⚛️ quantum physics

The Inverse Born Rule Equivalence. On the Informational Limits of Real-Valued Amplitude Encodings and the Measurement of Quantum Advantage in Data Embeddings

यह शोध पत्र यह सिद्ध करता है कि वास्तविक-मान वाले आयामों तक सीमित क्वांटम डेटा एनकोडिंग, जटिल-चरण हस्तक्षेप (complex-phase interference) की अनुपस्थिति के कारण गणितीय रूप से शास्त्रीय द्विघात रूपों (classical quadratic forms) के समतुल्य है, जिससे यह स्थापित होता है कि वास्तविक क्वांटम लाभ के लिए जटिल संरचनाओं की सख्त आवश्यकता है और वास्तविक-आयाम मॉडलों को क्वांटम शक्ति के रूप में गलत व्याख्या करने को "इनवर्स बोर्न रूल फैलेसी" (Inverse Born Rule Fallacy) के रूप में पहचाना गया है।

मूल लेखक: Sebastian Zając, Jacob L. Cybulski, Bartosz Dziewit, Tomasz Kulpa

प्रकाशित 2026-06-16

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Sebastian Zając, Jacob L. Cybulski, Bartosz Dziewit, Tomasz Kulpa

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

मुख्य प्रश्न: क्या क्वांटम कंप्यूटर वास्तव में कुछ नया कर रहा है?

कल्पना कीजिए कि आपके पास एक नया, सुपर-फास्ट किचन अप्लायंस (एक क्वांटम कंप्यूटर) है और आप एक जटिल भोजन बनाना चाहते हैं (एक डेटा समस्या को हल करना)। आप मशीन में अपनी सामग्री (डेटा) डालते हैं। यह पेपर जो बड़ा सवाल पूछता है वह यह है: क्या यह मशीन वास्तव में एक नया तरह का व्यंजन बना रही है, या यह केवल एक ऐसे व्यंजन को फिर से पैक कर रही है जिसे आप एक साधारण रसोई में भी बना सकते थे?

शोधकर्ताओं की एक टीम ने खोजा कि क्वांटम कंप्यूटरों में डेटा फीड करने का एक बहुत ही लोकप्रिय तरीका वास्तव में एक "जाल" है। यह क्वांटम दिखता है, लेकिन गणितीय रूप से, यह एक मानक क्लासिकल कंप्यूटर ट्रिक का केवल एक फैंसी संस्करण है। वे इसे "इन्वर्स बॉर्न रूल फैलेसी" (Inverse Born Rule Fallacy) कहते हैं।

"रियल-वैल्यूड" (वास्तविक-मान) का जाल

क्वांटम कंप्यूटिंग में, डेटा को आमतौर पर "एम्प्लीट्यूड्स" (वे संख्याएँ जो परिणाम की संभावना निर्धारित करती हैं) के रूप में संग्रहीत किया जाता है। ये संख्याएँ रियल (जैसे 0.5 या -0.3) या कॉम्प्लेक्स (वे संख्याएँ जिनमें एक काल्पनिक भाग शामिल होता है, जैसे $0.5 + 0.2i$ ) हो सकती हैं।

यह पेपर एक विशिष्ट विधि पर ध्यान केंद्रित करता है जिसे "रियल-वैल्यूड एम्प्लीट्यूड एनकोडिंग" (और एक उप-प्रकार जिसे "प्रोबेबिलिटी लोडिंग" कहा जाता है) कहते हैं।

उपमा: कल्पना कीजिए कि आप एक तस्वीर पेंट कर रहे हैं।
- कॉम्प्लेक्स एनकोडिंग: आपके पास रंगों का एक पूरा पैलेट है, जिसमें विशेष "फेज़" पिगमेंट भी शामिल हैं जो एक-दूसरे के साथ मिलकर नए, चमकते प्रभाव पैदा कर सकते हैं।
- रियल-वैल्यूड एनकोडिंग: आपको केवल ब्लैक एंड व्हाइट पेंट का उपयोग करने के लिए मजबूर किया जाता है। आप उन्हें मिलाकर ग्रे रंग तो बना सकते हैं, लेकिन आप कभी भी एक नया रंग या चमकता हुआ प्रभाव नहीं बना सकते।

