⚛️ quantum physics

New directions in dynamical expectation estimation

यह शोध पत्र एक नवीन स्वीप एल्गोरिदम पेश करता है जिसमें युग्मित लॉस फंक्शन (coupled loss functions) हैं जो डायनेमिकल एक्सपेक्टेशन वैल्यू अनुमान में त्रुटियों को महत्वपूर्ण रूप से कम करने के लिए स्टेट और ऑब्जर्वेबल एप्रोक्सिमेशन को संयुक्त रूप से अनुकूलित करते हैं, जिससे 30-क्यूबिट रैंडम सर्किट में वेरिएशनल स्टेट कंप्रेशन की तुलना में दो से तीन क्रम अधिक सटीकता प्राप्त होती है।

मूल लेखक: Panjin Kim, Kyung Chul Jeong, Yun-Tak Oh

प्रकाशित 2026-09-17

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Panjin Kim, Kyung Chul Jeong, Yun-Tak Oh

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 क्षेत्र में, वैज्ञानिक अक्सर एक समय के बाद किसी माप (measurement) के परिणाम की भविष्यवाणी करने की आवश्यकता महसूस करते हैं। यह एक कार्य है जिसे 'एक्सपेक्टेशन वैल्यू' (expectation value) की गणना करना कहा जाता है, जो अनिवार्य रूप से यह पूछता है कि: यदि हम प्रक्रिया के बाद एक क्वांटम सिस्टम को देखें, तो हमें औसत परिणाम क्या दिखाई देगा? इस उत्तर तक पहुँचने के लिए, शोधकर्ताओं को दो चीजों को एक साथ ट्रैक करना होता है: जैसे-जैसे सिस्टम समय में आगे बढ़ता है, उसकी अवस्था (state) कैसे बदलती है, और यदि हम प्रक्रिया के अंत से पीछे की ओर देखें, तो सिस्टम के बारे में पूछे गए प्रश्न में कैसे बदलाव आता है। दशकों तक, क्लासिकल कंप्यूटरों पर इन गणनाओं को संभालने का मानक तरीका सिस्टम की अवस्था और पूछे गए प्रश्न को अलग-अलग सरल बनाना रहा है। वैज्ञानिकों ने सिस्टम के विवरण को प्रबंधनीय बनाने के लिए उसे संकुचित (compress) किया, और स्वतंत्र रूप से माप उपकरण (measurement tool) के विवरण को भी सरल बनाया, यह मानते हुए कि दोनों को पर्याप्त रूप से अच्छी तरह से करने से एक अच्छा उत्तर मिल जाएगा। हालाँकि, यह दृष्टिकोण इन दोनों हिस्सों को ऐसे मानता है जैसे वे अलग-थलग अस्तित्व में हों, और यह अनदेखा करता है कि कैसे उनके व्यक्तिगत सरलीकरण मिलकर अंतिम परिणाम में एक बड़ी त्रुटि पैदा कर सकते हैं।

कोरिया के एफ़िलिएटेड इंस्टीट्यूट ऑफ ETRI के शोधकर्ताओं की एक टीम ने इस समस्या के बारे में सोचने का एक अलग तरीका प्रस्तावित किया है। उनका तर्क है कि क्वांटम गणना को सरल बनाने का सबसे अच्छा तरीका अवस्था और माप उपकरण को एक साथ, अंतिम उत्तर को एक दिशा-सूचक (compass) के रूप में उपयोग करते हुए, निर्देशित करना है। अवस्था को मूल के जितना संभव हो सके उतना करीब रखने या माप उपकरण को मूल के जितना संभव हो सके उतना करीब रखने के बजाय, उनकी नई विधि पूछती है: "क्या यह सरल संस्करण अभी भी हमें उस विशिष्ट प्रश्न के लिए सही उत्तर देता है जिसे हम हल करने की कोशिश कर रहे हैं?" उन्होंने एक कंप्यूटर एल्गोरिदम विकसित किया जो एक क्वांटम सर्किट के माध्यम से चरण-दर-चरण आगे बढ़ता है, पहले अवस्था को अपडेट करने के लिए आगे की ओर बढ़ता है और फिर माप उपकरण को अपडेट करने के लिए पीछे की ओर बढ़ता है। प्रत्येक चरण में, एल्गोरिदम अवस्था और उपकरण दोनों को एक साथ समायोजित करता है, यह सुनिश्चित करते हुए कि एक हिस्से में होने वाली कोई भी छोटी त्रुटि दूसरे द्वारा तुरंत सुधारी जाए, विशेष रूप से अंतिम गणना को सटीक बनाए रखने के लिए।

