⚛️ quantum physics

Measurement-Induced Quantum Neural Network

यह शोध पत्र मेजरमेंट-इंड्यूस्ड क्वांटम न्यूरल नेटवर्क (MINN) को प्रस्तुत करता है, जो एक अनुकूलन योग्य आर्किटेक्चर है जहाँ सर्किट के मध्य में किए गए मापन गतिशील रूप से गैर-रेखीयता (nonlinearity) को सम्मिलित करने के लिए आगामी एंटैंगलिंग गेट्स को निर्धारित करते हैं, और एक क्लासिकली सिमुलेबल मैचगेट कार्यान्वयन के माध्यम से अनुकूलन, वर्गीकरण और ग्राउंड-स्टेट खोज कार्यों में इसकी व्यवहार्यता और प्रभावशीलता का प्रदर्शन करता है।

मूल लेखक: Paul Argyle, Djamil Lakhdar-Hamina, Sarah H. Miller, Victor Galitski

प्रकाशित 2026-03-20

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Paul Argyle, Djamil Lakhdar-Hamina, Sarah H. Miller, Victor Galitski

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 रोबोट को पहेली सुलझाना सिखाने की कोशिश कर रहे हैं, जैसे कि भूलभुलैया में सबसे अच्छा रास्ता खोजना या किसी फोटो में बिल्ली को पहचानना। क्लासिकल कंप्यूटरों की दुनिया में, हम न्यूरल नेटवर्क (Neural Networks) का उपयोग करते हैं। इन्हें एक टीम के श्रमिकों के रूप में समझें जो एक लाइन में नोट्स पास कर रहे हैं। प्रत्येक कार्यकर्ता (एक "न्यूरॉन") नोट को देखता है, थोड़ा सा गणित करता है, और अगला नोट अगले व्यक्ति को पास कर देता है। इन नेटवर्कों का जादू यह है कि वे गलतियों से सीख सकते हैं और समय के साथ बेहतर हो सकते हैं।

लेकिन यहाँ एक समस्या है: क्लासिकल कंप्यूटर गणित में बहुत अच्छे हैं, लेकिन वे कुछ खास प्रकार की जटिल, "क्वांटम" समस्याओं के साथ संघर्ष करते हैं। इसलिए, वैज्ञानिक क्वांटम न्यूरल नेटवर्क (QNNs) बनाने की कोशिश कर रहे हैं जो क्वांटम कंप्यूटरों का उपयोग करते हैं।

अधिकांश वर्तमान क्वांटम नेटवर्क के साथ समस्या यह है कि वे थोड़े अधिक "लीनियर" (linear) और कठोर हैं। उनमें वह महत्वपूर्ण तत्व नहीं है जो मानव मस्तिष्क और क्लासिकल कंप्यूटरों में पाया जाता है: नॉन-लिनियैरिटी (nonlinearity)। सरल शब्दों में, नॉन-लिनियैरिटी का अर्थ है यह कहने की क्षमता कि, "रुको, यह तर्कसंगत नहीं लग रहा है, चलो अपना पूरा दृष्टिकोण बदलते हैं!" यही वह चिंगारी है जो जटिल सोच को सक्षम बनाती है।

पेश है MINN: एक "अनुकूलनशील" (Adaptive) क्वांटम नेटवर्क

यह पेपर एक नए विचार को पेश करता है जिसे मेज़रमेंट-इंड्यूस्ड क्वांटम न्यूरल नेटवर्क (MINN) कहा जाता है। इसे समझने के लिए, आइए खाना पकाने के उदाहरण का उपयोग करें।

पुराना तरीका (मानक क्वांटम सर्किट):
एक शेफ की कल्पना करें जो एक सख्त रेसिपी का पालन कर रहा है। वे प्याज काटते हैं, फिर पानी उबालते हैं, फिर अंडे तलते हैं। चरण निश्चित हैं। भले ही प्याज जल गया हो, शेफ पानी उबालता रहता है क्योंकि रेसिपी कहती है कि ऐसा करना है। यह एक मानक क्वांटम सर्किट की तरह है: यह बीच में क्या हो रहा है इसकी परवाह किए बिना चरणों के एक पूर्व-निर्धारित सेट को चलाता है।

