⚡ electrical engineering

Robust Quantum-MUSIC for DoA Estimation Using Rydberg Atomic Receiver Arrays

यह शोध पत्र एक रोबस्ट क्वांटम-MUSIC (RobQMUSIC) ढांचे का प्रस्ताव करता है जो मानक $\ell_2$ -नॉर्म फेज रिट्रीवल को IRLS के माध्यम से हल किए गए $\ell_1$ -नॉर्म फॉर्मूलेशन द्वारा प्रतिस्थापित करके रिडबर्ग परमाणु रिसीवर एरेज़ का उपयोग करते हुए दिशा-आगमन अनुमान (direction-of-arrival estimation) को बढ़ाता है, जिससे आदर्श स्थितियों में उच्च सटीकता प्राप्त होती है और साथ ही उन आउटलियर मापों के विरुद्ध मजबूती बनी रहती है जिनके कारण मौजूदा विधियाँ विफल हो जाती हैं।

मूल लेखक: Sourav Banerjee, Neel Kanth Kundu, Prajwalita Borah

प्रकाशित 2026-05-26

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Sourav Banerjee, Neel Kanth Kundu, Prajwalita Borah

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 विचार: अदृश्य को सुनना

कल्पना कीजिए कि आप एक अंधेरे कमरे में यह पता लगाने की कोशिश कर रहे हैं कि लोगों का एक समूह कहाँ से चिल्ला रहा है। आधुनिक तकनीक की दुनिया में, हम आमतौर पर इन संकेतों को पकड़ने के लिए एंटेना (जैसे रेडियो कान) का उपयोग करते हैं। लेकिन यह शोध पत्र कुछ बहुत अधिक भविष्यवादी चीज़ के बारे में बात करता है: रिडबर्ग परमाणु रिसीवर (Rydberg atomic receivers)।

इन रिसीवरों को धातु के एंटेना के रूप में नहीं, बल्कि अत्यधिक उत्तेजित परमाणुओं के एक बादल (जैसे छोटे, अति-संवेदनशील गुब्बारे) के रूप में सोचें। जब कोई रेडियो सिग्नल उनसे टकराता है, तो परमाणु हिलने लगते हैं। उनके हिलने की मात्रा को मापकर, हम सिग्नल का पता लगा सकते हैं। समस्या क्या है? ये परमाणु "कान" इतने संवेदनशील हैं कि वे हमें केवल यह बता सकते हैं कि सिग्नल कितना तेज़ है, लेकिन वे इस बारे में जानकारी खो देते हैं कि सिग्नल कब आया (फेज़/चरण)।

यह अंधेरे में शोर की आवाज़ के वॉल्यूम को जानकर ध्वनि स्रोत को खोजने जैसा है, लेकिन बिना यह जाने कि दिशा या समय क्या है। यह सटीक रूप से यह पता लगाना बहुत कठिन बना देता है कि चिल्लाने वाले लोग वास्तव में कहाँ हैं (इस प्रक्रिया को डिरेक्शन ऑफ अराइवल (DoA) अनुमान कहा जाता है)।

पुराना समाधान: "परफेक्ट वर्ल्ड" एल्गोरिदम

वैज्ञानिकों ने हाल ही में इसे हल करने के लिए क्वांटम-म्यूज़िक (Quantum-MUSIC) नामक एक एल्गोरिदम का आविष्कार किया। यह गणितीय रूप से "खाली जगहों को भरने" की कोशिश करके गायब हुई टाइमिंग जानकारी का अनुमान लगाने का प्रयास करता है।

इसे एक टूटे हुए फूलदान को फिर से बनाने की कोशिश करने जैसा समझें। यदि आपके पास कुछ गायब टुकड़े हैं, तो आप आस-पास के टुकड़ों के आकार के आधार पर अनुमान लगा सकते हैं कि वे कहाँ फिट होंगे। पुराना तरीका (Quantum-MUSIC) तब बहुत अच्छा काम करता है जब फूलदान साफ हो और टुकड़े पूरी तरह फिट बैठते हों। यह $\ell_2$ -नॉर्म नामक एक गणितीय नियम का उपयोग करता है, जो एक सख्त शिक्षक की तरह है जो हर गलती को समान रूप से दंडित करता है। यदि कोई टुकड़ा थोड़ा सा भी गलत है, तो शिक्षक उसे छोटा दंड देता है। यदि कोई टुकड़ा बहुत ज़्यादा गलत है, तो शिक्षक उसे भारी दंड देता है।

