⚛️ quantum physics

Reinforcement Learning Assisted Quantum Simulation of Many-Body Excited States and Real-Time Dynamics

यह शोध पत्र कॉम्पैक्ट टू-बॉडी ऑपरेटर्स को अनुकूल रूप से चुनने के लिए एक डीप क्यू-नेटवर्क का उपयोग करते हुए, कई-फर्मिऑन इलेक्ट्रॉनिक उत्तेजित अवस्थाओं और रियल-टाइम डायनेमिक्स को कुशलतापूर्वक कंप्यूट करने के लिए रिइन्फोर्समेंट लर्निंग कॉन्ट्रैक्टेड क्वांटम आइजनसॉल्वर (RL-CQE) का विस्तार करता है, जो स्केलेबल स्टेट रिप्रेजेंटेशन और कांस्टेंट-स्केलिंग टाइम इवोल्यूशन के साथ रासायनिक सटीकता प्राप्त करता है।

मूल लेखक: Jiaji Zhang, Lipeng Chen, Carlos L. Benavides-Riveros

प्रकाशित 2026-05-19

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jiaji Zhang, Lipeng Chen, Carlos L. Benavides-Riveros

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 विशाल, जटिल पहेली को हल करने की कोशिश कर रहे हैं। क्वांटम केमिस्ट्री की दुनिया में, यह पहेली यह समझने की है कि इलेक्ट्रॉन अणुओं में कैसे व्यवहार करते हैं, विशेष रूप से तब जब वे उत्तेजित (excited) होते हैं (जैसे कि जब एक पौधा सूर्य के प्रकाश को अवशोषित करता है) या जब वे समय के साथ तेजी से चलते हैं।

पारंपरिक रूप से, इस पहेली को क्वांटम कंप्यूटर पर हल करना एक पहाड़ पर चढ़ने जैसा है जिसमें हर दिशा में एक साथ छोटे, निश्चित कदम उठाए जाते हैं। यह काम तो करता है, लेकिन यह धीमा है, इसमें बहुत अधिक ऊर्जा की आवश्यकता होती है, और यदि आप गलत कदम उठाते हैं, तो आप फंस सकते हैं।

यह शोध पत्र इस पहाड़ पर चढ़ने का एक स्मार्ट तरीका पेश करता है जिसे एक "गाइड" कहा जाता है: रीइन्फोर्समेंट लर्निंग (RL)। यहाँ लेखक की नई विधि कैसे काम करती है, इसे सरल अवधारणाओं में विभाजित किया गया है:

1. समस्या: "एक साथ सब कुछ" वाली चढ़ाई

पुरानी विधि (जिसे CQE कहा जाता है) पहेली के पूरे समाधान को एक साथ बदलने की कोशिश करती है। कल्पना कीजिए कि आप ऊन के एक उलझे हुए गोले को एक ही समय में हर धागे को खींचकर सुलझाने की कोशिश कर रहे हैं। यह बहुत अस्त-व्यस्त है, और अक्सर आप एक ऐसी गांठ में फंस जाते हैं जिसे सुलझाना कठिन होता है। क्वांटम शब्दों में, इसका अर्थ है कि कंप्यूटर को सही उत्तर प्राप्त करने के लिए निर्देशों का एक बहुत लंबा, जटिल क्रम (एक गहरा "सर्किट") चलाने की आवश्यकता होती है।

2. समाधान: "स्मार्ट गाइड" (RL-CQE)

लेखकों ने "एक साथ सब कुछ खींचने" की रणनीति को एक रीइन्फोर्समेंट लर्निंग एजेंट से बदल दिया है। इस एजेंट को एक नक्शे के साथ एक अत्यधिक कुशल हाइकर (पर्वतारोही) के रूप में समझें।

यह कैसे काम करता है: सभी धागों को खींचने के बजाय, हाइकर पहेली की वर्तमान स्थिति को देखता है और पूछता है, "कौन सा एक कदम मुझे अभी समाधान के सबसे करीब ले जाएगा?"
परिणाम: हाइकर सबसे अच्छा कदम चुनता है, उसे उठाता है, और फिर से मूल्यांकन करता है। यह समाधान तक पहुँचने के लिए एक बहुत छोटा, अधिक सीधा रास्ता बनाता है। शोध पत्र दिखाता है कि यह "एक बार में एक कदम" वाला दृष्टिकोण पुराने तरीके की तुलना में बहुत कम चरणों (ऑपरेटर्स) का उपयोग करता है, जबकि फिर भी उच्च स्तर की सटीकता (केमिकल एक्यूरेसी) तक पहुँचता है।

