⚛️ quantum physics

Proper Learning of Shallow All-to-All Quantum Circuits

यह शोध पत्र पुनरावृत्ति स्थानीय गेट व्युत्क्रमण (iterative local gate inversions) के माध्यम से उथले ऑल-टू-ऑल क्वांटम सर्किट सीखने के लिए एक मेटा-एल्गोरिद्मिक ढांचे को प्रस्तुत करता है, जो यह प्रदर्शित करता है कि ऐसे सर्किट $d^* \sim \log_2 n + \log_2\log_2 n$ की गहराई पर एक तीव्र शिक्षणीयता संक्रमण (sharp learnability transition) से गुजरते हैं, जिसके क्वांटम क्रिप्टोग्राफी के लिए निहितार्थ हैं।

मूल लेखक: Steven Kordonowy, Jacob Watkins

प्रकाशित 2026-08-21

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Steven Kordonowy, Jacob Watkins

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 कंप्यूटिंग की दुनिया में, मशीनें केवल संख्याओं की गणना नहीं करतीं; वे उन कार्यों को करने के लिए पदार्थ की मौलिक अवस्थाओं (fundamental states) में हेरफेर करती हैं जो शास्त्रीय कंप्यूटरों के लिए असंभव हैं। ये मशीनें कैसे काम करती हैं, इसे समझने के लिए वैज्ञानिक अक्सर उन्हें चरणों या एक सर्किट के रूप में देखते हैं, जहाँ क्यूबिट्स (qubits) नामक सूक्ष्म कण विशिष्ट ऑपरेशनों के माध्यम से एक-दूसरे के साथ परस्पर क्रिया करते हैं। जिस तरह एक शेफ व्यंजन बनाने के लिए एक रेसिपी का पालन करता है, उसी तरह एक क्वांटम सर्किट एक प्रारंभिक अवस्था को अंतिम परिणाम में बदलने के लिए नियमों के एक सेट का पालन करता है। वर्षों से, शोधकर्ता यह अनुमान लगाने में बहुत कुशल रहे हैं कि यदि उन्हें सामग्री और चरण पता हों, तो किसी रेसिपी का परिणाम क्या होगा। हालाँकि, इसके विपरीत समस्या—केवल अंतिम व्यंजन के स्वाद से सटीक रेसिपी का पता लगाना—अत्यंत कठिन है। वास्तव में, यह कठिनाई इतनी गहरी है कि यह आधुनिक क्रिप्टोग्राफी, यानी सुरक्षित संचार के विज्ञान की आधारशिला बनाती है। यदि कोई दुश्मन किसी प्रक्रिया को आसानी से रिवर्स-इंजीनियर नहीं कर सकता, तो वे उस गुप्त कुंजी (secret keys) को नहीं चुरा सकते जो हमारे डेटा की रक्षा करती है।

हाल ही में, शोधकर्ताओं की एक टीम ने इस प्रकार की रिवर्स-इंजीनियरिंग चुनौती के एक विशिष्ट पहलू पर करीब से नज़र डाली है। उन्होंने 'शैलो क्वांटम सर्किट्स' (shallow quantum circuits) पर ध्यान केंद्रित किया, जो ऑपरेशनों के अपेक्षाकृत छोटे अनुक्रम होते हैं, और एक सटीक प्रश्न पूछा: यदि एक पर्यवेक्षक को मशीन का सामान्य लेआउट पता हो—कि क्यूबिट्स कहाँ हैं और वे कैसे जुड़े हुए हैं—तो क्या वे उपयोग किए गए सटीक ऑपरेशनों का पता लगा सकते हैं? यह केवल अंतिम परिणाम का अनुमान लगाने के बारे में नहीं है; यह बिना अतिरिक्त भाग जोड़े या इसे अनावश्यक रूप से जटिल बनाए बिना, स्वयं मशीन के पुनर्निर्माण के बारे में है। यह अंतर महत्वपूर्ण है क्योंकि क्वांटम सुरक्षा की दुनिया में, एक "पर्याप्त अच्छा" अनुमान जो अनावश्यक जटिलता जोड़ता है, बेकार है; हमलावर को कोड तोड़ने के लिए सटीक संरचना को खोजना होगा।

