⚛️ quantum physics

Learning Sparse Quantum States

यह शोध पत्र $k$ -स्पार्स $n$ -qubit शुद्ध क्वांटम अवस्थाओं को सीखने के लिए पहला निकट-इष्टतम (near-optimal) एल्गोरिदम प्रस्तुत करता है, जो $\tilde{O}(k/\varepsilon)$ सैंपल और $\tilde{O}(kn/\varepsilon)$ समय जटिलता के साथ उच्च-सटीकता पुनर्निर्माण प्राप्त करता है, और इन परिणामों को निकट-इष्टतम सैंपल जटिलता के साथ $k$ -स्पार्स रैंक- $r$ मिश्रित अवस्थाओं तक विस्तारित करता है।

मूल लेखक: Aniruddha Sen

प्रकाशित 2026-09-14

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Aniruddha Sen

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, सूचना की सबसे बुनियादी इकाई वह बिट नहीं है जो शून्य या एक होता है, बल्कि एक क्वांटम अवस्था (स्टेट) है जो एक साथ कई संभावनाओं के जटिल मिश्रण में रह सकती है। यह समझने के लिए कि एक क्वांटम प्रणाली वास्तव में क्या कर रही है, वैज्ञानिकों को टोमोग्राफी नामक एक प्रक्रिया करनी पड़ती है, जो अनिवार्य रूप से इसे कई बार मापकर अदृश्य अवस्था की एक पूर्ण तस्वीर लेने जैसा है। इस कार्य की कठिनाई हमेशा यह रही है कि जैसे-जैसे प्रणाली का आकार बढ़ता है, संभावनाओं की संख्या विस्फोटक रूप से बढ़ती जाती है; केवल कुछ दर्जन कणों वाली प्रणाली के लिए भी, संभावित विन्यासों की संख्या इतनी विशाल है कि उन सभी को मापने में ब्रह्मांड की आयु से भी अधिक समय लग जाएगा। हालांकि, प्रकृति में दिखने वाली या प्रयोगशालाओं में बनाई जाने वाली कई क्वांटम प्रणालियाँ पूरी तरह से यादृच्छिक (रैंडम) नहीं होती हैं। वे अक्सर "स्पार्स" (विरल) होती हैं, जिसका अर्थ है कि भले ही उनमें बड़ी संख्या में अवस्थाओं में होने की क्षमता हो, वे वास्तव में उनमें से केवल एक बहुत ही विशिष्ट और छोटी संख्या में ही रहती हैं। शोधकर्ताओं के लिए चुनौती इन स्पार्स अवस्थाओं के विवरण को तेजी से सीखने का तरीका खोजने की रही है, ताकि उन्हें उन खाली स्थानों को मापने में समय बर्बाद न करना पड़े जहाँ कुछ भी मौजूद नहीं है।

टेक्सास विश्वविद्यालय, ऑस्टिन के एक शोधकर्ता ने अब इन स्पार्स क्वांटम अवस्थाओं के एक विस्तृत वर्ग के लिए इस समस्या को हल कर दिया है। उन्होंने एक नई विधि विकसित की है जो उच्च सटीकता के साथ एक क्वांटम अवस्था की संरचना को सीख सकती है, जिसमें मापों की संख्या सीधे उस छोटे समूह के आकार के समानुपाती होती है जिसका सिस्टम वास्तव में उपयोग करता है, न कि सिस्टम के कुल आकार के। व्यावहारिक रूप से, यदि दस लाख संभावित विन्यासों वाली एक क्वांटम प्रणाली केवल एक हजार का उपयोग कर रही है, तो यह नया एल्गोरिदम इसे उस हजार से संबंधित चरणों के साथ सीख सकता है, न कि दस लाख के साथ। यह पिछली विधियों की तुलना में एक नाटकीय सुधार है, जो इस प्रणाली के साथ वैसा ही व्यवहार करती थीं जैसे कि वह किसी भी दस लाख अवस्थाओं में हो सकती है, जिसके लिए घातीय (एक्सपोनेंशियल) रूप से अधिक समय और संसाधनों की आवश्यकता होती थी। शोधकर्ता ने सिद्ध किया कि उनकी विधि 'प्योर' (शुद्ध) क्वांटमान अवस्थाओं के लिए काम करती है, जो सबसे सरल प्रकार हैं, और उन्होंने इस तर्क को अधिक जटिल 'मिक्सड' (मिश्रित) अवस्थाओं तक भी विस्तारित किया, जो वास्तविक दुनिया के शोर वाले वातावरण में आम हैं।

