⚛️ quantum physics

Sample-optimal learning of stabilizer states

यह शोध पत्र $n$ -qubit स्टेबलाइज़र अवस्थाओं (stabilizer states) और क्लिफ़ोर्ड यूनिटरीज (Clifford unitaries) को सीखने के लिए सटीक सैंपल कॉम्प्लेक्सिटी बाउंड्स स्थापित करता है, जो एक विशिष्ट एबेलियन समूह (abelian group) पर फूरियर विश्लेषण का उपयोग करके इन इष्टतम बाउंड्स को प्राप्त करने वाला एक बहुपद-समय क्वांटम एल्गोरिदम प्रस्तुत करता है।

मूल लेखक: Rebecca Chang, Matthias C. Caro, Martin Larocca, Maxwell West

प्रकाशित 2026-09-11

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Rebecca Chang, Matthias C. Caro, Martin Larocca, Maxwell West

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 विचित्र दुनिया में, सूचना उन कणों में संग्रहीत होती है जो एक साथ कई अवस्थाओं में मौजूद हो सकते हैं। इस जटिलता को समझने के लिए, वैज्ञानिक अक्सर स्टेबलाइजर अवस्थाओं (stabilizer states) नामक एक विशेष परिवार पर भरोसा करते हैं। ये केवल यादृच्छिक विन्यास नहीं हैं; वे अत्यधिक संरचित और गणितीय रूप रूप से पूर्वानुमेय हैं, जो उन्हें क्वांटम त्रुटि सुधार (quantum error correction) का कार्यबल और क्वांटम डेटा से मशीनें कैसे सीखती हैं, इसे समझने के लिए एक प्राथमिक परीक्षण मामला बनाते हैं। शोधकर्ताओं के लिए केंद्रीय चुनौती हमेशा दक्षता रही है: एक कंप्यूटर को किसी अज्ञात क्वांटम अवस्था की पहचान करने के लिए कितनी प्रतियों (copies) की जांच करने की आवश्यकता है? दशकों तक, यह ज्ञात था कि आवश्यक प्रतियों की संख्या शामिल कणों की संख्या के सीधे अनुपात में बढ़ती है, लेकिन सटीक गुणक—वह सटीक स्थिरांक कारक जो निर्धारित करता है कि वास्तव में कितने नमूने आवश्यक हैं—एक रहस्य बना रहा।

शोधकर्ताओं की एक टीम ने अब इस पहेली को सुलझा लिया है, यह सिद्ध करते हुए कि सबसे कुशल विधि के लिए प्रत्येक कण के लिए ठीक एक प्रति, और त्रुटि की संभावना को ध्यान में रखने के लिए डेटा की एक छोटी, निश्चित मात्रा की आवश्यकता होती है। अपने अध्ययन में, उन्होंने प्रदर्शित किया कि n कणों से बनी किसी भी अज्ञात स्टेबलाइजर अवस्था की पहचान करने के लिए, एक क्वांटम प्रक्रिया को n प्रतियों से अधिक, और उपयोगकर्ता कितना आश्वस्त होना चाहता है, इस पर निर्धारित अतिरिक्त प्रतियों की एक छोटी संख्या की आवश्यकता होती है। यह निष्कर्ष सिद्धांत और व्यवहार के बीच के अंतर को पाट देता है, यह दिखाते हुए कि दक्षता की सैद्धांतिक सीमा केवल एक गणितीय आदर्श नहीं है बल्कि कुछ ऐसा है जिसे एक वास्तविक, कामकाजी एल्गोरिदम द्वारा प्राप्त किया जा सकता है। शोधकर्ताओं ने केवल यह सुझाव नहीं दिया कि यह संभव है; उन्होंने एक विशिष्ट, चरण-दर-चरण क्वांटम प्रक्रिया का निर्माण किया जो उचित समय में इस सीमा को प्राप्त करती है, प्रभावी रूप से यह सिद्ध करते हुए कि कोई भी विधि कभी भी काफी अधिक कुशल नहीं हो सकती।

