AI-Driven Discovery of Entanglement Witness in Spin Hamiltonians

तकनीकी सारांश: स्पिन हैमिल्टोनियन में एंटैंगलमेंट विटनेस की AI-संचालित खोज

समस्या विवरण
क्वांटम एंटैंगलमेंट (Quantum entanglement) क्वांटम प्रौद्योगिकियों के लिए एक मौलिक संसाधन और जटिल मेनी-बॉडी भौतिकी का एक प्रमुख संकेतक है। हालांकि, जेनेरिक मेनी-बॉडी मिश्रित अवस्थाओं (mixed states) में एंटैंगलमेंट का पता लगाना कम्प्यूटेशनल रूप से कठिन (NP-hard) और प्रयोगात्मक रूप से चुनौतीपूर्ण है। पारंपरिक विधियां अक्सर पूर्ण क्वांटम स्टेट टोमोग्राफी पर निर्भर करती हैं, जो बड़े सिस्टमों के लिए अव्यवहार्य है, या पूर्व-निर्धारित एंटैंगलमेंट विटनेस (entanglement witnesses) पर निर्भर करती हैं जो व्यापक संकेतों को छोड़ सकते हैं। जबकि एंटैंगलमेंट को अनुमानित करने के लिए मशीन लर्निंग (ML) का उपयोग किया गया है, मौजूदा दृष्टिकोण विभिन्न सिस्टम आकारों और हैमिल्टोनियन परिवारों में सामान्यीकरण करने में संघर्ष करते हैं, और अक्सर पूर्ण डेंसिटी मैट्रिक्स को पुनर्गठित किए बिना सीधे प्रयोगात्मक रूप से सुलभ अवलोकनों (observables) पर कार्य करने में विफल रहते हैं। एक स्केलेबल, हस्तांतरणीय (transferable) ढांचे की आवश्यकता है जो केवल निम्न-क्रम के स्थानीय सहसंबंध कार्यों (low-order local correlation functions) का उपयोग करके एंटैंगल्ड अवस्थाओं को पूरी तरह से सेपरेबल (separable) अवस्थाओं से अलग कर सके।

कार्यप्रणाली: द एंटनेट (EntNet) फ्रेमवर्क
लेखक EntNet पेश करते हैं, जो एक AI-संचालित ढांचा है जिसे केवल निम्न-क्रम के पाउली कोरिलेटर्स (Pauli correlators) का उपयोग करके एक-आयामी स्पिन-1/2 श्रृंखलाओं में परिमित-तापमान मिश्रित अवस्थाओं में एंटैंगलमेंट का पता लगाने के लिए डिज़ाइन किया गया है। यह कार्यप्रणाली चार प्रमुख चरणों में चलती है:

1. डेटासेट निर्माण और लेबलिंग:

   • 35,000 सिंथेटिक रूप से जनरेट की गई अवस्थाओं ($N=16$) का एक प्रशिक्षण सेट बनाया गया है, जो पूरी तरह से सेपरेबल अवस्थाओं (प्रोडक्ट स्टेट्स के कॉनवेक्स मिश्रण के रूप में निर्मित) और प्रमाणित एंटैंगल्ड अवस्थाओं के बीच समान रूप से विभाजित है।
   • एंटैंगलमेंट को पूर्ण अवस्था पुनर्निर्माण द्वारा नहीं, बल्कि छोटे सबसिस्टमों ($k=2, 3, 4$ साइट्स) के रिड्यूस्ड डेंसिटी मैट्रिसेस को पॉजिटिव पार्शियल ट्रांसपोज़ (PPT) और रीयलाइनमेंट (CCNR) मानदंडों के विरुद्ध परीक्षण करके प्रमाणित किया गया है।
   • अवस्थाओं को E2, E3, या E4 के रूप में लेबल किया गया है, जो उस सबसे छोटे सबसिस्टम के आकार पर निर्भर करता है जहाँ उल्लंघन पाया गया हो। अस्पष्ट पर्यवेक्षण (ambiguous supervision) से बचने के लिए बिना किसी प्रमाणित संकेत वाली अवस्थाओं को बाहर रखा गया है।

