⚛️ quantum physics

Trainable Quantum Channels as Computational Primitives for Quantum Learning

यह शोध पत्र एक गैर-यूनिटरी (non-unitary) क्वांटम मशीन लर्निंग ढांचे का प्रस्ताव करता है जो क्वांटम चैनलों को प्रशिक्षित करने योग्य कम्प्यूटेशनल प्रिमिटिव्स के रूप में मानता है, यह प्रदर्शित करते हुए कि यह दृष्टिकोण अनुकूलन ज्यामिति (optimization geometry) को समृद्ध करता है और पारंपरिक यूनिटरी मॉडलों की तुलना में अनुकूलन के अतिरिक्त दिशाओं और अनुकूलनशील स्पेक्ट्रल मॉड्यूलेशन को सक्षम करके भविष्य कहनेवाला प्रदर्शन को बढ़ाता है।

मूल लेखक: Jingwei Wen, Ling Qian, Shijie Wei, Guilu Long

प्रकाशित 2026-06-16

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jingwei Wen, Ling Qian, Shijie Wei, Guilu Long

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 एक रोबोट को पैटर्न पहचानना सिखाने की कोशिश कर रहे हैं, जैसे कि बिल्ली और कुत्ते के बीच अंतर करना। क्वांटम कंप्यूटिंग की दुनिया में, यह रोबोट एक "क्वांटम न्यूरल नेटवर्क" (QNN) है।

पारंपरिक रूप से, वैज्ञानिक इन रोबोटों को केवल परफेक्ट, रिवर्सिबल मूव्स (पूर्ण, उत्क्रमणीय चालों) का उपयोग करके बनाते थे। इसे एक मंच पर घूमते हुए नर्तक की तरह समझें। वे चाहे कितनी भी बार घूमें, वे कभी अपना संतुलन नहीं खोते और वे हमेशा ठीक उसी जगह वापस आ सकते हैं जहाँ से उन्होंने शुरुआत की थी। भौतिकी में, इसे "यूनिटरी डायनेमिक्स" कहा जाता है। वैज्ञानिक पहले मानते थे कि कोई भी "लड़खड़ाहट" या ऊर्जा की हानि (जिसे शोर या डिसिपेशन कहा जाता है) एक बग था—एक गलती जिसने नृत्य को खराब कर दिया। वे इसे खत्म करने के लिए अपनी पूरी जान लगा देते थे।

बड़ा विचार: लड़खड़ाहट को अपनाना
यह शोध पत्र एक क्रांतिकारी नए विचार का प्रस्ताव देता है: क्या होगा अगर लड़खड़ाहट वास्तव में एक बग नहीं, बल्कि एक फीचर (विशेषता) हो?

लेखक सुझाव देते हैं कि हमें क्वांटम रोबोट को पूरी तरह से संतुलित रखने की कोशिश करना बंद कर देना चाहिए। इसके बजाय, वे इन "लड़खड़ाहटों" (क्वांटम चैनल्स) को ट्रेनेबल टूल्स (प्रशिक्षण योग्य उपकरणों) के रूप में देखते हैं। कल्पना करें कि रोबोट केवल एक नर्तक नहीं है, बल्कि एक ऐसा नर्तक भी है जो एक कठिन बाधा दौड़ को बेहतर ढंग से पार करने के लिए जानबूझकर लड़खड़ा सकता है, फिसल सकता है या झुक सकता है।

यहाँ वे इसे सरल अवधारणाओं का उपयोग करके समझाते हैं:

1. "सुपरपोजिशन ऑफ टूल्स" की उपमा

एक पारंपरिक क्वांटम रोबोट में, अंतिम उत्तर एक एकल, सुचारू पथ (एक ऑब्जर्वेबल) से आता है। यह एक विशेषज्ञ से राय मांगने जैसा है।

इस नए ढांचे में, रोबोट ट्रेनेबल क्वांटम चैनल्स का उपयोग करता है। लेखक कहते हैं कि आउटपुट अब कई अलग-अलग कार्यात्मक भागों का एक "स्ट्रक्चर्ड सुपरपोजिशन" है।

