⚛️ जालक

Statistical mechanics and hierarchy of learnability in quantum codes: From generalized symmetries to non-Abelian topological orders

यह शोध पत्र स्थानीय कमजोर मापन (local weak measurements) के तहत क्वांटम कोड्स के बेयसियन अनुमान (Bayesian inference) को सामान्यीकृत समरूपताओं (generalized symmetries) वाले शास्त्रीय स्पिन मॉडलों के साथ मैप करने वाला एक सांख्यिकीय यांत्रिकी ढांचा स्थापित करता है, जिससे गैर-अबेलियन क्रमों (non-Abelian orders) सहित टोपोलॉजिकल चरणों में गैर-स्थानीय अवलोकनीय (nonlocal observables) और एनीओनिक उत्तेजनाओं (anyonic excitations) की सीखने की क्षमता (learnability) को सीमित करने वाली सटीक पहचान और पदानुक्रम प्राप्त होते हैं।

मूल लेखक: Hiromi Ebisu, Masazumi Honda

प्रकाशित 2026-11-05

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Hiromi Ebisu, Masazumi Honda

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 लेखक ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

क्वांटम दुनिया में, सूचना अक्सर एकल कणों में नहीं, बल्कि उनमें से कई के बीच सामूहिक, छिपे हुए संबंधों में संग्रहीत होती है। यह एक क्वांटम त्रुटि-सुधार कोड (quantum error-correcting code) का सार है, जो एक ऐसा सिस्टम है जिसे परिवेश के निरंतर शोर से नाजुक डेटा की रक्षा करने के लिए डिज़ाइन किया गया है। एक ऐसे पुस्तकालय की कल्पना करें जहाँ किताबें शेल्फ पर नहीं रखी जातीं, बल्कि उनकी कहानियाँ स्वयं कमरे के ताने-बाने में बुनी हुई होती हैं; आप पूरे कमरे को विचलित किए बिना एक भी पन्ना नहीं पढ़ सकते, फिर भी जब तक कमरे की संरचना बनी रहती है, कहानी सुरक्षित रहती है। ऐसे सिस्टम के भीतर क्या हो रहा है, इसे समझने के लिए वैज्ञानिकों को माप (measurements) करने होते हैं। हालाँकि, क्वांटम क्षेत्र में, बहुत करीब से देखना सूचना को नष्ट कर देता है। इसके बजाय, शोधकर्ता "कमजोर मापों" (weak measurements) का उपयोग करते हैं, जो एक धुंधली खिड़की के माध्यम से कमरे में झाँकने के समान हैं। ये झलकियाँ केवल आंशिक, शोर युक्त संकेत प्रदान करती हैं, जिससे पर्यवेक्षक के सामने एक पहेली खड़ी हो जाती है: इन धुंधले, अधूरे मापों के रिकॉर्ड को देखते हुए, हम वास्तव में उन छिपे हुए, दीर्घ-परासी पैटर्न के बारे में क्या निष्कर्ष निकाल सकते हैं जो क्वांटम सूचना को एक साथ थामे रखते हैं?

यह प्रश्न हिरोमी एबिसु और मसाज़ुमी होंडा के एक नए अध्ययन के केंद्र में है, जिन्होंने इन क्वांटम अनुमान संबंधी खेलों को शास्त्रीय भौतिकी की परिचित दुनिया में मैप करने का एक शक्तिशाली तरीका विकसित किया है। शोधकर्ताओं ने स्टेबलाइज़र कोड (stabilizer models) के रूप में ज्ञात क्वांटम कोडों के एक व्यापक वर्ग पर ध्यान केंद्रित किया, जिसमें टोरिक कोड (toric code) जैसे प्रसिद्ध उदाहरण शामिल हैं। उन्होंने एक विशिष्ट प्रश्न पूछा: यदि हम अपने शोर युक्त मापों से सिस्टम के एक दूरस्थ भाग की स्थिति को विश्वसनीय रूप से निष्कर्ष निकाल सकते हैं, तो क्या यह गारंटी देता है कि हम दूसरे दूरस्थ भाग, या शायद दोनों के संयोजन के बारे में भी निष्कर्ष निकाल सकते हैं? इस उत्तर के लिए, उन्होंने क्वांटम समस्या को एक सांख्यिकीय यांत्रिकी मॉडल (statistical mechanics model) में अनुवादित किया, जो भौतिकी की वह शाखा है जो यह वर्णन करती है कि कणों के बड़े समूह औसतन कैसे व्यवहार करते हैं। ऐसा करके, उन्होंने एक छिपी हुई समरूपता (symmetry) की खोज की जो यह निर्धारित करने के लिए एक सख्त नियम पुस्तिका की तरह कार्य करती है कि क्या सीखा जा सकता है।

