⚛️ quantum physics

Structure-Agnostic Unitary Learning from Quantum Observable Dynamics with Application to Hamiltonian Identification

यह शोध पत्र एक संरचना-अज्ञेय (structure-agnostic) वेरिएशनल एल्गोरिदम प्रस्तुत करता है जो एक हार्डवेयर-कुशल सर्किट और SPSA-Adam ऑप्टिमाइज़र का उपयोग करके टाइम-सीरीज ऑब्जर्वेबल डेटा से अज्ञात क्वांटम यूनिटरीज को सीखता है, जो ट्रोटराइजेशन (Trotterisation) जैसे संरचनात्मक अनुमानों पर निर्भर किए बिना हैमिल्टोनियन मापदंडों को सफलतापूर्वक पुनर्प्राप्त करता है और मनमाने गेट्स को फिट करता है।

मूल लेखक: Mohamed Berkani

प्रकाशित 2026-07-20

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mohamed Berkani

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

क्वांटम डिटेक्टिव का द्वंद्व (The Quantum Detective's Dilemma)

कल्पना कीजिए कि आप एक बंद कमरे के भीतर छिपे रहस्य को सुलझाने की कोशिश कर रहे हैं। क्वांटम भौतिकी की दुनिया में, यह "कमरा" परमाणुओं से बनी एक सूक्ष्म मशीन है, और "रहस्य" यह है कि वह समय के साथ कैसे चलती और बदलती है। इन मशीनों को समझने के लिए, वैज्ञानिक अक्सर "ऑब्जर्वेबल्स" (observables) को देखते हैं—इसे मशीन के डैशबोर्ड पर जलने वाली लाइटों की तरह समझें। जैसे-जैसे समय बीतता है, इन लाइटों को टिमटिमाते और बदलते हुए देखकर, वे उन छिपे हुए नियमों (जिन्हें "हैमिल्टोनियन" कहा जाता है) को समझने की उम्मीद करते हैं जो मशीन के व्यवहार को नियंत्रित करते हैं।

पारंपरिक रूप से, इस रहस्य को सुलझाना एक गुप्त कोड का अनुमान लगाने जैसा था, जहाँ आप पहले से ही जानते थे कि कोड में कौन से अक्षर हो सकते हैं, जबकि आप केवल अंतिम परिणाम को देख रहे थे। वैज्ञानिकों को नियमों की संरचना का पहले से अनुमान लगाना पड़ता था, यह मानते हुए कि उन्हें पता है कि कौन सी विशिष्ट अंतःक्रियाएं (interactions) संभव हैं। यदि उनका अनुमान गलत होता, तो पूरी जांच विफल हो जाती। लेकिन क्या होगा अगर मशीन कुछ पूरी तरह से अप्रत्याशित कर रही हो, या नियम कल्पना से कहीं अधिक जटिल हों? यहीं पर नया शोध काम आता है, जो एक ऐसा तरीका प्रदान करता है जिससे मशीन को किसी पूर्व-निर्धारित ढांचे में बांधे बिना, अपनी कहानी खुद बताने का मौका मिलता है।

स्ट्रक्चर-एग्नोस्टिक लर्नर की कहानी (The Story of the Structure-Agnostic Learner)

इस शोध पत्र में, सेतिफ 1 के फहरत अब्बास विश्वविद्यालय के शोधकर्ताओं ने इन क्वांटम नियमों को सीखने का एक चतुर नया तरीका प्रस्तावित किया है। इन नियमों के विशिष्ट घटकों (हैमिल्टोनियन के "सीक्रेट सॉस") का तुरंत अनुमान लगाने के बजाय, वे एक कंप्यूटर प्रोग्राम को पहले स्वयं गति (movement) को सीखना सिखाते हैं।

