया में चल रहे हैं जहाँ हर बार जब आप किसी चौराहे पर पहुँचते हैं, तो आपको एक रास्ता चुनना होता है।

यह कैसे काम करता है: एल्गोरिदम ग्रिड के ऊपर-बाएँ कोने से शुरू होता है। यह उस विशिष्ट स्थान पर "ऊपर," "नीचे," "बाएँ," या "दाएँ" जाने की संभावना की गणना करता है। यह उन संभावनाओं के आधार पर एक पथ चुनता है।
चाल (The Trick): एक बार जब यह एक पथ चुन लेता है, तो यह तुरंत अगले स्थान के लिए मानचित्र को अपडेट कर देता है, जिससे भूलभुलैया प्रभावी रूप से "कोलैप्स" (collapse) हो जाती है ताकि अगला निर्णय लेना आसान हो सके। यह एक पूर्ण परिणाम (ग्रिड का एक पूरा विन्यास/configuration) उत्पन्न करने के लिए पंक्ति दर पंक्ति इस चरण को दोहराता है।
परिणाम: यह आपको एक एकल, वैध परिणाम देता है और बताता है कि इसके होने की संभावना कितनी थी। यह एक बार पासा फेंकने और उस विशिष्ट संख्या के आने की सटीक संभावना जानने जैसा है।

2. "टॉप-के" ग्रीडी सर्च (सबसे अच्छे परिणामों को खोजना - Top-K Greedy Search)

कभी-कभी आप केवल एक रैंडम परिणाम नहीं चाहते; आप सबसे अधिक संभावित परिणामों को जानना चाहते हैं।

यह कैसे काम करता है: केवल प्रत्येक चौराहे पर एक पथ चुनने के बजाय, यह एल्गोरिदम शीर्ष K (top K) सबसे आशाजनक पथों का ट्रैक रखता है।
उपमा: कल्पना कीजिए कि आप एक टीम के साथ पहाड़ पर चढ़ रहे हैं। हर मोड़ पर, केवल एक व्यक्ति को एक रैंडम रास्ते पर भेजने के बजाय, आप शीर्ष 10 सबसे संभावित रास्तों पर स्काउट (scout) भेजते हैं। अगले मोड़ पर, आप उन पिछले मार्गों में से प्रत्येक के शीर्ष 10 रास्तों पर स्काउट भेजते हैं।
चुनौती: अपनी टीम को बहुत बड़ा होने से रोकने के लिए, एल्गोरिदम "लालची" (greedy) है। यह लगातार सूची को छाँटता (prune) रहता है, केवल सर्वोत्तम K संयोजनों को रखता है और बाकी को हटा देता है।
परिणाम: यह आपको K सबसे संभावित विन्यास और उनकी विशिष्ट संभावनाओं की एक सूची देता है। यह एक मौसम विज्ञानी के समान है जो कहता है, "यहाँ अगले सप्ताह के लिए शीर्ष 5 सबसे संभावित मौसम पैटर्न हैं, और प्रत्येक की सटीक संभावना यहाँ दी गई है।"

ट्रेड-ऑफ: सन्निकटन बनाम गति (Approximation vs. Speed)

शोध पत्र सरल 1D विधियों की तुलना में इन 2D विधियों का उपयोग करने के लिए एक छोटा सा "लागत" (cost) नोट करता है।

1D विधि: आप हर बार संभावनाओं की सटीक गणना कर सकते हैं।
2D विधि: चूँकि ग्रिड बहुत जटिल है, एल्गोरिदम ग्रिड की एक पंक्ति से दूसरी पंक्ति पर जाते समय एक बहुत छोटा सन्निकटन (approximation) करता है। यह एक खेत के बीच से शॉर्टकट लेने जैसा है बजाय इसके कि ठीक पक्की सड़क पर चला जाए।
निष्कर्ष: लेखकों ने इसका परीक्षण किया और पाया कि हालांकि ये शॉर्टकट थोड़ी त्रुटि (error) पैदा करते हैं, फिर भी यह विधि अविश्वसनीय रूप से सटीक है और पूरे ग्रिड की पूरी गणना करने की तुलना में बहुत तेज़ है। त्रुटि इतनी कम है कि व्यावहारिक उद्देश्यों के लिए परिणाम लगभग पूर्ण हैं।

उन्होंने क्या परीक्षण किया

अपने तरीकों को सिद्ध करने के लिए, लेखकों ने निम्नलिखित पर सिमुलेशन चलाए:

सरल पैटर्न: जैसे कि एक ग्रिड जहाँ सभी कण पूरी तरह से संरेखित (aligned) हैं (GHZ अवस्था) या जहाँ केवल एक कण अलग है (W अवस्था)। ये आसानी से हल किए जा सकते हैं, इसलिए इनका उपयोग यह जाँचने के लिए "कंट्रोल ग्रुप" के रूप में किया गया कि क्या उनका गणित सही है।
यादृच्छिक अराजकता (Random Chaos): उन्होंने ग्रिड बनाए जिनमें यादृच्छिक, अराजक कनेक्शन थे (एक जटिल क्वांटम सर्किट का अनुकरण करते हुए)। यहाँ, उन्होंने दिखाया कि भले ही सिस्टम अव्यवस्थित हो, फिर भी उनका तरीका सबसे संभावित परिणामों को खोज सकता है।
वास्तविक दुनिया का भौतिकी: उन्होंने चुंबकत्व के मॉडल (Ising model) पर इस पद्धति को लागू किया ताकि यह सिम्युलेट किया जा सके कि ऊष्मा चुंबकीय पदार्थों को कैसे प्रभावित करती है। इससे पता चला कि यह विधि केवल अमूर्त गणित के लिए ही नहीं, बल्कि वास्तविक भौतिकी की समस्याओं के लिए भी काम करती है।

सारांश

संक्षेप में, यह शोध पत्र जटिल 2D क्वांटम ग्रिड को "पढ़ने" के लिए एक कुशल टूलकिट प्रदान करता है। यह दो उपकरण प्रदान करता है: एक रैंडम, यथार्थवादी नमूने (samples) उत्पन्न करने के लिए, और दूसरा सबसे संभावित परिदृश्यों की खोज करने के लिए। जबकि यह 2D ग्रिड की जटिलता को संभालने के लिए छोटे, नियंत्रित सन्निकटन (approximations) का उपयोग करता है, फिर भी यह अत्यधिक सटीक बना रहता है और पहले की तुलना में बड़े, अधिक जटिल क्वांटम सिस्टमों के सिमुलेशन की संभावना खोलता है।

तकनीकी सारांश: द्वि-आयामी आइसोमेट्रिक टेंसर नेटवर्क अवस्थाओं (isoTNS) का नमूनाकरण (Sampling)

समस्या विवरण
क्वांटम प्रणालियों द्वारा एनकोडेड संभाव्यता वितरणों (probability distributions) से नमूना लेना एक महत्वपूर्ण कम्प्यूटेशनल कार्य है, जिसका अनुप्रयोग क्वांटम एडवांटेज प्रयोगों से लेकर क्वांटम मोंटे कार्लो एल्गोरिदम (जैसे, मिनिमली एंटेंगल्ड टिपिकल थर्मल स्टेट्स, या METTS) तक विस्तृत है। जबकि मैट्रिक्स प्रोडक्ट स्टेट्स (MPS) द्वारा प्रतिनिधित्व की जाने वाली एक-आयामी (1D) क्वांटम प्रणालियों के लिए नमूनाकरण एल्गोरिदम अच्छी तरह से स्थापित हैं, दो-आयामी (2D) प्रणालियों तक इन विधियों का विस्तार करना चुनौतीपूर्ण बना हुआ है। मानक 2D टेंसर नेटवर्क एंसेटेज़ (ansatzes), जैसे कि प्रोजेक्टेड एंटेंगल्ड पेयर स्टेट्स (PEPS), नमूनाकरण के लिए अनुमानित एनवायरनमेंट कॉन्ट्रैक्शन पर निर्भर करते हैं, जो महत्वपूर्ण त्रुटियां उत्पन्न कर सकते हैं। हालांकि आइसोमेट्रिक टेंसर नेटवर्क स्टेट्स (isoTNS) एक 2D संरचना प्रदान करते हैं जिसमें आइसोमेट्रिक बाधाओं के कारण सटीक स्थानीय मार्जिनल्स (local marginals) होते हैं, विशेष रूप से 2D isoTNS के लिए डिज़ाइन किए गए कुशल नमूनाकरण एल्गोरिदम की कमी रही है।

कार्यप्रणाली (Methodology)
लेखक 2D isoTNS के लिए दो नवीन नमूनाकरण एल्गोरिदम प्रस्तावित करते हैं जो मौजूदा 1D MPS नमूनाकरण तकनीकों का सामान्यीकरण (generalize) करते हैं। दोनों एल्गोरिदम isoTNS संरचना पर उपलब्ध सटीक स्थानीय मार्जिनल्स का लाभ उठाते हैं।

