⚛️ quantum physics

Coherent consensus for the estimation and classification of phases

क्वांटम मेट्रोलॉजी से प्रेरित होकर, यह शोध पत्र ट्रैप्ड-आयन हार्डवेयर पर GHZ अवस्थाओं का उपयोग करके एक "कोहेरेंट कंसेंसस" (सुसंगत आम सहमति) प्रिमिटिव प्रस्तावित और प्रयोगात्मक रूप से मान्य करता है, जो स्वतंत्र क्वांटम क्लासिफायर से निर्णय संकेतों को प्रवर्धित करता है, जिससे पारंपरिक इनकोहेरेंट मेजॉरिटी वोटिंग की तुलना में सटीकता में $\sqrt{n}$ का सुधार प्राप्त होता है।

मूल लेखक: Roberto Ruiz, Alessandro Luongo, Sergi Ramos-Calderer, José Ignacio Latorre

प्रकाशित 2026-10-08

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Roberto Ruiz, Alessandro Luongo, Sergi Ramos-Calderer, José Ignacio Latorre

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 की शांत और नियंत्रित दुनिया में, वैज्ञानिक लगातार उन चीजों को मापने की कोशिश कर रहे हैं जो देखने के लिए बहुत छोटी और छूने के लिए बहुत नाजुक हैं। कल्पना कीजिए कि आप एक ऐसे चुंबकीय क्षेत्र का पता लगाने की कोशिश कर रहे हैं जो इतना कमजोर है कि वह एक अकेले परमाणु को भी मुश्किल से हिला पाता है। ऐसा करने के लिए, शोधकर्ता अक्सर 'क्वांटम मेट्रोलॉजी' नामक एक प्रक्रिया पर भरोसा करते हैं, जो क्वांटम दुनिया के अजीब नियमों का उपयोग करके मापन को शास्त्रीय उपकरणों (क्लासिकल टूल्स) की तुलना में कहीं अधिक संवेदनशील बनाता है। इस क्षेत्र के केंद्र में एक सरल लेकिन शक्तिशाली विचार है: यदि आपके पास कई स्वतंत्र सेंसर हैं, तो आप बेहतर उत्तर प्राप्त करने के लिए उनके परिणामों को जोड़ सकते हैं। हालांकि, इस बात की एक सीमा है कि यह कितना सहायक हो सकता है। यदि आप केवल कई अलग-अलग मापों का औसत लेते हैं, तो आपकी सटीकता धीरे-धीरे सुधरती है, जैसे पानी के स्तर को बढ़ाने के लिए बाल्टी में और अधिक बूंदें डालना। लेकिन यदि आप उन सेंसरों को एक साथ जोड़ने में सक्षम हैं ताकि वे एक एकल, एकीकृत इकाई के रूप में कार्य करें, तो सुधार नाटकीय हो जाता है। यह एक भीड़ के लोगों द्वारा अपने अनुमान चिल्लाने और एक ऐसे समूह (कोरस) के बीच का अंतर है जो पूर्ण सामंजस्य में गाता है; दूसरा समूह व्यक्तिगत आवाजों के योग की तुलना में बहुत अधिक तेज और स्पष्ट ध्वनि उत्पन्न करता है।

सिंगापुर के सेंटर फॉर क्वांटम टेक्नोलॉजीज के शोधकर्ताओं की एक टीम ने अब इस सामंजस्य के विचार को एक नई चुनौती पर लागू किया है: कंप्यूटरों को बेहतर निर्णय लेने में मदद करना जब वे अनिश्चित होते हैं। मशीन लर्निंग में, एक कंप्यूटर को अक्सर यह तय करना होता है कि डेटा का एक टुकड़ा किस श्रेणी में आता है, जैसे कि कोई छवि बिल्ली की है या कुत्ते की। जब डेटा स्पष्ट होता है, तो निर्णय आसान होता है। लेकिन जब डेटा श्रेणियों के बीच की सीमा के बिल्कुल किनारे पर होता है, तो एक अच्छी तरह से प्रशिक्षित कंप्यूटर भी हिचकिचा सकता है या गलती कर सकता है। शोधकर्ताओं ने पूछा कि क्या वे इन हिचकिचाते हुए कंप्यूटरों के समूह को एक बेहतर सहमति तक पहुँचने में मदद करने के लिए क्वांटम एंटैंगलमेंट (quantum entanglement) की शक्ति का उपयोग कर सकते हैं। उन्होंने एक विधि विकसित की जिसे वे "कोहेरेंट कंसेंसस" (coherent consensus) कहते हैं, जो क्वांटम क्लासिफायर को न केवल नोट्स की तुलना करने बल्कि वास्तव में अपने संकेतों को एक एकल, प्रवर्धित तरंग (amplified wave) में मिलाने की अनुमति देता है।

