🔢 mathematics

Quantum memory advantage for quantum process tomography

यह शोध पत्र क्वांटम प्रोसेस टोमोग्राफी में एक कठोर क्वेरी-जटिलता पृथक्करण स्थापित करता है, यह सिद्ध करते हुए कि बिना क्वांटम मेमोरी वाले प्रोटोकॉल को अनुकूलित शास्त्रीय रणनीतियों के साथ भी $\Theta(d_{\mathrm{in}}^3 d_{\mathrm{out}}^3/\varepsilon^2)$ क्वेरी की आवश्यकता होती है, जबकि क्वांटम मेमोरी का उपयोग करने वाले प्रोटोकॉल एक बेहतर $\Theta(d_{\mathrm{in}}^2 d_{\mathrm{out}}^2/\varepsilon^2)$ जटिलता प्राप्त करते हैं।

मूल लेखक: Carlos Bravo-Prieto, Weiyuan Gong, Antonio Anna Mele

प्रकाशित 2026-07-16

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Carlos Bravo-Prieto, Weiyuan Gong, Antonio Anna Mele

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 जासूस हैं जो यह पता लगाने की कोशिश कर रहे हैं कि एक रहस्यमय, बंद बक्सा कैसे काम करता है। आप इसके अंदर देख नहीं सकते, लेकिन आप इसमें अलग-अलग वस्तुएं डाल सकते हैं और देख सकते हैं कि क्या बाहर आता है। यह क्वांटम प्रोसेस टोमोग्राफी (quantum process tomography) का सार है: क्वांटम भौतिकी की विचित्र दुनिया में एक कार्य जहाँ वैज्ञानिक एक अज्ञात "क्वांटम चैनल" (बक्से) को बार-बार परीक्षण करके मैप करने की कोशिश करते हैं। क्वांटम जगत में, चीजें अविश्वसनीय रूप से नाजुक होती हैं; उन्हें देखने (मापने) की क्रिया अक्सर उन्हें बदल देती है। यह हमारे जासूस के लिए एक कठिन दुविधा पैदा करता है। क्या आप हर एक परीक्षण के तुरंत बाद परिणाम को मापते हैं, उसे एक नोटबुक में लिखते हैं, और फिर उस नोट के आधार पर तय करते हैं कि आगे क्या करना है? या, क्या आपके पास एक विशेष "क्वांटम मेमोरी" है जो आपको कई परीक्षणों के परिणामों को एक साथ रखने की अनुमति देती है, जिससे वे एक बड़े पहेली के रूप में एक साथ रहने तक संभावनाओं के सुपरपोजिशन (superposition) में बने रहते हैं?

वर्षों तक, वैज्ञानिकों ने सोचा कि क्या इस पहेली को कुशलतापूर्वक हल करने के लिए यह "क्वांटम मेमोरी" वास्तव में आवश्यक है। क्या एक सुपर-स्मार्ट जासूस, जो असीमित नोटबुक स्पेस से लैस है और हर एक पिछले नोट के आधार पर अपनी रणनीति बदलने में सक्षम है, इस रहस्य को ठीक उतनी ही तेज़ी से हल कर सकता है जितना कि कोई क्वांटम मेमोरी वाला व्यक्ति? यह शोध पत्र ठीक इसी प्रश्न पर प्रहार करता है। यह पूछता है: यदि आपको हर कदम के बाद मापने और भूल जाने के लिए मजबूर किया जाता है, तो क्वांटम मशीनों के बारे में जानने के लिए क्या कोई मौलिक गति सीमा (speed limit) है, बनाम यदि आप सब कुछ एक क्वांटत अवस्था में रख सकते हैं? उत्तर निकलता है "हाँ, एक बहुत बड़ा अंतर है," और इसके पीछे का गणित उतना ही आश्चर्यजनक है जितना कि वह कठोर है।

