🤖 machine learning

Intrinsic Flow Matching on Quantum Pure-State Manifolds with Phase-Aligned Transport

यह शोध पत्र इंट्रिन्सिक फ्लो मैचिंग (IFM) को प्रस्तुत करता है, जो जटिल प्रोजेक्टिव स्पेस पर एक नियत (deterministic) जनरेटिव मॉडलिंग ढांचा है जो यूक्लिडियन दृष्टिकोणों की ज्यामितीय सीमाओं को दूर करने के लिए फेज-अलाइन्ड टेंजेंट वेलोसिटी फील्ड्स का उपयोग करता है, और उच्च-आयामी एवं कोहेरेंस-संवेदनशील क्वांटम स्टेट बेंचमार्क पर श्रेष्ठ प्रदर्शन प्रदर्शित करता है।

मूल लेखक: Jian Xu, Delu Zeng, John Paisley, Qibin Zhao

प्रकाशित 2026-06-23

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jian Xu, Delu Zeng, John Paisley, Qibin Zhao

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 रोबट को एक उत्कृष्ट कृति (masterpiece) पेंट करना सिखाने की कोशिश कर रहे हैं, लेकिन कैनवास एक कागज की सपाट शीट नहीं है। इसके बजाय, कैनवास एक विशाल, घुमावदार, बहु-आयामी गोला (multi-dimensional sphere) है जहाँ हर बिंदु एक अद्वितीय "क्वांटम अवस्था" (quantum state) का प्रतिनिधित्व करता है।

समस्या यह है कि अधिकांश AI पेंटिंग रोबोट, सपाट, वर्गाकार कैनवस (यूक्लिडियन स्पेस) पर प्रशिक्षित होते हैं। यदि आप उन्हें एक गोले पर पेंट करने के लिए मजबूर करते हैं, तो वे भ्रमित हो जाते हैं। वे ऐसे सीधे पथों पर चलने की कोशिश करते हैं जो गोले के केंद्र से होकर गुजरते हैं या ऐसे चक्कर लगाने लगते हैं जो वास्तव में चित्र को बदलते भी नहीं हैं। ये "घोस्ट मूव्स" (ghost moves) हैं—ये रोबोट के लिए गति तो दिखती हैं, लेकिन क्वांटम कैनवास पर, ये केवल बेकार ऊर्जा या अर्थहीन रोटेशन हैं।

यह पेपर एक नई विधि पेश करता है जिसे इंट्रिंसिक फ्लो मैचिंग (Intrinsic Flow Matching - IFM) कहा जाता है। इसे एक विशेष रूप से घुमावदार, गोलाकार दुनिया के लिए डिज़ाइन किए गए निर्देशों के सेट के रूप में समझें।

यह कैसे काम करता है, यहाँ सरल उपमाओं (analogies) के माध्यम से बताया गया है:

1. समस्या: "फ्लैट मैप" बनाम "ग्लोब"

क्वांटम दुनिया में, एक "शुद्ध अवस्था" (pure state) (जैसे कि क्यूबिट्स का एक विशिष्ट विन्यास) ग्लोब पर एक बिंदु की तरह होती है। हालाँकि, एक पेच है: यदि आप ग्लोब को ठीक 360 डिग्री घुमाते हैं, तो आप उसी स्थान पर वापस आ जाते हैं, लेकिन "फेज़" (एक छिपा हुआ कोण) अलग हो सकता है।

पुरानी विधि (यूक्लिडियन फ्लो): रोबोट एक सपाट मानचित्र पर बिंदु A से बिंदु B तक एक सीधी रेखा खींचने की कोशिश करता है। जब वह उस रेखा को वापस ग्लोब पर प्रोजेक्ट करता है, तो वह अक्सर एक अजीब, अक्षम पथ लेता है या बेकार तरीके से घूमता रहता है। यह एक सपाट मानचित्र पर न्यूयॉर्क और लंदन के बीच सीधी रेखा खींचने की कोशिश करने जैसा है, और फिर यह महसूस करना कि वास्तविक पृथ्वी पर, वह रेखा ग्रह के केंद्र से होकर गुजरती है।
पेपर का समाधान: रोबोट ग्लोब की सतह पर चलना सीखता है। वह केवल उन दिशाओं में चलता है जो वास्तव में क्वांटम अवस्था को बदलती हैं, बेकार घूमने को नजरअंदाज करते हुए।