इसे नृत्य सीखने जैसा समझें। पुराना तरीका विशिष्ट कदमों की एक सूची (हैमिल्टनियन) को याद करने और यह उम्मीद करने जैसा था कि आप उन्हें निभा सकें। नया तरीका एक डांसर का वीडियो देखने और बिना यह चिंता किए कि वे उस तरह क्यों हिले, उनके सटीक आंदोलनों (यूनिटरी) की हुबहू नकल करने जैसा है। एक बार जब कंप्यूटर ने नृत्य की पूर्णतः नकल कर ली, तो वह उन गतिविधियों को देखकर बाद में कदमों (steps) का पता लगा सकता है। यह अलगाव ही इस शोध का मुख्य विचार है: पहले गति को सीखें; दूसरा, यदि वह गति विशिष्ट नियमों के कारण थी, तो उन नियमों का पता लगाएं। यदि वह गति किसी नियम के कारण नहीं थी (जैसे कि एक रैंडम, अराजक स्पिन), तो पहला चरण अभी भी काम करेगा, और दूसरा चरण बस लागू नहीं होगा।

शोधकर्ताओं ने इस विचार का परीक्षण तीन अलग-अलग तरीकों से किया, जैसे कि लैब में तीन अलग-अलग प्रयोग चलाना।

पहला, परफेक्ट वर्ल्ड टेस्ट (The Perfect World Test):
बिना किसी शोर (noise) या त्रुटि वाले एक सिमुलेशन में, उन्होंने कंप्यूटर को एक सरल दो-क्यूबिट मशीन के नृत्य को सीखने के लिए कहा। परिणाम अविश्वसनीय रूप से सटीक था। कंप्यूटर ने गति को इतनी अच्छी तरह सीखा कि त्रुटि मात्र $1.61 \times 10^{-14}$ जितनी छोटी थी (यानी दशमलव बिंदु के बाद 13 शून्य और फिर एक 1)। जब उन्होंने बाद में "कदमों" (हैमिल्टोनियन गुणांकों) को देखा, तो उन्होंने उन्हें छह दशमलव स्थानों तक पूरी तरह से प्राप्त कर लिया। इसने सिद्ध किया कि यदि डेटा स्वच्छ है, तो यह विधि बिल्कुल वैसे ही काम करती है जैसा गणित कहता है।

दूसरा, "नॉट अ हैमिल्टोनियन" टेस्ट ("Not a Hamiltonian" Test):
यहाँ चीजें वास्तव में दिलचस्प हो जाती हैं। शोधकर्ताओं ने कंप्यूटर को ऐसे नृत्य सीखने की कोशिश की जो किसी निश्चित नियमों के सेट द्वारा संचालित नहीं होते हैं। उन्होंने तीन विशिष्ट मूव्स का उपयोग किया: एक "CNOT" गेट, एक "iSWAP" गेट, और संभावनाओं के एक विशाल पुस्तकालय से एक पूरी तरह से रैंडम मूव (एक Haar-random SU(4) तत्व)। ये ऐसे नृत्य कदम हैं जो किसी स्थिर लय या सरल कारण-प्रभाव नियम का पालन नहीं करते हैं। कंप्यूटर ने इन तीनों को पूरी तरह से सीखा, जिससे "प्रोसेस फिडेलिटी" (process fidelity) $1.000000$ तक पहुँच गई। यह पुष्टि करता है कि यह विधि इस बात पर निर्भर नहीं करती कि मशीन में कोई छिपा हुआ "हैमिल्टोनियन" ढांचा है। यह बस गति को सीख लेती है।

तीसरा, रियल-वर्ल्ड नॉइज़ टेस्ट (The Real-World Noise Test):
अंत में, उन्होंने इसे एक सिम्युलेटेड क्वांटम कंप्यूटर पर आजमाया जिसमें "शोर" (noise) था—जैसे रेडियो पर स्टेटिक शोर या एक डांसर का थककर लड़खड़ाना। उन्होंने "करिकुलम" (curriculum) नामक एक विशिष्ट प्रशिक्षण रणनीति का उपयोग किया, जो एक छात्र को आसान कदमों से शुरू करके धीरे-धीरे कठिन कदमों की ओर ले जाने जैसा है, बजाय इसके कि पूरे नृत्य को एक साथ उनके सामने फेंक दिया जाए। शोर के बावजूद (जहाँ एकल बिट्स के लिए त्रुटियां लगभग 1% और डबल बिट्स के लिए 10% थीं), सिस्टम तीन मुख्य नियमों को 8% से कम की त्रुटि के साथ रिकवर करने में सफल रहा। इसने मशीन के सही घटकों को खोज निकाला, भले ही रसोई थोड़ी अस्त-व्यस्त थी।

"करिकुलम" क्यों महत्वपूर्ण है?

