⚛️ quantum physics

Asymptotic distinguishability of Haar-averaged measurement models

यह शोध पत्र रैंडम चैनलों के बीच भेदभाव करने में टाइप-II त्रुटियों के स्पष्ट व्यंजक (explicit expressions) प्राप्त करके और विभिन्न स्केलिंग व्यवस्थाओं (scaling regimes) में टोटल वेरिएशन डिस्टेंस के माध्यम से सामूहिक और स्वतंत्र यूनिटरी मेजरमेंट मॉडलों के बीच विसंगति को परिमाणित करके, हेयर-एवरेजड मेजरमेंट मॉडल्स की एसिम्प्टोटिक डिस्टिंगविशबिलिटी (asymptotic distinguishability) की जांच करता है।

मूल लेखक: Ludmiła Marcinkowska, Łukasz Pawela, Marcin Markiewicz, Zbigniew Puchała

प्रकाशित 2026-06-01

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ludmiła Marcinkowska, Łukasz Pawela, Marcin Markiewicz, Zbigniew Puchała

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

यहाँ सरल भाषा और रचनात्मक उपमाओं (analogies) का उपयोग करके शोध पत्र (paper) की व्याख्या दी गई है।

बड़ी तस्वीर: शोर को सुनने के दो तरीके

कल्पना कीजिए कि आप एक विशाल, जटिल साउंड सिस्टम वाले कमरे में हैं। आप यह समझना चाहते हैं कि सिस्टम कैसे काम करता है, लेकिन आप तार या नॉब्स (knobs) नहीं देख सकते। आप केवल बजने वाले संगीत को सुन सकते हैं।

यह शोध पत्र इस बारे में है कि एक "रैंडम" (यादृच्छिक) साउंड सिस्टम को दो अलग-अलग तरीकों से कैसे सेट किया जा सकता है, उनके बीच अंतर कैसे किया जाए। लेखक यह सवाल पूछ रहे हैं: यदि मैं आउटपुट को सुनता हूँ, तो क्या मैं बता सकता हूँ कि सिस्टम एक विशाल, सिंक्रोनाइज़्ड (एक साथ चलने वाले) मस्तिष्क द्वारा नियंत्रित है, या दो अलग-अलग, स्वतंत्र मस्तिष्कों द्वारा?

वे इस समस्या का अध्ययन "सुनने" के दो अलग-अलग स्तरों पर करते हैं:

क्वांटम स्तर (The "Coherent" Ear): उन कच्ची, अदृश्य क्वांटम तरंगों को सुनना जो ध्वनि में बदलने से पहले होती हैं।
क्लासिकल स्तर (The "Statistician" Ear): केवल बजाए गए सुरों की अंतिम सूची (हिस्टोग्राम) को सुनना।

भाग 1: क्वांटम कान (द घोस्ट को डिटेक्ट करना)

सेटअप:
एक "जादुई बॉक्स" (क्वांटम चैनल) की कल्पना करें।

परिदृश्य A: बॉक्स बस एक दर्पण (Identity channel) है। यह सब कुछ पूरी तरह से परावर्तित करता है।
परिदृश्य B: बॉक्स एक "रैंडमाइज़र" (Randomizer) है। यह एक इनपुट लेता है, उसे बेतरतीब ढंग से घुमाता है (Haar-random unitary का उपयोग करके), उसे मापता है, और परिणाम लिख देता है।

परीक्षण:
शोधकर्ता एक विशेष "एंटैंगलमेंट ट्रिक" का उपयोग करते हैं। वे बॉक्स में जोड़े में पूरी तरह से जुड़े हुए कण भेजते हैं। एक कण बॉक्स के माध्यम से जाता है; दूसरा बाहर रहता है।

यदि बॉक्स सिर्फ एक दर्पण है, तो दोनों कण पूरी तरह से जुड़े रहते हैं।
यदि बॉक्स एक रैंडमाइज़र है, तो यह लिंक को तोड़ देता है (decoherence)।