2. गुप्त मंत्र: "फेज़ अलाइनमेंट" (Phase Alignment)

क्वांटम मैकेनिक्स में सबसे बड़ा सिरदर्द यह है कि दो अवस्थाएं समान दिख सकती हैं लेकिन उनमें एक छिपा हुआ "फेज़" अंतर हो सकता है (जैसे दो घड़ियाँ जो एक ही समय दिखा रही हों लेकिन एक अलग टाइम ज़ोन पर सेट हो)।

उपमा: कल्पना कीजिए कि आप अपने घर से अपने दोस्त के घर तक जाना चाहते हैं। लेकिन आपके दोस्त ने एक टोपी पहनी हुई है जिसे घुमाया जा सकता है। यदि आप टोपी को पहले अलाइन नहीं करते हैं, तो आप घर की ओर बढ़ने के बजाय यह समझने के लिए चक्कर काट सकते हैं कि टोपी किस दिशा में है।
समाधान: पेपर पंचरत्न अलाइनमेंट (Pancharatnam alignment) नामक एक ट्रिक का उपयोग करता है। शुरू करने से पहले, यह शुरुआती और अंतिम बिंदुओं को "अलाइन" करता है ताकि वे एक ही दिशा में हों। यह भ्रम को दूर करता है और सुनिश्चित करता है कि रोबोट गोले की सतह पर सबसे सीधा, कुशल पथ ले।

3. यह कैसे प्रशिक्षित होता है: "जीपीएस बनाम डिफ्यूजन"

पुराने क्वांटम AI मॉडल (जैसे डिफ्यूजन मॉडल) अंधेरे में लड़खड़ाते हुए चलते हुए एक नशेड़ी व्यक्ति की तरह काम करते हैं। वे एक चित्र में शोर (noise) जोड़ते हैं, और फिर मूल चित्र तक वापस पहुँचने के लिए शोर को चरण-दर-चरण हटाने का अनुमान लगाने की कोशिश करते हैं। यह धीमा है और शोर की दिशा का अनुमान लगाने पर निर्भर करता है।

नई विधि (फ्लो मैचिंग): यह रोबोट को जीपीएस (GPS) देने जैसा है। अंधेरे में लड़खड़ाने और अनुमान लगाने के बजाय, रोबोट एक सीधा "वेलोसिटी फील्ड" सीखता है। यह सटीक गति और दिशा सीखता है जिसकी आवश्यकता एक यादृच्छिक शुरुआती बिंदु से लक्षित क्वांटम अवस्था तक सुचारू रूप से बहने के लिए होती है।
लाभ: यह नियत (deterministic) है। एक बार प्रशिक्षित होने के बाद, रोबोट बस जीपीएस रूट का पालन करता है। कोई लड़खड़ाना नहीं, कोई अनुमान नहीं, कोई बर्बाद समय नहीं।

4. परिणाम: यह क्यों मायने रखता है

लेखकों ने इस नए "जीपीएस" तरीके का परीक्षण पुराने "फ्लैट मैप" तरीकों और "लड़खड़ाते हुए चलने वाले" तरीकों के विरुद्ध किया।