जेपी मॉर्गन चेज़ (JPMorgan Chase) और कैलिफोर्निया विश्वविद्यालय, सांता क्रूज़ के शोधकर्ताओं ने इस पहेली को हल करने के लिए एक नया तरीका विकसित किया। उन्होंने पहले के काम पर आधारित किया जो यह दिखाता था कि एक सरल, ईंट जैसे पैटर्न (brick-like pattern) में व्यवस्थित सर्किट की संरचना को कैसे सीखा जा सकता है। उनका नवाचार एक लचीला ढांचा तैयार करना था जो बहुत अधिक अराजक व्यवस्थाओं को संभाल सके, विशेष रूप से ऐसे सर्किट जहाँ कोई भी क्यूबिट किसी भी अन्य क्यूबिट के साथ परस्पर क्रिया कर सकता है, जिसे "ऑल-टू-ऑल" (all-to-all) कनेक्टिविटी कहा जाता है। उनकी रणनीति का मुख्य हिस्सा 'लोकल इनवर्जन' (local inversion) की एक प्रक्रिया है। कल्पना कीजिए कि आप सिरों से काम करके एक गांठ को खोलने की कोशिश कर रहे हैं। शोधकर्ताओं ने प्रस्तावित किया कि सर्किट के बिल्कुल पहले और आखिरी ऑपरेशनों का परीक्षण करके, यह निर्धारित किया जा सकता है कि क्या उन्हें गणितीय रूप से "उलटा" (undone) या अलग किया जा सकता है। यदि किसी ऑपरेशन को सफलतापूर्वक उल्टा किया जा सकता है, तो उसे सर्किट से हटा दिया जाता है, जिससे उसके नीचे के ऑपरेशनों की अगली परत प्रकट होती है। इस प्रक्रिया को दोहराकर, एक-एक करके बाहरी परतों को छीलते हुए, पूरे सर्किट का पुनर्निर्माण किया जा सकता है।

हालाँकि, यह विधि तभी काम करती है जब सर्किट के माध्यम से बहने वाली जानकारी मापने के लिए पर्याप्त विशिष्ट बनी रहे। शोधकर्ताओं ने एक महत्वपूर्ण अवधारणा की पहचान की जिसे "लाइटकोन" (lightcone) कहा जाता है, जो उन क्यूबिट्स के समूह का वर्णन करता है जिन्हें एक एकल शुरुआती क्यूबिट सर्किट के आगे बढ़ने के दौरान प्रभावित कर सकता है। जब तक एक क्यूबिट का लाइटकोन अभी भी बढ़ रहा है और उसने पूरे सिस्टम को निगला नहीं है, तब तक एक पता लगाने योग्य सीमा मौजूद रहती है जहाँ सर्किट को पीछे से छीला जा सकता है। टीम ने पाया कि 'ऑल-टू-ऑल' कनेक्शन वाले रैंडम सर्किटों के लिए, एक तीखा टर्निंग पॉइंट (tipping point) होता है। एक निश्चित गहराई से नीचे, लाइटकोन इतने छोटे होते हैं कि सर्किट को कुशलतापूर्वक सीखा जा सकता है। एक बार जब सर्किट इस सीमा से अधिक गहरा हो जाता है, तो लाइटकोन फैलकर हर एक क्यूबिट को कवर कर लेते हैं, और जानकारी इतनी बिखरी हुई (scrambled) हो जाती है कि लोकल इनवर्जन विधि विफल हो जाती है।

