⚛️ quantum physics

Rigorous Time-dependent Hamiltonian Learning via Continuous Weak Measurements

यह शोध पत्र निरंतर कमजोर मापों (continuous weak measurements) से समय-निर्भर अनेक-निकाय हैमिल्टोनियन्स (time-dependent many-body Hamiltonians) को सीखने के लिए एक कठोर और प्रयोगात्मक रूप से व्यवहार्य प्रोटोकॉल प्रस्तुत करता है, जो वैश्विक पुनर्निर्माण (global reconstruction) को स्थानीय व्युत्क्रम समस्याओं (local inverse problems) में कम करने के लिए अंतःक्रिया विरलता (interaction sparsity) का लाभ उठाता है, जिससे सिस्टम के आकार से स्वतंत्र स्केलेबल जटिलता प्राप्त होती है और आठ क्यूबिट्स तक की स्पिन श्रृंखलाओं पर सत्यापित स्पष्ट त्रुटि सीमाएँ प्रदान की जाती हैं।

मूल लेखक: Jesús Jiménez-Rodríguez, Giacomo Franceschetto, Antonio Acín, Luciano Pereira

प्रकाशित 2026-07-20

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jesús Jiménez-Rodríguez, Giacomo Franceschetto, Antonio Acín, Luciano Pereira

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 विशाल, अदृश्य मशीन की गुप्त रेसिपी (नुस्खा) को समझने की कोशिश कर रहे हैं, जो लगातार अपना मन बदल रही है। यह कोई रसोई का उपकरण नहीं है, बल्कि एक क्वांटम कंप्यूटर है—एक अत्यंत उन्नत उपकरण जो उप-परमाणु दुनिया के अजीब नियमों का उपयोग करके समस्याओं को हल करता है। इन मशीनों को काम करने के लिए, वैज्ञानिकों को यह जानने की आवश्यकता होती है कि वे हर एक क्षण में कैसे चल रही हैं और आपस में कैसे क्रिया कर रही हैं। यह हैमिल्टोनियन लर्निंग (Hamiltonian learning) का क्षेत्र है। एक "हैमिल्टनियन" को डरावने गणितीय शब्द के रूप में नहीं, बल्कि एक निर्देश पुस्तिका या "इंजन" के रूप में सोचें जो मशीन को यह बताता है कि उसे कैसे चलना है। यदि इंजन टूटा हुआ है या हमारी सोच से थोड़ा अलग है, तो मशीन कचरा परिणाम देगी।

अब, एक चलती हुई मशीन के दौरान उस निर्देश पुस्तिका को पढ़ने की कल्पना करें। यदि आप मशीन को देखने के लिए उसे रोक देते हैं, तो आप जादू को तोड़ देते हैं। यदि आप बहुत गहराई से देखते हैं, तो आप मशीन को अपना व्यवहार बदलने के लिए डरा सकते हैं। यहीं पर कंटीन्यूअस वीक मेजरमेंट्स (continuous weak measurements) काम आते हैं। एक ऐसे जासूस की कल्पना करें जो जवाब मांगने के लिए दरवाजे पर दस्तक देकर हंगामा नहीं करता (जिससे संदिग्ध घबरा सकता है), बल्कि instead, वह एक थोड़ी सी खुली खिड़की से झाँकता है, और समय के साथ छोटे, धुंधले सुराग इकट्ठा करता है। ये सुराग "कमजोर" (weak) हैं क्योंकि वे एक बार में पूरी कहानी नहीं बताते, लेकिन जब आप ऐसे पर्याप्त सुराग एकत्र कर लेते हैं, तो आप ठीक से जोड़ सकते हैं कि मशीन क्या कर रही है। बड़ी चुनौती हमेशा यह रही है: आप सैकड़ों चलते-फिरते हिस्सों वाली मशीन के लिए यह कैसे करेंगे बिना डेटा की विशाल मात्रा से अभिभूत हुए?