इस शोध पत्र की सबसे महत्वपूर्ण खोजों में से एक यह है कि आप सारा डेटा एक साथ कंप्यूटर के सामने नहीं फेंक सकते। यदि आप अल्पकालिक और दीर्घकालिक गतिविधियों को एक साथ सीखने की कोशिश करते हैं, तो कंप्यूटर भ्रमित हो जाता है और विफल हो जाता है। शोधकर्ताओं ने दिखाया कि उनके चरण-दर-चरण "करिकुलम" दृष्टिकोण के बिना, कंप्यूटर पूरी तरह से गलत नियम सीख लेता, संख्याओं के चिन्हों को उल्टा कर देता और सही अंतःक्रियाओं को पहचानने में विफल रहता। सिस्टम को चरण-दर-चरण गर्म करके (warm up), उन्होंने एक लगभग असंभव पहेली को प्रबंधनीय पहेलियों की एक श्रृंखला में बदल दिया।

निष्कर्ष (The Bottom Line)

यह शोध पत्र यह दावा नहीं करता कि इसने क्वांटम भौतिकी की हर समस्या को हल कर लिया है। यह दिखाता है कि "गति सीखने" के कार्य को "नियमों की पहचान करने" से अलग करके, हम एक अधिक लचीला उपकरण बना सकते हैं। यह उन मशीनों के लिए भी काम करता है जो सरल नियमों का पालन करती हैं, और उन मशीनों के लिए भी उतना ही अच्छा काम करता है जो अजीब और अप्रत्याशित चीजें करती हैं। इस पद्धति ने शोर वाले वातावरण में 8% से कम की त्रुटि के साथ छिपे हुए नियमों की सफलतापूर्वक पहचान की, और इसने सिद्ध किया कि इसे यह जानने की आवश्यकता नहीं है कि मशीन की संरचना पहले से क्या है ताकि वह कैसे चलती है। यह रेसिपी का अनुमान लगाने के बजाय, पहले खाना बनाना सीखने और फिर उस डिश से रेसिपी पढ़ने में बदलाव है जिसे आपने बनाया है।

तकनीकी सारांश: क्वांटम ऑब्जर्वेबल डायनेमिक्स से स्ट्रक्चर-एग्नोस्टिक यूनिटरी लर्निंग

1. समस्या विवरण (Problem Statement)

हैमिल्टोनियन लर्निंग के लिए वर्तमान वेरिएशनल तरीके आमतौर पर दो अलग-अलग कार्यों को मिला देते हैं: एक क्वांटम ऑप्टिमाइज़ेशन समस्या (एक ऐसा यूनिटरी $U$ खोजना जो देखे गए डायनेमिक्स से मेल खाता हो) और एक क्लासिकल आइडेंटिफिकेशन समस्या ( $U$ को भौतिक इंटरेक्शन टर्म्स में विभाजित करना)। मौजूदा दृष्टिकोणों में अक्सर यह आवश्यक होता है कि अभ्यासी (practitioner) प्रशिक्षण शुरू होने से पहले ही हैमिल्टोनियन की संरचना (अर्थात कौन से पाउली टर्म्स मौजूद हैं) को निर्दिष्ट कर दे। यह संरचनात्मक धारणा विधि की प्रयोज्यता को ज्ञात इंटरेक्शन परिवारों तक सीमित कर देती है और अज्ञात सिमिट्री या इंटरेक्शन टर्म्स की खोज को रोक देती है।

इसके अलावा, सभी टाइम स्टेप्स पर एक साथ प्रशिक्षण देने से अक्सर ऑप्टिमाइज़ेशन विफलताओं का सामना करना पड़ता है, क्योंकि नॉन-कॉन्वेक्स क्वांटम लॉस लैंडस्केप में लंबे समय (long-time) का ग्रेडिएंट डोमिनेंस, शॉर्ट-टाइम डायनेमिक्स को कैप्चर करने से रोकता है।

2. कार्यप्रणाली (Methodology)

