⚛️ quantum physics

Reaching states below the threshold energy in spin glasses via quantum annealing

यह शोध पत्र प्रदर्शित करता है कि क्वांटम एनीलिंग गोलाकार $p$ -स्पिन ग्लास मॉडल के भीतर सब-थ्रेशोल्ड ऊर्जा अवस्थाओं को $O(1)$ समय में कुशलतापूर्वक खोज सकती है, जो क्लासिकल सिम्युलेटेड एनीलिंग की तुलना में अवशेष ऊर्जा क्षय दर को दोगुना तेज़ प्राप्त करती है और परिमित-आकार के प्रभावों (finite-size effects) से मुक्त रहती है।

मूल लेखक: Christopher L. Baldwin

प्रकाशित 2026-03-26

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Christopher L. Baldwin

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

एक व्यापक दृष्टिकोण: कोहरे से भरी पर्वत श्रृंखला में सबसे निचली घाटी की खोज

कल्पना कीजिए कि आप एक विशाल, कोहरे से भरी पर्वत श्रृंखला में सबसे निचले बिंदु (जिसे "ग्राउंड स्टेट" कहा जाता है) को खोजने की कोशिश कर रहे हैं। यह श्रृंखला पहाड़ियों, घाटियों और छिपी हुई गुफाओं से भरी है। कंप्यूटर वैज्ञानिक इसे एक ऑप्टिमाइज़ेशन समस्या (optimization problem) कहते हैं।

लक्ष्य: सबसे गहरी घाटी खोजना।
समस्या: यह परिदृश्य "ऊबड़-खाबड़" (rugged) है। यहाँ हजारों छोटी ढलानें (लोकल मिनिमा) हैं जो देखने में तो तल जैसी लगती हैं, लेकिन वे असली तल नहीं हैं। यदि आप बस एक गेंद को नीचे लुढ़काते हैं, तो वह पहले छोटे गड्ढे में ही फंस जाएगी।

लंबे समय तक वैज्ञानिकों का मानना था कि क्वांटम एनीलिंग (QA)—क्वांटम भौतिकी का उपयोग करके इन समस्याओं को हल करने की एक विधि—केवल पूर्णतः सबसे गहरी घाटी खोजने के लिए अच्छी है, लेकिन केवल तभी जब आपके पास अनंत समय हो। चूंकि हमारे पास अनंत समय नहीं है, इसलिए कई लोगों ने सोचा कि "पर्याप्त अच्छे" समाधानों (यानी, भले ही वह सबसे निचली न हो, पर एक कम ऊँचाई वाली घाटी खोजने) के लिए QA बेकार है।

यह शोध पत्र कहता है: "ठहरिए! QA वास्तव में बहुत तेज़ी से निचली घाटियाँ खोजने में अद्भुत है, यहाँ तक कि सर्वोत्तम शास्त्रीय (classical) तरीकों से भी बेहतर।"

हमारी कहानी के पात्र

पर्वत श्रृंखला (द स्पिन ग्लास):
इस समस्या को एक विशाल, जटिल ऊर्जा परिदृश्य के रूप में सोचें। भौतिकी में, इसे "स्पिन ग्लास" कहा जाता है। यह एक ऐसी जगह है जहाँ नियम अराजक हैं, और यहाँ अरबों "जाल" (लोकल मिनिमा) हैं जहाँ आप फंस सकते हैं।
हाइकर/पदयात्री (सिमुलेटेड एनीलिंग - SA):
यह पुराना तरीका है। कल्पना कीजिए कि एक हाइकर पहाड़ से नीचे उतर रहा है।

यह कैसे काम करता है: वे ढलान की ओर कदम बढ़ाते हैं। कभी-कभी, छोटे गड्ढे में फंसने से बचने के लिए, उन्हें कुछ कदम ऊपर जाने की अनुमति होती है (जैसे किसी कोने से कंचे को बाहर निकालने के लिए डिब्बे को हिलाना)।
सीमा: अंततः हाइकर थक जाता है और डिब्बा हिलाना बंद कर देता है। वह एक "थ्रेशोल्ड" (सीमा) घाटी में फंस जाता है। वह बाहर नहीं निकल पाता क्योंकि दीवारें बहुत ऊँची हैं, और उसके पास दीवारों के ऊपर चढ़ने के लिए पर्याप्त समय नहीं है।

