⚛️ quantum physics

Detecting nonequilibrium phase transitions via continuous monitoring of space-time trajectories and autoencoder-based clustering

यह शोध पत्र निरंतर निगरानी से प्राप्त स्पेस-टाइम ट्रेजेक्टरीज (space-time trajectories) का विश्लेषण करके ओपन क्वांटम सिस्टम्स में नॉन-इक्विलिब्रियम फेज ट्रांजिशन (nonequilibrium phase transitions) का पता लगाने के लिए ऑटोएन्कोडर-आधारित क्लस्टरिंग का उपयोग करने वाला एक मशीन-लर्निंग दृष्टिकोण प्रस्तावित करता है, जिससे क्वांटम अवस्थाओं का अनुमान लगाने के लिए आवश्यक व्यापक प्रोजेक्टिव मेजरमेंट्स (projective measurements) की आवश्यकता को दरकिनार किया जा सके।

मूल लेखक: Erik Fitzner, Francesco Carnazza, Federico Carollo, Igor Lesanovsky

प्रकाशित 2026-02-20

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Erik Fitzner, Francesco Carnazza, Federico Carollo, Igor Lesanovsky

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 हलचल भरे, अराजक शहर के भीतर क्या हो रहा है, यह समझने की कोशिश कर रहे हैं। आप लोगों को देख नहीं सकते, आप उनसे सवाल नहीं पूछ सकते, और निश्चित रूप से आप हर किसी की स्थिति का स्नैपशॉट लेने के लिए समय को रोक भी नहीं सकते। आपके पास केवल एक सिंगल, दानेदार (grainy) सुरक्षा कैमरा फीड है जो स्टैटिक और शोर (noise) की एक निरंतर धारा दिखाता है।

यह वही चुनौती है जिसका सामना भौतिक विज्ञानी क्वांटम सिस्टम्स (परमाणुओं और कणों की छोटी, अजीब दुनिया) का अध्ययन करते समय करते हैं, जो संतुलन से दूर (far from equilibrium) होते हैं। वे यह जानना चाहते हैं कि क्या सिस्टम एक फेज ट्रांजिशन (phase transition) से गुजर रहा है—व्यवहार में एक अचानक, नाटकीय बदलाव, जैसे पानी का बर्फ में बदलना, लेकिन यह एक अराजक, क्वांटम नृत्य की तरह होता है।

आमतौर पर, इन बदलावों को पहचानने के लिए, वैज्ञानिकों को यह जानने की आवश्यकता होती है कि उन्हें वास्तव में क्या देखना है (एक विशिष्ट "ऑर्डर पैरामीटर")। लेकिन क्वांटम दुनिया में, यह पता लगाना कि क्या देखना है, आँखों पर पट्टी बांधकर घास के ढेर में सुई खोजने जैसा है। इसके अलावा, सिस्टम की स्थिति की जांच करने के लिए "प्रोजेक्टिव मेजरमेंट्स" (projective measurements) की आवश्यकता होती है, जो एक चमकदार टॉर्च जलाने जैसा है जो शहर को फ्रीज कर देता है, ट्रैफिक को रोक देता है, और देखने मात्र से सब कुछ बदल देता है।

नया दृष्टिकोण: स्टैटिक को सुनना

यह पेपर मशीन लर्निंग (Machine Learning) और निरंतर निगरानी (Continuous Monitoring) का उपयोग करके इस समस्या को हल करने का एक चतुर तरीका पेश करता है।

यहाँ उपमा (analogy) दी गई है:

1. पुराना तरीका (टॉर्च):
कल्पना कीजिए कि आप हर सेकंड मेहमानों की एक फोटो लेकर एक पार्टी को समझने की कोशिश कर रहे हैं। एक स्पष्ट तस्वीर पाने के लिए, आपको संगीत रोकना होगा, सबको अपनी जगह पर फ्रीज करना होगा, एक फोटो लेनी होगी, और फिर दोबारा करने के लिए कमरे को रीसेट करना होगा। यह धीमा, विनाशकारी है, और आपको पार्टी का एक खंडित दृश्य देता है।