खामी: वास्तविक दुनिया में, चीजें परफेक्ट नहीं होती हैं। कभी-कभी सेंसर में "ग्लिच" (खराबी) आ जाती है, या हस्तक्षेप (जैसे पास से गुजरता हुआ तेज़ सायरन) होता है। यह डेटा में "आउटलेयर्स" (outliers)—यानी विशाल, अजीब त्रुटियां—पैदा करता है। क्योंकि पुराना एल्गोरिदम बड़ी गलतियों के प्रति इतना सख्त है, इसलिए एक अकेला ग्लिच भी पूरे पुनर्निर्माण को खराब कर सकता है। यह एक शांत पुस्तकालय में एक छात्र के चिल्लाने जैसा है जिसके कारण सख्त शिक्षक पूरी क्लास को फेल कर देता है।

नया समाधान: "कठोर लेकिन निष्पक्ष" एल्गोरिदम

इस शोध पत्र के लेखक एक नया तरीका प्रस्तावित करते हैं जिसे रोबस्ट क्वांटम-म्यूज़िक (RobQMUSIC) कहा जाता है।

एक सख्त शिक्षक होने के बजाय जो बड़ी गलतियों पर गुस्सा होता है, यह नया एल्गोरिदम एक स्मार्ट फ़िल्टर की तरह काम करता है। यह एक अलग गणितीय नियम का उपयोग करता है जिसे $\ell_1$ -नॉर्म कहा जाता है।

यह कैसे काम करता है, एक नॉइज़-कैंसलिंग हेडफ़ोन के उदाहरण से समझें:

समस्या: कल्पना कीजिए कि आप एक बातचीत सुनने की कोशिश कर रहे हैं, लेकिन कोई बीच-बीच में आपके कान में चिल्ला रहा है।
पुराना तरीका: पुराना एल्गोरिदम बातचीत और चिल्लाहट दोनों का औसत निकालने की कोशिश करता है। चिल्लाहट इतनी तेज़ होती है कि वह बातचीत को पूरी तरह से दबा देती है।
नया तरीका (RobQMUSIC): इस एल्गोरिदम में एक विशेष "स्मार्ट वॉल्यूम नॉब" होता है। यह डेटा को सुनता है और कहता है, "हे, यह विशिष्ट आवाज़ सामान्य बातचीत का हिस्सा होने के लिए बहुत तेज़ है। यह शायद एक ग्लिच है।"
IRLS ट्रिक: शोध पत्र में IRLS (इटरेटिवली रीवेटेड लीस्ट स्क्वेयर्स) नामक एक तकनीक का उपयोग किया गया है। कल्पना कीजिए कि आप भीड़ में एक पैटर्न खोजने की कोशिश कर रहे हैं।
- राउंड 1: आप सभी को देखते हैं।
- राउंड 2: आप देखते हैं कि कुछ लोग अजीब व्यवहार कर रहे हैं (आउटलेयर्स)। आप उन पर एक "म्यूट" बटन लगाते हैं (उन्हें कम वेट देते हैं)।
- राउंड 3: आप शेष लोगों को देखते हैं। पैटर्न स्पष्ट हो जाता है।
- राउंड 4: आप फिर से जांच करते हैं। शायद "अजीब" लोग वास्तव में केवल शोर कर रहे थे, या शायद वे अभी भी ग्लिच थे। आप म्यूट बटनों को फिर से एडजस्ट करते हैं।
- अंत तक, आपने ग्लिच को अनदेखा कर दिया और सही पैटर्न ढूंढ लिया।

