⚛️ quantum physics

Comment on "Scalable Quantum Machine Learning: Trainability, Expressivity and Efficiency": Polynomial Evaluation of the Triplet-Block Readout

यह शोध पत्र यह प्रदर्शित करके स्केलेबल क्वांटम मशीन लर्निंग में ट्रिपलेट-ब्लॉक टू-बॉडी रीडआउट के लिए घातांकीय (exponential) शास्त्रीय लागत के दावे का खंडन करता है कि विकर्ण द्वि-कण न्यूनीकरण घनत्व मैट्रिक्स (diagonal two-particle reduced density matrices) पूर्ण सहसंबंध वेक्टरों (complete correlator vectors) की गणना के लिए एक नियत $O(n^4)$ एल्गोरिदम को सक्षम करते हैं, जिससे विशिष्ट एल्गोरिदम-सापेक्ष घातांकीय-लागत का निष्कर्ष अमान्य हो जाता है, जबकि अन्य प्रशिक्षण क्षमता (trainability) और कठोरता (hardness) संबंधी परिणाम अप्रभावित रहते हैं।

मूल लेखक: Erfan Amidi

प्रकाशित 2026-08-24

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Erfan Amidi

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 भौतिकी के विचित्र नियमों का उपयोग करके डेटा से सीखने वाली मशीनें बनाने की खोज में, वैज्ञानिक लगातार यह पता लगाने की कोशिश कर रहे हैं कि वास्तविक शक्ति कहाँ निहित है और इसकी सीमाएँ क्या हैं। कल्पना कीजिए एक ऐसे कंप्यूटर की जो केवल संख्याओं की गणना नहीं करता, बल्कि एक साथ कई संभावनाओं की खोज करता है, जिसमें इलेक्ट्रॉन जैसे कणों का उपयोग होता है जो एक ही समय में कई अवस्थाओं में मौजूद हो सकते हैं। यही क्वांटम मशीन लर्निंग का वादा है। हालाँकि, इन प्रणालियों के उपयोगी होने के लिए, शोधकर्ताओं को उन्हें प्रशिक्षित करने में सक्षम होना चाहिए, जिसमें प्रदर्शन में सुधार करने के लिए नॉब्स और डायल (नियंत्रक) को समायोजित करना शामिल है। इस क्षेत्र में एक प्रमुख बाधा यह जानना है कि क्या साधारण सिलिकॉन चिप्स पर चलने वाला कंप्यूटर यह भविष्यवाणी कर सकता है कि एक क्वांटम मशीन क्या करेगी, या क्या क्वांटम मशीन इतनी जटिल है कि केवल वह स्वयं ही अपने आउटपुट को समझ सकती है। यदि एक क्लासिकल कंप्यूटर आसानी से परिणाम की भविष्यवाणी कर सकता है, तो क्वांटम सिस्टम एक अद्वितीय लाभ प्रदान नहीं कर सकता है। "प्रशिक्षण क्षमता" (trainability) और दक्षता का यह प्रश्न यह तय करने के लिए केंद्रीय है कि क्या ये भविष्यवादी उपकरण कभी सिद्धांत से वास्तविकता तक पहुँच पाएंगे।

शोधकर्ता एरफन अमीदी का एक हालिया नोट एक विशिष्ट प्रकार के क्वांटम लर्निंग मॉडल के आउटपुट की गणना करने की कठिनाई के बारे में एक विशिष्ट दावे को संबोधित करता है। एक पिछले अध्ययन में, वैज्ञानिकों ने सुझाव दिया था कि तीन कणों के समूहों वाले एक विशिष्ट सेटअप के लिए, कणों के जोड़ों के बीच संबंधों की गणना करने के लिए किसी भी क्लासिकल कंप्यूटर को भारी मात्रा में समय की आवश्यकता होगी। उन्होंने अनुमान लगाया था कि जैसे-जैसे सिस्टम बड़ा होता जाएगा, आवश्यक समय तेजी से (exponentially) बढ़ेगा, जिससे इसे एक सामान्य कंप्यूटर पर सिम्युलेट करना लगभग असंभव हो जाएगा। यह निष्कर्ष एक ऐसी पद्धति पर आधारित था जिसने संपूर्ण क्वांटम अवस्था को कई सरल भागों के एक जटिल योग के रूप में माना, एक ऐसी प्रक्रिया जो भागों की संख्या बढ़ने के साथ तेजी से अनियंत्रित हो जाती है। पिछले शोधकर्ताओं ने तर्क दिया था कि क्योंकि इनपुट स्टेट जटिल था, इसलिए उत्तर प्राप्त करने का एकमात्र तरीका इस महंगी गणना को करना था, जिसमें अव्यवहारिक रूप से अधिक समय लगेगा।

