⚛️ quantum physics

Adaptivity is all you need: Optimal stabilizer learning using just single-copy measurements

यह शोध पत्र प्रदर्शित करता है कि एडेप्टिविटी (adaptivity), स्टेबलाइज़र अवस्थाओं (stabilizer states) को सीखने के लिए सिंगल-कॉपी और मल्टी-कॉपी मापों के बीच के सैंपल कॉम्प्लेक्सिटी अंतराल को पूरी तरह से समाप्त कर देती है, जिससे केवल सिंगल-कॉपी क्लिफोर्ड मापों का उपयोग करके एक इष्टतम $\Theta(n)$ -कॉपी एल्गोरिदम सक्षम होता है और साथ ही यह टॉलेरेंट टेस्टिंग (tolerant testing) और सीमित स्टेबलाइज़र नलिटी (bounded stabilizer nullity) वाली अवस्थाओं तक भी विस्तृत होता है।

मूल लेखक: L. Bittel, J. Eisert, W. Gong, A. A. Mele, L. Schatzki

प्रकाशित 2026-10-02

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: L. Bittel, J. Eisert, W. Gong, A. A. Mele, L. Schatzki

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

शक्तिशाली क्वांटम कंप्यूटर बनाने की खोज में, वैज्ञानिक स्टेबलाइजर अवस्थाओं (stabilizer states) नामक एक विशेष वर्ग के क्वांटम अवस्थाओं पर भरोसा करते हैं। ये अवस्थाएं त्रुटि सुधार (error correction) की रीढ़ हैं—वह विधि जिसका उपयोग शोर से नाजुक क्वांटम सूचना को बचाने के लिए किया जाता है—और वे यह परीक्षण करने के लिए एक बेंचमार्क के रूप में भी कार्य करती हैं कि एक क्वांटम मशीन कितनी अच्छी तरह काम कर रही है। क्योंकि उन्हें शास्त्रीय कंप्यूटरों (classical computers) द्वारा कुशलतापूर्वक वर्णित किया जा सकता है, इसलिए वे क्वांटम और शास्त्रीय दुनिया के बीच एक सेतु के रूप में भी कार्य करते हैं। वर्षों तक, शोधकर्ताओं को एक अज्ञात स्टेबलाइजर अवस्था की पहचान करने में एक पहेलीनुमा दुविधा का सामना करना पड़ा। यदि वे एक साथ दो अवस्थाओं के दो प्रतियों (copies) को माप पाते, तो वे सिस्टम के आकार के अनुपात में बढ़ने वाली प्रतियों की संख्या का उपयोग करके इसके बारे में सब कुछ जान सकते थे। हालांकि, यदि उन्हें केवल एक समय में एक ही प्रति को मापने के लिए मजबूर किया जाता, जिसमें मापन के बीच कोई क्वांटम मेमोरी नहीं रखी जाती, तो पुराने नियमों ने सुझाव दिया था कि उन्हें सिस्टम के आकार के वर्ग (square) के अनुपात में बढ़ती प्रतियों की आवश्यकता होगी। इस अंतर ने यह संकेत दिया कि एक-एक करके मापना मौलिक रूप से अक्षम था, जिसके लिए समान परिणाम प्राप्त करने के लिए बहुत अधिक संसाधनों की आवश्यकता थी।

शोधकर्ताओं की एक टीम ने अब दिखाया है कि यह अक्षमता प्रकृति का कोई मौलिक नियम नहीं है, बल्कि यह इस बात की सीमा है कि पिछले मापन कैसे चुने गए थे। उन्होंने एक नई विधि विकसित की है जो वैज्ञानिकों को एकल प्रतियों का उपयोग करके किसी भी स्टेबलाइजर अवस्था को सीखने की अनुमति देती है, जबकि वे सबसे कुशल संभव दर भी प्राप्त कर सकते हैं। उनकी सफलता की कुंजी अनुकूलनशीलता (adaptivity) है। प्रत्येक प्रति को एक ही निश्चित तरीके से मापने के बजाय, नया दृष्टिकोण यह तय करने के लिए पिछले मापन के परिणाम का उपयोग करता है कि अगला मापन कैसे किया जाए। पहले से सीखी गई जानकारी के आधार पर वास्तविक समय में मापन रणनीति को समायोजित करके, शोधकर्ता एक-एक प्रति वाले और दो-प्रति वाले तरीकों के बीच के अंतर को पाट सकते हैं। उनका एल्गोरिदम बहुपद समय (polynomial time) में अवस्था को सीखता है, जिसका अर्थ है कि आवश्यक समय सिस्टम के आकार के साथ उचित रूप से बढ़ता है, और यह उन सबसे कुशल दो-प्रति विधियों के समान ही प्रतियों की संख्या का उपयोग करता है, बिना एक साथ दो प्रतियों को रखे हुए।

