⚛️ क्वांटम भौतिकी

Exploring Variational Regularization of Krylov Subspaces

यह शोध पत्र एक वेरिएशनल क्राइलोव-समान (Krylov-like) ढांचे को प्रस्तुत करता है जो रैखिक निर्भरताओं को दंडित करते हुए हैमिल्टनियन आइजनस्टेट्स (eigenstates) को अनुमानित करने के लिए पैरामीटराइज्ड अवस्थाओं को पुनरावृत्ति से अनुकूलित करता है, यह प्रदर्शित करते हुए कि हैमिल्टनियन-प्रेरित एन्सैट्स (ansätze) उन क्वांटम कंप्यूटिंग संदर्भों में अभिसरण (convergence) और कंडीशनिंग के बीच प्रभावी ढंग से संतुलन बनाते हैं जहाँ पारंपरिक ऑर्थोगोनलाइजेशन (orthogonalization) अनुपलब्ध है।

मूल लेखक: Alexandre Perrin, Jérémie Messud, Sébastien Burdin, Matthieu Saubanère

प्रकाशित 2026-11-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Alexandre Perrin, Jérémie Messud, Sébastien Burdin, Matthieu Saubanère

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

पदार्थ के सबसे मौलिक स्तर पर इसके व्यवहार को समझने की खोज में, वैज्ञानिक अक्सर ऊर्जा और गति के गणित की ओर मुड़ते हैं। इस प्रयास के केंद्र में जटिल प्रणालियों के सबसे निम्नतम ऊर्जा अवस्थाओं को खोजने की चुनौती निहित है, जो परमाणुओं और इलेक्ट्रॉनों के सबसे स्थिर विन्यासों के अनुरूप होती हैं। इन समस्याओं को हल करने के लिए, शोधकर्ता 'सबस्पेस मेथड्स' (subspace methods) नामक शक्तिशाली गणितीय उपकरणों पर भरोसा करते हैं। कल्पना कीजिए कि आप एक विशाल, धुंधली घाटी में सबसे गहरे बिंदु को खोजने की कोशिश कर रहे हैं; पूरे परिदृश्य का मानचित्र बनाने के बजाय, ये विधियाँ रणनीतिक कदमों की एक श्रृंखला लेती हैं, जिनमें से प्रत्येक कदम खोजकर्ता को सबसे आशाजनक दिशाओं पर ध्यान केंद्रित करके तल की ओर करीब लाता है। 'क्रायलोव अप्रोच' (Krylov approach) के रूप में जानी जाने वाली एक विधि विशेष रूप से कुशल है क्योंकि यह शोर को फ़िल्टर करते हुए प्रणाली की सबसे महत्वपूर्ण विशेषताओं को स्वाभाविक रूप से प्रवर्धित करती है। हालाँकि, इस दक्षता के साथ एक छिपा हुआ जाल भी आता है: जैसे-जैसे विधि अधिक कदम उठाती है, वे दिशाएँ जिन्हें वह खोजती है, आपस में सघन होने लगती हैं, इतनी समान हो जाती हैं कि गणितीय गणनाएँ अस्थिर और त्रुटिपूर्ण हो जाती हैं। यह समस्या उभरते क्वांटम कंप्यूटिंग के क्षेत्र के लिए विशेष रूप से गंभीर है, जहाँ मशीन की भौतिक प्रकृति वैज्ञानिकों को उन ओवरलैप्स (overlaps) को आसानी से ठीक करने से रोकती है जैसा कि वे एक क्लासिकल कंप्यूटर पर कर सकते हैं।

बोर्डो विश्वविद्यालय और टोटलएनर्जीज़ (TotalEnergies) के शोधकर्ताओं की एक टीम ने इस कठिनाई से निपटने के एक नए तरीके की जांच की है। उन्होंने एक लचीला ढांचा विकसित किया है जो पारंपरिक विधि के सफल कदमों की नकल करता है लेकिन अन्वेषण दिशाओं को अलग रखने के लिए एक सुरक्षा तंत्र जोड़ता है। एक कठोर गणितीय रेसिपी का आँख मूँदकर पालन करने के बजाय, जो अनिवार्य रूप से दिशाओं के एक भीड़भाड़ वाले, अस्थिर सेट की ओर ले जाती है, उनका दृष्टिकोण एक निर्देशित खोज का उपयोग करता है। प्रत्येक चरण पर, एल्गोरिदम एक नई अवस्था उत्पन्न करता है और दो प्रश्न पूछता है: क्या यह नई अवस्था पिछले चरणों के साथ इस तरह मजबूती से जुड़ती है जो नई ऊर्जा जानकारी प्रकट करती है, और क्या यह गणितीय भ्रम से बचने के लिए पहले से खोजी गई अवस्थाओं से पर्याप्त रूप से भिन्न है? इन दो लक्ष्यों को संतुलित करके, शोधकर्ताओं ने एक ऐसी प्रणाली बनाई है जो उच्च सटीकता के साथ एक मॉडल सिस्टम की निम्नतम ऊर्जा अवस्थाओं को खोज सकती है और साथ ही अंतर्निहित गणनाओं को स्थिर रख सकती है।