टीम ने पाया कि जब वेवफंक्शन विरूपण (wavefunction deformation) की शक्ति मापन के शोर की शक्ति के बराबर होती है, तो एक विशेष स्थिति उत्पन्न होती है जिसे वे "उच्च निशिमोरी मैनिफोल्ड" (higher Nishimori manifold) कहते हैं। इस विशिष्ट पथ पर, गणित उल्लेखनीय रूप से सरल हो जाता है। शोधकर्ताओं ने सिद्ध किया कि दो अलग-अलग गैर-स्थानीय अवलोकनों (nonlocal observables) के बारे में सीखने की क्षमता उनके गुणनफल (product) के बारे में सीखने की क्षमता से सीधे जुड़ी हुई है। सरल शब्दों में, यदि आप क्वांटम सूचना के एक दूरस्थ लूप की स्थिति का सफलतापूर्वक अनुमान लगा सकते हैं, और आप दूसरे, भिन्न लूप की स्थिति का भी अनुमान लगा सकते हैं, तो आप गणितीय रूप से उन्हें आपस में गुणा करके बनने वाले संयुक्त लूप की स्थिति का अनुमान लगाने में सक्षम होने की गारंटी रखते हैं। यह कोई अस्पष्ट संभावना नहीं है, बल्कि सिस्टम की समरूपताओं से प्राप्त एक सटीक पहचान (identity) है। यह एक सख्त पदानुक्रम स्थापित करता है: जटिल, संयुक्त पैटर्न को सीखने की क्षमता उनके सरल घटकों को सीखने की क्षमता द्वारा सीमित होती है।

इस सिद्धांत को प्रदर्शित करने के लिए, लेखकों ने अपने ढांचे को रैंक-2 टोरिक कोड पर लागू किया, जो एक परिष्कृत क्वांटम मॉडल है और "डाइपोल" (dipole) उत्तेजनाओं का समर्थन करता है। इस सिस्टम में, खेल के नियम मानक मॉडलों से थोड़े भिन्न हैं क्योंकि यहाँ समरूपताएं मॉडुलित (modulated) होती हैं, जिसका अर्थ है कि वे जाली (lattice) पर आपकी स्थिति के आधार पर बदलती हैं। शोधकर्ताओं ने दिखाया कि यदि "डाइपोल" लूप—ऐसे पैटर्न जो दूर स्थित विपरीत आवेशों के जोड़े की तरह दिखते हैं—को लंबी दूरी तक सीखा जा सकता है, तो "मोनोपोल" लूप, जो अधिक समान और विस्तृत होते हैं, उन्हें भी सीखा जाना चाहिए। डाइपोल ऑपरेटरों का गुणन मोनोपोल ऑपरेटरों का निर्माण करता है, और गणितीय पदानुक्रम यह निर्धारित करता है कि पूर्व की सीखने की क्षमता ही उत्तर की सीखने की क्षमता को अनिवार्य बनाती है। यह परिणाम इन क्वांटम प्रणालियों के चरण आरेखों (phase diagrams) पर एक ठोस बाधा प्रदान करता है, जो वैज्ञानिकों को ठीक से बताता है कि कौन से पैटर्न सूचना के अस्तित्व को बनाए रखते हैं और कौन से नहीं।

