⚛️ quantum physics

Machine Learning of Quantum Entanglement from Noisy Measurements

यह अध्ययन प्रदर्शित करता है कि सुपरवाइज्ड मशीन लर्निंग एल्गोरिदम शोर युक्त SIC-POVM मापन डेटा से सीधे ध्रुवीकरण-एंटैंगल्ड फोटॉन युग्मों में क्वांटम एंटैंगलमेंट की प्रभावी ढंग से पहचान और मात्रा निर्धारित कर सकते हैं, जो पारंपरिक डेंसिटी मैट्रिक्स पुनर्निर्माण विधियों के लिए एक उच्च-सटीक विकल्प प्रदान करता है।

मूल लेखक: Artur Czerwinski, Maciej Wiśniewski, Paweł Moszczyński

प्रकाशित 2026-07-28

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Artur Czerwinski, Maciej Wiśniewski, Paweł Moszczyński

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 यह पता लगाने की कोशिश कर रहे हैं कि क्या दो जादुई पासे एक अदृश्य धागे से गुप्त रूप से जुड़े हुए हैं। क्वांटम भौतिकी की दुनिया में, इस "अदृश्य धागे" को एंटैंगलमेंट (entanglement) कहा जाता है। जब कण एंटैंगल्ड होते हैं, तो वे कितनी भी दूर क्यों न हों, एक टीम की तरह काम करते हैं; यदि आप एक को रोल करते हैं और आपको छह मिलता है, तो दूसरा भी तुरंत एक विशिष्ट संख्या दिखा सकता है। यह केवल एक मजेदार ट्रिक नहीं है; यह भविष्य की तकनीकों जैसे कि अनहैकेबल इंटरनेट और सुपर-फास्ट कंप्यूटरों के पीछे की महाशक्ति है।

यह जांचने के लिए कि क्या कण वास्तव में एंटैंगल्ड हैं, वैज्ञानिक आमतौर पर "पहेली को फिर से बनाने" का खेल खेलते हैं। वे हजारों माप लेते हैं, कणों की एक पूर्ण तस्वीर (जिसे डेंसिटी मैट्रिक्स कहा जाता है) को फिर से बनाने के लिए भारी गणित करते हैं, और फिर उस तस्वीर में अदृश्य धागे की जांच करते हैं। यह एक केक के स्वाद का अनुमान लगाने के लिए बिल्कुल नया केक बनाने जैसा है ताकि सिर्फ एक टुकड़ा चखा जा सके। लेकिन क्या होगा यदि आप केवल मेज पर पड़े केक के टुकड़ों को देखकर तुरंत स्वाद जान सकें? यही वह बड़ा सवाल है जो यह शोध पत्र पूछता है: क्या हम भारी गणित को छोड़ सकते हैं और कच्चे डेटा से सीधे एंटैंगलमेंट को पहचानने के लिए स्मार्ट कंप्यूटर प्रोग्राम का उपयोग कर सकते हैं?

जादुई टुकड़े और स्मार्ट अनुमान लगाने वाले

इस अध्ययन में, शोधकर्ताओं की एक टीम ने यह परीक्षण करने का निर्णय लिया कि क्या मशीन लर्निंग (ML)—वह प्रकार की कंप्यूटर बुद्धिमत्ता जो आपके फोन को चेहरे पहचानने में मदद करती है—पूरे क्वांटम चित्र को फिर से बनाने का भारी काम किए बिना क्वांटम एंटैंगलमेंट को पहचान सकती है। उन्होंने प्रकाश के कणों के जोड़ों, जिन्हें फोटोन (photons) कहा जाता है, पर ध्यान केंद्रित किया, जिनका उपयोग अक्सर क्वांटम प्रयोगों में किया जाता है क्योंकि उन्हें केबलों या हवा के माध्यम से भेजना आसान होता है।