महान जासूसी मुकाबला: नोटबुक बनाम क्वांटम वॉल्ट्स

इस अध्ययन में, लेखकों ने दो प्रकार के क्वांटम जासूसों के बीच एक उच्च-दांव वाली दौड़ आयोजित की। पहला जासूस, मान लीजिए कि वह द नोट-टेकर (The Note-Taker) है, जो बिना क्वांटम मेमोरी वाले प्रोटोकॉल का प्रतिनिधित्व करता है। हर बार जब नोट-टेकर उस रहस्यमय क्वांटम चैनल का उपयोग करता है, तो उसे तुरंत परिणाम को मापना होता है, परिणाम को एक क्लासिकल नोटबुक में लिखना होता है, और फिर यह तय करना होता है कि आगे क्या करना है। वे अविश्वसनीय रूप से चतुर हो सकते हैं: वे अपनी रणनीति को अनुकूलित करने के लिए, नए इनपुट चुनने के लिए, या यहाँ तक कि अगले दौर के लिए ताज़ा सहायक कणों (ancillas) को लाने के लिए अपनी नोटबुक का उपयोग कर सकते हैं। लेकिन जिस क्षण वे मापते हैं, क्वांटम जादू गायब हो जाता है; यह केवल एक पन्ने पर लिखा एक नंबर रह जाता है।

दूसरा जासूस, द वॉल्ट कीपर (The Vault Keeper), क्वांटम मेमोरी वाले प्रोटोकॉल का प्रतिनिधित्व करता है। यह जासूस चैनल को कई बार फीड कर सकता है, प्रत्येक रन से क्वांटम जानकारी को एक नाजुक, सुसंगत (coherent) अवस्था में बनाए रख सकता है। वे अंत तक माप नहीं करते हैं, जिससे वे एक साथ सभी डेटा पर एक विशाल, संयुक्त ऑपरेशन (joint operation) कर पाते हैं।

बड़ा सवाल यह था: यदि नोट-टेकर को अनंत रूप से स्मार्ट होने और हर एक सुराग के बाद अपनी योजना को अनुकूलित करने की अनुमति दी जाए, तो क्या वे वॉल्ट कीपर की बराबरी कर सकते हैं? या क्या कोई मौलिक दीवार है जिसे नोटबुक चलाने वाली कितनी भी चतुराई तोड़ नहीं सकती?

निर्णय: दक्षता में एक विशाल अंतर

शोध पत्र यह सिद्ध करता है कि वॉल्ट कीपर के पास एक विशाल, अटूट बढ़त है। भले ही नोट-टेकर अपनी किताब का हर नुस्खा इस्तेमाल करे—अपनी रणनीति को पूरी तरह से अनुकूलित करना, ताज़ा मददगारों का उपयोग करना, और अपने सभी क्लासिकल डेटा को असीमित शक्ति के साथ प्रोसेस करना—फिर भी उन्हें चैनल को सीखने के लिए वॉल्ट कीपर की तुलना में काफी अधिक "क्वेरीज़" (परीक्षण) की आवश्यकता होती है।

विशेष रूप से, लेखकों ने एक निश्चित स्तर की सटीकता (जिसे $\varepsilon$ द्वारा दर्शाया गया है) के साथ क्वांटम चैनल को सीखने के लिए आवश्यक परीक्षणों की सटीक संख्या की गणना की।

द वॉल्ट कीपर (कोहेरेंट): लगभग $\Theta(d_{in}^2 d_{out}^2 / \varepsilon^2)$ परीक्षणों की आवश्यकता होती है।
द नोट-टेकर (इनकोहेरेंट): लगभग $\Theta(d_{in}^3 d_{out}^3 / \varepsilon^2)$ परीक्षणों की आवश्यकता होती है।

यहाँ, $d_{in}$ और $d_{out}$ क्वांटम सिस्टम के आकार या "आयाम" (dimension) का प्रतिनिधित्व करते हैं (सोचिए कि ये बक्से के आंतरिक गियर की जटिलता हैं)। अंतर स्पष्ट है: नोट-टेकर के लिए आवश्यक प्रयास आयामों के घन (cube) के साथ बढ़ता है, जबकि वॉल्ट कीपर के लिए यह वर्ग (square) के साथ बढ़ता है। बड़ी संख्याओं की दुनिया में, किसी संख्या का घन करना उसे वर्ग करने की तुलना में बहुत अधिक तेज़ी से बढ़ाता है। बड़े क्वांटम सिस्टमों के लिए, इसका अर्थ है कि समान परिणाम प्राप्त करने के लिए नोट-टेकर को लाखों या अरबों गुना अधिक परीक्षणों की आवश्यकता हो सकती है।

उन्होंने इसे कैसे सिद्ध किया: "एंटी-कंसंट्रेशन" (Anti-Concentration) का तरीका

इसे सिद्ध करने के लिए, लेखकों ने केवल अनुमान नहीं लगाया; उन्होंने एक गणितीय किला बनाया। उन्होंने एक ऐसी स्थिति की कल्पना की जहाँ रहस्यमय चैनल एक "पूरी तरह से यादृच्छिक" (random) चैनल से थोड़ा अलग था। फिर उन्होंने पूछा: "नोट-टेकर को सही चैनल खोजने के लिए कितने परीक्षणों की आवश्यकता है?"