निष्कर्ष:
उन्होंने ठीक से गणना की कि गलती करने की कितनी संभावना है (यह सोचना कि बॉक्स एक दर्पण है जबकि वह वास्तव में एक रैंडमाइज़र है)।

उपमा: यह तूफान में फुसफुसाहट सुनने की कोशिश करने जैसा है। यदि "कमरा" (सिस्टम का आयाम) बहुत बड़ा है, तो रैंडमाइज़र इतना अराजक होता है कि एक दर्पण से इसे अलग पहचानना लगभग असंभव है—जब तक कि आपके पास एक बहुत ही संवेदनशील, एंटैंगल्ड कान न हो।
परिणाम: जैसे-जैसे सिस्टम बड़ा होता जाता है, "गलती की दर" शून्य हो जाती है। रैंडमाइज़र सूचना को बिखेरने में इतना प्रभावी है कि यह एक मानक परीक्षण के लिए दर्पण जैसा दिखता है, लेकिन एंटैंगल्ड कान इसे फिर भी पकड़ सकता है।

भाग 2: क्लासिकल कान (कंकड़ों की गिनती करना)

अब, कल्पना कीजिए कि संगीत रुक गया है, और हम केवल बजाए गए सुरों की एक सूची देख रहे हैं। हम अब क्वांटम तरंगों को नहीं देख सकते; हमारे पास केवल परिणामों की एक "रसीद" है।

दो मॉडल:
शोधकर्ता इन सुरों की सूचियों को उत्पन्न करने के दो तरीकों की तुलना करते हैं:

"एक बड़ा मस्तिष्क" मॉडल (Collective): एक विशाल रैंडमाइज़र पूरे सिस्टम को एक साथ नियंत्रित करता है। यह एक रैंडम पैटर्न चुनता है और इसे सभी सुरों पर एक साथ लागू करता है।
"दो अलग मस्तिष्क" मॉडल (Block-Independent): सिस्टम को दो समूहों में विभाजित किया गया है। समूह A को रैंडमाइज़र A द्वारा नियंत्रित किया जाता है। समूह B को रैंडमाइज़र B द्वारा नियंत्रित किया जाता है। वे एक-दूसरे से बात नहीं करते हैं।

प्रश्न:
यदि मैं आपको केवल सुरों की अंतिम सूची (हिस्टोग्राम या गणना) दे दूँ, तो क्या आप बता सकते हैं कि किस मॉडल ने इसे बनाया है?

मुख्य अंतर्दृष्टि: कोलिजन (Collisions)
उन्हें एक-दूसरे से अलग बताने का रहस्य कोलिजन (टकराव/मिलन) में छिपा है।

कल्पना कीजिए कि आप $N$ कंकड़ $d$ बाल्टियों में फेंक रहे हैं।
कोलिजन (Collision): जब दो कंकड़ एक ही बाल्टी में गिरते हैं।
"एक बड़ा मस्तिष्क" मॉडल: क्योंकि पूरा सिस्टम जुड़ा हुआ है, यदि समूह A में एक कोलिजन होता है, तो यह सूक्ष्म रूप से समूह B में कोलिजन की संभावनाओं को बदल देता है। वे "सहसंबंधित" (correlated) हैं।
"दो अलग मस्तिष्क" मॉडल: समूह A और समूह B पूरी तरह से स्वतंत्र हैं। A में एक कोलिजन का B के बारे में कुछ भी पता नहीं चलता।

निष्कर्ष (द "रेजीम्स"):
लेखकों ने विश्लेषण किया कि आप कितने कंकड़ ( $N$ ) फेंकते हैं और आपके पास कितनी बाल्टियाँ ( $d$ ) हैं, इसके आधार पर मॉडलों को अलग पहचानना कितना आसान है।