इस खोज का मूल एक चतुर पुनरावृत्ति प्रक्रिया (iterative process) में निहित है। कल्पना कीजिए कि आप हाँ या ना वाले प्रश्नों की एक श्रृंखला पूछकर एक छिपे हुए पैटर्न को पहचानने की कोशिश कर रहे हैं। अतीत में, वैज्ञानिक अवस्था की प्रत्येक प्रति के लिए एक ही प्रकार का प्रश्न पूछते थे, जो धीमा और अक्षम था। नई विधि एक प्रश्न पूछती है, उत्तर देखती है, और फिर अगले प्रश्न को अधिक प्रकट करने वाला बनाने के लिए तुरंत बदल देती है। विशेष रूप से, एल्गोरिदम अवस्था की दो प्रतियों को अलग-अलग मापता है और परिणामों की तुलना करता है। यदि परिणाम भिन्न होते हैं, तो वह अंतर अवस्था की संरचना के बारे में एक विशिष्ट जानकारी प्रकट करता है। शोधकर्ता फिर एक गणितीय ऑपरेशन, जिसे क्लिफोर्ड गेट (Clifford gate) कहा जाता है, का उपयोग करके अवस्था को घुमाते हैं (rotate करते हैं) ताकि यह नयी मिली जानकारी अगले दौर में अधिक आसानी से दिखाई दे सके। इस प्रक्रिया को दोहराया जाता है, जहाँ प्रत्येक चरण जटिलता की एक परत को हटाता है और अवस्था की अंतर्निहित संरचना को प्रकट करता है, जब तक कि पूरी अवस्था पूरी तरह से मैप न हो जाए। महत्वपूर्ण रूप से, यह घुमाव सावधानी से चुना जाता है ताकि यह पिछले चरणों में एकत्र की गई जानकारी को नष्ट न करे।

इस सफलता के तत्काल निहितार्थ क्वांटम उपकरणों के परीक्षण और सत्यापन के लिए हैं। शोधकर्ताओं ने प्रदर्शित किया कि उनकी अनुकूलन विधि एक पूर्ण स्टेबलाइजर अवस्था और एक ऐसी अवस्था के बीच अंतर कर सकती है जो केवल उसके करीब है, जिसे टॉलरेंट टेस्टिंग (tolerant testing) कहा जाता है। उन्होंने सिद्ध किया कि यह अनुकूल संख्या में प्रतियों के साथ किया जा सकता है, भले ही इनपुट अवस्था मिश्रित (mixed) या अपूर्ण हो। इसके अलावा, उन्होंने अन्वेषण किया कि क्या होता है जब एक क्वांटम कंप्यूटर को मापन के बीच कुछ क्यूबिट्स को मेमोरी में रखने की अनुमति दी जाती है। उन्होंने एक सटीक ट्रेडऑफ (tradeoff) पाया: जितनी अधिक मेमोरी उपलब्ध होगी, अवस्था की टेस्टिंग करने के लिए उतनी ही कम प्रतियों की आवश्यकता होगी। यह संबंध तब भी सत्य रहता है जब अवस्था पूरी तरह से शुद्ध (pure) नहीं होती है, जो विभिन्न हार्डवेयर बाधाओं के तहत सत्यापन के लिए आवश्यक संसाधनों का एक पूर्ण मानचित्र प्रदान करता है।