उन्होंने लाइकलीहुड रेश्यो (likelihood ratios) से जुड़ी एक चतुर गणितीय तकनीक का उपयोग किया। कल्पना कीजिए कि नोट-टेकर कई संभावित चैनलों में से किसी एक का अनुमान लगाने की कोशिश कर रहा है। जैसे-जैसे उन्हें अधिक डेटा मिलता है, उनका "विश्वास" (posterior probability) सही उत्तर पर केंद्रित होना चाहिए। हालाँकि, लेखकों ने दिखाया कि नोट-टेकर के लिए, चाहे वे अपनी रणनीति को कितनी भी चतुराई से अनुकूलित करें, उनका विश्वास बहुत अधिक फैल जाता है। उन्होंने सिद्ध किया कि आवश्यक संख्या से कम परीक्षणों के साथ, नोट-टेकर का संभाव्यता वितरण (probability distribution) सही चैनल को पहचानने के लिए पर्याप्त रूप से "केंद्रित" (concentrate) नहीं हो सकता है। यह समुद्र तट पर रेत के एक विशिष्ट कण को खोजने की कोशिश करने जैसा है, एक समय में एक कण देखकर और उसे लिख लेने के बाद; आप कितनी भी तेज़ी से लिखें, आप तब तक उतनी जल्दी नहीं खोज पाएंगे जितनी जल्दी आप एक मुट्ठी रेत उठाकर पूरे ढेर का एक साथ परीक्षण कर सकते हैं।

उन्होंने यह भी दिखाया कि यह परिणाम तब भी सत्य रहता है जब नोट-टेकर को प्रत्येक परीक्षण के लिए ताज़ा सहायक कणों (ancillas) का उपयोग करने की अनुमति दी जाती है। सीमा उनके द्वारा उपयोग किए जाने वाले उपकरणों के बारे में नहीं है; यह इस तथ्य के बारे में है कि उन्हें बहुत जल्दी क्वांटम अवस्था को एक क्लासिकल नंबर में ढहाने (collapse) के लिए मजबूर किया जाता है।

यह क्यों मायने रखता है

यह शोध पत्र क्वांटम सूचना विज्ञान में एक लंबे समय से चली आ रही बहस को समाप्त करता है। यह पुष्टि करता है कि क्वांटम मेमोरी केवल एक "अच्छा-से-होना" वाला फीचर नहीं है; बल्कि यह एक मौलिक संसाधन है जो क्वांटम सिस्टम के बारे में जानने में एक वास्तविक, प्रमाणित लाभ प्रदान करता है।

ये परिणाम एक सरल समस्या से भी जुड़ते हैं: एक एकल क्वांटम कण की अवस्था को सीखना। जब इनपुट आयाम 1 होता है (जिसका अर्थ है कि हम केवल एक अवस्था को देख रहे हैं, न कि एक प्रक्रिया को), तो गणित सरल हो जाता है, और शोध पत्र के निष्कर्ष पूर्णतः वही बताते हैं जो हम सिंगल-पार्टिकल टोमोग्राफी के बारे में पहले से जानते थे। यह निरंतरता हमें विश्वास दिलाती है कि पूर्ण क्वांटम चैनलों के लिए नए, अधिक जटिल परिणाम ठोस हैं।

संक्षेप में, यदि आप एक क्वांटम मशीन के बारे में कुशलतापूर्वक जानना चाहते हैं, तो आप केवल एक स्मार्ट नोट-टेकर नहीं हो सकते। आपको एक क्वांटम वॉल्ट की आवश्यकता है। कई चरणों में क्वांटम जानकारी को सुसंगत (coherent) बनाए रखने की क्षमता केवल एक सैद्धांतिक विलासिता नहीं है; यह परीक्षणों के अनंत काल तक चलने के बिना क्वांटम दुनिया के रहस्यों को खोलने की कुंजी है।