कम कंकड़, विशाल कमरा ( $N$ छोटा है, $d$ बहुत बड़ा है):
- उपमा: एक विशाल स्टेडियम में कुछ कंकड़ फेंकना।
- परिणाम: कोलिजन बहुत दुर्लभ हैं। चूंकि कोलिजन ही मॉडलों को अलग बताने का एकमात्र तरीका है, इसलिए आप उन्हें बिल्कुल भी अलग नहीं पहचान सकते। अंतर समाप्त हो जाता है।
बहुत सारे कंकड़, छोटा कमरा ( $N$ बहुत बड़ा है, $d$ स्थिर है):
- उपमा: एक छोटे जूते के डिब्बे में हजारों कंकड़ फेंकना।
- परिणाम: आपको इतने सारे कोलिजन मिलते हैं कि पैटर्न स्पष्ट हो जाते हैं। यदि आप "ब्लॉक लेबल" रखते हैं (यह जानकर कि कौन सा कंकड़ समूह A से आया और कौन सा समूह B से), तो आप मॉडलों को पूरी तरह से अलग पहचान सकते हैं। अंतर 100% हो जाता है।
"क्रिटिकल" ज़ोन ( $N$ , $\sqrt{d}$ की तरह बढ़ता है):
- उपमा: यह "गोल्डिलॉक्स" ज़ोन है। आपके पास इतने कंकड़ हैं कि कोलिजन दिखने शुरू हो जाएं, लेकिन इतने भी नहीं कि कमरा भर जाए।
- परिणाम: कोलिजन एक प्रसिद्ध गणितीय पैटर्न का पालन करते हैं जिसे पॉइसन वितरण (Poisson distribution) कहा जाता है (जैसे एक घंटे में सड़क के कोने से गुजरने वाली कारों की संख्या गिनना)।
- लेखकों ने सटीक सूत्र पाया कि इस ज़ोन में दोनों मॉडल कितने अलग हैं। यह पूरी तरह से "कोलिजन काउंट" पर निर्भर करता है।

"कोर्स-ग्रेन्ड" बनाम "हाई-डेफिनिशन" दृश्य

शोध पत्र एक महत्वपूर्ण अंतर बनाता है कि आप क्या देख रहे हैं:

एग्रीगेट व्यू (Aggregate View - मोटे तौर पर देखना): आप कंकड़ों के कुल ढेर को देखते हैं। आप जानते हैं कि "बाल्टी 5 में 3 कंकड़ हैं," लेकिन आप यह नहीं जानते कि 2 समूह A से आए और 1 समूह B से, या इसके विपरीत।
- परिणाम: यह दृश्य "धुंधला" है। मॉडलों को अलग पहचानना कठिन है। टोटल वेरिएशन डिस्टेंस (यह मापने का पैमाना कि सूचियाँ कितनी अलग हैं) कम है।
ब्लॉक-रिज़ॉल्व्ड व्यू (Block-Resolved View - उच्च-परिभाषा वाला दृश्य): आप लेबल रखते हैं। आप जानते हैं कि कौन सा कंकड़ समूह A से आया और कौन सा समूह B से।
- परिणाम: यह दृश्य "स्पष्ट" है। यह मॉडलों को अलग पहचानना बहुत आसान है। शोध पत्र सिद्ध करता है कि "धुंधला" दृश्य हमेशा एक "लोअर बाउंड" (न्यूनतम सीमा) है—यह मॉडलों को अलग करने का सबसे खराब परिदृश्य है। यदि आपके पास लेबल हैं, तो आप हमेशा बेहतर कर सकते हैं।