शोधकर्ताओं ने अपने विचार का परीक्षण 'एंडरसन इम्प्योरिटी मॉडल' (Anderson impurity model) नामक एक विशिष्ट मॉडल पर किया, जो एक एकल परमाणु के आसपास इलेक्ट्रॉनों के समुद्र के साथ होने वाली परस्पर क्रिया का वर्णन करता है। यह मॉडल एक मानक बेंचमार्क है कि क्वांटम एल्गोरिदम जटिल अंतःक्रियाओं को कितनी अच्छी तरह संभाल सकते हैं। उन्होंने अपनी नई वेरिएशनल विधि (variational method) की तुलना पारंपरिक, सटीक गणितीय दृष्टिकोणों से की। परिणामों ने एक स्पष्ट ट्रेड-ऑफ (trade-off) का खुलासा किया। जब शोधकर्ताओं ने अवस्थाओं को बहुत अधिक समान होने से रोकने के लिए एक बहुत ही सौम्य दंड (penalty) लागू किया, तो विधि ने पारंपरिक दृष्टिकोण की तीव्र अभिसरण (convergence) क्षमता को बनाए रखते हुए गणितीय स्थिरता को उच्च रखा। हालाँकि, यदि उन्होंने अवस्थाओं को पूरी तरह से विशिष्ट बनाने के लिए दंड को बहुत अधिक कड़ा कर दिया, तो विधि ने सही ऊर्जा स्तरों को तेजी से खोजने की अपनी क्षमता खो दी। अध्ययन ने दिखाया कि सफलता की कुंजी केवल दंड स्वयं नहीं था, बल्कि उस खोज उपकरण की संरचना थी जिसका उन्होंने उपयोग किया था। जब खोज उपकरण को प्रणाली की विशिष्ट भौतिक अंतःक्रियाओं को प्रतिबिंबित करने के लिए डिज़ाइन किया गया था, तो यह पारंपरिक विधि की तीव्र प्रगति को पुनरुत्पादित कर सका। इसके विपरीत, जब उन्होंने एक जेनेरिक, उथले खोज उपकरण का उपयोग किया जिसने सिस्टम की भौतिकी को ध्यान में नहीं रखा, तो विधि स्थिर तो रही लेकिन गहरे ऊर्जा स्तरों को खोजने में विफल रही, चाहे गणित कितना भी सुव्यवस्थित क्यों न हो।

इस कार्य का एक महत्वपूर्ण निष्कर्ष यह है कि इस नई विधि द्वारा उत्पन्न व्यक्तिगत अवस्थाओं को उपयोगी होने के लिए पारंपरिक एल्गोरिदम के सटीक चरणों से मेल खाने की आवश्यकता नहीं है। पारंपरिक दृष्टिकोण में, प्रत्येक चरण एक सटीक, कठोर गणना है। इस नए वेरिएशनल दृष्टिकोण में, व्यक्तिगत कदम पारंपरिक पथ से भिन्न और परिवर्तनशील हो सकते हैं, फिर भी सभी कदमों का संग्रह अभी भी प्रणाली की ऊर्जा के बारे में समान आवश्यक जानकारी कैप्चर करता है। शोधकर्ताओं ने पाया कि भले ही उनके द्वारा चुनी गई विशिष्ट दिशाएं पारंपरिक दिशाओं से भिन्न थीं, फिर भी खोजे गए संपूर्ण स्थान ने लगभग सौ प्रतिशत की सटीकता के साथ पारंपरिक समाधान के साथ ओवरलैप किया। यह सुझाव देता है कि ऐसे एल्गोरिदम का लक्ष्य हर एक कदम को क्लासिकल संस्करण जैसा दिखने के लिए मजबूर करना नहीं होना चाहिए, बल्कि यह सुनिश्चित करना होना चाहिए कि कदमों का पूरा संग्रह आवश्यक आधार को कवर करे बिना गणितीय अराजकता में ढहे।