तकनीकी सारांश: क्वांटम प्रोसेस टोपोग्राफी के लिए क्वांटम मेमोरी लाभ

समस्या विवरण
क्वांटम प्रोसेस टोपोग्राफी (QPT) एक अज्ञात क्वांटम चैनल $\Phi: \mathcal{L}(A) \to \mathcal{L}(B)$ को क्वेरी एक्सेस से सीखने का कार्य है, जो डायमंड नॉर्म (diamond norm) में वास्तविक चैनल के करीब एक क्लासिकल विवरण आउटपुट करता है। डायमंड नॉर्म दो प्रक्रियाओं के बीच सबसे खराब स्थिति वाली विशिष्टता (worst-case distinguishability) को कैप्चर करता है, जिससे उपयोगकर्ता को मनमाने इनपुट स्टेट्स, रेफरेंस सिस्टम और मेजरमेंट्स चुनने की अनुमति मिलती है।

यह कार्य एक केंद्रीय खुले प्रश्न को संबोधित करता है कि क्या क्वांटम मेमोरी, इनकोहेरेंट प्रोटोकॉल (भले ही वे पूरी तरह से एडेप्टिव हों) की तुलना में क्वेरी-कॉम्प्लेक्सिटी में कोई लाभ प्रदान करती है।

कोहेरेंट प्रोटोकॉल कई चैनल उपयोगों के माध्यम से क्वांटम सिस्टम को सुरक्षित रख सकते हैं और रिटेन किए गए सिस्टम पर जॉइंट मेजरमेंट कर सकते हैं।
इनकोहेरेंट प्रोटोकॉल को प्रत्येक चैनल उपयोग के तुरंत बाद मेजरमेंट करना होता है, और वे केवल एक क्लासिकल ट्रांसक्रिप्ट को स्टोर करते हैं। हालांकि, वे पिछले सभी क्लासिकल परिणामों के आधार पर भविष्य के इनपुट्स, मेजरमेंट्स और एंसिल (ancilla) सिस्टम को अनुकूलित (adapt) कर सकते हैं और उनके पास असीमित क्लासिकल कम्प्यूटेशनल पावर हो सकती है।

जबकि यह ज्ञात है कि स्टेट टोपोग्राफी के लिए, कोहेरेंट कलेक्टिव मेजरमेंट्स $\Theta(d^2)$ सैंपल कॉम्प्लेक्सिटी प्राप्त करते हैं जबकि इनकोहेरेंट एडेप्टिव मेजरमेंट्स $\Theta(d^3)$ की आवश्यकता रखते हैं, सामान्य प्रोसेस टोपोग्राफी (इनपुट डायमेंशन $d_{in}$ और आउटपुट डायमेंशन $d_{out}$ के साथ) के लिए इसी तरह का सेपरेशन अभी भी अनसुलझा था। पिछले कार्यों ने स्थापित किया कि कोहेरेंट प्रोटोकॉल $\Theta(d_{in}^2 d_{out}^2 / \varepsilon^2)$ प्राप्त करते हैं, जबकि सर्वोत्तम ज्ञात इनकोहेरेंट अपर बाउंड्स $\tilde{O}(d_{in}^3 d_{out}^3 / \varepsilon^2)$ थे (लॉगारिदमिक कारकों सहित), और लोअर बाउंड्स केवल नॉन-एडेप्टिव इनकोहेरेंट रणनीतियों के लिए सिद्ध किए गए थे।

कार्यप्रणाली
लेखक एक एडेप्टिव इनकोहेरेंट प्रोटोकॉल के लिए एक कठोर लोअर बाउंड और नॉन-एडेप्टिव प्रोटोकॉल के लिए एक मिलान वाला अपर बाउंड स्थापित करते हैं।