अध्ययन इन विशिष्ट उदाहरणों तक ही सीमित नहीं रहा। शोधकर्ताओं ने परिमित समूहों (finite groups) पर आधारित क्वांटंत डबल मॉडल का विश्लेषण किया, जिसमें वे मॉडल भी शामिल हैं जो "नॉन-अबेलियन" (non-Abelian) एनीऑन्स (anyons) को धारण करते हैं। ये विलक्षण कण हैं जो एक-दूसरे के चारों ओर घूमने पर केवल अपनी जगह नहीं बदलते; उनका क्रम महत्वपूर्ण होता है, जिससे बहुत अधिक जटिल फ्यूजन नियम (fusion rules) बनते हैं। यहाँ तक कि इन जटिल परिदृश्यों में भी, टीम ने सटीक संबंध निकाले। उन्होंने दिखाया कि इन कणों को नियंत्रित करने वाले गणितीय समूहों की संरचना आगे के प्रतिबंध लगाती है। उदाहरण के लिए, त्रिभुज और वर्ग की समरूपता समूहों पर आधारित मॉडलों में, उन्होंने सिद्ध किया कि यदि सिस्टम कुछ नॉन-अबेलियन आवेशों को सीखने की अनुमति देता है, तो यह अनिवार्य रूप से उनसे जुड़े विशिष्ट अबेलियन आवेशों को सीखने की अनुमति देता है। कणों के फ्यूजन नियम एक फिल्टर के रूप में कार्य करते हैं, जो यह निर्धारित करते हैं कि शोर युक्त डेटा से किस प्रकार की गैर-स्थानीय सूचना को एक साथ निकाला जा सकता है।

ये निष्कर्ष क्वांटम त्रुटि सुधार के परिदृश्य को समझने के लिए एक नया मार्गदर्शक प्रदान करते हैं। एक क्वांटम कोड के संपूर्ण जटिल चरण आरेख को शून्य से हल करने के बजाय, वैज्ञानिक अब इन सटीक पदानुक्रमों का उपयोग यह भविष्यवाणी करने के लिए कर सकते हैं कि कौन से सहसंबंध बने रहेंगे। यदि कोई सिस्टम एक सरल घटक को सीखने में विफल रहता है, तो पदानुक्रम हमें बताता है कि वह निश्चित रूप से एक जटिल संयोजन को सीखने में भी विफल होगा। इसके विपरीत, यदि जटिल संयोजन सीखने योग्य है, तो यह घटकों के सीखने की गारंटी नहीं देता है, लेकिन विपरीत दिशा निदान के लिए एक शक्तिशाली उपकरण प्रदान करती है। यह कार्य सुझाव देता है कि क्वांटम कोड की मूल संरचना—इसके ऑपरेटर कैसे गुणा होते हैं और इसकी समरूपताएं कैसे व्यवस्थित होती हैं—उस ज्ञान की सीमाओं को निर्धारित करती है जिसे जाना जा सकता है। यह क्वांटम सूचना के शोर भरी दुनिया में जीवित रहने के तरीके को समझने के लिए एक स्पष्ट, गणितीय मानचित्र प्रदान करता है, जो एक अराजक अनुमान लगाने वाले खेल को एक संरचित जांच में बदल देता है जहाँ खेल के नियम ही ज्ञान की सीमाओं को प्रकट करते हैं।

तकनीकी सारांश: क्वांटम कोड्स में सांख्यिकीय यांत्रिकी और सीखने की क्षमता का पदानुक्रम (Hierarchy of Learnability)

