⚛️ quantum physics

Multivariate quantum reservoir computing with discrete and continuous variable systems

यह शोध पत्र डिस्क्रीट (discrete) और कंटीन्यूअस-वेरिएबल (continuous-variable) प्रणालियों में तीन एनकोडिंग स्कीम्स का प्रस्ताव और मूल्यांकन करके मल्टीवेरिएट क्वांटम रिज़र्वोयर कंप्यूटिंग के लिए एक व्यापक ढांचा स्थापित करता है, यह प्रदर्शित करते हुए कि इष्टतम प्रदर्शन कार्य-विशिष्ट इनपुट डिज़ाइन पर निर्भर करता है और गैर-शास्त्रीय क्वांटम प्रभावों द्वारा संवर्धित होता है।

मूल लेखक: Tobias Fellner, Jonas Merklinger, Christian Holm

प्रकाशित 2026-04-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Tobias Fellner, Jonas Merklinger, Christian Holm

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 सुपर-स्मार्ट, लेकिन थोड़े अराजक (chaotic) सहायक को डेटा की विभिन्न धाराओं (data streams) के आधार पर भविष्य बताने के लिए प्रशिक्षित करने की कोशिश कर रहे हैं। शायद आप शेयर बाजार, मौसम और अपनी हृदय गति, इन सबको एक साथ ट्रैक कर रहे हैं। यह मल्टीवेरिएट टाइम सीरीज़ (multivariate time-series) की चुनौती है: एक ही समय में कई बदलते हुए नंबरों से निपटना।

यह शोध पत्र इस बारे में है कि कैसे एक नए प्रकार के "सहायक" को, जो क्वांटम मैकेनिक्स (सूक्ष्म कणों का अजीब भौतिक विज्ञान) से बना है, इस जटिल, बहु-धारा वाले डेटा को संभालने के लिए प्रशिक्षित किया जाए।

यहाँ उन्होंने क्या किया है, इसका विवरण दिया गया है, जिसमें रोजमर्रा के उपमाओं (analogies) का उपयोग किया गया है।

1. समस्या: "एक ही धुन वाला दिमाग" बनाम "स्विस आर्मी नाइफ"

अब तक, इस कार्य के लिए डिज़ाइन किए गए अधिकांश क्वांटम कंप्यूटर (जिन्हें क्वांटम रिज़र्वोयर कंप्यूटिंग कहा जाता है) एक "एक ही धुन वाले दिमाग" की तरह थे। वे एक अकेली आवाज़ (एक डेटा स्ट्रीम) को सुनने और उसे दोहराने या अगले शब्द की भविष्यवाणी करने में बहुत अच्छे थे। लेकिन वास्तविक दुनिया अव्यवस्थित है; यह एक एकल गायक नहीं, बल्कि एक समूह गान (choir) है। हमें ऐसे सिस्टम की आवश्यकता है जो एक समूह गान को सुन सके, यह समझ सके कि आवाज़ें आपस में कैसे जुड़ती हैं, और फिर उस गीत की भविष्यवाणी कर सके।

शोधकर्ता एक ऐसा क्वांटम "स्विस आर्मी नाइफ" बनाना चाहते थे जो एक साथ कई आवाजों को प्रोसेस कर सके।

2. सेटअप: दो अलग-अलग प्रकार के क्वांटम किचन

अपने विचारों का परीक्षण करने के लिए, उन्होंने दो अलग-अलग प्रकार के क्वांटम "किचन" (रिज़र्वोयर्स) बनाए जहाँ डेटा को "पकाया" जाता है:

डिस्क्रीट किचन (DV - Discrete Kitchen): कल्पना कीजिए कि एक किचन है जिसमें लाइट स्विच की एक निश्चित संख्या है (qubits)। वे या तो चालू (ON) होते हैं या बंद (OFF)। यह एक डिजिटल कंप्यूटर की तरह है लेकिन क्वांटम नियमों के साथ।
कंटीन्यूअस किचन (CV - Continuous Kitchen): कल्पना कीजिए कि एक किचन है जिसमें झूलते हुए पेंडुलम या स्प्रिंग्स का एक सेट है। वे स्मूथली और निरंतर रूप से चल सकते हैं, केवल चरणों (steps) में नहीं। यह एक एनालॉग कंप्यूटर की तरह है।