लोअर बाउंड कंस्ट्रक्शन (एडेप्टिव इनकोहेरेंट प्रोटोकॉल):
- टेस्टर फॉर्मलिज्म: लेखक किसी भी एडेप्टिव इनकोहेरेंट प्रोटोकॉल के एकल राउंड को चैनल के नॉर्मलाइज्ड चोई ऑपरेटर (Choi operator) $J_\Phi$ पर कार्य करने वाले एक "सिंगल-राउंड टेस्टर" के रूप में प्रस्तुत करते हैं। परिणामों के पूर्ण ट्रांसक्रिप्ट पर कंडीशनिंग करके, एडेप्टिव विकल्प टेस्टर एलिमेंट्स का एक नियत क्रम बन जाते हैं।
- हार्ड चैनल फैमिली: वे पूरी तरह से डिपोलराइजिंग चैनल के आसपास केंद्रित एक लोकल फैमिली ऑफ चैनल्स का निर्माण करते हैं। ये चैनल एक विशिष्ट सबस्पेस डिकंपोजिशन में ऑफ-डायगोनल ब्लॉक्स $E(X)$ के साथ नॉर्मलाइज्ड चोई ऑपरेटर को विक्षेपित (perturb) करके उत्पन्न किए जाते हैं। यह निर्माण सुनिश्चित करता है कि विक्षेपण (perturbations) ट्रेस-प्रिजर्विंग बाधा को बनाए रखते हुए एक उच्च-आयामी सेट ऑफ लोकली सेपरेटेड चैनल्स बनाते हैं।
- प्रायर और ज्योमेट्री: विक्षेपण मैट्रिक्स $X$ पर एक ट्रंकेटेड कॉम्प्लेक्स गिन्नब्र (Ginier) प्रायर रखा गया है। लेखक पैरामीटर स्पेस में शैटन ट्रेस बॉल (Schatten trace ball) की लोकल ज्योमेट्री का विश्लेषण करते हैं, यह दिखाते हुए कि एक रेगुलराइज्ड नेबरहुड का वॉल्यूम एक छोटे ट्रेस बॉल की तुलना में एक्सपोनेंशियल रूप से बड़ा है।
- लाइक्लीहुड टिल्ट और एंटी-कंसंट्रेशन: उनका मुख्य तकनीकी योगदान एक "ट्रांसक्रिप्ट-वाइज एडेप्टिव टेस्टर टिल्ट लेम्मा" है। यह लेम्मा किसी भी निश्चित ट्रांसक्रिप्ट के लिए लोकल नेबरहुड के ऊपर औसत लाइक्लीहुड रेशियो को बांधता है। प्रमाण यह दर्शाता है कि लाइक्लीहुड लॉस $\exp(O(\eta^2 T / D))$ के रूप में स्केल करता है, जहाँ $D = d_{in}d_{out}$ है। इसे $\exp(\Theta(D^2))$ के एक्सपोनेंशियल वॉल्यूम ग्रोथ के विरुद्ध संतुलित करके, वे सिद्ध करते हैं कि पोस्टीरियर डिस्ट्रीब्यूशन एक छोटे ट्रेस बॉल के भीतर केंद्रित नहीं हो सकता जब तक कि क्वेरीज़ की संख्या $T$ पर्याप्त बड़ी न हो। इससे एक विरोधाभास उत्पन्न होता है यदि कोई एस्टिमेटर कम क्वेरीज़ के साथ उच्च सटीकता का दावा करता है।
अपर बाउंड कंस्ट्रक्शन (नॉन-एडेप्टिव इनकोहेरेंट प्रोटोकॉल):
- लेखक एक नॉन-एडेप्टिव, एंसिल-फ्री प्रोटोकॉल प्रस्तुत करते हैं जो कोवेरिएंट प्रोजेक्टेड लीस्ट-स्क्वायर एस्टीमेशन पर आधारित है।
- पिछले विश्लेषणों के विपरीत, जिन्होंने सीधे मैट्रिक्स कंसंट्रेशन बाउंड्स (लॉगारिदमिक ओवरहेड्स के साथ) का उपयोग किया था, यह कार्य एक परिष्कृत कंसंट्रेशन विश्लेषण का उपयोग करता है। यह प्रत्येक फिक्स्ड क्वाड्रेटिक फॉर्म को स्केलर बर्नस्टीन कंसंट्रेशन का उपयोग करके नियंत्रित करता है और फिर यूनिट स्फीयर पर एक कांस्टेंट-रेडियस नेट आर्गुमेंट लागू करता है।
- यह दृष्टिकोण पिछले बाउंड्स में पाए जाने वाले लॉगारिदमिक कारकों को हटा देता है, जिससे टाइट $O(d_{in}^3 d_{out}^3 / \varepsilon^2)$ क्वेरी कॉम्प्लेक्सिटी प्राप्त होती है।