यह शोध पत्र एक स्ट्रक्चर-एग्नोस्टिक यूनिटरी लर्निंग फ्रेमवर्क का प्रस्ताव करता है जो क्वांटम लर्निंग चरण को क्लासिकल आइडेंटिफिकेशन चरण से अलग करता है।

2.1. दो-चरणीय आर्किटेक्चर (Two-Phase Architecture)

क्वांटम यूनिटरी लर्निंग (स्ट्रक्चर-फ्री):
- एक हार्डवेयर-एफिशिएंट पैरामीटराइज्ड क्वांटम सर्किट (PQC) टाइम-सीरीज ऑब्जर्वेबल मेजरमेंट्स से सीधे इवोल्यूशन ऑपरेटर $U$ को सीखता है।
- लॉस फंक्शन: एल्गोरिदम कई इनिशियल स्टेट्स, ऑब्जर्वेबल्स और टाइम स्टेप्स $n$ के माध्यम से प्रेडिक्टेड और ट्रू ऑब्जर्वेबल एक्सपेक्टेशन वैल्यूज $\langle P \rangle$ के बीच मीन स्क्वेयर्ड एरर (MSE) को कम करता है।
- मुख्य विशेषता: इसके जनरेटर के बारे में कोई धारणा नहीं बनाई जाती है। सर्किट $U$ को एक "ब्लैक बॉक्स" के रूप में सीखता है। यदि लक्ष्य एक हैमिल्टोनियन-जनरेटेड यूनिटरी ( $e^{-iH\tau}$ ) है, तो यह उसे सीखता है; यदि लक्ष्य एक नॉन-हैमिल्टोनियन गेट (जैसे CNOT, iSWAP) है, तो भी यह यूनिटरी को सीख लेता है, बस दूसरा चरण स्किप कर दिया जाता है।
क्लासिकल हैमिल्टोनियन आइडेंटिफिकेशन (पोस्ट-प्रोसेसिंग):
- एक बार जब अनुकूलतम यूनिटरी $U(\theta^*)$ मिल जाता है, तो हैमिल्टोनियन को क्लासिकल पोस्ट-प्रोसेसिंग के माध्यम से रिकवर किया जाता है।
- एक्सट्रैक्शन: जनरेटर को मैट्रिक्स लॉगरिदम का उपयोग करके कंप्यूट किया जाता है: $\hat{H} = \frac{i}{\tau} \log U(\theta^*)$ ।
- डिकम्पोजिशन: रिकवर्ड ऑपरेटर को ट्रेस इनर प्रोडक्ट का उपयोग करके पाउली बेसिस पर प्रोजेक्ट किया जाता है: $c_\alpha = \frac{1}{2^n} \text{Tr}(\hat{H}P_\alpha)$ ।
- आइडेंटिफिएबिलिटी: यह विधि इस गणितीय तथ्य पर निर्भर करती है कि यदि इनिशियल स्टेट्स और ऑब्जर्वेबल्स का सेट ऑपरेटर स्पेस को स्पैन करता है, तो यूनिटरी अनन्य रूप से (ग्लोबल फेज तक) निर्धारित होती है, और इस प्रकार इसका डिकम्पोजिशन बिना किसी पूर्व धारणा के निश्चित होता है।

2.2. ऑप्टिमाइज़ेशन रणनीति (Optimization Strategy)

ऑप्टिमाइज़र: शोध पत्र एक SPSA-Adam का परिचय देता है, जो हार्डवेयर-एफिशिएंट ग्रेडिएंट एस्टीमेशन (प्रति स्टेप 2 सर्किट इवैल्यूएशन) के लिए सिमल्टेनियस परटर्बेशन स्टोकेस्टिक एप्रोक्सिमेशन (SPSA) को एडम के अडैप्टिव मोमेंट अपडेट्स के साथ जोड़ता है।
मोमेंट-वार्म करिकुलम (Moment-Warm Curriculum): "बैरन प्लेटो" और लोकल ट्रैप की घटनाओं को संबोधित करने के लिए, प्रशिक्षण को चरणों में विभाजित किया गया है। सक्रिय टाइम स्टेप्स का सेट धीरे-धीरे बढ़ाया जाता है (जैसे, $\{1, 2\} \to \{1, 2, 4, 6\} \to \dots$ )। महत्वपूर्ण रूप से, एडम मोमेंट्स ( $m, v$ ) को चरणों के बीच कैरी फॉरवर्ड किया जाता है, जिससे कर्वेचर इंफॉर्मेशन सुरक्षित रहती है और कोल्ड-स्टार्ट ओवरहेड से बचा जा सकता है।
ब्रांच हैंडलिंग: विधि मैट्रिक्स लॉगरिदम के प्रिंसिपल ब्रांच का उपयोग करती है। यह सुनिश्चित करती है कि टाइम स्टेप $\tau$ इतना छोटा हो कि $\|H\|\tau < \pi$ हो, ताकि फेज रैपिंग एम्बिग्युइटी से बचा जा सके।