इस दृष्टिकोण की उपयोगिता पूर्ण स्टेबलाइजर अवस्थाओं से परे भी है। शोधकर्ताओं ने दिखाया कि वही अनुकूल तंत्र उन अवस्थाओं के लिए भी काम करता है जो थोड़ी अधिक जटिल हैं, विशेष रूप से वे जो स्टेबलाइजर अवस्थाओं के करीब हैं लेकिन उनमें सीमित संख्या में गैर-मानक संचालन (non-standard operations) शामिल हैं। ये अवस्थाएं महत्वपूर्ण हैं क्योंकि वे उस प्रकार की त्रुटियों या विचलन का प्रतिनिधित्व करती हैं जो वास्तविक दुनिया के क्वांटम सर्किट में हो सकते हैं। टीम ने सिद्ध किया कि इन अधिक जटिल अवस्थाओं के लिए भी, अनुकूल एकल-प्रति विधि प्रभावी रहती है, जिसमें विचलन की जटिलता के अनुपात में प्रतियों की संख्या उचित रूप से बढ़ती है। यह सुझाव देता है कि क्वांटम अवस्थाओं को कुशलतापूर्वक सीखने की क्षमता केवल आदर्श परिदृश्यों तक सीमित नहीं है, बल्कि इसे प्रायोगिक भौतिकी की वास्तविक जटिलताओं पर भी लागू किया जा सकता है।

इस कार्य का महत्व इस बात के प्रदर्शन में निहित है कि शास्त्रीय फीडबैक (classical feedback) कुछ सीखने के कार्यों के लिए सुसंगत क्वांटम मेमोरी (coherent quantum memory) की आवश्यकता को प्रतिस्थापित कर सकता है। लंबे समय तक, यह माना जाता था कि एकल-प्रति और दो-प्रति मापन के बीच दक्षता का द्विघाती अंतर (quadratic gap), एक साथ कई प्रतियों तक पहुंच न होने की एक अपरिहार्य लागत थी। यह पेपर सिद्ध करता है कि एक से प्राप्त जानकारी का उपयोग अगली प्रक्रिया को निर्देशित करने के लिए करके, एक एकल-प्रति प्रोटोकॉल दो-प्रति प्रोटोकॉल के समान दक्षता प्राप्त कर सकता है। यह खोज हमारे क्वांटम लर्निंग की समझ को नया रूप देती है, यह दर्शाती है कि अनुकूलनशीलता (adaptivity) एक शक्तिशाली उपकरण है जो उन सीमाओं को पार कर सकती है जिन्हें पहले मौलिक माना जाता था। यह क्वांटम कंप्यूटरों के लिए अधिक कुशल सत्यापन प्रोटोकॉल के द्वार खोलता है, जिससे संभावित रूप से यह प्रमाणित करने के लिए आवश्यक प्रयोगात्मक ओवरहेड कम हो जाता है कि एक क्वांटम उपकरण सही ढंग से काम कर रहा है।

शोधकर्ताओं ने अपनी विधि की सीमाओं को भी संबोधित किया। उन्होंने दिखाया कि जबकि अनुकूलनशीलता स्टेबलाइजर अवस्थाओं के लिए अंतर को पाट देती है, दक्षता में लाभ सीखी जाने वाली अवस्था की विशिष्ट संरचना पर निर्भर करता है। उन अवस्थाओं के लिए जो स्टेबलाइजर अवस्थाओं से बहुत दूर हैं, अनुकूलनशीलता के लाभ कम स्पष्ट हैं, और सटीकता प्राप्त करने के लिए विधि को अधिक प्रतियों की आवश्यकता होती है। हालांकि, स्टेबलाइजर अवस्थाओं के व्यापक वर्ग के लिए, जो क्वांटम त्रुटि सुधार और सिमुलेशन के केंद्र में हैं, नई विधि एक निर्णायक समाधान प्रदान करती है। यह कार्य स्टेबलाइजर अवस्थाओं की विशिष्ट गणितीय संरचना के महत्व को भी रेखांकित करता है, जो अनुकूल अनुकूलन (adaptive updates) को पहले से एकत्र की गई जानकारी को सुरक्षित रखने की अनुमति देता है। यही संरचनात्मक अंतर्दृष्टि इस पद्धति को सफल बनाती है, और यह सुझाव देती है कि भविष्य में अन्य संरचित क्वांटम अवस्था परिवारों के लिए इसी तरह की अनुकूल रणनीतियाँ विकसित की जा सकती हैं।