2. LU-इनवेरिएंट फीचर रिप्रेजेंटेशन:

   • इस तथ्य को संबोधित करने के लिए कि एंटैंगलमेंट लोकल यूनिटरी (LU) रूपांतरणों के तहत अपरिवर्तित रहता है जबकि कच्चे पाउली कोरिलेटर्स नहीं, EntNet LU-इनवेरिएंट रिप्रेजेंटेशन का निर्माण करता है।
   • ढांचा दो-, तीन-, और चार-बॉडी कोरिलेशन टेंसरों के सिंगुलर मानों (singular values) और टेंसर कॉन्ट्रैक्शंस की गणना करता है। ये गणितीय संचालन सुनिश्चित करते हैं कि फीचर्स स्थानीय आधार रोटेशन (local basis rotations) के तहत अपरिवर्तित रहें।
   • प्रारंभ में, 117 संभावित इनवेरिएंट चैनलों का एक बड़ा सेट विचार में लिया गया है।

3. स्पार्स फीचर डिस्टिलेशन (Sparse Feature Distillation):

   • एक सीखने योग्य स्टोकेस्टिक गेटिंग मैकेनिज्म का उपयोग करके, मॉडल सबसे सूचनात्मक चैनलों को स्पार्स तरीके से चुनता है।
   • यह प्रक्रिया उच्च-आयामी इनपुट को 16 संभावित इनवेरिएंट फीचर चैनलों के एक संक्षिप्त सेट में सानित (distill) करती है। यह भौतिक व्याख्यात्मकता बनाए रखते हुए रेडंडेंसी को समाप्त करता है।

4. ट्रांसफॉर्मर आर्किटेक्चर:

   • चयनित 16 चैनलों को स्पिन श्रृंखला के साथ एक अनुक्रम में व्यवस्थित किया जाता है, जिसे बाउंड्री प्रभावों के लिए ज्योमेट्री मास्क के साथ संवर्धित किया जाता है।
   • एक ट्रांसफॉर्मर आर्किटेक्चर जिसमें चार परतें हैं, इस अनुक्रम को प्रोसेस करता है। महत्वपूर्ण रूप से, यह लेटिस साइट्स के बीच सापेक्ष स्थानिक पृथक्करण को एनकोड करने के लिए रोटरी पोजीशनल एम्बेडिंग्स (RoPE) का उपयोग करता है। यह डिज़ाइन यह सुनिश्चित करता है कि सीखी गई स्थानिक सहसंबंधों को बिना पुन: प्रशिक्षण के लंबी श्रृंखलाओं में स्थानांतरित किया जा सके।
   • एक अंतिम वर्गीकरण परत अवस्था के एंटैंगल्ड होने की संभावना की भविष्यवाणी करती है।