3. मुख्य योगदान (Key Contributions)

यूनिटरी लर्निंग फ्रेमिंग: क्वांटम ऑप्टिमाइज़र $U$ को सीखता है, न कि पाउली कोएफिशिएंट्स को। हैमिल्टोनियन आइडेंटिफिकेशन एक वैकल्पिक, पूरी तरह से क्लासिकल पोस्ट-प्रोसेसिंग स्टेप है।
आइडेंटिफिएबिलिटी कंडीशंस: पेपर उन सटीक स्थितियों को स्थापित करता है जिनके तहत $U$ को ऑब्जर्वेबल डेटा द्वारा अनन्य रूप से निर्धारित किया जा सकता है, जिससे यह सुनिश्चित होता है कि बाद का पाउली डिकम्पोजिशन सुव्यवस्थित है।
गेट लर्निंग जनरलाइजेशन: विधि सफलतापूर्वक गैर-हैमिल्टोनियन यूनिटरीज (CNOT, iSWAP, Haar-random SU(4)) को मशीन प्रिसिजन तक सीखती है, जो यह सिद्ध करता है कि यह टरोटराइजेशन स्ट्रक्चर या हैमिल्टोनियन धारणाओं पर निर्भर नहीं है।
SPSA-Adam: एक अभिनव ऑप्टिमाइज़र जिसे पैरामीटर काउंट के बावजूद प्रति ग्रेडिएंट स्टेप केवल दो सर्किट इवैल्यूएशन की आवश्यकता होती है, जिसे अडैप्टिव मोमेंट्स द्वारा बढ़ाया गया है।
करिकुलम शेड्यूल: एक चार-चरणीय प्रशिक्षण शेड्यूल जो एक ग्लोबल नॉन-कॉन्वेक्स समस्या को क्रमबद्ध रूप से वेल-पोस्ड लोकल समस्याओं की श्रृंखला में बदल देता है, यह प्रदर्शित करते हुए कि मानक सिंगल-स्टेज ट्रेनिंग समान परिस्थितियों में विफल हो जाती है।

4. प्रयोगात्मक परिणाम (Experimental Results)

4.1. नोइलेस प्रूफ ऑफ करेक्टनेस (2-Qubit)

सेटअप: 2-क्यूबिट आइज़िंग मॉडल ($H = ZZ + 0.5XI + 0.5IX$) के लिए L-BFGS-B ऑप्टिमाइज़र और सटीक ग्रेडिएंट्स।
परफॉरमेंस: $1.61 \times 10^{-14}$ का अंतिम MSE प्राप्त किया।
रिकवरी: सभी हैमिल्टोनियन कोएफिशिएंट्स को छह दशमलव स्थानों तक रिकवर किया गया। राउंड-ट्रिप एरर (हैमिल्टोनियन को फिर से सिम्युलेट करना) मशीन प्रिसिजन ( $8.09 \times 10^{-16}$ ) पर था।

4.2. गेट लर्निंग (Non-Hamiltonian Targets)

टारगेट्स: CNOT, iSWAP, और एक Haar-random SU(4) एलिमेंट।
परिणाम: तीनों गेट्स को प्रोसेस फिडेलिटी 1.000000 तक सीखा गया। ऑपरेटर एरर $5 \times 10^{-7}$ से नीचे थे। यह पुष्टि करता है कि एल्गोरिदम हैमिल्टोनियन जनरेटर की धारणा के बिना मनमाने यूनिटरीज को सीखने में सक्षम है।