अमीदी का कार्य यह दर्शाता है कि यह निष्कर्ष एक अनावश्यक जटिलता पर आधारित था। शोधकर्ता यह प्रदर्शित करते हैं कि कणों के जोड़ों के सहसंबंध (correlations) को मापने के विशिष्ट कार्य के लिए, एक बहुत अधिक सरल मार्ग मौजूद है। संपूर्ण जटिल क्वांटम अवस्था को ट्रैक करने के बजाय, व्यक्ति केवल उस जानकारी पर ध्यान केंद्रित कर सकता है जो विशिष्ट माप के लिए महत्वपूर्ण है। विचाराधीन इनपुट स्टेट कणों के ब्लॉकों से बना है, और हालांकि इन ब्लॉकों का पूर्ण विवरण जटिल है, लेकिन जोड़े-वार संबंधों की भविष्यवाणी करने के लिए आवश्यक विशिष्ट जानकारी वास्तव में बहुत सरल है और इसे सीधे लिखा जा सकता है। यह पाया गया है कि क्वांटम अवस्था के जटिल हिस्से इस विशिष्ट माप के लिए इस तरह से हस्तक्षेप नहीं करते हैं जो मायने रखता हो। इस कारण से, गणना के लिए उस घातीय समय के विस्फोट (exponential explosion) की आवश्यकता नहीं है जिसका पहले डर था।

यह नया विश्लेषण इन संबंधों की गणना करने के लिए एक मानक कंप्यूटर का उपयोग करते हुए एक स्पष्ट, चरण-दर-चरण विधि प्रदान करता है। इस पद्धति में शुरुआती अवस्था का वर्णन करने वाली एक सरल संभाव्यता सूची (list of probabilities) को लेना और फिर एक गणितीय रूपांतरण लागू करना शामिल है जो यह दर्शाता है कि कण कैसे चलते हैं और परस्पर क्रिया करते हैं। इस रूपांतरण की गणना बहुत तेज़ी से की जा सकती है, भले ही कणों की संख्या बढ़ती जाए। परिणाम सभी जोड़े-वार संबंधों की एक पूर्ण सूची है, जो कणों की संख्या के चौथे घात (fourth power) के रूप में बढ़ते समय में प्राप्त होती है। एक हज़ार कणों वाले सिस्टम के लिए, यह एक आधुनिक कंप्यूटर द्वारा आसानी से संभाला जाने वाला कार्य है, जबकि पिछले अनुमान ने सुझाव दिया था कि इसमें ब्रह्मांड की आयु से भी अधिक समय लगेगा। यह निष्कर्ष सिद्ध करता है कि विचाराधीन विशिष्ट क्वांटम लर्निंग मॉडल उतना कठिन नहीं है जितना पहले सोचा गया था, कम से कम इन विशिष्ट सहसंबंधों को मापने के कार्य के लिए।

यह खोज यह अर्थ नहीं देती कि क्वांटम कंप्यूटरों ने अपना सारा रहस्य या क्षमता खो दी है। शोधकर्ता सावधानीपूर्वक यह स्पष्ट करते हैं कि जबकि ये विशिष्ट माप भविष्यवाणी करने में आसान हैं, सिस्टम की पूर्ण जटिलता से जुड़े अन्य कार्य, जैसे कि यादृच्छिक परिणाम (random outcomes) उत्पन्न करना या एक साथ कई कणों वाले अधिक जटिल संबंधों को मापना, क्लासिकल कंप्यूटरों के लिए कठिन बने हुए हैं। क्वांटम सिस्टम को प्रशिक्षित करने की कठिनाई, सिस्टम के ऐसी अवस्था में फंसने का जोखिम जहाँ वह सीख नहीं सकता, और यादृच्छिक परिणामों के नमूने लेने की चुनौती, सभी वैध चिंताएं हैं जो इस नए निष्कर्ष से नहीं बदली हैं। नया कार्य केवल यह स्पष्ट करता है कि इस विशेष सेटअप में दो-कणों के संबंधों को पढ़ने के विशिष्ट कार्य के लिए, क्लासिकल लागत कम है और गणना सीधी है।