3. चुनौती: सूप कैसे डालें? (एनकोडिंग)

आपके पास तीन सामग्रियों (तीन डेटा स्ट्रीम) वाला एक सूप का कटोरा है। आप इस सूप को अपने किचन में कैसे डालेंगे ताकि शेफ (क्वांटम सिस्टम) इसका स्वाद ले सके और इसे समझ सके? उन्होंने तीन अलग-अलग डालने के तरीकों का परीक्षण किया:

लोकल पॉरिंग (Local Pouring): आप सामग्री A को बर्तन 1 में डालते हैं, सामग्री B को बर्तन 2 में, और सामग्री C को बर्तन 3 में। वे अलग रहते हैं।
क्लस्टर्ड पॉरिंग (Clustered Pouring): आप सामग्री A को तीन बर्तनों के एक समूह में डालते हैं, सामग्री B को तीन बर्तनों के दूसरे समूह में, इत्यादि। आप उन्हें समूहों के भीतर थोड़ा सा मिलाते हैं।
ग्लोबल पॉरिंग (Global Pouring): आप एक विशाल ब्लेंडर लेते हैं, तीनों सामग्रियों को अच्छी तरह से मिलाते हैं, और फिर उस मिश्रित मिश्रण को किचन के हर एक बर्तन में डालते हैं।

4. नया स्कोरकार्ड: "मिक्सिंग कैपेसिटी" (Mixing Capacity)

आप यह कैसे जानेंगे कि शेफ ने वास्तव में सामग्रियों के बीच की परस्पर क्रिया को समझा है या नहीं? लेखकों ने एक नया स्कोर बनाया जिसे मिक्सिंग कैपेसिटी कहा जाता है।

इसे कॉकटेल टेस्ट की तरह समझें। यदि आप शेफ को नींबू, लाइम और चीनी देते हैं, तो क्या वे अनुमान लगा सकते हैं कि "नींबू-लाइम-चीनी" वाला ड्रिंक कैसा होगा?

यदि शेफ केवल नींबू का स्वाद लेता है और बाकी को अनदेखा कर देता है, तो वह विफल हो जाता है।
यदि शेफ नींबू और लाइम को अलग-अलग चखता है लेकिन यह नहीं जानता कि वे कैसे मिलते हैं, तो वह भी विफल हो जाता है।
यदि शेफ उस संयोजन के स्वाद को पूरी तरह से फिर से बनाने में सक्षम है, तो उसकी मिक्सिंग कैपेसिटी उच्च है।

5. बड़ी खोजें

A. एक ही तरीका सबके लिए सही नहीं होता
शोधकर्ताओं ने पाया कि "सूप डालने का सबसे अच्छा तरीका" पूरी तरह से इस बात पर निर्भर करता है कि आप कौन सा किचन इस्तेमाल कर रहे हैं।

डिस्क्रीट किचन (लाइट स्विच) में, ग्लोबल पॉरिंग (सब कुछ पहले मिला लेना) सबसे अच्छा काम करता है। स्विचों को डेटा के पूरी तरह से मिश्रित होने की आवश्यकता थी ताकि वे उसे प्रोसेस कर सकें।
कंटीन्यूअस किचन (पेंडुलम) में, लोकल पॉरिंग (उन्हें अलग रखना) वास्तव में बेहतर काम करता है। पेंडुलम इतने अच्छे थे कि वे स्वाभाविक रूप से चीजों को मिला देते थे, इसलिए आपको डेटा को पहले से मिलाने की आवश्यकता नहीं थी।

निष्कर्ष: आप केवल एक रणनीति को कॉपी-पेस्ट नहीं कर सकते। आपको अपने मशीन के विशिष्ट आधार पर अपना इनपुट डिज़ाइन करना होगा।

B. "जादुई" क्वांटम विचित्रता (Quantum Weirdness)
सबसे रोमांचक हिस्सा? उन्होंने पाया कि सिस्टम तब सबसे अच्छा काम करता था जब वह "अजीब रूप से क्वांटम" हो रहा था।