लेखक सिद्ध करते हैं कि यदि आप अपने डेटा को लोड करने के लिए केवल "ब्लैक एंड व्हाइट" (रियल नंबर्स) का उपयोग करते हैं, तो बाद में आप अपने क्वांटम मशीन के नॉब्स को कितनी भी बार घुमा लें, अंतिम परिणाम गणितीय रूप से एक सरल क्लासिकल क्वाड्रेटिक फॉर्म के समान ही होगा।

इसका क्या मतलब है?
इसका मतलब है कि क्वांटम कंप्यूटर यहाँ कुछ भी "क्वांटम" नहीं कर रहा है। यह केवल आपके डेटा का एक भारित योग (weighted sum) निकाल रहा है, ठीक वैसे ही जैसे एक मानक कंप्यूटर प्रोग्राम कुछ ही सेकंड में कर सकता है। "क्वांटम एडवांटेज" (गति या शक्ति का लाभ) गायब हो जाता है।

गुप्त सामग्री: "बेरी कनेक्शन" (Berry Connection)

केवल वास्तविक संख्याओं का उपयोग करने से क्वांटम लाभ क्यों खत्म हो जाता है? लेखकों ने इसका ज्यामितीय कारण खोजा है।

उपमा: डेटा को एक मानचित्र पर चलने वाले यात्री के रूप में सोचें।
- एक कॉम्प्लेक्स सिस्टम में, जैसे-जैसे यात्री चलता है, वह घूम सकता है (फेज़ बदल सकता है) जो एक साधारण पर्यवेक्षक के लिए अदृश्य है लेकिन अंतिम गंतव्य को बदल देता है। यह घूमना "बेरी कनेक्शन" कहलाता है। यह एक छिपे हुए कंपास की तरह है जो यात्री को एक "क्वांटम टनल" के माध्यम से शॉर्टकट लेने की अनुमति देता है।
- एक रियल-वैल्यूड सिस्टम में, यात्री कागज की एक सपाट, 2D शीट पर फंसा हुआ है। वह आगे और पीछे चल सकता है, लेकिन वह घूम या ट्विस्ट नहीं कर सकता। "छिपा हुआ कंपास" (बेरी कनेक्शन) टूट गया है; यह शून्य पढ़ता है।

चूंकि "स्पिन" चला गया है, इसलिए क्वांटम परिदृश्य एक सपाट, क्लासिकल परिदृश्य में सिमट जाता है। पेपर दिखाता है कि इन रियल-वैल्यूड विधियों के लिए, क्वांटम यांत्रिकी की जटिल ज्यामिति घटकर क्लासिकल सांख्यिकी की उबाऊ, सपाट ज्यामिति में बदल जाती है।

अंतर कैसे पहचानें: "क्वांटमनेस" टेस्ट

चूंकि सभी क्वांटम विधियाँ जाल नहीं हैं, इसलिए लेखकों ने यह परीक्षण करने के लिए एक "डायग्नोस्टिक किट" बनाई है कि कोई विधि वास्तव में क्वांटम है या केवल दिखावा कर रही है। वे तीन मुख्य जाँचों का उपयोग करते हैं:

फेज़ कॉम्प्लेक्सिटी (C): क्या डेटा में "इमेजिनरी" भाग हैं? यदि $C=0$ , तो यह केवल एक क्लासिकल ट्रिक है। यदि $C>0$ , तो इसमें वास्तविक क्वांटम क्षमता है।
बेरी कनेक्शन (|A|): क्या वह छिपा हुआ "स्पिन" या रोटेशन मौजूद है? यदि यह शून्य है, तो क्वांटम लाभ समाप्त हो गया है।
म्युचुअल इंफॉर्मेशन (I): क्या सिस्टम के विभिन्न हिस्से आपस में उलझे (entangled) हुए हैं?

