Third-Order Quantum Information from Distributed Randomized Measurements
यह शोध पत्र यह प्रदर्शित करता है कि वितरित यादृच्छिक मापों (distributed randomized measurements) से प्राप्त तृतीय-क्रम (third-order) की क्वांटम सूचना को क्रमपरिवर्तन समरूपताओं (permutation symmetries) का लाभ उठाकर कुशलतापूर्वक पुनर्गठित किया जा सकता है ताकि समस्या को 3x3 मैट्रिक्स को उलटने (inverting) तक सीमित किया जा सके, जिससे पूर्ण घनत्व मैट्रिक्स (full density matrix) के पुनर्निर्माण की घातांकीय जटिलता से बचा जा सके।
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, किसी प्रणाली का सबसे पूर्ण विवरण एक गणितीय वस्तु है जिसे डेंसिटी मैट्रिक्स (density matrix) कहा जाता है। यह वस्तु कणों के ऊर्जा से लेकर एक-दूसरे के साथ उनके सहसंबंधों तक, हर संभव विवरण को समाहित करती है। हालाँकि, अत्यंत सूक्ष्म प्रणालियों के अलावा, इस पूर्ण वस्तु को लिखना या मापना असंभव है। आवश्यक विवरणों की संख्या इतनी तेजी से बढ़ती है कि सबसे शक्तिशाली कंप्यूटर भी कणों के एक मामूली संग्रह के लिए जानकारी रखने में संघर्ष करेंगे। इसी कारण से, भौतिकविदों ने लंबे समय से क्वांटम अवस्थाओं के बारे में संपूर्ण चित्र का पुनर्निर्माण किए बिना उनके बारे में जानने के तरीके खोजे हैं। वे विशिष्ट, उपयोगी गुणों की तलाश करते हैं—जैसे कि दो कण आपस में कितने जुड़े हुए हैं या एक अवस्था कितनी जटिल है—जिन्हें छोटे, सरल मापों के माध्यम से पाया जा सकता है। एक शक्तिशाली विधि में एक प्रणाली के कई स्नैपशॉट लेना शामिल है, जबकि अवलोकन करने के तरीके को यादृच्छिक (randomly) रूप से बदला जाता है। इन यादृच्छिक अनुमानों के परिणामों का औसत निकालकर, वैज्ञानिक अवस्था के बारे में छिपी हुई, गैर-रेखीय (nonlinear) जानकारी निकाल सकते हैं, जैसे कि विभिन्न परिणामों की संभावनाएँ आपस में कैसे गुणा होती हैं। यह दृष्टिकोण प्रत्येक माप की सटीक सेटिंग्स जानने की आवश्यकता के बिना, यादृच्छिकता की सांख्यिकीय शक्ति पर निर्भर करता है।
शोधकर्ताओं की एक टीम ने अब इस यादृच्छिक मापन के विचार को जटिलता और स्पष्टता के एक नए स्तर पर पहुँचा दिया है। उन्होंने जांच की कि क्या होता है जब आप एक क्वांटम अवस्था की तीन अलग-अलग कॉपियाँ लेते हैं, उन्हें एक ही यादृच्छिक सेटिंग्स का उपयोग करके एक साथ मापते हैं, और फिर उन तीन परिणामों के गुणनफल को देखते हैं। जबकि पिछले कार्यों ने दिखाया था कि जोड़ों के मापों से जानकारी कैसे निकाली जा सकती है, इस अध्ययन ने उन तीसरे-क्रम (third-order) के संबंधों पर ध्यान केंद्रित किया जो तीन कॉपियों के शामिल होने पर उभरते हैं। शोधकर्ताओं ने एक मौलिक प्रश्न पूछा: यदि आपके पास दूरस्थ प्रयोगशालाओं का एक संग्रह है, जिनमें से प्रत्येक एक साझा क्वांटम प्रणाली के अपने हिस्से पर ये यादृच्छिक माप कर रहा है, तो वे केवल अपने नोट्स की तुलना करके क्या विशिष्ट जानकारी प्राप्त कर सकते हैं? वे जानना चाहते थे कि अवस्था के गुणों के कौन से संयोजन इस विधि के माध्यम से दृश्यमान हैं और कौन से हमेशा के लिए छिपे रहेंगे।