उपमा: कल्पना करें कि एक विशेषज्ञ से पूछने के बजाय, आप पांच विशेषज्ञों के पैनल से पूछते हैं। लेकिन यहाँ ट्विस्ट यह है: आप वास्तविक समय में प्रत्येक विशेषज्ञ की राय के वजन (वेट) को समायोजित कर सकते हैं। एक विशेषज्ञ बहुत सख्त हो सकता है, दूसरा बहुत उदार। "ट्रेनेबल चैनल" वह नॉब (बटन) है जो आपको यह ट्यून करने की अनुमति देता है कि अंतिम निर्णय में प्रत्येक विशेषज्ञ का कितना योगदान होगा।
परिणाम: यह रोबोट को दुनिया का वर्णन करने के लिए एक बहुत समृद्ध "शब्दावली" देता है। यह अब केवल एक सुचारू पथ नहीं है; यह कई अलग-अलग दृष्टिकोणों का मिश्रण है, जिन्हें प्रशिक्षण प्रक्रिया द्वारा ट्यून किया गया है।

2. "लैंडस्केप" की उपमा

मशीन लर्निंग मॉडल को प्रशिक्षित करते समय, वैज्ञानिक एक पहाड़ी परिदृश्य (हिलरी लैंडस्केप) की कल्पना करते हैं। लक्ष्य सबसे निचली घाटी (सबसे अच्छा उत्तर) को खोजना है।

पुराना तरीका: पारंपरिक मॉडलों में, परिदृश्य कठोर होता है। कभी-कभी रोबोट एक छोटी पहाड़ी (लोकल मिनिमम) पर फंस जाता है और नीचे की गहरी घाटी तक नहीं पहुँच पाता।
नया तरीका: इन ट्रेनेबल चैनल्स को जोड़ने से, लेखक दावा करते हैं कि परिदृश्य स्वयं अपना आकार बदल लेता है। "लड़खड़ाहटें" नए रास्ते और ढलान बनाती हैं जो पहले मौजूद नहीं थे।
उपमा: यह एक ऐसे GPS की तरह है जो न केवल आपको सड़क दिखाता है, बल्कि भू-भाग को नया आकार भी दे सकता है। यदि आप किसी डेड एंड (बंद रास्ते) पर पहुँच जाते हैं, तो रोबोट समाधान की ओर ले जाने वाले एक नए ढलान पर फिसलने के लिए अपनी ऊर्जा "डिसिपेट" (कम) कर सकता है। यह रोबोट को जाल से बचने और बेहतर उत्तर खोजने में मदद करता है।

3. वास्तविकता के लिए "वॉल्यूम नॉब"

शोध पत्र दो विशिष्ट प्रकार की "लड़खड़ाहटों" पर ध्यान केंद्रित करता है:

एम्प्लीट्यूड डैम्पिंग (AD): जैसे बैटरी का धीरे-धीरे चार्ज कम होना।
फेज़ डैम्पिंग (PD): जैसे रेडियो सिग्नल की स्पष्टता का कम होना (स्टैटिक)।

आमतौर पर, ये बुरी चीजें हैं। लेकिन इस पेपर में, वैज्ञानिक डैम्पिंग की मात्रा को एक वॉल्यूम नॉब के रूप में देखते हैं जिसे वे प्रशिक्षण के दौरान कम या ज्यादा कर सकते हैं।

उपमा: कल्पना करें कि आप सूप बना रहे हैं। पारंपरिक रूप से, आप केवल गर्मी (यूनिटरी भाग) को नियंत्रित करते हैं। यदि सूप उबलकर बाहर आ जाता है या बहुत ठंडा हो जाता है, तो वह एक आपदा है। इस नई विधि में, आपको "वाष्पीकरण दर" (चैनल) को एक जानबूझकर डाले गए घटक के रूप में नियंत्रित करने की अनुमति है। आप कह सकते हैं, "सूप को थोड़ा उबलने दें और थोड़ा पानी कम होने दें ताकि स्वाद गहरा हो सके," और कंप्यूटर सीखता है कि कितना वाष्पीकरण सूप के स्वाद को सबसे अच्छा बनाता है।

उन्होंने वास्तव में क्या किया?