कठोर गणितीय प्रमाणों और व्यापक कंप्यूटर सिमुलेशन के संयोजन के माध्यम से, लेखकों ने गणना की कि यह टर्निंग पॉइंट ठीक कहाँ होता है। उन्होंने पाया कि क्यूबिट्स की एक बड़ी संख्या वाले सिस्टम के लिए, सर्किट उस गहराई तक सीखा जा योग्य रहता है जो मोटे तौर पर क्यूबिट्स की संख्या के लघुगणक (logarithm) के बराबर है, साथ ही इसमें लघुगणक के लघुगणक वाला एक छोटा सुधार पद (correction term) भी शामिल है। सरल शब्दों में, जैसे-जैसे क्यूबिट्स की संख्या बढ़ती है, सीखा जा सकने वाले सर्किट की अधिकतम गहराई बहुत धीरे-धीरे बढ़ती है। यह परिणाम बताता है कि हालांकि ये रैंडम सर्किट शक्तिशाली हैं, वे इस विशिष्ट प्रकार के हमले के खिलाफ अनंत रूप से सुरक्षित नहीं हैं; इस तरह सीखने योग्य होने की एक स्पष्ट सीमा है।

अध्ययन ने यह भी खुलासा किया कि सर्किट की संरचना अत्यंत महत्वपूर्ण है। पहले अध्ययन किए गए सरल, ईंट जैसे सर्किटों में, सीखने की सीमा इस बात से निर्धारित होती थी कि गेट्स सूचना को कितनी अच्छी तरह मिलाते हैं। इन अराजक, ऑल-टू-ऑल सर्किटों में, सीमा पूरी तरह से इस बात से निर्धारित होती है कि एक एकल क्यूबिट का प्रभाव कितनी तेज़ी से शेष प्रणाली में फैलता है। शोधकर्ताओं ने दिखाया कि क्यूबिट्स की रैंडम जोड़ियाँ सूचना को बिखेरने का सबसे कुशल तरीका नहीं हैं, यही कारण है कि सीखने की सीमा कार्य-कारण (causality) के नियमों द्वारा लगाई गई पूर्ण सैद्धांतिक गति सीमा से थोड़ी कम है। उनके सिमुलेशन ने पुष्टि की कि सीखने योग्य से अlearnable (न सीखा जा सकने योग्य) में यह संक्रमण तीव्र और अनुमानित है, जो उसी गहराई पर होता है जिसकी उन्होंने गणना की थी।

इस कार्य के भविष्य की क्वांटम क्रिप्टोग्राफी के लिए महत्वपूर्ण निहितार्थ हैं। कई प्रस्तावित सुरक्षा योजनाएं इस धारणा पर टिकी हैं कि एक विरोधी के लिए सर्किट संरचना को आउटपुट से सीखना बहुत कठिन है। यह शोध पत्र स्पष्ट करता है कि इस प्रकार के रैंडम सर्किटों के लिए, यह धारणा केवल एक विशिष्ट गहराई तक ही सत्य है। यदि कोई सर्किट इस सीमा से अधिक गहरा बनाया जाता है, तो यह इस सीखने के तरीके के विरुद्ध सुरक्षित हो जाता है। इसके विपरीत, यदि कोई सर्किट उथला है, तो वह असुरक्षित हो सकता है। निष्कर्ष बताते हैं कि इन प्रणालियों की सुरक्षा एक अस्पष्ट अवधारणा नहीं है, बल्कि एक सटीक गणितीय सीमा है। शोधकर्ताओं ने यह भी नोट किया कि जबकि उनकी विधि इन विशिष्ट रैंडम सर्किटों के लिए अच्छी तरह काम करती है, वही सिद्धांत अन्य गेट परिवारों पर भी लागू हो सकते हैं, जिससे कुछ सर्किटों को सीखना आसान हो सकता है।

अंततः, यह शोध पत्र क्वांटम सर्किटों को सीखने की क्षमताओं और सीमाओं का एक स्पष्ट मानचित्र प्रदान करता है। यह प्रदर्शित करता है कि यह समझकर कि नेटवर्क के माध्यमों से सूचना कैसे फैलती है, एक व्यक्ति सटीक रूप से भविष्यवाणी कर सकता है कि कब एक सिस्टम को रिवर्स-इंजीनियर करना बहुत जटिल हो जाता है। यह केवल एक सैद्धांतिक अभ्यास नहीं है; यह भविष्य के क्वांटम एन्क्रिप्शन प्रोटोकॉल के लिए सुरक्षित ऑपरेटिंग ज़ोन को परिभाषित करता है। शोधकर्ताओं ने दिखाया है कि सर्किट के लेआउट के सही ज्ञान के साथ, सीखने का कार्य संभव है, लेकिन केवल गहराई की एक संकीर्ण खिड़की के भीतर। उस खिड़की के परे, सिस्टम की जटिलता स्वाभाविक रूप से स्वयं की रक्षा करती है, यह सुनिश्चित करती है कि उनके भीतर एनकोड किए गए रहस्य उन्हें सुलझाने की कोशिश करने वालों से सुरक्षित रहें।

