⚛️ quantum physics

QMaxCal: Path-Space Regularization for Open Quantum Control via Girsanov's Theorem

यह शोधपत्र QMaxCal को प्रस्तुत करता है, जो गर्सानोव प्रमेय (Girsanov's theorem) का लाभ उठाते हुए प्रक्षेपवक्र वितरण विचलन (trajectory distribution divergence) के अवकलनीय अनुमानकों (differentiable estimators) को व्युत्पन्न करने के लिए एक पाथ-स्पेस नियमितीकरण ढांचा है, जो नियंत्रण आयाम के बजाय डिकोहेरेंस चैनलों पर नियंत्रण के अवलोकन योग्य परिणामों को दंडित करके ओपन क्वांटम कंट्रोल में मजबूती और निष्ठा को प्रभावी ढंग से बढ़ाता है।

मूल लेखक: Merijn Moody, Zier Mensch, Miranda C. N. Cheng, Peter G. Bolhuis, Max Welling

प्रकाशित 2026-06-19

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Merijn Moody, Zier Mensch, Miranda C. N. Cheng, Peter G. Bolhuis, Max Welling

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

बड़ी समस्या: क्वांटम सिस्टम "शोरयुक्त" (Noisy) होते हैं

कल्पना कीजिए कि आप एक बहुत ही नाजुक, अदृश्य नाव (एक क्वांटम सिस्टम) को बिंदु A से बिंदु B तक ले जाने की कोशिश कर रहे हैं। आपका लक्ष्य वहां तक बिल्कुल सही तरीके से पहुँचना है।

हालाँकि, समुद्र अप्रत्याशित लहरों और हवाओं (यह डिकोहेरेंस या शोर/नॉइज़ है) से भरा हुआ है। वास्तविक दुनिया में, क्वांटम कंप्यूटर इन नावों की तरह होते हैं; वे लगातार अपने वातावरण के साथ अंतःक्रिया करते हैं, जिससे उनकी जानकारी बिखर जाती है और यात्रा खराब हो जाती है।

स्टीयरिंग (कंट्रोल पॉलिसी) के पारंपरिक तरीके आमतौर पर दो चीजों पर ध्यान केंद्रित करते हैं:

गंतव्य तक पहुँचना: "बस यह सुनिश्चित करें कि नाव डॉक तक पहुँच जाए।"
कोमलता बरतना: "पहिए को बहुत जोर से या बहुत तेजी से न घुमाएं" (इसे "फ्लुएंस" या "स्मूथनेस" को दंडित करना कहा जाता है)।

समस्या यह है कि यदि आप तूफान के बीच से गुजर रहे हैं, तो कोमलता बरतना हमेशा काम नहीं आता। आप कोमलता से स्टीयरिंग कर सकते हैं, लेकिन यदि आपका रास्ता सबसे उग्र लहरों के बीच से गुजरता है, तो भी नाव पलट सकती है।

नया विचार: QMaxCal

इस शोध पत्र के लेखक स्टीयरिंग का एक नया तरीका प्रस्तावित करते हैं जिसे QMaxCal कहा जाता है। केवल गंतव्य को देखने या पहिया कितनी जोर से घुमाने को देखने के बजाय, QMaxCal उस पूरे रास्ते (पाथ) को देखता है जिससे नाव गुजरती है और पूछता है: "इस विशिष्ट मार्ग पर लहरों ने हमें कितना परेशान किया?"

वे गिरसानोव थ्योरम (Girsanov's Theorem) नामक एक गणितीय उपकरण का उपयोग करते हैं (इसे एक "शोर कैलकुलेटर" के रूप में सोचें)। यह उपकरण उन्हें वास्तविक समय में यह गणना करने की अनुमति देता है कि एक विशिष्ट पथ, एक "पूरी तरह से शांत" पथ की तुलना में कितना "शोर" अनुभव करेगा।

दो नए स्टीयरिंग नियम (रेगुलराइज़र)

शोध पत्र में नाव को सबसे खराब लहरों से बचने में मदद करने के लिए दो विशिष्ट नियम पेश किए गए हैं। इन्हें रेगुलराइज़र कहा जाता है।

1. "वीनर KL" नियम (द "सेफ हार्बर" रणनीति)