लेखकों ने केवल सिद्धांत नहीं दिया; उन्होंने इसे बनाया।

उन्होंने एक नए प्रकार का क्वांटम सर्किट बनाया जहाँ इन "लड़खड़ाहट के नॉब्स" (पैरामीटर्स) को सामान्य "स्पिन नॉब्स" के साथ ही समायोजित किया जाता है।
उन्होंने इसे दो कार्यों पर परखा:
1. हस्तलिखित अंकों को पहचानना (0 और 1 के बीच अंतर करना)।
2. पावर ग्रिड स्थिरता की भविष्यवाणी करना (यह पता लगाना कि क्या एक इलेक्ट्रिकल ग्रिड स्थिर रहेगा या क्रैश हो जाएगा)।
परिणाम: दोनों मामलों में, नए "लड़खड़ाते" (wobbly) मॉडल पारंपरिक "परफेक्टली बैलेंस्ड" मॉडलों की तुलना में तेजी से सीखे और कम गलतियाँ कीं। यहाँ तक कि जब उन्होंने इसकी तुलना अधिक क्वांटम बिट्स (अधिक हार्डवेयर) वाले पारंपरिक मॉडल से की, तो कम बिट्स लेकिन "ट्रेनेबल वॉबल्स" वाले नए मॉडल ने बेहतर प्रदर्शन किया।

निष्कर्ष

यह शोध पत्र तर्क देता है कि हम क्वांटम शोर (नॉइज़) को एक दुश्मन के रूप में देख रहे हैं जिसे हराना है। इसके बजाय, हमें इसे एक कंप्यूटेशनल प्रिमिटिव (गणनात्मक मूल तत्व) के रूप में देखना चाहिए—एक बुनियादी निर्माण खंड जिसे हम ट्यून कर सकते हैं और सीख सकते हैं। क्वांटम सिस्टम को नियंत्रित तरीके से थोड़ी ऊर्जा या कोहेरेंस खोने की अनुमति देकर, हम कंप्यूटर को जटिल समस्याओं को कुशलतापूर्वक हल करने के लिए अधिक स्वतंत्रता देते हैं।

संक्षेप में: उन्होंने मशीन में "शोर" को एक "फीचर" में बदल दिया जो मशीन को बेहतर, तेज़ और अधिक सटीक रूप से सीखने में मदद करता है।

तकनीकी सारांश: क्वांटम लर्निंग के लिए कम्प्यूटेशनल प्रिमिटिव के रूप में ट्रेन करने योग्य क्वांटम चैनल

समस्या विवरण
वैरिएशनल क्वांटम न्यूरल नेटवर्क (QNNs) शोर वाले इंटरमीडिएट-स्केल क्वांटम (NISQ) उपकरणों के लिए क्वांटम मशीन लर्निंग (QML) में एक अग्रणी आर्किटेक्चर हैं। हालांकि, पारंपरिक QML ढांचे सख्ती से यूनिटरी डायनेमिक्स तक सीमित हैं, जो क्वांटम चैनलों और विसरण (dissipation) को केवल हानिकारक शोर स्रोतों के रूप में देखते हैं जो बैरन प्लेटो (barren plateaus), स्थानीय मिनिमा और प्रदर्शन में गिरावट उत्पन्न करते हैं। जबकि हाल के अध्ययन सुझाव देते हैं कि इंजीनियर किया गया विसरण लाभ प्रदान कर सकता है, मौजूदा शोध मुख्य रूप से क्वांटम विसरण को एक अनियंत्रित पर्यावरणीय कारक के रूप में देखते हैं न कि एक एकीकृत, ट्रेन करने योग्य घटक के रूप में। मॉडल निर्माण, सैद्धांतिक विश्लेषण और प्रयोगात्मक सत्यापन के लिए क्वांटम चैनलों को सक्रिय रूप से प्रशिक्षण योग्य मॉड्यूल के रूप में अपनाने हेतु एक व्यापक ढांचे का अभाव है।

कार्यप्रणाली
लेखक एक सामान्यीकृत ढांचे का प्रस्ताव करते हैं जिसे channelQNNs कहा जाता है, जो वैरिएशनल क्वांटम सर्किटों में सीधे पैरामीटराइज्ड, पूर्णतः सकारात्मक ट्रेस-संरक्षण (CPTP) मानचित्रों को शामिल करता है। पारंपरिक दृष्टिकोणों के विपरीत जहाँ शोर स्थिर होता है, यहाँ चैनल पैरामीटर ( $\phi$ ) को यूनिटरी पैरामीटर ( $\theta$ ) के साथ संयुक्त रूप से अनुकूलित किए जाने वाले वैरिएशनल पैरामीटर के रूप में माना जाता है।