यह शोध पत्र, जिसका शीर्षक "रिगोरस टाइम-डिपेंडेंट हैमिल्टोनियन लर्निंग वाया कंटीन्यूअस वीक मेजरमेंट्स" है, ठीक उसी समस्या का समाधान करता है। लेखक, जो स्पेन के भौतिकविदों की एक टीम है, ने उन "झाँकने वाली खिड़की" वाले मापों का उपयोग करके एक बदलते हुए क्वांटम सिस्टम के बदलते "इंजन" को समझने के लिए एक चतुर, गणितीय रूप से सख्त विधि विकसित की है। पूरी पहेली को एक साथ हल करने की कोशिश करने के बजाय—जो कि एक आग की बौछार (firehose) से पानी पीने जैसा होगा—उन्होंने इस समस्या को छोटे, प्रबंधनीय स्थानीय टुकड़ों में तोड़ने का निर्णय लिया।

यहाँ उनका जादू कैसे काम करता है: उन्होंने पाया कि अधिकांश क्वांटम मशीनों में, हिस्से केवल अपने निकटतम पड़ोसियों के साथ वास्तव में परस्पर क्रिया करते हैं, न कि कमरे में मौजूद सभी लोगों के साथ। इसे स्पर्सिटी (sparsity) कहा जाता है। इस कारण से, टीम ने महसूस किया कि उन्हें एक ही बार में पूरी मशीन को देखने की आवश्यकता नहीं है। वे क्यूबिट्स (क्वांटम बिट्स) के छोटे पड़ोसों पर ध्यान केंद्रित कर सकते हैं और केवल उन पड़ोसियों के लिए पहेली को हल कर सकते हैं। यह एक विशाल शहर में यातायात के प्रवाह को समझने जैसा है। पूरी दुनिया की हर कार को ट्रैक करने के बजाय, आप बस एक चौराहे को देखते हैं, वहाँ के नियमों को समझते हैं, और फिर अगले चौराहे पर चले जाते हैं। ऐसा करने से, जैसे-जैसे मशीन बड़ी होती है, काम की मात्रा विस्फोट नहीं करती; यह छोटा और प्रबंधनीय रहता है, जो केवल इस बात से नियंत्रित होता है कि प्रत्येक हिस्से के कितने पड़ोसी हैं।

इसे काम करने के योग्य बनाने के लिए, टीम ग्राफ कलरिंग (graph coloring) का उपयोग करती है, जो एक अवधारणा है जिसका उपयोग आमतौर पर मानचित्र बनाने (जैसे कि एक मानचित्र को इस तरह रंगना कि दो छूते हुए देशों का रंग एक जैसा न हो) के लिए किया जाता है। वे अपने "झाँकने" वाले प्रयोगों को व्यवस्थित करने के लिए इसका उपयोग करते हैं। वे मशीन को सरल, गैर-एंटैंगल्ड अवस्थाओं (सोचिए उन्हें अराजक समूह नृत्य के बजाय व्यक्तिगत, शांत अभिनेताओं के रूप में) में तैयार करते हैं और उन्हें इस तरह व्यवस्थित करते हैं कि वे एक-दूसरे में हस्तक्षेप किए बिना विभिन्न पड़ोसों का परीक्षण कर सकें। इसका मतलब है कि उन्हें काम पूरा करने के लिए जटिल, कठिन-से-बनाने वाले क्वांटम अवस्थाओं की आवश्यकता नहीं है; सरल सेटअप ही पर्याप्त हैं।

यह टीम केवल यह अनुमान नहीं लगाती कि यह काम करेगा; वे इसे कठोर गणित के साथ सिद्ध करते हैं। उन्होंने एक ऐसा सूत्र निकाला है जो आपको ठीक से बताता है कि आपको प्रयोग को कितनी बार चलाने (कितने "ट्रैजेक्टरीज" या "झाँकने के सत्रों") की आवश्यकता है ताकि सटीकता का एक विशिष्ट स्तर प्राप्त किया जा सके। उन्होंने एक महत्वपूर्ण ट्रेड-ऑफ (समझौता) की भी पहचान की: यदि आप बहुत तेज़ी से झाँकते हैं (बहुत छोटे समय चरणों का उपयोग करके), तो डेटा समझने के लिए बहुत शोर वाला हो जाता है। यदि आप बहुत धीरे झाँकते हैं, तो आप मशीन के बदलने के विवरण को मिस कर देते हैं। उनका गणित आपको यह बताने में सक्षम है कि सही संतुलन (sweet spot) कैसे खोजा जाए।