संक्षेप में, यह शोध एक लंबे समय से चले आ रहे क्वांटम सूचना विज्ञान के प्रश्न को हल करता है, यह दिखाकर कि एकल प्रतियों का उपयोग करके स्टेबलाइजर अवस्थाओं को कुशलतापूर्वक सीखने के लिए अनुकूलनशीलता ही पर्याप्त है। यह विधि तेज़ है, इसमें मापन के बीच किसी क्वांटम मेमोरी की आवश्यकता नहीं है, और यह सटीक और अनुमानित दोनों अवस्थाओं के लिए काम करती है। मापन प्रक्रिया को एक गतिशील, सीखने वाले लूप में बदलकर, शोधकर्ताओं ने कुशल क्वांटम अवस्था पहचान के लिए एक प्रमुख बाधा को हटा दिया है। यह उपलब्धि न केवल हमारी सैद्धांतिक समझ को आगे बढ़ाती है, बल्कि क्वांटम प्रौद्योगिकियों के निरंतर विकास और सत्यापन के लिए एक व्यावहारिक टूलकिट भी प्रदान करती है। परिणाम बताते हैं कि स्केलेबल क्वांटम कंप्यूटिंग का मार्ग पहले की तुलना में कम संसाधन-गहन हो सकता है, बशर्ते हम अनुकूल मापन रणनीतियों की शक्ति का उपयोग कर सकें।

तकनीकी सारांश: अनुकूलनशीलता ही सब कुछ है: केवल एकल-प्रति (Single-Copy) मापन का उपयोग करके इष्टतम स्टेबलाइज़र लर्निंग

1. समस्या विवरण

स्टेबलाइज़र अवस्थाएँ (Stabilizer states) क्वांटम एरर करेक्शन, फॉल्ट-टोलरेंट कंप्यूटेशन और कुशल शास्त्रीय सिमुलेशन के लिए मौलिक हैं। एक केंद्रीय परिचालन प्रश्न यह है कि प्रयोगात्मक डेटा से अज्ञात $n$ -qubit स्टेबलाइज़र अवस्था को कितनी कुशलता से पहचाना जा सकता है।

पूर्व कार्य ने मापन रणनीति के आधार पर सैंपल कॉम्प्लेक्सिटी (नमूना जटिलता) में एक महत्वपूर्ण अंतर स्थापित किया है:

दो-प्रति बेल सैंपलिंग (Two-copy Bell sampling): मोंटानारो [9] ने दिखाया कि जोड़ों पर संयुक्त बेल मापन का उपयोग करके एक स्टेबलाइज़र अवस्था को सीखने के लिए $\Theta(n)$ प्रतियाँ पर्याप्त हैं। यह सूचना-सैद्धांतिक रूप से इष्टतम है।
गैर-अनुकूलित एकल-प्रति मापन (Non-adaptive single-copy measurements): संदर्भ [10] ने प्रदर्शित किया कि यदि मापन एकल प्रतियों तक सीमित हैं और गैर-अनुकूलित (पिछले परिणामों से स्वतंत्र) होने चाहिए, तो सैंपल कॉम्प्लेक्सिटी बढ़कर $\Omega(n^2)$ हो जाती है।

इस कार्य द्वारा संबोधित खुला प्रश्न यह है कि क्या अनुकूलित एकल-प्रति मापन (जहाँ वर्तमान मापन आधार पिछले परिणामों पर निर्भर करता है) इस द्विघातीय (quadratic) अंतर को पाट सकते हैं, जिससे बिना कई प्रतियों तक एक साथ सुसंगत (coherent) पहुँच की आवश्यकता के, इष्टतम $\Theta(n)$ स्केलिंग प्राप्त की जा सके।

