⚛️ quantum physics

Physics-Informed Variational Quantum Classifier for Phase Detection in Strongly Correlated Matter

यह शोध पत्र एक भौतिकी-सूचित वेरिएशनल क्वांटम क्लासिफायर (Physics-Informed Variational Quantum Classifier) प्रस्तुत करता है जो फर्मी पोलारोन (Fermi polaron) और आणविक बंध अवस्थाओं (molecular bound states) के बीच टोपोलॉजिकल चरण संक्रमणों (topological phase transitions) का कुशलतापूर्वक पता लगाने के लिए एक ट्रोटराइज्ड हैमिल्टनियन विकास (Trotterised Hamiltonian evolution) का लाभ उठाता है, जो एक सुपरकंडक्टिंग क्वांटम प्रोसेसर पर अपनी स्केलेबिलिटी और शोर प्रतिरोध क्षमता (noise resilience) को सफलतापूर्वक प्रमाणित करते हुए रैखिक गेट जटिलता (linear gate complexity) प्राप्त करता है।

मूल लेखक: Hugo Catalá, Ezequiel Valero, Germán Rodrigo

प्रकाशित 2026-06-15

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Hugo Catalá, Ezequiel Valero, Germán Rodrigo

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 चित्र: एक क्वांटम कंप्यूटर को "फेज चेंज" (अवस्था परिवर्तन) को "महसूस" करना सिखाना

कल्पना कीजिए कि आप एक कॉन्सर्ट में दो प्रकार की भीड़ के बीच अंतर करने की कोशिश कर रहे हैं।

भीड़ A (BEC): हर कोई एक हाथ से दूसरे का हाथ थामे हुए एक तंग, संगठित घेरे में है, जो एक विशाल इकाई के रूप में एक साथ चल रहा है।
भीड़ B (BCS): हर कोई ढीले ढंग से नाच रहा है, जोड़े में है लेकिन स्वतंत्र रूप से घूम रहा है।

भौतिकी की दुनिया में, वैज्ञानिक "स्ट्रॉन्गली कोरिलेटेड मैटर" (प्रबल सहसंबंधित पदार्थ) का अध्ययन करते हैं जहाँ कण इन भीड़ की तरह व्यवहार करते हैं। समस्या यह है कि यह पता लगाना कि भीड़ कब "तंग घेरे" से "ढीले नृत्य" में बदल जाती है, सामान्य कंप्यूटरों के लिए अविश्वसनीय रूप से कठिन है। यह समुद्र तट पर रेत के हर एक कण को गिनने की कोशिश करने जैसा है जब तूफान चल रहा हो; गणित बहुत भारी हो जाता है, और कंप्यूटर की मेमोरी खत्म हो जाती है।

यह शोध पत्र एक नया टूल प्रस्तुत करता है: एक फिजिक्स-इन्फॉर्म्ड वेरिएशनल क्वांटम क्लासिफायर (VQC)। इसे केवल एक सामान्य "स्मार्ट कंप्यूटर" न समझें, बल्कि एक विशेषज्ञ जासूस के रूप में देखें जिसे विशेष रूप से इस एक रहस्य को सुलझाने के लिए बनाया गया है।

जासूस का टूलकिट: एक "फिजिक्स-फर्स्ट" दृष्टिकोण

अधिकांश AI (मशीन लर्निंग) एक ऐसे छात्र की तरह काम करते हैं जिसे लाखों फ्लैशकार्ड दिए जाते हैं और बिना नियमों को समझे उत्तर रटने के लिए कहा जाता है। वह उन पैटर्न के आधार पर अनुमान लगाता है जो वह देखता है।

लेखकों का दृष्टिकोण अलग है। उन्होंने क्वांटम कंप्यूटर को केवल यादृच्छिक (random) नियम सीखने के लिए नहीं दिया। इसके बजाय, उन्होंने कंप्यूटर के "दिमाग" का निर्माण उन वास्तविक भौतिक नियमों का उपयोग करके किया जो इन कणों को नियंत्रित करते हैं।

उपमा: कल्पना कीजिए कि आप एक भूलभुलैया के माध्यम से सबसे अच्छा रास्ता खोजने की कोशिश कर रहे हैं।
- मानक AI: हर रास्ते को यादृच्छिक रूप से आज़माता है, गलतियों से सीखता है, और अंततः निकास खोज लेता है।
- इस पेपर का AI: इसे भूलभुलैया की दीवारों का एक नक्शा (भौतिकी के नियम) दिया गया है। इसे अनुमान लगाने की ज़रूरत नहीं है; इसे बस मुड़ने के सही क्षण को खोजने के लिए अपनी चलने की गति को समायोजित करने की आवश्यकता है।