आमतौर पर, इन फोटोन को समझने के लिए वैज्ञानिक एक विशेष मापने वाले उपकरण का उपयोग करते हैं जिसे SIC-POVM कहा जाता है। इसे एक 16-तरफा पासे के रूप में समझें जिसे आप यह देखने के लिए रोल करते हैं कि फोटोन कैसे व्यवहार करते हैं। हर बार जब आप इसे रोल करते हैं, तो आपको एक नंबर मिलता है, और कई बार रोल करने के बाद, आपको 16 नंबरों की एक सूची (एक वेक्टर) प्राप्त होती है। वास्तविक दुनिया में, ये नंबर "शॉट नॉइज़" (shot noise) के कारण अस्त-व्यस्त होते हैं—जो व्यक्तिगत फोटोन को गिनने की यादृच्छिकता है, जैसे तूफान में बारिश की बूंदों को गिनने की कोशिश करना।

शोधकर्ताओं ने एक विशाल प्रयोग का अनुकरण (simulate) किया जहाँ उन्होंने दो प्रकार के डेटासेट बनाए यह देखने के लिए कि क्या एक कंप्यूटर इन 16 नंबरों की अव्यवस्थित सूचियों को देखकर "जुड़े हुए" (entangled) और "बिना जुड़े" (separable) फोटोन के बीच अंतर करना सीख सकता है।

पहला परीक्षण: आसान "हाँ या ना" का खेल

सबसे पहले, उन्होंने एक डेटासेट बनाया जिसमें दो बहुत स्पष्ट समूह थे: फोटोन जो निश्चित रूप से सेपरेबल (जुड़े हुए नहीं) थे और फोटोन जो मैक्सिमली एंटैंगल्ड (अत्यधिक जुड़े हुए) थे। उन्होंने इन "टुकड़ों की सूचियों" के 20,000 उदाहरण तैयार किए।

उन्होंने पाँच अलग-अलग प्रकार के मशीन लर्निंग एल्गोरिदम को एक खेल सिखाया: "इस 16 नंबरों की सूची को देखो। क्या यह जुड़ा हुआ है या नहीं?"

परिणाम: कंप्यूटर इसमें अविश्वसनीय रूप से कुशल थे। सामान्य मात्रा में प्रशिक्षण डेटा दिए जाने पर, सपोर्ट वेक्टर मशीनों (SVC) और रैंडम फॉरेस्ट जैसे एल्गोरिदम ने 1.0000 (100% सटीकता) का सटीक स्कोर प्राप्त किया। वे तुरंत अंतर बता सकते थे।
"बहुत कम डेटा" की चुनौती: यह देखने के लिए कि ये एल्गोरिदम कितने कठिन हैं, शोधकर्ताओं ने उन्हें सीखने के लिए लगभग कोई प्रशिक्षण डेटा नहीं दिया—केवल 40 उदाहरण (20 जुड़े हुए और 20 बिना जुड़े हुए)। यह केवल दो वाक्यों को पढ़कर एक नई भाषा सीखने जैसा है। इस बहुत छोटे नमूने के साथ भी, K-नियरेस्ट नेबर्स (K-Nearest Neighbors), SVC, और रैंडम फॉरेस्ट एल्गोरिदम ने अभी भी 100% सटीकता हासिल की।
सुराग: शोधकर्ताओं ने यह भी कोशिश की कि कंप्यूटर को बिना बताए डेटा को समूहों में विभाजित करने दें (अनसुपरवाइज्ड क्लस्टरिंग)। कंप्यूटर ने स्वाभाविक रूप से 20,000 सूचियों को दो पूर्ण समूहों में विभाजित किया, जिसमें 20,000 में से केवल 5 गलतियाँ हुईं। यह सुझाव देता है कि जुड़े हुए फोटोन के लिए डेटा का "आकार" स्वाभाविक रूप से बिना जुड़े फोटोन से भिन्न होता है, शोर के बावजूद।