टीम ने अपने विचार का परीक्षण 8 क्यूबिट्स (एक छोटा लेकिन महत्वपूर्ण क्वांटम सिस्टम) की एक श्रृंखला के कंप्यूटर सिमुलेशन पर किया। इन सिमुलेशनों में, उन्होंने सफलतापूर्वक मशीन के बदलते "इंजन" को पुनर्गठित किया, और देखा कि कैसे गुणांक (वे संख्याएँ जो मशीन के व्यवहार को नियंत्रित करती हैं) समय के साथ बदलते हैं। उन्होंने पाया कि जबकि कम समय के लिए न्यूनतम सेट के सरल प्रोब्स (probes) ने अच्छा काम किया, एक थोड़े बड़े, अधिक विविध प्रोब्स के सेट ने लंबे समय के लिए उनके तरीके को बहुत अधिक स्थिर और विश्वसनीय बना दिया।

संक्षेप में, यह शोध पत्र एक कठोर, चरण-दर-चरण मार्गदर्शिका प्रदान करता है कि क्वांटम मशीन के गीत में बाधा डाले बिना उसे कैसे सुना जाए। यह एक जटिल, समय-परिवर्तित वैश्विक पहेली को सरल स्थानीय पहेलियों की एक श्रृंखला में बदल देता है, यह सिद्ध करता है कि सही रणनीति के साथ, हम सरल, रोजमर्रा के उपकरणों का उपयोग करके जटिल, समय-परिवर्तित क्वांटम सिस्टम के रहस्यों को सीख सकते हैं। यह केवल एक सिद्धांत नहीं है; यह अगली पीढ़ी के क्वांटम कंप्यूटरों को कैलिब्रेट करने के लिए एक व्यावहारिक रोडमैप है, यह सुनिश्चित करता है कि वे बिल्कुल वही करें जो हम उनसे करने को कहते हैं, भले ही वे लगातार अपना मन बदल रहे हों।

तकनीकी सारांश: निरंतर कमजोर मापन के माध्यम से कठोर समय-निर्भर हैमिल्टनियन लर्निंग

समस्या विवरण
क्वांटम प्रोसेसर द्वारा कार्यान्वित हैमिल्टनियन का लक्षण वर्णन करना अंशांकन (calibration) और सत्यापन के लिए आवश्यक है। जबकि स्थिर प्रणालियों के लिए हैमिल्टनियन लर्निंग (HL) प्रोटोकॉल मौजूद हैं, कई हार्डवेयर-प्रासंगिक उपकरण स्पष्ट रूप से समय-निर्भर जनरेटरों (जैसे कि शेप्ड कंट्रोल पल्स, ट्यूनेबल कपलर, और फ्लोकेट इंजीनियरिंग) के साथ संचालित होते हैं। समय-निर्भर HL के लिए मौजूदा विधियाँ मुख्य रूप से कुछ-क्यूबिट प्रणालियों या बिना किसी कठोर त्रुटि सीमा (error bounds) या स्केलेबिलिटी गारंटी वाले अनुमानी (heuristic) प्रक्रियाओं तक ही सीमित रही हैं। एक केंद्रीय चुनौती सिस्टम के आकार के साथ मापदंडों का घातीय विकास (exponential growth) है; हालाँकि, भौतिक हैमिल्टनियन आमतौर पर विरल (sparse) होते हैं। यह कार्य उस खुले प्रश्न को संबोधित करता है कि क्या एंटैंगल्ड प्रोब अवस्थाओं की आवश्यकता के बिना या घातीय ओवरहेड के बिना, निरंतर कमजोर मापन डेटा से समय-निर्भर हैमिल्टनियन को पुनर्गठित करने के लिए स्थानीयता (locality) को विस्तारित किया जा सकता है, जो कि स्केलेबल स्टैटिक HL को सक्षम करती है।