क्योंकि कंप्यूटर का "दिमाग" वास्तविक भौतिक समीकरणों से बना है, इसलिए जो चीजें यह सीखने के लिए समायोजित करता है वे अमूर्त संख्याएँ नहीं हैं। वे वास्तविक भौतिक मात्राएँ हैं: कितनी देर प्रतीक्षा करनी है (टाइम स्टेप) और कणों को कितनी मजबूती से परस्पर क्रिया (interact) करनी चाहिए (इंटरेक्शन स्ट्रेंथ)।

प्रयोग: "इको" (गूँज) टेस्ट

दो "भीड़ों" (फर्मी पोलारोन और मॉलिक्यूलर बाउंड स्टेट) के बीच परिवर्तन का पता लगाने के लिए, शोधकर्ताओं ने रेमसे इंटरफेरोमेट्री (Ramsey Interferometry) नामक तकनीक का उपयोग किया।

रूपक: कल्पना कीजिए कि आपके पास दो समान घड़ियाँ हैं। आप उन्हें एक ही समय पर शुरू करते हैं। आप एक घड़ी को एक शांत कमरे में चलने देते हैं, और दूसरी को एक शोर भरे, अराजक पार्टी वाले कमरे में चलने देते हैं।
- यदि पार्टी शांत है (BCS रिजीम), तो घड़ियाँ तालमेल में रहती हैं।
- यदि पार्टी उन्मत्त है (BEC रिजीम), तो शोर दूसरी घड़ी को तालमेल से बाहर धकेल देता है।
- जब आप उन्हें रोकते हैं और उनकी तुलना करते हैं, तो उनके हाथों के बीच का अंतर आपको ठीक से बताता है कि किस तरह की पार्टी चल रही थी।

क्वांटम कंप्यूटर इन घड़ियों के रूप में कार्य करता है। यह एक सिमुलेशन चलाता है जहाँ सिस्टम का एक हिस्सा "शांत" होता है और दूसरा "शोर वाला" (इम्प्योरिटी के साथ इंटरैक्ट करने वाला) होता है। यह मापने से कि "घड़ियाँ" कितनी तालमेल से बाहर होती हैं (इंटरफेरेंस पैटर्न), कंप्यूटर तुरंत बता सकता है कि सिस्टम BEC या BCS चरण में है।

परिणाम: वास्तविक हार्डवेयर पर सफलता

शोधकर्ताओं ने इसे केवल एक सिमुलेशन पर नहीं चलाया; उन्होंने इसे बार्सिलोना सुपरकंप्यूटिंग सेंटर में QRed नामक एक वास्तविक, भौतिक क्वांटम कंप्यूटर पर टेस्ट किया।

चुनौती: वास्तविक क्वांटम कंप्यूटर शोर वाले होते हैं। यह हवा के तूफान में फुसफुसाहट सुनने की कोशिश करने जैसा है। "हवा" (हार्डवेयर शोर) आमतौर पर नाजुक मापों को खराब कर देती है।
परिणाम: शोर के बावजूद, डिटेक्टर ने काम किया। भले ही सिग्नल थोड़ा "डैम्पन्ड" (जैसे हवा में धीमी होती फुसफुसाहट) था, फिर भी कंप्यूटर स्पष्ट रूप से दोनों चरणों के बीच अंतर कर सका। इसने सही क्रम को बनाए रखा: इसे पता था कि कौन सा क्या था, भले ही सिग्नल एकदम सटीक न हो।

यह क्यों महत्वपूर्ण है: "मेमोरी वॉल"

यह पेपर शास्त्रीय (classical) कंप्यूटरों पर एक बड़ी जीत को रेखांकित करता है: स्केलेबिलिटी (Scalability)।

