⚛️ quantum physics

Tensor-Network Algorithm for Many-Body Trace Norms

यह शोध पत्र एक नियंत्रित टेंसर-नेटवर्क एल्गोरिदम प्रस्तुत करता है जो ज़ोलोटारेव के रैशनल एप्रोक्सिमेशन को एक वेरिएशनल DMRG-समान दृष्टिकोण के साथ जोड़ता है ताकि मेनी-बॉडी सिस्टम्स में मैट्रिक्स प्रोडक्ट ऑपरेटर्स के ट्रेस नॉर्म्स का कुशलतापूर्वक और सटीक रूप से अनुमान लगाया जा सके, जो पूर्ण विकेणन (फुल डायगोनलाइजेशन) की कम्प्यूटेशनल बाधाओं को दूर करता है और एंटैंगलमेंट नेगेटिविटी और क्वांटम फिडेलिटी जैसे मिक्सड-स्टेट क्वांटम सूचना संबंधी मात्राओं के व्यावहारिक अध्ययन को सक्षम बनाता है।

मूल लेखक: Seunghun Lee, Eun-Gook Moon

प्रकाशित 2026-06-11

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Seunghun Lee, Eun-Gook Moon

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 क्वांटम कणों से बनी एक जटिल, अदृश्य वस्तु के "आकार" या "वजन" को मापने की कोशिश कर रहे हैं। क्वांटम भौतिकी की दुनिया में, इस वस्तु को मैट्रिक्स प्रोडक्ट ऑपरेटर (MPO) कहा जाता है। यह एक गणितीय तरीका है जो यह बताता है कि कणों का एक तंत्र (system) कैसे परस्पर क्रिया करता है, विशेष रूप से तब जब वे अव्यवस्थित, मिश्रित हों, या अपने वातावरण (जैसे कि ठंडी होती कॉफी का कप) के साथ अंतःक्रिया कर रहे हों।

भौतिकविदों को अक्सर एक चीज़ की गणना करने की आवश्यकता होती है जिसे ट्रेस नॉर्म (Trace Norm) कहा जाता है। सोचिए कि ट्रेस नॉर्म एक विशेष पैमाने (रूलर) की तरह है जो आपको बताता है कि दो क्वांटम अवस्थाएँ एक-दूसरे से कितनी "अलग" हैं, या वे कितनी "एंटैंगल्ड" (जुड़ी हुई) हैं। यह क्वांटम सूचना को समझने के लिए एक मौलिक उपकरण है।

समस्या: असंभव गणित
इस पैमाने की गणना करना एक बड़े तंत्र के लिए ऐसा है जैसे पूरे समुद्र तट को हवा में उठाने और एक-एक करके रेत के कणों को छाँटने की कोशिश करना। सटीक उत्तर प्राप्त करने के लिए, आपको आमतौर पर उस वस्तु को "डायगोनलाइज़" (diagonalize) करना पड़ता है। सरल शब्दों में, इसका अर्थ है वस्तु को उसके सबसे सरल, व्यक्तिगत टुकड़ों में तोड़ना ताकि उसे मापा जा सके।

एक छोटे तंत्र के लिए, यह आसान है। लेकिन केवल कुछ दर्जन कणों वाले तंत्र के लिए, टुकड़ों की संख्या इतनी तेजी से बढ़ती है (घातीय रूप से) कि दुनिया के सबसे शक्तिशाली सुपरकंप्यूटरों को भी काम पूरा करने में ब्रह्मांड की आयु से भी अधिक समय लग जाएगा। यह एक विशाल कम्प्यूटेशनल बाधा है।

समाधान: एक स्मार्ट शॉर्टकट
इस शोध पत्र के लेखक, सुंगहुन ली और यून-गुक मून ने एक चतुर शॉर्टकट का आविष्कार किया है। वस्तु को पूरी तरह से तोड़ने (जो कि असंभव है) के बजाय, वे एक टेंसर नेटवर्क (Tensor Network) का उपयोग करते हैं, जो वस्तु के एक अत्यधिक कुशल, संपीड़ित मानचित्र (compressed map) की तरह है।

उनकी विधि एक "साइन फंक्शन" (संख्या सकारात्मक है या नकारात्मक, यह बताने का एक तरीका) से जुड़ी एक गणितीय युक्ति पर निर्भर करती है।