टेस्ट का परिणाम:

प्रोबेबिलिटी लोडिंग (जाल): यह सभी जाँचों में विफल रहता है। इसमें कोई फेज़ कॉम्प्लेक्सिटी नहीं है और न ही बेरी कनेक्शन है। यह गणितीय रूप से एक क्लासिकल कर्नेल मशीन के समान है।
सैंडविच/हैमिल्टोनियन एनकोडिंग (असली चीज़): यह परीक्षणों को पास करता है। इनमें जटिल फेज़ और गैर-शून्य बेरी कनेक्शन होते हैं। वे वास्तव में वे चीजें कर सकते हैं जो क्लासिकल कंप्यूटर नहीं कर सकते।

जाल से बचने के दो तरीके

पेपर निष्कर्ष निकालता है कि यदि आप एक वास्तविक क्वांटम लाभ (टाइप B) चाहते हैं, तो आपको "रियल-वैल्यूड ट्रैप" के नियमों को दो में से एक तरीके से तोड़ना होगा:

मार्ग 1: कॉम्प्लेक्स फेज़ का उपयोग करें।
- उपमा: केवल ब्लैक एंड व्हाइट पेंट का उपयोग करना बंद करें। पूरे कलर पैलेट का उपयोग करना शुरू करें।
- विधि: "सैंडविच" या "हैमिल्टोनियन" जैसी एनकोडिंग का उपयोग करें जो कॉम्प्लेक्स नंबर्स पेश करती हैं। यह वास्तविक क्वांटम इंटरफेरेंस के लिए आवश्यक "छिपे हुए स्पिन" (बेरी कनेक्शन) को बनाता है।
- परिणाम: उनके प्रयोगों में, इस विधि ने एक कठिन "XOR" पहेली को पूरी तरह से हल किया, जबकि रियल-वैल्यूड विधियां बुरी तरह विफल रहीं।
मार्ग 2: डेटा को दोबारा अपलोड करें (Re-upload the Data)।
- उपमा: यदि आप ब्लैक एंड व्हाइट पेंट के साथ फंसे हुए हैं, तो भी आप कई बार एक ही कैनवास पर पेंट करके, स्ट्रोक्स की परतें चढ़ाकर एक उत्कृष्ट कृति बना सकते हैं।
- विधि: डेटा को एक बार डालने के बजाय, इसे सर्किट में कई बार फीड करें (डेटा री-अपलोडिंग)।
- परिणाम: वास्तविक संख्याओं के साथ भी, इसे कई बार करने से जटिल पैटर्न बनते हैं जिन्हें एक सिंगल लेयर नहीं बना सकती। इसने एक "क्लासिकल" एनकोडिंग को कठिन समस्याओं को हल करने की अनुमति दी, लेकिन केवल इसलिए क्योंकि सर्किट डेप्थ (परतों की संख्या) ने कमी को पूरा किया।

निचोड़ (The Bottom Line)

पेपर शोधकर्ताओं को चेतावनी देता है: "क्वांटम" लेबल से धोखा न खाएं।

यदि आप रियल-वैल्यूड एम्प्लीट्यूड एनकोडिंग (या प्रोबेबिलिटी लोडिंग) का उपयोग कर रहे हैं, तो आपको क्वांटम लाभ नहीं मिल रहा है। आप केवल एक क्वांटम मशीन पर एक क्लासिकल एल्गोरिदम चला रहे हैं। वास्तविक लाभ प्राप्त करने के लिए, आपको या तो कॉम्प्लेक्स फेज़ (रंगीन मार्ग) का उपयोग करना होगा या अपने डेटा को कई बार री-अपलोड (लेयर्ड मार्ग) करना होगा।

आप मशीन में डेटा कैसे डालते हैं, यह निर्णय क्वांटम मशीन लर्निंग में सबसे महत्वपूर्ण निर्णय है। यदि आप "रियल-वैल्यूड" मार्ग चुनते हैं, तो आप एक बहुत ही महंगा क्लासिकल कंप्यूटर बना रहे हैं, क्वांटम कंप्यूटर नहीं।

तकनीकी सारांश: इनवर्स बॉर्न रूल इक्विवेलेंस (The Inverse Born Rule Equivalence)