"टेकअवे" का सारांश

क्वांटम बनाम क्लासिकल: क्वांटम स्तर पर, यदि आप एंटैंगल्ड कणों का उपयोग करते हैं, तो एक रैंडम माप एक पूर्ण दर्पण से बहुत अलग दिखता है। लेकिन एक बार जब आप इसे साधारण संख्याओं की सूची (क्लासिकल डेटा) में बदल देते हैं, तो क्वांटम "जादू" चला जाता है।
कोलिजन ही कुंजी है: यह बताने का एकमात्र तरीका कि एक रैंडम प्रक्रिया "कलेक्टिव" (एक मस्तिष्क) थी या "इंडिपेंडेंट" (दो मस्तिष्क), कोलिजन (दो परिणामों का मिलना) को देखना है।
रैंडमनेस का गणित: लेखकों ने यह मानचित्र बनाया है कि जैसे-जैसे आप सिस्टम का आकार बदलते हैं, इन दो मॉडलों को अलग करने की क्षमता कैसे बदलती है।
- एक विशाल सिस्टम में कम नमूनों के साथ, वे समान दिखते हैं।
- एक छोटे सिस्टम में अधिक नमूनों के साथ, वे पूरी तरह से अलग दिखते हैं।
- बीच में, अंतर एक सुंदर, अनुमानित गणितीय वक्र का अनुसरण करता है जो "आकस्मिक मिलानों" (कोलिजन) की संख्या पर आधारित है।

संक्षेप में, यह शोध पत्र इस बात का विस्तृत मानचित्र है कि जब आप एक जटिल क्वांटम प्रक्रिया को संख्याओं की एक सरल सूची में बदलते हैं, तो कितनी जानकारी खो जाती है, और उस सूची में मूल "संरचना" का कितना हिस्सा दिखाई देता है।

तकनीकी सारांश: हेयर-एवरेज्ड मेजरमेंट मॉडल्स की एसिम्प्टोटिक डिस्टिंगुइशेबिलिटी (अतिक्ति विभेद्यता)

समस्या विवरण
यह कार्य हेयर-रैंडम यूनिटरी ऑपरेशन्स द्वारा उत्पन्न क्वांटम प्रक्रियाओं के विभेदन (discrimination) की जांच करता है, जिसका विश्लेषण दो अलग-अलग अवलोकन स्तरों पर किया गया है। प्राथमिक अध्ययन वस्तु एक हेयर-रैंडम मेजर-एंड-प्रिपेयर चैनल है, जिसे एक हेयर-रैंडम यूनिटरी $U$ और उसके बाद कम्प्यूटेशनल बेसिस में एक प्रोजेक्टिव मेजरमेंट के रूप में परिभाषित किया गया है। यह शोध दो विशिष्ट विभेदन समस्याओं को संबोधित करता है:

चैनल-स्तरीय विभेदन (Channel-Level Discrimination): एक कोहेरेंस-सेंसिटिव एंटैंगल्ड टेस्टर का उपयोग करके एक हेयर-रैंडम मेजर-एंड-प्रिपेयर चैनल $Q_U^{(N)}$ को आइडेंटिटी चैनल $I$ से अलग करना।
क्लासिकल स्टैटिस्टिक्स विभेदन (Classical Statistics Discrimination): एक कंपोजिट सिस्टम के लिए कार्य कर रहे दो रैंडम मेजरमेंट मॉडल्स की तुलना करना, जहाँ उपलब्ध डेटा क्लासिकल मेजरमेंट आउटकम्स हैं। ये मॉडल्स अंतर्निहित यूनिटरीज की संरचना में भिन्न होते हैं:
- कलेक्टिव मॉडल (Collective Model): एक एकल हेयर-रैंडम यूनिटरी $U$ सामूहिक रूप से $U^{\otimes N}$ के रूप में कार्य करती है।
- ब्लॉक-कलेक्टिव मॉडल (Block-Collective Model): दो स्वतंत्र हेयर-रैंडम यूनिटरीज $U$ और $V$ , क्रमशः $n_1$ और $n_2$ सबसिस्टम्स के विलगित ब्लॉक्स पर सामूहिक रूप से $U^{\otimes n_1} \otimes V^{\otimes n_2}$ के रूप में कार्य करती हैं।