3. "उत्तेजित" (Excited) अवस्थाओं से निपटना

आमतौर पर, क्वांटम कंप्यूटर "ग्राउंड स्टेट" (एक अणु की सबसे शांत, स्थिर अवस्था) को खोजने में माहिर होते हैं। लेकिन प्रकृति अक्सर गतिशील होती है; अणु उत्तेजित होते हैं, उच्च ऊर्जा स्तरों पर जाते हैं, और अजीबोगरीब चीजें करते हैं।

चुनौती: इन उत्तेजित अवस्थाओं को खोजना एक ही समय में कई अलग-अलग पहाड़ों की चोटियों को खोजने जैसा है।
नवाचार: लेखकों ने अपने "स्मार्ट गाइड" को एक साथ कई पहाड़ों को संभालने के लिए अनुकूलित किया है। उन्होंने सिद्ध किया कि उनका गाइड शांत ग्राउंड स्टेट्स की तरह ही इन जटिल, उत्तेजित परिदृश्यों (landscapes) में भी कुशलता से नेविगेट कर सकता है। उन्होंने यह भी दिखाया कि गाइड को पहले से यह जानने की आवश्यकता नहीं है कि हर पहाड़ का सटीक वजन क्या है; यह खुद ही सही संतुलन बना सकता है, जिससे यह बहुत अधिक मजबूत और विफल होने की संभावना कम हो जाता है।

4. "टाइम ट्रैवल" की समस्या: गति का अनुकरण (Simulating Motion)

एक अणु समय के साथ कैसे बदलता है (रियल-टाइम डायनेमिक्स) इसका अनुकरण करना आमतौर पर क्वांट-कंप्यूटरों के लिए एक दुस्वप्न होता है।

पुराना तरीका: समय के 10 सेकंड का अनुकरण करने के लिए, आपको इसे 1,000 छोटे चरणों में तोड़ना पड़ सकता है। 100 सेकंड का अनुकरण करने के लिए, आपको 10,000 चरणों की आवश्यकता होगी। "सर्किट" (निर्देशों की सूची) लंबी और लंबी होती जाती है जब तक कि कंप्यूटर क्रैश न हो जाए।
नया तरीका: लेखकों ने एक तरकीब खोजी है। क्योंकि वे अवस्थाओं के एक समूह (प्यूरीफाइड एनसेम्बल) को एक साथ देख रहे हैं, वे पूरे सिमुलेशन के दौरान एक ही सेट के "मूव्स" (कदमों) को पुन: उपयोग कर सकते हैं।
उपमा: कल्पना कीजिए कि आप एक वीडियो रिकॉर्ड कर रहे हैं। पुराना तरीका हर फ्रेम को व्यक्तिगत रूप से फिल्माने और उन्हें स्टोर करने जैसा है, जिसके लिए भारी स्टोरेज की आवश्यकता होती है। नया तरीका यह महसूस करने जैसा है कि कैमरा मूवमेंट एक विशिष्ट पैटर्न का पालन करता है। आपको केवल उस पैटर्न (निश्चित कदमों का सेट) और शुरुआती बिंदु को स्टोर करने की आवश्यकता है। वीडियो चाहे कितना भी लंबा हो, "स्टोरेज" (सर्किट का आकार) उतना ही रहता है। यह उन्हें बिना कंप्यूटर को बोझिल किए समय के विकास (time evolution) का अनुकरण करने की अनुमति देता है।

5. प्रमाण: सरल अणुओं पर परीक्षण

लेखकों ने इस नए "स्मार्ट गाइड" का परीक्षण दो सरल अणुओं पर किया: हाइड्रोजन ( $H_2$ ) और तीन हाइड्रोजन की एक श्रृंखला ( $H_3^+$ )।

परिणाम: गाइड ने अविश्वसनीय सटीकता के साथ इन अणुओं के लिए सही ऊर्जा स्तरों को विभिन्न आकारों और दूरियों में खोज निकाला।
दक्षता: इसने यह कार्य बहुत कम चरणों (कभी-कभी केवल 2 या 5 मूव्स) का उपयोग करके किया, जबकि पुराने तरीके को बहुत अधिक चरणों की आवश्यकता होती।
समय: इन अणुओं को समय के साथ चलते हुए सिम्युलेट करते समय, "सर्किट" का आकार स्थिर रहा, जो यह सिद्ध करता है कि यह विधि अच्छी तरह से स्केल करती है और समय बीतने के साथ भारी नहीं होती है।