इस खोज की यात्रा समस्या को सरल बनाकर शुरू हुई। शोधकर्ताओं ने महसूस किया कि सभी स्टेबलाइजर अवस्थाएं समान रूप से सीखने में आसान नहीं होती हैं; कुछ "फुल रैंक" (full rank) होती हैं, जिसका अर्थ है कि उनमें एक समृद्ध, जटिल संरचना होती है जो सभी संभावित विन्यासों को व्याप्त करती है, जबकि अन्य सरल और अधिक प्रतिबंधित होती हैं। सामान्य मामले से निपटने के लिए, उनके एल्गोरिदम ने पहले अज्ञात अवस्था पर एक यादृच्छिक रूपांतरण (random transformation) लागू किया। यह चरण ताश की गड्डी को फेंटने जैसा काम करता है; यह सुनिश्चित करता है कि अवस्था उच्च संभावना के साथ "फुल रैंक" हो जाए, जिससे वह एक विशिष्ट प्रकार के विश्लेषण के योग्य बन सके। यदि अवस्था फेंटने के बाद विश्लेषण के लिए बहुत सरल होती है, तो प्रक्रिया को एक नए यादृच्छिक रूपांतरण के साथ तब तक दोहराया जाता है जब है तक कि एक उपयुक्त संस्करण न मिल जाए। यह प्रारंभिक फ़िल्टरिंग चरण महत्वपूर्ण है क्योंकि यह एक अव्यवस्थित, कठिन समस्या को एक स्वच्छ, संरचित समस्या में बदल देता है जिसे बाकी एल्गोरिदम संभाल सकता है।

एक बार जब अवस्था इस अनुकूल रूप में आ जाती है, तो शोधकर्ता 'आइसोटिपिक कम्प्रेशन' (isotypic compression) नामक तकनीक का उपयोग करते हैं। कल्पना करें कि क्वांटम अवस्था डेटा बिंदुओं का एक विशाल संग्रह है जो एक परिदृश्य में बिखरे हुए हैं। एल्गोरिदम इन बिंदुओं को साझा गणितीय गुणों के आधार पर समूहित करता है, प्रभावी रूप से उस विशाल परिदृश्य को एक बहुत छोटे, प्रबंधनीय मानचित्र में सिकोड़ देता है। यह संपीड़न प्रक्रिया का सबसे तकनीकी रूप से कठिन हिस्सा है, जिसके लिए क्वांटम कंप्यूटर को जटिल ऑपरेशन करने की आवश्यकता होती है जो आवश्यक जानकारी को सुरक्षित रखते हुए अनावश्यकता (redundancy) को हटा देते हैं। ऐसा करके, एल्गोरिदम विशाल क्वांटम डेटा को एक एकल, संक्षिप्त प्रतिनिधित्व में कम कर देता है जो अभी भी अवस्था की पहचान की कुंजी रखता है।

डेटा संकुचित होने के बाद, शोधकर्ता 'फूरियर ट्रांसफॉर्म' (Fourier transform) करते हैं, जो एक गणितीय ऑपरेशन है जो प्रकाश के प्रिज्म की तरह कार्य करता है, जो क्वांटम सूचना के प्रकाश को उसके घटक रंगों में विभाजित करता है। इस संदर्भ में, "रंग" वे विशिष्ट गणितीय लेबल हैं जो अवस्था को परिभाषित करते हैं। चूंकि अवस्था को विशेष फुल-रैंक रूप में तैयार किया गया था, यह रूपांतरण उन सटीक लेबल को प्रकट करता है जो उच्च संभावना के साथ मूल अवस्था के पुनर्निर्माण के लिए आवश्यक हैं। एल्गोरिदम इन लेबल को मापता है, और उनसे, यह मूल क्वांटम अवस्था के पूर्ण विवरण को गणितीय रूप से पुनर्गठित कर सकता है। पूरी प्रक्रिया इस तरह से डिज़ाइन की गई है कि विफलता की संभावना अत्यंत कम है, और यदि एल्गोरिदम विफल होता है, तो यह केवल इसलिए होता है क्योंकि प्रारंभिक यादृच्छिक शफल ने एक उपयुक्त अवस्था उत्पन्न नहीं की थी, ऐसी स्थिति में प्रक्रिया बस फिर से शुरू हो जाती है।