समस्या: यदि आप एक सामान्य कंप्यूटर का उपयोग करके अधिक कणों का अनुकरण (simulate) करने की कोशिश करते हैं, तो आवश्यक मेमोरी तेजी से (exponentially) बढ़ती है। यह समुद्र तट की एक फोटो को स्टोर करने की कोशिश करने जैसा है; यदि आप रेत के कणों की संख्या दोगुनी करते हैं, तो फ़ाइल का आकार केवल दोगुना नहीं होता—वह विस्फोट की तरह बढ़ जाता है। इसे "एक्सपोनेंशियल मेमोरी वॉल" कहा जाता है।
समाधान: क्योंकि यह क्वांटम डिटेक्टर वास्तविक भौतिकी पर आधारित है, इसे हर संभावना का एक विशाल नक्शा स्टोर करने की आवश्यकता नहीं है। यह रैखिक (linearly) रूप से स्केल करता है।
- उपमा: एक क्लासिकल कंप्यूटर समुद्र तट को समझने के लिए रेत के हर एक कण को खींचने की कोशिश करता है। यह क्वांटम डिटेक्टर केवल समुद्र तट के आकार को मापता है। जैसे-जैसे समुद्र तट बड़ा होता जाता है, क्लासिकल कंप्यूटर के पास कागज खत्म हो जाता है, लेकिन क्वांटम डिटेक्टर को बस एक थोड़े लंबे रूलर (पैमाने) की आवश्यकता होती है।

दावों का सारांश

विधि: उन्होंने एक क्वांटम क्लासिफायर बनाया जहाँ "सीखने" की प्रक्रिया वास्तव में वास्तविक भौतिक नॉब्स (समय और इंटरेक्शन स्ट्रेंथ) को ट्यून करना है, न कि अमूर्त वेट्स (weights) का अनुमान लगाना।
खोज: सिस्टम ने दो क्वांटम चरणों (BEC और BCS) के बीच अंतर करने के लिए इष्टतम सेटिंग्स सफलतापूर्वक खोज लीं, जो उनके बीच के "इको" (इंटरफेरेंस) को अधिकतम करती हैं।
हार्डवेयर टेस्ट: उन्होंने साबित किया कि यह एक वास्तविक, शोर वाले क्वांटम चिप (QRed) पर काम करता है, जिससे पता चलता है कि भौतिकी-आधारित डिज़ाइन वास्तविक दुनिया की खामियों को संभालने के लिए पर्याप्त मजबूत है।
लाभ: यह दृष्टिकोण शास्त्रीय सिमुलेशन की तुलना में बहुत अधिक कुशल है। यह उस "मेमोरी वॉल" से बचता है जो बड़े समूहों के कणों का अनुकरण करने से क्लासिकल कंप्यूटरों को रोकता है, जिससे भविष्य में बहुत बड़े सिस्टम का अध्ययन करना संभव हो जाता है।

संक्षेप में, लेखकों ने एक ऐसा क्वांटम टूल बनाया है जो केवल उत्तर का "अनुमान" नहीं लगाता है; यह उत्तर को "महसूस" करने के लिए प्रकृति के नियमों का उपयोग करता है, और यह साबित करता है कि यह अपूर्ण हार्डवेयर पर भी काम करता है।

तकनीकी सारांश: दृढ़ सहसंबद्ध पदार्थ में चरण पहचान के लिए भौतिकी-सूचित वेरिएशनल क्वांटम क्लासिफायर (Physics-Informed Variational Quantum Classifier)

समस्या विवरण
दृढ़ सहसंबद्ध प्रणालियों (strongly correlated systems), विशेष रूप से फर्मी पोलरॉन क्वासिपार्टिकल्स (Fermi polaron quasiparticles) और आणविक बंध अवस्थाओं (molecular bound states) के बीच संक्रमण के लक्षण वर्णन में महत्वपूर्ण बाधाएं हैं। सैद्धांतिक भविष्यवाणियां 'एक्सपोनेंशियल मेमोरी वॉल' और 'फर्मिओनिक साइन प्रॉब्लम' (fermionic sign problem) से बाधित होती हैं, जो शास्त्रीय सिमुलेशन (जैसे कि एक्सैक्ट डायगोनलाइजेशन और क्वांटम मोंटे कार्लो) की सीमाओं को निर्धारित करती हैं। प्रयोगात्मक रूप से, इन संक्रमणों का पता लगाना चुनौतीपूर्ण है क्योंकि पारंपरिक विधियां अक्सर विनाशकारी मापन (destructive measurements) पर निर्भर करती हैं जो महत्वपूर्ण चरण जानकारी को नष्ट कर देती हैं। जबकि क्वांटम मशीन लर्निंग (QML) एक संभावित समाधान प्रदान करता है, मानक वेरिएशनल क्वांटम क्लासिफायर (VQC) अक्सर जेनेरिक, हार्डवेयर-कुशल सर्किट एंसेट्स (ansätze) का उपयोग करते हैं, जिनमें समस्या के साथ सीधा भौतिक संबंध नहीं होता है, जिसके परिणामस्वरूप अमूर्त पैरामीटर प्राप्त होते हैं जिन्हें समझना कठिन होता है और जो संभावित रूप से अक्षम हो सकते हैं।

