QML for Quantum Sensing under Measurement-Induced Information Loss

तकनीकी सारांश: मापन-प्रेरित सूचना हानि के तहत क्वांटम सेंसिंग के लिए QML

समस्या विवरण
डायमंड में नाइट्रोजन-वैकेंसी (NV) केंद्र उच्च-संवेदनशीलता वाले मैग्नेटोमेट्री के लिए आशाजनक सॉलिड-स्टेट क्वांटम सेंसर हैं। हालांकि, नॉइजी इंटरमीडिएट-स्केल क्वांटम (NISQ) युग में, शोर, डिकोहेरेंस और सीमित-शॉट माप की सीमाओं के कारण सेंसिंग डेटा से विश्वसनीय जानकारी निकालना चुनौतीपूर्ण है। वर्तमान वर्कफ़्लो में एक महत्वपूर्ण बाधा मापन-प्रेरित सूचना हानि (measurement-induced information loss) है। मानक प्रोटोकॉल में, भौतिक संकेत (जैसे कि चुंबकीय क्षेत्र) को सेंसर के कोहेरेंट क्वांटम स्टेट में एनकोड किया जाता है। हालांकि, व्यावहारिक प्रयोग केवल प्रोजेक्टिव रीडआउट के बाद प्राप्त सीमित माप सांख्यिकी (finite measurement statistics) प्रदान करते हैं, जो फेज जानकारी को अपरिवर्तनीय रूप से नष्ट कर देता है और अंतर्निहित क्वांटम गतिकी को अस्पष्ट कर देता है।

यद्यपि क्वांटम मशीन लर्निंग (QML) को उच्च-आयामी क्वांटम फीचर स्पेस का लाभ उठाकर पैरामीटर अनुमान में सुधार करने के लिए अक्सर प्रस्तावित किया जाता है, यह स्पष्ट नहीं है कि प्रदर्शन में लाभ मॉडल की अभिव्यंजक शक्ति (expressive power) से आता है या मापन से पहले उपलब्ध कोहेरेंट क्वांटमान सूचना से। यह कार्य जांच करता है कि क्या QML पोस्ट-मेजरमेंट क्लासिकल डेटा तक प्रतिबंधित होने पर बनाम प्री-मेजरमेंट कोहेरेंट क्वांटम स्टेट्स तक पहुंच होने पर लाभ प्रदान करता है।

कार्यप्रणाली
लेखकों ने एक NV सेंटर-प्रेरित सिमुलेशन के भीतर चुंबकीय-क्षेत्र अनुमान को एक सुपरवाइज्ड रिग्रेशन टास्क के रूप में तैयार किया। प्रयोगात्मक पाइपलाइन में शामिल थे:

1. सेंसिंग प्रोटोकॉल: एक रामसे इंटरफेरोमेट्री अनुक्रम को सिम्युलेट किया गया जहाँ एक अज्ञात चुंबकीय क्षेत्र $B$, एक क्यूबिट जो सुपरपोजिशन स्टेट में इनिशियलाइज किया गया है, पर एक फेज शिफ्ट $\phi = \gamma B t$ प्रेरित करता है।
2. शोर मॉडलिंग (Noise Modeling): इसमें एक फेज-डैम्पिंग चैनल ($T_2 = 100 \mu s$), 10% क्लासिकल बिट-फ्लिप रीडआउट एरर, और बिनोमियल सैंपलिंग के माध्यम से मॉडल किए गए शॉट नॉइज़ जैसे यथार्थवादी प्रतिबंध लागू किए गए।
3. डेटा जनरेशन: प्रत्येक चुंबकीय क्षेत्र मान के लिए, सिस्टम कई समय बिंदुओं ($t_k \in \{5, 10, 20, 40, 60\} \mu s$) पर विकसित हुआ।
4. लर्निंग पाइपलाइन्स: डेटा उपलब्धता के प्रभाव को अलग करने के लिए दो विशिष्ट पाइपलाइन बनाई गईं:
   • क्लासिकल पाइपलाइन: मॉडल को पोस्ट-मेजरमेंट सांख्यिकी पर प्रशिक्षित किया गया। फीचर्स में पाउली ऑपरेटर्स के एक्सपेक्टेशन वैल्यूज (केवल $\langle Z \rangle$, या $\langle X \rangle, \langle Y \rangle, \langle Z \rangle$) शामिल थे जो सीमित शॉट्स से प्राप्त हुए। टेस्ट किए गए मॉडल्स में लीनियर रिज रिग्रेशन (LRR), रेडियल बेसिस फंक्शन कर्नेल रिज रिग्रेशन (RBF-KRR), और मल्टीलेयर पर्सेप्ट्रॉन्स (MLP) शामिल थे।
   • क्वांटम पाइपलाइन: मॉडल को प्री-मेजरमेंट कोहेरेंट क्वांटम स्टेट्स पर प्रशिक्षित किया गया जो डेंसिटी मैट्रिसेस ($\rho$) द्वारा दर्शाए गए हैं। इस पाइपलाइन ने एक क्वांटम कर्नेल रिज रिग्रेशन (Q-KRR) मॉडल का उपयोग किया जिसमें डेंसिटी मैट्रिसेस से सीधे गणना किया गया फिडेलिटी-आधारित कर्नेल (Uhlmann fidelity) का उपयोग किया गया।
5. तुलनात्मक बेंचमार्क:
   • ओरेकल क्वांटम कर्नेल: सटीक, शोर-मुक्त प्री-मेजरमेंट डेंसिटी मैट्रिसेस पर प्रशिक्षित होकर एक सैद्धांतिक ऊपरी सीमा (theoretical upper bound) स्थापित करने के लिए।
   • टोमोग्राफी-लिमिटेड क्वांटम कर्नेल: उन डेंसिटी मैट्रिसेस पर प्रशिक्षित जो मापे गए पाउली एक्सपेक्टेशन वैल्यूज से पुनर्गठित (reconstructed) किए गए, जो एक यथार्थवादी परिदृश्य का अनुकरण करता है जहाँ क्वांटम डेटा को क्लासिकल मेजरमेंट्स से इन्फर किया जाता है।

