Neural network-based multipartite entanglement classification with prior guidance from quantum uncertainty relations

क्वांटम मैकेनिक्स की विचित्र और प्रति-सहज दुनिया में, कण इस तरह से एक-दूसरे से जुड़ सकते हैं जो हमारे रोजमर्रा के अनुभवों को चुनौती देता है। यह घटना, जिसे एंटैंगलमेंट (entanglement) कहा जाता है, का अर्थ है कि एक कण की स्थिति दूसरे की स्थिति से तुरंत जुड़ी होती है, चाहे वे एक-दूसरे से कितनी भी दूर क्यों न हों। हालांकि दो कणों के बीच यह संबंध समझना अपेक्षाकृत सरल है, लेकिन जब कई कण शामिल होते हैं, तो चीजें बहुत अधिक जटिल हो जाती हैं। तीन या अधिक कणों वाले सिस्टम में, कण कई मौलिक रूप से भिन्न तरीकों से उलझे (entangled) हो सकते हैं, जिनमें से प्रत्येक के अपने अद्वितीय गुण और भविष्य की तकनीकों जैसे कि अल्ट्रा-सुरक्षित संचार और शक्तिशाली कंप्यूटिंग के लिए अपनी संभावनाएं हैं। इन विभिन्न प्रकार के कनेक्शनों के बीच अंतर करना उन वैज्ञानिकों के लिए आवश्यक है जो इनका उपयोग करना चाहते हैं, लेकिन यह लंबे समय से एक कठिन कार्य रहा है। इन कड़ियों की पहचान करने के लिए पारंपरिक तरीकों में अक्सर डेटा और कंप्यूटिंग शक्ति की अत्यधिक आवश्यकता होती है, जो उन्हें वास्तविक दुनिया के अनुप्रयोगों के लिए आवश्यक बड़े पैमाने के सिस्टम के लिए अव्यावहारिक बना देती है।

बीजिंग में बेइहांग यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने इस समस्या को हल करने के लिए एक नया दृष्टिकोण विकसित किया है, जो आर्टिफिशियल इंटेलिजेंस की शक्ति को भौतिकी के एक मौलिक नियम के साथ जोड़ता है जिसे अनिश्चितता का सिद्धांत (uncertainty principle) कहा जाता है। एक क्वांटम सिस्टम की पूरी जटिल अवस्था का मानचित्र बनाने की कोशिश करने के बजाय—जो कि रेत के टीलों के आकार को समझने के लिए समुद्र तट के हर एक रेत के कण की तस्वीर खींचने की कोशिश करने जैसा है—उनकी विधि एक विशिष्ट, अधिक प्रबंधनीय गुण पर ध्यान केंद्रित करती है। वे एक हाल ही में खोजे गए संबंध का उपयोग करते हैं जो यह वर्णन करता है कि एक कण को मापने की सटीकता उसके पड़ोसियों के मापन द्वारा कैसे सीमित होती है। इन विशिष्ट मापों को पैटर्न सीखने के लिए डिज़ाइन किए गए एक कंप्यूटर प्रोग्राम में फीड करके, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो किसी सिस्टम में मौजूद एंटैंगलमेंट के प्रकार को तेजी से और सटीक रूप से पहचान सकता है।

शोधकर्ताओं ने अपने तरीके का परीक्षण हजारों सिम्युलेटेड क्वांटम अवस्थाओं को उत्पन्न करके किया, जो तीन कणों वाले सरल सिस्टम से लेकर बीस कणों वाले जटिल सिस्टम तक विस्तृत थे। उन्होंने इन अवस्थाओं को तीन अलग-अलग श्रेणियों में बनाया, जो क्वांटम अनुसंधान में उपयोग किए जाने वाले मल्टी-पार्टिकल कनेक्शन के मानक प्रकार हैं। परीक्षण को वास्तविक बनाने के लिए, उन्होंने न केवल पूर्ण, सैद्धांतिक अवस्थाओं को शामिल किया, बल्कि मिश्रित अवस्थाओं (mixed states) को भी शामिल किया, जो अपूर्ण प्रयोगों की वास्तविक स्थिति का प्रतिनिधित्व करती हैं, और शोर वाली अवस्थाओं (noisy states) को भी, जो वास्तविक क्वांटम उपकरणों में पाए जाने वाले हस्तक्षेप की नकल करती हैं। कंप्यूटर प्रोग्राम को अनिश्चितता मापों को देखने और अवस्थाओं को उनके सही श्रेणियों में वर्गीकृत करने के लिए प्रशिक्षित किया गया था। परिणाम आश्चर्यजनक थे: परीक्षण किए गए सबसे बड़े सिस्टम के लिए, जिसमें बीस कण थे, इस पद्धति ने 99.5% बार एंटैंगलमेंट के प्रकार को सही ढंग से पहचाना। यहाँ तक कि जब डेटा शोर से दूषित था या मिश्रित अवस्थाओं का प्रतिनिधित्व कर रहा था, तब भी सटीकता प्रभावशाली रूप से उच्च बनी रही, जो अधिकांश मामलों में 98% से ऊपर रही।