2. नया तरीका (माइक्रोफोन):
पार्टी को फ्रीज करने के बजाय, कल्पना कीजिए कि आप बस एक कोने में एक माइक्रोफोन चालू छोड़ देते हैं। आप पूरा ऑडियो स्ट्रीम रिकॉर्ड करते हैं: कांच के टकराने की आवाज, हंसी, संगीत और बैकग्राउंड का शोर। यह रिकॉर्डिंग अव्यवस्थित है, शोर से भरी है, और यह पार्टी की स्पष्ट तस्वीर नहीं दिखती है। हालाँकि, इसमें घटना की लय (rhythm) और प्रवाह (flow) मौजूद है।

पेपर में, इस "माइक्रोफोन" को हेटरोडायन डिटेक्शन (heterodyne detection) कहा गया है। यह क्वांटम सिस्टम को बिना रोके लगातार सुनता रहता है। इसका परिणाम एक "क्वांटम ट्रेजेक्टरी" (quantum trajectory) है—डेटा की एक लंबी, शोर भरी स्ट्रिंग जो मानवीय आंखों को रैंडम स्टैटिक की तरह दिखती है।

जादुई उपकरण: ऑटोएनकोडर (The Autoencoder)

समस्या यह है कि यह "ऑडियो रिकॉर्डिंग" (डेटा) विश्लेषण के लिए बहुत जटिल है। यह बहुत हाई-डायमेंशनल और शोर भरा है।

यहाँ ऑटोएनकोडर आता है। इसे एक सुपर-स्मार्ट, AI-संचालित अनुवादक या सारांशकार (summarizer) के रूप में सोचें।

इनपुट: आप AI को क्वांटम सिस्टम के इतिहास की पूरी, अव्यवस्थित, शोर भरी रिकॉर्डिंग देते हैं।
कंप्रेशन: AI इस विशाल मात्रा के डेटा को एक छोटे, सरल सारांश (एक "लेटेंट स्पेस") में कंप्रेस करने की कोशिश करता है। यह AI से पार्टी का वर्णन केवल दो नंबरों में करने के लिए कहने जैसा है।
खोज (Discovery): जब AI को क्वांटम सिस्टम के विभिन्न "फेज" (जैसे, एक शांत फेज बनाम एक अराजक फेज) के डेटा पर प्रशिक्षित किया जाता है, तो वह सीख जाता है कि इन दोनों फेजों की आवाज़ अलग-अलग होती है, भले ही शोर एक जैसा दिखे।
क्लस्टरिंग (Clustering): AI रिकॉर्डिंग्स को ग्रुप करना शुरू कर देता है। वह महसूस करता है, "अरे, 'शांत' फेज की सभी रिकॉर्डिंग्स मेरे सारांश में समान दिखती हैं, और सभी 'अराजक' वाली अलग दिखती हैं।"

परीक्षण: क्वांटम कॉन्टैक्ट प्रोसेस (The Quantum Contact Process)

इसे सिद्ध करने के लिए, लेखकों ने क्वांटम कॉन्टैक्ट प्रोसेस नामक एक मॉडल का उपयोग किया।

