⚛️ quantum physics

Scalable Quantum Algorithms for Gutzwiller Projection

यह शोध पत्र स्केलेबल क्वांटम एल्गोरिदम प्रस्तुत करता है जो $t$ - $J$ मॉडल जैसे दृढ़ सह-संबंधित जाली मॉडलों (strongly correlated lattice models) के सिमुलेशन के लिए गुट्ज़विलर-प्रक्षेपित अवस्थाओं (Gutzwiller-projected states) की कुशल तैयारी को सक्षम करने हेतु प्रोजेक्शन क्वेरीज़ में द्विघाती कमी (quadratic reduction) प्राप्त करने के लिए मनमाने BCS अवस्था निर्माण को एम्प्लीट्यूड एम्प्लीफिकेशन के साथ जोड़ता है।

मूल लेखक: Byungmin Kang, Hyunwoong Kwon, Vito W. Scarola, Kwon Park

प्रकाशित 2026-06-08

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Byungmin Kang, Hyunwoong Kwon, Vito W. Scarola, Kwon Park

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 बड़ी तस्वीर: "परफेक्ट" शुरुआती बिंदु खोजना

कल्पना कीजिए कि आप एक विशाल, अविश्वसनीय रूप से कठिन पहेली (जो एक उच्च-तापमान सुपरकंडक्टर जैसे जटिल पदार्थ का प्रतिनिधित्व करती है) को हल करने की कोशिश कर रहे हैं। इसे जल्दी हल करने के लिए, आपको एक ऐसे पहेली के टुकड़े से शुरुआत करनी होगी जो अंतिम चित्र के बहुत करीब हो। यदि आप एक रैंडम टुकड़े से शुरू करते हैं, तो आप सही जगह खोजने में ही अनंत समय बिता सकते हैं।

क्वांटम कंप्यूटिंग की दुनिया में, इस "परफेक्ट शुरुआती टुकड़े" को इनपुट स्टेट (input state) कहा जाता है। यह पेपर एक विशिष्ट प्रकार के शुरुआती स्टेट पर केंद्रित है जिसे गुत्ज़विलर-प्रोजेक्टेड BCS स्टेट (Gutzwiller-projected BCS state) या RVB स्टेट कहा जाता है। इस स्टेट को एक बहुत ही समझदार अनुमान के रूप में समझें जिसे भौतिकविदों (physicists) ने जाना है कि यह इन पेचीदा पदार्थों में इलेक्ट्रॉन्स के व्यवहार को समझाने के लिए बहुत अच्छा है।

हालाँकि, एक समस्या है: क्वांटम कंप्यूटर पर इस परफेक्ट शुरुआती टुकड़े को बनाना अविश्वसनीय रूप से कठिन है।

समस्या: "डबल ऑक्यूपेंसी" (Double Occupancy) का नियम

कल्पना कीजिए कि एक भीड़भाड़ वाला डांस फ्लोर (क्वांटम कंप्यूटर) है जहाँ इलेक्ट्रॉन डांसर हैं। उन विशिष्ट पदार्थों में जिनका अध्ययन लेखक कर रहे हैं, एक सख्त नियम है: विपरीत स्पिन वाले दो डांसर एक ही समय में एक ही जगह पर खड़े नहीं हो सकते। यदि वे ऐसा करते हैं, तो ऊर्जा बहुत अधिक हो जाती है, और स्टेट "बर्बाद" हो जाता है।

आसान हिस्सा (BCS स्टेट): लेखक आसानी से एक ऐसा "डांस फ्लोर" बना सकते हैं जहाँ डांसर एक समन्वित, सुंदर पैटर्न में घूम रहे हों (BCX स्टेट)।
कठिन हिस्सा (द प्रोजेक्शन): समस्या यह है कि इस आसान पैटर्न में, कुछ डांसर गलती से एक ही जगह पर खड़े हो जाते हैं (डबल ऑक्यूपेंसी)। "परफेक्ट" RVB स्टेट पाने के लिए, आपको उन सभी जोड़ों को हटाना होगा।

पुराना तरीका (मेज़रमेंट-बेस्ड पोस्टसिलेक्शन):
कल्पना कीजिए कि आप हर एक जगह पर नज़र रखने के लिए एक रेफरी को तैनात करके डांस फ्लोर को ठीक करने की कोशिश कर रहे हैं।