केंद्रीय प्रश्न यह है कि क्या क्लासिकल आउटकम स्टैटिस्टिक्स (विशेष रूप से, आउटकम्स का एग्रीगेट हिस्टोग्राम) इन दो मॉडल्स के बीच अंतर करने के लिए पर्याप्त जानकारी रखते हैं, और यह विभेद्यता (distinguishability) $N$ सैंपल्स और हिल्बर्ट स्पेस डायमेंशन $d$ के साथ कैसे स्केल करती है।

कार्यप्रणाली (Methodology)
लेखक क्वांटम इंफॉर्मेशन थ्योरी, रैंडम मैट्रिक्स थ्योरी (विशेष रूप से, वेिंगेटन कैलकुलस) और क्लासिकल प्रोबेबिलिटी थ्योरी के संयोजन का उपयोग करते हैं।

चैनल-स्तरीय विश्लेषण: रैंडम चैनल और आइडेंटिटी के बीच विभेदन को क्वांटम हाइपोथीसिस टेस्टिंग समस्या के रूप में तैयार किया गया है। लेखक एक मैक्सिमली एंटैंगल्ड इनपुट स्टेट $|\psi\rangle$ और एक टू-आउटकम टेस्टर $\{\Pi_0, \Pi_1\}$ का उपयोग करते हैं। टाइप-II एरर प्रोबेबिलिटी को यूनिटरी ग्रुप पर एक हेयर इंटीग्रल के रूप में व्यक्त किया जाता है, जिसका मूल्यांकन वेिंगेटन कैलकुलस का उपयोग करके स्पष्ट रूप से किया जाता है।
क्लासिकल स्टैटिस्टिक्स मैपिंग: क्लासिकल रिजीम के लिए, मेजरमेंट आउटकम्स को एक क्लासिकल ऑक्यूपेंसी प्रॉब्लम में मैप किया जाता है। एक निश्चित यूनिटरी पर कंडिशन किया गया होने पर, आउटकम्स एक मल्टीनोमियल डिस्ट्रीब्यूशन का पालन करते हैं। हेयर मेजर के ऊपर औसत निकालने से आउटकम्स के प्रोबेबिलिटी वेक्टर पर एक डिरिचलेट डिस्ट्रीब्यूशन प्रेरित होता है। फलस्वरूप, आउटकम हिस्टोग्राम्स (प्रत्येक बेस स्टेट की गिनती) का वितरण $d$ भागों में $N$ के पूर्णांक संयोजनों (integer compositions) के सेट पर एक यूनिफॉर्म डिस्ट्रीब्यूशन का अनुसरण करता है।
सांख्यिकीय दूरी (Statistical Distance): कलेक्टिव और ब्लॉक-कलेक्टिव मॉडल्स के बीच विभेद्यता को टोटल वेरिएशन डिस्टेंस (TVD) का उपयोग करके मापा जाता है। लेखक दोनों मॉडल्स के लिए हेयर-एवरेजड एग्रीगेट हिस्टोग्राम लॉ के क्लोज्ड-फॉर्म एक्सप्रेशन प्राप्त करते हैं। वे दो चीजों के बीच अंतर करते हैं:
- एग्रीगेट TVD: कुल हिस्टोग्राम $\lambda = \lambda^{(1)} + \lambda^{(2)}$ के वितरणों के बीच की दूरी, जहाँ ब्लॉक लेबल्स खो जाते हैं।
- ब्लॉक-रिजॉल्व्ड TVD: ऑर्डर्ड पेयर ऑफ हिस्टोग्राम्स $(\lambda^{(1)}, \lambda^{(2)})$ के वितरणों के बीच की दूरी, जहाँ ब्लॉक लेबल्स बनाए रखे जाते हैं।
एसिम्प्टोटिक विश्लेषण: लेखक चार अलग-अलग एसिम्प्टोटिक रिजीम्स में TVD का विश्लेषण करते हैं:
1. फिक्स्ड $N$ , लार्ज $d$ ।
2. फिक्स्ड $d$ , लार्ज $N$ ।
3. स्पार्स जॉइंट स्केलिंग: $N = o(\sqrt{d})$ ।
4. क्रिटिकल स्केलिंग: $N/\sqrt{d} \to c$ ।