प्रमुख परिणाम

• उच्च सटीकता और निम्न फाल्स पॉजिटिव: $N=16$ XY मॉडल बेंचमार्क पर, EntNet प्रमाणित एंटैंगल्ड अवस्थाओं पर >98% रिकॉल प्राप्त करता है, जिसमें सेपरेबल अवस्थाओं पर फाल्स-पॉजिटिव दर लगभग शून्य (ट्रू नेगेटिव रेट $\approx$ 0.997) है।
• हैमिल्टोनियन केAcross हस्तांतरणीयता: बिना पुन: प्रशिक्षण के, मॉडल XXZ मॉडल, फ्रस्ट्रेटेड $J_1-J_2$ मॉडल्स, और रैंडम लोकल स्पिन हैमिल्टोनियन सहित भिन्न हैमिल्टोनियन परिवारों में प्रभावी ढंग से सामान्यीकरण करता है। यह उन उच्च-क्रम एंटैंगल्ड अवस्थाओं (E3, E4) की सफलतापूर्वक पहचान करता है जिन्हें प्रशिक्षण के दौरान बाहर रखा गया था।
• सिस्टम साइज एक्सट्रपलेशन: मॉडल न्यूनतम सटीकता हानि के साथ $N=16$ से $N=32$ श्रृंखलाओं में स्थानांतरित होता है। RoPE का उपयोग यह सुनिश्चित करता है कि सीखी गई स्थानिक संबंध लंबी अनुक्रमों पर लागू हों।
• भौतिक व्याख्यात्मकता:
  • फीचर चयन: डिस्टिल्ड 16 चैनल एक चयनात्मक स्थानिक संगठन प्रकट करते हैं। विशेष रूप से, $r=1$ और $r=4$ पृथक्करण पर पेयर कोरिलेशन महत्वपूर्ण हैं, जबकि $r=2$ और $r=3$ फीचर्स को काफी हद तक हटा दिया गया है, जो यह सुझाव देता है कि एंटैंगलमेंट डिटेक्शन सरल निकटता के बजाय विशिष्ट गैर-स्थानीय पैटर्न पर निर्भर करता है।
  • परिमित-तापमान व्यवहार: मॉडल XX श्रृंखला में एक रीएंट्रेंट (reentrant) वर्गीकरण पैटर्न को कैप्चर करता है। उच्च तापमान पर, अवस्थाओं को सही ढंग से सेपरेबल के रूप में पहचाना जाता है। जैसे-जैसे तापमान उच्च-तापमान सीमा से कम होता है, थर्मल रूप से उत्तेजित कोरिलेशन क्लासिफायर को एक मध्यवर्ती तापमान शासन में एंटैंगलमेंट की भविष्यवाणी करने के लिए प्रेरित करते हैं। बहुत कम तापमान पर (निम्नतम अवस्था के करीब, जहाँ $h > 1$), सिस्टम एक सेपरेबल, पूरी तरह से पोलराइज्ड अवस्था में लौट आता है, और क्लासिफायर सही ढंग से सेपरेबिलिटी की भविष्यवाणी करता है।
  • डिसीजन बाउंड्री: क्लासिफायर की निचली निर्णय सीमा क्वांटम जॉर्डन-विग्नर क्वासिपार्टिकल्स (Jordan–Wigner quasiparticles) के थर्मल एक्साइटेशन स्केल को मात्रात्मक रूप से ट्रैक करती है, जो $\sqrt{T^*} \exp[-2(h-1)/T^*] = C^*$ नियम का पालन करती है।

महत्व और दावे
यह शोध पत्र EntNet को एंटैंगलमेंट विटनेस की खोज के लिए एक हस्तांतरणीय और भौतिक रूप से व्याख्यात्मक ढांचे के रूप में स्थापित करता है। इसके प्राथमिक योगदान हैं:

1. स्केलेबिलिटी: यह प्रदर्शित करता है कि निम्न-क्रम के अवलोकनों के संक्षिप्त संयोजन कई-बॉडी एंटैंगलमेंट के हस्तांतरणीय हस्ताक्षरों को विभिन्न सिस्टम आकारों और हैमिल्टोनियन परिवारों में एनकोड कर सकते हैं।
2. भौतिक अंतर्दृष्टि: "ब्लैक बॉक्स" ML मॉडलों के विपरीत, EntNet के डिस्टिल्ड फीचर्स एंटैंगलमेंट की स्थानिक संरचना (जैसे $r=4$ कोरिलेशन का महत्व) और इसके ऊष्मागतिक व्यवहार (क्वासिपार्टिकल गैप को ट्रैक करना) के बारे में अंतर्दृष्टि प्रदान करते हैं।
3. प्रयोगात्मक प्रासंगिकता: यह ढांचा सीधे मापने योग्य पाउली कोरिलेटर्स पर कार्य करता है, जो क्वांटम सामग्रियों और सिम्युलेटर्स में एंटैंगलमेंट का पता लगाने का एक मार्ग प्रशस्त करता है जहाँ पूर्ण स्टेट टोमोग्राफी असंभव है।

लेखक नोट करते हैं कि हालांकि वर्तमान ढांचा 1D स्पिन श्रृंखलाओं तक सीमित है, यह उन सिस्टमों में स्केलेबल एंटैंगलमेंट डिटेक्शन की ओर एक मार्ग खोलता है जहाँ केवल प्रतिबंधित सेट के कोरिलेशन माप उपलब्ध हैं। वे इस बात पर जोर देते हैं कि सीखे गए निर्णय की सीमाएं (decision boundaries) कोरिलेशन सिग्नेचर के प्रति संवेदनशील हैं न कि कठोर सेपरेबिलिटी थ्रेसहोल्ड के प्रति, जो जटिल क्वांटम अवस्थाओं के लिए एक शक्तिशाली स्क्रीनिंग टूल के रूप में कार्य करती हैं।