यदि रेफरी को एक जोड़ी दिखती है, तो वे चिल्लाते हैं "रुको!" और सभी को ड्रेसिंग रूम में वापस जाना पड़ता है और पूरे डांस को फिर से शुरू से शुरू करना पड़ता है।
क्योंकि "परफेक्ट" डांस "मेसी" (बिखरे हुए) डांस की तुलना में बहुत दुर्लभ है, इसलिए रेफरी लगभग हर बार "रुको!" चिल्लाएगा।
आपको एक सफल रन प्राप्त करने के लिए ट्रिलियन बार डांस को फिर से शुरू करना पड़ सकता है। यह क्वांटम कंप्यूटर के लिए बहुत धीमा और महंगा है।

समाधान: "एम्प्लीट्यूड एम्प्लीफिकेशन" (Amplitude Amplification) का जादू

लेखक एक नई विधि प्रस्तावित करते हैं जिसे एम्प्लीट्यूड एम्प्लीफिकेशन फॉर गुत्ज़विलर प्रोजेक्शन (AAGP) कहा जाता है।

देखने और फिर से शुरू करने के बजाय, कल्पना कीजिए कि आपके पास एक जादुई कंडक्टर है जो डांसरों को कोहेरेंटली (सहजता से) धकेल (nudge) सकता है।

हर बार जब डांसर गलती से एक-दूसरे के ऊपर कदम रखते हैं, तो कंडक्टर संगीत नहीं रोकता। इसके बजाय, वे लय को सूक्ष्म रूप से इस तरह बदलते हैं कि वह "गलती" कम होने की संभावना हो और "परफेक्ट" पैटर्न की संभावना अधिक हो जाए।
वे इस धक्के (nudge) को कई बार दोहराते हैं।
जादू: जबकि पुराने तरीके में ट्रिलियन प्रयासों की आवश्यकता थी (लीनियर स्केलिंग), इस नए तरीके में केवल उस संख्या के वर्गमूल (स्क्वायर रूट) की आवश्यकता होती है (क्वाड्रेटिक स्केलिंग)।

उपमा (Analogy):

पुराना तरीका: आप घास के ढेर में एक विशिष्ट सुई खोज रहे हैं। आप घास का एक मुट्ठी भर हिस्सा निकालते हैं, उसकी जांच करते हैं, और यदि वह सुई नहीं है, तो आप पूरे घास के ढेर को फेंक देते हैं और एक नए ढेर के साथ शुरू करते हैं।
नया तरीका (AAGP): आपके पास एक चुंबक है जो हर बार चेक करने पर सुई को धीरे से सतह के करीब खींचता है। आपको घास के ढेर को फेंकने की ज़रूरत नहीं है; आप बस चुंबक का उपयोग तब तक करते रहते हैं जब तक कि सुई बाहर न निकल आए।

परिणाम: एक बड़ी छलांग

लेखकों ने यह देखने के लिए सिमुलेशन चलाए कि यह नई विधि कितनी बेहतर है।

चुनौती: 100 साइट्स वाले सिस्टम के लिए (एक "डांस फ्लोर" जिसमें 100 जगहें हैं), परफेक्ट स्टेट के स्वाभाविक रूप से मौजूद होने की संभावना इतनी कम है कि पुराने तरीके को लगभग 10,000,000,000,000,000 (10 क्वाड्रिलियन) बार प्रयास करने की आवश्यकता होगी।
ब्रेकथ्रू: उनके नए AAGP मेथड का उपयोग करके, उन्हें केवल 10,000,000 (10 मिलियन) बार प्रयास करने की आवश्यकता है।

निष्कर्ष:
यह सात ऑर्डर ऑफ मैग्नीट्यूड (सात गुना घात) की कमी है। इसे समझने के लिए, यदि पुराने तरीके को पूरा करने में एक मानव जीवनकाल लग जाता, तो नया तरीका कुछ घंटों में पूरा हो सकता है।

यह क्यों महत्वपूर्ण है

यह पेपर यह दावा नहीं करता कि यह सामग्रियों के सिम्युलेशन की पूरी समस्या को हल कर देता है। यह दावा करता है कि यह पहले, सबसे महत्वपूर्ण चरण को हल करता है: सही शुरुआती बिंदु प्राप्त करना।