नया तरीका (MINN):
अब, एक ऐसे शेफ की कल्पना करें जो अनुकूलनशील (adaptive) है।

वे प्याज काटते हैं।
वे प्याज का स्वाद लेते हैं। (यह "मेज़रमेंट" या मापन है)।
स्वाद के आधार पर, वे निर्णय लेते हैं: "ये बहुत मसालेदार हैं! मुझे अधिक क्रीम डालने की आवश्यकता है," या "ये फीके हैं, मुझे अधिक नमक की आवश्यकता है।"
वे उस स्वाद परीक्षण के आधार पर रेसिपी के अगले चरण को तुरंत समायोजित करते हैं।

MINN में, "स्वाद परीक्षण" एक मिड-सर्किट मेज़रमेंट (mid-circuit measurement) है। क्वांटम कंप्यूटर प्रक्रिया के बीच में एक क्यूबिट (क्वांटम बिट) को मापता है। उस मापन का परिणाम केवल एक अंतिम उत्तर नहीं है; यह एक फीडबैक सिग्नल है जो गणना के अगले चरण के लिए सेटिंग्स को तुरंत बदल देता है।

यह एक बड़ी बात क्यों है?

यह "विचार" पैदा करता है: मापने और समायोजित करने के माध्यम से, यह नेटवर्क नॉन-लिनियैरिटी को इंजेक्ट करता है। यह सिस्टम को अपने इतिहास के प्रति प्रतिक्रिया करने की अनुमति देता है। यदि पिछला चरण "गलत" (या सही) गया था, तो अगला चरण अनुकूलित होता है। यह नेटवर्क को बहुत अधिक शक्तिशाली और अभिव्यंजक बनाता है, जैसा कि मानव मस्तिष्क नई जानकारी के प्रति अनुकूलित होता है।
इसे सिम्युलेट करना कठिन है: क्योंकि नेटवर्क रैंडम क्वांटम परिणामों के आधार पर खुद को बदलता है, यह संभावनाओं का एक जटिल जाल बनाता है जिसे एक सामान्य कंप्यूटर के लिए नकल करना अविश्वसनीय रूप से कठिन है। यह सुझाव देता है कि यह उन समस्याओं को हल कर सकता है जो वर्तमान में क्लासिकल कंप्यूटरों के लिए असंभव हैं।
यह प्रशिक्षित किया जा सकता है: लेखकों ने दिखाया है कि भले ही यह जटिल है, फिर भी हम इसे "सिखा" सकते हैं। उन्होंने ग्रेडिएंट डिसेंट (gradient descent) नामक एक विधि का उपयोग किया (त्रुटियों को कम करने के लिए नॉब्स को ट्यून करने का एक तरीका) जिससे नेटवर्क को प्रशिक्षित किया गया।

उन्होंने इसका परीक्षण कैसे किया?

चूंकि एक पूर्ण, विशाल क्वांटम कंप्यूटर बनाना कठिन है, इसलिए लेखकों ने एक चतुर तरकीब का इस्तेमाल किया। उन्होंने नेटवर्क को एक विशिष्ट प्रकार के क्वांटम गेट तक सीमित कर दिया जिसे मैचगेट (Matchgate) कहा जाता है। इसे एक विशिष्ट, सरल सेट के औजारों के रूप में समझें जो शक्तिशाली तो हैं लेकिन उन्हें एक रेगुलर सुपरकंप्यूटर पर सिम्युलेट किया जा सकता है ताकि अवधारणा काम करती है यह साबित किया जा सके।

उन्होंने इस "अनुकूलनशील शेफ" का तीन बहुत अलग कार्यों पर परीक्षण किया:

सबसे निचली घाटी को खोजना (ऑप्टिमाइज़ेशन): उन्होंने नेटवर्क को एक बहुत ही ऊबड़-खाबड़, भ्रमित करने वाले परिदृश्य (जैसे कई नकली घाटियों वाले पर्वत श्रृंखला के सबसे निचले बिंदु को खोजने जैसा) के नीचे जाने के लिए कहा। MINN ने ऊबड़-खाबड़ रास्तों को सफलतापूर्वक पार किया और वास्तविक निचले स्तर को खोज निकाला।
अंकों को पहचानना (इमेज क्लासिफिकेशन): उन्होंने इसमें हस्तलिखित नंबरों की तस्वीरें (जैसे प्रसिद्ध MNIST डेटासेट) डालीं। नेटवर्क ने उच्च सटीकता के साथ एक "3" और "8" के बीच अंतर करना सीखा, भले ही उन्होंने रैंडम तरीके से कुछ मापन को "बंद" कर दिया हो (जैसा कि मनुष्य विकर्षणों को अनदेखा करते हैं)।
स्पिन ग्लास को हल करना (फिजिक्स पहेली): उन्होंने इसे एक जटिल चुंबकीय प्रणाली (शेरिंगटन-केएल मॉडल) की सबसे स्थिर व्यवस्था खोजने के लिए कहा। यह एक अत्यंत कठिन भौतिकी समस्या है। MINN ने सटीक उत्तर के बहुत करीब समाधान खोज निकाला।

निष्कर्ष

लेखकों ने एक नए प्रकार के क्वांटम मस्तिष्क का निर्माण किया है। एक निश्चित प्रोग्राम चलाने के बजाय, यह नेटवर्क अपनी प्रगति को सुनता है और मौके पर अपनी रणनीति बदलता है।

उपमा: यह एक ऐसे रोबोट के बीच का अंतर है जो अंधे होकर नक्शे का पालन करता है और एक ऐसे हाइकर के बीच का अंतर जो इलाके को देखता है, एक ढलान देखता है, और एक अलग रास्ता चुनने का निर्णय लेता है।
भविष्य: हालांकि उन्होंने इस अध्ययन के लिए एक सरलीकृत संस्करण का उपयोग किया, लक्ष्य इसे वास्तविक क्वांटम हार्डवेयर पर बनाना है। यदि सफल रहे, तो ये नेटवर्क चिकित्सा, सामग्री विज्ञान और क्रिप्टोग्राफी में उन समस्याओं को हल कर सकते हैं जो वर्तमान में पहुंच से बाहर हैं।

संक्षेप में, उन्होंने क्वांटम कंप्यूटरों को "मौके पर सोचने" का एक तरीका दिया है, जिससे वे प्रकृति में देखी जाने वाली लचीली, शक्तिशाली बुद्धिमत्ता के बहुत करीब आ गए हैं।

यहाँ "मेज़रमेंट-इंड्यूस्ड क्वांटम न्यूरल नेटवर्क" (MINN) के शोध पत्र का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

वर्तमान क्वांटम न्यूरल नेटवर्क (QNNs) आमतौर पर वेरिएशनल क्वांटम सर्किटों पर निर्भर करते हैं जहाँ क्वबिट्स न्यूरॉन्स के रूप में कार्य करते हैं और यूनिटरी ट्रांसफॉर्मेशन हिडन लेयर्स के रूप में कार्य करते हैं। हालाँकि, इन आर्किटेक्चरों को दो मौलिक सीमाओं का सामना करना पड़ता है:

आंतरिक नॉनिलियैरिटी (Nonlinearity) का अभाव: मानक यूनिटरी इवोल्यूशन रैखिक (linear) होता है। क्लासिकल न्यूरल नेटवर्क यूनिवर्सल एप्रोक्सिमेशन और जटिल फीचर एक्सट्रैक्शन प्राप्त करने के लिए नॉनलीनियर एक्टिवेशन फंक्शन्स पर निर्भर करते हैं। QNNs में, नॉनिलियैरिटी आमतौर पर केवल अंतिम मेजरमेंट स्टेज पर ही पेश की जाती है, जिससे "हिडन लेयर्स" रैखिक रह जाती हैं और उनकी एक्सप्रेसिव कैपेसिटी सीमित हो सकती है।
सिमुलेबिलिटी बनाम जटिलता (Simulability vs. Complexity): जबकि जेनेरिक क्वांटम सर्किट को क्लासिकली सिम्युलेट करना कठिन है, उन्हें वर्तमान हार्डवेयर पर शोर (noise) और "बैरेन प्लेटो" (vanishing gradients) की समस्या के कारण प्रशिक्षित करना कठिन है। इसके विपरीत, जो सर्किट क्लासिकली सिमुलेबल होते हैं, उनमें अक्सर क्वांटम एडवांटेज के लिए आवश्यक जटिलता की कमी होती है।

