Neural networks learn to reconstruct multipartite entanglement from quantum marginals
यह शोध पत्र यह प्रदर्शित करता है कि न्यूरल नेटवर्क स्थानीय मार्जिनल्स (local marginals) से चार-क्विबिट क्वांटम अवस्थाओं को वर्गीकृत करने और पुनर्गठित करने के लिए प्रभावी ढंग से सीख सकते हैं, जो एंटैंगलमेंट संरचना और पुनर्गठनीयता के बीच के संबंध को पकड़कर एक ऐसी क्षमता है जिसे SLOCC वर्गों में सैद्धांतिक रूप से और एक शोर वाले क्वांटम प्रोसेसर पर प्रयोगात्मक रूप से मान्य किया गया है।
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 दुनिया में, संपूर्ण अक्सर अपने हिस्सों के योग से अधिक होता है, लेकिन कभी-कभी, हिस्से ही पूरी कहानी बता देते हैं। एक जटिल मशीन की कल्पना करें जहाँ आप पूरी असेंबली को नहीं देख सकते, केवल कुछ बिखरे हुए गियर और लीवर ही देख सकते हैं। क्वांटम भौतिकी में, कणों के एक तंत्र (सिस्टम) को समझने की कोशिश कर रहे वैज्ञानिकों के लिए यह एक दैनिक वास्तविकता है। वे सिस्टम के छोटे टुकड़ों को माप सकते हैं, जिन्हें स्थानीय सहसंबंध (लोकल कोरिलेशन) कहा जाता है, लेकिन पूर्ण चित्र—वैश्विक क्वांटम अवस्था (ग्लोबल क्वांटम स्टेट)—छिपा हुआ होता है। दशकों से, एक मौलिक पहेली बनी हुई है: यदि आप इन छोटे हिस्सों के बारे में पर्याप्त जानते हैं, तो क्या आप निश्चित रूप से जान सकते हैं कि पूरी मशीन कैसी दिखती है? कभी-कभी उत्तर 'हाँ' होता है, और छोटे हिस्से आपस में जुड़कर एक एकल, अद्वितीय संपूर्णता बनाते हैं। अन्य समय में, उत्तर 'नहीं' होता है, और वही छोटे हिस्से कई अलग-अलग, पूरी तरह से भिन्न मशीनों के हो सकते हैं। यह अनिश्चितता क्वांटम प्रणालियों का अध्ययन करना अविश्वसनीय रूप से कठिन बना देती है, क्योंकि प्रत्येक एकल कण का मानचित्र बनाने के लिए आवश्यक प्रयास इतनी तेजी से बढ़ता है कि यह सबसे शक्तिशाली कंप्यूटरों के लिए भी जल्द ही असंभव हो जाता है।
भारत में शोधकर्ताओं के एक दल ने अब आर्टिफिशियल इंटेलिजेंस से उधार लिए गए एक उपकरण का उपयोग करके इस अनिश्चितता से निपटने का एक तरीका खोज निकाला है। उन्होंने चार क्वांटम कणों के एक तंत्र पर ध्यान केंद्रित किया, जो आकार में इतना छोटा है कि उसका विस्तार से अध्ययन किया जा सके, लेकिन इतना बड़ा भी है कि वह जटिल व्यवहार प्रदर्शित कर सके जो इस समस्या को कठिन बनाता है। पारंपरिक गणित के साथ पहेली को सुलझाने के बजाय, जो संभावनाओं की विशाल संख्या के कारण संघर्ष करता है, उन्होंने एक न्यूरल नेटवर्क—एक प्रकार का कंप्यूटर प्रोग्राम जो उदाहरणों से सीखता है—को प्रशिक्षित किया ताकि वह छोटे टुकड़ों को देख सके और यह तय कर सके कि क्या वे पूरे को फिर से बनाने के लिए पर्याप्त हैं। शोधकर्ताओं ने पहले एक कठोर गणितीय पद्धति का उपयोग करके यह निर्धारित किया कि हजारों विभिन्न प्रकार की क्वांटम अवस्थाओं के लिए, क्या छोटे हिस्से वास्तव में एक अद्वितीय संपूर्णता को परिभाषित करते हैं। फिर उन्होंने इस ज्ञान को न्यूरल नेटवर्क में डाला, जिससे उसे उन पैटर्नों को पहचानने के लिए सिखाया गया जो एक अद्वितीय समाधान का संकेत देते हैं।