अध्ययन ने वर्तमान क्वांटम हार्डवेयर की सीमाओं और वास्तविक मशीनों पर इन एल्गोरिदम को चलाने की विशिष्ट चुनौतियों पर भी प्रकाश डाला। जबकि शोधकर्ताओं द्वारा किए गए सिमुलेशन सटीक थे और उस शोर से मुक्त थे जो भौतिक क्वांटम कंप्यूटरों को प्रभावित करता है, उनके द्वारा प्रस्तावित विधि को कार्य करने के लिए बड़ी संख्या में मापों (measurements) की आवश्यकता होती है। एक वास्तविक डिवाइस पर, प्रत्येक नई अवस्था की स्थिरता और ऊर्जा की जाँच करने के लिए आवश्यक डेटा एकत्र करने की लागत काफी अधिक होगी। शोधकर्ता प्रस्ताव देते हैं कि इस क्षेत्र का भविष्य एक हाइब्रिड दृष्टिकोण में हो सकता है, जहाँ चरणों के छोटे, कठोर अनुक्रमों को आवधिक वेरिएशनल समायोजनों (periodic variational adjustments) के साथ जोड़ा जा सकता है। यह प्रणाली को पारंपरिक विधियों की गति का लाभ उठाने और लचीलेपन का उपयोग करके रिसेट करने और गणितीय अस्थिरता को बढ़ने से रोकने की अनुमति देगा। अंततः, यह कार्य इस बात के लिए एक रोडमैप प्रदान करता है कि कैसे अधिक मजबूत क्वांटम एल्गोरिदम बनाए जा सकते हैं जो जटिल भौतिक समस्याओं को हल कर सकें बिना उस गणितीय शोर में खोए जिससे यह क्षेत्र लंबे समय से जूझ रहा है।

तकनीकी सारांश: क्रायलोव सबस्पेस के वेरिएशनल रेगुलराइजेशन का अन्वेषण

समस्या विवरण
क्रायलोव सबस्पेस विधियाँ, विशेष रूप से लैंकोस एल्गोरिदम (Lanczos algorithm), बड़े हैमिल्टोनियन के चरम आइजनस्टेट्स (extremal eigenstates) के सन्निकटन के लिए अत्यधिक कुशल हैं। हालाँकि, वे एक मौलिक संख्यात्मक समस्या से ग्रस्त हैं: हैमिल्टोनियन के बार-बार अनुप्रयोग ( $H^n|\phi_0\rangle$ ) से उत्पन्न होने वाले आधार वेक्टर (basis vectors) तेजी से समानांतर (parallel) होते जाते हैं, जिससे ओवरलैप मैट्रिक्स $S$ का कंडीशन नंबर तेजी से बढ़ता जाता है। यह खराब स्थिति (ill-conditioning) सामान्यीकृत आइजनवैल्यू समस्या को संख्यात्मक रूप से अस्थिर बना देती है।

क्लासिकल कंप्यूटिंग में, इसे ऑन-द-फ्लाई ऑर्थोगोनलाइजेशन (जैसे ग्रैम-श्मिट या रीऑर्थोगोनलाइजेशन) के माध्यम से कम किया जाता है। हालाँकि, क्वांटम कंप्यूटिंग में, डायरेक्ट स्टेट एक्सेस उपलब्ध नहीं होता है; अवस्थाएँ केवल क्वांटम सर्किट के रूप में मौजूद होती हैं। फलस्वरूप, क्लासिकल ऑर्थोगोनलाइजेशन प्रक्रियाओं को सीधे लागू नहीं किया जा सकता है। वर्तमान क्वांटम सबस्पेस विधियाँ (जैसे क्वांटम सबस्पेस एक्सपेंशन) आमतौर पर ओवरलैप और हैमिल्टोनियन मैट्रिसेस का अनुमान लगाती हैं और ऑर्थोगोनलाइजेशन को एक क्लासिकल पोस्ट-प्रोसेसिंग स्टेप के रूप में करती हैं। यह दृष्टिकोण संख्यात्मक रूप से अस्थिर है जब तैयार की गई अवस्थाएँ लगभग रैखिक रूप से निर्भर (linearly dependent) होती हैं, क्योंकि ओवरलैप मैट्रिक्स के छोटे आइजनवैल्यूज शॉट नॉइज़ और सैंपलिंग त्रुटियों को बढ़ा देते हैं। शोध पत्र एक ट्रेड-ऑफ की पहचान करता है: वे दिशाएँ जो ऊर्जा सुधार के लिए सबसे अधिक प्रासंगिक हैं, वे अक्सर रैखिक निर्भरता उत्पन्न करती हैं, जिससे तीव्र अभिसरण (convergence) और अच्छी संख्यात्मक कंडीशनिंग को एक साथ प्राप्त करना कठिन हो जाता है।