उपमा: कल्पना कीजिए कि एक जंगल है जहाँ पेड़ "जीवित" (सक्रिय) या "मृत" (निष्क्रिय) हो सकते हैं।
- एक्टिव फेज (Active Phase): पेड़ जीवन फैला रहे हैं; यदि एक पेड़ जीवित है, तो वह अपने पड़ोसियों को जगा सकता है।
- एब्जॉर्बिंग फेज (Absorbing Phase): आग बुझ जाती है। एक बार जब सभी पेड़ मर जाते हैं, तो वे हमेशा के लिए मृत रहते हैं।
चुनौती: एक वास्तविक क्वांटम जंगल में, "मृत" अवस्था एक जाल है। यदि आप पर्याप्त समय तक प्रतीक्षा करते हैं, तो सिस्टम हमेशा मृत अवस्था में गिर जाता है, जिससे ट्रांजिशन छिप जाता है।
परिणाम: AI ने शोर भरे "ऑडियो" (हेटरोडायन करंट) को देखा और सफलतापूर्वक पहचान लिया कि जंगल कब जीवित से मृत होने की ओर स्विच हुआ। इसने उच्च सटीकता के साथ "टिपिंग पॉइंट" (क्रिटिकल पॉइंट) को खोज निकाला, भले ही कच्चा डेटा रैंडम शोर जैसा दिखता था।

यह क्यों महत्वपूर्ण है

"फ्रीजिंग" की आवश्यकता नहीं: आपको क्वांटम सिस्टम को मापने के लिए उसे रोकने की आवश्यकता नहीं है। आप बस इसे चलते हुए सुनते हैं।
पूर्व-ज्ञान की आवश्यकता नहीं: आपको पहले से "सीक्रेट कोड" (ऑर्डर पैरामीटर) जानने की आवश्यकता नहीं है। AI शोर में पैटर्न देखकर खुद ही समझ जाता है कि कौन सी विशेषताएं महत्वपूर्ण हैं।
वास्तविक दुनिया के लिए तैयार: यह तरीका उस डेटा का उपयोग करता है जो आधुनिक क्वांटम प्रयोगों (जैसे ट्रैप्ड आयन या सुपरकंडक्टिंग सर्किट) में प्राप्त करना वास्तव में आसान है।

निष्कर्ष

लेखकों ने दिखाया है कि आपको यह भविष्यवाणी करने के लिए क्रिस्टल बॉल की आवश्यकता नहीं है कि एक क्वांटम सिस्टम कब अपना मन बदलेगा। आपको बस एक अच्छा माइक्रोफोन और एक स्मार्ट AI की आवश्यकता है जो शोर को सुन सके, छिपी हुई लय को ढूंढ सके, और आपसे कह सके, "अरे, पार्टी अब बदलने वाली है!"

उन्होंने क्वांटम डेटा की एक अव्यवस्थित, शोर भरी स्ट्रीम को सिस्टम के व्यवहार के एक स्पष्ट मानचित्र में बदल दिया, यह साबित करते हुए कि कभी-कभी, जंगल को देखने का सबसे अच्छा तरीका पेड़ों में हवा की आवाज़ को सुनना होता है।

यहाँ शोध पत्र "Detecting nonequilibrium phase transitions via continuous monitoring of space-time trajectories and autoencoder-based clustering" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

क्वांटम प्रणालियों में सामूहिक व्यवहार (collective behavior) और नॉन-इक्विलिब्रियम फेज ट्रांजिशन (nonequilibrium phase transitions) के लक्षण वर्णन के लिए पारंपरिक रूप से ऑर्डर पैरामीटर्स (विशिष्ट सिस्टम ऑब्जर्वेबल्स) की पहचान करने पर निर्भर किया जाता है। हालाँकि, प्रायोगिक सेटिंग्स में यह दृष्टिकोण महत्वपूर्ण चुनौतियों का सामना करता है:

मापन ओवरहेड (Measurement Overhead): एक्सपेक्टेशन वैल्यूज या पूर्ण क्वांटम अवस्थाओं को निर्धारित करने के लिए आमतौर पर बार-बार स्टेट प्रिपरेशन और प्रोजेक्टिव मेजरमेंट्स की आवश्यकता होती है, जो संसाधन-गहन (resource-intensive) है और अक्सर क्वांटम अवस्था को नष्ट कर देता है।
अज्ञात ऑर्डर पैरामीटर्स (Unknown Order Parameters): जटिल नॉन-इक्विलिब्रियम प्रणालियों में, प्रासंगिक ऑर्डर पैरामीटर पहले से ज्ञात नहीं हो सकता है।
एब्जॉर्बिंग स्टेट्स (Absorbing States): विशिष्ट मॉडल, जैसे कि क्वांटम कॉन्टैक्ट प्रोसेस (QCP), में एक "एब्जॉर्बिंग स्टेट" (एक ऐसी अवस्था जिससे सिस्टम बाहर नहीं निकल सकता) होती है। परिमित प्रणालियों (finite systems) में, यह अंततः सिस्टम को एक तुच्छ (trivial) अवस्था में ले जाता है, जिससे क्रिटिकल व्यवहार का पता लगाने के लिए स्टेडी-स्टेट ऑब्जर्वेबल्स सूचनात्मक नहीं रह जाते।

लेखक एक ऐसा समाधान प्रस्तावित करते हैं जो पूर्व-निर्धारित ऑर्डर पैरामीटर्स या बार-बार स्टेट प्रिपरेशन की आवश्यकता को दरकिनार करता है, इसके लिए वे कंटीन्यूअस मॉनिटरिंग डेटा का उपयोग करते हैं, जो प्रयोग के दौरान in situ प्राप्त करना संभव है।

2. कार्यप्रणाली (Methodology)

लेखक एक मशीन-लर्निंग फ्रेमवर्क पेश करते हैं जो शोर वाले (noisy), स्पेस-टाइम रिज़ॉल्यूशन वाले मेजरमेंट रिकॉर्ड से सीधे फेज ट्रांजिशन के संकेतों को निकालता है।

A. भौतिक मॉडल: क्वांटम कॉन्टैक्ट प्रोसेस (QCP)

सिस्टम: $N=30$ टू-लेवल सिस्टम्स की एक श्रृंखला (साइट सक्रिय $|\bullet\rangle$ या निष्क्रिय $|\circ\rangle$ हो सकती है)।
डायनेमिक्स:
- कोहेरेंट (Coherent): रबी ऑसिलेशन ( $\Omega$ ) केवल तभी होते हैं जब कोई पड़ोसी सक्रिय हो।
  в * डिसिपेटिव (Dissipative): जंप ऑपरेटर्स $L_k = \sqrt{\gamma}\sigma^-_k$ के माध्यम से सक्रिय से निष्क्रिय में संक्रमण ( $\gamma$ ) होता है।
फेजेस (Phases): सिस्टम एक एब्जॉर्बिंग फेज (सभी साइट्स निष्क्रिय) और एक एक्टिव फेज (सक्रिय साइट्स का सीमित घनत्व) के बीच संक्रमण प्रदर्शित करता है।
चुनौती: परिमित प्रणालियों में लंबे समय के बाद एब्जॉर्बिंग स्टेट अपरिहार्य है, जिससे सक्रिय साइट्स का स्टेडी-स्टेट घनत्व फेज ट्रांजिशन का एक खराब संकेतक बन जाता है।

B. डेटा जनरेशन (Data Generation)

ऑर्डर पैरामीटर को सीधे मापने के बजाय, लेखक कंटीन्यूअस हेटेरोडाइन डिटेक्शन का अनुकरण करते हैं:

क्वांटम ट्राजेक्टरीज (Quantum Trajectories): सिस्टम एक स्टोकेस्टिक श्रोडिंगर समीकरण के अनुसार स्टोकेस्टिक रूप से विकसित होता है।
आउटपुट सिग्नल: मापा गया सिग्नल जटिल हेटेरोडाइन हेयरोक करंट (heterodyne photocurrent) $O_k(t)$ है, जिसमें शोर पद ( $d\xi_k$ ) शामिल हैं।
मुख्य अंतर: ऑर्डर पैरामीटर ट्राजेक्टरी $S_k(t) = \langle \psi | n_k | \psi \rangle$ (जो स्पष्ट फेज संरचनाएं दिखाती है लेकिन प्रयोग में मापना कठिन है) के विपरीत, हेटेरोडाइन सिग्नल $O_k(t)$ सभी रेजीम्स में नग्न आंखों को शोर युक्त और संरचनाहीन प्रतीत होता है।