समस्या विवरण
टोपोलॉजिकल क्वांटम एरर-करेक्टिंग कोड सूचना को गैर-स्थानीय डिग्रियों (nonlocal degrees of freedom) में संग्रहीत करते हैं जो स्थानीय विक्षोभों के विरुद्ध सुरक्षित होती है। हालांकि, वास्तविक परिदृश्यों में, स्थानीय कमजोर माप (weak measurements) केवल शोर युक्त, आंशिक जानकारी प्रदान करते हैं। यह एक मौलिक निष्कर्ष समस्या (inference problem) खड़ा करता है: स्थानीय कमजोर मापों के एक विशिष्ट रिकॉर्ड को देखते हुए, कौन से गैर-स्थानीय अवलोकनीय (जैसे लूप ऑपरेटर्स या एनीयोनिक चार्जेस) विश्वसनीय रूप से निकाले जा सकते हैं, और विभिन्न अवलोकनीयों की एक साथ सीखने की क्षमता किन बाधाओं द्वारा नियंत्रित होती है? विशेष रूप से, लेखक जांचते हैं कि क्या ऑपरेटरों के बीच बीजगणितीय संबंध (जैसे गुणन नियम) उनके उत्पादों की सीखने की क्षमता पर सटीक प्रतिबंध लगाते हैं।

कार्यप्रणाली
लेखक इस शिक्षण समस्या को एक बेयसियन अनुमान कार्य (Bayesian inference task) के रूप में तैयार करते हैं और इसे एक शास्त्रीय सांख्यिकीय यांत्रिक प्रणाली में मैप करते हैं। मुख्य कार्यप्रणाली शामिल है:

१. शास्त्रीय स्पिन मॉडल्स में मैपिंग: कैलडरबैंक-शोर-स्टीन्स (CSS) स्टेबलाइजर कोड्स और फाइनाइट ग्रुप क्वांटम डबल मॉडल्स के एक विस्तृत वर्ग के लिए, लेखक क्वांटम अवस्था और मापन प्रक्रिया को एक शास्त्रीय स्पिन मॉडल में मैप करते हैं। क्वांटम कोड में स्टेबलाइजर संबंध शास्त्रीय हैमिल्टनियन में सटीक समरूपताओं (वैश्विक, मॉड्यूलेटेड, या सबसिस्टम) के अनुरूप होते हैं। स्थानीय पॉली नॉइज़ (Pauli noise) और वेवफंक्शन विरूपण विशिष्ट इंटरेक्शन टर्म्स के साथ बोल्ट्ज़मैन वेट्स उत्पन्न करते हैं।
२. रेप्लिका फॉर्मलिज्म और बेयसियन इंफरेंस: अनुमान समस्या को एक रेप्लिकेटेड सांख्यिकीय यांत्रिक ढांचे का उपयोग करके माना जाता है। स्पिन कॉन्फ़िगरेशन के पोस्टीरियर वितरण को, मापन रिकॉर्ड की स्थिति में, विश्लेषित किया जाता है। लेखक रिकॉर्ड-औसत उत्पाद पोस्टीरियर एक्सपेक्टेशन वैल्यूज की गणना करने के लिए सिस्टम के $R$ रेप्लिकas पेश करते हैं।
३. हायर निशिमोरी मैनिफोल्ड (Higher Nishimori Manifold): एक महत्वपूर्ण स्थिति की पहचान की गई है जहाँ गाऊसी कमजोर मापों की शक्ति ( $\Delta_j$ ), सभी स्थानीय ऑपरेटरों के लिए वेवफंक्शन विरूपण की शक्ति ( $K_j$ ) के बराबर हो जाती है। इस "हायर निशिमोरी मैनिफोल्ड" पर, रेप्लिकेटेड हैमिल्टनियन एक विस्तारित समरूपता प्राप्त करता है: एक परम्यूटेशन सिमेट्री $S_R \to S_{R+1}$ , जो एक सहायक "ट्रुथ" (truth) रेप्लिका को $R$ पोस्टीरियर रेप्लिकास के समान स्तर पर रखती है। यह सिमेट्री सामान्य निशिमोरी लाइनों में पाए जाने वाले गेज रेडंडेंसी के समान है, लेकिन इसे बेयसियन लर्निंग लिमिट ( $R \to 1$ ) के अनुकूल बनाया गया है।
४. आइडेंटिटीज और इनइक्वेलिटीज़ का व्युत्पन्न: $S_{R+1}$ सिमेट्री और ऑब्जर्वेबल्स के मल्टीप्लिकेटिव गुणों का उपयोग करते हुए, लेखक रिकॉर्ड-औरेजित सहसंबंधों (correlators) को जोड़ने वाली सटीक आइडेंटिटीज निकालते हैं। जब क्लीन मॉडल में नॉन-नेगेटिव फर्मोमैग्नेटिक कपलिंग होता है, तो ग्रिफिथ्स-केली-शेरमन (GKS) कोरलेशन इनइक्वेलिटीज़ को मिलाकर, वे अलग-अलग अवलोकनीयों की सीखने की क्षमता के बीच सख्त पदानुक्रम स्थापित करते हैं।