शोधकर्ताओं ने इस नए दृष्टिकोण का परीक्षण तीस-क्यूबिट (thirty-qubit) क्वांटम सर्किट वाले जटिल सिमुलेशन पर किया, जो ऐसे सिस्टम हैं जो क्लासिकल कंप्यूटरों के लिए सटीक रूप से संभालना कठिन है। उन्होंने अपने तरीके की तुलना दो स्थापित तकनीकों से की: एक जो अकेले अवस्था को संकुचित करती है और दूसरी जो अकेले माप उपकरण को सरल बनाती है। परिणामों ने एक नाटकीय सुधार दिखाया। इन सिमुलेशन में, नए तरीके ने पारंपरिक तरीकों की तुलना में दो से तीन क्रम (orders of magnitude) अधिक छोटा त्रुटि स्तर प्रदर्शित किया, भले ही सभी तरीकों ने डेटा को स्टोर करने के लिए कंप्यूटर मेमोरी की समान मात्रा का उपयोग किया हो। इसका अर्थ है कि नया दृष्टिकोण सैकड़ों गुना अधिक सटीक था। टीम ने पाया कि अवस्था के सरलीकरण को 'ऑब्जर्वेबल' (observable) के सरलीकरण के साथ संरेखित करके, वे उन विवरणों को हटा सकते थे जो अंतिम उत्तर के लिए महत्वपूर्ण नहीं थे, जबकि उन विवरणों को बनाए रख सकते थे जो महत्वपूर्ण थे।

यह समझने के लिए कि यह कैसे काम करता है, त्रुटियों के संचय (build up) को देखें। पुराने तरीकों में, अवस्था का वर्णन करने में एक छोटी सी गलती और माप उपकरण का वर्णन करने में एक छोटी सी गलती को अलग-अलग गणना किया जाता है। जब इन दोनों को अंत में मिलाया जाता है, तो त्रुटियां इस तरह से जुड़ सकती हैं या हस्तक्षेप कर सकती हैं जो परिणाम को खराब कर देती हैं। नया एल्गोरिदम एक विशिष्ट गणितीय नियम, या 'लॉस फंक्शन' (loss function) का उपयोग करता है, जो सिस्टम को दंडित करता है यदि अवस्था और उपकरण का संयोजन गलत उत्तर देता है। यह प्रक्रिया के हर एक चरण पर परिणाम की जाँच करके ऐसा करता है। यदि अवस्था को इस तरह से सरल बनाया जाता है जिससे अंतिम उत्तर भटक जाता है, तो एल्गोरिदम इसे तुरंत ठीक करता है, भले ही अवस्था स्वयं मूल से कुछ अलग दिख रही हो। यह सुनिश्चित करता है कि अंतिम गणना के लिए सबसे महत्वपूर्ण विशेषताओं को संरक्षित किया जाए, जबकि कम प्रासंगिक विवरणों को लुप्त होने दिया जाए।

