Optimal multi-spectral squeezing via deterministic 2D-phase optimization

तकनीकी सारांश: नियतात्मक 2D-फेज अनुकूलन के माध्यम से इष्टतम मल्टी-स्पेक्ट्रल स्क्वीजिंग (Squeezing)

समस्या विवरण
कंटीन्यूअस-वेरिएबल (CV) क्वांटम सूचना में, विशेष रूप से मेजरमेंट-बेस्ड क्वांटम कंप्यूटिंग (MBQC) के लिए, उच्च गुणवत्ता वाले मल्टीमोड स्क्वीज़्ड लाइट (squeezed light) उत्पन्न करने हेतु बड़े क्लस्टर स्टेट्स की आवश्यकता होती है। जबकि वेवगाइड-आधारित प्रणालियाँ व्यापक बैंडविड्थ और पल्स्ड ऑपरेशन के साथ अनुकूलता प्रदान करती हैं, वे फैब्रिकेशन दोषों और विषम ज्यामिति के कारण स्थानिक मोड अनियमितताओं (spatial mode irregularities) से ग्रस्त होती हैं। ये अनियमितताएं होमोडाइन डिटेक्शन के दौरान क्वांटम सिग्नल और क्लासिकल लोकल ऑसिलेटर (LO) के बीच मोड ओवरलैप को खराब करती हैं। चूंकि प्रेक्षित स्क्वीजिंग (observed squeezing) मौलिक रूप से डिटेक्शन एफिशिएंसी ($\eta$) द्वारा सीमित होती है, जहाँ $\Delta X^2_{obs} \approx 1 - \eta$ अत्यधिक स्क्वीज़्ड स्टेट्स के लिए होता है, इसलिए अपूर्ण मोड-मैचिंग ($\eta_{mod}$) मापने योग्य स्क्वीजिंग स्तरों पर एक गंभीर बाधा उत्पन्न करती है।

स्थानिक ओवरलैप में सुधार के लिए मौजूदा रणनीतियाँ, जैसे कि स्पैटियल लाइट मॉड्यूलेटर (SLM) का उपयोग करना, आमतौर पर मशीन-लर्निंग-आधारित अनुकूलन पर निर्भर करती हैं। हालांकि प्रभावी होने के बावजूद, ये "ब्लैक-बॉक्स" दृष्टिकोण अक्सर पुनरुत्पादकता (reproducibility) की कमी रखते हैं, सीमित भौतिक अंतर्दृष्टि प्रदान करते हैं, और वैश्विक अधिकतम (global maximum) तक अभिसरण (convergence) की गारंटी नहीं देते हैं। इसके अतिरिक्त, ये कम्प्यूटेशनल रूप से महंगे और अक्षम हो सकते हैं।

कार्यप्रणाली (Methodology)
लेखक SLM का उपयोग करके LO के स्थानिक फेज प्रोफाइल (spatial phase profile) को अनुकूलित करने के लिए एक नियतात्मक (deterministic), अनुक्रमिक एल्गोरिदम प्रस्तावित करते हैं। यह विधि मशीन लर्निंग जैसे एगोस्टिक (agnostic) दृष्टिकोण के बजाय ऑप्टिकल प्रक्रिया के भौतिक विवरण पर आधारित है।

1. पिक्सेल बेसिस रिप्रजेंटेशन: LO स्थानिक मोड को SLM पर इमेज किया जाता है और वर्गाकार मैक्रोपिक्सेल्स ($p_i$) के एक आधार (basis) में विभाजित किया जाता है। एक कमजोर कोहेरेंट सीड बीम (जो क्वांटम सिग्नल के प्रॉक्सी के रूप में कार्य करता है) और LO के बीच इंटरफेरेंस की विजिबिलिटी ($V$) इन पिक्सेल्स के योगदान के योग के परिमाण के रूप में व्यक्त की जाती है:
   $$V(\phi_0, \dots, \phi_n) = \left| \sum_i \langle f_{seed}, p_i \rangle \langle p_i, f_{LO} \rangle e^{i\phi_i} \right|$$
2. अनुक्रमिक अनुकूलन (Sequential Optimization): एल्गोरिदम इस तथ्य का लाभ उठाता है कि विजिबिलिटी फंक्शन व्यक्तिगत पिक्सेल योगदान का एक योग है जिसमें पिक्सेल्स के जोड़ों पर निर्भर क्रॉस-टर्म्स नहीं होते हैं। बीम केंद्र पर एक संदर्भ पिक्सेल ($p_0$) का चयन करके, एल्गोरिदम प्रत्येक क्रमिक पिक्सेल $p_i$ के फेज ($\phi_i$) को अनुकूलित करता है।
3. फेज अलाइनमेंट: प्रत्येक पिक्सेल $p_i$ के लिए, सिस्टम $p_0$ और $p_i$ के बीच सापेक्ष फेज $\phi$ को स्कैन करता है ताकि दो-पिक्सेल विजिबिलिटी $V_i(\phi)$ को अधिकतम किया जा सके। यह $p_i$ के फेज को संदर्भ $p_0$ के साथ संरेखित करता है।
4. प्रायोगिक कार्यान्वयन: स्कैन के दौरान विशिष्ट पिक्सेल्स को अलग करने के लिए, लक्षित पिक्सेल्स पर एक लीनियर फेज रैंप लागू किया जाता है, जो उनके प्रकाश को फूरियर प्लेन में विक्षेपित करता है जहाँ एक आइरिस (iris) मास्क के अन्य क्षेत्रों से आने वाले अवांछित योगदान को रोकता है। यह सिस्टम को शेष मास्क से हस्तक्षेप के बिना एकल पिक्सेल के योगदान को संदर्भ के विरुद्ध मापने की अनुमति देता है।