C. मशीन लर्निंग फ्रेमवर्क

मुख्य नवाचार कच्चे डेटा से प्रभावी ऑर्डर पैरामीटर्स सीखने के लिए एक ऑटोएनकोडर (Autoencoder) का उपयोग करना है।

इनपुट: हेटेरोडाइन करंट $O_k(t)$ (या बेंचमार्किंग के लिए आदर्श ऑर्डर पैरामीटर $S_k(t)$ ) के उच्च-आयामी स्पेस-टाइम ट्राजेक्टरीज।
आर्किटेक्चर: एक एनकोडर-डिकोडर संरचना वाला न्यूरल नेटवर्क।
- एनकोडर (Encoder): इनपुट ट्राजेक्टरी को एक 2-डायमेंशनल लेटेंट स्पेस ( $z_1, z_2$ ) में संकुचित करता है।
- डिकोडर (Decoder): मूल इनपुट को पुनर्गठित (reconstruct) करने का प्रयास करता है।
- ट्रेनिंग: पूर्णांक मानों $\Omega/\gamma \in \{1, \dots, 10\}$ पर उत्पन्न 1,000 ट्राजेक्टरीज का उपयोग करके अनसुपरवाइज्ड ट्रेनिंग। लॉस फंक्शन मीन स्क्वेर्ड एरर (MSE) है।
क्लस्टरिंग (Clustering): एक बार प्रशिक्षित होने के बाद, लेटेंट रिप्रेजेंटेशन्स का विश्लेषण गॉसियन मिक्सचर मॉडल (GMM) का उपयोग करके किया जाता है। GMM एक बाइमॉडल वितरण (bimodal distribution) मानता है, जिससे यह असाइन करने की अनुमति मिलती है कि एक दिया गया ट्राजेक्टरी "एक्टिव" फेज से संबंधित होने की कितनी संभावना रखता है।

3. मुख्य परिणाम (Key Results)

A. आदर्श डेटा ( $S_k(t)$ के साथ बेंचमार्किंग)

जब ऑटोएनकोडर को आदर्श ऑर्डर पैरामीटर ट्राजेक्टरीज (सक्रिय साइट्स के स्थानीय घनत्व) पर प्रशिक्षित किया गया:

लेटेंट स्पेस ने एक्टिव और एब्जॉर्बिंग फेजेस को स्पष्ट रूप से अलग किया।
ट्रांजिशन को $(\Omega/\gamma)_c \approx 5.8 \pm 0.3$ के क्रिटिकल पॉइंट अनुमान के साथ पहचाना गया।
क्रिटिकल एक्सपोनेंट $\beta$ का अनुमान $0.33 \pm 0.13$ लगाया गया, जो QCP के लिए सैद्धांतिक अपेक्षाओं के अनुरूप है।

B. एक्सपेरिमेंटल डेटा ( $O_k(t)$ के साथ डिटेक्शन)

महत्वपूर्ण रूप से, इस पद्धति को हेटेरोडाइन करंट ट्राजेक्टरीज पर लागू किया गया, जो प्रयोगों में सुलभ हैं लेकिन शोर युक्त और बिना किसी स्पष्ट संरचना के दिखाई देती हैं:

क्लस्टरिंग सफलता: शोर के बावजूद, ऑटोएनकोडर ने डेटा को सफलतापूर्वक एक ऐसे लेटेंट स्पेस में संकुचित किया जहाँ दोनों फेजेस स्पष्ट रूप से अलग हो गए।
क्रिटिकल पॉइंट अनुमान: पद्धति ने क्रिटिकल पॉइंट को $(\Omega/\gamma)_c \in [5.0, 6.5]$ की सीमा में सटीक रूप से पहचाना, जिसमें एक परिष्कृत अनुमान $5.4 \pm 0.1$ प्राप्त हुआ।
क्रिटिकल एक्सपोनेंट: अनुमानित एक्सपोनेंट $\beta = 0.28 \pm 0.05$ था।
निष्कर्ष: शोर युक्त, प्रयोगों में सुलभ सिग्नल का उपयोग करके प्राप्त की गई सटीकता और परिशुद्धता, आदर्श (लेकिन प्रयोग में अप्राप्य) ऑर्डर पैरामीटर का उपयोग करके प्राप्त परिणामों के तुल्य थी।

4. महत्व और योगदान (Significance and Contributions)

ऑर्डर-पैरामीटर-मुक्त डिटेक्शन (Order-Parameter-Free Detection): यह अध्ययन प्रदर्शित करता है कि मशीन लर्निंग पूर्व ज्ञान के बिना भी फेज ट्रांजिशन की पहचान कर सकती है और क्रिटिकल एक्सपोनेंट्स का अनुमान लगा सकती है। न्यूरल नेटवर्क प्रभावी रूप से कच्चे डेटा की संरचना से प्रासंगिक सामूहिक विशेषताओं को "खोज" लेता है।
प्रायोगिक व्यवहार्यता (Experimental Feasibility): कंटीन्यूअस मॉनिटरिंग (हेटेरोडाइन डिटेक्शन) का उपयोग करके, यह विधि प्रोजेक्टिव मेजरमेंट्स के बजाय बार-बार स्टेट प्रिपरेशन और पोस्ट-सिलेक्शन के ओवरहेड से बचती है। यह उस डेटा के साथ काम करती है जो एकल प्रयोगात्मक रन के दौरान स्वाभाविक रूप से उत्पन्न होता है।
शोर के प्रति मजबूती (Robustness to Noise): यह दृष्टिकोण सिद्ध करता है कि भले ही कच्चा मापन सिग्नल (हेटेरोडाइन करंट) संरचनाहीन और शोर युक्त दिखाई दे, फिर भी अंतर्निहित डायनेमिकल फेज जानकारी स्पेस-टाइम कोरिलेशन में एनकोडेड होती है, जिसे ऑटोएनकोडर निकाल सकता है।
एब्जॉर्बिंग स्टेट्स को संभालना (Handling Absorbing States): यह विधि स्थिर गुणों (stationary properties) पर निर्भर रहने के बजाय पूर्ण स्पेस-टाइम इवोल्यूशन का विश्लेषण करके परिमित प्रणालियों में एब्जॉर्बिंग स्टेट्स की चुनौती को सफलतापूर्वक संबोधित करती है।
भविष्य के अनुप्रयोग (Future Applications): लेखक सुझाव देते हैं कि यह फ्रेमवर्क डिजिटल क्वांटम सिम्युलेटर्स और क्वांटम सर्किट में मिड-सर्किट मेजरमेंट्स जैसे अन्य प्लेटफॉर्म पर भी लागू किया जा सकता है, जो निकट-अवधि (near-term) क्वांटम डिवाइसेज में नॉन-इक्विलिब्रियम घटनाओं के लक्षण वर्णन में क्रांति ला सकता है।

संक्षेप में, यह कार्य एक मजबूत, अनसुपरवाइज्ड मशीन-लर्निंग पाइपलाइन प्रदान करता है जो जटिल सैद्धांतिक मॉडलों और व्यावहारिक प्रयोगात्मक बाधाओं के बीच के अंतर को पाटता है, जिससे केवल निरंतर, शोर वाले मेजरमेंट रिकॉर्ड का उपयोग करके नॉन-इक्विलिब्रियम फेज ट्रांजिशन का पता लगाना संभव हो जाता है।