उच्च आयाम (High Dimensions): जब क्वांटम सिस्टम बहुत बड़ा हो जाता है (जैसे 10 या 12 क्यूबिट्स, जो डेटा की एक विशाल मात्रा है), तो पुराने तरीके खो जाते हैं। नया तरीका ट्रैक पर रहता है।
जटिल आकार: जब डेटा में जटिल पैटर्न होते हैं (जैसे कि "मल्टीमॉडल" डेटा, जो संभावना के कई अलग-अलग द्वीपों की तरह है), तो नया तरीका उनके बीच बेहतर ढंग से नेविगेट करता है।
भौतिकी (Physics): यह विधि क्वांटम भौतिकी के वास्तविक नियमों (स्थान की ज्यामिति) का सम्मान करती है, बजाय इसके कि वह स्थान को सपाट मानने का ढोंग करे।

सारांश

पेपर कहता है: "एक गोले पर सपाट सड़क के नियमों का उपयोग करके कार चलाने की कोशिश करना बंद करें।"

उन्होंने एक नया नेविगेशन सिस्टम (इंट्रिंसिक फ्लो मैचिंग) बनाया जो:

वक्र का सम्मान करता है: यह केवल क्वांटम गोले की सतह पर चलता है।
कोणों को अलाइन करता है: यह शुरू करने से पहले छिपे हुए "फेज़" के भ्रम को ठीक करता है।
एक सीधा पथ अपनाता है: यह शोर के माध्यम से लड़खड़ाने के बजाय एक सुचारू, सीधा प्रवाह सीखता है।

परिणामस्वरूप, जटिल क्वांटम अवस्थाओं को उत्पन्न करने के लिए AI के लिए एक स्मार्ट, तेज़ और अधिक सटीक तरीका मिलता है। यह केवल एक बेहतर एल्गोरिदम नहीं है; यह क्वांटम डेटा के आकार के बारे में सोचने का एक बेहतर तरीका है।

तकनीकी सारांश: फेज़-अलाइन्ड ट्रांसपोर्ट के साथ क्वांटम प्योर-स्टेट मैनिफोल्ड्स पर इंट्रिन्सिक फ्लो मैचिंग

1. समस्या विवरण (Problem Statement)

क्वांटम प्योर-स्टेट एन्सेम्बल्स (ensembles) कॉम्प्लेक्स प्रोजेक्टिव स्पेस $\mathbb{CP}^{d-1}$ पर स्थित होते हैं, जहाँ $d=2^n$ $n$ क्यूबिट्स के लिए है। यूक्लिडियन डेटा के विपरीत, प्योर स्टेट्स केवल एक ग्लोबल फेज़ (global phase) तक ही परिभाषित होते हैं, जो एक गेज रिडंडेंसी (gauge redundancy) पैदा करता है। मौजूदा जनरेटिव मॉडलिंग दृष्टिकोण अक्सर इन स्टेट्स को एम्बिएंट यूक्लिडियन स्पेस ( $\mathbb{C}^d$ या $\mathbb{R}^{2d}$ ) में वेक्टर्स के रूप में देखते हैं। यह दृष्टिकोण ज्यामितीय रूप से बेमेल है क्योंकि यह मैनिफोल्ड की कोटिएंट संरचना (quotient structure) की अनदेखी करता है, जिससे संभावित रूप से अनफिजिकल दिशाओं (जैसे रेडियल मोशन या ग्लोबल फेज़ रोटेशन) में ट्रांसपोर्ट सीखा जा सकता है जो सार्थक स्टेट इवोल्यूशन के अनुरूप नहीं हैं।

जबकि हालिया इंट्रिन्सिक डिफ्यूजन मॉडल (जैसे, स्टोकेस्टिक श्रोडिंगर डिफ्यूजन मॉडल्स, SSDM) मैनिफोल्ड ज्योमेट्री को संबोधित करते हैं, वे डिफ्यूजन मशीनरी की जटिलताओं को भी विरासत में लेते हैं: लोकल स्कोर एस्टीमेशन, टीचर एप्रोक्सिमेशन, और रिवर्स-टाइम स्टोकेस्टिक सिमुलेशन। जैसे-जैसे हिल्बर्ट-स्पेस का आयाम बढ़ता है, ये अनुकूलित (optimize) और सिम्युलेट करना कठिन होता जाता है। यह शोध पत्र प्रस्तावित करता है कि क्वांटम प्योर-स्टेट जनरेशन को $\mathbb{CP}^{d-1}$ पर एक इंट्रिन्सिक प्रोबेबिलिटी ट्रांसपोर्ट समस्या के रूप में बेहतर ढंग से तैयार किया जा सकता है, जो स्टोकेस्टिक डिफ्यूजन से हटकर डिटरमिनिस्टिक फ्लो की ओर जाता है।