उपमा: कल्पना कीजिए कि समुद्र में कुछ विशिष्ट "सुरक्षित बंदरगाह" (safe harbors) हैं जहाँ पानी पूरी तरह से स्थिर है (गणितीय रूप से इसे कर्नेल कहा जाता है)।
यह कैसे काम करता है: यह नियम नाव को बताता है: "यदि पास में कोई सुरक्षित बंदरगाह है, तो उसके माध्यम से स्टीयरिंग करें, भले ही वह थोड़ा लंबा रास्ता क्यों न हो।"
यह कब सबसे अच्छा काम करता है: यह अविश्वसनीय रूप से प्रभावी है जब एक विशिष्ट अवस्था (जैसे ग्राउंड स्टेट) होती है जहाँ शोर पूरी तरह से गायब हो जाता है। यह सिस्टम को जितना संभव हो सके उस शांत क्षेत्र में रहने के लिए मजबूर करता है।

2. "ड्रिफ्ट-वेरिएंस" नियम (द "स्मूथ सेलिंग" रणनीति)

उपमा: कभी-कभी, कोई पूरी तरह से शांत बंदरगाह नहीं होता। इसके बजाय, ऐसे क्षेत्र होते हैं जहाँ लहरें सुसंगत और अनुमानित होती हैं, भले ही वे शून्य न हों।
यह कैसे काम करता है: यह नियम नाव को बताता है: "लहरों को अनियंत्रित और अप्रत्याशित न होने दें। गति को स्थिर और समान बनाए रखें।" यह उन रास्तों को दंडित करता है जहाँ शोर बहुत अधिक उतार-चढ़ाव वाला होता है।
यह कब सबसे अच्छा काम करता है: यह एक "यूनिवर्सल" नियम है। यह तब भी काम करता है जब कोई आदर्श सुरक्षित बंदरगाह नहीं होता, जब तक कि सिस्टम एक ऐसा रास्ता खोज सके जहाँ शोर स्थिर हो।

यह अलग क्यों है?

पिछले तरीके एक ड्राइवर को यह बताने जैसे थे: "एक्सीलरेटर को बहुत जोर से न दबाएं" (कंट्रोल एम्प्लीट्यूड को दंडित करना)।
QMaxCal ड्राइवर को यह बताने जैसा है: "गड्ढों के बीच से न गुजरें, भले ही इसके लिए आपको थोड़ा लंबा रास्ता लेना पड़े।"

यह कंट्रोल के कार्यों (कंट्रोल एम्प्लीट्यूड) के बजाय कंट्रोल के परिणामों (कि पर्यावरण सिस्टम को कितना परेशान करता है) को दंडित करता है।

परिणाम: प्रयोगों में क्या हुआ?

लेखकों ने कई "क्वांटम नावों" (सिमुलेटेड क्वांटम सिस्टम) पर इस नई स्टीयरिंग पद्धति का परीक्षण किया:

सिंगल क्यूबिट (सरल नाव): जब शोर मध्यम था, तो इस नए तरीके ने एक ऐसा रास्ता खोजा जो "सुरक्षित बंदरगाह" से होकर गुजरा, जिससे पुराने तरीकों की तुलना में अराजकता (वेरिएंस) 15 गुना कम हो गई।
डायमंड सिस्टम (जटिल भूलभुलैया): एक ऐसी स्थिति में जहाँ सीधा रास्ता बाधाओं (लॉसी स्टेट्स) से भरा था, पुराने तरीके फंस गए। QMaxCal ने एक सुरक्षित क्षेत्र के माध्यम से एक चतुर मोड़ खोजा, जिससे सफलता दर में 17 प्रतिशत अंक का सुधार हुआ।
IBM किंगस्टन प्रोसेसर (वास्तविक दुनिया का परीक्षण): उन्होंने एक वास्तविक IBM क्वांटम कंप्यूटर चिप के सिमुलेशन पर इसका परीक्षण किया। उन्होंने चिप पर एक शोर वाला स्थान (जैसे पानी का तूफानी पैच) पाया।
- परिणाम: "ड्रिफ्ट-वेरिएंस" नियम का उपयोग करके सूचना को उस शोर वाले स्थान के चारों ओर रूट करके, उन्होंने सफलता दर में 16% का सुधार किया।
- मजबूती (Robustness): यहाँ तक कि जब उन्होंने शोर को उस स्तर से 2.5 गुना अधिक मजबूत करने का अनुकरण किया जिस पर सिस्टम को प्रशिक्षित किया गया था, तब भी QMaxCal ने पुराने तरीकों की तुलना में बहुत बेहतर प्रदर्शन किया।