आर्किटेक्चर: मॉडल आउटपुट को $f(\theta, \phi) = \text{Tr}[O U_\theta(E_\phi(\rho_x))]$ के रूप में परिभाषित किया गया है, जहाँ $E_\phi$ एक ट्रेन करने योग्य क्वांटम चैनल है। ढांचा दो विशिष्ट चैनलों का उपयोग करता है: एम्प्लीट्यूड-डैम्पिंग (AD) और फेज-डैम्पिंग (PD)।
कार्यान्वयन: स्टाइनस्प्रेग डायलेशन प्रमेय (Stinesring dilation theorem) का अनुसरण करते हुए, गैर-यूनिटरी चैनलों को सिस्टम क्वबिट्स और एक एनसिलरी एनवायरनमेंट क्वबिट (जिसे $|0\rangle$ पर इनिशियलाइज किया गया है) के बीच यूनिटरी इंटरैक्शन के माध्यम से साकार किया जाता है। चैनल पैरामीटर $\phi$ को कंट्रोल्ड रोटेशन (जैसे, $\phi = \sin^2(\alpha/2)$ ) के माध्यम से एनकोड किया जाता है, जिससे पोस्ट-सिलेक्शन के बिना हार्डवेयर पर गैर-यूनिटरी विकास को निष्पादित किया जा सके।
प्रशिक्षण: मॉडलों को बाइनरी क्लासिफिकेशन कार्यों पर क्रॉस-एन्ट्रॉपी लॉस को कम करने के लिए मानक ग्रेडिएंट-आधारित ऑप्टिमाइज़र (Adam) का उपयोग करके प्रशिक्षित किया जाता है, जिसमें L2 रेगुलराइजेशन का उपयोग किया जाता है।

मुख्य योगदान और सैद्धांतिक विश्लेषण
यह शोध स्थापित करता है कि ट्रेन करने योग्य क्वांटम चैनल QML मॉडलों की रिप्रजेंटेशनल क्षमता और ऑप्टिमाइज़ेशन ज्योमेट्री को मौलिक रूप से बदलते हैं:

हाइपोथीसिस स्पेस का विस्तार:
- चैनल-बढ़ाए गए मॉडल का आउटपुट कई कार्यात्मक घटकों के एक संरचित सुपरपोजिशन के रूप में होता है: $f(\theta, \phi) = \sum_k \text{Tr}(O_k(\theta, \phi)\rho)$ ।
- प्रत्येक घटक एक प्रभावी ऑब्जर्वेबल $O_k$ द्वारा शासित होता जिसके आइगेनवैल्यूज़ (स्पेक्ट्रम) को चैनल पैरामीटर्स द्वारा अनुकूल रूप से मॉड्यूलेट किया जाता है। यह यूनिटरी मॉडलों के विपरीत है, जहाँ ऑब्जर्वेबल्स स्पेक्ट्रम को संरक्षित करने वाले सिमिलरिटी ट्रांसफॉर्मेशन से गुजरते हैं।
- यह ढांचा यूनिटरी QNNs का एक सख्त सामान्यीकरण है; जब $\phi \to 0$ हो, तो यूनिटरी मॉडल को रिकवर किया जा सकता है।
समृद्ध ऑप्टिमाइज़ेशन ज्योमेट्री:
- एंसेम्बल-एवरेज्ड ग्रेडिएंट्स: यूनिटरी पैरामीटर्स के संबंध में ग्रेडिएंट का मूल्यांकन एकल अवस्था के बजाय चैनल-विकसित अवस्थाओं के एक एंसेम्बल पर औसत निकाला जाता है।
- गैर-यूनिटरी दिशाएँ: यह ढांचा चैनल पैरामीटर्स ( $\partial_\phi f$ ) से जुड़ी अतिरिक्त ऑप्टिमाइज़ेशन दिशाओं को पेश करता है। ये ग्रेडिएंट्स क्रौस ऑपरेटर्स (Kraus operators) के डेरिवेटिव द्वारा नियंत्रित होते हैं, जो शुद्ध यूनिटरी मॉडलों की तुलना में भिन्न पथ प्रदान करते हैं। यह उन तंत्रों के माध्यम से जटिल लॉस लैंडस्स्केप नेविगेट करने की अनुमति देता है जो विशुद्ध रूप से यूनिटरी मॉडलों में उपलब्ध नहीं हैं।