4.3. स्केलेबिलिटी (3-Qubit)

सेटअप: 3-क्यूबिट ट्रांसवर्स-फील्ड आइज़िंग मॉडल (102 पैरामीटर्स) के लिए विस्तारित।
परिणाम: सभी पांच वास्तविक हैमिल्टोनियन टर्म्स को $10^{-3}$ से $10^{-4}$ की रेंज में एरर के साथ सही ढंग से रिकवर किया गया। विधि ने हिल्बर्ट स्पेस के विरुद्ध पैरामीटर्स में पॉलिनोमियल स्केलिंग प्रदर्शित की।

4.4. स्ट्रक्चरल सेंसिटिविटी

विधि का परीक्षण मिसमैच्ड एंसेत्ज़ टोपोलॉजी (लॉन्ग-रेंज इंटरेक्शन, गलत ऑपरेटर फैमिली जैसे YY-डोमिनेंट हैमिल्टोनियन, और एंटीसिमेट्रिक कपलिंग) के विरुद्ध किया गया।
परिणाम: एल्गोरिदम ने सभी मामलों में सही हैमिल्टोनियन को सफलतापूर्वक रिकवर किया, जो पुष्टि करता है कि यह छिपी हुई संरचनात्मक धारणाओं पर निर्भर नहीं है।

4.5. क्वांटम डिप्लॉयमेंट (Noisy Simulation)

सेटअप: डिपोलराइजिंग नॉइज़ ( $p_1=0.001, p_2=0.01$ ) और $N_{shots}=1024$ के साथ Qiskit Aer।
परिणाम: तीनों आइज़िंग टर्म्स को 8% से कम एरर के साथ रिकवर किया गया (ZZ और XI 1% के भीतर)। एक स्पूरियस (spurious) टर्म थ्रेशोल्ड से थोड़ा ऊपर दिखाई दिया, जो रेसिडुअल यूनिटरी एरर के अनुरूप है।
तुलना: एक मानक सिंगल-स्टेज SPSA-Adam दृष्टिकोण समान स्थितियों के तहत पूरी तरह विफल रहा, जिसने कोएफिशिएंट्स को गलत साइन के साथ रिकवर किया और अंतिम MSE शॉट नॉइज़ वेरिएंस से 180 गुना अधिक था। करिकुलम अप्रोच ने MSE को शॉट नॉइज़ वेरिएंस के केवल 2.1 गुना तक कम कर दिया।

5. महत्व और दावे (Significance and Claims)

पेपर का दावा है कि यूनिटरी लर्निंग को हैमिल्टोनियन आइडेंटिफिकेशन से अलग करना वह महत्वपूर्ण आर्किटेक्चरल निर्णय है जो इसे सक्षम बनाता है:

स्ट्रक्चर डिस्कवरी: एल्गोरिदम यह निर्धारित करता है कि कौन से पाउली टर्म्स मौजूद हैं और उनकी सिमिट्री क्या है, जो डेटा से प्राप्त होती है, न कि इनपुट के रूप में आवश्यक होती है।
जनरैलिटी: एक ही एल्गोरिदम हैमिल्टोनियन लर्निंग और जनरल क्वांटम गेट लर्निंग (जैसे CNOT सीखना) दोनों पर लागू होता है।
रोबस्टनेस: लॉन्ग-टाइम ग्रेडिएंट डोमिनेंस के कारण ऑप्टिमाइज़र को लोकल मिनिमा में फंसने से बचाने के लिए मोमेंट-वार्म करिकुलम अनिवार्य है।

लेखकों का निष्कर्ष है कि हालांकि इस विधि को $n > 4$ के लिए पाउली स्पेस की डाइमेंशनलिटी और $\tau$ के लिए स्पेक्ट्रल नॉर्म बाउंड के संबंध में सीमाओं का सामना करना पड़ता है, यह क्वांटम डायनेमिक्स को सीखने के लिए एक कठोर, स्ट्रक्चर-एग्नोस्टिक फ्रेमवर्क प्रदान करता है जो डायरेक्ट कोएफिशिएंट-फिटिंग तरीकों की तुलना में नोइलेस और नॉइजी दोनों रिजीम में बेहतर प्रदर्शन करता है।