प्रमुख योगदान और परिणाम

सीखने की क्षमता का सटीक पदानुक्रम: किसी भी दो अवलोकनीयों $O_v$ और $O_w$ के लिए, जो वेक्टर $v$ और $w$ से जुड़े हैं, एडवर्ड्स-एंड्रसन प्रकार के कोरिलेटर ( $C^{(2)}$ ) के लिए एक प्राथमिक परिणाम स्वरूप एक सटीक असमानता मिलती है: यदि संबद्ध क्लीन मॉडल में नॉन-नेगेटिव कपलिंग्स हैं, तो उनके उत्पाद की सीखने की क्षमता उनकी व्यक्तिगत सीखने की क्षमताओं के गुणनफल द्वारा सीमित होती है:
$C^{(2)}_{v \oplus w} \ge C^{(2)}_v C^{(2)}_w$
इसका तात्पर्य यह है कि यदि दो अवलोकनीय लंबे अंतराल (long distances) पर सीखने योग्य बने रहते हैं, तो उनका उत्पाद भी अनिवार्य रूप से सीखने योग्य बना रहेगा। यह एक ऐसा पदानुक्रम स्थापित करता है जहाँ संयुक्त (composite) ऑपरेटरों की सीखने की क्षमता उनके घटकों की सीखने की क्षमता द्वारा बाधित होती है।
सामान्यीकृत सममिति वाले CSS कोड्स के अनुप्रयोग:
- रैंक-2 टोरिक कोड: लेखक रैंक-2 टोरिक कोड के लिए इस फ्रेमवर्क को लागू करते हैं, जिसमें स्पैशियली मॉड्यूलेटेड सिमेट्रीज़ होती हैं। वे प्रदर्शित करते हैं कि एक द्विध्रुवी लूप ऑपरेटर (dipole loop operator) का लैट्टिस ट्रांसलेशन के साथ गुणा, एक होमोजेनियस मोनोपोल लूप देता है। व्युत्पन्न पदानुक्रम सिद्ध करता है कि द्विध्रुवी लूप की लॉन्ग-रेंज लर्नबिलिटी स्वाभाविक रूप से संबंधित मोनोपोल लूप्स की लॉन्ग-रेंज लर्नबिलिटी को निहित करती है।
- एक्स-क्यूब (X-Cube) मॉडल: इसी तरह के संबंध एक्स-क्यूब मॉडल के लिए स्थापित किए गए हैं, जहाँ प्लेनर सबसिस्टम सिमेट्रीज़ प्लेन के विभिन्न जोड़ों की जाँच करने वाले लर्निंग कोरिलेटर्स के बीच सटीक असमानताएं पैदा करती हैं।
गैर-एबेलियन क्वांटम डबल्स तक विस्तार: विश्लेषण को फाइनाइट ग्रुप क्वांटम डबल मॉडल्स $D(G)$ तक बढ़ाया गया है, जिसमें गैर-एबेलियन मामले ( $S_3$ और $D_4$ ) भी शामिल हैं।
- शुद्ध इलेक्ट्रिक ऑब्जर्वेबल के लिए एक सटीक हायर निशिमोरी आइडेंटिटी निकाली गई है, जो लर्निंग कोरिलेटर्स को संगत स्वच्छ क्लासिकल मॉडल के कोरिलेशन से जोड़ती है।
- एक पॉजिटिविटी कंडीशन के तहत (जहाँ इंटरैक्शंस को नॉर्मल सबग्रुप्स के इंडिकेटर फंक्शन्स के संदर्भ में एक्सपैंड किया जा सकता है जिनके नॉन-नेगेटिव गुणांक हों), लेखक समूह के रिप्रेजेंटेशन थ्योरी के आधार पर असमानताएं निकालते हैं।
- फ्यूजन कंस्ट्रेंट्स (Fusion Constraints): परिणाम दिखाते हैं कि एनीऑन्स के फ्यूजन रूल्स सीखने की क्षमता को प्रतिबंधित करते हैं। उदाहरण के लिए, $S_3$ और $D_4$ मॉडल्स में, एक गैर-एबेलियन इलेक्ट्रिक चार्ज की लॉन्ग-रेंज लर्नबिलिटी जुड़ी हुई एबेलियन चार्जेस की लर्नबिलिटी को दर्शाती है। इसके अलावा, एक फ्यूजन ट्रिपलेट में मौजूद किन्हीं दो एबेलियन चार्जेस की लर्नबिलिटी तीसरे की लर्नबिलिटी को सूचित करती है।