इस कार्य का महत्व केवल क्वांटम अवस्थाओं की पहचान करने तक ही सीमित नहीं है। चोई-जैमियोल्स्की आइसोमोर्फिज्म (Choi-Jamiolkowski isomorphism) नामक एक गहरे गणितीय संबंध के कारण, एक स्टेबलाइजर अवस्था को सीखने की क्षमता सीधे तौर पर यह सीखने की क्षमता में परिवर्तित हो जाती है कि एक विशिष्ट प्रकार की क्वांटम मशीन, जिसे क्लिफोर्ड यूनिटरी (Clifford unitary) कहा जाता है, कैसे कार्य करती है। शोधकर्ताओं ने दिखाया कि उनके तरीके का उपयोग क्लिफोर्ड मशीनों के व्यवहार को सीखने के लिए कणों की संख्या के ठीक दोगुने क्वेरीज़ (queries), और एक छोटे स्थिरांक के साथ किया जा सकता है। यह पिछले तरीकों की तुलना में एक बड़ा सुधार है, जिन्हें समान निश्चितता प्राप्त करने के लिए काफी अधिक नमूनों की आवश्यकता थी। शोध पत्र स्पष्ट रूप से सिद्ध करता है कि क्लिफोर्ड लर्निंग के लिए कणों की संख्या (n) पर निर्भरता इष्टतम है; हालाँकि, यह प्रश्न कि विफलता की संभावना ( $\delta$ ) पर निर्भरता को और बेहतर बनाया जा सकता है या नहीं, खुला है, जिसका अर्थ है कि इस विशिष्ट मामले के लिए नमूनों की पूर्ण न्यूनतम संख्या को अभी भी परिष्कृत किया जा सकता है।

लेखकों ने उनकी खोज के व्यावहारिक पक्ष को भी संबोधित किया, यह गणना करते हुए कि विभिन्न स्तरों के विश्वास के लिए कितने प्रतियों की आवश्यकता है। उन्होंने पाया कि एक-आठवें से कम विफलता की संभावना के लिए, आवश्यक प्रतियों की संख्या कणों की संख्या प्लस विफलता की संभावना के व्युत्क्रम (inverse) का लघुगणक (logarithm), प्लस या माइनस एक बहुत छोटा पूर्णांक है। यह सटीक सूत्र इंजीनियरों और वैज्ञानिकों के लिए एक स्पष्ट रोडमैप प्रदान करता है जो क्वांटम सिस्टम बना रहे हैं, उन्हें यह बताता है कि सफलता की गारंटी देने के लिए उन्हें कितना डेटा एकत्र करने की आवश्यकता है। हालांकि एल्गोरिदम के लिए एक साथ सभी प्रतियों पर जटिल, सामूहिक माप (collective measurements) करने की क्षमता की आवश्यकता होती है—जो वर्तमान हार्डवेयर के साथ लागू करना एक तकनीकी चुनौती है—सैद्धांतिक परिणाम फिर भी अडिग है: कणों की संख्या के संबंध में इष्टतम दक्षता एक प्रति प्रति कण है, और इस सीमा को प्राप्त कर लिया गया है।