भूत (क्वांटम एनीलिंग - QA):
यह नया तरीका है। एक हाइकर के बजाय, एक भूत या पानी की लहर की कल्पना करें।

यह कैसे काम करता है: क्वांटम मैकेनिक्स के कारण, यह "भूत" दीवारों के पार (tunneling) निकल सकता है। उसे पहाड़ी के ऊपर से चढ़ने की ज़रूरत नहीं है; वह दूसरी ओर की निचली घाटी तक पहुँचने के लिए बस उसके आर-पार निकल सकता है।
पुराना विश्वास: वैज्ञानिकों का मानना था कि भूत भी अंततः हाइकर की तरह ही उसी "थ्रेशोल्ड" घाटी में फंस जाएगा, बिल्कुल सबकी तरह।

"थ्रेशोल्ड" ऊर्जा:
इसे पर्वत पर एक विशिष्ट ऊंचाई रेखा के रूप में समझें। पुराने सिद्धांत ने कहा था: "आप चाहे जो भी करें, बिना अनंत काल इंतज़ार किए आप इस रेखा से नीचे नहीं जा सकते।"

खोज: भूत अधिक गहराई तक, अधिक तेज़ी से जा सकता है

लेखक, क्रिस्टोफर बाल्डविन ने एक विशिष्ट प्रकार की पर्वत श्रृंखला (जिसे स्फेरिकल p-स्पिन मॉडल कहा जाता है) का उपयोग करके एक सिमुलेशन चलाया। उन्होंने हाइकर (SA) और भूत (QA) की तुलना की।

यहाँ उन्हें क्या मिला:

1. "मिक्स्ड" (मिश्रित) पर्वत श्रृंखला ही कुंजी है

कुछ सरल पर्वत श्रृंखलाओं में, भूत और हाइकर एक ही ऊंचाई पर फंस जाते हैं। लेकिन "मिक्स्ड" श्रृंखलाओं में (जो अधिक वास्तविक और जटिल हैं), भूत कुछ जादुई करता है।

हाइकर ठीक "थ्रेशोल्ड" रेखा पर ही फंस जाता है।
भूत उस रेखा के नीचे फिसलने में सफल होता है, ऐसी घाटियाँ खोज लेता है जिन्हें हाइकर असंभव मानता था।

2. गति की दौड़

यह केवल यह नहीं है कि भूत गहरी घाटी पाता है; यह गति के बारे में है।

कल्पना कीजिए कि हाइकर और भूत दोनों ऊपर से शुरू करते हैं। जैसे-जैसे समय बीतता है, दोनों नीचे आते जाते हैं।
शोध पत्र दिखाता है कि भूत की ऊर्जा (ऊंचाई) हाइकर की तुलना में बहुत तेज़ी से गिरती है।
उपमा: यदि हाइकर एक सीढ़ी से एक-एक कदम करके नीचे उतर रहा है, तो भूत एक वॉटर स्लाइड (water slide) पर फिसल रहा है। भूत बहुत कम समय में गहरे, कम ऊर्जा वाले स्तरों तक पहुँच जाता है।

3. "टू-स्टेज" (दो-चरणीय) तरकीब

शोध पत्र में उल्लेख है कि चतुर हाइकर कभी-कभी "टू-स्टेज" ट्रिक (आगे बढ़ने से पहले एक विशिष्ट तापमान पर विश्राम करना) का उपयोग करके थोड़ा और नीचे जा सकते हैं।

आश्चर्य: भूत को किसी ट्रिक की ज़रूरत ही नहीं है। वह स्वाभाविक रूप से उन गहरी घाटियों को खोज लेता है, और वह यह काम सबसे चतुर हाइकर रणनीतियों की तुलना में दोगुनी तेज़ी से करता है।

यह क्यों मायने रखता है?