2. कार्यप्रणाली

मुख्य एल्गोरिदम: अनुकूलित स्टेबलाइज़र लर्निंग

लेखक एक बहुपद-समय (polynomial-time) एल्गोरिदम (एल्गोरिदम 1) प्रस्तावित करते हैं जो केवल $\Theta(n)$ अनुकूलित एकल-प्रति मापों का उपयोग करके एक मनमानी $n$ -qubit स्टेबलाइज़र अवस्था को सीख सकता है। एल्गोरिदम शास्त्रीय फीडबैक (classical feedback) पर निर्भर करता है जो अज्ञात अवस्था को प्रगतिशील रूप से एक कम्प्यूटेशनल-आधार अवस्था में बदल देता है।

मुख्य तंत्र:

आरंभीकरण (Initialization): पहचान क्लिफॉर्ड सर्किट $C = I$ से शुरुआत करें। लक्ष्य एक ऐसा क्लिफॉर्ड $C$ खोजना है जिससे $C|\psi\rangle = |z\rangle$ हो जाए, जहाँ $|z\rangle$ एक कम्प्यूटेशनल-आधार अवस्था है।
पुनरावृत्ति दौर (Iterative Rounds): प्रत्येक दौर में, एल्गोरिदम वर्तमान रूपांतरित अवस्था $C|\psi\rangle$ की दो स्वतंत्र प्रतियों को कम्प्यूटेशनल आधार में मापता है, जिससे परिणाम $x$ और $y$ प्राप्त होते हैं।
अंतर नमूनाकरण (Difference Sampling): बिटवाइज़ अंतर $u = x + y$ की गणना की जाती है। एक स्टेबलाइज़र अवस्था के लिए, यदि $u \neq 0$ है, तो यह वेक्टर एक स्टेबलाइज़र जनरेटर के $X$ -भाग की पहचान करता है जो कम्प्यूटेशनल आधार में विकर्ण (diagonal) नहीं है।
अनुकूलित अपडेट (Adaptive Update):
- एल्गोरिदम एक पिवट इंडेक्स $i$ की पहचान करता है जहाँ $u_i = 1$ है।
- एल्गोरिदम एक CNOT-आधारित क्लिफॉर्ड ऑपरेशन $F_u$ लागू करता है जो पहचाने गए स्टेबलाइज़र को एक रूप $(e_i, v')$ में मैप करता है।
- महत्वपूर्ण रूप से, $F_u$ सभी पहले से खोजे गए विकणात्मक ( $Z$ -प्रकार के) स्टेबलाइजर्स को सुरक्षित रखता है क्योंकि पिवट क्वबिट $i$ को इस तरह चुना जाता है कि मौजूदा $Z$ -स्टेबलाइजर्स उस पर तुच्छ (trivial) रूप से कार्य करते हैं।
- एक यादृच्छिक स्थानीय सुधार ( $H_i$ या $H_i S_i$ ) को नए स्टेबलाइज़र को $Z$ -प्रकार की स्टेबलाइज़र अवस्था में बदलने के लिए लागू किया जाता है।
समाप्ति (Termination): यह प्रक्रिया तब तक दोहराई जाती है जब तक कि ज्ञात विकणात्मक स्टेबलाइज़र उप-स्थान (subspace) का आयाम $n$ तक नहीं पहुँच जाता, जो कि एक अंतिम मापन द्वारा पूरी तरह से निर्धारित होता है। मूल अवस्था को $C^\dagger |z\rangle$ के रूप में पुनः प्राप्त किया जाता है।

विस्तार (Extensions)

यह शोध पत्र इस अनुकूलित तंत्र को तीन अतिरिक्त परिदृश्यों तक विस्तारित करता है:

सहिष्णु लर्निंग (Tolerant Learning): एक मिश्रित या गैर-स्टेबलाइज़र इनपुट $\rho$ के निकटतम स्टेबलाइज़र अवस्था को सीखना जिसका फिडेलिटी $F_{\text{stab}}(\rho) > \sqrt{2/3}$ हो। एल्गोरिदम उम्मीदवारों की एक सूची बनाता है और फिडेलिटी का अनुमान लगाने के लिए क्लासिकल शैडो का उपयोग करता है।
सहिष्णु परीक्षण (Tolerant Testing): स्टेबलाइज़र अवस्थाओं के सेट के साथ फिडेलिटी $\ge 1-\epsilon_1$ और $\le 1-\epsilon_2$ वाले राज्यों के बीच अंतर करना।
मेमोरी-सहायता प्राप्त परीक्षण (Memory-Assisted Testing): $k$ क्वबिट्स की सुसंगत क्वांटम मेमोरी के साथ परीक्षण करना, जो एकल-प्रति ( $k=0$ ) और दो-प्रति ( $k=n$ ) व्यवस्थाओं के बीच मध्यवर्ती है।
निम्न स्टेबलाइज़र नलिटी (Low Stabilizer Nullity): उन शुद्ध अवस्थाओं को सीखना जिनकी स्टेबलाइज़र नलिटी $r$ है (वे अवस्थाएँ जो सीमित संख्या में गैर-क्लिफॉर्ड गेट्स द्वारा तैयार की गई हैं)।

3. मुख्य योगदान और परिणाम

A. इष्टतम एकल-प्रति लर्निंग

प्राथमिक परिणाम यह प्रमाण है कि अनुकूलनशीलता एकल-प्रति और दो-प्रति लर्निंग के बीच के अंतर को पूरी तरह से समाप्त कर देती है।

प्रमेय II.1: एक अज्ञात $n$ -qubit स्टेबलाइज़र अवस्था को $1-\delta$ प्रायिकता के साथ $N = O(n + \log(1/\delta))$ प्रतियों और केवल अनुकूलित एकल-प्रति मापों का उपयोग करके सीखा जा सकता है।
जटिलता: एल्गोरिदम $O(n T^2)$ में बहुपद समय में चलता है, जहाँ $T = O(n + \sqrt{n \log(1/\delta)} + \log(1/\delta))$ राउंड की संख्या है।
इष्टतमता: यह सामूहिक मापन (collective measurements) के लिए ज्ञात $\Theta(n)$ निचली सीमा से मेल खाता है, जिससे यह सिद्ध होता है कि इष्टतम सैंपल कॉम्प्लेक्सिटी के लिए सुसंगत पहुँच की आवश्यकता नहीं है।

B. सहिष्णु लर्निंग और परीक्षण

सहिष्णु लर्निंग (प्रमेय III.1): एक इनपुट $\rho$ के लिए जिसकी $F_{\text{stab}}(\rho) \ge f_0 > \sqrt{2/3}$ है, एल्गोरिदम इष्टतम के भीतर $\xi$ फिडेलिटी के साथ एक स्टेबलाइज़र अवस्था आउटपुट करता है, जिसमें $O(n + \xi^{-2}\log(1/\delta))$ प्रतियाँ लगती हैं।
सहिष्णु परीक्षण (प्रमेय IV.1): लेखक एक बहुपद-समय टेस्टर प्रदान करते हैं जो $F_{\text{stab}}(\rho) \ge 1-\epsilon_1$ और $F_{\text{stab}}(\rho) \le 1-\epsilon_2$ के बीच अंतर करता है, जिसकी सैंपल कॉम्प्लेक्सिटी $O(n + \frac{\epsilon_2}{(\epsilon_2-\epsilon_1)^2} \log(1/\delta))$ है। यह एकल-प्रति मापों के साथ कुशल सहिष्णु परीक्षण की व्यवहार्यता के संबंध में एक खुले प्रश्न को हल करता है।
निचली सीमाएं (Lower Bounds): पेपर यह भी स्थापित करता है कि शुद्ध इनपुट के लिए, $\Omega(n + \frac{\epsilon_2}{(\epsilon_2-\epsilon_1)^2})$ प्रतियाँ आवश्यक हैं, जो प्रस्तावित टेस्टर की इष्टतमता की पुष्टि करती हैं।

C. मेमोरी-सैंपल ट्रेडऑफ

प्रमेय V.1: $k$ क्वबिट मेमोरी के साथ स्टेबलाइज़र टेस्टिंग के लिए, इष्टतम सैंपल कॉम्प्लेक्सिटी $\Theta(n - k + 1/\epsilon)$ है।
निहितार्थ: उप-रैखिक (sub-linear) सैंपल कॉम्प्लेक्सिटी प्राप्त करने के लिए, आपको लगभग पूरी अवस्था को संग्रहीत करना होगा ( $k \approx n$ )। यदि $k=0$ है, तो जटिलता $\Theta(n)$ है; यदि $k=n$ है, तो यह घटकर $\Theta(1)$ हो जाती है।