सारांश

संक्षेप में, यह शोध पत्र एक नया तरीका प्रस्तुत करता है जिससे क्वांटम कंप्यूटरों का उपयोग यह अध्ययन करने के लिए किया जा सकता है कि अणु उत्तेजित होने या चलते समय कैसे व्यवहार करते हैं। एक AI "गाइड" का उपयोग करके जो प्रत्येक चरण पर सबसे अच्छा एकल कदम चुनता है, उन्होंने एक ऐसी विधि बनाई है जो है:

तेज़: इसे पहेली को हल करने के लिए कम चरणों की आवश्यकता होती है।
स्मार्ट: यह सटीक पूर्व ज्ञान की आवश्यकता के बिना जटिल, उत्तेजित अवस्थाओं को संभालता है।
स्केलेबल: यह समय बीतने के साथ निर्देशों की बढ़ती सूची से परेशान हुए बिना समय के बीतने का अनुकरण कर सकता है।

यह हमें आज के सीमित क्वांटम कंप्यूटरों का उपयोग करके रसायन विज्ञान और भौतिकी की उन वास्तविक दुनिया की समस्याओं को हल करने के करीब लाता है जिन्हें सिम्युलेट करना पहले असंभव था।

तकनीकी सारांश: कई-निकाय उत्तेजित अवस्थाओं और वास्तविक-समय गतिशीलता के लिए सुदृढीकरण शिक्षण (Reinforcement Learning) आधारित क्वांटम सिमुलेशन

समस्या विवरण
कई-फर्मिऑन प्रणालियों के लिए इलेक्ट्रॉनिक उत्तेजित अवस्थाओं (electronic excited states) और वास्तविक-समय क्वांटम गतिशीलता (real-time quantum dynamics) की सटीक गणना करना एक मौलिक चुनौती बनी हुई है, विशेष रूप से निकट-अवधि (near-term) क्वांटम उपकरणों के लिए। मानक एकल-संदर्भ विधियाँ (single-reference methods) अक्सर उन अवस्थाओं के कारण विफल हो जाती हैं जहाँ प्रबल बहु-विन्यास लक्षण (multi-configurational character) और निकट-अपभ्रष्टता (near-degeneracy) पाई जाती है। यद्यपि कॉन्ट्रैक्टेड क्वांटम आइजनसॉल्वर (CQE) संकुचित श्रोडिंगर समीकरण (CSE) पर आधारित एक स्केलेबल दृष्टिकोण प्रदान करता है, लेकिन शुद्ध एन्सेम्बल दृष्टिकोण (purified ensemble approach) के माध्यम से उत्तेजित अवस्थाओं के लिए इसका विस्तार धीमे अभिसरण (convergence) और महत्वपूर्ण हाइपरपैरामीटर्स, विशेष रूप से एन्सेम्बल वेट वेक्टर (ensemble weight vector) के प्रति संवेदनशीलता से ग्रस्त है। इसके अतिरिक्त, पारंपरिक समय-विकास सिमुलेशन आमतौर पर ट्रोटराइजेशन (Trotterization) पर निर्भर करते हैं, जिसके परिणामस्वरूप सर्किट की गहराई (circuit depth) सिमुलेशन समय के साथ अनियंत्रित रूप से बढ़ती है, जो दीर्घकालिक गतिशीलता के लिए एक बड़ी बाधा उत्पन्न करती है।

कार्यप्रणाली
यह कार्य RL-CQE को, जिसे पहले ग्राउंड स्टेट्स के लिए विकसित किया गया था, उत्तेजित अवस्थाओं और वास्तविक-समय गतिशीलता को संबोधित करने के लिए सामान्यीकृत करता है। मुख्य कार्यप्रणाली में शामिल है:

उत्तेजित अवस्थाओं के लिए RL-CQE: एल्गोरिदम CQE अपडेट प्रक्रिया को एक मार्कोव निर्णय प्रक्रिया (MDP) के रूप में स्वरूपित करता है। एक डीप क्यू-नेटवर्क (DQN) एजेंट एक नीति (policy) के रूप में कार्य करता है, जो प्रत्येक पुनरावृत्ति (iteration) में साइन-फ्री क्यूबिट ऑपरेटरों के समूह से एक एकल द्वि-निकाय ऑपरेटर (two-body operator) को अनुकूल रूप से चुनता है। एजेंट के लिए स्टेट रिप्रेजेंटेशन एंटी-हर्मिटियन कॉन्ट्रैक्शन श्रोडिंगर इक्वेशन (ACSE) अवशेषों (residuals) का वेक्टर है। महत्वपूर्ण रूप से, एजेंट के इस स्टेट वेक्टर का आयाम केवल एक-कण आधार आकार (one-particle basis size) पर निर्भर करता है और लक्षित उत्तेजित अवस्थाओं ( $K$ ) की संख्या से स्वतंत्र है। एजेंट ऊर्जा न्यूनीकरण और अवशेष दमन (residual suppression) को संयोजित करने वाले रिवॉर्ड फंक्शन को अधिकतम करता है।
साइन-फ्री ऑपरेटर तुल्यता: लेखक साइन-फ्री क्यूबिट ऑपरेटरों (जो गैर-स्थानीय साइन कारकों के कारण मानक फर्मिओनिक ऑपरेटरों से भिन्न होते हैं) के सैद्धांतिक सत्यापन को उत्तेजित-अवस्था शासन तक विस्तारित करते हैं, यह प्रदर्शित करते हुए कि वे इस संदर्भ में मूल फर्मिओनिक ऑपरेटरों के समान हैं।
साझा यूनिटरी संरचना के माध्यम से समय विकास: वास्तविक-समय गतिशीलता $|\Psi(t)\rangle = e^{-i\hat{H}t}|\Psi(0)\rangle$ को सिम्युलेट करने के लिए, लेखक शुद्ध एन्सेम्बल ढांचे का लाभ उठाते हैं जहाँ सभी लक्षित आइजनस्टेट्स (eigenstates) समान सेट वाले यूनिटरी रूपांतरणों को साझा करते हैं। इन साझा आइजनस्टेट्स के आधार में समय-निर्भर वेवफंक्शन का विस्तार करके, समय विकास को एक समय-निर्भर संदर्भ अवस्था (reference state) पर कार्य करने वाले यूनिटरी रूपांतरणों के एक निश्चित सेट के रूप में व्यक्त किया जाता है। इस संदर्भ अवस्था को यूनिटरीज़ के एक माध्यमिक सेट का उपयोग करके तैयार किया जाता है, जो स्वयं RL द्वारा अनुकूलित होते हैं। यह दृष्टिकोण सुनिश्चित करता है कि कुल ऑपरेटरों की संख्या सिमुलेशन समय $t$ के बावजूद स्थिर रहती है।

प्रमुख योगदान

RL-CQE का सामान्यीकरण: क्वांटम आइजनसॉल्वर फ्रेमवर्क के भीतर उत्तेजित-अवस्था वेवफंक्शंस के प्रत्यक्ष अनुकूलन के लिए RL-CQE का पहला अनुप्रयोग।
स्केलेबल स्टेट रिप्रेजेंटेशन: ACSE अवशेषों पर आधारित एक स्टेट रिप्रेजेंटेशन का परिचय जो आधार आकार के साथ स्केल करता है लेकिन लक्षित उत्तेजित अवस्थाओं की संख्या से स्वतंत्र रहता है, जिससे एन्सेम्बल विधियों की एक बड़ी बाधा दूर होती है।
हाइपरपैरामीटर्स के प्रति सुदृढ़ता: यह प्रदर्शन कि RL-आधारित अनुकूलित ऑपरेटर चयन, पारंपरिक CQE की तुलना में, जो सटीक और सिस्टम-विशिष्ट ट्यूनिंग की आवश्यकता रखता है, एन्सेम्बल वेट वेक्टर्स के चुनाव के प्रति काफी अधिक सुदृढ़ समाधान प्रदान करता है।
कॉन्स्टेंट-स्केलिंग टाइम इवोल्यूशन: एक समय-विकास एल्गोरिदम का विकास जो सिमुलेशन समय $t$ के स्वतंत्र रूप से एक निश्चित एंसेट आकार (constant operator count) बनाए रखता है, जो रैखिक या बहुपद रूप से बढ़ती ट्रोटर-आधारित विधियों के विपरीत है।
सैद्धांतिक विस्तार: उत्तेजित-अवस्था सेटिंग में साइन-फ्री क्यूबिट ऑपरेटरों की तुल्यता का सत्यापन, जो एक ऐसा परिणाम है जिसे पहले केवल ग्राउंड स्टेट्स के लिए स्थापित किया गया था।