प्रमुख योगदान

• नियतात्मक ग्लोबल ऑप्टिमाइज़ेशन: यह पेपर एक ऐसा एल्गोरिदम प्रस्तुत करता है जो पिक्सेल बेसिस में विजिबिलिटी के वैश्विक अधिकतम तक पहुँचने की गारंटी देता है। रैंडम सर्च या ग्रेडिएंट-आधारित मशीन लर्निंग के विपरीत, यह विधि अभिसरण (convergence) सुनिश्चित करती है।
• लीनियर स्केलेबिलिटी: इसकी कम्प्यूटेशनल जटिलता पिक्सेल्स की संख्या ($n$) के साथ रैखिक रूप से स्केल करती है, क्योंकि $n$-पैरामीटर समस्या को $n$ सिंगल-पैरामीटर अनुकूलन में बदल दिया जाता है।
• भौतिक व्याख्यात्मकता (Physical Interpretability): यह दृष्टिकोण अनुकूलित मोड की स्पष्ट भौतिक समझ प्रदान करता है, जिससे मशीन-लर्निंग तकनीकों की "ब्लैक-बॉक्स" प्रकृति से बचा जा सकता है।
• दक्षता: अनुकूलन प्रक्रिया तीव्र है; $10 \times 10$ ग्रिड के लिए, एल्गोरिदम 5 मिनट से कम समय में पूरा हो जाता है, जिसका रनटाइम गणना के बजाय सिग्नल अधिग्रहण द्वारा नियंत्रित होता है।

परिणाम
इस पद्धति का परीक्षण टेलीकॉम वेवलेंथ पर मल्टी-स्पेक्ट्रल स्क्वीज़्ड लाइट उत्पन्न करने वाले वेवगाइड-आधारित सेटअप में किया गया।

• विजिबिलिटी सुधार: अनुकूलित फेज मास्क ने सीड और LO के बीच इंटरफेरेंस विजिबिलिटी को 76% से बढ़ाकर 84% कर दिया।
• एफिशिएंसी गेन: विजिबिलिटी में यह वृद्धि मोड-मैचिंग एफिशिएंसी ($\eta_{mod}$) में 20% की वृद्धि के बराबर है।
• स्क्वीजिंग एन्हांसमेंट: मल्टी-स्पेक्ट्रल स्क्वीजिंग मापन ने पुष्टि की कि बेहतर मोड मैचिंग सीधे क्वांटम रीडआउट प्रदर्शन में परिवर्तित हुई। फंडामेंटल हर्मिट-गॉस (HG0) स्पेक्ट्रल मोड के लिए, मापी गई स्क्वीजिंग $-2.08 \pm 0.03$ dB से सुधरकर $-2.64 \pm 0.02$ dB हो गई।
• निरंतरता: देखी गई स्क्वीजिंग में सुधार एफिशिएंसी-लॉस मॉडल ($\Delta X^2_{obs} = \eta \Delta X^2_{state} + (1-\eta)$) का उपयोग करके विजिबिलिटी गेन से प्राप्त सैद्धांतिक भविष्यवाणी के करीब है। अन्य मोड्स में, औसत एफिशिएंसी में 21% की वृद्धि हुई।

महत्व और दावे
लेखक दावा करते हैं कि नियतात्मक स्थानिक फेज शेपिंग, वेवगाइड प्लेटफॉर्म में उन्नत मल्टीमोड स्क्वीजिंग के लिए एक प्रभावी और व्याख्यात्मक मार्ग प्रदान करती है। यह कार्य प्रदर्शित करता है कि ऑप्टिकल प्रक्रिया के विशिष्ट भौतिक बाधाओं पर ध्यान केंद्रित करके, ऐसे अनुकूलन रूटीन विकसित किए जा सकते हैं जो न केवल मशीन-लर्निंग विकल्पों की तुलना में अधिक कुशल और पुनरुत्पादक हैं, बल्कि फेज-ओनली शेपिंग के लिए इष्टतम समाधान तक पहुँचने की सैद्धांतिक गारंटी भी देते हैं।

पेपर नोट करता है कि शेष विजिबिलिटी गैप (100% तक न पहुँचना) संभवतः तीव्रता-प्रोफाइल मिसमैच के कारण है जिसे केवल फेज-ओनली शेपिंग द्वारा ठीक नहीं किया जा सकता है, और साथ ही संभावित पैरासिटिक रिफ्लेक्शन के कारण है। हालाँकि, परिणाम स्थापित करते हैं कि प्रस्तावित नियतात्मक एल्गोरिदम जटिल, मल्टीमोड क्वांटम सिस्टम में होमोडाइन डिटेक्शन के प्रदर्शन को अधिकतम करने के लिए एक मजबूत उपकरण है।