कार्यप्रणाली
लेखक एक विरल अनेक-निकाय (many-body) हैमिल्टनियन $H(t) = \sum_{i=1}^r \mu_i(t) W_i$ के समय-निर्भर गुणांकों $\mu(t)$ को सीखने के लिए एक प्रोटोकॉल प्रस्तावित करते हैं, जहाँ $W_i$ ज्ञात पाउली स्ट्रिंग्स (Pauli strings) हैं। सिस्टम की निगरानी स्थानीय प्रेक्षणों (विशेष रूप से प्रत्येक क्यूबिट पर $\sigma_z$ ) के निरंतर कमजोर मापन के माध्यम से की जाती है, जो मापन-प्रेरित डीफेज़िंग (measurement-induced dephasing) उत्पन्न करती है।

कार्यप्रणाली के मुख्य भाग में तीन घटक शामिल हैं:

कमजोर मापन रिकॉर्ड के माध्यम से स्थानीय व्युत्क्रम समस्याएँ (Local Inverse Problems):
एक वैश्विक व्युत्क्रम समस्या को हल करने के बजाय, प्रोटोकॉल हैमिल्टनियन की विरलता का लाभ उठाता है। मॉनीटर्ड प्रेक्षणों के समीकरणों का विश्लेषण करके, लेखक मापन रिकॉर्ड के परिमित अंतर (finite differences) और तात्कालिक हैमिल्टनियन गुणांकों के बीच एक रैखिक संबंध प्राप्त करते हैं। महत्वपूर्ण रूप से, एक स्थानीय प्रेक्षण $Z_j$ का विकास केवल उन हैमिल्टनियन पदों पर निर्भर करता है जो $Z_j$ के साथ कम्यूट (commute) नहीं करते हैं। यह प्रत्येक साइट $j$ के लिए एक "सक्रिय पड़ोस" (active neighborhood) $N(j)$ को परिभाषित करता है। वैश्विक पुनर्गठन को स्थानीय व्युत्क्रम समस्याओं के एक सेट में विभाजित किया जाता है, जिनमें से प्रत्येक में $N(j)$ के गुणांक शामिल होते हैं।
ग्राफ-कलरिंग प्रोब निर्माण:
स्थानीय व्युत्क्रम समस्याओं को हल करने के लिए, प्रोब अवस्थाओं के एक सेट की आवश्यकता होती है। लेखक प्रदर्शित करते हैं कि इन व्युत्क्रमों को आरंभ करने के लिए शुद्ध विभाज्य (pure separable) प्रोब अवस्थाएँ पर्याप्त हैं। वे इन स्थानीय प्रोब्स को वैश्विक तैयारियों में एम्बेड करने के लिए एक ग्राफ-सैद्धांतिक निर्माण पेश करते हैं:

एक सक्रिय-पड़ोस ग्राफ बनाया जाता है जहाँ वर्टिक्स (vertices) स्थानीय व्युत्क्रम समस्याओं (पड़ोसों) का प्रतिनिधित्व करते हैं और एड्ज (edges) ओवरलैपिंग भौतिक सपोर्ट वाले पड़ोसों को जोड़ते हैं।
एक ग्राफ कलरिंग इस ग्राफ को विलगित सेटों (color classes) में विभाजित करती है जिन्हें समानांतर में संबोधित किया जा सकता है।
यह एक वैश्विक विभाज्य उत्पाद अवस्था (global separable product state) के निर्माण की अनुमति देता है जो एक विशिष्ट कलर क्लास के सभी पड़ोसों को समानांतर में संबोधित करता है। आवश्यक वैश्विक प्रोब कॉन्फ़िगरेशन की संख्या सक्रिय-पड़ोस ग्राफ के क्रोमैटिक नंबर (chromatic number) द्वारा सीमित होती है, जो कुल सिस्टम आकार $n$ के बजाय स्थानीय इंटरेक्शन डिग्री $D$ के साथ स्केल करती है।