मुख्य योगदान और परिणाम

चैनल-स्तरीय बेंचमार्क: लेखक रैंडम चैनल और आइडेंटिटी के बीच अंतर करने में हेयर-एवरेजड टाइप-II एरर प्रोबेबिलिटी का एक स्पष्ट सूत्र प्राप्त करते हैं (थ्योरम 1)। यह एरर फिक्स्ड $N$ के लिए $d \to \infty$ होने पर $O(d^{-2N})$ के रूप में स्केल करते हुए शून्य हो जाता है। यह एक बेसलाइन स्थापित करता है कि जब क्वांटम कोहेरेंस संरक्षित रहता है, तो रैंडम चैनल को आइडेंटिटी से आसानी से अलग किया जा सकता है।
क्लासिकल ऑक्यूपेंसी इंटरप्रिटेशन: यह कार्य स्थापित करता है कि हेयर-एवरेजड मेजरमेंट स्टैटिस्टिक्स को एक क्लासिकल ऑक्यूपेंसी प्रॉब्लम में मैप किया जा सकता है जहाँ प्रोबेबिलिटी वेक्टर सिम्प्लेक्स पर यूनिफॉर्मली डिस्ट्रीब्यूटेड है (प्रपोजिशन 8)। यह एक पारदर्शी प्रोबेबिलिस्टिक इंटरप्रिटेशन प्रदान करता है जहाँ विभेद्यता "कोलिजन" इवेंट्स (दोहराए गए आउटकम्स) द्वारा संचालित होती है।
एग्रीगेट बनाम ब्लॉक-रिजॉल्व्ड डिस्टिंगुइशेबिलिटी:
- लेखक ब्लॉक-सेपरेटेड मॉडल के लिए सटीक एग्रीगेट हिस्टोग्राम लॉ प्राप्त करते हैं, जो दर्शाता है कि इसमें कंस्ट्रेंड हिस्टोग्राम डिकम्पोजिशन द्वारा नियंत्रित एक कॉम्बिनेटरियल डेफॉर्मेशन शामिल है (प्रपोजिशन 11)।
- वे सिद्ध करते हैं कि एग्रीगेट TVD, ब्लॉक-रिजॉल्व्ड TVD के लिए एक कोर्स-ग्रेन्ड लोअर बाउंड है (इक्वेशन 67)।
- फिक्स्ड- $d$ , लार्ज- $N$ रिजीम में, ब्लॉक-रिजॉल्व्ड मॉडल्स एसिम्प्टोटिक रूप से परफेक्टली डिस्टिंगुइशेबल हो जाते हैं (TVD $\to 1$ ), जबकि एग्रीगेट TVD $d$ और ब्लॉक रेश्यो $\alpha = n_1/N$ पर निर्भर एक नॉन-ट्रिवियल लिमिट की ओर अभिसरित होता है (कोरोलरी 30, प्रपोजिशन 15)।
एग्रीगेट TVD के एसिम्प्टोटिक रिजीम्स:
- फिक्स्ड $N$ , लार्ज $d$ : TVD $\frac{n_1 n_2}{d} + O(d^{-2})$ के रूप में स्केल करता है (प्रपोजिशन 13)। विभेद्यता दुर्लभ सिंगल-कोलिजन इवेंट्स द्वारा शासित होती है और डायमेंशन बढ़ने के साथ लुप्त हो जाती है।
- फिक्स्ड $d$ , लार्ज $N$ : TVD एक सीमित सीमा (limit) की ओर अभिसरित होता है जो ट्रंकेटेड पॉलीटोप के वॉल्यूम वाले सिम्प्लेक्स पर एक इंटीग्रल द्वारा व्यक्त किया जाता है (प्रपोजिशन 15)। $d=2$ के लिए, यह सीमा ठीक $\alpha(1-\alpha)$ है।
- स्पार्स स्केलिंग ( $N = o(\sqrt{d})$ ): इसका व्यवहार फिक्स्ड- $N$ केस के समान है, जहाँ TVD $\approx \frac{n_1 n_2}{d}$ है (प्रपोजिशन 20)।
- क्रिटिकल स्केलिंग ( $N/\sqrt{d} \to c$ ): कोलिजन पेयर्स की संख्या एक पॉइसन रैंडम वेरिएबल $K \sim \text{Poisson}(c^2)$ की ओर अभिसरित होती है। लिमिटिंग एग्रीगेट TVD इस डिस्ट्रीब्यूशन पर एक एक्सपेक्टेशन द्वारा दिया गया है: $\frac{1}{2} \mathbb{E} |1 - e^{\alpha(1-\alpha)c^2}(1 - \alpha(1-\alpha))^K|$ (थ्योरम 27)। यह स्पार्स और डेंस सैंपलिंग के बीच के ट्रांजिशन का पूर्ण विवरण प्रदान करता है।
ब्लॉक-रिजॉल्व्ड एसिम्प्टोटिक्स: क्रिटिकल स्केलिंग रिजीम में, ब्लॉक-रिजॉल्व्ड TVD क्रॉस-ब्लॉक कोलिजन्स (जहाँ ब्लॉक 1 में एक आउटकम और ब्लॉक 2 में एक आउटकम एक ही वैल्यू साझा करते हैं) द्वारा शासित होता है। यह काउंट भी एक पॉइसन डिस्ट्रीब्यूशन की ओर अभिसरित होता है, जिससे एक अलग लिमिटिंग फॉर्मूला प्राप्त होता है (थ्योरम 29)।