प्रयोगों ने क्या दिखाया

शोधकर्ताओं ने इस नए तरीके का परीक्षण एक कंप्यूटर सिमुलेशन में किया (क्योंकि वास्तविक क्वांटम लैब बनाना कठिन है)। उन्होंने दो "चिल्लाने वालों" (सिग्नल्स) वाला परिदृश्य बनाया और डेटा में रैंडम "ग्लिच" (आउटलेयर्स) जोड़ दिए।

परिदृश्य A: कोई ग्लिच नहीं। जब सब कुछ साफ था, तो नया तरीका (RobQMUSIC) पुराने तरीके के समान ही काम कर रहा था। इसने अपनी सटीकता नहीं खोई।
परिदृश्य B: 20% ग्लिच। जब उन्होंने डेटा में 20% शोर जोड़ा, तो पुराने तरीके (Quantum-MUSIC) ने पूरी तरह से हार मान ली। वह चिल्लाने वालों को बिल्कुल नहीं ढूंढ सका; परिणाम एक गड़बड़ी मात्र था। हालाँकि, नया तरीका अभी भी चिल्लाने वालों को पूरी तरह से ढूंढने में सफल रहा।
परिदृश्य C: 70% ग्लिच। यहाँ तक कि जब 70% डेटा दूषित (जो शोर की एक विशाल मात्रा है) था, तब भी नया तरीका काम करता रहा। पुराना तरीका इससे बहुत पहले ही हार मान चुका था।

निष्कर्ष

यह शोध पत्र दावा करता है कि RobQMUSIC मौजूदा तकनीक का एक "अधिक मजबूत" संस्करण है।

इसे अधिक हार्डवेयर या जटिल नई संरचनाओं की आवश्यकता नहीं है।
यह बस गणित को बदलता है ताकि यह "बुरे डेटा" (हार्डवेयर दोष या हस्तक्षेप के कारण होने वाले आउटलेयर्स) के प्रति कम संवेदनशील हो सके।
यह रिडबर्ग परमाणु सेंसरों को उन वास्तविक दुनिया के वातावरण में विश्वसनीय रूप से काम करने की अनुमति देता है जहाँ पुराना तरीका विफल हो जाता।

संक्षेप में: पुराना एल्गोरिदम एक कांच के फूलदान की तरह था—सुंदर लेकिन नाजुक। नया एल्गोरिदम एक रबर की गेंद की तरह है—यह उछलने (सिग्नल खोजने) में उतना ही अच्छा है, लेकिन यह बिना टूटे कुछ झटके सह सकता है।

तकनीकी सारांश: रिडबर्ग परमाणु रिसीवर एरेज़ का उपयोग करके DoA अनुमान के लिए रोबस्ट क्वांटम-MUSIC

समस्या विवरण
क्वांटम वायरलेस सेंसिंग, जो रिडबर्ग परमाणु रिसीवर का उपयोग करती है, दिशा आगमन (DoA) अनुमान के लिए अत्यंत उच्च संवेदनशीलता प्रदान करती है। हालाँकि, एक मौलिक भौतिक बाधा इस प्रणाली को सीमित करती है: रिसीवर केवल प्राप्त सिग्नल का परिमाण (magnitude) आउटपुट करते हैं, जिनमें चरण (phase) की जानकारी का अभाव होता है। जबकि हाल ही में प्रस्तावित क्वांटम-MUSIC एल्गोरिदम अल्टरनेटिंग मिनिमाइजेशन के माध्यम से चरण को पुनः प्राप्त करके इस समस्या का समाधान करता है, यह चरण पुनर्प्राप्ति (phase retrieval) के लिए $\ell_2$ -नॉर्म फॉर्मूलेशन पर निर्भर करता है। यह दृष्टिकोण हार्डवेयर दोषों, सेंसर संतृप्ति (saturation), या प्रतिकूल हस्तक्षेप के कारण होने वाले आउटलेयर्स (outliers) के प्रति अत्यधिक संवेदनशील है। ऐसे परिदृश्यों में, $\ell_2$ -नॉर्म का द्विघाती दंड (quadratic penalty) स्पार्स, बड़े आयाम वाले त्रुटियों को कॉस्ट फंक्शन पर हावी होने देता है, जिससे चैनल रिकवरी और DoA अनुमान की सटीकता गंभीर रूप से खराब हो जाती है।