इस विचार का परीक्षण करने के लिए, टीम ने एक परिदृश्य बनाया जहाँ क्वांटम क्लासिफायर्स का एक समूह, जिनमें से प्रत्येक थोड़ा अपूर्ण था, एक बहुत ही सूक्ष्म, छिपे हुए कोण के चिह्न (sign) को निर्धारित करने का प्रयास कर रहा था। इस कोण को एक गुप्त दिशा के रूप में सोचें जिसे क्लासिफायर्स को सहमत होकर पहचानना है। एक मानक दृष्टिकोण में, जिसे 'मेजोरिटी वोटिंग' (majority voting) कहा जाता है, प्रत्येक क्लासिफायर अपना स्वयं का मापन करेगा, और अंतिम उत्तर इस आधार पर तय किया जाएगा कि कितने लोगों ने एक दिशा के पक्ष में और कितने दूसरी दिशा के पक्ष में वोट दिया। यह जानकारी को संयोजित करने का शास्त्रीय तरीका है। शोधकर्ताओं ने इसकी तुलना अपने नए 'कोहेरेंट कंसेंसस' पद्धति से की, जहाँ क्लासिफायर्स को पहले एक विशेष क्वांटम अवस्था में जोड़ा जाता है। इस अवस्था में, प्रत्येक क्लासिफायर से प्राप्त सूक्ष्म संकेत मापे जाने से पहले एक-दूसरे के ऊपर जमा होकर कुल संकेत को प्रभावी रूप से प्रवर्धित (amplify) कर देते हैं। शोधकर्ताओं ने ये प्रयोग एक वास्तविक क्वांटम कंप्यूटर पर चलाए जो 'ट्रैप्ड आयन्स' (trapped ions) से बना था, जो कि विद्युत क्षेत्रों द्वारा स्थिर रखे गए व्यक्तिगत परमाणु हैं। उन्होंने बीस, पचास और अस्सी क्लासिफायर्स के समूहों के साथ इस प्रणाली का परीक्षण किया, जिसमें प्रत्येक समूह के लिए हजारों मापन प्रयास किए गए।

परिणामों ने दिखाया कि नया तरीका बिल्कुल वैसा ही काम करता है जैसा कि सिद्धांत ने भविष्यवाणी की थी, कम से कम छोटे समूहों के लिए। जब टीम ने बीस या पचास क्लासिफायर्स का उपयोग किया, तो कोहेरेंट कंसेंसस पद्धति मानक मेजोरिटी वोटिंग की तुलना में काफी अधिक सटीक थी। जैसे-जैसे उन्होंने अधिक क्लासिफायर्स जोड़े, उनके मापन की त्रुटि बहुत तेजी से कम हुई, जिससे पुष्टि हुई कि क्वांटम लिंकिंग ने सफलतापूर्वक संकेत को प्रवर्धित किया। हालांकि, प्रयोग ने एक सीमा भी प्रकट की। जब उन्होंने समूह का आकार बढ़ाकर अस्सी क्लासिफायर्स कर दिया, तो लाभ कम होने लगा। सिस्टम भौतिक हार्डवेयर में निहित सूक्ष्म खामियों और शोर (noise) के प्रति इतना संवेदनशील हो गया कि अतिरिक्त सटीकता मशीन की अपनी त्रुटियों में खो गई। शोधकर्ताओं ने पाया कि जबकि क्वांटम विधि सैद्धांतिक रूप से सटीकता में भारी वृद्धि प्रदान कर सकती है, वर्तमान तकनीक जो इन क्वांटम कंप्यूटरों को बनाने के लिए उपयोग की जाती है, उसमें इतना शोर होता है कि बड़े समूहों के मामले में यह लाभ को समाप्त कर देता है।