दूसरा परीक्षण: "शायद" का खेल

पहला परीक्षण आसान था क्योंकि समूह एक-दूसरे से बहुत दूर थे। लेकिन वास्तविक दुनिया में, एंटैंगलमेंट केवल "हाँ" या "ना" नहीं है; यह "थोड़ा सा जुड़ा हुआ" या "बहुत अधिक जुड़ा हुआ" हो सकता है। इसका परीक्षण करने के लिए, शोधकर्ताओं ने वर्नेर स्टेट्स (Werner states) का उपयोग किया, जो क्वांटम अवस्थाओं का एक परिवार है जिसे "पूरी तरह से बिना जुड़े" से लेकर "पूरी तरह से जुड़े हुए" तक ट्यून किया जा सकता है।

उन्होंने 250,000 उदाहरणों का एक विशाल डेटासेट बनाया, जिसमें एंटैंगलमेंट का हर स्तर शामिल था।

वर्गीकरण (Classification): कंप्यूटरों ने अभी भी "जुड़े हुए" से "बिना जुड़े" को बताने में शानदार काम किया। सबसे अच्छा एल्गोरिदम, SVC, ने 0.99498 (लगभग 99.5%) की सटीकता प्राप्त की।
कठिन बिंदु: शोधकर्ताओं ने देखा कि कंप्यूटरों ने ज्यादातर गलतियाँ उस "सीमावर्ती" क्षेत्र के पास कीं जहाँ एक अवस्था मुश्किल से एंटैंगल्ड हो रही होती है। यह यह बताने की कोशिश करने जैसा है कि एक गिलास "आधा भरा" है या "आधा खाली" है जब पानी का स्तर हवा में डगमगा रहा हो। शोर ने बहुत कम जुड़े हुए राज्यों को बिना जुड़े राज्यों से अलग करना कठिन बना दिया।
रिग्रेशन (Regression - "कितना?" का खेल): केवल "हाँ" या "ना" कहने के बजाय, शोधकर्ताओं ने कंप्यूटरों से एंटैंगलमेंट की सटीक मात्रा (0 और 1 के बीच एक संख्या) का अनुमान लगाने के लिए कहा। उन्होंने दो विधियों का उपयोग किया: सपोर्ट वेक्टर रिग्रेशन (SVR) और रैंडम फॉरेस्ट रिग्रेसर (RFR)।
- RFR मॉडल, जिसे सभी 250,000 उदाहरणों पर प्रशिक्षित किया गया था, सुपरस्टार रहा। इसने 0.99947 (R²) की सटीकता के साथ एंटैंगलमेंट की मात्रा का अनुमान लगाया।
- बड़ा आश्चर्य: उन्होंने इसकी तुलना पूरे क्वांटम चित्र को फिर से बनाने के पुराने तरीके (क्वांटम स्टेट टोमोग्राफी या QST) से की। QST विधि में त्रुटि दर 0.0066 थी, जबकि RFR विधि और भी बेहतर थी, जिसकी त्रुटि दर केवल 0.00315 थी।

इसका क्या अर्थ है

यह शोध पत्र दिखाता है कि यह जानने के लिए कि क्या कण एंटैंगल्ड हैं, आपको हमेशा पूरे क्वांटम चित्र को फिर से बनाने के भारी गणित की आवश्यकता नहीं होती है। इन सिमुलेशन में, जिनमें वास्तविक "शॉट नॉइज़" (पॉइसोनियन शॉट नॉइज़) शामिल था, मशीन लर्निंग सीधे कच्चे माप डेटा को देख सकती थी और कह सकती थी, "ये जुड़े हुए हैं," या यहाँ तक कि "ये 85% जुड़े हुए हैं," अविश्वसनीय गति और सटीकता के साथ।