लेखक एक ऐसा QNN आर्किटेक्चर पेश करके इस अंतर को पाटने का लक्ष्य रखते हैं जो मेजरमेंट बैक-एक्शन (measurement back-action) के माध्यम से स्वाभाविक रूप से हिडन-लेयर नॉनिलियैरिटी को शामिल करता है, जबकि यह ट्रेन करने योग्य और विशिष्ट मामलों में क्लासिकली सिमुलेबल भी बना रहता है।

2. कार्यप्रणाली: मेज़रमेंट-इंड्यूस्ड न्यूरल नेटवर्क (MINN)

MINN एक एडेप्टिव, मॉनिटर्ड-सर्किट आर्किटेक्चर है जो मेजरमेंट-इंड्यूस्ड फेज ट्रांजिशन (MIPT) से प्रेरित है। मानक मॉनिटर्ड सर्किटों के विपरीत जहाँ गेट्स रैंडम होते हैं, MINN गेट्स पैरामीटराइज्ड और वेरिएशनल होते हैं।

मुख्य आर्किटेक्चर (Core Architecture)

संरचना: सर्किट को एक (1+1)-D स्पेसटाइम लैटिस पर "ब्रिक-वॉल" ज्योमेट्री (अल्टरनेटिंग ईवन-ऑड बॉन्ड्स) के साथ परिभाषित किया गया है।
एडेप्टिव फीड-फॉरवर्ड: इसकी मुख्य विशेषता यह है कि लेयर $l$ $l$ में मिड-सर्किट मेजरमेंट आउटकम्स, लेयर $l+1$ $l + 1$ के यूनिटरी गेट्स के रोटेशन एंगल्स (पैरामीटर्स) को निर्धारित करते हैं।
- मेजरमेंट रिकॉर्ड: $\tau = (\mu_1, \mu_2, \dots, \mu_L)$ ।
- पैरामीटर जनरेशन: $\theta_l = \frac{\pi}{2} (1 - \phi_a(W_{l-1}\mu_{l-1} + b_{l-1}))$ ।
- यहाँ, $W$ और $b$ ट्रेन करने योग्य वेट्स और बायस हैं, और $\phi_a$ एक नॉनलीनियर एक्टिवेशन फंक्शन (एक स्मूथ साइन फंक्शन) है।
नॉनिलियैरिटी का स्रोत: नॉनिलियैरिटी मेजरमेंट बैक-एक्शन से उत्पन्न होती है। मेजरमेंट आउटकम के आधार पर स्टेट कोलैप्स (collapse) होती है, और यह कोलैप्स्ड स्टेट बाद के यूनिटरी इवोल्यूशन को निर्देशित करती है, जिससे एक हिस्ट्री-डिपेंडेंट, नॉनलीनियर डायनेमिक बनता है।

सिमुलेशन और ट्रेनिंग रणनीति

क्लासिकल सिमुलेशन और ग्रेडिएंट-आधारित ट्रेनिंग को सक्षम करने के लिए, लेखक डायनेमिक्स को $SU(4)$ के मैचगेट (Matchgate) सबग्रुप तक सीमित रखते हैं।