उनकी खोज का मूल आधार यह है कि वे सूचना को कैसे संभालते हैं। संभावनाओं के पूरे परिदृश्य को मैप करने के बजाय, एल्गोरिदम पहले उस छोटे, सक्रिय क्षेत्र की पहचान करता है जहाँ क्वांटम अवस्था वास्तव में निवास करती है। एक बार जब यह छोटा सक्रिय समूह मिल जाता है, तो शोधकर्ता उनके बीच के संबंधों को समझने के लिए एक चतुर रणनीति का उपयोग करते हैं। वे सक्रिय अवस्थाओं को मानचित्र पर बिंदुओं की तरह मानते हैं और यादृच्छिक समूहों का निर्माण करके उनके बीच के संबंधों को समझते हैं। इन समूहों के बीच होने वाली अंतःक्रिया को मापकर, वे अवस्थाओं के सापेक्ष "फेज" (चरण) का पता लगा सकते हैं, जो वे सूक्ष्म समय अंतराल (टाइमिंग डिफरेंस) हैं जो क्वांटम अवस्था की पहचान को परिभाषित करते हैं। यह प्रक्रिया परतों में दोहराई जाती है, जिससे यह सुनिश्चित होता है कि प्रत्येक सक्रिय अवस्था एक ज्ञात संबंधों की छोटी श्रृंखला के माध्यम से एक केंद्रीय संदर्भ बिंदु से जुड़ी हुई है। चूंकि सक्रिय अवस्थाओं की संख्या कम है, इसलिए उन्हें सभी को जोड़ने के लिए आवश्यक चरणों की संख्या प्रबंधनीय रहती है, भले ही सिस्टम बड़ा हो।

शोधकर्ता ने प्रदर्शित किया कि यह दृष्टिकोण न केवल तेज़ है, बल्कि अवस्था की प्रतियों (कॉपीज़) की संख्या के मामले में भी कुशल है। उच्च स्तर की सटीकता के साथ एक अवस्था को सीखने के लिए, एल्गोरिदम को नमूनों (सैंपल्स) की ऐसी संख्या की आवश्यकता होती है जो सक्रिय समूह के आकार और वांछित सटीकता के समानुपाती हो, जिसमें कुल कणों की संख्या से संबंधित केवल एक छोटा ओवरहेड शामिल है। इसका अर्थ है कि यह विधि लगभग उतनी ही तेज़ है जितनी कि भौतिकी के नियम इस प्रकार की समस्या के लिए सैद्धांतिक रूप से अनुमति देते हैं। शोधकर्ता ने यह भी दिखाया कि उनकी तकनीक मजबूत (रोबस्ट) है, जिसका अर्थ है कि यह तब भी काम कर सकती है जब क्वांटम प्रणाली थोड़ी शोर वाली हो या यदि सक्रिय समूह का सटीक आकार पहले से ज्ञात न हो। यह लचीलापन व्यावहारिक अनुप्रयोगों के लिए महत्वपूर्ण है, क्योंकि वास्तविक क्वांटम कंप्यूटर शायद ही कभी पूर्ण होते हैं और अक्सर अपनी अवस्था के बारे में अपूर्ण जानकारी के साथ काम करते हैं।