इस कार्य का महत्व क्वांटम मशीन लर्निंग के परिदृश्य में क्या संभव है और क्या नहीं, इसके मानचित्र को सुधारने की क्षमता में निहित है। यह दिखाकर कि एक पूर्व-मानित बाधा वास्तव में एक अनावश्यक रूप से जटिल उपकरण का उपयोग करने से उत्पन्न हुआ भ्रम था, शोधकर्ता ने यह समझने में मदद की है कि क्वांटम सिस्टम के वास्तविक लाभ कहाँ निहित हैं। यह सुझाव देता है कि कुछ प्रकार के डेटा और मापों के लिए, क्लासिकल कंप्यूटर क्वांटम कंप्यूटरों के साथ तालमेल बनाए रख सकते हैं, जो इन भविष्य की तकनीकों को डिजाइन करने वाले इंजीनियरों के लिए एक महत्वपूर्ण जानकारी है। यह कार्य पुष्टि करता है कि यद्यपि क्वांटम दुनिया विशाल और जटिल है, इसमें कुछ विशिष्ट खिड़कियाँ स्पष्ट और सुलभ बनी हुई हैं, जो हमें यह समझने के बेहतर मॉडल बनाने की अनुमति देती हैं कि ये सिस्टम कैसे सीखते और व्यवहार करते हैं, बिना किसी असंभव समस्या को हल किए।

तकनीकी सारांश: स्केलेबल क्वांटम मशीन लर्निंग: ट्रिपलेट-ब्लॉक रीडआउट का बहुपद मूल्यांकन (Polynomial Evaluation of the Triplet-Block Readout)

समस्या विवरण
यह कार्य संदर्भ [1] में वर्णित एक क्वांटम मशीन लर्निंग आर्किटेक्चर में "सुपरवाइज्ड टू-बॉडी रीडआउट" (supervised two-body readout) के मूल्यांकन के शास्त्रीय कम्प्यूटेशनल लागत (classical computational cost) के संबंध में एक विशिष्ट दावे को संबोधित करता है। संदर्भ [1] $n$ फर्मियोनिक मोड्स (fermionic modes) की एक प्रणाली का विश्लेषण करता है जिसे "ट्रिपलेट-ब्लॉक" अवस्था में इनिशियलाइज़ किया गया है, जिसे $|\Psi_{\text{in}}\rangle = |\Psi_6\rangle^{\otimes m} \otimes |0\rangle^{\otimes (n-6m)}$ के रूप में परिभाषित किया गया है, जहाँ $|\Psi_6\rangle = (|111000\rangle + |000111\rangle)/\sqrt{2}$ है। यह प्रणाली पैसिव फर्मियोनिक लीनियर ऑप्टिक्स (FLO) ऑपरेशन्स से गुजरती है, और रीडआउट दो-बॉडी नंबर कोरिलेटर्स (two-body number correlators) $q_{ij} = \langle n_i n_j \rangle$ का वेक्टर होता है।

संदर्भ [1] ने तर्क दिया था कि क्योंकि इनपुट अवस्था का "फॉर्म-रैंक" (form-rank) 3 है (जो रैंक-2 अवस्थाओं के लिए उपलब्ध मिश्रित-पफेशियन संपीड़न (mixed-Pfaffian compression) के उपयोग को रोकता है), एकमात्र व्यवहार्य शास्त्रीय सिमुलेशन मार्ग एक गौसियन-स्टेट विस्तार (Gaussian-state expansion) था। इस विस्तार में $\chi = 2^{k/3}$ पद शामिल हैं, जिससे एक शास्त्रीय मूल्यांकन लागत $O(\chi^2 \text{poly}(n)) = O(2^{2k/3} \text{poly}(n))$ होती है। फलस्वरूप, संदर्भ [1] ने निष्कर्ष निकाला कि इस रीडआउट वेक्टर का मूल्यांकन शास्त्रीय रूप से कठिन (classically intractable) है (अर्थात $k$ के सापेक्ष घातीय/exponential), जिससे संबंधित सुपरवाइज्ड लर्निंग फीचर्स शास्त्रीय रूप से अप्राप्य (inaccessible) हो जाते हैं।