1. यह केवल "परफेक्ट" समाधानों के बारे में नहीं है
हम अक्सर सोचते हैं कि क्वांटम कंप्यूटर केवल तभी उपयोगी हैं जब वे परफेक्ट उत्तर खोजते हैं। यह शोध पत्र कहता है: "नहीं! वे बहुत तेज़ी से बहुत अच्छे उत्तर खोजने में भी माहिर हैं।" वास्तविक दुनिया (लॉजिस्टिक्स, वित्त, चिकित्सा) में, 5 मिनट में मिला एक "बहुत अच्छा" समाधान अक्सर उस "परफेक्ट" समाधान से बेहतर होता है जिसे खोजने में 5 साल लगें।

2. कोई "आकार" (Size) की समस्या नहीं
आमतौर पर, जब वैज्ञानिक कंप्यूटर पर इनका परीक्षण करते हैं, तो उन्हें छोटे मॉडल का उपयोग करना पड़ता है क्योंकि बड़े मॉडल बहुत कठिन होते हैं। इस शोध पत्र ने एक "परफेक्ट रूप से अनंत" पर्वत श्रृंखला के लिए उन्नत गणित का उपयोग किया। इसका मतलब है कि परिणाम केवल एक छोटे कंप्यूटर मॉडल का इत्तेफाक नहीं हैं; यह एक मौलिक सत्य है कि इन स्थितियों में क्वांटम भौतिकी कैसे काम करती है।

3. ऑप्टिमाइज़ेशन का भविष्य
यह सुझाव देता है कि क्वांटम एनीलर (वे मशीनें जो आज हमारे पास हैं) व्यावहारिक, वास्तविक दुनिया की समस्याओं के लिए हमारी सोच से कहीं अधिक उपयोगी हो सकते हैं। वे जटिल शेड्यूलिंग या रूटिंग समस्याओं को हमारे वर्तमान सर्वश्रेष्ठ क्लासिकल कंप्यूटरों की तुलना में बहुत तेज़ी से हल कर सकते हैं।

मुख्य निष्कर्ष (The Bottom Line)

ऊर्जा परिदृश्य को एक भूलभुलैया (maze) के रूप में सोचें।

क्लासिकल कंप्यूटर भूलभुलैया में दौड़ने वाले चूहों की तरह हैं। वे अंततः एक डेड एंड (बंद रास्ते) में फंस जाते हैं।
क्वांटम कंप्यूटर भूतों की तरह हैं। वे दीवारों के आर-पार निकल सकते हैं।
शोध पत्र का निष्कर्ष: हमें लगता था कि भूत भी अंततः चूहों वाले ही डेड एंड में फंस जाएंगे। लेकिन यह शोध पत्र सिद्ध करता है कि जटिल भूलभुलैया में, भूत चूहों की तुलना में बहुत तेज़ी से गहरे और अंधेरे कोनों में फिसल सकते हैं।

यह वास्तविक दुनिया में क्वांटम कंप्यूटिंग की क्षमता के लिए एक बड़ी जीत है!

यहाँ क्रिस्टोफर एल. बाल्डविन के शोध पत्र "Reaching states below the threshold energy in spin glasses via quantum annealing" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

क्वांटम एनीलिंग (QA) को पारंपरिक रूप से स्पिन ग्लास जैसे जटिल अनुकूलन (optimization) समस्याओं के सटीक ग्राउंड स्टेट्स (ground states) खोजने के एक तरीके के रूप में अध्ययन किया जाता है। हालाँकि, वर्तमान नॉइज़ी इंटरमीडिएट-स्केल क्वांटम (NISQ) युग में, प्रयोगात्मक एनीलर्स सीमित एनीलिंग समय के कारण बाधित हैं, जिससे सटीक ग्राउंड स्टेट्स की खोज (जिसके लिए अक्सर घातीय समय की आवश्यकता होती है क्योंकि ऊर्जा अंतराल अत्यंत सूक्ष्म होते हैं) अव्यवहारिक हो जाती है।