हालांकि यह विधि एक बड़ी प्रगति है, शोधकर्ता ने उल्लेख किया कि अभी भी काम किया जाना बाकी है, विशेष रूप से सबसे जटिल प्रकार की क्वांटम अवस्थाओं के लिए जिन्हें 'मिक्सड स्टेट्स' कहा जाता है। इनके लिए, वर्तमान विधि नमूनों की आवश्यकता के मामले में लगभग इष्टतम (ऑप्टिमल) है, लेकिन डेटा को संसाधित करने में लगने वाला समय अभी भी पूर्ण सैद्धांतिक न्यूनतम से अधिक है। शोधकर्ता ने इस अंतर को भविष्य के लिए एक महत्वपूर्ण खुले प्रश्न के रूप में पहचाना है, यह सुझाव देते हुए कि भविष्य में हार्डवेयर या चैनल तकनीकों में और सुधार अंततः शेष अंतर को पाट सकता है। हालाँकि, फिलहाल, यह कार्य स्पार्स प्योर स्टेट्स को सीखने के लिए पहला निकट-इष्टतम समाधान और स्पार्स मिक्सड स्टेट्स को समझने के लिए एक मजबूत आधार प्रदान करता है।

इस सफलता के कई क्षेत्रों में तत्काल प्रभाव हैं। रसायन विज्ञान, मशीन लर्निंग और क्रिप्टोग्राफी में उपयोग की जाने वाली कई महत्वपूर्ण क्वांटम अवस्थाएँ स्वाभाविक रूप से स्पार्स होती हैं, जिसका अर्थ है कि वे उपलब्ध स्थान के केवल एक छोटे से अंश में रहती हैं। उदाहरण के लिए, कणों की एक निश्चित संख्या वाली अणुओं का प्रतिनिधित्व करने वाली अवस्थाएँ या कुछ एन्क्रिप्शन योजनाओं में उपयोग की जाने वाली अवस्थाएँ इसी विवरण में आती हैं। इन अवस्थाओं को बहुत तेज़ी से सीखने की अनुमति देकर, नया एल्गोरिदम दवा की खोज (ड्रग डिस्कवरी) और सामग्री विज्ञान के लिए क्वांटम सिमुलेशन के विकास को गति दे सकता है। यह कुछ क्वांटम क्रिप्टोग्राफिक प्रोटोकॉल की सुरक्षा को भी मजबूत करता है क्योंकि यह दिखाता है कि यदि कोई अवस्था स्पार्स है, तो उसे कुशलतापूर्वक सीखा जा सकता है, जो यह परिभाषित करने में मदद करता है कि एक हमलावर संभावित रूप से क्या कर सकता है। इन अवस्थाओं को कम संसाधनों और कम समय के साथ सीखने की क्षमता क्वांटम कंप्यूटरों के व्यावहारिक अनुप्रयोग को वास्तविकता के करीब लाती है, जिससे एक सैद्धांतिक संभावना एक मूर्त उपकरण में बदल जाती है जिससे क्वांटम दुनिया की खोज की जा सकती है।

तकनीकी सारांश: स्पार्स क्वांटम अवस्थाओं को सीखना (Learning Sparse Quantum States)

समस्या विवरण (Problem Statement)
यह शोध पत्र $k$ -स्पार्स (k-sparse) क्वांटम अवस्थाओं के लिए क्वांटम स्टेट टोमोग्राफी (quantum state tomography) की समस्या को संबोधित करता है। जबकि शास्त्रीय वितरण सीखने वाले एल्गोरिदम (classical distribution learning algorithms) $k$ -स्पार्स वितरणों के लिए सपोर्ट आकार $k$ के साथ कुशलतापूर्वक स्केल करते हैं, मानक क्वांटम स्टेट टोमोग्राफी एल्गोरिदम आम तौर पर पूर्ण हिल्बर्ट स्पेस आयाम ( $2^n$ ) या डेंसिटी मैट्रिक्स के रैंक के साथ स्केल करते हैं, चाहे वह अवस्था एक निश्चित आधार (विशेष रूप से कम्प्यूटेशनल बेसिस) में स्पार्स संरचना रखती हो या नहीं। लेखक इस अंतर को पाटने के लिए एल्गोरिदम विकसित करने का लक्ष्य रखते हैं जिनके सैंपल और समय की जटिलता (sample and time complexity) $2^n$ के घातीय आयाम के बजाय स्पार्सिटी $k$ (और मिश्रित अवस्थाओं के लिए रैंक $r$ ) के साथ लगभग रैखिक (near-linearly) रूप से स्केल करती है।