प्रयोगात्मक परिणाम
लेखकों ने दो डेटासेट पर ढांचे का मूल्यांकन किया: MNIST हस्तलिखित अंक डेटासेट (0 और 1 का बाइनरी क्लासिफिकेशन) और इलेक्ट्रिकल ग्रिड स्टेबिलिटी सिम्युलेटेड डेटासेट (EGSSD)।

MNIST प्रयोग:
- मानक यूनिटरी QNNs, PD-QNNs और AD-QNNs के बीच विभिन्न क्वबिट काउंट (4, 6, 8, और 10 क्वबिट्स) और एनकोडिंग रणनीतियों (एंगल और एम्प्लीट्यूड एनकोडिंग) के माध्यम से तुलना की गई।
- ऑप्टिमाइज़ेशन डायनेमिक्स: PD-QNNs और AD-QNNs दोनों ने काफी तेज़ अभिसरण (convergence) दिखाया। उदाहरण के लिए, एक 4-क्वबिट मॉडल पर, PD-QNNs ने यूनिटरी बेसलाइन की तुलना में आवश्यक ऑप्टिमाइज़ेशन स्टेप्स को लगभग 52.8% कम कर दिया।
- प्रदर्शन: चैनल-बढ़ाए गए मॉडलों ने कम अंतिम लॉस और उच्च टेस्ट सटीकता प्राप्त की। प्रदर्शन में वृद्धि चैनल-बढ़ाए गए मॉडलों के कारण थी, न कि क्वबिट काउंट बढ़ने के कारण, क्योंकि एक 5-क्वबिट यूनिटरी मॉडल, 4-क्विट चैनल-बढ़ाए गए मॉडलों के प्रदर्शन से मेल नहीं खा सका।
EGSSD प्रयोग:
- इस अधिक जटिल वास्तविक कार्य पर, यूनिटरी मॉडल उच्चतम अंतिम लॉस और निम्नतम सटीकता के साथ अभिसरित हुआ।
- PD-QNNs और AD-QNNs ने काफी कम लॉस और उच्च सटीकता प्राप्त की। विशेष रूप से, यूनिटरी बेसलाइन के क्वबिट काउंट को 10 से बढ़ाकर 11 करने से सटीकता में केवल 0.3% सुधार हुआ, जबकि ट्रेन करने योग्य चैनलों वाले 10-क्वबिट मॉडलों ने क्रमशः 2.9% (PD) और 3.9% (AD) का सुधार हासिल किया।

महत्व और दावे
यह शोध दावा करता है कि यह क्वांटम चैनलों को शोर के बजाय ट्रेन करने योग्य संसाधनों के रूप में उपयोग करने के लिए एक सिद्धांत आधारित दृष्टिकोण प्रदान करता है। ग्राउंड-स्टेट सर्च या स्टेट रिकवरी पर केंद्रित हालिया कार्यों से अलग, यह ढांचा स्थापित करता है कि:

ट्रेन करने योग्य चैनल अभिसरण को तेज करने और लॉस सरफेस को सुचारू बनाने के लिए ऑप्टिमाइज़ेशन लैंडस्केप को नया आकार दे सकते हैं।
यह एक समृद्ध हाइपोथीसिस स्पेस प्रदान करता है जिसमें एडेप्टिव ऑब्जर्वेबल ज्योमेट्री है, जो यूनिटरी ट्रांसफॉर्मेशन की स्पेक्ट्रल रिजिडिटी (spectral rigidity) से परे है।
यह दृष्टिकोण उच्च-प्रदर्शन, हार्डवेयर-संगत क्वांटम लर्निंग आर्किटेक्चर की ओर ले जाता है जो अतिरिक्त क्वबिट संसाधनों की आवश्यकता के बिना पारंपरिक यूनिटरी QNNs से बेहतर प्रदर्शन करते हैं।

यह कार्य क्वांटम डिसिपेशन को एक एकीकृत कम्प्यूटेशनल प्रिमिटिव के रूप में अपनाने के व्यवस्थित सैद्धांतिक और प्रयोगात्मक अन्वेषण के रूप में स्वयं को स्थापित करता है।

1. "सुपरपोजिशन ऑफ टूल्स" की उपमा

2. "लैंडस्केप" की उपमा

3. वास्तविकता के लिए "वॉल्यूम नॉब"

उन्होंने वास्तव में क्या किया?

निष्कर्ष

इसी तरह के और पेपर