इस हार्डवेयर सीमा के बावजूद, यह अध्ययन एक स्पष्ट मार्ग प्रदान करता है। टीम ने सिद्ध किया कि समूहों के एक विशिष्ट दायरे के लिए, क्वांटम विधि न केवल अधिक सटीक है, बल्कि अधिक सुसंगत (accurate) भी है, जिसका अर्थ है कि इसके सही उत्तर देने की संभावना अधिक है। उन्होंने यह भी दिखाया कि यह लाभ जटिल क्वांटम सर्किट चलाने की अतिरिक्त लागत को ध्यान में रखने के बाद भी बना रहता है। यह कार्य प्रदर्शित करता है कि एंटैंगलमेंट का उपयोग क्वांटम कंप्यूटिंग में निर्णय लेने की प्रक्रिया में सुधार के लिए एक व्यावहारिक उपकरण के रूप में किया जा सकता है, जो शोर वाले, अनिश्चित सेंसरों के संग्रह को प्रभावी रूप से एक एकल, अत्यधिक संवेदनशील उपकरण में बदल देता है। यद्यपि वर्तमान मशीनें अभी तक सबसे बड़े समूहों को संभालने के लिए पर्याप्त पूर्ण नहीं हैं, फिर भी यह प्रयोग पुष्टि करता है कि सिद्धांत काम करता है। यह सुझाव देता है कि जैसे-जैसे क्वांटम हार्डवेयर बेहतर होगा और कम शोर वाला बनेगा, कोहेरेंट कंसेंसस की यह तकनीक क्वांटम एल्गोरिदम की विश्वसनीयता बढ़ाने का एक मानक तरीका बन सकती है, जिससे उन्हें उन समस्याओं को हल करने में सक्षम बनाया जा सकेगा जो वर्तमान में स्वतंत्र मशीनों के लिए अकेले संभालना बहुत कठिन है।

तकनीकी सारांश: चरण अनुमान और वर्गीकरण के लिए कोहेरेंट कंसेंसस (Coherent Consensus)

समस्या विवरण
यह शोध पत्र एक अज्ञात चरण (phase) $\phi$ के अनुमान और वर्गीकरण के लिए, विशेष रूप से एक क्वांटम प्रक्रिया में एन्कोडेड जानकारी को कुशलतापूर्वक सीखने की चुनौती को संबोधित करता है। यह समस्या क्वांटम मेट्रोलॉजी, फेज किकबैक (phase kickbacks), और अपूर्ण बाइनरी क्लासिफायर के एक समूह (ensemble) के आउटपुट के एकत्रीकरण जैसे संदर्भों में उत्पन्न होती है। एक मानक "ब्लैक बॉक्स" सेटिंग में, चरण को सीखने के लिए निर्धारित त्रुटि प्राप्त करने हेतु न्यूनतम संख्या में ओरेकल कॉल्स (oracle calls) की आवश्यकता होती है। जब $n$ स्वतंत्र क्लासिफायर या फेज गेट्स का एक समूह उपयोग किया जाता है जो थोड़े अपूर्ण अनुमान $\phi_j = \phi + \gamma_j$ उत्पन्न करते हैं, तो लक्ष्य $\phi$ के चिह्न (sign) को निर्धारित करना (वर्गीकरण) या उसके मान (अनुमान) को ज्ञात करना होता है, जो कि एक सीमित शॉट बजट (shot budget) के भीतर हो। मुख्य कठिनाई लक्षित चरण को सांख्यिकीय नमूनाकरण शोर (statistical sampling noise) और व्यवस्थित विचलन (systematic deviations) से अलग करने में निहित है, विशेष रूप से जब चरण छोटा हो और निर्णय सीमा (decision boundary) के करीब हो।

कार्यप्रणाली (Methodology)
लेखक कोहेरेंट कंसेंसस (Coherent Consensus) नामक एक प्रिमिटिव (primitive) प्रस्तावित करते हैं, जो स्वतंत्र क्वांटम क्लासिफायर के सहयोगात्मक प्रदर्शन को बढ़ाने के लिए क्वांटम मेट्रोलॉजी से प्रेरित है। यह कार्यप्रणाली दो रणनीतियों के बीच अंतर करती है:

बहुमत मतदान (Majority Voting - Incoherent): इस शास्त्रीय रणनीति में $n$ क्वबिट्स को समानांतर (parallel) में तैयार करना, व्यक्तिगत फेज गेट्स $U_{\phi_j}$ लागू करना, और प्रत्येक क्वबिट को $X$ या $Y$ आधार (basis) में स्वतंत्र रूप से मापना शामिल है। अंतिम अनुमान $\hat{\phi}_{MV}$ व्यक्तिगत अनुमानों का औसत होता है। यह दृष्टिकोण स्टैंडर्ड क्वांटम लिमिट (SQL) का पालन करता है, जहाँ सांख्यिकीय त्रुटि $O(1/\sqrt{nm})$ के रूप में स्केल करती है (जहाँ $m$ शॉट्स की संख्या है)।
कोहेरेंट कंसेंसस (Coherent Consensus): यह क्वांटम रणनीति सिग्नल को बढ़ाने के लिए एंटैंगलमेंट (entanglement) का उपयोग करती है। सर्किट तीन चरणों में होता है:
- $n$ क्वबिट्स पर एक ग्रीनबर्गर-होरने-ज़ीलिंगर (GHZ) अवस्था तैयार करें।
- $n$ अपूर्ण फेज गेट्स $U_{\phi_j}$ का टेंसर उत्पाद (tensor product) लागू करें।
- संचित चरणों (accumulated phases) को एक एकल क्वबिट पर एकत्र करने के लिए GHZ तैयारी को उलट दें।
- संचित चरणों के योग का अनुमान लगाने के लिए पहले क्वबिट को मापें।
  एस्टीमेटर (Estimator) $\hat{\phi}_{CC}$ एक सामान्यीकृत योग (normalized sum) है। यह दृष्टिकोण हाइजेनबर्ग लिमिट (Heisenberg Limit) प्राप्त करता है, जहाँ सांख्यिकीय त्रुटि $O(1/n\sqrt{m})$ के रूप में स्केल करती है।

लेखक अपूर्ण फेज गेट्स को यूनिटरी $U_{\phi_j}$ के रूप में मॉडल करते हैं, जहाँ चरण $\phi_j$ , लक्ष्य $\phi$ से स्वतंत्र, समान रूप से वितरित (i.i.d.) विक्षेपों (perturbations) $\gamma_j$ द्वारा विचलित होता है, जो $a$ द्वारा सीमित हैं। कुल त्रुटि को सांख्यिकीय त्रुटि (शॉट शोर), व्यवस्थित त्रुटि (डिवाइस शोर), और सैद्धांतिक त्रुटि (ट्रेनिंग विचलन/बायस) में विभाजित किया गया है।

प्रमुख योगदान

सैद्धांतिक गारंटी: लेखक दोनों रणनीतियों के लिए एक निर्धारित सापेक्ष त्रुटि $\epsilon$ $ϵ$ और विफलता की संभावना $\delta$ $δ$ के साथ आवश्यक क्वबिट्स ( $n$ $n$ ) और शॉट्स ( $m$ $m$ ) की संख्या के लिए कठोर सीमाएँ (Theorems 1 and 2) व्युत्पन्न करते हैं।
- बहुमत मतदान के लिए, आवश्यक संसाधन $1/\epsilon^2$ के साथ रैखिक रूप से स्केल करते हैं।
- कोहेरेंट कंसेंसस के लिए, आवश्यक संसाधन $1/(n\epsilon^2)$ के साथ रैखिक रूप से स्केल करते हैं, जो शुद्धता दक्षता में द्विघातीय (quadratic) सुधार प्रदर्शित करता है।
निर्णय गारंटी: शोध पत्र स्थापित करता है कि यदि सापेक्ष त्रुटि $(0, 1)$ के भीतर सीमित है, तो अनुमानित चरण $\hat{\phi}$ उच्च संभावना के साथ वास्तविक चरण $\phi$ के समान चिह्न रखेगा, जो सही बाइनरी वर्गीकरण सुनिश्चित करता है (Corollary 1)।
संसाधन विश्लेषण: दोनों विधियों की निष्पक्ष तुलना करने के लिए लेखक "हार्डवेयर क्वांटम क्रेडिट्स" (HQC) पेश करते हैं। यह मीट्रिक GHZ अवस्था की तैयारी के लिए आवश्यक टू-क्वबिट गेट्स की उच्च लागत बनाम बहुमत मतदान के समानांतर सिंगल-क्वबिट ऑपरेशन्स की लागत को ध्यान में रखता है।