मुख्य निष्कर्ष

QMaxCal क्वांटम सिस्टम को नियंत्रित करने का एक नया तरीका है जो केवल "स्मूथ" होने के बजाय शोर से बचने पर ध्यान केंद्रित करता है। उन्नत गणित का उपयोग करके यह मापने के बाद कि एक पथ पर्यावरण को कितना विचलित करता है, यह स्मार्ट रास्ते खोजता है जो क्वांटम जानकारी को सुरक्षित रखते हैं।

संक्षेप में: केवल सुचारू रूप से ड्राइव न करें; वहां ड्राइव करें जहां रास्ता शांत हो।

तकनीकी सारांश: QMaxCal: गिरसानोव प्रमेय (Girsanov's Theorem) के माध्यम से ओपन क्वांटम कंट्रोल हेतु पाथ-स्पेस रेगुलराइजेशन

समस्या विवरण
यथार्थवादी परिवेशों में विश्वसनीय क्वांटम नियंत्रण, डिकोहेरेंस (decoherence)—जो एक क्वांटम सिस्टम और उसके वातावरण के बीच होने वाला अपरिवर्तनीय जुड़ाव है—के कारण बाधित होता है। जबकि मौजूदा क्वांटम ऑप्टिमल कंट्रोल विधियाँ (जैसे GRAPE, क्रोटोव विधि, सुदृढ़ीकरण सीखना/Reinforcement Learning) फिडेलिटी (fidelity) के लिए कंट्रोल पल्स को प्रभावी ढंग से अनुकूलित करती हैं, वे अक्सर डिकोहेरेंस को एक स्थिर लागत (static cost) के रूप में मानती हैं या कंट्रोल फ्लुएंस (ऊर्जा) या स्मूथनेस पर सामान्य दंड लागू करती हैं। ये दृष्टिकोण स्पष्ट रूप से इस बात पर विचार नहीं करते हैं कि विभिन्न कंट्रोल पॉलिसीज हिल्बर्ट स्पेस (Hilbert space) के माध्यम से सिस्टम को कैसे रूट करती हैं, जिससे यह संभावित रूप से पर्यावरणीय शोर (environmental noise) के विभिन्न स्तरों के संपर्क में आ सकती है। मुख्य चुनौती ऐसी कंट्रोल पॉलिसी विकसित करने की है जो सिस्टम को सक्रिय रूप से उन अवस्थाओं या सबस्पेस (subspaces) की ओर निर्देशित करे जहाँ डिकोहेरेंस के अवलोकन योग्य परिणाम (observable consequences) न्यूनतम हों, न कि केवल कंट्रोल आयाम (amplitude) को कम करने की।

कार्यप्रणाली
लेखक QMaxCal का प्रस्ताव करते हैं, जो एक पाथ-स्पेस रेगुलराइजेशन फ्रेमवर्क है जो सीधे क्वांटम प्रक्षेपवक्रों (quantum trajectories) के वितरण पर कार्य करता है। यह विधि निरंतर निगरानी (continuous monitoring) के तहत ओपन क्वांटम सिस्टम को मॉडल करने के लिए स्टोकेस्टिक श्रोडिंगर समीकरण (SSE) का लाभ उठाती है। इस ढांचे में, सिस्टम की वातावरण के साथ अंतःक्रिया से शास्त्रीय मापन रिकॉर्ड (classical measurement records) उत्पन्न होते हैं। महत्वपूर्ण रूप से, एक ही डिकोहेरेंस चैनल (लिंडब्लाड ऑपरेटर्स) साझा करने वाले दो विकास (evolutions) के लिए, ये रिकॉर्ड केवल अपने ड्रिफ्ट टर्म्स (drift terms) में भिन्न होते हैं, जबकि वे समान अंतर्निहित शोर संरचना (Wiener increments) साझा करते हैं।

मुख्य सैद्धांतिक नवाचार गिरसानोव प्रमेय (Girsanov's Theorem) का अनुप्रयोग है, जिसका उपयोग नियंत्रित विकास और एक संदर्भ माप (reference measure) के बीच क्ल-डीवी (Kullback-Leibler/KL) डाइवर्जेंस के एक बंद-रूप (closed-form), अवकलनीय अनुमानक (differentiable estimator) को प्राप्त करने के लिए किया जाता है। यह विधि नियंत्रण के डिकोहेरेंस चैनलों पर "अवलोकन योग्य परिणामों" को दंडित करने की अनुमति देती है।