शोधकर्ताओं ने पाया कि इस 16-आयामी स्थान में डेटा का "आकार" एंटैंगलमेंट का रहस्य रखता है, और स्मार्ट एल्गोरिदम शोर के बावजूद उस आकार को खोज सकते हैं। हालांकि यह अध्ययन सिम्युलेटेड डेटा के साथ किया गया था और अभी तक इसमें हर संभावित वास्तविक दुनिया की गड़बड़ी (जैसे टूटे हुए डिटेक्टर या खो जाने वाले सिग्नल) को शामिल नहीं किया गया है, फिर भी यह साबित करता है कि मशीन लर्निंग एक शक्तिशाली नया उपकरण है। यह सुझाव देता है कि भविष्य में, हम वास्तविक समय में क्वांटम प्रयोगों का विश्लेषण कर पाएंगे, धीमे, जटिल गणितीय चरणों को छोड़कर और सीधे उत्तर तक पहुँच सकेंगे।

तकनीकी सारांश: शोरयुक्त मापों से क्वांटम एंटैंगलमेंट का मशीन लर्निंग

समस्या विवरण
क्वांटम एंटैंगलमेंट (Quantum entanglement) क्वांटम सूचना प्रौद्योगिकियों के लिए एक मौलिक संसाधन है, फिर भी प्रायोगिक सेटिंग्स में इसके विश्वसनीय पता लगाने और मात्रात्मक लक्षण वर्णन में चुनौतियां बनी हुई हैं। पारंपरिक दृष्टिकोण आमतौर पर सिस्टम के डेंसिटी मैट्रिक्स (density matrix) के पुनर्निर्माण के लिए क्वांटम स्टेट टोमोग्राफी (QST) पर निर्भर करते हैं, जिसके बाद पृथक्करणीयता मानदंडों (जैसे पेरेस-होरोडेकी) या एंटैंगलमेंट मापों (जैसे कॉनकरेंस) को लागू किया जाता है। हालांकि यह प्रक्रिया कठोर है, लेकिन यह विशेष रूप से बड़ी संख्या में अवस्थाओं का विश्लेषण करते समय या जब माप सांख्यिकीय शोर (statistical noise) से प्रभावित होते हैं, तो अत्यधिक गणनात्मक रूप से मांग वाली होती है। यह कार्य इस बात की जांच करता है कि क्या मशीन लर्निंग (ML) एल्गोरिदम स्पष्ट रूप से डेंसिटी मैट्रिक्स के पुनर्निर्माण को दरकिनार करते हुए, सीधे शोरयुक्त कच्ची मापन सांख्यिकी और क्वांटम अवस्थाओं के एंटैंगलमेंट गुणों के बीच संबंध को सीख सकते हैं।

कार्यप्रणाली (Methodology)
यह अध्ययन ध्रुवीकरण-एंटैंगल्ड फोटॉन युग्मों के लिए सिमेट्रिक इंफॉर्मेशनली कम्पलीट पॉजिटिव ऑपरेटर-वैल्यूड मेजर्स (SIC-POVMs) पर आधारित सिम्युलेटेड डेटा का उपयोग करता है।