स्वतंत्र नमूनाकरण एल्गोरिदम (Independent Sampling Algorithm): यह एल्गोरिदम एक एकल विन्यास (configuration) और उसकी संबद्ध संभाव्यता को उत्पन्न करता है। यह 2D लैटिस के माध्यम से (पंक्ति दर पंक्ति, बाएं से दाएं) घूमता है।
- पंक्ति नमूनाकरण (Row Sampling): एक पंक्ति के भीतर, एल्गोरिदम साइटों को क्रमिक रूप से नमूना लेता है। यह स्थानीय ऑर्थोगोनैलिटी सेंटर टेंसर से सटीक मार्जिनल संभाव्यताएं गणना करने के लिए आइसोमेट्रिक गुण का लाभ उठाता है।
- ऑर्थोगोनैलिटी शिफ्ट (Orthogonality Shift): एक साइट का नमूना लेने के बाद, QR अपघटन (decomposition) का उपयोग करके ऑर्थोगोनैलिटी सेंटर को अगली साइट पर स्थानांतरित किया जाता है, जिसमें नमूना लिए गए इंडेक्स को समाहित किया जाता है।
- पंक्ति संकुचन (Row Contraction): एक बार जब एक पंक्ति पूरी तरह से नमूना ली जाती है, तो इसे अगली पंक्ति के साथ संकुचित किया जाता है। बॉन्ड डायमेंशन के घातीय स्केलिंग (exponential scaling) को रोकने के लिए, यह संकुचन एक MPO-MPS गुणन प्रक्रिया (जैसे, जिप-अप एल्गोरिदम) का उपयोग करके किया जाता है जिसमें एक नियंत्रित अधिकतम बॉन्ड डायमेंशन $\chi$ होता है।
- जटिलता (Complexity): इसकी कम्प्यूटेशनल लागत $O(L^2 d^2 \chi^6)$ के रूप में स्केल करती है, जहाँ $L$ लैटिस की भुजा की लंबाई है, $d$ भौतिक आयाम है, और $\chi$ बॉन्ड डायमेंशन है।
ग्रिडी टॉप-K सर्च एल्गोरिदम (Greedy Top-K Search Algorithm): यह एल्गोरिदम $K$ उच्च-संभाव्यता वाले विन्यासों और उनकी संबंधित संभाव्यताओं की पहचान करता है।
- तंत्र (Mechanism): प्रत्येक चरण में एक एकल रैंडम सैंपल लेने के बजाय, यह एल्गोरिदम $K$ सबसे संभावित आंशिक बिटस्ट्रिंग्स (partial bitstrings) को बनाए रखता है। एक अतिरिक्त इंडेक्स जिसकी विमा $K$ है, उसे नेटवर्क के माध्यम से प्रसारित किया जाता है।
- प्रक्रिया: प्रत्येक साइट पर, एल्गोरिदम रिटेन की गई आंशिक स्ट्रिंग्स के सभी संयोजनों और वर्तमान साइट के भौतिक इंडेक्स के लिए संभाव्यता की गणना करता है, और शीर्ष $K$ परिणामों का चयन करता है।
- जटिलता: इसकी लागत $O(L^2 K d^2 \chi^6)$ के रूप में स्केल करती है।

प्रमुख योगदान

एल्गोरिद्मिक सामान्यीकरण: यह शोध पत्र 2D isoTNS को नमूना लेने के लिए पहले एल्गोरिदम पेश करता है, जो कुशलतापूर्वक 1D MPS लॉजिक को 2D में सामान्यीकृत करता है और आइसोमेट्रिक बाधाओं की दक्षता को बनाए रखता है।
सटीक स्थानीय मार्जिनल्स: सामान्य PEPS नमूनाकरण के विपरीत, जो अनुमानित सीमाओं (boundaries) पर निर्भर करता है, ये एल्गोरिदम isoTNS आइसोमेट्रिक संरचना द्वारा प्रदान किए गए सटीक स्थानीय मार्जिनल्स का उपयोग करते हैं, जिससे यह सुनिश्चित होता है कि त्रुटि का एकमात्र स्रोत पंक्ति संकुचन के दौरान होने वाला ट्रंकेशन (truncation) है।
दोहरी कार्यक्षमता: यह कार्य एक पूर्ण नमूनाकरण विधि (स्वतंत्र विन्यास के लिए) और एक संरचित खोज विधि (उच्च-संभाव्यता वाली अवस्थाओं की पहचान के लिए) दोनों प्रदान करता है, जो दोनों ही सिस्टम साइज और बॉन्ड डायमेंशन के साथ बहुपद (polynomial) रूप से स्केल करते हैं।
त्रुटि विश्लेषण: लेखक स्पष्ट रूप से MPO-MPS संकुचन चरण द्वारा पेश की गई ट्रंकेशन त्रुटि का लक्षण वर्णन करते हैं, यह नोट करते हुए कि जबकि वेवफ़ंक्शन सन्निकटन त्रुटि सीमित है, यह संभाव्यता वितरण त्रुटि में रैखिक रूप से प्रसारित होती है।