पुनरावृत्ति अवस्था अपडेट और त्रुटि विश्लेषण:
प्रोटोकॉल पुनरावृत्ति (iteratively) में कार्य करता है। प्रत्येक समय चरण $t_k$ पर:

वर्तमान अवस्था अनुमानों और मापन रिकॉर्ड का उपयोग करके स्थानीय गुणांकों का अनुमान मोरे-पेनरोस स्यूडो-इनवर्स (Moore–Penrose pseudoinverse) का उपयोग करके लगाया जाता है।
अनुमानित हैमिल्टनियन का उपयोग प्रभावी मास्टर समीकरण (मापन बैक-एक्शन सहित) के माध्यम से अगले समय चरण तक प्रोब अवस्था के अनुमान को प्रसारित करने के लिए किया जाता है।
लेखक कठोर त्रुटि सीमाएँ (error bounds) प्राप्त करते हैं जो सांख्यिकीय शोर (पथों के परिमित नमूनाकरण से उत्पन्न) को निश्चित पूर्वाग्रह (deterministic bias) (यूलर विविक्तकरण और अवस्था-अपडेट त्रुटियों के संचय से उत्पन्न) से स्पष्ट रूप से अलग करती हैं।

प्रमुख योगदान

स्थानीयता के माध्यम से स्केलेबिलिटी: प्रोटोकॉल समय-निर्भर हैमिल्टनियन के वैश्विक पुनर्गठन को स्थानीय व्युत्क्रम समस्याओं में बदल देता है। आवश्यक प्रोब कॉन्फ़िगरेशन की संख्या सिस्टम आकार $n$ या हैमिल्टनियन पदों की कुल संख्या के बजाय स्थानीय इंटरेक्शन कनेक्टिविटी ( $D$ ) के साथ स्केल करती है।
विभाज्य प्रोब्स (Separable Probes): यह कार्य सिद्ध करता है कि एंटैंगल्ड प्रोब अवस्थाओं की आवश्यकता नहीं है; शुद्ध विभाज्य अवस्थाएँ इन स्थानीय व्युत्क्रमों को आरंभ करने के लिए पर्याप्त हैं।
कठोर त्रुटि सीमाएँ: पेपर $\ell_2$ पुनर्गठन-त्रुटि सीमाओं और एक सैंपल-कॉम्प्लेक्सिटी प्रमेय प्रदान करता है। ये सीमाएँ सांख्यिकीय त्रुटि (जो ट्रैजेक्टरीज की संख्या बढ़ाकर कम की जा सकती है) और निश्चित पूर्वाग्रह फ्लोर (जो समय-चरण के आकार और पुनरावृत्ति प्रसार से आंतरिक रूप से निर्धारित होता है) के बीच स्पष्ट अंतर करती हैं।
ग्राफ-थ्योरेटिक फ्रेमवर्क: विरल अनेक-निकाय प्रणालियों के लिए प्रोब तैयारी के ओवरहेड को कम करने के लिए ग्राफ कलरिंग का उपयोग करने वाला एक व्यवस्थित तरीका।

परिणाम
प्रोटोकॉल को $n=8$ क्यूबिट्स तक की समय-निर्भर ट्रांसवर्स-फील्ड आइसोइंग मॉडल (TFIM) श्रृंखलाओं पर संख्यात्मक रूप से मान्य किया गया।