कार्यप्रणाली (Methodology)
लेखक एक वेरिएशनल क्वांटम क्रायलोव डायगोनलाइजेशन (VQKD) फ्रेमवर्क का प्रस्ताव करते हैं। आधार अवस्थाओं को पिछले अवस्था पर एक वेरिएशनल एंसेट (ansatz) $A(\theta_n)$ लगाकर बार-बार हैमिल्टोनियन अनुप्रयोगों के माध्यम से उत्पन्न करने के बजाय, वे एक अनुक्रमित अवस्थाओं का निर्माण करते हैं $|\phi_n(\theta_n)\rangle \propto A(\theta_n) |\phi_{n-1}\rangle$ ।

अभिसरण (convergence) और स्थिरता के बीच संतुलन बनाने के लिए, मापदंडों $\theta_n$ को एक कॉस्ट फंक्शन $C_n(\theta_n)$ को न्यूनतम करके अनुकूलित किया जाता है:
$C_n(\theta_n) = -|H^\perp_{n,n-1}(\theta_n)|^2 \left( 1 - \lambda \sum_{i<n} |\langle \phi_n(\theta_n) | \phi^*_i \rangle|^2 \right)$

अभिसरण टर्म (Convergence Term): पहला कारक, $-|H^\perp_{n,n-1}|^2$ , पिछले ऑर्थोनॉर्मलाइज्ड बेसिस डायरेक्शन के साथ प्रभावी हैमिल्टोनियन कपलिंग को अधिकतम करता है, जो लैंकोस रिकरेंस (Lanczos recurrence) की नकल करता है।
रेगुलराइजेशन टर्म (Regularization Term): दूसरा कारक, नई अवस्था और पहले से उत्पन्न सभी अवस्थाओं के बीच ओवरलैप को दंडित (penalize) करता है। पैरामीटर $\lambda$ इस दंड की शक्ति को नियंत्रित करता है, जो लगभग रैखिक निर्भरता के विरुद्ध एक सॉफ्ट कंस्ट्रेंट के रूप में कार्य करता है।

लेखक इस फ्रेमवर्क का परीक्षण एक स्टार ज्योमेट्री (4 साइट्स, 8 क्वबिट्स) में एक परिमित एंडरसन इम्प्योरिटी मॉडल पर करते हैं। वे तीन अलग-अलग एंसेट परिवारों की तुलना करते हैं:

हैमिल्टोनियन-प्रेरित ( $H(\theta)$ ): एक नॉन-यूनिटरी एंसेट जो हैमिल्टोनियन टर्म्स के लीनियर कॉम्बिनेशन से बना है। इस एंसेट में सटीक क्रायलोव स्टेप ( $|\phi_n\rangle \propto H|\phi_{n-1}\rangle$ ) का मैनिफोल्ड $\lambda=0$ पर शामिल है।
वेरिएशनल हैमिल्टोनियन एंसेट ( $VHA(\theta)$ ): हैमिल्टोनियन डिकंपोजिशन पर आधारित एक यूनिटरी, ट्रोटराइज्ड (Trotterized) इवोल्यूशन।
हार्डवेयर-एफिशिएंट एंसेट ( $HEA(\theta)$ ): एक उथला (shallow), समस्या-अज्ञेय (problem-agnostic) सर्किट जिसका हैमिल्टोनियन संरचना से कोई स्पष्ट संबंध नहीं है।