डेटा जनरेशन: दो-क्यूबिट डेंसिटी मैट्रिसेस को जेनरेट किया गया और उन्हें SIC-POVM मापों के अधीन किया गया, जिसके परिणामस्वरूप संयोग गणनाओं (coincidence counts) के 16-आयामी वेक्टर प्राप्त हुए। यथार्थवादी फोटॉन-काउंटिंग सांख्यिकी (प्रति सेटिंग औसत पैमाना 40,000 काउंट्स) को सिम्युलेट करने के लिए पॉइसोनियन शॉट नॉइज़ (Poissonian shot noise) पेश किया गया।
डेटासेट:
1. बाइनरी क्लासिफिकेशन/क्लस्टरिंग डेटासेट: इसमें 20,000 अवस्थाएं शामिल हैं, जो पृथकरणीय (separable) अवस्थाओं और मैक्सिमली एंटैंगल्ड बेल अवस्थाओं (रैंडम लोकल यूनिटरी ट्रांसफॉर्मेशन के अधीन) के बीच समान रूप से विभाजित हैं।
2. वर्नर स्टेट (Werner State) डेटासेट: इसमें वर्नर परिवार से प्राप्त 250,000 अवस्थाएं शामिल हैं, जो पृथकरणीय ( $p \le 1/3$ ) से लेकर मैक्सिमली एंटैंगल्ड ( $p=1$ ) तक के एंटैंगलमेंट के पूर्ण सातत्य (continuum) को कवर करती हैं। इस डेटासेट में एक निरंतर लक्ष्य चर (concurrence) और एक बाइनरी लेबल शामिल है।
एल्गोरिदम:
- वर्गीकरण (Classification): लॉजिस्टिक रिग्रेशन, k-निकटतम पड़ोसी (KNN), डिसीजन ट्री, सपोर्ट वेक्टर मशीन (SVM/SVC), और रैंडम फॉरेस्ट।
- क्लस्टरिंग (Clustering): K-मीन्स (K-Means)।
- रिग्रेशन (Regression): सपोर्ट वेक्टर रिग्रेशन (SVR) और रैंडम फॉरेस्ट रिग्रेसर (RFR)।
दृष्टिकोण: ML मॉडल को किसी भी मध्यवर्ती डेंसिटी मैट्रिक्स पुनर्निर्माण के बिना, सीधे शोरयुक्त 16-आयामी मापन वेक्टर्स पर प्रशिक्षित किया गया।

मुख्य परिणाम

बाइनरी क्लासिफिकेशन (पृथकरणीय बनाम मैक्सिमली एंटैंगल्ड):
- मानक प्रशिक्षण स्थितियों (20% प्रशिक्षण डेटा) के तहत, परीक्षण किए गए सभी एल्गोरिदम ने (एक एकल डिसीजन ट्री (0.9946) को छोड़कर) लगभग पूर्ण सटीकता (1.0000) प्राप्त की।
- अत्यंत सीमित प्रशिक्षण स्थितियों (केवल 40 नमूने, डेटासेट का 0.2%) के तहत, नॉन-लीनियर और एन्सेम्बल विधियों (KNN, SVC, Random Forest) ने 100% सटीकता बनाए रखी, जबकि लीनियर मॉडल (लॉजिस्टिक रिग्रेशन) और एकल डिसीजन ट्री ने कम प्रदर्शन दिखाया। यह सुझाव देता है कि मापन स्थान (measurement space) में निर्णय सीमा (decision boundary) स्वाभाविक रूप से नॉन-लीनियर है।
अनसुपरवाइज्ड क्लस्टरिंग (Unsupervised Clustering):
- K-मीन्स क्लस्टरिंग, जिसे क्लास लेबल्स तक पहुंच के बिना किया गया था, ने पृथकरणीय और एंटैंगल्ड अवस्थाओं के बीच प्राकृतिक विभाजन को 99.975% सटीकता के साथ सफलतापूर्वक पहचाना। "एल्बो मेथड" ने $K=2$ को इष्टतम क्लस्टर्स की संख्या के रूप में सही ढंग से पहचाना, जो यह दर्शाता है कि शोरयुक्त मापन डेटा की ज्यामितीय संरचना स्वाभाविक रूप से दोनों वर्गों को अलग करती है।
वर्नर स्टेट विश्लेषण (वर्गीकरण और रिग्रेशन):
- वर्गीकरण: सभी मॉडलों ने वर्नर अवस्थाओं को पृथकरणीय से एंटैंगल्ड के रूप में अलग करने में उच्च सटीकता (>97%) प्राप्त की। त्रुटियां मुख्य रूप से पृथक्करणीयता सीमा ( $p=1/3$ ) के पास केंद्रित थीं, जहाँ कमजोर रूप से एंटैंगल्ड अवस्थाएं शोर के कारण पृथकरणीय अवस्थाओं के साथ अविभेद्य हो जाती हैं। SVC ने उच्चतम सटीकता (0.99498) प्राप्त की।
- रिग्रेशन: SVR और RFR दोनों ने शोरयुक्त काउंट्स से सीधे कॉनकरेंस (concurrence) का अनुमान लगाने में सफलता प्राप्त की।
  - SVR (5,000 नमूनों पर प्रशिक्षित) ने $R^2 \approx 0.9983$ और मीन एब्सोल्यूट एरर (MAE) $\approx 0.0087$ प्राप्त किया।
  - RFR (पूरे 250,000 नमूनों पर प्रशिक्षित) ने बेहतर प्रदर्शन किया, जिसमें $R^2 \approx 0.9995$ और MAE $\approx 0.0032$ प्राप्त हुआ।
- बेंचमार्किंग: RFR मॉडल ने पारंपरिक QST दृष्टिकोण (लीस्ट-स्क्वायर पुनर्निर्माण के बाद विश्लेषणात्मक कॉनकरेंस गणना का उपयोग करके) की तुलना में सटीकता और कम्प्यूटेशनल दक्षता दोनों में बेहतर प्रदर्शन किया।