परिणामों ने इस बात का खुलासा किया कि सूचना कैसे संग्रहीत की जाती है, इसमें एक स्पष्ट पदानुक्रम (हायरार्की) है। जब शोधकर्ताओं ने नेटवर्क को तीन कणों के समूहों का डेटा दिया, तो सिस्टम लगभग हमेशा बता सका कि क्या एक अद्वितीय संपूर्णता मौजूद थी और वह इसे लगभग पूर्ण सटीकता के साथ पुनर्गठित कर सका। हालाँकि, जब उन्होंने केवल कणों के जोड़ों तक इनपुट को सीमित कर दिया, तो नेटवर्क ने अक्सर पाया कि सूचना अपर्याप्त थी, जिससे वैश्विक अवस्था संदिग्ध रह गई। यह अंतर केवल एक गणितीय जिज्ञासा नहीं है; यह इस गहरे सत्य को दर्शाता है कि क्वांटम एंटैंगमेंट (उलझाव) कैसे काम करता है। नेटवर्क ने सीखा कि कणों के बीच सबसे जटिल संबंध तीन या अधिक के संबंधों में एनकोडेड होते हैं, जबकि सरल जोड़े अक्सर पूर्ण चित्र को पकड़ने में विफल रहते हैं। अध्ययन ने दिखाया कि कुछ प्रकार की क्वांटम अवस्थाओं के लिए, छोटे हिस्से पूरे को फिर से बनाने के लिए पर्याप्त हैं, जबकि अन्य के लिए, स्थानीय डेटा का कोई भी मात्रात्मक हिस्सा कभी भी अद्वितीय वैश्विक संरचना को प्रकट नहीं कर सकता।
यह सुनिश्चित करने के लिए कि यह केवल एक कंप्यूटर सिमुलेशन नहीं था, टीम ने अपने तरीके का परीक्षण परमाणु नाभिक के चुंबकीय गुणों का उपयोग करने वाली एक वास्तविक क्वांटम प्रोसेसर पर किया, जो न्यूक्लियर मैग्नेटिक रेजोनेंस (NMR) तकनीक है, जो क्वांटम बिट्स के रूप में कार्य करती है। उन्होंने प्रयोगशाला में वास्तविक क्वांटम अवस्थाएँ तैयार कीं, छोटे टुकड़ों को मापा, और न्यूरल नेटवर्क से पूर्ण अवस्था को पुनर्गठित करने के लिए कहा। किसी भी वास्तविक दुनिया के प्रयोग में होने वाली अपरिहार्य शोर (नॉइज़) और खामियों के बावजूद, नेटवर्क ने उच्च सटीकता के साथ वैश्विक अवस्थाओं का सफलतापूर्वक पुनर्गठन किया। इसने पुष्टि की कि सिमुलेशन में नेटवर्क ने जो पैटर्न सीखे थे, वे भौतिक दुनिया में भी सत्य थे। शोधकर्ताओं ने पाया कि नेटवर्क उन अवस्थाओं के बीच अंतर भी कर सकता था जिन्हें विशिष्ट रूप से पुनर्गठित किया जा सकता था और जो नहीं किए जा सकते थे, और उसने अपने प्रयोगात्मक डेटा पर पूर्ण सटीकता के साथ ऐसा किया।
यह कार्य सुझाव देता है कि जटिल क्वांटम प्रणालियों को समझने की कुंजी यह जानने में निहित है कि सूचना के कौन से हिस्से आवश्यक हैं। कम डेटा पर प्रशिक्षण देकर, न्यूरल नेटवर्क ने उन विशिष्ट संरचनात्मक हस्ताक्षरों की पहचान करना सीख लिया जो एक वैश्विक अवस्था को अद्वितीय रूप से निर्धारित करने की अनुमति देते हैं। इसने केवल डेटा को याद नहीं किया; इसने क्वांटम मार्जिनल समस्या के अंतर्निहित नियमों को सीखा, प्रभावी रूप से उस सीमा का मानचित्रण किया जो ज्ञात और अज्ञात के बीच है। यह दृष्टिकोण क्वांटम विज्ञान के लिए एक व्यावहारिक मार्ग प्रदान करता है, जिससे शोधकर्ता प्रत्येक घटक को मापने की आवश्यकता के बिना बड़े तंत्रों के गुणों का अनुमान लगा सकते हैं। यह प्रदर्शित करता है कि भले ही ऐसी दुनिया में जहाँ सूचना अक्सर खंडित होती है, सही उपकरण पूर्ण चित्र को प्रकट कर सकते हैं, बशर्ते कि टुकड़ों में सही प्रकार का जुड़ाव हो।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।