तकनीकी सारांश: उथले ऑल-टू-ऑल क्वांटम सर्किट का उचित शिक्षण (Proper Learning)

समस्या विवरण
यह कार्य उथले क्वांटम सर्किटों के लिए उचित शिक्षण (proper learning) की समस्या को संबोधित करता है। "अनुचित" (improper) शिक्षण के विपरीत, जहाँ एक विरोधी (adversary) एक ऐसा सर्किट आउटपुट कर सकता है जिसकी संरचना भिन्न हो (जैसे कि बढ़ी हुई गहराई या अनसिला उपयोग), उचित शिक्षण के लिए यह आवश्यक है कि शिक्षार्थी (learner) एक ऐसा सर्किट $C'$ आउटपुट करे जो लक्षित सर्किट $C$ के ऑपरेशनल रूप से समतुल्य हो ( $U_C \approx U_{C'}$ ) और मूल सर्किट के ग्राफ स्ट्रक्चर और गेट लेआउट को सख्ती से संरक्षित रखे।

विशिष्ट चुनौती क्वांटम क्रिप्टोग्राफी के संदर्भ में उत्पन्न होती है, जहाँ आउटपुट अवस्थाओं या ब्लैक-बॉक्स एक्सेस से सर्किट सीखने की कठिनाई को एक सुरक्षा प्रिमिटिव के रूप में प्रस्तावित किया गया है। उथले सर्किटों के लिए मौजूदा एल्गोरिदम अक्सर अनुचित होते हैं, जिससे वे उन प्रोटोकॉलों के विश्लेषण के लिए अपर्याप्त हो जाते हैं जो संरचनात्मक बाधाओं पर निर्भर करते हैं। यह शोध लोकल इनवर्जन प्रोटोकॉल (local inversion protocols)—जो सर्किट के सामने (front) या पीछे (back) से गेटों को पहचानकर उन्हें "छीलने" (peel off) की प्रक्रिया को दोहराते हैं—की सीमाओं की जांच करता है ताकि उचित शिक्षण प्राप्त किया जा सके।

कार्यप्रणाली और ढांचा (Methodology and Framework)
लेखक फेफर्मन, घोष और ज़ान [6] द्वारा पेश किए गए "लोकल इनवर्जन" ढांचे पर आधारित हैं, और इसे ज्यामितीय रूप से स्थानीय (ब्रिकवर्क) सर्किटों से विस्तारित करके सामान्य इंटरैक्शन-लोकल सर्किटों, विशेष रूप से रैंडम ऑल-टू-ऑल 2-लोकल सर्किटों तक ले जाते हैं।

मुख्य कार्यप्रणाली लाइटकोन (lightcones) और कॉज़ल बाउंड्रीज (causal boundaries) की अवधारणा पर आधारित है:

लाइटकोन: एक निश्चित गहराई के भीतर एक विशिष्ट इनपुट क्यूबिट द्वारा प्रभावित क्यूबिटों के सेट के रूप में परिभाषित।
कॉज़ल बाउंड्रीज: गेट जोड़ने पर नए रूप से प्रभावित होने वाले क्यूबिट्स का सेट।
पिवट गेट्स (Pivot Gates): एक बाहरी गेट (सर्किट के सामने या पीछे का) एक "पिवट" है यदि उसका निष्कासन एक विशिष्ट इनपुट/आउटपुट क्यूबिट जोड़ी को विच्छेदित (disconnect) कर देता है जो पहले जुड़े हुए थे।

प्रस्तावित मेटा-एल्गोरिदम इस प्रकार कार्य करता है:

पुनरावृत्ति इनवर्जन (Iterative Inversion): शिक्षार्थी सर्किट के आगे जोड़ने के लिए एक परीक्षण व्युत्क्रम गेट (trial inverse gate) $G'^\dagger$ खोजने का प्रयास करता है।
टोमोग्राफिक टेस्टिंग (Tomographic Testing): आउटपुट पर सिंगल-क्यूबिट टोमोग्राफी करके, शिक्षार्थी यह जाँचता है कि क्या एक विशिष्ट इनपुट क्यूबिट $q$ और आउटपुट क्यूबिट $q'$ के बीच कॉज़ल प्रभाव टूट गया है। यदि प्रभाव नगण्य है, तो गुणनखंडन (factorization) $G'^\dagger G \approx U_1 \otimes U_2$ सफल है, और गेट $G$ को प्रभावी रूप से सर्किट से हटा दिया जाता है।
फॉरवर्ड-बैकवर्ड लर्निंग (Forward-Backward Learning): पेपर तर्क देता है कि जबकि केवल फॉरवर्ड लर्निंग संभव है, पुनरावृत्ति फॉरवर्ड-बैकवर्ड लर्निंग स्पष्ट रूप से अधिक शक्तिशाली है। यह उन सर्किटों को हल कर सकती है जहाँ सिंगल-डायरेक्शनल फॉरवर्ड या बैकवर्ड पास पिवट गेटों की कमी के कारण रुक जाते हैं।

प्रमुख योगदान और सैद्धांतिक परिणाम

उचित शिक्षण के लिए सामान्य ढांचा: यह पेपर एक स्थानीय गुणनखंड प्रोटोकॉल की सफलता के लिए तीन आवश्यक मानदंड स्थापित करता है:
- अच्छा लाइटकोन स्ट्रक्चर: शिक्षण प्रक्रिया के हर चरण में, कम से कम एक पिवट गेट मौजूद होना चाहिए।
- अच्छा सिग्नल प्रोपेगेशन: सर्किट में बदलाव इनपुट पर पता लगाने योग्य होने चाहिए (इसे एक इनवर्टिबिलिटी पैरामीटर $L$ द्वारा मापा जाता है)।
- हैंडल फैक्टरइज़ेशन: गेटों को हटाने और कंपोजिट गेटों (जैसे समान क्यूबिट्स पर क्रमिक गेट) को प्रबंधित करने के लिए एक तंत्र, ताकि संरचनात्मक जानकारी खो न जाए।
रैंडम ऑल-टू-ऑल सर्किटों का विश्लेषण: लेखक इस ढांचे को रैंडम, लेयर्ड, ऑल-टू-ऑल 2-लोकल सर्किटों पर लागू करते हैं (जहाँ प्रत्येक लेयर में क्यूबिट्स का एक रैंडम परफेक्ट मैचिंग होता है)। वे लाइटकोन के विकास के आधार पर एक सटीक लर्नैबिलिटी ट्रांजिशन (learnability transition) व्युत्पन्न करते हैं।
- लाइटकोन ग्रोथ: गहराई $\ell$ पर एक लाइटकोन $S_\ell$ के आकार को एक स्टोकेस्टिक प्रक्रिया के रूप में मॉडल किया गया है। लेखक एज क्रॉसिंग्स (edge crossings) के वितरण को प्राप्त करते हैं और एक नियत (deterministic) पुनरावृत्ति संबंध का उपयोग करके इसके विकास का अनुमान लगाते हैं।
- क्रिटिकल डेप्थ ( $d^*$ ): पेपर एक शार्प थ्रेशोल्ड डेप्थ $d^*$ की पहचान करता है जिसके बाद किसी भी क्यूबिट का लाइटकोन पूरी तरह से संतृप्त (saturated) हो जाता है (सभी $n$ क्यूबिट्स को कवर कर लेता है)। यह संतृप्ति पिवट गेटों के नुकसान को दर्शाती है, जिससे सर्किट लोकल इनवर्जन के माध्यम से अनलर्नेबल (unlearnable) हो जाता है।
- थ्रेशोल्ड फॉर्मूला: क्रिटिकल डेप्थ को इस प्रकार निकाला गया है:
  $d^*(n) \approx \log_2 n + \log_2 \log_2 n - \log_2 \log_2 e + o(1)$
  यह परिणाम बताता है कि लर्नैबिलिटी लिमिट लाइटकोन स्ट्रक्चर (कॉज़ल कनेक्टिविटी) द्वारा निर्धारित होती है, न कि मिक्सिंग बाउंड्स (स्क्रेम्बलिंग) द्वारा, जो इस एन्सेम्बल को ज्यामितीय रूप से स्थानीय ब्रिकवर्क सर्किटों से अलग करता है।
संख्यात्मक सत्यापन (Numerical Validation): लेखक संख्यात्मक सिमुलेशन प्रदान करते हैं जो पुष्टि करते हैं कि:
- स्टोकेस्टिक लाइटकोन का आकार विश्लेषण में प्राप्त नियत औसत के आसपास केंद्रित होता है।
- लर्नैबिलिटी के लिए अनुभवजन्य ट्रांजिशन डेप्थ $d^*$ के साथ निकटता से मेल खाता है।
- इटरेटिव फॉरवर्ड-बैकवर्ड लर्निंग, फॉरवर्ड-ओनली लर्निंग पर एक निरंतर लाभ (constant advantage) प्रदान करती है, लेकिन यह मौलिक रूप से एसिम्प्टोटिक ट्रांजिशन पॉइंट को नहीं बदलती है।