लाइट-स्विच किचन में, सिस्टम तब सबसे अच्छा प्रदर्शन करता था जब स्विच एंटैंगल्ड (entangled) थे (एक स्पूकी कनेक्शन जहाँ वे एक इकाई के रूप में कार्य करते हैं, भले ही वे दूर हों)।
पेंडुलम किचन में, यह तब सबसे अच्छा काम करता था जब पेंडुलम स्क्वीज्ड (squeezed) थे (एक ऐसी स्थिति जहाँ उनकी गति एक तरीके से अत्यंत सटीक और दूसरे तरीके से धुंधली होती है)।

यह पता चला कि ये "क्वांटम सुपरपावर्स" केवल कूल फिजिक्स ट्रिक्स नहीं हैं; वे वास्तव में वह गुप्त सामग्री (secret sauce) हैं जो कंप्यूटर को सामान्य कंप्यूटर की तुलना में विभिन्न डेटा स्ट्रीम को अधिक प्रभावी ढंग से मिलाने में मदद करती हैं।

C. अराजकता (Chaos) की भविष्यवाणी करना
यह साबित करने के लिए कि यह काम करता है, उन्होंने लोरेंज-63 सिस्टम (Lorenz-63 system) (एक प्रसिद्ध गणितीय मॉडल जो अराजक मौसम को दर्शाता है) की भविष्यवाणी करने की कोशिश की।

जब उन्होंने सिस्टम को केवल मौसम के एक हिस्से के डेटा से फीड किया, तो यह ठीक-ठाक था।
जब उन्होंने इसे एक साथ तीनों हिस्सों (तापमान, दबाव, हवा) से फीड किया, तो यह बहुत बेहतर हो गया।
"ग्लोबल पॉरिंग" पद्धति ने सिस्टम को अतीत को याद रखने और इस अराजक मौसम पैटर्न के भविष्य की सटीक भविष्यवाणी करने में मदद की।

निचोड़ (The Bottom Line)

यह शोध पत्र भविष्य का एक ब्लूप्रिंट है। यह हमें बताता है कि क्वांटम कंप्यूटरों को वास्तविक दुनिया की समस्याओं (जैसे शेयर बाजार या जलवायु परिवर्तन की भविष्यवाणी करना) के लिए उपयोगी बनाने के लिए, हम केवल उन पर डेटा नहीं फेंक सकते। हमें इस बारे में चतुर होना होगा कि हम डेटा को कैसे अंदर फीड करते हैं।

और सबसे अच्छी खबर? वह "अजीब" क्वांटम चीज़ (एंटैंगलमेंट और स्क्वीजिंग) केवल एक साइड इफेक्ट नहीं है; यह वास्तव में वह इंजन है जो इन मशीनों को जटिल, बहु-आयामी डेटा को संभालने के लिए शक्तिशाली बनाता है। हम अपनी दुनिया की अराजकता को समझने के लिए क्वांटम दुनिया की अराजकता का उपयोग करना सीख रहे हैं।

यहाँ शोध पत्र "Multivariate quantum reservoir computing with discrete and continuous variable systems" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

क्वांटम रिज़र्वॉर कंप्यूटिंग (QRC) टेम्पोरल डेटा (समय-श्रृंखला डेटा) को संसाधित करने के लिए एक आशाजनक प्रतिमान (paradigm) है, जो क्वांटम प्रणालियों की उच्च-आयामी गतिशीलता (high-dimensional dynamics) का लाभ उठाता है। हालाँकि, मौजूदा साहित्य मुख्य रूप से यूनिवेरिएट (एकल इनपुट स्ट्रीम) समय-श्रृंखला पर केंद्रित रहा है। वास्तविक दुनिया के अनुप्रयोगों (जैसे मौसम का पूर्वानुमान, वित्तीय बाजार) में मल्टीवेरिएट डेटा (कई सह-संबंधित इनपुट स्ट्रीम) शामिल होते हैं।

वर्तमान कमियाँ निम्नलिखित हैं:

क्वांटम रिज़र्वर्स में मल्टीवेरिएट डेटा को एनकोड करने के लिए व्यवस्थित ढाँचों का अभाव।
इस बात की अपर्याप्त समझ कि विभिन्न एनकोडिंग रणनीतियाँ विभिन्न क्वांटम प्लेटफॉर्म पर प्रदर्शन को कैसे प्रभावित करती हैं।
यूनिवेरिएट के विपरीत मल्टीवेरिएट इनपुट को संसाधित करने में विशिष्ट क्वांटम संसाधनों (जैसे एंटैंगलमेंट या स्क्वीजिंग) की भूमिका के बारे में सीमित ज्ञान।