यह शोध पत्र अनुमानित अनुकूलन (approximate optimization) की समस्या को संबोधित करता है: एक उचित, कम समय सीमा ( $O(1)$ के भीतर, जो सिस्टम आकार $N$ के सापेक्ष है) के भीतर निम्न-ऊर्जा अवस्थाओं (low-energy states) को खोजना (जो आवश्यक रूप से ग्राउंड स्टेट नहीं हैं)।

थ्रेशोल्ड एनर्जी बैरियर (The Threshold Energy Barrier): मीन-फील्ड स्पिन-ग्लास मॉडल्स (विशेष रूप से शुद्ध $p$ -स्पिन मॉडल्स) में, लंबे समय से यह माना जाता रहा है कि ऊर्जा परिदृश्य (energy landscape) के सभी स्थानीय न्यूनतम (local minima) एक विशिष्ट "थ्रेशोल्ड ऊर्जा" ( $\epsilon_{th}$ ) से ऊपर स्थित होते हैं। यह माना जाता था कि क्लासिकल सिम्युलेटेड एनीलिंग (SA) और साधारण क्वेंच (naive quenches) इस थ्रेशोल्ड पर ही फंस जाते हैं, और उप-घातीय (sub-exponential) समय-सीमा में इससे कम ऊर्जा तक पहुँचने में असमर्थ होते हैं।
अंतराल (The Gap): जबकि हाल के कार्यों ने दिखाया है कि क्लासिकल दो-चरणीय (two-stage) क्वेंच "मिश्रित" (mixed) $p$ -स्पिन मॉडल्स में इस थ्रेशोल्ड को पार कर सकते हैं, यह स्पष्ट नहीं था कि क्या QA समान या बेहतर प्रदर्शन प्राप्त करने के लिए कुशलतापूर्वक सब-थ्रेशोल्ड अवस्थाओं तक पहुँच सकता है।

2. कार्यप्रणाली (Methodology)

लेखक थर्मोडायनामिक लिमिट ( $N \to \infty$ ) में स्फेरिकल $p$ -स्पिन मॉडल्स का उपयोग करते हुए एक नियंत्रित विश्लेणात्मक दृष्टिकोण अपनाते हैं। यह दृष्टिकोण उन परिमित-आकार प्रभावों (finite-size effects) से बचता है जो संख्यात्मक सिमुलेशन में सामान्य हैं।

मॉडेल्स:
- शुद्ध मॉडल (Pure Model): $f[Q] = Q^p$ (जैसे, $p=3$ )।
- मिश्रित मॉडल (Mixed Model): $f[Q] = Q^3 + Q^p$ (जैसे, $p=14$ )।
- हैमिल्टनियन (Hamiltonian) में निरंतर चर शामिल हैं जो एक हाइपरस्फीयर ( $\sum \sigma_j^2 = N$ ) द्वारा बाधित हैं।
तुलना किए गए प्रोटोकॉल:
1. सिम्युलेटेड एनीलिंग (SA): इसे एक समय-निर्भर तापमान पैरामीटर $s(t)$ $s (t)$ के साथ लैंग्विन डायनेमिक्स (Langevin dynamics) के माध्यम से मॉडल किया गया है। प्रोटोकॉल में शामिल हैं:
  - नेइव क्वेंच (Naive Quench): तत्काल कूलिंग ( $s(t)=1$ )।
  - दो-चरणीय क्वेंच (Two-Stage Quench): एक मध्यवर्ती तापमान पर थर्मललाइजेशन के बाद कूलिंग।
  - एनील (Anneal): रैखिक कूलिंग शेड्यूल ( $s(t) = t/\tau$ )।
2. क्वांटम एनीलिंग (QA): इसे एक समय-निर्भर हैमिल्टनियन के साथ मॉडल किया गया है जिसमें एक ट्रांसवर्स काइनेटिक टर्म (जो क्वांटम उतार-चढ़ाव के स्रोत के रूप में कार्य करता है) शामिल है। सिस्टम $H(t) = s(t)H_0 + (1-s(t))H_{kinetic}$ के तहत विकसित होता है।
विश्लेणात्मक ढांचा (Analytical Framework):
- लेखक थर्मोडायनामिक लिमिट में सहसंबंध फलन (correlation function) $C(t, t')$ और रिस्पॉन्स फंक्शन (response function) $R(t, t')$ के लिए बंद इंटीग्रो-डिफरेंशियल समीकरण (integro-differential equations) व्युत्पन्न करते हैं।
- QA के लिए, क्वांटम समीकरणों के गति के नियम निकालने के लिए केल्डिश पाथ-इंटिग्रल फॉर्मलिज्म (Keldysh path-integral formalism) का उपयोग किया जाता है।
- इन समीकरणों को रनटाइम $\tau$ के अंत में औसत ऊर्जा घनत्व $\epsilon(\tau)$ की गणना करने के लिए संख्यात्मक रूप से हल किया जाता है।