महत्ता और दावे
यह शोध पत्र दावा करता है कि वह स्थानीय कमजोर मापों के तहत क्वांटम कोड्स से सूचना निष्कर्षण की सीमाओं को समझने के लिए एक कठोर, मॉडल-स्वतंत्र ढांचा प्रदान करता है। सांख्यिकीय यांत्रिकी की समरूपताओं का लाभ उठाकर, लेखक प्रदर्शित करते हैं कि कोड की बीजगणितीय संरचना (ऑपरेटर मल्टीप्लिकेशन और फ्यूजन रूल्स) सीधे तौर पर सीखने योग्य पैटर्न को निर्धारित करती है।

इसकी महत्ता यहाँ है:
१. सटीक बाधाएं: ऐसी सटीक आइडेंटिटीज और अनिरुद्धताएँ (inequalities) प्रदान करना जो यह नियंत्रित करती हैं कि किस प्रकार की गैर-स्थानीय जानकारी को एक साथ सीखा जा सकता है, बिना पूर्ण मेजरमेंट-डिपेंडेंट फेज डायग्राम के समाधान के।
२. एकीकृत ढांचा: वैश्विक, मॉड्यूलेटेड और सबसिस्टम सिमेट्रीज़ के साथ-साथ अबेलियन और नॉन-एबेलियन टोपोलॉजिकल ऑर्डर सहित विविध कोड्स के उपचार को एकल "हायर निशिमोरी" औपचारिकता के अंतर्गत लाना।
३. फेज डायग्राम के लिए मार्गदर्शन: लर्निंग समस्याओं में क्रिटिकल व्यवहार और फेज़ ट्रांज़िशन के निदान के लिए मार्गदर्शक बनना, क्योंकि व्युत्पन्न अनिरुद्धताएँ स्केलिंग डाइमेंशन (उदाहरण के लिए, $x_{v \oplus w} \le x_v + x_w$ ) पर सीमाएं लगाती हैं।

लेखक विनम्रतापूर्वक नोट करते हैं कि ये सटीक परिणाम विशेष रूप से हायर निशिमोरी मैनिफोल्ड पर ही मान्य हैं। वे स्वीकार करते हैं कि इस सटीक मिलान शर्त से दूर रहने पर, या अधिक सामान्य मापन प्रोटोकॉल के तहत, इन पदानुक्रमों का बने रहना एक खुला प्रश्न है, हालाँकि वे सुझाव देते हैं कि कमजोर बाधाएं जीवित रह सकती हैं। यह कार्य नए प्रायोगिक सेटअप प्रस्तावित नहीं करता है बल्कि मौजूदा और भविष्य के क्वांटम एरर करेक्शन परिदृश्यों के विश्लेषण के लिए एक सैद्धांतिक उपकरणसेट प्रदान करता है।

इसी तरह के और पेपर