यह ढांचा अपने जनरल एस्टीमेटर को दो भौतिक रूप से प्रेरित संदर्भ मापों के साथ स्थापित करता है, जिससे दो विशिष्ट रेगुलराइज़र प्राप्त होते हैं:

वीनर KL (KLW): यह वीनर मेजर (शुद्ध ब्राउनियन मोशन जिसमें शून्य ड्रिफ्ट हो) को संदर्भ के रूप में उपयोग करता है। यह रेगुलराइज़र सिस्टम को लिंडब्लाड ऑपरेटर्स के संयुक्त कर्नेल (joint kernel) की ओर ले जाता है (जहाँ ड्रिफ्ट $\alpha_k = \langle L_k + L_k^\dagger \rangle = 0$ है)। यह तब सबसे प्रभावी होता है जब सिस्टम को डिकोहेरेंस-फ्री सबस्पेस (DFS) के माध्यम से रूट किया जा सकता है जहाँ शोर पूरी तरह से समाप्त हो जाता है।
ड्रिफ्ट-वेरिएंस (RDV): यह निकटतम स्थिर-ड्रिफ्ट प्रक्रिया (constant-drift process) को संदर्भ के रूप में उपयोग करता है। यह समय और शोर के विभिन्न वास्तविकताओं में ड्रिफ्ट के वेरिएंस को न्यूनतम करता है। यह सिस्टम को किसी भी डिकोहेरेंस-फ्री सबस्पेस की ओर ले जाता, भले ही उसमें गैर-शून्य स्थिर ड्रिफ्ट हो (जहाँ अवस्था लिंडब्लाड ऑपरेटर्स का आइजनस्टेट है लेकिन अनिवार्य रूप से उनके कर्नेल में नहीं है)।

कुल लॉस फंक्शन मानक अंतिम-अवस्था फिडेलिटी ऑब्जेक्टिव को इन रेगुलराइज़र्स और एक मानक फ्लुएंस पेनल्टी के साथ जोड़ता है:
$\mathcal{L}(\theta) = 1 - \mathbb{E}_{P_\theta}[F(\psi(T))] + \lambda_{KLW} KLW + \lambda_{RDV} RDV + \lambda_{flu} Flu$

प्रमुख योगदान

क्लोज्ड-फॉर्म KL एस्टीमेटर: लेखकों ने गिरसानोव प्रमेय का उपयोग करते हुए, किसी भी दो विकासों (जो समान लिंडब्लाड ऑपरेटर्स साझा करते हैं) के लिए क्वांटम प्रक्षेपवक्र स्थान पर KL डाइवर्जेंस के लिए एक क्लोज्ड-फॉर्म एस्टीमेटर व्युत्पन्न किया है (समीकरण 8)।
नवीन रेगुलराइज़र: KLW और RDV का परिचय, जो कंट्रोल एम्पलीट्यूड के बजाय डिकोहेरेंस चैनलों के साथ कपलिंग (coupling) को दंडित करते हैं। ये मौजूदा फ्लुएंस या स्मूथनेस पेनल्टी से गुणात्मक रूप से भिन्न हैं।
अनुभवजन्य सत्यापन (Empirical Validation): इस फ्रेमवर्क का परीक्षण पांच ओपन-सिस्टम बेंचमार्क पर किया गया है, जिसमें सिंगल-क्यूबिट एम्पलीट्यूड डैम्पिंग, STIRAP, एक चार-स्तरीय "डायमंड" सिस्टम, साइट-डिपेंडेंट नॉइज़ वाला एक सिंथेटिक क्यूबिट चेन, और IBM Kingston प्रोसेसर को कैलिब्रेट किया गया एक छह-क्यूबिट चेन शामिल है।

परिणाम
रेगुलराइज़र्स अन-रेगुलराइज्ड ग्रेडिएंट-बेस्ड बेसलाइन और कंस्ट्रेंड रिइन्फोर्समेंट लर्निंग (PPO) बेसलाइन की तुलना में महत्वपूर्ण सुधार प्रदर्शित करते हैं:

फिडेलिटी लाभ: सभी बेंचमार्क्स में, रेगुलराइज़र्स इन्फिडेलिटी (infidelity) को 50% तक कम कर देते हैं। IBM Kingston कैलिब्रेटेड चेन में, ड्रिफ्ट-वेरिएंस रेगुलराइज़र ने बेसलाइन की तुलना में $\sim 16\%$ की कमी के साथ इन्फिडेलिटी में सुधार किया।
शोर मिसमैच के प्रति मजबूती (Robustness to Noise Mismatch): ये विधियाँ तब बेहतर मजबूती दिखाती हैं जब प्रशिक्षण शोर मॉडल और परीक्षण वातावरण भिन्न होते हैं। डायमंड सिस्टम के लिए, एक विशिष्ट शोर स्तर पर प्रशिक्षित पॉलिसी ने $2.5\times$ अधिक मजबूत शोर मिसमैच के तहत भी उच्च फिडेलिटी बनाए रखी, जो बेसलाइन से +27 प्रतिशत अंक (pp) बेहतर थी।
ट्रैजेक्टरी रूटिंग: एम्पलीट्यूड डैम्पिंग बेंचमार्क में, वीनर KL पॉलिसी ने सफलतापूर्वक प्रक्षेपवक्र को ग्राउंड स्टेट (लिंडब्लाड ऑपरेटर का कर्नेल) के माध्यम से रूट किया, जिससे बेसलाइन की तुलना में टाइम-इंटीग्रेटेड पॉपुलेशन वेरिएंस को 15 गुना कम कर दिया। डायमंड सिस्टम में, रेगुलराइज़र ने ऑप्टिमाइज़र को एक सहायक अवस्था (auxiliary state) के माध्यम से एक सुरक्षित अप्रत्यक्ष मार्ग खोजने के लिए मजबूर किया, जिससे उस लॉस्य डायरेक्ट कपलिंग से बचा जा सका जिसने बेसलाइन को लोकल मिनिमम में फंसा दिया था।
कंप्यूटेशनल दक्षता: स्टेट वेक्टर्स (प्रक्षेपवत्तियों) पर कार्य करके, SSE-आधारित दृष्टिकोण एक द्विघातीय (quadratic) मेमोरी लाभ प्राप्त करता है, जिससे एकल GPU पर 12 क्यूबिट तक के सिस्टम का अनुकरण संभव हो पाता है, जबकि डेंसिटी-मैट्रिक्स सॉल्वर इस स्केल पर मेमोरी की कमी के कारण विफल हो जाते हैं।

महत्व और दावे
पेपर का दावा है कि QMaxCal, सिस्टम-विशिष्ट रिवॉर्ड इंजीनियरिंग की आवश्यकता के बिना, डिकोहेरेंस-अवेयरनेस (decoherence-awareness) को क्वांटम ऑप्टिमल कंट्रोल में शामिल करने का एक व्यवस्थित तरीका प्रदान करता है। डिकोहेरेंस चैनलों पर कंट्रोल के अवलोकन योग्य परिणामों को दंडित करके, यह विधि स्वाभाविक रूप से ऐसी पॉलिसी खोजती है जो डिकोहेरेंस-फ्री सबस्पेस का लाभ उठाती है या लॉस्य अवस्थाओं के संपर्क को कम करती है।

लेखक नोट करते हैं कि रेगुलराइज़र्स की प्रभावशीलता शोर की संरचना पर निर्भर है: वे सबसे महत्वपूर्ण लाभ तब प्रदान करते हैं जब एक सुलभ डिकोहेरेंस-फ्री सबस्पेस (जैसे एम्पलीट्यूड डैम्पिंग, डायमंड सिस्टम) मौजूद हो या जब शोर दरों में अत्यधिक विषमता (asymmetry) हो (जैसे IBM Kingston चेन)। उन परिदृश्यों में जहाँ शोर कम है या कोई उपयोग योग्य DFS नहीं है, लाभ न्यूनतम या अनुपस्थित होते हैं, जो कि उनके सैद्धांतिक व्युत्पत्ति के अनुरूप है कि रेगुलराइज़र्स डिकोहेरेंस-फ्री विकासों पर शून्य हो जाते हैं।

यह कार्य मशीन लर्निंग के क्षेत्र में एक योगदान के रूप में प्रस्तुत किया गया है जो गिरसानोव प्रमेय के माध्यम से ओपन क्वांटम सिस्टम के लिए मैक्सिमम कैलिबर सिद्धांत को विस्तारित करता है। लेखक स्पष्ट रूप से अपने दायरे को डिफ्यूसिव अनरवेलिंग्स (होमोडाइन/हेटरोडाइन डिटेक्शन) और मार्कोवियन वातावरण तक सीमित रखते हैं, और उल्लेख करते हैं कि जंप अनरवेलिंग्स और नॉन-मार्कोवियन सेटिंग्स में विस्तार भविष्य का कार्य है।