कार्यप्रणाली
लेखक एक भौतिकी-सूचित वेरिएशनल क्वांटम क्लासिफायर (VQC) का प्रस्ताव करते हैं जिसे BEC (बोस-आइंस्टीन कंडेनसेट) और BCS (बार्डीन-कूपर-श्रीफर) शासन के बीच टोपोलॉजिकल चरण संक्रमण का पता लगाने के लिए डिज़ाइन किया गया है। मानक दृष्टिकोणों के विपरीत, क्वांटम सर्किट आर्किटेक्चर जेनेरिक नहीं है, बल्कि पूर्व सैद्धांतिक कार्य से प्राप्त प्रभावी हैमिल्टोनियन (Hamiltonian) के टाइम-इवोल्यूशन ऑपरेटर के बिल्कुल समरूप (isomorphic) है।

आर्किटेक्चर: VQC एक रजिस्टर पर कार्य करता है जिसमें एक अनिसला क्वबिट ( $q_0$ ), बाथ मोड क्वबिट्स ( $q_1, q_2$ ), और एक इम्प्योरिटी क्वबिट ( $q_3$ ) शामिल है। इनपुट डेटा वेक्टर $x = (U_{imp}, \Theta)$ इम्प्योरिटी-बाथ इंटरेक्शन स्ट्रेंथ और बैकग्राउंड मीडियम के वेरिएशनल फेज को एनकोड करता है।
भौतिकी-सूचित एंसेट्स (Physics-Informed Ansatz): क्लासिफायर का मुख्य भाग $N_{steps}=4$ समान परतों से बना है जो यूनिटरी इवोल्यूशन ऑपरेटर $U(t) = e^{-iHt}$ के प्रथम-क्रम ट्रोटर-सुजुकी अपघटन (Trotter-Suzuki decomposition) को लागू करता है।
सीखने योग्य पैरामीटर (Learnable Parameters): अमूर्त रोटेशन कोणों के बजाय, सीखने योग्य भार सीधे भौतिक मात्राओं से संबंधित हैं: ट्रोटर टाइम स्टेप ( $\delta t$ ) और प्रभावी बाथ-बाथ इंटरेक्शन स्ट्रेंथ ( $U_{ff}$ )।
मापन (Measurement): वर्गीकरण रामसे इंटरफेरोमेट्री (Ramsey interferometry) द्वारा संचालित होता है। एक हैडामार्ड गेट अनिसला पर "इवोल्यूशन" और "नो-इवोल्यूशन" शाखाओं के बीच हस्तक्षेप (interference) उत्पन्न करता है। वर्गीकरण स्कोर अनिसला पर पाउली-Z ऑपरेटर के एक्सपेक्टेशन वैल्यू ( $\langle Z_0 \rangle$ ) से प्राप्त किया जाता है, जहाँ रचनात्मक हस्तक्षेप (constructive interference) BCS शासन को और विनाशकारी हस्तक्षेप (destructive interference) BEC शासन को इंगित करता है।