कार्यप्रणाली
लेखक RobQMUSIC (रोबस्ट क्वांटम-MUSIC) का प्रस्ताव करते हैं, जो बेसलाइन एल्गोरिदम की संरचनात्मक दक्षता बनाए रखते हुए आउटलेयर संवेदनशीलता को कम करने के लिए डिज़ाइन किया गया एक ढांचा है। मुख्य नवाचार मानक $\ell_2$ -नॉर्म चरण-पुनर्प्राप्ति चरण को $\ell_1$ -नॉर्म फॉर्मूलेशन से बदलना है।

एल्गोरिदम एक अल्टरनेटिंग मिनिमाइजेशन लूप के भीतर कार्य करता है:

आरंभीकरण (Initialization): एक स्पेक्ट्रल विधि चैनल अनुमान को आरंभीकृत करती है ताकि खराब स्थानीय मिनिमा (local minima) से बचा जा सके।
चरण अपडेट (Phase Update): चरण वेक्टर को वर्तमान चैनल अनुमान के आधार पर अपडेट किया जाता है, जो बेसलाइन क्वांटम-MUSIC के समान है।
आयाम अपडेट (Amplitude Update - IRLS): प्रत्यक्ष लीस्ट-स्क्वायर समाधान के बजाय, आयाम अपडेट एक इटरेटिवली रीवेटेड लीस्ट स्क्वेयर्स (IRLS) योजना का उपयोग करके एक वेटेड लीस्ट-स्क्वेयर्स समस्या को हल करता है। इस इनर लूप में, रेसिडुअल्स (residuals) की गणना की जाती है, और रेसिडुअल परिमाण के व्युत्क्रमानुपाती (inversely proportional) डायगोनल वेट असाइन किए जाते हैं। यह प्रक्रिया अगले इटरेशन में बड़े त्रुटि वाले स्नैपशॉट्स (outliers) को कम महत्व देती है, जिससे उन्हें प्रभावी रूप से चैनल अनुमान प्रक्रिया से अलग किया जा सके।
DoA अनुमान: एक बार चैनल मैट्रिक्स की रिकवरी हो जाने के बाद, DoAs का अनुमान लगाने के लिए मानक MUSIC एल्गोरिदम लागू किया जाता है।

लेखक उल्लेख करते हैं कि यह संशोधन नगण्य कम्प्यूटेशनल ओवरहेड जोड़ता है, क्योंकि IRLS लूप चरण-पुर्प्राप्ति चरण की जटिलता में केवल एक छोटा, निश्चित गुणात्मक कारक जोड़ता है।

प्रमुख योगदान

रोबस्ट फॉर्मूलेशन: पेपर रिडबर्ग-आधारित DoA अनुमान के लिए चरण-पुनर्प्राप्ति चरण हेतु एक $\ell_1$ -नॉर्म आधारित ऑब्जेक्टिव फंक्शन पेश करता है, जो आउटलेयर-संवेदनशील $\ell_2$ -नॉर्म का स्थान लेता है।
एल्गोरिदम दक्षता: प्रस्तावित RobQMUSIC मूल क्वांटम-MUSIC की अल्टरनेटिंग मिनिमाइजेशन संरचना को बनाए रखता है, जिसमें कोई संरचनात्मक जटिलता नहीं बढ़ती है और IRLS इटरेशन के कारण केवल मामूली कम्प्यूटेशनल लागत आती है।
आउटलेयर प्रतिरोध (Outlier Resilience): यह विधि विशेष रूप से आउटलेयर्स के सपोर्ट या वितरण के पूर्व ज्ञान के बिना, स्पार्स, बड़े आयाम वाले आउटलेयर्स को संभालने के लिए डिज़ाइन की गई है।