2. कार्यप्रणाली: इंट्रिन्सिक फ्लो मैचिंग (IFM)

लेखक इंट्रिन्सिक फ्लो मैचिंग (IFM) का प्रस्ताव करते हैं, जो सीधे प्रोजेक्टिव मैनिफोल्ड पर टैंजेंट वेलोसिटी फील्ड्स को सीखने वाला एक डिटरमिनिस्टिक ट्रांसपोर्ट फ्रेमवर्क है।

इंट्रिन्सिक ट्रांसपोर्ट फॉर्मुलेशन: स्कोर फंक्शन के लिए रिवर्स-टाइम स्टोकेस्टिक डिफरेंशियल इक्वेशन (SDE) के बजाय, IFM सीधे $\mathbb{CP}^{d-1}$ पर एक टाइम-डिपेंडेंट टैंजेंट वेलोसिटी फील्ड $v_t(\psi) \in T_\psi\mathbb{CP}^{d-1}$ सीखता है। डेंसिटी इवोल्यूशन आंतरिक निरंतरता समीकरण (intrinsic continuity equation) द्वारा शासित होता है:
$\partial_t p_t + \text{div}_{\mathbb{CP}}(p_t v_t) = 0$
टैंजेंट स्पेस को हॉरिजॉन्टल सबस्पेस $H_\psi = \{ \xi \in \mathbb{C}^d : \langle \psi, \xi \rangle = 0 \}$ के रूप में पहचाना जाता है, जो रेडियल और अनफिजिकल फेज़ घटकों को हटा देता है।
फेज़-अलाइन्ड कंडिशनल पाथ्स: फ्लो मैचिंग में एक बेस सैंपल $\psi_0$ और एक टारगेट सैंपल $\psi_1$ के बीच पाथ्स को परिभाषित करना एक मुख्य चुनौती है। चूंकि $\psi_1$ केवल एक फेज़ तक ही परिभाषित है, इसलिए इंटरपोलेशन के लिए गेज-फिक्सिंग कन्वेंशन की आवश्यकता होती है। IFM पंचरतम इन-फेज़ कन्वेंशन (Pancharatnam in-phase convention) [17] का उपयोग करता है। $(\psi_0, \psi_1)$ के एक जोड़े के लिए, टारगेट रिप्रेजेंटेटिव $\bar{\psi}_1$ को इस प्रकार चुना जाता है कि ओवरलैप $\langle \psi_0, \bar{\psi}_1 \rangle$ वास्तविक और गैर-ऋणात्मक हो। यह चुनाव सभी फेज़-इक्विवेलेंट रिप्रेजेंटेटिव्स के बीच वास्तविक एंडपॉइंट ओवरलैप को अधिकतम करने और एम्बिएंट कॉर्ड लेंथ (chord length) को न्यूनतम करने के लिए सिद्ध किया गया है।
पाथ कंस्ट्रक्शन और वेलोसिटी: कंडिशनल पाथ $\gamma_t(\psi_0, \psi_1)$ को फेज़-अलाइन्ड $\bar{\psi}_1$ और $\psi_0$ के बीच नॉर्मलाइज्ड कॉर्ड इंटरपोलेशन के माध्यम से बनाया जाता है:
$\tilde{\psi}_t = (1-t)\psi_0 + t\bar{\psi}_1, \quad \psi_t = \frac{\tilde{\psi}_t}{\|\tilde{\psi}_t\|}$
टारगेट वेलोसिटी $u_t$ , $\psi_t$ पर ऑर्थोगोनल रूप से प्रोजेक्ट किया गया इस पाथ का टाइम डेरिवेटिव है।
ट्रेनिंग ऑब्जेक्टिव: मॉडल $v_\theta(\psi, t)$ को प्रेडिक्टेड टैंजेंट वेलोसिटी और टारगेट कंडिशनल वेलोसिटी के बीच अपेक्षित स्क्वेर्ड एरर को कम करके प्रशिक्षित किया जाता है:
$\mathcal{L}_{\text{IFM}}(\theta) = \mathbb{E} \left[ \| v_\theta(\psi_t, t) - u_t(\psi_t | \psi_0, \psi_1) \|_{\psi_t}^2 \right]$
जहाँ नॉर्म $\text{Fubini–Study}$ मेट्रिक द्वारा प्रेरित है।
सैंपलिंग: जनरेशन को मैनिफोल्ड पर सीखी गई ऑर्डिनरी डिफरेंशियल इक्वेशन (ODE) को डिटरमिनिस्टिक रूप से इंटीग्रेट करके किया जाता है, जिसमें स्टेट को यूनिट स्फीयर पर बनाए रखने के लिए रिट्रैक्शन स्टेप (नॉर्मलाइजेशन) का उपयोग किया जाता है।