यह कार्य क्वांटम लर्निंग की प्रकृति के बारे में नए प्रश्न भी खोलता है। शोधकर्ताओं ने नोट किया कि उनकी रणनीति एक विशिष्ट गणितीय संरचना पर निर्भर करती है जो अन्य समूहों और निरूपणों (representations) के लिए सामान्यीकृत हो सकती है, जो यह सुझाव देती है कि अन्य प्रकार की क्वांटम समस्याओं के लिए समान कुशल शिक्षण विधियाँ मौजूद हो सकती हैं। उन्होंने यह भी रेखांकित किया कि जबकि उनका तरीका सामान्य स्टेबलाइजर अवस्थाओं के लिए इष्टतम है, यदि कोई थोड़ा उच्च विफलता दर स्वीकार करने को तैयार है, तो क्लिफोर्ड मशीनों के विशिष्ट मामले में सीखने के लिए सुधार की गुंजाइश हो सकती है, हालांकि कणों की संख्या के संबंध में मुख्य दक्षता अपराजेय रहती है। एक ठोस, बहुपद-समय (polynomial-time) एल्गोरिदम प्रदान करके जो सैद्धांतिक निचली सीमा को संतुष्ट करता है, टीम ने एक लंबे समय से चले आ रहे सैद्धांतिक प्रश्न को एक हल की गई समस्या में बदल दिया है, जो क्वांटम अवस्था पहचान के लिए एक स्पष्ट और कुशल मार्ग प्रदान करता है।

तकनीकी सारांश: स्टेबलाइजर अवस्थाओं का सैंपल-ऑप्टिमल लर्निंग

समस्या विवरण
यह शोध पत्र एक अज्ञात शुद्ध $n$ -quibit स्टेबलाइजर अवस्था $|\psi\rangle$ को सीखने की मौलिक समस्या को संबोधित करता है। यह स्थापित है कि ऐसी अवस्थाओं को सीखने के लिए $n$ के रैखिक (linear) अनुपात में प्रतियों की आवश्यकता होती है (विशेष रूप से $O(n)$ ), लेकिन इस स्केलिंग के सटीक स्थिरांक गुणांक (constant coefficient) का निर्धारण अभी तक अनिश्चित रहा है। पूर्ववर्ती एल्गोरिदम, जैसे कि आरोंसन और गोट्समैन या मोंटानारो द्वारा विकसित, रैखिक स्केलिंग तो प्राप्त करते हैं लेकिन बड़े स्थिरांक गुणांकों (उदाहरण के लिए, $3n$ या $2n$ प्रतियां प्लस लॉगरिदमिक पद) की आवश्यकता होती है। केंद्रीय प्रश्न यह है: किसी भी स्टेबलाइजर अवस्था को विफलता की प्रायिकता $\delta$ के साथ पहचानने के लिए आवश्यक $L_\delta(n)$ प्रतियों की सटीक न्यूनतम संख्या क्या है?

कार्यप्रणाली
लेखक एक ऊपरी (upper) और निचली (lower) सीमा पर दोनों के लिए एक रचनात्मक प्रमाण प्रस्तुत करते हैं, जो एक नवीन दृष्टिकोण का उपयोग करता है जो पिछले बेल सैंपलिंग (Bell sampling) या हिडन सबग्रुप (hidden subgroup) विधियों से भिन्न है।

ऊपरी सीमा एल्गोरिदम (Upper Bound Algorithm):
प्रस्तावित एल्गोरिदम चार मुख्य चरणों में आगे बढ़ता है:

फुल-सपोर्ट (Full-Support) में न्यूनीकरण: एल्गोरिदम पहले सामान्य लर्निंग समस्या को "फुल-रैंक" स्टेबलाइजर अवस्थाओं को सीखने में बदल देता है। अवस्था की $t$ प्रतियों के टेंसर उत्पाद पर एक रैंडम क्लिफोर्ड यूनिटरी $C$ लागू करके, एल्गोरिदम संभाव्यता के आधार पर अवस्था को कम्प्यूटेशनल बेसिस के माध्यम से फुल सपोर्ट वाली अवस्था में मैप करता है। एक रिवर्सिबल टेस्ट यह जांचता है कि क्या बेसिस स्ट्रिंग्स का एफ़ाइन रैंक $n$ है; यदि नहीं, तो प्रक्रिया को एक नए रैंडम क्लिफोर्ड के साथ दोहराया जाता है।
आइसोटिपिक संपीड़न (Isotypic Compression): एक बार फुल-रैंक अवस्था $|\phi_{\alpha, \beta}\rangle$ प्राप्त हो जाने के बाद, इसे अबेलियन समूह $\Upsilon \cong \mathbb{Z}_4^n \times \mathbb{F}_2^{n(n-1)/2}$ के ऑर्बिट के रूप में व्यक्त किया जाता है। एल्गोरिदम हैमिंग वेट और कम्प्यूटेशनल बेसिस स्ट्रिंग्स के आंतरिक उत्पादों के आधार पर एक "कैरेक्टर" $h(x)$ की गणना करता है। इसके बाद, यह प्रत्येक आइसोटिपिक घटक (वे अवस्थाएं जो समान $h$ साझा करती हैं) को एक एकल बेसिस स्टेट में मैप करके अवस्था को सुसंगत रूप से (coherently) संकुचित करता है, जिससे प्रभावी रूप से सिस्टम $\Upsilon$ के ग्रुप अलजेब्रा में बदल जाता है।
फूरियर ट्रांसफॉर्म (Fourier Transform): समूह $\Upsilon$ पर एक इनवर्स क्वांटम फूरियर ट्रांसफॉर्म (QFT) किया जाता है। यह चरण उन मापदंडों $(\alpha, \beta)$ को निकालता है जो अवस्था की क्वाड्रेटिक फेज (quadratic phase) को परिभाषित करते हैं।
टेब्लो पुनर्निर्माण (Tableau Reconstruction): प्राप्त मापदंडों $(\alpha, \beta)$ और ज्ञात रैंडम क्लिफोर्ड $C$ का उपयोग करके, एल्गोरिदम शास्त्रीय रूप से मूल अवस्था के स्टेबलाइजर टेब्लो का पुनर्निर्माण करता है।

निचली सीमा प्रमाण (Lower Bound Proof):
निचली सीमा स्थापित करने के लिए, लेखक लर्निंग समस्या को फुल-सपोर्ट क्वाड्रेटिक-फेज अवस्थाओं के उपसमुच्चय तक सीमित करते हैं। वे "प्रिटी गुड मेजरमेंट्स" (pretty good measurements) के सिद्धांत की तकनीकों का उपयोग करते हैं और $t$ प्रतियों के मापन परिणामों के वितरण और यूनिफॉर्म वितरण के बीच हेलिंगर ओवरलैप (Hellinger overlap) का विश्लेषण करते हैं। ड्यूल ग्रुप $\hat{\Upsilon}$ पर एक विशिष्ट वास्तविक-मान वाले फलन का निर्माण करके, वे प्रदर्शित करते हैं कि यदि $t < n + \log_2(1/\delta) - O(1)$ है, तो वितरण अलग किए जा सकते हैं, जिसका अर्थ है कि सीखने की सफलता की प्रायिकता 1 से कम रहती है।

मुख्य परिणाम
यह शोध पत्र $L_\delta(n)$ के लिए टाइट बाउंड्स स्थापित करता है, जो किसी भी $n$ -qubit स्टेबलाइजर अवस्था को विफलता की प्रायिकता $\delta$ (जहाँ $0 < \delta < 1/8$ ) के साथ पहचानने के लिए आवश्यक न्यूनतम प्रतियों की संख्या है:

$n + \lceil \log_2(1/\delta) \rceil - 3 \leq L_\delta(n) \leq n + \lceil \log_2(1/\delta) \rceil + 4$