कार्यप्रणाली (Methodology)
लेखक पूर्ण गौसियन विस्तार की आवश्यकता को चुनौती देते हुए ऑब्जर्वेबल (observable) और इनपुट अवस्था की विशिष्ट संरचना पर ध्यान केंद्रित करते हैं। कार्यप्रणाली इस प्रकार है:

निश्चित-बॉडी क्लोजर अंडर FLO (Fixed-Body Closure under FLO): शोधपत्र यह स्थापित करता है कि पैसिव FLO यूनिटरीज, $U_W$ , एक फर्मियोनिक अवस्था के $r$ -पार्टिकल सेक्टर पर एक $r$ -पार्टिकल रिड्यूस्ड डेंसिटी मैट्रिक्स (RDM), $\Gamma^{(r)}$ , के रैखिक रूपांतरण के माध्यम से कार्य करती हैं। विशेष रूप से, यदि $\rho$ इनपुट अवस्था है, तो आउटपुट अवस्था $\rho_{\text{out}} = U_W \rho U_W^\dagger$ संतुष्ट करती है:
$\Gamma^{(r)}_{\rho_{\text{out}}} = R_r(W) \Gamma^{(r)}_{\rho} R_r(W)^\dagger$
जहाँ $R_r(W) = \bigwedge^r W$ सिंगल-पार्टिकल यूनिटरी $W$ का $r$ -वाँ एक्सटीरियर पावर (exterior power) है। $R_r(W)$ के मैट्रिक्स तत्व $W$ के $r \times r$ सब-मैट्रिसेस के डिटरमिनेंट्स (determinants) हैं।
विकर्ण इनपुट संरचना (Diagonal Input Structure): लेखक यह प्रदर्शित करते हैं कि विशिष्ट ट्रिपलेट-ब्लॉक इनपुट के लिए, दो-पार्टिकल रिड्यूस्ड डेंसिटी मैट्रिक्स ( $\Gamma^{(2)}_{\text{in}}$ ) स्पष्ट रूप से विक диаगोनल (diagonal) है। ऐसा इसलिए है क्योंकि ट्रिपलेट अवस्था की दो शाखाएं ( $|111000\rangle$ और $|000111\rangle$ ) तीन ऑक्यूपाइड मोड्स द्वारा भिन्न होती हैं; अतः, कोई भी दो-बॉडी ऑपरेटर (जो अधिकतम दो मोड्स को बदल सकता है) इन शाखाओं के बीच शून्य कोहेरेंस (coherence) रखता है। $\Gamma^{(2)}_{\text{in}}$ के विकर्ण तत्व मोड इंडिसेस के आधार पर स्पष्ट रूप से गणनीय स्थिरांक ( $1/2$ , $1/4$ , या $0$) हैं।
नियत प्रसार (Deterministic Propagation): इनपुट $\Gamma^{(2)}_{\text{in}}$ की विकर्ण प्रकृति और रैखिक प्रसार नियम को जोड़कर, लेखक आउटपुट कोरिलेटर्स के लिए एक क्लोज्ड-फॉर्म अभिव्यक्ति प्राप्त करते हैं। किसी भी जोड़ी $(i, j)$ के लिए एक्सपेक्टेशन वैल्यू (expectation value) को इनपुट RDM के विक्रण वेट्स (diagonal weights) को $W$ के संगत सब-मैट्रिसेस के डे टर्मिनेंट्स के स्क्वेर्ड मॉड्यूल के भार के रूप में जोड़कर परिकलित किया जाता है।