3. प्रमुख सैद्धांतिक योगदान

यह शोध पत्र IFM का एक कठोर गणितीय लक्षण वर्णन प्रदान करता है:

पॉपुलेशन ऑप्टिमलिटी: लेखक सिद्ध करते हैं कि IFM ऑब्जेक्टिव का पॉपुलेशन मिनिमाइज़र चुने गए पाथ फैमिली से जुड़े कंडिशनल-एक्सपेक्टेशन वेलोसिटी फील्ड को रिकवर करता है। यह फील्ड एकमात्र मार्जिनल ट्रांसपोर्ट फील्ड है जो डेंसिटी इवोल्यूशन को संचालित करता है।
कंटीन्यूटी इक्वेशन: यह दिखाया गया है कि सीखा गया फील्ड $\mathbb{CP}^{d-1}$ पर इंट्रिन्सिक कंटीन्यूटी इक्वेशन को संतुष्ट करता है, जो यह सुनिश्चित करता है कि डेंसिटी इवोल्यूशन प्रोबेबिलिटी करंट कंजर्वेशन के साथ भौतिक रूप से सुसंगत है।
एंडपॉइंट और स्टेबिलिटी गारंटी: डिटरमिनिस्टिक मोंज कपलिंग्स (Monge couplings) और फ्युबिनी-स्टूडी जियोडेसिक इंटरपोलेशन के तहत, IFM सटीक रूप से डिस्प्लेसमेंट-इंटरपोलेशन वेलोसिटी फील्ड को रिकवर करता है। इसके अलावा, एक Wasserstein-2 स्टेबिलिटी बाउंड स्थापित किया गया है, जो ट्रेनिंग एरर ( $L^2$ ) को फ्युबिनी-स्टूडी डिस्टेंस के संदर्भ में जनरेट की गई डिस्ट्रीब्यूशन की गुणवत्ता से जोड़ता है।
कंडिशनल-टू-मार्जनल रिडक्शन: मानक फ्लो मैचिंग थ्योरी के समान, कंडिशनल ऑब्जेक्टिव मार्जिनल रिग्रेशन ऑब्जेक्टिव से केवल एक एडिटिव कांस्टेंट द्वारा भिन्न होता है, जिससे यह सुनिश्चित होता है कि उनके मिनिमाइज़र समान हैं।

4. प्रायोगिक परिणाम

लेखक कई बेंचमार्क पर IFM का मूल्यांकन यूक्लिडियन फ्लो मैचिंग (FM) और इंट्रिन्सिक डिफ्यूजन बेसलाइन्स (SSDM) के विरुद्ध करते हैं:

सिंगल-क्लस्टर स्केलिंग: नियंत्रित सिंगल-क्लस्टर डिस्ट्रीब्यूशन पर, IFM लगातार यूक्लिडियन FM से बेहतर प्रदर्शन करता है, जिसमें प्रदर्शन का अंतर उच्च क्यूबिट काउंट (10 और 12 क्यूबिट्स) पर काफी बढ़ जाता है।
मल्टीमॉडल और कोहेरेंस-सेंसिटिव एन्सेम्बल्स: IFM मल्टीमॉडल बेंचमार्क पर पर्याप्त लाभ दिखाता है जहाँ मोड प्रोजेक्टिव फेज़ स्ट्रक्चर या कोहेरेंट प्रोडक्ट-स्टेट ऑर्गनाइजेशन द्वारा भिन्न होते हैं। यह स्पिन-कोहेरेंट पीक्स और कॉम्पैक्ट फिजिक्स-इंस्पायर्ड फैमिलीज (TFIM और XXZ ग्राउंड स्टेट्स) पर भी अच्छा प्रदर्शन करता है।
एम्प्लीट्यूड-एनकोडेड इमेजेस: MNIST-व्युत्पन्न बेंचमार्क पर जहाँ इमेजेस को क्वांटम एम्प्लीट्यूड के रूप में एनकोड किया गया है, IFM 6 और 12 क्यूबिट्स दोनों पर सभी मेट्रिक्स में यूक्लिडियन FM से बेहतर प्रदर्शन करता है।
डिफ्यूजन के साथ तुलना: जबकि IFM अक्सर यूक्लिडियन FM से सुधार करता है, शोध पत्र नोट करता है कि यह लाभ हर मेट्रिक या टास्क पर समान नहीं है। हालांकि, लाभ उच्च-आयामी, कोहेरेंस-सेंसिटिव, और मल्टीमॉडल सेटिंग्स में सबसे अधिक स्पष्ट हैं।

5. महत्व और दावे

यह शोध पत्र दावा करता है कि IFM की सफलता केवल डिफ्यूजन से फ्लो मैचिंग में स्विच करने का परिणाम नहीं है, बल्कि विशेष रूप से इंट्रिन्सिक ज्योमेट्री का सम्मान करने के कारण है। $\mathbb{CP}^{d-1}$ पर सीधे काम करके और फेज़-अलाइन्ड ट्रांसपोर्ट का उपयोग करके, IFM उस "गेज रिडंडेंसी" से बचता है जो एम्बिएंट यूक्लिडियन मॉडल्स को प्रभावित करती है।

लेखक IFM को स्टोकेस्टिक श्रोडिंगर डिफ्यूजन मॉडल्स (SSDM) के एक डिटरमिनिस्टिक काउंटरपार्ट के रूप में प्रस्तुत करते हैं। जबकि SSDM स्टोकेस्टिक सिमुलेशन और स्कोर एस्टीमेशन पर निर्भर करता है, IFM डिटरमिनिस्टिक वेलोसिटी मैचिंग और ODE इंटीग्रेशन का उपयोग करता है। यह कार्य सुझाव देता है कि जियोमेट्रिक ट्रांसपोर्ट क्वांटम जनरेटिव मॉडलिंग के लिए एक आशाजनक संगठित सिद्धांत है, विशेष रूप से उच्च-आयामी कार्यों के लिए जहाँ स्टोकेस्टिक डिफ्यूजन विधियों को स्केलेबिलिटी और ऑप्टिमाइजेशन चुनौतियों का सामना करना पड़ता है। इस फ्रेमवर्क को क्वांटम स्टेट स्पेस पर प्रोबेबिलिटी ट्रांसपोर्ट के एक गणितीय रूप से स्पष्ट फॉर्मुलेशन के रूप में प्रस्तुत किया गया है, जो मशीन लर्निंग ऑब्जेक्टिव्स को प्रोबेबिलिटी करंट और कंटीन्यूटी लॉ जैसे भौतिकी-प्रेरित अवधारणाओं से जोड़ता है।