महत्व और दावे
लेखक दावा करते हैं कि यह कार्य एक 'प्रूफ ऑफ कॉन्सेप्ट' प्रदान करता है जो यह दर्शाता है कि ML विधियां पारंपरिक क्वांटम-स्टेट विश्लेषण के एक कुशल विकल्प के रूप में कार्य कर सकती हैं। यह अध्ययन स्थापित करता है कि:

प्रत्यक्ष अनुमान (Direct Inference): एंटैंगलमेंट गुण सीधे शोरयुक्त SIC-POVM मापन सांख्यिकी में मजबूती से एनकोडेड हैं, जिससे स्पष्ट डेंसिटी मैट्रिक्स पुनर्निर्माण के बिना उनकी पहचान और मात्रा का निर्धारण संभव है।
मजबूती (Robustness): नॉन-लीनियर और एन्सेम्बल-आधारित ML विधियां विशेष रूप से मजबूत हैं, जो अत्यंत सीमित प्रशिक्षण डेटा के साथ भी उच्च सटीकता बनाए रखने में सक्षम हैं और पॉइसोनियन शोर की उपस्थिति में भी प्रभावी हैं।
दक्षता (Efficiency): ML-आधारित रिग्रेशन (विशेष रूप से रैंडम फॉरेस्ट) कॉनकरेंस के अनुमानों को मानक टोमोग्राफिक विधियों के बराबर या उनसे अधिक सटीकता के साथ प्रदान कर सकता है, जबकि पुनर्निर्माण और विश्लेषणात्मक मूल्यांकन के गणनात्मक रूप से गहन चरणों को दरकिनार कर सकता है।

सीमाएं और दायरा
पेपर स्पष्ट रूप से नोट करता है कि परिणाम केवल पॉइसोनियन शॉट नॉइज़ पर आधारित सिम्युलेटेड डेटा पर आधारित हैं। ये मॉडल अन्य प्रयोगात्मक खामियों जैसे चैनल लॉस, डिटेक्टर अक्षमता, डार्क काउंट्स, या मल्टी-फोटॉन इवेंट्स को ध्यान में नहीं रखते हैं। फलस्वरूप, लेखक इन निष्कर्षों को वास्तविक दुनिया की प्रयोगात्मक स्थितियों के लिए एक अंतिम पुष्टि के बजाय अवधारणा के संख्यात्मक सत्यापन (numerical validation) के रूप में प्रस्तुत करते हैं। भविष्य के कार्य में व्यापक शोर मॉडलों और वास्तविक प्रयोगात्मक डेटा के साथ सत्यापन शामिल करने का सुझाव दिया गया है।

जादुई टुकड़े और स्मार्ट अनुमान लगाने वाले

पहला परीक्षण: आसान "हाँ या ना" का खेल

दूसरा परीक्षण: "शायद" का खेल

इसका क्या अर्थ है

इसी तरह के और पेपर