परिणाम
लेखकों ने कई परीक्षण अवस्थाओं पर अपने एल्गोरिदम को संख्यात्मक प्रयोगों का उपयोग करके मान्य किया:

सटीक अवस्थाएं (GHZ और W-स्टेट्स): GHZ और W-स्टेट्स के लिए, जिन्हें कम बॉन्ड डायमेंशन के साथ सटीक रूप से दर्शाया जा सकता है, एल्गोरिदम ने सही वितरण प्राप्त किया। जब कोई ट्रंकेशन लागू नहीं किया गया, तो अनुभवजन्य वितरण (empirical distributions) अपेक्षित मोंटे कार्लो दर ( $N^{-1}$ ) पर सटीक वितरणों के अनुरूप थे।
रैंडम यूनिटरी स्टेट्स: रैंडम यूनिटरी गेट्स के साथ $3 \times 3$ $3 \times 3$ लैटिस पर, एल्गोरिदम का बेंचमार्किंग सटीक स्टेट-वेक्टर गणनाओं के विरुद्ध किया गया।
- स्वतंत्र नमूनाकरण: अनुभवजन्य और सटीक वितरणों के बीच KL-डाइवर्जेंस (KL-divergence) सैंपल साइज के साथ कम होता गया, जो केवल तब ट्रंकेशन त्रुटियों द्वारा सीमित था जब कम बॉन्ड डायमेंशन ( $\chi < 8$ ) का उपयोग किया गया था।
- टॉप-K सर्च: ग्रिडी एल्गोरिदम ने 6 सबसे संभावित अवस्थाओं को सटीक रूप से रिकवर किया। उच्च बॉन्ड डायमेंशन ( $\chi=16$ ) के लिए, संभाव्यताएं मशीन प्रिसिजन तक सटीक मानों से मेल खाती थीं। कम बॉेंड डायमेंशन ने ट्रंकेशन त्रुटियों को पेश किया जिसने लौटाए गए संभाव्यताओं की सटीकता को प्रभावित किया, हालांकि एल्गोरिदम अभी भी उच्च-संभाव्यता वाले विन्यासों की पहचान करने में सक्षम था।
METTS अनुप्रयोग: स्वतंत्र नमूनाकरण एल्गोरिदम को $3 \times 3$ लैटिस के लिए ट्रांसवर्स-फील्ड आइज़िंग मॉडल के लिए एक METTWS वर्कफ़्लो में एकीकृत किया गया। परिणामों ने प्रदर्शित किया कि विधि थर्मल ऊर्जा घनत्व की गणना कर सकती है, जिसकी सटीकता बॉन्ड डायमेंशन बढ़ने के साथ बढ़ती है, और अंततः सांख्यिकीय त्रुटि के भीतर सटीक विकेर्णन (exact diagonalization) बेंचमार्क से मेल खाती है।

महत्व और दावे
यह शोध पत्र दावा करता है कि यह उन 2D क्वांटम वितरणों से शास्त्रीय रूप से नमूना लेने के लिए एक व्यावहारिक उपकरण प्रदान करता है जिन्हें सिम्युलेट करना अन्यथा कठिन है। लेखक इस बात पर जोर देते हैं कि:

एल्गोरिदम सिस्टम साइज और बॉेंड डायमेंशन के साथ बहुपद स्केलिंग के साथ कुशल हैं।
विधियां विशेष रूप से उन परिदृश्यों के लिए उपयुक्त हैं जहां सहसंबंधों (correlations) को प्रयोगात्मक शोर के अनुरूप ट्रंकेट किया जा सकता है, जो क्वांटम सुप्रीमेसी प्रयोगों के सत्यापन और विस्तार में सहायता कर सकते हैं।
यह कार्य परिमित-तापमान सिमुलेशन के लिए एरिया-लॉ क्वांटम मॉडल के टेंसर नेटवर्क विधियों में मोंटे कार्लो नमूनाकरण को शामिल करने के लिए एक आधारभूत कदम है।
यह दृष्टिकोण क्वांटम भौतिकी से परे भी लागू है, जो अनिश्चितता मात्रा निर्धारण (uncertainty quantification) और जेनेरेटिव मॉडलिंग में क्षमता प्रदान करता है, जैसा कि टेंसर-ट्रेन आधारित विधियों में देखा जाता है।

लेखक विनम्रतापूर्वक नोट करते हैं कि हालांकि उनका कार्य 'पॉलीनोमियल हाइरार्की' को ध्वस्त नहीं करता है (जो कम्यूटिंग सर्किट से संबंधित एक सैद्धांतिक बाधा है), यह isoTNS की विशिष्ट संरचना का लाभ उठाकर कठिन वितरणों के लिए शास्त्रीय नमूनाकरण की मौलिक सीमाओं को आगे बढ़ाता है।