महत्व और दावे
यह पेपर इस बात का विस्तृत ऑपरेशनल विश्लेषण प्रदान करने का दावा करता है कि क्वांटम रैंडमनेस क्लासिकल स्टैटिस्टिकल डिस्टिंगुइशेबिलिटी में कैसे परिवर्तित होती है। लेखक इस बात पर जोर देते हैं कि जबकि कोहेरेंट क्वांटम टेस्टर्स रैंडम चैनल को आइडेंटिटी से आसानी से अलग कर सकते हैं, क्लासिकल स्टैटिस्टिक्स केवल आउटकम हिस्टोग्राम्स में कोलिजन्स की कॉम्बिनेटरिक्स के माध्यम से अंतर्निहित संरचना (कलेक्टिव बनाम इंडिपेंडेंट यूनिटरीज) को प्रकट करते हैं।

यह कार्य एग्रीगेट स्टैटिस्टिक के ऑपरेशनल अर्थ को स्पष्ट करता है: यह उस विभेद्यता को दर्शाता है जो उपलब्ध होती है जब ब्लॉक लेबल्स खो जाते हैं, जो कि लेबल्स रिटेन रखने पर उपलब्ध डिस्टिंगुइशेबिलिटी से स्पष्ट रूप से कम है। प्राप्त एसिम्प्टोटिक फॉर्मूले, विशेष रूप से क्रिटिकल स्केलिंग रिजीम में, यह सटीक लक्षण वर्णन करते हैं कि स्पार्स से डेंस सैंपलिंग की ओर जाने वाला ट्रांजिशन, एक साझा हेयर-रैंडम यूनिटरी द्वारा थोपी गई सहसंबंधों (correlations) का पता लगाने की क्षमता को कैसे प्रभावित करता है। परिणाम उन सांख्यिकीय प्रश्नों के पदानुक्रम (hierarchy) को दर्शाते हैं जहाँ कोहेरेंट डिटेक्शन, क्वांटम चैनल स्तर से क्लासिकल मेजरमेंट रिकॉर्ड की ओर बढ़ने पर, कोलिजन-आधारित स्टैटिस्टिकल इन्फरेंस में बदल जाता है।