मुख्य परिणाम

रेगुलराइजेशन ( $\lambda$ ) की भूमिका: एक कमजोर रेगुलराइजेशन ( $\lambda \approx 10^{-2}$ ) सटीक क्रायलोव विधियों में देखे गए कंडीशन नंबर के घातीय विकास को रोकने के लिए पर्याप्त है, जिससे $\kappa(S)$ कई ऑर्डर्स ऑफ मैग्नीट्यूड कम रहता है। $\lambda$ को और बढ़ाने से ऊर्जा अभिसरण खराब हो जाता है लेकिन महत्वपूर्ण अतिरिक्त स्थिरता नहीं मिलती। दंड की उपस्थिति ही क्रायलोव बेसिस के पतन को रोकने के लिए महत्वपूर्ण कारक है, न कि उसका परिमाण।
एंसेट संरचना की भूमिका: एंसेट की एक्सप्रेसिविटी (expressivity) और संरचना प्रदर्शन के प्रमुख कारक हैं।
- हैमिल्टोनियन-प्रेरित एंसेट ( $H(\theta)$ ) सबसे अच्छा समझौता प्राप्त करता है, जो शुरुआती इटरेशन में सटीक क्रायलोव अभिसरण का बारीकी से अनुसरण करता है और एक अच्छी तरह से कंडिशन्ड बेसिस बनाए रखता है।
- VHA मध्यम प्रदर्शन दिखाता है लेकिन क्रायलोव विधियों के तीव्र प्रारंभिक अभिसरण को कुशलतापूर्वक दोहराने में विफल रहता है; बिना रेगुलराइजेशन के, यह रैखिक निर्भरता के कारण अस्थिर हो जाता है।
- HEA अत्यंत अच्छी तरह से कंडिशन्ड रहता है लेकिन खराब ऊर्जा अभिसरण प्रदर्शित करता है, जो स्थिर होने के बावजूद लो-एनर्जी दिशाओं को पकड़ने में विफल रहता है। यह दर्शाता है कि केवल अच्छी कंडीशनिंग ही एक उपयोगी सबस्पेस के लिए पर्याप्त नहीं है।
सबस्पेस बनाम स्टेट तुलना: वेरिएशनल सबस्पेस और एक फिक्स्ड लैंकोस रेफरेंस सबस्पेस के बीच ओवरलैप का विश्लेषण करने पर पता चलता है कि जबकि व्यक्तिगत अनुकूलित अवस्थाएँ लैंकोस वेक्टर्स से मेल नहीं खा सकती हैं (विशेष रूप से बाद के इटरेशन में), संचयी वेरिएशनल सबस्पेस प्रासंगिक लैंकोस सबस्पेस को उच्च सटीकता के साथ कैप्चर करता है (मीन स्क्वेर्ड प्रिंसिपल-एंगल ओवरलैप $\approx 0.999$ )।

महत्व और दावे
यह शोध पत्र दावा करता है कि यह क्वांटम सबस्पेस विधियों में अभिसरण, कंडीशनिंग और एंसेट संरचना के बीच के ट्रेड-ऑफ का एक नियंत्रित संख्यात्मक अध्ययन प्रदान करता है। प्राथमिक योगदान यह प्रदर्शन करना है कि वेरिएशनल रेगुलराइजेशन अवस्था तैयारी के दौरान नॉन-ऑर्थोगोनल सबस्पेस की कंडीशनिंग को प्रभावी ढंग से नियंत्रित कर सकता है, बजाय इसके कि केवल पोस्ट-मेजरमेंट रेगुलराइजेशन पर निर्भर रहा जाए।

लेखक इस बात पर जोर देते हैं कि उनका कार्य एक सामान्य रूप से स्केलेबल आइजनसॉल्वर का प्रस्ताव नहीं है, बल्कि एक "रेगुलराइज्ड क्रायलोव-लाइक सबस्पेस" के लिए एक प्रूफ-ऑफ-कॉन्सेप्ट है। वे निष्कर्ष निकालते हैं कि:

एंसेट संरचना सर्वोपरि है: हैमिल्टोनियन के ऑपरेटर कंटेंट के साथ संरेखित एक वेरिएशनल मैनिफोल्ड, क्रायलोव-जैसी अभिसरण को दोहराने के लिए आवश्यक है।
कमजोर रेगुलराइजेशन इष्टतम है: उत्पन्न दिशाओं की भौतिक प्रासंगिकता से समझौता किए बिना बेसिस को स्थिर करने के लिए एक छोटा दंड पर्याप्त है।
स्टेट फिडेलिटी के बजाय सबस्पेस फिडेलिटी: इस विधि को एक सटीक लैंकोस रिकरशन के बजाय एक उपयोगी सबस्पेस बनाने के रूप में देखा जाना चाहिए।

यह अध्ययन बिना सैंपलिंग नॉइज़ के सटीक स्टेटवेक्टर सिमुलेशन तक सीमित है। लेखक नोट करते हैं कि वास्तविक हार्डवेयर पर मेजरमेंट ओवरहेड ( $O(D^2 N_{opt})$ ) काफी अधिक होगा, जो यह सुझाव देता है कि भविष्य के कार्यों को रिकर्सिव लैंकोस ब्लॉक्स और पीरियोडिक वेरिएशनल कम्प्रेशन को संयोजित करने वाले हाइब्रिड दृष्टिकोणों की खोज करनी चाहिए।

इसी तरह के और पेपर