परिणाम
एल्गोरिदम का परीक्षण विभिन्न बॉन्ड लेंथ पर $H_2$ अणु और रैखिक समतुल्य (linear equidistant) $H_3^+$ आयन पर किया गया:

उत्तेजित अवस्था ऊर्जा: $H_2$ के लिए, RL-CQE ने अधिकतम 5 यूनिटरी रूपांतरणों का उपयोग करके रासायनिक सटीकता (Full Configuration Interaction के भीतर $10^{-3}$ Hartree) प्राप्त की। यह विधि एन्सेम्बल वेट वेक्टर के चुनाव के प्रति काफी हद तक असंवेदनशील रही; सरल स्ट्रिक्टली डिसेंडिंग वेट वेक्टर्स (जैसे, $[4, 3, 2, 1]$ ) ने अनुकूलित वेक्टर्स के समान प्रदर्शन किया, जबकि पारंपरिक CQE इस चुनाव के प्रति अत्यधिक संवेदनशील है।
ऑपरेटर दक्षता: $H_2$ में, एल्गोरिदम विभिन्न बॉन्ड लेंथ के लिए केवल 2 ऑपरेटरों के साथ अभिसरित हुआ, जो पारंपरिक CQE द्वारा आवश्यक समवर्ती अपडेट की तुलना में काफी कम है। $H_3^+$ के लिए, विधि ने क्षमता ऊर्जा वक्रों (potential energy curves) को सफलतापूर्वक पुनरुत्पादित किया और विशिष्ट, ज्यामिति-अनुकूलित ऑपरेटर अनुक्रमों का चयन किया।
समय विकास: $H_2$ और $H_3^+$ पर लागू किए जाने पर, RL-CQE टाइम-इवोल्यूशन एल्गोरिदम ने सिमुलेशन समय $t \in [0, 20]$ a.u. के बावजूद, चरणों की एक निश्चित संख्या ( $H_2$ के लिए 5, $H_3^+$ के लिए 20) के साथ उच्च निष्ठा (near unity) प्राप्त की। यह समय के संबंध में कॉन्स्टेंट-स्केलिंग के सैद्धांतिक पूर्वानुमान की पुष्टि करता है।

महत्व
यह शोध दावा करता है कि RL हाइब्रिड क्वांटम-क्लासिकल एल्गोरिदम में क्वांटम संसाधन आवश्यकताओं को न्यूनतम करने के लिए एक प्रभावी और लचीला ढांचा प्रदान करता है। सिस्टम सिमेट्री के पूर्व ज्ञान या जटिल हाइपरपैरामीटर ट्यूनिंग के बिना कॉम्पैक्ट एंसेट्स और सुदृढ़ अभिसरण को सक्षम करके, RL-CQE वर्तमान वेरिएशनल क्वांटम आइजनसॉल्वर्स की महत्वपूर्ण सीमाओं को संबोधित करता है। वास्तविक-समय गतिशीलता को एक स्थिर ऑपरेटर काउंट के साथ सिम्युलेट करने की क्षमता, निकट-अवधि हार्डवेयर पर स्केलेबल मैनी-बॉडी डायनेमिक्स के लिए एक मार्ग प्रशस्त करती है, जो संभावित रूप से ओपन क्वांटम सिस्टम, नॉन-इक्विलिब्रियम डायनेमिक्स और बड़े आणविक प्रणालियों तक विस्तृत हो सकती है जहाँ पारंपरिक विधियाँ अव्यवहार्य हो जाती हैं। यह कार्य क्वांटम केमिस्ट्री में जटिल अनुकूलन परिदृश्यों (optimization landscapes) को नेविगेट करने के लिए मॉडल-फ्री सुदृढीकरण शिक्षण का उपयोग करने की नींव रखता है, जिसमें ग्रेडिएंट सूचना या क्वांटम डिवाइस के आंतरिक विवरणों के स्पष्ट मॉडलिंग की आवश्यकता नहीं होती है।