D. निम्न नलिटी अवस्थाओं को सीखना

प्रमेय VI.1: $r$ स्टेबलाइज़र नलिटी वाली अवस्थाओं (जिसमें $t$ T-गेट्स के साथ $t$ -डोपड अवस्थाएँ शामिल हैं) को $O(2^r(n + \log(1/\delta)) + 2^r \epsilon^{-2}(r + \log(1/\delta)))$ प्रतियों का उपयोग करके सीखा जा सकता है।
तंत्र: अनुकूलित संपीड़न (adaptive compression) $2^r$ के कारक से धीमा हो जाता है क्योंकि अंतर नमूनों का केवल $2^{-O(r)}$ हिस्सा ही एक वैध स्टेबलाइज़र दिशा प्रकट करता है। हालाँकि, "हानिरहित" (harmless) नमूने मौजूदा विकणात्मक संरचना को नष्ट नहीं करते हैं।

4. महत्व और दावे

पेपर दावा करता है कि शास्त्रीय अनुकूलनशीलता (classical adaptivity) ही सैंपल-इष्टतम स्टेबलाइज़र लर्निंग के लिए पर्याप्त है, जिससे सुसंगत बहु-प्रति पहुँच की आवश्यकता समाप्त हो जाती है। यह एक महत्वपूर्ण निष्कर्ष है क्योंकि:

अंतराल को भरना: यह दर्शाता है कि गैर-अनुकूलित एकल-प्रति लर्निंग ( $\Omega(n^2)$ ) और दो-प्रति बेल सैंपलिंग ( $\Theta(n)$ ) के बीच का द्विघातीय अलगाव गैर-अनुकूलित प्रतिबंध का एक परिणाम है, न कि एकल-प्रति मापन की कोई मौलिक सीमा।
प्रयोगात्मक व्यवहार्यता: चूंकि एल्गोरिदम के लिए केवल क्लिफॉर्ड ऑपरेशंस और एकल प्रतियों पर कम्प्यूटेशनल-आधार मापन की आवश्यकता होती है, इसलिए यह वर्तमान प्रयोगात्मक बाधाओं के साथ अत्यधिक संगत है जहाँ सुसंगत बहु-प्रति भंडारण कठिन होता है।
संरचनात्मक अंतर्दृष्टि: यह कार्य रेखांकित करता है कि स्टेबलाइज़र लर्निंग एक "प्राकृतिक संरचित सेटिंग" है जहाँ अनुकूलनशीलता एक मौलिक अंतर पैदा करती है। मापन परिणाम दोहरे उद्देश्य की पूर्ति करते हैं: डेटा प्रदान करना और उन परिवर्तनों की पहचान करना जो पूर्व-खोजे गए ढांचे को सुरक्षित रखते हुए अवस्था को सरल बनाते हैं।
व्यापक संदर्भ: लेखक नोट करते हैं कि जबकि अनुकूलनशीलता विशिष्ट संरचित कार्यों (जैसे बोसोनिक गॉसियन टोमोग्राफी या स्टेबलाइज़र लर्निंग) में मदद करती है, यह ट्रेस डिस्टेंस में सामान्य मिश्रित-अवस्था टोमोग्राफी के लिए कोई एसिम्प्टोटिक लाभ नहीं देती है। यह कार्य उन सीमाओं को स्पष्ट करने में मदद करता है जहाँ अनुकूलनशीलता फायदेमंद होती है।

पेपर भविष्य के प्रश्नों की पहचान करके समाप्त होता है, जैसे कि क्या निम्न-नलिटी अवस्थाओं के लिए $2^r$ पर गुणात्मक निर्भरता को योगात्मक (additive) बनाया जा सकता है, और क्या सैंपल कॉम्प्लेक्सिटी में अग्रणी स्थिरांक (leading constant) को कम करके सामूहिक मापन सीमाओं से मेल कराया जा सकता है।