कार्यप्रणाली (Methodology)
यह शोध पत्र स्पार्स अवस्थाओं को सीखने के लिए एक एकीकृत दृष्टिकोण प्रस्तुत करता है, जो फेज अवस्थाओं (phase states) से शुरू होकर सामान्य शुद्ध अवस्थाओं (pure states) और अंततः मिश्रित अवस्थाओं (mixed states) तक बढ़ता है।

स्पार्स फेज अवस्थाओं को सीखना (Learning Sparse Phase States):
लेखक पहले $k$ -स्पार्स फेज अवस्थाओं को हल करते हैं, जिन्हें $|\psi\rangle = \frac{1}{\sqrt{k}}\sum_{x \in S} e^{i\theta_x}|x\rangle$ के रूप में परिभाषित किया गया है, जहाँ $|S|=k$ है। एल्गोरिदम दो चरणों में आगे बढ़ता है:

सपोर्ट की पहचान (Support Identification): सपोर्ट सेट $S$ को कम्प्यूटेशनल बेसिस में अवस्था को $O(k \log k)$ बार मापकर सीखा जाता है, जिसमें कूपन कलेक्टर तर्क (coupon collector argument) का उपयोग किया जाता है।
फेज रिकवरी (Phase Recovery): एक बार जब सपोर्ट ज्ञात हो जाता है, तो एल्गोरिदम सापेक्ष फेज (relative phases) $\theta_x$ को सीखता है। यह एक ग्राफ बनाकर किया जाता है जहाँ वर्टिकल (vertices) बेसिस अवस्थाएँ हैं और एडजेस (edges) वे सापेक्ष फेज दर्शाते हैं जिन्हें सीखा जा सकता है। लेखक $\mathbb{F}_2$ पर रैंडम लीनियर फंक्शन (हैश फंक्शन) के एक सेट का उपयोग करते हैं जो बेसिस अवस्थाओं के जोड़ों को एक ही आउटपुट पर मैप करते हैं। हैश रजिस्टर को मापने से अवस्था दो बेसिस अवस्थाओं, $|x_1\rangle + e^{i(\theta_{x_2}-\theta_{x_1})}|x_2\rangle$ के सुपरपोजिशन पर प्रोजेक्ट होती है, जिससे सिंगल-क्यूबिट टोमोग्राफी के माध्यम से सापेक्ष फेज का अनुमान लगाया जा सकता है।
ग्राफ कनेक्टिविटी (Graph Connectivity): एक प्रमुख तकनीकी योगदान यह सिद्ध करना है कि $O(\log k)$ की संख्या में रैंडम लीनियर फंक्शन एक ऐसा ग्राफ बनाने के लिए पर्याप्त हैं जिसका व्यास (diameter) $O(\log k)$ है। यह सुनिश्चित करता है कि किसी भी बेसिस अवस्था के फेज को सीखे गए सापेक्ष फेजों के एक छोटे पथ के माध्यम से एक संदर्भ अवस्था (reference state) के सापेक्ष निर्धारित किया जा सके।

सामान्य स्पार्स प्योर अवस्थाओं को सीखना (Learning General Sparse Pure States):
सामान्य $k$ -स्पार्स प्योर अवस्थाओं $|\psi\rangle = \sum_{x \in S} \sqrt{p_x}e^{i\theta_x}|x\rangle$ के लिए, जहाँ $p_x$ गैर-समान (non-uniform) हैं, लेखक शास्त्रीय वितरण सीखने वाले बकेटिंग तकनीक (bucketing technique) का उपयोग करते हैं:

प्रीप्रोसेसिंग (Preprocessing): एक शास्त्रीय वितरण सीखने वाला एल्गोरिदम सपोर्ट की पहचान करता है और बेसिस अवस्थाओं को "बकेट्स" (संभाव्यता स्तरों) में विभाजित करता है जहाँ प्रत्येक बकेट के भीतर संभाव्यता लगभग समान होती है।
बकेटेड फेज लर्निंग (Bucketed Phase Learning): फेज ग्राफ निर्माण को प्रत्येक बकेट के लिए अलग से लागू किया जाता है। वैश्विक फेज निरंतरता (global phase consistency) सुनिश्चित करने के लिए, प्रत्येक बकेट में एक सामान्य संदर्भ अवस्था (उच्चतम संभाव्यता वाली बेसिस अवस्था) शामिल की जाती है।
त्रुटि आवंटन (Error Allocation): सैंपल कॉम्प्लेक्सिटी को प्रत्येक बकेट के संभाव्यता द्रव्यमान (probability mass) के अनुपात में आवंटित किया जाता है। कम संभाव्यता वाली अवस्थाओं को कम सटीकता के साथ सीखा जाता है, जो उनके समग्र फिडेलिटी (fidelity) में योगदान के अनुरूप है, जिससे "लो-प्रोबेबिलिटी बॉटलनेक" (low-probability bottleneck) से बचा जा सके जहाँ फेज ग्राफ में एक एकल एज को अत्यधिक सैंपल्स की आवश्यकता होती।

स्पार्स मिश्रित अवस्थाओं को सीखना (Learning Sparse Mixed States):
$k$ -स्पार्स रैंक- $r$ मिश्रित अवस्थाओं के लिए, लेखक रैंडम प्यूरिफिकेशन चैनल (random purification channel) तकनीक का उपयोग करते हैं।

न्यूनीकरण (Reduction): वे एक क्वांटम चैनल का उपयोग करते हैं जो मिश्रित अवस्था $\rho$ की $m$ प्रतियों को $m$ प्रतियों वाले यूनिफॉर्म रैंडम प्यूरिफिकेशन $|\rho\rangle$ में परिवर्तित करता है।
स्पर्सिटी संरक्षण (Sparsity Preservation): यह दिखाया गया है कि यदि $\rho$ $k$ -स्पार्स है और इसका रैंक $r$ है, तो इसका रैंडम प्यूरिफिकेशन एक $kr$-स्पार्स प्योर अवस्था होता है।
एल्गोरिदम (Algorithm): इन प्यूरीफाइड सैंपल्स पर प्योर स्टेट टोमोग्राफी एल्गोरिदम को लागू करके मिश्रित अवस्था का पुनर्निर्माण किया जाता है।

प्रमुख परिणाम और जटिलता सीमाएँ (Key Results and Complexity Bounds)
यह शोध पत्र निम्नलिखित जटिलता सीमाओं को स्थापित करता है (यहाँ $k, n, 1/\epsilon$ में पॉयिलॉग (polylogarithmic) कारकों को छोड़ दिया गया है):

प्योर स्टेट्स (Pure States): एक अज्ञात $n$ -क्यूबिट $k$ -स्पार्स प्योर अवस्था के लिए, एल्गोरिदम एक अनुमानित अवस्था $|\hat{\psi}\rangle$ आउटपुट करता है जिसकी फिडेलिटी $|\langle \psi | \hat{\psi} \rangle|^2 \geq 1 - \epsilon$ है, जिसमें उपयोग होता है:
- सैंपल कॉम्प्लेक्सिटी (Sample Complexity): $\tilde{O}(k/\epsilon)$ कॉपियाँ।
- टाइम कॉम्प्लेक्सिटी (Time Complexity): $\tilde{O}(kn/\epsilon)$ ।
  ये सीमाएँ $n, k, 1/\epsilon$ के संदर्भ में पॉयिलॉग कारकों तक इष्टतम (optimal) हैं, जो $k \ll 2^n$ होने पर सामान्य टोमोग्राफी की तुलना में घातीय सुधार करती हैं।
मिश्रित अवस्थाएँ (Mixed States): एक अज्ञात $n$ -क्यूबिट $k$ -स्पार्स रैंक- $r$ मिश्रित अवस्था के लिए, एल्गोरिदम एक अनुमानित अवस्था $\hat{\rho}$ आउटपुट करता है जिसकी फिडेलिटी $F(\rho, \hat{\rho}) \geq 1 - \epsilon$ है, जिसमें उपयोग होता है:
- सैंपल कॉम्प्लेक्सिटी (Sample Complexity): $\tilde{O}(kr/\epsilon)$ कॉपियाँ।
- टाइम कॉम्प्लेक्सिटी (Time Complexity): $\text{poly}(m, n)$ , जहाँ $m$ सैंपल कॉम्प्लेक्सिटी है।
  सैंपल कॉम्प्लेक्सिटी लगभग इष्टतम है। हालाँकि, $r > 1$ के लिए टाइम कॉम्प्लेक्सिटी अभी इष्टतम नहीं है, क्योंकि यह वर्तमान में रैंडम प्यूरिफिकेशन चैनल (जो शूर ट्रांसफॉर्म (Schur transform) पर निर्भर करता है) के कार्यान्वयन द्वारा सीमित है।