समस्या विवरण
क्वांटम मशीन लर्निंग (QML) का लक्ष्य क्वांटम इंटरफेरेंस (व्यतिकरण) का लाभ उठाना है ताकि उन परिकल्पना वर्गों (hypothesis classes) तक पहुँचा जा सके जो शास्त्रीय मॉडलों के लिए अगम्य हैं। QML पाइपलाइनों में एक महत्वपूर्ण डिज़ाइन विकल्प डेटा एनकोडिंग (फीचर मैप) है, जो शास्त्रीय डेटा को क्वांटम अवस्थाओं में समाहित करता है। व्यापक शोध के बावजूद, कोई सामान्य मानदंड नहीं है जो यह निर्धारित कर सके कि एक विशिष्ट एनकोडिंग वास्तव में "टाइप B" क्वांटम लाभ (एक विस्तार योग्य परिकल्पना वर्ग) प्रदान करती है या वह केवल एक शास्त्रीय रूप से हल करने योग्य समस्या को पुनर्गठित करती है। यह शोध पत्र वास्तविक-मान वाले एम्प्लीट्यूड एनकोडिंग (real-valued amplitude encodings), जिसमें प्रोबेबिलिटी लोडिंग भी शामिल है, के व्यापक उपयोग का विश्लेषण करता है और जांच करता है कि क्या वे शास्त्रीय कर्नेल विधियों की तुलना में कोई अंतर्निहित क्वांटम लाभ प्रदान करते हैं।

कार्यप्रणाली
लेखक पैरामीटराइज्ड क्वांटम सर्किट (PQCs) द्वारा उत्पन्न परिकल्पना वर्गों का विश्लेषण करने के लिए लीनियर अलजेब्रा, सूचना ज्यामिति (information geometry) और विभेदक ज्यामिति (differential geometry) को संयोजित करने वाले एक कठोर सैद्धांतिक ढांचे का उपयोग करते हैं।

सैद्धांतिक व्युत्पत्ति: शोध पत्र एक इक्विवेलेंस थ्योरम (समतुल्यता प्रमेय) सिद्ध करता है जो यह दर्शाता है कि कोई भी PQC मॉडल जो वास्तविक-मान वाले एम्प्लीट्यूड एनकोडिंग (जहाँ एम्प्लीट्यूड $c_i \in \mathbb{R}$ ) के साथ एक डेटा-स्वतंत्र यूनिटरी और कम्प्यूटेशनल-बेसिस मेजरमेंट का उपयोग करता है, उसका परिकल्पना वर्ग एक शास्त्रीय क्वाड्रेटिक फॉर्म (quadratic form) के समान होता है।
ज्यामितीय विश्लेषण: लेखक स्टेट मैनिफोल्ड के विभेदक ज्यामिति का विश्लेषण करते हैं। वे इन एनकोडिंग्स के लिए बेरी कनेक्शन ( $A_\mu$ ) और फ्यूबिनी-स्टडी मेट्रिक (Fubini–Study metric) की गणना करते हैं, और उनकी तुलना शास्त्रीय फिशर-राओ मेट्रिक (Fisher–Rao metric) से करते हैं।
नैदानिक मीट्रिक (Diagnostic Metrics): इन निष्कर्षों को क्रियान्वित करने के लिए, एक एनकोडिंग की "क्वांटमनेस" को मापने के लिए तीन मात्रात्मक मीट्रिक पेश किए गए हैं:
- फेज कॉम्प्लेक्सिटी ( $C[\Phi]$ ): स्टेट वेक्टर में काल्पनिक घटकों (imaginary components) का परिमाण।
- बेरी कनेक्शन मैग्नीट्यूड ( $|A_\mu|$ ): डेटा-निर्भर फेज रोटेशन का माप।
- मोड-वाइज म्यूचुअल इंफॉर्मेशन ( $I[\Phi]$ ): क्वबिट मोड्स के बीच कुल एंटैंगलमेंट।
संख्यात्मक सत्यापन: सैद्धांतिक सीमाओं का परीक्षण पांच एनकोडिंग रणनीतियों (प्रोबेबिलिटी लोडिंग, एंगल एनकोडिंग, डेटा री-अपलोडिंग, सैंडविच, और हैमिल्टोनियन) के विरुद्ध चार वर्गीकरण कार्यों (टू-मून्स, कॉन्सेंट्रिक सर्कल्स, XOR, और पैरिटी) का उपयोग करके एक स्टेट-वेक्टर सिम्युलेटर के माध्यम से किया गया।