प्रमुख योगदान

1. बेंचमार्क फॉर्मूलेशन: लेखकों ने एक NV सेंटर-प्रेरित मैग्नेटोमेट्री के लिए एक रिग्रेशन बेंचमार्क स्थापित किया जो यथार्थवादी मापन बाधाओं के तहत मॉडल की अभिव्यक्तता (expressivity) और डेटा एक्सेसिबिलिटी के प्रभावों को स्पष्ट रूप से अलग करता है।
2. सूचना हानि का परिमाणीकरण: मापन सांख्यिकी पर प्रशिक्षित क्लासिकल मॉडल्स की तुलना कोहेरेंट स्टेट्स पर प्रशिक्षित क्वांटम मॉडल्स से करके, यह कार्य मापन-प्रेरित सूचना हानि द्वारा उत्पन्न प्रदर्शन अंतराल को मापता है।
3. सैद्धांतिक ऊपरी सीमा: यह अध्ययन क्वांटम कर्नेल रिज रिग्रेशन का उपयोग करके प्री-मेजरमेंट डेंसिटी मैट्रिसेस पर सेंसिंग प्रदर्शन के लिए एक सैद्धांतिक ऊपरी सीमा स्थापित करता है, जो उस अधिकतम संभावित सटीकता को प्रदर्शित करता है जो कोहेरेंट सूचना संरक्षित होने पर प्राप्त की जा सकती है।

परिणाम

• परफॉरमेंस गैप: ओरेकल क्वांटम कर्नेल (सटीक प्री-मेजरमेंट डेंसिटी मैट्रिसेस पर प्रशिक्षित) ने सभी मेजरमेंट-आधारित मॉडल्स की तुलना में एक लगभग स्थिर, काफी कम एरर फ्लोर ($\sim 7 \times 10^{-4} \mu T$) प्राप्त किया।
• क्लासिकल सीमाएं: पोस्ट-मेजरमेंट सांख्यिकी पर प्रशिक्षित क्लासिकल मॉडल्स (लीनियर और नॉन-लीनियर दोनों), यहाँ तक कि समृद्ध फीचर सेट्स (XYZ) और बढ़े हुए शॉट काउंट के साथ भी, सैद्धांतिक ऊपरी सीमा से काफी विचलित हुए। पेपर नोट करता है कि मेजरमेंट-आधारित मॉडल्स में अनुमान त्रुटि सैद्धांतिक ऊपरी सीमा की तुलना में "100 गुना अधिक" है, जो एक पर्याप्त प्रदर्शन घाटे का संकेत देती है।
• मॉडल कॉम्प्लेक्सिटी बनाम डेटा एक्सेस: क्लासिकल मॉडल्स की जटिलता बढ़ाने (जैसे, लीनियर से MLP की ओर जाना) से प्रदर्शन में सुधार हुआ लेकिन यह क्वांटम ओरेकल के गैप को बंद नहीं कर सका। इसके विपरीत, टोमोग्राफी-लिमिटेड क्वांटम कर्नेल (जो पुनर्गठित स्टेट्स पर निर्भर है) मजबूत क्लासिकल मॉडल्स के समान प्रदर्शन करता है, जो यह दर्शाता है कि जब कोहेरेंट सूचना सीधे सुलभ नहीं होती है, तो लाभ खो जाता है।
• प्राथमिक चालक (Primary Driver): परिणाम संकेत देते हैं कि QML-आधारित सेंसिंग में प्रदर्शन सुधार का प्राथमिक स्रोत लर्निंग मॉडल आर्किटेक्चर की अंतर्निहित अभिव्यक्तता (expressivity) के बजाय कोहेरेंट क्वांटम-स्टेट सूचना तक पहुंच है।

महत्व और दावे
पेपर निष्कर्ष निकालता है कि क्वांटम सेंसिंग में QML का संभावित लाभ केवल अधिक जटिल लर्निंग मॉडल्स डिजाइन करने का फलन (function) नहीं है। इसके बजाय, यह क्वांटम कोहेरेंस के संरक्षण और प्रत्यक्ष पहुंच से मजबूती से जुड़ा हुआ है, इससे पहले कि वह क्लासिकल मेजरमेंट आउटकम्स में कोलैप्स हो जाए।

लेखक तर्क देते हैं कि वर्तमान सेंसिंग वर्कफ़्लो, जो क्वांटम स्टेट्स को क्लासिकल स्टैटिस्टिक्स में बदलते हैं, लर्निंग परफॉरमेंस को मौलिक रूप से बाधित करते हैं। QML में पूर्ण क्षमता को साकार करने के लिए, भविष्य के आर्किटेक्चर को सेंसिंग, स्टेट प्रोसेसिंग और लर्निंग को क्वांटम डोमेन के भीतर अधिक निकटता से एकीकृत करना चाहिए। यह "क्वांटम-नेटिव" दृष्टिकोण सूचना हानि को कम करने और यथार्थवादी बाधाओं के तहत पैरामीटर अनुमान को बढ़ाने के लिए आवश्यक है। यह कार्य यह दावा नहीं करता है कि QML तुरंत सभी सेंसिंग समस्याओं को हल कर देगा, बल्कि यह रेखांकित करता है कि कोहेरेंट डेटा को संरक्षित किए बिना, क्वांटम लर्निंग के सैद्धांतिक लाभ अप्राप्य रहेंगे।