संख्यात्मक परिणाम
एक रिडबर्ग परमाणु रिसीवर एरे (Cs परमाणु) का उपयोग करके सिमुलेशन परिणाम निम्नलिखित प्रदर्शित करते हैं:

आदर्श स्थितियाँ: स्वच्छ मापन (0% भ्रष्टाचार) के तहत, RobQMUSIC बेसलाइन क्वांटम-MUSIC के लगभग समान DoA अनुमान सटीकता प्राप्त करता है, जो पुष्टि करता है कि आउटलेयर्स की अनुपस्थिति में $\ell_1$ -IRLS फॉर्मूलेशन कोई महत्वपूर्ण प्रदर्शन दंड नहीं देता है।
आउटलेयर संदूषण (Outlier Contamination):
- 20% भ्रष्टाचार पर, बेसलाइन क्वांटम-MUSIC पूरी तरह विफल हो जाता है, जिसका स्पेक्ट्रम गंभीर रूप से विकृत हो जाता है और स्रोतों को पहचानने में असमर्थ होता है। इसके विपरीत, RobQMUSIC तीक्ष्ण, सही ढंग से स्थित चोटियाँ (peaks) बनाए रखता है।
- जैसे-जैसे आउटलेयर अंश ( $\eta$ ) बढ़ता है, क्वांटम-MUSIC का रूट मीन स्क्वायर एरर (RMSE) 40° के पास संतृप्त हो जाता है, जो पूर्ण विफलता का संकेत है। RobQIC कंटैमिनेशन के एक विस्तृत रेंज (70% तक) में लगभग 0.02° का RMSE बनाए रखता है।
- 25% भ्रष्टाचार के तहत, RobQMUSIC सिग्नल-टू-नॉइज़ रेशियो (SNR) बढ़ने के साथ मॉनोटोनिक सुधार दिखाता है, जबकि क्वांटम-MUSIC उच्च त्रुटि स्तरों पर संतृप्त रहता है।
ट्रेड-ऑफ: आउटलेयर्स की अनुपस्थिति में, $\ell_1$ पेनलाइजेशन (छोटे-रेसिडुअल वाले इनलायर्स को कम महत्व देने) के अंतर्निहित सांख्यिकीय दक्षता लागत के कारण RobQMUSIC, क्वांटम-MUSIC की तुलना में थोड़ा उच्च RMSE प्रदर्शित करता है। हालांकि, यह मामूली ओवरहेड स्पार्स बड़े-आयाम वाले आउटलेयर्स के विरुद्ध लगभग पूर्ण प्रतिरक्षा के बदले में लिया जाता है।

महत्व और दावे
पेपर का दावा है कि RobQMUSIC एक मजबूत ढांचा स्थापित करता है जो उन व्यावहारिक क्वांटम वायरलेस सेंसिंग सिस्टम के लिए आवश्यक है जहाँ मापन त्रुटियां अपरिहार्य हैं। स्पार्स बड़े-आयाम वाले आउटलेयर्स के प्रभाव को मूल एल्गोरिदम की संरचना को बदले बिना प्रभावी ढंग से दबाकर, यह विधि उन वातावरणों में विश्वसनीय DoA अनुमान सक्षम करती है जहाँ बेसलाइन क्वांटम-MUSIC गंभीर त्रुटि स्तरों तक गिर जाता है। लेखक इस कार्य को वास्तविक, मल्टी-यूज़र वायरलेस सेंसिंग सिस्टम में परमाणु रिसीवर को एकीकृत करने की दिशा में एक आवश्यक कदम के रूप में देखते हैं, और उल्लेख करते हैं कि भविष्य का कार्य वाइडबैंड परिदृश्यों और उन्नत एरे ज्यामितिओं का अन्वेषण करेगा।

मुख्य विचार: अदृश्य को सुनना

पुराना समाधान: "परफेक्ट वर्ल्ड" एल्गोरिदम

नया समाधान: "कठोर लेकिन निष्पक्ष" एल्गोरिदम

प्रयोगों ने क्या दिखाया

निष्कर्ष

इसी तरह के और पेपर