मुख्य योगदान

इक्विवेलेंस थ्योरम: शोध पत्र सिद्ध करता है कि किसी भी वास्तविक-मान वाले एम्प्लीट्यूड एनकोडिंग $|\psi_c\rangle = \sum c_i |i\rangle$ के लिए, जहाँ $c_i \in \mathbb{R}$ , परिणामी परिकल्पना वर्ग एक शास्त्रीय इनर-प्रोडक्ट कर्नेल $k(x, x') = (c(x)^\top c(x'))^2$ का रिप्रोड्यूसिंग कर्नेल हिल्बर्ट स्पेस (RKHS) है। प्रोबेबिलिटी लोडिंग के लिए, यह हेलिंगर एफिनिटी कर्नेल (Hellinger affinity kernel) में बदल जाता है। फलस्वरूप, ये मॉडल शून्य टाइप B क्वांटम लाभ प्रदान करते हैं; वे $O(N^2)$ समय में शास्त्रीय रूप से साकार करने योग्य हैं।
ज्यामितीय तंत्र (द इनवर्स बॉर्न रूल फैलेसी): लेखक इस पतन (collapse) के ज्यामितीय कारण की पहचान करते हैं: एम्प्लीट्यूड को वास्तविक संख्याओं तक सीमित करने से बेरी कनेक्शन शून्य हो जाता है ( $A_\mu \equiv 0$ )। इसके कारण क्वांटम फ्यूबिनी-स्टडी मेट्रिक सीधे शास्त्रीय फिशर-राओ मेट्रिक पर गिर जाता है ( $\Delta g = 0$ )। शोध पत्र ऐसे मॉडलों को क्वांटम शक्ति के प्रमाण के रूप में गलत पहचानने को "इनवर्स बॉर्न रूल फैलेसी" कहता है।
एनकोडिंग डायग्नोस्टिक्स: शोध पत्र $C[\Phi]$ , $|A_\mu|$ , और $I[\Phi]$ को परिचालन उपकरणों के रूप में पेश करता है। यह स्थापित करता है कि $C=0$ और $|A_\mu|=0$ शास्त्रीय तुल्यता के लिए आवश्यक शर्तें हैं, जबकि गैर-शून्य मान डेटा-संचालित क्वांटम इंटरफेरेंस के लिए आवश्यक जटिल चरणों (complex phases) की उपस्थिति को दर्शाते हैं।
एस्केप रूट्स (बचने के मार्ग) की पहचान: अध्ययन स्थापित शास्त्रीय सीमा से बचने के दो अलग-अलग तंत्रों को रेखांकित करता है:
1. कॉम्प्लेक्स फेजेस (मार्ग 1): उन एनकोडिंग्स का उपयोग करना जहाँ एम्प्लीट्यूड जटिल (complex) होते हैं (जैसे सैंडविच या हैमिल्टोनियन एनकोडिंग), जो एक गैर-शून्य बेरी कनेक्शन उत्पन्न करते हैं।
2. डेटा री-अपलोडिंग (मार्ग 2): मल्टी-लेयर सर्किटों का उपयोग करना जहाँ डेटा को बार-बार इंजेक्ट किया जाता है, जो डेटा-स्वतंत्र यूनिटरी की धारणा को तोड़ता है और उच्च-क्रम के बहुपद फीचर्स (higher-order polynomial features) उत्पन्न करता है।