2. कार्यप्रणाली (Methodology)

लेखक दो अलग-अलग क्वांटम रिज़र्वॉर मॉडलों और तीन एनकोडिंग रणनीतियों का उपयोग करके एक तुलनात्मक ढांचा स्थापित करते हैं।

अ. क्वांटम रिज़र्वॉर मॉडल (Quantum Reservoir Models)

डिस्क्रीट-वेरिएबल (DV-QRC): $n$ $n$ स्पिनों वाले ट्रांसवर्स-फील्ड आइसिंग मॉडल पर आधारित।
- हैमिल्टनियन (Hamiltonian): इसमें रैंडम कपलिंग ( $J_{ij}$ ) और इनपुट को एनकोड करने वाले समय-निर्भर स्थानीय क्षेत्र (local fields) शामिल हैं।
- गतिशीलता (Dynamics): लिंडब्लाड मास्टर समीकरण (Lindblad master equation) द्वारा नियंत्रित, जिसमें "फेडिंग मेमोरी" गुण सुनिश्चित करने के लिए क्षय दर ( $\gamma$ ) को शामिल किया गया है।
- मापन (Measurement): स्थानीय पाउली ऑपरेटरों ( $\sigma_x, \sigma_y, \sigma_z$ ) के प्रत्याशा मान (expectation values)।
कंटीन्यूअस-वेरिएबल (CV-QRC): गॉसियन अवस्थाओं (Gaussian states) के साथ युग्मित क्वांटम हार्मोनिक ऑसिलेटर्स पर आधारित।
- हैमिल्टनियन: इसमें स्थिति/संवेग ऑपरेटर और इनपुट को एनकोड करने वाली समय-निर्भर आवृत्तियाँ शामिल हैं।
- गतिशीलता: कोवेरिएंस मैट्रिक्स के लिए लैंगिव समीकरण (Langevin equation) द्वारा नियंत्रित, जिसमें डैम्पिंग और डिफ्यूजन शामिल है।
- मापन: स्थिति ऑपरेटरों के कोवेरिएंस ( $\langle \hat{q}_i \hat{q}_j \rangle$ )।

ब. एनकोडिंग रणनीतियाँ (Encoding Strategies)

यह शोध पत्र $D$ -आयामी इनपुट सिग्नल $s(t)$ को $n$ रिज़र्वॉर नोड्स में मैप करने के लिए तीन विधियों का प्रस्ताव और मूल्यांकन करता है:

लोकल एनकोडिंग (Local Encoding): प्रत्येक इनपुट आयाम को एक एकल, विशिष्ट भौतिक नोड पर मैप किया जाता है। अप्रयुक्त नोड्स स्थिर रहते हैं।
क्लस्टर्ड एनकोडिंग (Clustered Encoding): प्रत्येक इनपुट आयाम को $K$ नोड्स के एक ब्लॉक को सौंपा जाता है। समरूपता (symmetry) को तोड़ने के लिए ब्लॉक के भीतर नोड्स पर एक रैंडम मास्किंग वेट लागू किया जाता है।
ग्लोबल एनकोडिंग (Global Encoding): संपूर्ण इनपुट वेक्टर को एक रैंडम वेट मैट्रिक्स ( $W_{in}$ ) का उपयोग करके रैखिक रूप से मिश्रित किया जाता है और सभी $n$ नोड्स में वितरित किया जाता है।

स. मूल्यांकन मेट्रिक्स (Evaluation Metrics)