लीडिंग कोएफिशिएंट की इष्टतमता (Optimality of the Leading Coefficient): परिणाम सिद्ध करते हैं कि सैंपल कॉम्प्लेक्सिटी में इष्टतम लीडिंग कोएफिशिएंट ठीक एक है। एल्गोरिदम पिछले तरीकों (जैसे मोंटानारो का बेल सैंपलिंग) की तुलना में एक स्थिरांक-कारक सुधार प्राप्त करता है (उदाहरण के लिए, आवश्यकता को $\approx 3n$ से घटाकर $\approx n$ करना)।
एल्गोरिदम की दक्षता: ऊपरी सीमा एक बहुपद-समय (polynomial-time) क्वांटम एल्गोरिदम द्वारा प्राप्त की जाती है जिसका रनटाइम $O(n(n + \log(1/\delta))^4)$ है।
क्लिफोर्ड यूनिटरी लर्निंग: चोई-जामियोलकोव्स्की आइसोमोर्फिज्म (Choi-Jamiolkowski isomorphism) के माध्यम से एक कोरोलरी के रूप में, लेखक $2n + \lceil \log_2(1/\delta) \rceil + 4$ फॉरवर्ड क्वेरीज का उपयोग करके एक अज्ञात $n$ -qubit क्लिफोर्ड यूनिटरी को सीखने के लिए एक एल्गोरिदम व्युत्पन्न करते हैं। वे प्रदर्शित करते हैं कि इस परिणाम की $n$ -डिपेंडेंस इष्टतम है।

महत्व और दावे
लेखक दावा करते हैं कि यह कार्य स्टेबलाइजर अवस्थाओं के सीखने की सटीक सैंपल कॉम्प्लेक्सिटी को हल करता है, जो क्वांटम लर्निंग थ्योरी में एक लंबे समय से खुला प्रश्न रहा है। इस कार्य का महत्व निम्नलिखित में निहित है:

सटीक लक्षण वर्णन: यह निर्धारित करना कि सैंपल कॉम्प्लेक्सिटी $n + O(\log(1/\delta))$ है जिसका लीडिंग कोएफिशिएंट 1 है, जो सूचनात्मक रूप से (information-theoretically) इष्टतम है।
नवीन तकनीक: अबेलियन समूह $\mathbb{Z}_4^n \times \mathbb{F}_2^{n(n-1)/2}$ पर फूरियर विश्लेषण का उपयोग करने वाला प्रमाण तकनीक, पूर्ववर्ती दृष्टिकोणों से गुणात्मक रूप से भिन्न है और इसमें अन्य क्वांटम लर्निंग समस्याओं के लिए प्राकृतिक सामान्यीकरण की क्षमता है।
संसाधन दक्षता: प्रस्तावित एल्गोरिदम ज्ञात दृष्टिकोणों (जैसे मोंटानारो का बेल सैंपलिंग) की तुलना में सैंपल कॉम्प्लेक्सिटी में एक स्थिरांक-कारक सुधार करता है, जिससे समान विश्वास स्तर प्राप्त करने के लिए कम अवस्थाओं की आवश्यकता होती है।

शोध पत्र सीमाओं को नोट करता है, विशेष रूप से यह कि एल्गोरिदम सभी इनपुट प्रतियों पर सुसंगत सामूहिक मापन (coherent collective measurements) पर निर्भर करता है। यह एक खुला प्रश्न बना हुआ है कि क्या एक बार में निश्चित संख्या में प्रतियों तक सीमित मापन के साथ भी समान इष्टतम सैंपल कॉम्प्लेक्सिटी प्राप्त की जा सकती है। इसके अतिरिक्त, जबकि क्लिफोर्ड यूनिटरीज़ को सीखने के लिए $n$ -डिपेंडेंस इष्टतम है, $\delta$ -डिपेंडेंस को विशिष्ट $\delta$ के लिए संभावित रूप से सुधारा जा सकता है।

इसी तरह के और पेपर