यह उपलब्धि विशेष रूप से इसलिए महत्वपूर्ण है क्योंकि इसमें पुराने तरीकों की तुलना में बहुत कम काम करने की आवश्यकता होती है। पिछले तरीके अक्सर क्वांटम सिस्टम के पूर्ण गणितीय विवरण के पुनर्निर्माण पर निर्भर करते थे, एक ऐसी प्रक्रिया जो अधिक कण जोड़े जाने पर तेजी से कठिन होती जाती है और बड़े सिस्टम के लिए लगभग असंभव हो जाती है। इसके विपरीत, नई विधि एक ऐसे फीचर का उपयोग करती है जो कणों की संख्या के साथ बहुत धीमी गति से बढ़ता है, जिससे यह स्केलेबल (scalable) बन जाता है। शोधकर्ताओं ने पाया कि उनके दृष्टिकोण ने न केवल मापन के लिए आवश्यक डेटा की मात्रा को कम किया, बल्कि कंप्यूटर को पैटर्न बहुत तेजी से सीखने में भी सक्षम बनाया। कणों के आपस में जुड़े होने के तरीके से उत्पन्न होने वाले विशिष्ट अनिश्चितता संबंधों पर ध्यान केंद्रित करके, यह उपकरण व्यापक डेटा संग्रह की आवश्यकता को दरकिनार कर देता है, जो भविष्य के जटिल क्वांटम नेटवर्क के विश्लेषण के लिए एक व्यावहारिक मार्ग प्रदान करता है।

अध्ययन ने यह भी पता लगाया कि जब डेटा अपूर्ण होता है—जो वास्तविक दुनिया की भौतिकी में एक सामान्य समस्या है—तो यह विधि कितनी अच्छी तरह काम करती है। सिम्युलेटेड त्रुटियों और शोर को क्वांटम अवस्थाओं में पेश करके, टीम ने दिखाया कि उनका क्लासिफायर मजबूत बना रहा, और उच्च सटीकता बनाए रखी, भले ही अवस्थाओं की शुद्धता (fidelity) काफी कम हो गई हो। यह सुझाव देता है कि यह विधि वास्तविक प्रयोगशाला सेटिंग्स में विश्वसनीय हो सकती है जहाँ आदर्श स्थितियाँ दुर्लभ हैं। जबकि वर्तमान परिणाम कंप्यूटर सिमुलेशन पर आधारित हैं, लेखक नोट करते हैं कि अगला कदम इस दृष्टिकोण को वास्तविक क्वांटम हार्डवेयर पर परीक्षण करना है। यदि सफल रहे, तो यह तकनीक क्वांटम नेटवर्क में एंटैंगल्ड संसाधनों की गुणवत्ता को सत्यापित करने के लिए एक मानक उपकरण बन सकती है, जिससे यह सुनिश्चित होगा कि उन्नत कंप्यूटिंग और संचार के लिए आवश्यक नाजुक कनेक्शन इच्छित रूप से कार्य कर रहे हैं। यह कार्य मशीन लर्निंग को निर्देशित करने के लिए भौतिक सिद्धांतों का उपयोग करने की दिशा में एक बदलाव का प्रतिनिधित्व करता है, जिससे ऐसे उपकरण बनते हैं जो न केवल शक्तिशाली हैं बल्कि प्रकृति के मौलिक नियमों पर आधारित भी हैं।