मिक्सिंग कैपेसिटी ( $C_{mix}$ ): एक नया मेट्रिक जिसे विभिन्न समय विलंब (time delays) पर अलग-अलग इनपुट स्ट्रीम के नॉन-लीनियर कॉम्बिनेशन (गुणनफल) के रूप में लक्ष्य संकेतों को पुनर्गठित करने की रिज़र्वॉर की क्षमता को मापने के लिए पेश किया गया है। यह विशेष रूप से स्वतंत्र डेटा स्ट्रीम के "मिक्सिंग" को मापता है।
लोरेंज़-63 भविष्यवाणी (Lorenz-63 Prediction): अराजक (chaotic) समय-श्रृंखला भविष्यवाणी के लिए एक मानक बेंचमार्क। मॉडल को विभिन्न इनपुट स्ट्रीम ($x, xy, xyz $) के संयोजनों का उपयोग करके लोरेंज़-63 अट्रैक्टर के$ x$-घटक (और पूर्ण सिस्टम) की भविष्यवाणी करने के लिए प्रशिक्षित किया जाता है।
क्वांटम रिसोर्स कोरिलेशन (Quantum Resource Correlation): अध्ययन प्रदर्शन को नेगेटिविटी (DV-QRC में एंटैंगलमेंट के लिए) और स्क्वीजिंग (CV-QRC में नॉन-क्लासिकलिटी के लिए) के साथ सह-संबंधित करता है।

3. प्रमुख योगदान (Key Contributions)

व्यवस्थित मल्टीवेरिएट ढांचा: दोनों DV और CV क्वांटम प्लेटफॉर्म में मल्टीवेरिएट एनकोडिंग रणनीतियों का पहला व्यापक मूल्यांकन।
मिक्सिंग कैपेसिटी मेट्रिक: $C_{mix}$ का परिचय, जो यह मूल्यांकन करने के लिए एक विशेष मेट्रिक है कि एक गतिशील प्रणाली कई स्वतंत्र इनपुट स्ट्रीम को कितनी अच्छी तरह एकीकृत करती है, जो क्वांटम और क्लासिकल RC दोनों पर लागू होता है।
कार्य-आधारित अनुकूलन (Task-Dependent Optimization): यह प्रदर्शन कि इष्टतम एनकोडिंग रणनीति सार्वभौमिक नहीं है, बल्कि विशिष्ट रिज़र्वॉर सिस्टम और कार्य पर बहुत अधिक निर्भर करती है।
क्वांटम रिसोर्स लिंकेज: मल्टीवेरिएट सेटिंग्स में प्रदर्शन और एंटैंगलमेंट (DV में) तथा स्क्वीजिंग (CV में) जैसे गैर-शास्त्रीय प्रभावों के बीच संबंध का प्रमाण।

4. मुख्य परिणाम (Key Results)

अ. एनकोडिंग प्रदर्शन

DV-QRC: ग्लोबल एनकोडिंग उच्चतम मिक्सिंग कैपेसिटी प्रदान करती है। यह इंजेक्शन स्तर पर इनपुट को प्रभावी ढंग से स्कैम्बल (scramble) करती है, जिससे आंतरिक गतिशीलता पर बोझ कम हो जाता है।
CV-QRC: लोकल एनकोडिंग श्रेष्ठ सिद्ध होती है। युग्मित ऑसिलेटर्स की रिज़र्वॉर गतिशीलता स्वाभाविक रूप से मिक्सिंग की सुविधा प्रदान करती है, जिससे प्रत्यक्ष इंजेक्शन की तुलना में स्पष्ट ग्लोबल स्कैम्बलिंग कम आवश्यक या हानिकारक हो जाती है।
स्केलेबिलिटी (Scalability): मिक्सिंग कैपेसिटी आम तौर पर सिस्टम के आकार ( $n$ ) के साथ बढ़ती है। हालांकि, लोकल/क्लस्टर्ड एनकोडिंग के साथ DV-QRC के लिए, एक निश्चित बिंदु के बाद अधिक इनपुट आयाम ( $D$ ) जोड़ने से मिलने वाला लाभ कम होता जाता है, जो ग्लोबल मिक्सिंग के बिना अलग-अलग स्ट्रीम को मिलाने की एक सीमा का सुझाव देता है।