पुनर्गठन सटीकता: विधि ने स्थानीय क्षेत्रों और निकटतम-पड़ोसी कपलिंग के लिए पूर्ण समय-निर्भर गुणांक प्रक्षेपवक्र (trajectories) को सफलतापूर्वक पुनर्प्राप्त किया।
प्रोब एन्सेम्बल तुलना: संख्यात्मक सिमुलेशन ने एक न्यूनतम ग्राफ-कलरिंग एन्सेम्बल ( $S=9$ प्रोब्स) की तुलना एक ओवरकम्प्लीट पाउली-आइजनस्टेट एन्सेम्बल ( $S=36$ प्रोब्स) से की। जबकि न्यूनतम एन्सेम्बल ने छोटे-समय खिड़कियों में अच्छा प्रदर्शन किया, ओवरकम्प्लीट एन्सेम्बल ने लंबे पुनर्गठन विंडो के दौरान मापन-प्रेरित डीफेज़िंग के विरुद्ध बेहतर स्थिरता और मजबूती प्रदर्शित की, जो तैयारी लागत और स्थिरता के बीच एक ट्रेड-ऑफ को उजागर करती है।
सैंपल कॉम्प्लेक्सिटी स्केलिंग: संख्यात्मक परिणामों ने सैद्धांतिक भविष्यवाणियों की पुष्टि की। सांख्यिकी-प्रधान शासन (regime) में, पुनर्गठन त्रुटि लगभग $N_{tot}^{-\alpha}$ (जहाँ $\alpha \approx 0.4$ ) के रूप में स्केल हुई। जैसे-जैसे ट्रैजेक्टरीज की संख्या बढ़ी, त्रुटि एक "बायस फ्लोर" पर संतृप्त हो गई जो निश्चित एकीकरण त्रुटि द्वारा निर्धारित होती है, जो प्राप्त सीमाओं के अनुरूप है। त्रुटि ने सिस्टम आकार के साथ सबलीनियर स्केलिंग भी प्रदर्शित की, जो सैद्धांतिक सीमा में $\sqrt{n}$ निर्भरता के अनुरूप है।

महत्व और दावे
लेखक दावा करते हैं कि उन्होंने निरंतर निगरानी का उपयोग करके विरल अनेक-निकाय प्रणालियों में समय-निर्भर हैमिल्टनियन लर्निंग के लिए एक कठोर आधार स्थापित किया है। इसका महत्व निम्नलिखित में निहित है:

स्केलेबिलिटी का विस्तार: यह सिद्ध करना कि स्थानीयता का सिद्धांत, जो पहले स्थिर हैमिल्टनियन के लिए लागू किया गया था, कमजोर मापन डेटा से समय-निर्भर पुनर्गठन की जटिलता को नियंत्रित करता है।
प्रायोगिक व्यवहार्यता: विभाज्य प्रोब अवस्थाओं और स्थानीय कमजोर मापन पर इसकी निर्भरता इस प्रोटोकॉल को निकट-अवधि एनालॉग प्लेटफॉर्म और क्लाउड-पहुंच योग्य क्वांटम प्रोसेसर (इंजीनियर्ड वीक मेजरमेंट्स के माध्यम से) के अनुकूल बनाती है।
सैद्धांतिक स्पष्टता: सांख्यिकीय और निश्चित त्रुटियों का पृथक्करण पुनरावृत्ति लर्निंग प्रोटोकॉल की सीमाओं को समझने के लिए एक स्पष्ट ढांचा प्रदान करता है, विशेष रूप से समय-चरण रिज़ॉल्यूशन और शोर प्रवर्धन के बीच ट्रेड-ऑफ के बारे में।

पेपर निष्कर्ष निकालता है कि हालांकि वर्तमान कार्यान्वयन प्रथम-क्रम यूलर अपडेट का उपयोग करता है, यह ढांचा स्वाभाविक रूप से समृद्ध ज्यामिति, प्रोब एन्सेम्बल (संभावित रूप से एंटैंगल्ड सहित), और ओपन-सिस्टम जनरेटरों तक विस्तारित होता है, हालांकि इन विशिष्ट विस्तारों को भविष्य के कार्य के लिए छोड़ दिया गया है।

इसी तरह के और पेपर