3. मुख्य योगदान (Key Contributions)

सब-थ्रेशोल्ड एक्सेस का विश्लेणात्मक प्रमाण: यह शोध पत्र सिद्ध करता है कि QA मिश्रित $p$ -स्पिन मॉडल्स में ऊर्जा अवस्थाओं को थ्रेशोल्ड ऊर्जा $\epsilon_{th}$ से नीचे पहुँचा सकता है, जो कि पहले केवल विशिष्ट क्लासिकल प्रोटोकॉल के लिए दिखाया गया था।
मिश्रित मॉडल्स में श्रेष्ठ स्केलिंग: यह अध्ययन प्रकट करता है कि मिश्रित मॉडल्स में, QA न केवल सर्वोत्तम क्लासिकल प्रोटोकॉल के समान निम्न-ऊर्जा मान तक पहुँचता है, बल्कि यह काफी तेज़ अभिसरण दर (convergence rate) के साथ ऐसा करता है।
परिमाण-आकार स्वतंत्रता (Finite-Size Independence): सटीक इंटीग्रो-डिफेंशियल समीकरणों के साथ $N \to \infty$ की सीमा में काम करके, परिणाम परिमित-आकार प्रभावों से मुक्त हैं, जो QA के संख्यात्मक अध्ययनों में अक्सर गायब रहने वाले एक कठोर सैद्धांतिक आधार प्रदान करते हैं।
तंत्र संबंधी अंतर्दृष्टि (Mechanism Insight): शोध पत्र यह अनुमान लगाता है कि QA का लाभ इसके हैमिल्टनियन डायनेमिक्स से आता है, जो स्पष्ट रूप से स्थानीय ऊर्जा ग्रेडिएंट (SA के विपरीत) का पालन नहीं करता है, जिससे यह ऊर्जा परिदृश्य के संकीर्ण, उच्च- $p$ "स्पाइक्स" (spikes) को पार कर पाता है जिनमें क्लासिकल डिसेंट विधियाँ फंस जाती हैं।

4. मुख्य परिणाम (Key Results)