परिणाम

सैद्धांतिक: किसी भी वास्तविक-मान वाले एम्प्लीट्यूड एनकोडिंग PQC का परिकल्पना वर्ग शास्त्रीय क्वाड्रेटिक फॉर्म के वर्ग के भीतर सख्ती से समाहित है। वास्तविक मानों का प्रतिबंध, न कि $L_2$ नॉर्मलाइजेशन, वह तंत्र है जो मॉडल को शास्त्रीय क्षेत्र में लॉक कर देता है।
संख्यात्मक:
- प्रोबेबिलिटी लोडिंग (PL): जैसा कि अनुमान लगाया गया था, PL ने नॉनलीनियर कार्यों (कॉन्सेंट्रिक सर्कल्स, XOR, पैरिटी) पर लगभग चांस-लेवल प्रदर्शन दिखाया, जहाँ निर्णय सीमा (decision boundary) के लिए नॉन-क्वाड्रेटिक या साइन-फ्लिपिंग लॉजिक की आवश्यकता थी। इसने केवल लीनियरली सेपरेबल टू-मून्स कार्य पर पर्याप्त प्रदर्शन किया।
- एंगल एनकोडिंग (AE): हालांकि इसमें $C=0$ (शुद्ध वास्तविक एम्प्लीट्यूड) है, AE ने नॉनलीनियर कार्यों (XOR, सर्कल्स) पर उच्च सटीकता प्राप्त की। लेखक स्पष्ट करते हैं कि यह थ्योरम का उल्लंघन नहीं करता है; AE एक ट्रिगोनोमेट्रिक बेस का उपयोग करता है जो स्वाभाविक रूप से परिमित फूरियर श्रृंखला (finite Fourier series) को व्यक्त करता है, जिससे अनुमत क्वाड्रेटिक फॉर्म संरचना के भीतर आवधिक सीमाओं (periodic boundaries) को हल किया जा सके।
- डेटा री-अपलोडिंग (RU): $C=0$ होने के बावजूद RU ने सभी कार्यों पर उच्च सटीकता प्राप्त की, जो यह दर्शाता है कि गहरे एंसेट सर्किट (deep ansatz circuits) बहुपद फीचर्स की डिग्री बढ़ाकर शास्त्रीय एनकोडिंग की भरपाई कर सकते हैं।
- कॉम्प्लेक्स एनकोडिंग्स (SW, HE): सैंडविच और हैमिल्टोनियन एनकोडिंग्स, जिनमें $C>0$ और $|A_\mu|>0$ है, ने XOR कार्य पर शास्त्रीय विकल्पों की तुलना में कम पैरामीटर्स के साथ पूर्ण सटीकता प्राप्त की, जो विशिष्ट संरचनात्मक लाभों के लिए जटिल चरणों की आवश्यकता की पुष्टि करती है।

महत्व और दावे
शोध पत्र का दावा है कि फीचर मैप का चुनाव QML में प्राथमिक डिज़ाइन निर्णय है। इसका महत्व निम्नलिखित में निहित है:

सीमांकन करना: यह शास्त्रीय और क्वांटम अभिव्यक्तता (expressivity) के बीच एक सख्त, प्रमाणित सीमा प्रदान करता है, यह दिखाते हुए कि वास्तविक-मान वाले एम्प्लीट्यूड एनकोडिंग (प्रोबेबिलिटी लोडिंग सहित) सर्किट डेप्थ या एंटैंगलमेंट के बावजूद कोई अंतर्निहित टाइप B लाभ नहीं देते हैं।
गलत धारणाओं को सुधारना: यह इस धारणा को चुनौती देता है कि घातीय डेटा संपीड़न (एम्प्लीट्यूड एनकोडिंग की एक विशेषता) क्वांटम लाभ के बराबर है, यह दिखाते हुए कि यह संपीड़न वास्तव में परिकल्पना वर्ग की अभिव्यक्तता की कीमत पर आता है।
परिचालन मार्गदर्शन: "इनवर्स बॉर्न रूल फैलेसी" और डायग्नोस्टिक मेट्रिक्स ( $C, |A_\mu|, \Delta g$ ) को पेश करके, शोध पत्र शोधकर्ताओं को एनकोडिंग का ऑडिट करने के लिए एक ढांचा प्रदान करता है। यह निष्कर्ष निकालता है कि वास्तविक क्वांटम लाभ के लिए या तो एनकोडिंग में कॉम्प्लेक्स-फेज संरचना की आवश्यकता होती है या डेटा-री-अपलोडिंग की आवश्यकता होती है ताकि डेटा-स्वतंत्र एंसेट धारणा को तोड़ा जा सके। शोध पत्र इस बात पर जोर देता है कि क्वांटम लाभ एनकोडिंग क्षमता, डेटा-एनकोडिंग संरेखण और सर्किट क्षमता का उत्पाद है, और वास्तविक-मान वाले एनकोडिंग के लिए, पहला कारक सख्ती से शून्य है।