टीम ने पाया कि उत्तर मापन प्रक्रिया की समरूपताओं (symmetries) पर निर्भर करता है। जब यादृच्छिक सेटिंग्स का औसत निकाला जाता है, तो डेटा क्वांटम अवस्था के हर एक विवरण को प्रकट नहीं करता है। इसके बजाय, यह सूचना के विशिष्ट समूहों को प्रकट करता है जो इस बात से अपरिवर्तित रहते हैं कि स्थानीय पर्यवेक्षक अपने मापन उपकरणों को कैसे घुमाते हैं। शोधकर्ताओं ने पाया कि जबकि प्रयोग में अधिक पक्ष (parties) जोड़े जाने पर संभावित परिणामों की संख्या विस्फोटक रूप से बढ़ती है, सुलभ जानकारी की अंतर्निहित संरचना आश्चर्यजनक रूप से सरल है। उन्होंने सिद्ध किया कि इन मापों को सुलझाने की जटिल समस्या को छोटे, स्वतंत्र पहेलियों की एक श्रृंखला में तोड़ा जा सकता है। प्रत्येक पहेली तीन-बाय-तीन के अंकों के साधारण ग्रिड से बड़ी नहीं है। इसका अर्थ यह है कि चाहे दो पक्ष हों या बीस, उपलब्ध जानकारी के पुनर्निर्माण के लिए आवश्यक गणितीय कार्य कभी भी इन छोटे ग्रिडों को उलटने (inverting) की कठिनाई से अधिक नहीं होगा।
यह निष्कर्ष महत्वपूर्ण है क्योंकि यह बड़े क्वांटम सिस्टम के विश्लेषण के लिए एक प्रमुख बाधा को हटा देता है। अतीत में, वितरित मापों से जानकारी को पुनर्गठित करने का प्रयास अक्सर विशाल, अनियंत्रित समीकरणों को हल करने की मांग करता था जो प्रणाली के बढ़ने पर असंभव हो जाते थे। नई विधि दिखाती है कि जानकारी खोई नहीं है, बल्कि इसे इस तरह व्यवस्थित किया गया है कि इसे कुशलतापूर्वक प्राप्त किया जा सके। शोधकर्ताओं ने प्रदर्शित किया कि एकमात्र जानकारी जिसे पुनः प्राप्त नहीं किया जा सकता है, वह डेटा में दो विशिष्ट प्रकार के 'थ्री-साइकिल' (three-cycle) पैटर्न के बीच का अंतर है। ये पैटर्न इस बात के सूक्ष्म अंतरों के अनुरूप हैं कि एक क्वांटम अवस्था 'पार्शियल ट्रांसपोज़िशन' (partial transposition) नामक गणितीय ऑपरेशन के तहत कैसे व्यवहार करती है, जिसका उपयोग अक्सर एंटैंगलमेंट का पता लगाने के लिए किया जाता है। औसत प्रक्रिया स्वाभाविक रूप से इन दो पैटर्न को एक साथ मिला देती है, जिससे वे अविभेदित हो जाते हैं। हालाँकि, अध्ययन यह सिद्ध करता है कि बाकी सब कुछ—इन पैटर्न का योग और अन्य सभी तीसरे-क्रम के गुण—पूरी तरह से पुनर्गठित किए जा सकते हैं।
वर्णित प्रोटोकॉल वास्तविक दुनिया के प्रयोगों के लिए व्यावहारिक है क्योंकि इसके लिए प्रयोगशालाओं को अपने द्वारा लागू किए गए प्रत्येक यादृच्छिक रोटेशन का रिकॉर्ड रखने की आवश्यकता नहीं होती है। उन्हें केवल यह जानने की आवश्यकता है कि कौन से माप एक ही सेटिंग पर किए गए थे। यह जटिल अंशांकन (calibration) और यादृच्छिक यूनिटरी मैट्रिसेस के भंडारण की आवश्यकता को समाप्त करता है, जिससे यह प्रक्रिया बहुत अधिक किफायती और वितरित नेटवर्क में लागू करने में आसान हो जाती है। शोधकर्ताओं ने दिखाया कि केवल यह गिनकर कि परिणाम के पैटर्न कितनी बार एक साथ दिखाई देते हैं, व्यक्ति संरक्षित क्वांटम गुणों के सटीक मानों की गणना कर सकता है। यह कार्य एक पूर्ण मानचित्र प्रदान करता है कि क्या सुलभ है और क्या नहीं, जो वितरित, यादृच्छिक मापों से क्या सीखा जा सकता है इसकी सीमाओं को स्पष्ट करता है। यह पुष्टि करता है कि जबकि कुछ सूक्ष्म विवरण औसत निकालने के कारण अनिवार्य रूप से धुंधले हो जाते हैं, क्वांटम अवस्था की मूल गैर-रेखीय जानकारी बरकरार रहती है और इसे प्रणाली की प्रत्यक्ष जटिलता को चुनौती देने वाली गणितीय सरलता के स्तर के साथ निकाला जा सकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।