यह अध्ययन दर्शाता है कि यह संयुक्त दृष्टिकोण उन विशिष्ट प्रकार के क्वांटम सर्किटों के लिए अत्यधिक प्रभावी है, जिन्हें 'बैरन प्लेटो' (barren plateau) सर्किट कहा जाता है, जो विशेष रूप से चुनौतीपूर्ण होने के लिए डिज़ाइन किए गए रैंडम सर्किट हैं। शोधकर्ताओं ने इन सर्किटों के पांच सौ अलग-अलग संस्करण चलाए, जिसमें प्रक्रिया के चरणों की संख्या को बदला गया, और लगातार पाया कि उनके नए तरीके ने मानक तकनीकों से बेहतर प्रदर्शन किया। उन्होंने उल्लेख किया कि हालांकि उनका विशिष्ट एल्गोरिदम पूर्ण समाधान होने का दावा नहीं करता है, लेकिन अंतिम लक्ष्य द्वारा सन्निकटन (approximations) को निर्देशित करने का मूल विचार एक शक्तिशाली नई दिशा है। यह कार्य सुझाव देता है कि भविष्य के क्वांटम सिमुलेशन में सुधार संभवतः उन तरीकों से आएंगे जो अवस्था और ऑब्जर्वेबल को एक अलग समस्या के बजाय एक एकल, परस्पर जुड़े हुए सिस्टम के रूप में देखते हैं।

तकनीकी सारांश: गतिशील प्रत्याशा अनुमान में नई दिशाएँ

समस्या विवरण
अवलोकनीयों (observables) के प्रत्याशा मानों (expectation values) की गणना करना भौतिक विज्ञान और क्वांटम सूचना में एक मौलिक कार्य है। हालाँकि, क्वांटम प्रणालियों की गतिशीलता का शास्त्रीय रूप से अनुकरण करना गणनात्मक रूप से कठिन है, जिसके लिए नियंत्रित सन्निकटन (approximations) की आवश्यकता होती है। वर्तमान प्रतिनिधि विधियाँ, जैसे कि अवस्था विकास (state evolution) के लिए मैट्रिक्स प्रोडक्ट स्टेट्स (MPS) और अवकलनीय विकास (observable evolution) के लिए पाउली प्रोपेगेशन या हीज़ेनबर्ग-पिक्चर DMRG, ऐसी ट्रंकेशन मानदंडों पर निर्भर करती हैं जो अवस्था या अवकलनीय के अलग-अलग अनुकूलित होते हैं। ये विधियाँ अवस्था या अवकलनीय के बीच की दूरी को तो न्यूनतम करती हैं, लेकिन इस बात का ध्यान नहीं रखतीं कि उनके संबंधित त्रुटियाँ अंतिम प्रत्याशा मान अभिव्यक्ति में कैसे संयोजित होती हैं। फलस्वरूप, ये सन्निकटन उन विशेषताओं को संरक्षित कर सकते हैं जो विशिष्ट प्रत्याशा मान की गणना के लिए अप्रासंगिक हैं, जिससे लक्षित मात्रा के लिए उप-इष्टतम सटीकता प्राप्त होती है।

कार्यप्रणाली
लेखक एक वैकल्पिक दृष्टिकोण प्रस्तावित करते हैं जहाँ अवस्था और अवकलनीय दोनों के सन्निकटन को इस बात से निर्देशित किया जाता है कि उनके त्रुटि संयोजन का अंतिम प्रत्याशा मान पर क्या प्रभाव पड़ता है। इस विधि का मूल एक स्वीप एल्गोरिदम (एल्गोरिदम 1) है जो युग्मित लॉस फंक्शन्स (loss functions) का उपयोग करके फॉरवर्ड स्टेट अपडेट और बैकवर्ड ऑब्जर्वेबल अपडेट को अनुकूलित करता है।

एल्गोरिदम एक क्वांटम सर्किट $C = U_L \cdots U_1$ और एक प्रारंभिक अवस्था $\rho_0$ तथा अवकलनीय $O$ पर कार्य करता है। यह फॉरवर्ड विकसित अवस्थाओं $\rho_t$ और बैकवर्ड विकसित अवकलनीयों $O_t$ को परिभाषित करता है। विधि समय स्लाइसों (time slices) के माध्यम से पुनरावृत्त होती है, जो विशिष्ट लॉस फंक्शन्स को न्यूनतम करने के लिए स्टेट एप्रोक्सिमेशन $\tilde{\rho}_t$ और ऑब्जर्वेबल एप्रोक्सिमेशन $\tilde{O}_t$ को अपडेट करती है:

फॉरवर्ड लॉस ( $\ell_F$ ): अवस्था के सन्निकटन में त्रुटि को न्यूनतम करता है और प्रत्याशा मान की त्रुटि को दंडित (penalize) करता है।
$\ell_F(\rho; \rho^*, \bar{O}) = \gamma |\text{Tr}[(\rho - \rho^*)\bar{O}]|^2 + \mu \|\rho - \rho^*\|^2$
यहाँ, $\rho^*$ अनकंप्रेस्ड टार्गेट स्टेट है, $\bar{O}$ बैकवर्ड-प्रोपैगेटेड ऑब्जर्वेबल है जिसे स्थिर रखा गया है, और $\mu$ पारंपरिक स्टेट-ओनली कंप्रेशन एरर को नियंत्रित करता है। $\gamma$ पैरामीटर प्रत्याशा मान की त्रुटि के भार को नियंत्रित करता है।
बैकवर्ड लॉस ( $\ell_B$ ): इसी प्रकार, यह अवकलनीय के सन्निकटन में त्रुटि को न्यूनतम करता है, और फॉरवर्ड-प्रोपैगेटेड अवस्था का उपयोग करके प्रत्याशा मान में विचलन को दंडित करता है।
$\ell_B(O; O^*, \bar{\rho}) = \gamma |\text{Tr}[\bar{\rho}(O - O^*)]|^2 + \mu \|O - O^*\|^2$

कार्यान्वयन टेंसर नेटवर्क (अवस्थाओं के लिए MPS और अवकलनीयों के लिए MPO/पाउली स्ट्रिंग्स) का उपयोग करता है। फॉरवर्ड स्वीप के दौरान, एल्गोरिदम $\ell_F$ को न्यूनतम करने के लिए MPS टेंसरों को अपडेट करता है, जिसके लिए स्थिर बैकवर्ड ऑब्जर्वेबल की आवश्यकता होती है। इसके विपरीत, बैकवर्ड स्वीप स्थिर फॉरवर्ड स्टेट का उपयोग करके $\ell_B$ को न्यूनतम करने के लिए ऑब्जर्वेबल टेंसरों को अपडेट करता है। $\mu$ -टर्म एक रेगुलराइज़र के रूप में कार्य करता है उन दिशाओं के लिए जो $\gamma$ -टर्म द्वारा बाधित नहीं हैं, जबकि $\gamma$ -टर्म विशेष रूप से उस संकुचन (contraction) को लक्षित करता है जो प्रत्याशा मान के लिए प्रासंगिक है।

मुख्य योगदान और सैद्धांतिक तर्क
यह शोध पत्र एक विश्लेषणात्मक तर्क प्रदान करता है कि क्यों यह संयुक्त अनुकूलन एकल-पक्षीय ट्रंकेशन की तुलना में त्रुटियों को कम करता है। कुल त्रुटि $E - b^{(i)}$ (जहाँ $E$ सटीक मान है और $b^{(i)}$ अनुमान है) को दो शेष पदों, $R_1$ और $R_2$ में विभाजित किया गया है:

$R_1$ (लोकल एक्सपेक्टेशन एरर): प्रत्येक समय स्लाइस में प्रत्याशा मान में स्थानीय त्रुटियों के योग का प्रतिनिधित्व करता है। लॉस फंक्शन्स में $\gamma$ -टर्म सीधे इन स्थानीय परिवर्तनों को दंडित करते हैं, जिससे प्रस्तावित विधि ( $i=1$ ) में पारंपरिक विधि ( $i=0$ ) की तुलना में $R_1$ के परिमाण को दबा दिया जाता है।
$R_2$ (कंबाइंड एप्रोक्सिमेशन एरर): अवस्था सन्निकटन त्रुटियों और बैकवर्ड कंप्रेशन त्रुटियों के गुणनफल का प्रतिनिधित्व करता है। लेखक तर्क देते हैं कि जब दोनों त्रुटियाँ $O(\epsilon)$ हों, तो $R_2$ , $O(L\epsilon^2)$ के रूप में स्केल करता है, जबकि पारंपरिक विधियों में प्रभावी त्रुटि पद ( $R_1^{(0)}$ ) $O(L\epsilon)$ के रूप में स्केल करता है। अतः, पर्याप्त छोटे त्रुटि स्तरों के लिए, संयुक्त दृष्टिकोण कम कुल त्रुटि प्रदान करता है।

लॉस फंक्शन्स को ह्यूरिस्टिक (heuristic) विकल्प के रूप में प्रस्तुत किया गया है; शोध पत्र नोट करता है कि इन उद्देश्यों का इष्टतम रूप एक खुला प्रश्न बना हुआ है।

संख्यात्मक परिणाम
प्रस्तावित एल्गोरिदम का "बैरन प्लेटो" (barren plateau) एन्सेम्बल से लिए गए 30-क्यूबिट रैंडम सर्किट्स पर वेरिएशनल स्टेट कंप्रेशन (VSC) और पाउली प्रोपेगेशन (PP) के विरुद्ध बेंचमार्किंग किया गया। सर्किट में सिंगल-क्यूबिट रोटेशन और नियर-नेबर कंट्रोल्ड-Z गेट्स के $L$ लेयर्स थे, जिनकी गहराई 5 से 100 तक थी।

प्रदर्शन: समान बॉन्ड डायमेंशन ( $\chi_\rho = \chi_O \leq 30$ या $50 $) पर, प्रस्तावित एल्गोरिदम ने वेरिएशनल स्टेट कंप्रेशन द्वारा उत्पन्न प्रत्याशा मान त्रुटियों ($ \langle Z_1 Z_2 \rangle$) की तुलना में दो से तीन क्रम अधिक (orders of magnitude) छोटी त्रुटियां प्राप्त कीं।
त्रुटि विश्लेषण: 20-क्यूबिट इंस्टेंस पर संख्यात्मक परीक्षणों ने इस सैद्धांतिक विभाजन की पुष्टि की: प्रस्तावित विधि ने पारंपरिक विधि की तुलना में $|R_1|$ पद (लोकल एक्सपेक्टेशन एरर) को महत्वपूर्ण रूप से दबा दिया, जबकि दोनों $|R_2|$ पद पारंपरिक $|R_1|$ की तुलना में छोटे रहे।

महत्व और दावे
शोध पत्र का दावा है कि केंद्रीय संदेश यह है कि अवस्था और अवकलनीय के सन्निकटन को उनके अलग-अलग अनुकूलन के बजाय, उनके संयुक्त प्रभाव द्वारा निर्देशित किया जाना चाहिए। हालांकि लेखक यह दावा नहीं करते हैं कि उनका स्वीप एल्गोरिदम इस सिद्धांत का इष्टतम कार्यान्वयन है, वे यह प्रदर्शित करते हैं कि यह एक ठोस विश्लेषणात्मक तर्क और सटीकता में महत्वपूर्ण सुधार प्रदान करता है। परिणाम गतिशील प्रत्याशा अनुमान के लिए संयुक्त अवस्था और अवकलनीय सन्निकटन की खोज को प्रेरित करते हैं, जो यह सुझाव देते हैं कि सन्निकटन मानदंडों को लक्षित मात्रा के साथ संरेखित करने से क्वांटम प्रणाली की सबसे प्रासंगिक विशेषताओं को प्राथमिकता दी जा सकती है। यह कार्य विशिष्ट लॉस फंक्शन्स के संबंध में विनम्र है, उन्हें अद्वितीय पसंदीदा उद्देश्यों के बजाय उदाहरणों के रूप में स्वीकार करते हुए।

इसी तरह के और पेपर