अनुमान (The Approximation): वे एक विशिष्ट प्रकार के गणितीय वक्र (जिसे ज़ोलोटारेव रैशनल एप्रोक्सिमेशन कहा जाता है) का उपयोग करते हैं जो एक बहुत ही तीक्ष्ण, उच्च-गुणवत्ता वाले लेंस की तरह कार्य करता है। यह लेंस क्वांटम वस्तु के "धनात्मक" और "ऋणात्मक" भागों को बिना हर एक सूक्ष्म विवरण को देखे, बहुत स्पष्ट रूप से देख सकता है।
अनुकूलन (The Optimization): वे इस समस्या को "सर्वश्रेष्ठ फिट खोजने" के खेल में बदल देते हैं। वे एक एल्गोरिदम का उपयोग करते हैं जो प्रसिद्ध DMRG (डेंसिटी मैट्रिक्स रिनॉर्मलाइजेशन ग्रुप) पद्धति के समान है। कल्पना कीजिए कि आप एक ऊबड़-खाबड़ चट्टान (क्वांटम वस्तु) के ऊपर एक लचीला, खिंचावदार जाल (टेंसर नेटवर्क) बिछाने की कोशिश कर रहे हैं। एल्गोरिदम धीरे-धीरे जाल को समायोजित करता है, उसे और अधिक कसता जाता है, जब तक कि वह चट्टान के आकार को पूरी तरह से न गले लगा ले।
परिणाम (The Result): एक बार जब जाल फिट हो जाता है, तो वे सीधे जाल के आकार से "ट्रेस नॉर्म" को पढ़ सकते हैं, बिना पूरे समुद्र तट को उठाए (पूर्ण डायगोनलाइजेशन के बिना)।

यह एक बड़ी बात क्यों है
यह शोध पत्र दिखाता है कि यह शॉर्टकट केवल एक अनुमान नहीं है; यह एक नियंत्रित (controlled) अनुमान है। इसका अर्थ है कि वैज्ञानिक सटीकता को नियंत्रित कर सकते हैं। यदि उन्हें एक मोटा अनुमान चाहिए, तो वे एक त्वरित गणना करते हैं। यदि उन्हें उच्च परिशुद्धता की आवश्यकता है, तो वे अपने गणित के कुछ मापदंडों (parameters) को ट्यून करते हैं, और उत्तर गारंटीकृत त्रुटि मार्जिन के साथ सत्य के करीब पहुँच जाता है।

उन्होंने इसे किस पर परीक्षण किया
इसे सिद्ध करने के लिए, उन्होंने तीन विशिष्ट परिदृश्यों पर अपने तरीके का परीक्षण किया:

एंटैंगलमेंट नेगेटिविटी (Entanglement Negativity): उन्होंने एक शोर वाले क्वांटम चेन के दो हिस्सों के बीच "जुड़ाव" को मापा। उन्होंने अपने परिणामों की तुलना एक ज्ञात गणितीय उत्तर से की और पाया कि उनका तरीका अविश्वसनीय रूप से सटीक था, यहाँ तक कि उन बड़े सिस्टमों के लिए भी जिन्हें पारंपरिक कंप्यूटरों द्वारा संभालना असंभव था।
रैंडम मिक्स्ड स्टेट्स (Random Mixed States): उन्होंने यादृच्छिक, अव्यवस्थित क्वांटम अवस्थाओं पर इसका परीक्षण किया। इन प्रकार की अवस्थाओं के लिए अपेक्षित रूप से, "एंटैंगलमेंट" शून्य था। उनके तरीके ने सही ढंग से शून्य के बहुत करीब मान की गणना की, जो यह सिद्ध करता है कि यह नकली संबंध पैदा नहीं करता है।
क्वांटम फिडेलिटी (Quantum Fidelity): उन्होंने दो अलग-अलग क्वांटम अवस्थाओं के बीच समानता (फिडेलिटी) को मापने के लिए इस पद्धति का उपयोग किया। उन्होंने इसे एक शोर वाले "GHZ स्टेट" (एक विशिष्ट प्रकार का क्वांटम सुपरपोजिशन) पर लागू किया और सफलतापूर्वक "क्वांटम फिशर इंफॉर्मेशन" नामक मान की गणना की, जो हमें बताता है कि एक क्वांटम सेंसर कितना सटीक हो सकता है।