ब. लोरेंज़-63 भविष्यवाणी

इनपुट कोरिलेशन: लोरेंज़ सिस्टम के अधिक घटक प्रदान करने से (जैसे केवल $x$ के बजाय $x, y, z$ ) भविष्यवाणी की सटीकता में सुधार होता है, जो सह-संबंधित स्ट्रीम से प्रासंगिक जानकारी निकालने की रिज़र्वॉर की क्षमता की पुष्टि करता है।
एनकोडिंग बनाम मेमोरी: जबकि ग्लोबल एनकोडिंग मिक्सिंग (उच्च $C_{mix}$ ) में उत्कृष्ट है, क्लस्टर्ड और ग्लोबल एनकोडिंग अराजक भविष्यवाणी कार्यों में लोकल एनकोडिंग से बेहतर प्रदर्शन करती है। यह सुझाव देता है कि सटीक पूर्वानुमान के लिए व्यक्तिगत इनपुट की मजबूत टेम्पोरल मेमोरी की आवश्यकता होती है, जिसे तब बेहतर तरीके से संरक्षित किया जाता है जब सिग्नल को सीधे एकल नोड्स पर अलग करने के बजाय पूरे क्वांटम स्टेट में वितरित किया जाता है।
सिस्टम तुलना: CV-QRC आमतौर पर मल्टीवेरिएट कार्यों के लिए DV-QRC की तुलना में कम भविष्यवाणी त्रुटि (NRMSE) प्राप्त करता है, जो इस संदर्भ में इसकी बेहतर मिक्सिंग क्षमता के अनुरूप है।

स. क्वांटम गुण और प्रदर्शन

नॉन-क्लासिकल रिजीम्स: पीक प्रदर्शन (मिक्सिंग कैपेसिटी और भविष्यवाणी सटीकता दोनों में) उन क्षेत्रों के साथ मेल खाता है जहाँ एंटैंगलमेंट (DV में) और स्क्वीजिंग (CV में) मौजूद होते हैं।
कोरिलेशन: जैसे-जैसे कपलिंग स्ट्रेंथ ( $J$ ) बढ़ती है, एंटैंगलमेंट और स्क्वीजिंग बढ़ते हैं, और प्रदर्शन में सुधार होता है। हालांकि, प्रदर्शन इन क्वांटम गुणों के गायब होने (बहुत कम या बहुत अधिक कपलिंग पर) पर भी पर्याप्त बना रहता है, जो दर्शाता है कि जबकि क्वांटम संसाधन क्षमता को बढ़ाते हैं, वे सफलता के एकमात्र निर्धारक नहीं हैं।
इष्टतम कपलिंग: $J \approx 1.0$ की कपलिंग स्ट्रेंथ आमतौर पर सभी प्रणालियों में इष्टतम मिक्सिंग कैपेसिटी प्रदान करती है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह शोध पत्र यूनिवेरिएट विश्लेषण से आगे बढ़कर जटिल, मल्टीवेरिएट डेटा प्रोसेसिंग की ओर बढ़कर क्वांटम मशीन लर्निंग में एक महत्वपूर्ण अंतर को पाटता है।

डिज़ाइन दिशानिर्देश: यह स्थापित करता है कि "एक ही आकार सबके लिए उपयुक्त" (one-size-fits-all) एनकोडिंग नहीं है; चिकित्सकों को विशिष्ट हार्डवेयर (DV बनाम CV) और कार्य आवश्यकताओं के अनुसार इनपुट डिज़ाइन को अनुकूलित करना चाहिए।
क्वांटमनेस की भूमिका: निष्कर्ष बताते हैं कि गैर-शास्त्रीय संसाधन (एंटैंगलमेंट, स्क्वीजिंग) मल्टीवेरेट डेटा के लिए QRC की कम्प्यूटेशनल शक्ति को बढ़ाने में एक रचनात्मक, हालांकि अनन्य (exclusive) नहीं, भूमिका निभाते हैं।
भविष्य का दृष्टिकोण: यह कार्य वास्तविक दुनिया के उच्च-आयामी अनुप्रयोगों के लिए QRC को तैनात करने के लिए एक आधार प्रदान करता है और शुद्ध रूप से क्वांटम डेटा (मल्टीवेरिएट क्वांटम स्टेट्स) को संसाधित करने के मार्ग खोलता है।

संक्षेप में, अध्ययन यह प्रदर्शित करता है कि डिस्क्रीट स्पिन सिस्टम के लिए सूचना मिश्रण को अधिकतम करने हेतु ग्लोबल एनकोडिंग इष्टतम है, जबकि निरंतर चर (continuous variable) प्रणालियों के लिए लोकल एनकोडिंग पर्याप्त है, और इष्टतम प्रदर्शन स्वाभाविक रूप से गैर-शास्त्रीय क्वांटम प्रभावों की उपस्थिति से जुड़ा हुआ है।