महत्व और दावे
पेपर उचित शिक्षण के लिए आवश्यकताओं, क्षमताओं और सीमाओं को स्पष्ट करने का दावा करता है। इसका प्राथमिक महत्व निम्नलिखित में निहित है:

उचित शिक्षण का विस्तार: 1D ब्रिकवर्क सेटिंग से आगे बढ़कर अत्यधिक गैर-स्थानीय, ऑल-टू-ऑल आर्किटेक्चर तक पहुँचना, यह प्रदर्शित करना कि लॉगरिदमिक गहराई तक उचित शिक्षण संभव है।
क्रिप्टोग्राफिक निहितार्थ: परिणाम हाल ही में प्रस्तावित क्वांटम क्रिप्टोग्राफिक स्कीमों के लिए सीधे निहितार्थ रखते जो सर्किट लर्निंग की कठिनाई पर आधारित हैं। पेपर सुझाव देता है कि रैंडम ऑल-टू-ऑल सर्किटों के लिए, सुरक्षा थ्रेशोल्ड पूर्ण लाइटकोन कवरेज की शुरुआत से निर्धारित होता है।
स्क्रेम्बलिंग से अंतर: पिछले विश्लेषणों के विपरीत जहाँ मिक्सिंग बाउंड्स ने लर्नैबिलिटी को सीमित किया था, यह कार्य ऑल-टू-ऑल एन्सेम्बल के लिए लाइटकोन ग्रोथ को सीमित कारक के रूप में पहचानता है। डेप्थ थ्रेशोल्ड में अतिरिक्त $\log_2 \log_2 n$ टर्म को लाइटकोन के मुकाबले रैंडम मैचिंग्स की अक्षमता के कारण दिया गया है।

लेखक निरंतर गेट सेट्स (continuous gate sets) के संबंध में विनम्र रहते हैं, यह नोट करते हुए कि जबकि उनके कठोर प्रमाण डिस्क्रीट, वेल-स्पेसड गेट सेट्स पर निर्भर करते हैं, तकनीकें अनुमानित इनवर्जन के साथ निरंतर परिवारों तक विस्तारित हो सकती हैं, हालांकि यह त्रुटि नियंत्रण (error control) के संबंध में तकनीकी बाधाएं पेश करता है। वे निष्कर्ष निकालते हैं कि हालांकि अध्ययन किए गए एन्सेम्बल के लिए ढांचा मजबूत है, अन्य सर्किट परिवारों और गैर-क्वेरी सेटिंग्स (जैसे स्टेट कॉपियों से सीखना) पर इसका अनुप्रयोग भविष्य के अध्ययन के लिए एक खुला क्षेत्र है।

इसी तरह के और पेपर