महत्व और दावे (Significance and Claims)
लेखक दावा करते हैं कि यह कार्य प्रथम निकट-इष्टतम एल्गोरिदम (first near-optimal algorithm) प्रदान करता है, जो आयाम $2^n$ के बजाय सपोर्ट आकार $k$ के साथ स्केल करने वाली सैंपल और टाइम कॉम्प्लेक्सिटी प्राप्त करता है।

इष्टतमता (Optimality): प्योर स्टेट एल्गोरिदम को $n, k, 1/\epsilon$ के मापदंडों में (लॉग कारकों तक) सैंपल और टाइम दोनों रूप से इष्टतम दिखाया गया है।
पॉलीनोमियल टाइम लर्निंग (Polynomial Time Learning): परिणाम यह संकेत देते हैं कि यदि अवस्थाएँ एक कुशलतापूर्वक गणना योग्य बेसिस में स्पार्स हैं (जहाँ $k = \text{poly}(n)$ है), तो इसे सीखने के लिए पॉलीनोमियल समय में काम किया जा सकता है। यह स्टेबलाइजर स्टेट्स (stabilizer states) या मैट्रिक्स प्रोडक्ट स्टेट्स (matrix product states) से परे कुशलतापूर्वक सीखने योग्य क्वांटम अवस्थाओं के दायरे का विस्तार करता है।
मजबूती (Robustness): एल्गोरिदम शोर (noise) की छोटी मात्रा के प्रति मजबूत है और इसके लिए सटीक स्पार्सिटी पैरामीटर $k$ को इनपुट के रूप में लेने की सख्त आवश्यकता नहीं है; यह एक ऊपरी सीमा (upper bound) के साथ या डायनामिक रूप से सपोर्ट को सीखकर कार्य कर सकता है।
खुले प्रश्न (Open Questions): शोध पत्र मुख्य समस्या के रूप में मिश्रित अवस्था टोमोग्राफी के लिए एक टाइम-इष्टतम एल्गोरिदम प्राप्त करने की पहचान करता है, जो विशेष रूप से रैंडम प्यूरिफिकेशन चैनल के कार्यान्वयन में सुधार करके $k$ और $r$ के साथ कुशलतापूर्वक स्केल कर सके। यह यह भी नोट करता है कि प्योर स्टेट टाइम कॉम्प्लेक्सिटी में पॉयिलॉग कारकों को हटाना एक खुला प्रश्न बना हुआ है।

यह कार्य नए प्रयोगात्मक सेटअप या विशिष्ट अनुप्रयोगों का प्रस्ताव नहीं करता है, बल्कि विशेष वर्गों की अवस्थाओं (जैसे GHZ, W, Dicke अवस्थाएं, और स्पार्स फेज अवस्थाएं) को सीखने के सैद्धांतिक निहितार्थों और स्यूडो-रैंडम क्वांटम अवस्थाओं के सुरक्षा विश्लेषण पर केंद्रित है।

इसी तरह के और पेपर