प्रमुख परिणाम
यह पेपर कोहेरेंट और इनकोहेरेंट दोनों सेटिंग्स में क्वांटम प्रोसेस टोपोग्राफी के लिए इष्टतम क्वेरी कॉम्प्लेक्सिटी स्थापित करता है:

इनकोहेरेंट लोअर बाउंड: किसी भी एडेप्टिव इनकोहेरेंट प्रोटोकॉल (मनमाने नए एंसिल और आउटकम-डिपेंडेंट मेजरमेंट्स के साथ भी) को डायमंड नॉर्म में $\varepsilon$ -सटीकता प्राप्त करने के लिए $\Omega(d_{in}^3 d_{out}^3 / \varepsilon^2)$ क्वेरीज़ की आवश्यकता होती है।
इनकोहेरेंट अपर बाउंड: एक नॉन-एडेप्टिव, एंसिल-फ्री इनकोहेरेंट प्रोटोकॉल मौजूद है जो $O(d_{in}^3 d_{out}^3 / \varepsilon^2)$ क्वेरीज़ प्राप्त करता है।
कोहेरेंट अपर बाउंड: क्वांटम मेमोरी वाले कोहेरेंट प्रोटोकॉल $\Theta(d_{in}^2 d_{out}^2 / \varepsilon^2)$ क्वेरीज़ प्राप्त करते हैं।

परिणामस्वरूप, इनकोहेरेंट प्रोसेस टोपोग्राफी के लिए इष्टतम क्वेरी कॉम्प्लेक्सिटी $\Theta(d_{in}^3 d_{out}^3 / \varepsilon^2)$ है।

महत्व और दावे
इस कार्य का प्राथमिक योगदान क्वांटम प्रोसेस टोपोग्राफी में क्वांटम मेमोरी के साथ और उसके बिना एक कठोर लर्निंग सेपरेशन (learning separation) स्थापित करना है।

क्वांटम मेमोरी लाभ: परिणाम प्रदर्शित करते हैं कि क्वांटम मेमोरी किसी भी पूर्णतः एडेप्टिव इनकोहेरेंट स्ट्रैटेजी के ऊपर $\Theta(d_{in}d_{out})$ के फैक्टर से एक पॉलिनोमियल क्वेरी-कॉम्प्लेक्सिटी एडवांटेज प्रदान करती है।
स्टेट टोपोग्राफी का सामान्यीकरण: परिणाम सिंगल-कॉपी स्टेट टोपोग्राफी के ज्ञात इष्टतम बाउंड्स को सामान्यीकृत करते हैं। जहाँ $d_{in}=1$ के विशेष मामले में (चैनल स्टेट में बदल जाते हैं), बाउंड्स इनकोहेरेंट प्रोटोकॉल के लिए $\Theta(d_{out}^3 / \varepsilon^2)$ स्केलिंग और कोहेरेंट प्रोटोकॉल के लिए $\Theta(d_{out}^2 / \varepsilon^2)$ को रिकवर करते हैं।
एडेप्टिविटी का समाधान: यह कार्य इस खुले प्रश्न को हल करता है कि क्या क्लासिकल एडेप्टिविटी को कोहेरेंट और इनकोहेरेंट प्रोटोकॉल के बीच के अंतर को पाटने के लिए उपयोग किया जा सकता है। लेखक सिद्ध करते हैं कि ऐसा नहीं किया जा सकता; लाभ स्पष्ट रूप से क्वांटम सूचना को संरक्षित करने और उसे कई चैनल उपयोगों के माध्यम से जॉइंटली प्रोसेस करने की क्षमता से आता है, न कि क्लासिकल एडेप्टिविटी से।

यह पेपर निष्कर्ष निकालता है कि सेपरेशन पूरी तरह से क्वांटम मेमोरी के संसाधन के कारण है, जो इसे सामान्य चैनल लर्निंग में सैंपल कॉम्प्लेक्सिटी को कम करने के लिए महत्वपूर्ण कारक के रूप में अलग करता है।

महान जासूसी मुकाबला: नोटबुक बनाम क्वांटम वॉल्ट्स

निर्णय: दक्षता में एक विशाल अंतर

उन्होंने इसे कैसे सिद्ध किया: "एंटी-कंसंट्रेशन" (Anti-Concentration) का तरीका

यह क्यों मायने रखता है

इसी तरह के और पेपर