प्रमुख योगदान और परिणाम

व्याख्यात्मकता और अनुकूलन (Interpretability and Optimization): VQC को एक्सैक्ट डायगोनलाइजेशन के माध्यम से उत्पन्न एक सिंथेटिक डेटासेट पर प्रशिक्षित किया गया था। प्रशिक्षण प्रक्रिया सफलतापूर्वक भौतिक रूप से सार्थक मापदंडों तक अभिसरित (converge) हुई: एक इष्टतम ट्रोटर स्टेप साइज $\delta t \approx 0.44$ और एक प्रभावी बाथ-बाथ इंटरेक्शन $U_{ff} \approx 2.65$ । ये मान पोलारॉन और आणविक चरणों के बीच इंटरफेरोमेट्रिक कंट्रास्ट को अधिकतम करने के लिए इष्टतम स्थितियों का प्रतिनिधित्व करते हैं।
चरण खोज (Phase Discovery): प्रशिक्षित मॉडल ने क्वांटम चरण आरेख (quantum phase diagram) को सफलतापूर्वक पुनर्गठित किया। निर्णय सीमा (decision boundary) ने रामसे फ्रिंजों (Ramsey fringes) के अनुरूप एक ऊर्ध्वाधर दोलनकारी संरचना प्रदर्शित की, जो पुष्टि करती है कि क्लासिफायर चरणों को अलग करने के लिए शास्त्रीय ज्यामितीय पृथक्करण के बजाय सुसंगत क्वांटम हस्तक्षेप (coherent quantum interference) पर निर्भर करता है।
हार्डवेयर सत्यापन (Hardware Validation): मॉडल को बार्सिलोना सुपरकंप्यूटिंग सेंटर (BSC-CNS) के QRed सुपरकंडक्टिंग क्वांटम प्रोसेसर पर तैनात किया गया था। अंतर्निहित हार्डवेयर शोर (डिकोहेरेंस, गेट इनफिडेलिटी और रीडआउट त्रुटियों) के बावजूद, VQC ने टोपोलॉजिकल चरणों के सापेक्ष क्रम को सुरक्षित रखा।
- $N=4$ क्वबिट्स के लिए, हार्डवेयर परिणाम शोर रहित सिम्युलेटर के काफी करीब थे।
- $N=10$ क्वबिट्स के लिए, हालांकि सर्किट डेप्थ और शोर के कारण कच्चे सिग्नल आयाम संकुचित हो गया, फिर भी चरण सीमा की संरचनात्मक स्थिरता बरकरार रही, जिससे गहरे BEC, क्रॉसओवर और गहरे BCS शासनों में सटीक वर्गीकरण संभव हुआ।
स्केलेबिलिटी और दक्षता (Scalability and Efficiency):
- पैरामीटर दक्षता: भौतिकी-सूचित VQC ने केवल 2 सीखने योग्य मापदंडों का उपयोग करके मजबूत सामान्यीकरण (generalization) प्राप्त किया, जबकि एक शास्त्रीय फीड-फॉरवर्ड न्यूरल नेटवर्क को समान डेटासेट पर तुलनीय सटीकता प्राप्त करने के लिए 337 वेट्स की आवश्यकता थी।
- कंप्यूटेशनल स्केलिंग: लेखक प्रदर्शित करते हैं कि VQC बाथ मोड्स के संबंध में एक रैखिक गेट जटिलता $O(N)$ बनाए रखता है। यह शोर वाले मेनी-बॉडी सिस्टम के शास्त्रीय सिमुलेशन में निहित घातीय मेमोरी वॉल ( $O(2^{2N})$ ) को दरकिनزال करता है।
- बैरन प्लेटो से बचाव (Barren Plateau Avoidance): एंसेट्स को सीधे प्रभावी हैमिल्टोनियन से व्युत्पन्न करके, यह मॉडल जेनेरिक, उच्च-आयामी हार्डवेयर-कुशल एंसेट्स से जुड़ी बैरन प्लेटो की समस्या से बचता है।

महत्व और दावे
लेखक का दावा है कि इस कार्यप्रणाली का प्राथमिक लाभ केवल गणनात्मक गति नहीं, बल्कि प्रतिनिधित्व क्षमता (representational capacity) है। यूनिटरी इवोल्यूशन के माध्यम से मेनी-बॉडी वेवफंक्शन को सीधे क्वांटम हार्डवेयर में समाहित करके, VQC सहसंबंध भौतिकी (correlation physics) के एक नेटिव सिम्युलेटर के रूप में कार्य करता है।

लेखक तर्क देते हैं कि यह दृष्टिकोण हैमिल्टोनियन सिमुलेशन और QML के बीच के अंतर को पाटता है, जो उन थर्मोडायनामिक सीमाओं और चरण आरेखों का पता लगाने का मार्ग प्रदान करता है जो 'फर्मिओनिक साइन प्रॉब्लम' के कारण वर्तमान में अनबायस्ड क्लासिकल एस्टिमेटर्स के लिए अप्राप्य हैं। NISQ हार्डवेयर पर सफल सत्यापन यह सुझाव देता है कि भौतिकी-सूचित आर्किटेक्चर महत्वपूर्ण शोर की उपस्थिति में भी टोपोलॉजिकल विशेषताओं को निकाल सकते हैं, जो 40 क्वबिट्स से अधिक वाले मेनी-बॉडी सिस्टम के लिए स्वायत्त क्वांटम सेंसिंग का एक मजबूत ब्लूप्रिंट प्रदान करते हैं। भविष्य के कार्य को मल्टी-इम्प्योरिटी सिस्टम और नॉन-इक्विलिब्रियम डायनेमिक्स तक विस्तारित करने के लिए रेखांकित किया गया है।