मुख्य योगदान और परिणाम

बहुपद-समय एल्गोरिदम (Polynomial-Time Algorithm): शोधपत्र पूर्ण दो-बोडी कोरिलेटर वेक्टर $q(x, \theta)$ को $O(n^4)$ समय में परिकलित करने के लिए एक नियत (deterministic) शास्त्रीय एल्गोरिदम प्रस्तुत करता है। यह जटिलता ब्लॉकों की संख्या $m$ (और इस प्रकार पैरामीटर $k$ ) से स्वतंत्र है और इनपुट स्टेट के फॉर्म-रैंक पर भी निर्भर नहीं है।
निश्चित- $r$ ऑब्जर्वेबल्स का सामान्यीकरण (Generalization to Fixed- $r$ Observables): यह कार्य किसी भी संख्या-संरक्षण करने वाले $r$ -बॉडी एक्सपेक्टेशन वैल्यू के लिए इस परिणाम को सामान्यीकृत करता है। यदि इनपुट $r$ -पार्टिकल RDM शास्त्रीय रूप से उपलब्ध है, तो आउटपुट एक्सपेक्टेशन $O(n^{2r})$ (विशेष रूप से $O(r^3 \binom{n}{r}^2)$ ) समय में गणनीय है। यदि इनपुट RDM विक्रण (diagonal) है, तो लागत $O(n^{2r})$ है।
घातीय लागत का खंडन (Refutation of Exponential Cost): लेखक यह प्रदर्शित करते हैं कि संदर्भ [1] द्वारा उद्धृत $O(2^{2k/3})$ बाउंड एक उप-इष्टतम सिमुलेशन विधि (पूर्ण गौसियन विस्तार) के उपयोग का आर्टिफैक्ट (artifact) है, न कि एक मौलिक जटिलता-सैद्धांतिक निचली सीमा (complexity-theoretic lower bound)। ट्रिपलेट-ब्लॉक रीडआउट की विशिष्ट संरचना कुशल शास्त्रीय सिमुलेशन की अनुमति देती है।

महत्व और दावे
शोधपत्र यह दावा करता है कि इसके निष्कर्ष संदर्भ [1] के उस दावे को अमान्य करते हैं जिसमें कहा गया था कि ट्रिपलेट-ब्लॉक इनपुट्स के लिए सुपरवाइज्ड टू-बॉडी रीडआउट के लिए घातीय शास्त्रीय समय की आवश्यकता होती है। विशेष रूप से:

फीचर वेक्टर की "शास्त्रीय रूप से अप्राप्य" प्रकृति समाप्त हो जाती है; वेक्टर और उसके ग्रेडिएंट्स को कुशलतापूर्वक परिकलित किया जा सकता है।
यह निष्कर्ष कि "एक्सपेक्टेशन-वैल्यू हार्डनेस" इन विशिष्ट मॉडलों के लिए शास्त्रीय सिमुलेशन के लिए एक बाधा को दर्शाता है, उलट दिया गया है।
ये परिणाम संदर्भ [1] के अन्य निष्कर्षों को प्रभावित नहीं करते हैं, जैसे कि ग्रेडिएंट वेरिएंस, बैरन प्लेटो (barren plateaus), पैरामीटर-शिफ्ट रूल्स, या सैंपलिंग हार्डनेस। सैंपलिंग हार्डनेस बनी रहती है क्योंकि पूर्ण आउटपुट प्रोबेबिलिटीज (probabilities) उन कोरिलेशन पर निर्भर करती हैं जिनका बॉडी ऑर्डर सिस्टम के आकार के साथ बढ़ता है, जिन्हें फिक्स्ड- $r$ RDMs द्वारा कैप्चर नहीं किया जा सकता है।

संदर्भ संबंधी नोट
लेखक नोट करते हैं कि संदर्भ [1] के संस्करण 2 (20 अगस्त, 2026 को पोस्ट किया गया) ने बाद में ट्रिपलेट एनकोडिंग और संबंधित एक्सपेक्टेशन-वैल्यू हार्डनेस दावों को हटा दिया, जो एक सामान्य रूप में फिक्स्ड-बॉडी सिमुलेबिलिटी परिणाम को स्वीकार करता है। यह शोधपत्र उस संशोधन के लिए तकनीकी औचित्य के रूप में कार्य करता है।

इसी तरह के और पेपर