शुद्ध मॉडल ( $f[Q] = Q^3$ ):
- QA, SA की तुलना में खराब प्रदर्शन करता है।
- QA और SA दोनों थ्रेशोल्ड ऊर्जा $\epsilon_{th}$ पर फंस जाते हैं।
- QA का अभिसरण SA ( $\alpha_{SA} \approx 0.66$ ) की तुलना में धीमा है ( $\alpha_{QA} \approx 0.51$ ), जहाँ अवशिष्ट ऊर्जा (residual energy) $\tau^{-\alpha}$ के रूप में घटती है।
मिश्रित मॉडल ( $f[Q] = Q^3 + Q^{14}$ ):
- थ्रेशोल्ड ब्रेकिंग: QA और इष्टतम क्लासिकल दो-चरणीय क्वेंच दोनों सफलतापूर्वक $\epsilon_{th}$ से काफी नीचे की ऊर्जा तक पहुँचते हैं।
- अभिसरण गति (Convergence Speed): QA, SA की तुलना में अवशिष्ट ऊर्जा के बहुत तेज़ पावर-लॉ डिके (power-law decay) को प्रदर्शित करता है।
  - QA घातांक (exponent): $\alpha_{QA} \approx 0.54$ ।
  - क्लासिकल एनील घातांक: $\alpha_{SA} \approx 0.28$ ।
  - दो-चरणीय क्वेंच घातांक: $\alpha_{SA} \approx 0.30$ ।
- $p$ पर निर्भरता: जैसे-जैसे इंटरेक्शन ऑर्डर $p$ बढ़ता है (जो ऊर्जा परिदृश्य को अधिक "स्पाइकी" बनाता है), प्रदर्शन का अंतर बढ़ जाता है। $p=14$ के लिए, QA घातांक SA घातांक से लगभग दोगुना बड़ा है, जिसका अर्थ है कि QA बहुत तेज़ी से निम्न-ऊर्जा अवस्थाओं तक पहुँचता है।
स्केलिंग लॉ (Scaling Law):
एसिम्प्टोटिक मान के ऊपर अवशिष्ट ऊर्जा इस प्रकार घटती है:
$\epsilon(\tau) - \epsilon_{\infty} \propto \tau^{-\alpha}$
मिश्रित मॉडल्स में, $\alpha_{QA} \approx 2 \times \alpha_{SA}$ , जो परीक्षण किए गए विशिष्ट मिश्रित मॉडल्स के लिए अभिसरण गति में द्विघातीय (quadratic) लाभ को दर्शाता है।

5. महत्व और निहितार्थ (Significance and Implications)

व्यावहारिक क्वांटम लाभ: परिणाम बताते हैं कि भले ही QA कम समय में सटीक ग्राउंड स्टेट न खोज सके, फिर भी यह विशिष्ट कठिन समस्याओं (मिश्रित स्पिन ग्लास) में अनुमानित अनुकूलन के लिए एक वास्तविक लाभ प्रदान करता है। यह क्लासिकल सिम्युलेटेड एनीलिंग की तुलना में काफी तेज़ी से "पर्याप्त अच्छे" समाधान खोज सकता है।
सैद्धांतिक आधार: यह कार्य अनुमानित अनुकूलन के लिए उपयोग करने हेतु एक कठोर, परिमित-आकार-मुक्त सैद्धांतिक आधार प्रदान करता है, जो ह्यूरिस्टिक तर्कों से आगे जाता है।
कार्य करने का तंत्र: निष्कर्ष इस धारणा को चुनौती देते हैं कि QA का लाभ केवल बाधाओं के माध्यम से क्वांटम टनलिंग के कारण है। इसके बजाय, लाभ इसके हैमिल्टनियन स्वभाव से उत्पन्न हो सकता है, जो इसे उन स्थानीय ट्रैप्स से बचने की अनुमति देता है जिनसे क्लासिकल ग्रेडिएंट-आधारित विधियाँ (जैसे SA) नहीं बच सकतीं।
भविष्य की दिशाएँ: शोध पत्र अधिक परिष्कृत क्लासिकल एल्गोरिदम (जैसे विश्वास प्रसार/belief propagation) के विरुद्ध QA की तुलना करने और अधिक प्रासंगिक इस्िंग (Ising) वर्ज़न्स की जांच करने की आवश्यकता पर प्रकाश डालता है। यह यह प्रश्न भी उठाता है कि क्या लाभ विशुद्ध रूप से क्वांटम (टनलिंग) है या क्लासिकल (हैमिल्टनियन डायनेमिक्स), जो यह सुझाव देता है कि क्लासिकल हैमिल्टनियन-आधारित विधियाँ भी अच्छा प्रदर्शन कर सकती हैं।

संक्षेप में, यह शोध पत्र स्थापित करता है कि क्वांटम एनीलिंग जटिल, ऊबड़-खाबड़ ऊर्जा परिदृश्यों में अनुमानित अनुकूलन के लिए एक शक्तिशाली उपकरण है, जो मिश्रित $p$ -स्पिन मॉडल्स में ऊर्जा अवस्थाओं की गहराई और अभिसरण की गति दोनों में क्लासिकल एनीलिंग से बेहतर प्रदर्शन करने में सक्षम है।