इस नए ट्रिक के बिना, बड़े सिस्टम के लिए इन विशिष्ट क्वांटम स्टेट्स को तैयार करना प्रभावी रूप से असंभव है क्योंकि कंप्यूटर का समय और ऊर्जा समाप्त हो जाएगी।
इस नए ट्रिक के साथ, ये स्टेट्स व्यावहारिक और उपयोग योग्य बन जाते हैं। यह एक "सैद्धांतिक विचार" को क्वांटम कंप्यूटरों के लिए एक "डिप्लॉय करने योग्य टूल" में बदल देता है।

संक्षेप में, लेखकों ने क्वांटम सिमुलेशन के शुरुआती स्टेट्स तैयार करने के लिए एक "टर्बोचार्जर" बनाया है, जिससे उन जटिल पदार्थों का अध्ययन करना संभव हो गया है जो पहले पहुंच से बाहर थे।

तकनीकी सारांश: गट्सविलर प्रोजेक्शन के लिए स्केलेबल क्वांटम एल्गोरिदम

समस्या विवरण
हबर्ड (Hubbard) और $t$ - $J$ मॉडल जैसे स्ट्रॉन्गली कोरिलेटेड लैटिस मॉडल्स का क्वांटम सिमुलेशन, सटीक क्लासिकल डायगोनलाइजेशन की पहुंच से परे क्वांटम सामग्रियों के अध्ययन के लिए एक मार्ग प्रदान करता है। हालांकि, वेरिएशनल क्वांटम इगनवैल्यू सॉल्वर (VQE) और क्वांटम फेज एस्टिमेशन (QPE) जैसे एल्गोरिदम की प्रभावकारिता इनपुट स्टेट की गुणवत्ता पर अत्यधिक निर्भर करती है। स्ट्रॉन्गली रिपल्सिव सिस्टम्स के लिए, गट्सविलर-प्रोजेक्टेड बार्डिन-कूपर-श्रिफर (BCS) स्टेट (जिसे अक्सर रेजोनटिंग वैलेंस बॉन्ड या RVB स्टेट भी कहा जाता है) एक भौतिक रूप से प्रेरित एंसेट (ansatz) है जो इन मॉडल्स में अंतर्निहित 'नो-डबल-ऑक्यूपेंसी' (कोई दोहरा अधिभोग नहीं) की बाधा को कैप्चर करता है।

क्वांटम हार्डवेयर पर RVB स्टेट्स का उपयोग करने में प्राथमिक बाधा गट्सविलर प्रोजेक्शन ( $\mathcal{P}_G$ ) की गैर-तुच्छ (non-trivial) प्रकृति है। एक सरल दृष्टिकोण में प्रत्येक लैटिस साइट पर डबल ऑक्यूपेंसी को बार-बार मापना और बिना डबल ऑक्यूपेंसी वाले परिणामों को पोस्ट-सेलेक्ट करना शामिल है। यह मेजरमेंट-आधारित विधि अत्यधिक अक्षम है क्योंकि अनप्रोजेक्टेड BCS स्टेट के भीतर RV_B स्टेट का प्रोबेबिलिटी वेट ( $W$ ) सिस्टम साइज के साथ तेजी से (exponentially) घटता है। फलस्वरूप, RVB स्टेट्स को तैयार करने के लिए आवश्यक क्वेरीज की संख्या $O(1/W)$ के रूप में स्केल करती है, जिससे भौतिक रूप से प्रासंगिक सिस्टम साइज (जैसे $\sim 100$ साइट्स) के लिए RVB स्टेट्स की तैयारी करना प्रभावी रूप से असंभव हो जाता है क्योंकि सफलता की संभावना घातीय रूप से कम हो जाती है।

कार्यप्रणाली (Methodology)
लेखक एक स्केलेबल क्वांटम एल्गोरिदम प्रस्तावित करते हैं जिसे एम्प्लीट्यूड एम्प्लीफिकेशन फॉर गट्सविलर प्रोजेक्शन (AAGP) कहा जाता है, ताकि पोस्ट-सेलेक्शन की अक्षमता को दूर किया जा सके। यह कार्यप्रणाली दो घटकों से मिलकर बनी है:

स्वतंत्र (Arbitrary) BCS स्टेट्स का निर्माण:
लेखक परिमित-आकार के क्वांटम कंप्यूटरों पर स्वतंत्र BCS स्टेट्स तैयार करने के लिए एक सर्किट निर्माण का विवरण देते हैं, भले ही ट्रांसलेशनल सिमेट्री टूटी हुई हो (जैसे कि डिसऑर्डर्ड सिस्टम्स में)। यह ब्लोक-मेसियर (Bloch-Messiah) डीकंपोजिशन के माध्यम से प्राप्त किया जाता है।

BCS हैमिल्टनियन को बोगोलुबोव-डी गेन (BdG) रूप में व्यक्त किया जाता है।
सिंगल-पार्टिकल हैमिल्टनियन मैट्रिक्स को बोगोलुबोव ट्रांसफॉर्मेशन प्राप्त करने के लिए क्लासिकली डायगनालाइज़ किया जाता है।
एक यूनिटरी ऑपरेटर $U_{BCS}$ को गिवेंस रोटेशन्स (Givens rotations) के एक अनुक्रम का उपयोग करके बनाया जाता है (जिसे क्वांटम सर्किटों के माध्यम से लागू किया जाता है) जो वैक्यूम स्टेट को वांछित BCS स्टेट में मैप करता है। यह प्रक्रिया इलेक्ट्रॉनिक ऑपरेटर्स से डायगनालाइज़्ड क्वासिपार्टिकल बेसिस में ट्रांसफॉर्मेशन को हैंडल करती है।

प्रोजेक्शन के लिए एम्प्लीट्यूड एम्प्लीफिकेशन:
असफल स्टेट्स को मापने और त्यागने के बजाय, AAGP एल्गोरिदम BCS स्टेट के भीतर गट्सविलर-प्रोजेक्टेड घटक के एम्प्लीट्यूड को कोहेरेंटली एम्प्लीफाई करता है।

एल्गोरिदम प्रोजेक्शन को एक सर्च प्रॉब्लम के रूप में मानता है जहाँ टारगेट स्टेट RVB स्टेट ( $|\psi_{RVB}\rangle$ ) है और इनिशियल स्टेट BCS स्टेट ( $|\psi_{BCS}\rangle$ ) है।
यह $U_{BCS}$ , इसके इनवर्स $U_{BCS}^\dagger$ , और कंडीशनल फेज रोटेशन्स ( $R_{vac}$ और $R_G$ ) को शामिल करने वाले यूनिटरी ऑपरेशन्स की एक श्रृंखला का उपयोग करता है जो वैक्यूम और गट्सविलर-प्रोजेक्टेड सबस्पेस पर कार्य करते हैं।
चेबिशेव पॉलिनोमिअल्स (Chebyshev polynomials) से प्राप्त रोटेशन एंगल्स को ऑप्टिमाइज़ करके, एल्गोरिदम सफलता की संभावना को लगभग एक (unity) तक एम्प्लीफाई कर देता है।
महत्वपूर्ण रूप से, BCS प्रिपरेशन सर्किट के लिए क्वेरीज की संख्या $O(1/\sqrt{W})$ के रूप में स्केल करती है, जो मेजरमेंट-आधारित पोस्ट-सेलेक्शन के $O(1/W)$ स्केलिंग की तुलना में एक क्वाड्रेटिक स्पीडअप प्रदान करती है।

प्रमुख परिणाम
पेपर रिसोर्स स्केलिंग का कठोर विश्लेषण और स्क्वायर-लैटिस $t$ - $J$ मॉडल के लिए न्यूमेरिकल बेंचमार्क्स प्रदान करता है:

स्केलिंग एनालिसिस: $N_s$ साइट्स पर RVB स्टेट तैयार करने के लिए कुल T-गेट काउंट $O\left(\frac{\ln(2/\delta)}{\sqrt{W}} N_s^2 \log^2(1/\epsilon)\right)$ के रूप में व्युत्पन्न किया गया है, जहाँ $\delta$ टॉलरेंस है और $\epsilon$ प्रिसिजन है। यह पोस्ट-सेलेक्शन की तुलना में फॉल्ट-टोलेंट रिसोर्स स्केलिंग में एक महत्वपूर्ण सुधार है।
प्रोबेबिलिटी वेट ( $W$ ): $N_s=20$ (क्लासिकल एक्सैक्ट डायगनालाइजेशन की सीमा) तक के सिस्टम्स के लिए न्यूमेरिकल गणना दर्शाती है कि $W$ सिस्टम साइज के साथ एक्सपोनेंशियल रूप से घटता है ( $W \approx A e^{-\lambda N_s}$ )।
बेंचमार्क परफॉरमेंस: 100-साइट बेंचमार्क के लिए (एक ऐसा साइज जो क्लासिकल एक्सैक्ट डायगनालाइजेशन से परे है लेकिन भौतिक मेनी-बॉडी व्यवहार के लिए प्रासंगिक है), अनुमानित प्रोजेक्टेड-स्टेट वेट $W \approx 1.7 \times 10^{-15}$ $W \approx 1.7 \times 1 0^{- 15}$ है।
- एक मेजरमेंट-आधारित दृष्टिकोण के लिए $\sim 10^{15}$ क्वेरीज की आवश्यकता होगी।
- AAGP एल्गोरिदम इस आवश्यकता को $\sim 10^7$ – $10^8$ क्वेरीज तक कम कर देता है।
- यह लगभग सात ऑर्डर्स ऑफ मैग्नीट्यूड की कमी है।

महत्व और दावे
लेखक का दावा है कि AAGP का महत्व केवल एसिम्प्टोटिक थ्योरी तक सीमित नहीं है। हालांकि कुल रिसोर्स कॉस्ट अभी भी एक्सपोनेंशियल छोटे वेट $W$ द्वारा नियंत्रित है, लेकिन क्वाड्रेटिक सुधार एक "प्रैक्टिकल फाइनाइट-साइज़ थ्रेशोल्ड" को पार करने के लिए पर्याप्त है।

एनेबलिंग प्रिमिटिव (Enabling Primitive): पेपर का दावा है कि AAGP, प्रोजेक्टेड BCS/RVB स्टेट्स की तैयारी को $\sim 100$ साइट्स के सिस्टम साइज के लिए एक बड़े फॉल्ट-टोलेंट वर्कफ्लो के भीतर "प्रभावी रूप से अनुपयोगी" से "संभवतः तैनात करने योग्य" (plausibly deployable) में बदल देता है।
वर्सेटिलिटी (Versatility): यह एल्गोरिदम ट्रांसलेशनलली इनवेरिएंट सिस्टम्स तक सीमित नहीं है; यह डिसऑर्डर्ड मॉडल्स, विभिन्न लैटिस ज्योमेट्रीज़ और ट्यूनेबल फिलिंग फैक्टर्स को सपोर्ट करता है। इसका उपयोग क्वांटम स्पिन लिक्विड्स (जैसे कागोम लैटिस पर डिरैक स्पिन लिक्विड्स) के अध्ययन के लिए इनपुट स्टेट के रूप में किया जा सकता है और हाई-टेम्परेचर सुपरकंडक्टिविटी मैकेनिज्म को समझने के लिए भी किया जा सकता है।
सीमित दायरा (Modest Scope): लेखक स्पष्ट रूप से कहते हैं कि AAGP स्ट्रॉन्गली कोरिलेटेड मॉडल्स के पूरे रिसोर्स चैलेंज को हल नहीं करता है, बल्कि यह एक विशिष्ट, महत्वपूर्ण बाधा को हटाता है: उच्च-गुणवत्ता वाले इनपुट स्टेट्स की तैयारी। वे इसे एक "एनेबलिंग इनपुट-स्टेट प्रिपरेशन प्रिमिटिव" के रूप में देखते हैं।
भविष्य के विस्तार: पेपर नोट करता है कि जबकि वर्तमान कार्यान्वयन सख्त नो-डबल-ऑक्यूपेंसी ( $t$ - $J$ लिमिट) लागू करता है, फ्रेमवर्क को यूनिटरी ट्रांसफॉर्मेशन के माध्यम से पर्सर्बेटिवली डबल ऑक्यूपेंसी जोड़कर हबर्ड मॉडल्स तक विस्तारित किया जा सकता है, हालांकि इसे वर्तमान परिणाम के बजाय भविष्य के कार्य के रूप में पहचाना गया है।

एक बड़ी तस्वीर: "परफेक्ट" शुरुआती बिंदु खोजना

समस्या: "डबल ऑक्यूपेंसी" (Double Occupancy) का नियम

समाधान: "एम्प्लीट्यूड एम्प्लीफिकेशन" (Amplitude Amplification) का जादू

परिणाम: एक बड़ी छलांग

यह क्यों महत्वपूर्ण है

इसी तरह के और पेपर