मैचगेट्स (Matchgates): ये क्वाड्रेटिक फर्मिओनिक अल्जेब्रा (जॉर्डन-विग्नर ट्रांसफॉर्मेशन के माध्यम से) के अनुरूप होते हैं। मैचगेट्स और पॉली-Z मेजरमेंट्स से बने सर्किटों को एक $2N \times 2N$ कोवेरिएंस मैट्रिक्स (Gaussian fermionic state के) के इवोल्यूशन को ट्रैक करके क्लासिकली पॉलीनोमियल टाइम में सिम्युलेट किया जा सकता है।
ट्रेनिंग एल्गोरिदम:
- उद्देश्य (Objective): मेजरमेंट ट्राजेक्टरीज $p_W(\tau)$ के वितरण पर अपेक्षित कॉस्ट फंक्शन $C(\tau)$ को मिनिमाइज करना।
- ग्रेडिएंट एस्टिमेटर: चूंकि कॉस्ट स्टोकेस्टिक ट्राजेक्टरीज पर निर्भर करती है, लेखक REINFORCE एल्गोरिदम (पॉलिसी ग्रेडिएंट) का उपयोग करते हैं।
- स्कोर कैलकुलेशन: ग्रेडिएंट का अनुमान स्कोर फंक्शन $S_W(\tau) = \nabla_W \log p_W(\tau)$ का उपयोग करके लगाया जाता है। वेरिएंस को कम करने के लिए, एक प्रति-पैरामीटर बेसलाइन को घटाया जाता है।
- बैकप्रोपैगेशन: स्कोर को कुशलतापूर्वक गणना करने के लिए एक विशेष बैकप्रोपैगेशन एल्गोरिदम (Appendix B) निकाला गया है, जो कोवेरिएंस मैट्रिसेस और पैरामीटर्स के सापेक्ष लॉग-लाइकलीहुड को डिफरेंशिएट करता है।

3. मुख्य योगदान (Key Contributions)

नया आर्किटेक्चर: MINN का परिचय, जो हिडन-लेयर डायनेमिक्स को शुद्ध यूनिटरी इवोल्यूशन से बढ़ाकर ओपन क्वांटम सिस्टम डायनेमिक्स में ले जाता है, जो मेजरमेंट बैक-एक्शन के माध्यम से एक प्राकृतिक हिडन-लेयर नॉनिलियैरिटी प्रदान करता है।
सिमुलेशन और लर्निंग को जोड़ना: एक मैचगेट MINN का विकास जो (फर्मिओनिक गॉसियन स्टेट्स के माध्यम से) सटीक क्लासिकल सिमुलेशन की अनुमति देता है, जबकि एक जेनेरिक MINN की एडेप्टिव, नॉनलीनियर संरचना को बनाए रखता है। यह पूर्ण-स्तरीय क्वांटम हार्डवेयर की आवश्यकता के बिना कठोर बेंचमार्किंग की अनुमति देता है।
कुशल ट्रेनिंग फ्रेमवर्क: मेजरमेंट-इंड्यूस्ड सर्किटों के लिए विशेष रूप से तैयार किया गया एक कुशल ग्रेडिएंट एस्टिमेटर और बैकप्रोपैगेशन स्कीम विकसित करना, जो क्वांटम सेटिंग्स में REINFORCE एस्टिमेटर्स के साथ जुड़ी उच्च वेरिएंस की समस्या को दूर करता है।
व्यवहार्यता का प्रदर्शन: तीन अलग-अलग प्रॉब्लम क्लासेस पर इस आर्किटेक्चर का सफल अनुप्रयोग, जो यह सिद्ध करता है कि मेजरमेंट-इंड्यूस्ड डायनेमिक्स को प्रभावी ढंग से प्रशिक्षित किया जा सकता है।

4. परिणाम (Results)

लेखकों ने तीन बेंचमार्क कार्यों पर मैचगेट MINN का परीक्षण किया:

कंटीन्यूअस ऑप्टिमाइजेशन (Lévy और Ackley फंक्शन्स):
- नेटवर्क ने कई लोकल मिनिमा वाले जटिल, रग्ड (rugged) कॉस्ट फंक्शन्स को सफलतापूर्वक मिनिमाइज किया।
- ट्राजेक्टरीज 2D और 10D सेटिंग्स में ग्लोबल मिनिमा की ओर अभिसरित (converge) हुईं।
- मेजरमेंट प्रोबेबिलिटी $p$ एक ट्यून करने योग्य पैरामीटर के रूप में कार्य करती है; प्रदर्शन $p$ की एक विस्तृत रेंज में मजबूत रहा।
इमेज क्लासिफिकेशन (MNIST):
- नेटवर्क को क्रॉस-एन्ट्रॉपी लॉस का उपयोग करके 5,000 छवियों (28x28 पिक्सेल) पर प्रशिक्षित किया गया।
- मुख्य निष्कर्ष: नेटवर्क ने महत्वपूर्ण मेजरमेंट रेट ( $p < 1$ ) के साथ भी उच्च वैलिडेशन एक्यूरेसी प्राप्त की।
- ड्रॉपआउट एनालॉजी: परिणाम बताते हैं कि मेजरमेंट क्लासिकल नेटवर्क में "ड्रॉपआउट" के समान कार्य करता है, जो सीखे गए रिप्रेजेंटेशन में रेडंडेंसी को उजागर करता है। प्रदर्शन $p \approx 0.1$ तक महत्वपूर्ण रूप से कम नहीं हुआ।
ग्राउंड-स्टेट सर्च (Sherrington-Kirkpatrick Spin Glass):
- नेटवर्क को SK स्पिन ग्लास (एक NP-hard समस्या) के ग्राउंड स्टेट को खोजने का कार्य दिया गया।
- नेटवर्क ने आउटपुट नोड्स को स्पिन कॉन्फ़िगरेशन के लिए प्रोबेबिलिटीज के रूप में इंटरप्रेट किया।
- प्रदर्शन: अनुमानित ग्राउंड-स्टेट एनर्जी ट्रेनिंग के दौरान सुचारू रूप से अभिसरित हुई, जो मिक्सड-इंटीजर लीनियर प्रोग्रामिंग द्वारा प्राप्त सटीक समाधान के करीब पहुँच गई।
- यह मेटास्टेबल स्टेट्स से भरे रग्ड फ्री-एनर्जी लैंडस्केप्स में नेविगेट करने की MINN की क्षमता को प्रदर्शित करता है।

5. महत्व और भविष्य की संभावनाएं (Significance and Future Outlook)

सैद्धांतिक अंतर्दृष्टि: यह कार्य इस धारणा को चुनौती देता है कि प्रभावी होने के लिए QNNs को पूरी तरह से यूनिटरी होना चाहिए। यह प्रदर्शित करता है कि मेजरमेंट-इंड्यूस्ड नॉनिलियैरिटी एक व्यवहार्य और शक्तिशाली संसाधन है।
NISQ प्रासंगिकता: हालांकि वर्तमान अध्ययन ने क्लासिकली सिमुलेबल मैचगेट्स का उपयोग किया, लेकिन आर्किटेक्चर को नॉइजी इंटरमीडिएट-स्केल क्वांटम (NISQ) डिवाइसेस पर कार्यान्वयन के लिए डिज़ाइन किया गया है। लेखक नोट करते हैं कि जेनेरिक MINNs (पूर्ण $SU(4)$ का उपयोग करते हुए) क्लासिकली सिमुलेबल नहीं हैं, जो क्वांटम एडवांटेज की ओर एक मार्ग सुझाता है।
भविष्य की दिशाएं:
- वास्तविक क्वांटम हार्डवेयर पर पूर्ण $SU(4)$ गेट्स के साथ डीप MINNs को लागू करना।
- यह जांचना कि क्या मेजरमेंट-इंड्यूस्ड डायनेमिक्स उस बैरेन प्लेटो समस्या (लुप्त होते ग्रेडिएंट्स) को कम कर सकते हैं जो मानक वेरिएशनल क्वांटम सर्किटों को प्रभावित करती है। लेखक परिकल्पना करते हैं कि उच्च मेजरमेंट रेट्स घातीय ग्रेडिएंट क्षय (exponential gradient decay) को रोक सकते हैं, हालांकि इसके लिए एक्सप्रेसिविटी के साथ समझौता करना पड़ सकता है।
- जेनेरिक क्वांटम सर्किटों में उच्च वेरिएंस को संभालने के लिए REINFORCE से परे अधिक कुशल ट्रेनिंग विधियों का विकास करना।

संक्षेप में, यह शोध पत्र हिडन लेयर्स में मेजरमेंट बैक-एक्शन को सीधे एकीकृत करके QNN डिज़ाइन में एक पैराडाइम शिफ्ट का प्रस्ताव करता है, जिससे एक ट्रेन करने योग्य, नॉनलीनियर आर्किटेक्चर बनता है जो जटिल अनुकूलन और लर्निंग समस्याओं को हल करने की आशा जगाता है।