निष्कर्ष
यह शोध पत्र एक नया, शक्तिशाली उपकरण पेश करता है जो भौतिकविदों को उन बड़े, अव्यवस्थित तंत्रों में महत्वपूर्ण क्वांटम गुणों (जैसे एंटैंगलमेंट और समानता) को मापने की अनुमति देता है जो पहले अध्ययन के लिए बहुत बड़े थे। यह एक असंभव गणितीय समस्या को एक स्मार्ट, लचीले गणितीय "जाल" और एक उच्च-परिशुद्धता वाले लेंस का उपयोग करके एक प्रबंधनीय समस्या में बदल देता है, जिससे वास्तविक दुनिया की शोर वाली स्थितियों में क्वांटम सूचना का अध्ययन करने का मार्ग प्रशस्त होता है।

तकनीकी सारांश: मैनी-बॉडी ट्रेस नॉर्म्स के लिए टेंसर-नेटवर्क एल्गोरिदम

समस्या विवरण
ट्रेस नॉर्म्स ( $\|A\|_1 = \text{Tr}|A|$ ) क्वांटम सूचना सिद्धांत में मौलिक मात्राएँ हैं, जो ट्रेस डिस्टेंस, एंटैंगलमेंट नेगेटिविटी और क्वांटम फिडेलिटी जैसे मापों का आधार बनती हैं। हालाँकि, मैट्रिक्स प्रोडक्ट ऑपरेटर्स (MPOs) द्वारा दर्शाए गए मैनी-बॉडी सिस्टम के लिए ट्रेस नॉर्म का मूल्यांकन करना एक महत्वपूर्ण कम्प्यूटेशनल बाधा है। इसकी गणना के लिए आम तौर पर घातांकीय रूप से बड़े मैट्रिसेस के पूर्ण विकीर्णन (full diagonalization) की आवश्यकता होती है। इसके अतिरिक्त, एक सामान्य MPO के ट्रेस नॉर्म की गणना बहुपद समय (polynomial time) में हल नहीं की जा सकती है (यह मानते हुए कि $P \neq NP$ )। मौजूदा बहुपद-आधारित दृष्टिकोण, जैसे कि लैंकोस (Lanczos) विधियाँ, अक्सर सटीकता और नियंत्रण के मामले में संघर्ष करती हैं, विशेष रूप से स्पेक्ट्रम के गैर-विश्लेतिक फलनों (non-analytic functions), जैसे कि 'एब्सोल्यूट वैल्यू', के साथ।

कार्यप्रणाली
लेखक MPOs के ट्रेस नॉर्म का अनुमान लगाने के लिए एक नियंत्रित टेंसर-नेटवर्क एल्गोरिदम प्रस्तावित करते हैं, जिसमें पूर्ण विकीर्णन की आवश्यकता नहीं होती है। यह विधि तीन मुख्य घटकों पर आधारित है:

ज़ोलोटाफ़ का तर्कसंगत सन्निकटन (Zolotarev's Rational Approximation):
ट्रेस नॉर्म में 'एब्सोल्यूट वैल्यू' फलन शामिल है, $|x| = x \cdot \text{sgn}(x)$ । लेखक डोमेन $[-1, -\ell] \cup [\ell, 1]$ के लिए साइन फंक्शन $\text{sgn}(x)$ के लिए ज़ोलोटाफ़ के तर्कसंगत सन्निकटन, $Z_{\ell,r}(x)$ का उपयोग करते हैं। इस सन्निकटन की विशेषता दो पैरामीटर हैं: $\ell$ (स्पेक्ट्रल कटऑफ) और $r$ (सन्निकटन की डिग्री)। इसकी त्रुटि $r$ के साथ तेजी से घटती है, जो लैंकोस विधियों में उपयोग किए जाने वाले बहुपद सन्निकटन की तुलना में एक महत्वपूर्ण लाभ प्रदान करती है।
ट्रेस नॉर्म एस्टिमेटर को इस प्रकार तैयार किया गया है:
$f_{\ell,r}(A) = \text{Tr}[A \cdot Z_{\ell,r}(A)] = M \left( \text{Tr}[A^2] + \sum_{j=1}^r a_j \text{Tr}\left[ \frac{A^2}{A^2 + c_{2j-1}I} \right] \right)$
गैर-हर्मिटियन MPOs $A$ के लिए, विधि दोगुनी विमा (dimension) वाले एक हर्मिटियन मैट्रिक्स $A'$ का निर्माण करती है ताकि $\|A\|_1 = \frac{1}{2}\|A'\|_1$ हो सके, जिससे उसी एस्टिमेटर का अनुप्रयोग संभव हो जाता है।
वैरिएशनल फॉर्मूलेशन (Variational Formulation):
ट्रेस टर्म $\text{Tr}[A^2(A^2 + c_{2j-1}I)^{-1}]$ के मूल्यांकन को एक वैरिएशनल अनुकूलन समस्या के रूप में पुनर्गठित किया गया है। लेखक इस ऑब्जेक्टिव फंक्शन को अधिकतम करने का प्रयास करते हैं:
$\max_{|X\rangle} \left( \langle A|X\rangle + \langle X|A\rangle - \langle X|[I \otimes (A^2 + c_{2j-1}I)]|X\rangle \right)$
जहाँ $|X\rangle$ को बॉन्ड डायमेंशन $\chi$ वाले मैट्रिक्स प्रोडक्ट स्टेट्स (MPS) के स्थान तक सीमित किया गया है।
DMRG-समान सॉल्वर:
इस अनुकूलन को एक डेंसिटी मैट्रिक्स रिनॉर्मलाइजेशन ग्रुप (DMRG) जैसे स्वैपिंग एल्गोरिदम का उपयोग करके हल किया जाता है। स्थानीय टेंसरों के सापेक्ष आंशिक डेरिवेटिव लेकर, समस्या स्थानीय रैखिक प्रणालियों (local linear systems) को हल करने में बदल जाती है। लेखक दो सॉल्वरों की तुलना करते हैं: एक मैट्रिक्स-फ्री कंजुगेट ग्रेडिएंट विधि और दूसरा स्थानीय मैट्रिक्स का स्पष्ट निर्माण करने के बाद सीधा समाधान (जैसे कि चोलेस्की फैक्टरिज़ेशन) करना। वे पाते हैं कि इन प्रणालियों के लिए स्पष्ट निर्माण अक्सर व्यावहारिक रूप से अधिक तेज़ और सटीक होता है। एल्गोरिदम तब तक स्थानीय टेंसरों को अपडेट करता रहता है जब तक कि अनुमानित ट्रेस मान एक निर्धारित थ्रेशोल्ड के भीतर अभिसरित (converge) न हो जाए।

मुख्य योगदान

नियंत्रित सन्निकटन: यह विधि एक व्यवस्थित रूप से सुधारात्मक सन्निकटन प्रदान करती है जहाँ सटीकता तर्कसंगत सन्निकटन पैरामीटर्स ( $\ell, r$ ) और शून्य के पास स्पेक्ट्रल वेट द्वारा नियंत्रित होती है। एक स्पष्ट सापेक्ष त्रुटि सीमा (relative error bound) प्राप्त की गई है, जो इन पैरामीटर्स और $\ell$ के नीचे के आइजनवैल्यू के योगदान पर निर्भर करती है।
गैर-हर्मिटियन MPOs का विस्तार: यह ढांचा गैर-हर्मिटियन ऑपरेटरों को उनके हर्मिटियन समकक्षों में मैप करके उन्हें संभालता है, जिससे सामान्य MPOs के ट्रेस नॉर्म की गणना संभव होती है।
क्वांटम फिडेलिटी का सामान्यीकरण: इस ढांचे को मिश्रित अवस्थाओं (mixed states) के बीच क्वांटम फिडेलिटी का अनुमान लगाने के लिए विस्तारित किया गया है, बशर्ते उनकी शुद्धता (purifications) MPS के रूप में उपलब्ध हों। यह शुद्धताओं से निर्मित ऑपरेटर के स्क्वेर्ड ट्रेस नॉर्म को व्यक्त करके प्राप्त किया जाता है।
मौजूदा विधियों पर दक्षता: यह दृष्टिकोण घातांकीय स्केलिंग वाले सटीक विकीर्णन (exact diagonalization) से बचता है और बहुपद-आधारित लैंकोस दृष्टिकोणों की तुलना में बेहतर सटीकता और नियंत्रण प्रदान करता है।

परिणाम और बेंचमार्क
लेखक निम्नलिखित बेंचमार्क के माध्यम से अपनी विधि को मान्य करते हैं:

डिकोहेर्ड क्लस्टर स्टेट्स (Decohered Cluster States): फेज-फ्लिप नॉइज़ के तहत एक डिकोहेर्ड क्लस्टर स्टेट की एंटैंगलमेंट नेगेटिविटी का अनुमान लगाया गया। परिणाम विभिन्न चेन लंबाई के लिए सटीक विश्लेतिक समाधानों से मेल खाते थे और उन्होंने क्रिटिकल एरर रेट पर नेगेटिविटी के परिमित (finite) से शून्य होने के संक्रमण को सफलतापूर्वक कैप्चर किया। सापेक्ष त्रुटि छोटी रही, हालांकि सिस्टम के आकार के साथ यह बढ़ी क्योंकि $\ell$ के नीचे छोटे आइजनवैल्यू का संचय हुआ।
रैंडम सेपरेबल मिक्सड स्टेट्स: विधि को रैंडम सेपरेबल मिक्सड स्टेट्स पर लागू किया गया (जिनकी सैद्धांतिक रूप से शून्य एंटैंगलमेंट नेगेटिविटी होती है)। अनुमानित नेगेटिविटी लगातार शून्य के करीब थी, जिसके विचलन $\ell$ और बॉन्ड डायमेंशन की सीमाओं के कारण थे, जिन्हें व्यवस्थित रूप से कम किया जा सकता था।
क्वांटम फिशर इंफॉर्मेशन (QFI): फिडेलिटी एस्टिमेशन विस्तार का उपयोग करते हुए, लेखकों ने एम्पलीट्यूड डैम्पिंग नॉइज़ के तहत एक नॉइज़ी GHZ स्टेट के QFI का अनुमान लगाया। विभिन्न नॉइज़ पैरामीटर्स पर फिडेलिटी अनुमानों पर रिचर्डसन एक्सट्रपलेशन (Richardson extrapolation) का उपयोग करके, उन्होंने $O(\theta^4)$ त्रुटि के साथ QFI निकाला। परिणाम नॉइज़ी GHZ स्टेट के ज्ञात विश्लेतिक समाधान से मेल खाते हैं।

महत्व और दावे
यह शोध पत्र ट्रेस-नॉर्म-आधारित मात्राओं को मिश्रित अवस्थाओं के टेंसर-नेटवर्क सिमुलेशन के लिए व्यावहारिक अवलोकन (observables) के रूप में स्थापित करता है। लेखक दावा करते हैं कि उनकी विधि मिश्रित अवस्थाओं में क्वांटम सूचना के अध्ययन को उस क्षेत्र तक ले जाती है जो सटीक विकीर्णन के लिए सुलभ नहीं है।

विशेष रूप से, यह कार्य सुझाव देता है कि इस एल्गोरिदम को प्रयोगों से सीधे MPOs सीखने के हालिया प्रोटोकॉल के साथ जोड़ने से शोर वाले क्वांटम प्रोसेसरों में एंटैंगलमेंट नेगेटिविटी के प्रयोगात्मक अनुमान की अनुमति मिल सकती है, जो पहले छोटे सिस्टम या अप्रत्यक्ष मापों (जैसे कि आंशिक रूप से ट्रांसपोज़्ड डेंसिटी मैट्रिक्स के मोमेंट्स) तक सीमित था। लेखक यह भी उल्लेख करते हैं कि प्रयोगों से सीखे गए MPOs से फिडेलिटी की गणना करके शोर मॉडल (noise models) को बेंचमार्क करने के लिए इस विधि का उपयोग करने की क्षमता है।

लेखक अपनी सीमाओं के संबंध में विनम्र बने हुए हैं, यह स्वीकार करते हुए कि बहुत बड़े सिस्टम के लिए, विधि को $\ell$ के लिए मशीन प्रिसिजन बाधाओं और छोटे आइजनवैल्यू के घातांकीय दमन के कारण चुनौतियों का सामना करना पड़ सकता है। हालाँकि, वे दावा करते हैं कि मध्यम आकार के MPOs के लिए यह विधि प्रभावी है और मिश्रित-अवस्था शासन (mixed-state regimes) की खोज के लिए एक नियंत्रित मार्ग प्रदान करती है। उल्लेखित भविष्य की दिशाओं में उच्च आयामों (higher dimensions) में विस्तार करना, अन्य टेंसर-नेटवर्क एंसेट्स (ansatzes) का उपयोग करना और दक्षता में सुधार के लिए समरूपताओं (symmetries) को शामिल करना शामिल है।

तकनीकी सारांश: मैनी-बॉडी ट्रेस नॉर्म्स के लिए टेंसर-नेटवर्क एल्गोरिदम

इसी तरह के और पेपर