प्रायोगिक परिणाम
लेखकों ने इसे एक 98-क्वबिट ट्रैप्ड-आयन क्वांटम कंप्यूटर और शोर रहित सिमुलेशन (noiseless simulations) में लागू किया:

परिशुद्धता (Precision): शोर रहित सिमुलेशन में, कोहेरेंट कंसेंसस ने बहुमत मतदान की तुलना में संकीर्ण कॉन्फिडेंस इंटरवल और लक्षित चरण की ओर तेज़ अभिसरण (convergence) प्रदर्शित किया, जो अनुमानित $\sqrt{n}$ लाभ के अनुरूप है।
हार्डवेयर प्रदर्शन: ट्रैप्ड-आयन डिवाइस पर, कोहेरेंट कंसेंसस ने $n=20$ और $n=50$ के लिए अपेक्षित $\sqrt{n}$ परिशुद्धता लाभ दिखाया। हालांकि, $n=80$ पर, डिवाइस ड्रिफ्ट और व्यवस्थित त्रुटियों (विशेष रूप से टू-क्वबिट गेट एरर और लंबी GHZ तैयारी के दौरान मेमोरी एरर) के कारण होने वाले बढ़ते फैलाव (dispersion) ने इस परिशुद्धता लाभ को कम कर दिया।
सटीकता (Accuracy): व्यवस्थित त्रुटियों के बावजूद, कोहेरेंट कंसेंसस समान शॉट बजट और अधिकांश समान क्रेडिट बजट के लिए $n=20$ और $n=50$ के लिए बहुमत मतदान की तुलना में अधिक सटीक रहा। $n=80$ के लिए, एंटैंगलिंग सर्किट में व्यवस्थित त्रुटियों के संचय के कारण कोहेरेंट कंसेंसस ने बहुमत मतदान पर अपनी सटीकता का लाभ खो दिया।

महत्व और दावे
शोध पत्र दावा करता है कि कोहेरेंट कंसेंसस फेज एस्टीमेशन और साइन क्लासिफिकेशन के लिए एक "तैयार-से-तैनात" (ready-to-deploy) प्रिमिटिव है। इसका प्राथमिक महत्व निम्नलिखित में है:

परिशुद्धता वृद्धि: यह बहुमत मतदान की तुलना में सैंपलिंग त्रुटि में प्रमाणित $\sqrt{n}$ कमी प्रदान करता है, जो प्रभावी रूप से क्वांटम कंप्यूटर के भीतर सेंसिंग के एक रूप के रूप में कार्य करता है।
मजबूती (Robustness): यह विधि वर्तमान क्वांटम हार्डवेयर के लिए उपयुक्त है, जिसमें कई क्वबिट्स हैं लेकिन सीमित कोहेरेंस समय है, क्योंकि यह समानांतरकरण (सिमुलेशन में) या लॉगरिदमिक डेप्थ कंपाइलेशन (हार्डवेयर में) के माध्यम से सर्किट डेप्थ को कम करती है।
व्यावहारिक उपयोगिता: यह कार्य प्रदर्शित करता है कि एंटैंगलमेंट का उपयोग स्वतंत्र क्लासिफायर्स को समन्वित करने के लिए किया जा सकता है, जिससे निर्दिष्ट परिशुद्धता तक पहुँचने के लिए आवश्यक सैंपलिंग प्रयास को कम किया जा सकता है। लेखक नोट करते हैं कि जबकि व्यवस्थित त्रुटियाँ वर्तमान में बहुत बड़े $n$ पर लाभ को सीमित करती हैं, यह प्रिमिटिव मध्यम आकार के सिस्टम ( $n=20, 50$ ) के लिए स्पष्ट लाभ प्रदान करता है जो निकट-अवधि (near-term) उपकरणों के विशिष्ट हैं।

शोध पत्र निष्कर्ष निकालता है कि जबकि सिंगल-क्वबिट क्लासिफायर्स द्वारा सार्वभौमिक सन्निकटन (universal approximation) कम्प्यूटेशनल लाभ की गारंटी नहीं देता है, इन क्लासिफायर्स का एंटैंगलमेंट के माध्यम से समन्वय (कोहेरेंट कंसेंसस) सैंपलिंग त्रुटि को कम करने में एक गैर-शास्त्रीय (non-classical) लाभ प्रदान करता है।

इसी तरह के और पेपर