⚛️ क्वांटम भौतिकी

PINNverse meets Jordan--Wigner: learning the Hamiltonian of long spin chains

यह शोध पत्र प्रदर्शित करता है कि जॉर्डन-विग्नर रूपांतरण (Jordan-Wigner transformation) को इनवर्स फिजिक्स-इंफॉर्म्ड न्यूरल नेटवर्क (PINNverse) पर लागू करने से क्वांटम हैमिल्टोनियन सीखने की घातांकीय स्केलिंग (exponential scaling) समाप्त हो जाती है, जिससे केवल स्थानीय अवलोकनों (local observables) और $N^2$ नेटवर्क आउटपुट का उपयोग करके 50 क्विबिट्स तक की स्पिन चेन के मापदंडों की सटीक रिकवरी संभव हो पाती है।

मूल लेखक: Gubio G De Lima

प्रकाशित 2026-11-11

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC0 1.0

मूल लेखक: Gubio G De Lima

मूल पेपर CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/) के तहत सार्वजनिक डोमेन को समर्पित 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

बेहतर क्वांटम कंप्यूटर बनाने की खोज में, वैज्ञानिक एक मौलिक पहेली का सामना कर रहे हैं: यह कैसे पता लगाया जाए कि एक मशीन वास्तव में क्या कर रही है। एक क्वांटम कंप्यूटर 'क्यूबिट्स' नामक सूक्ष्म इकाइयों से बना होता है, जो एक ही समय में कई अवस्थाओं में मौजूद हो सकते हैं। इन मशीनों को काम करने के योग्य बनाने के लिए, इंजीनियरों को उन्हें अत्यधिक सटीकता के साथ कैलिब्रेट करना होता है, यह सुनिश्चित करते हुए कि क्यूबिट्स को जोड़ने वाले बल बिल्कुल इच्छित रूप से व्यवहार करें। समस्या यह है कि जैसे-जैसे आप अधिक क्यूबिट्स जोड़ते हैं, आपको जिन्हें मापने की आवश्यकता होती है, उनकी संख्या इतनी तेजी से बढ़ती है कि उन सभी की जांच करना बहुत जल्दी असंभव हो जाता है। पारंपरिक तरीकों के लिए इतने अलग-अलग माप सेटिंग्स की आवश्यकता होती है कि केवल बीस क्यूबिट्स वाली मशीन के लिए, यह कार्य ब्रह्मांड की आयु से भी अधिक लंबा होगा। यह बाधा लंबे समय से क्वांटम तकनीक को आगे बढ़ाने के रास्ते में खड़ी रही है, जिससे शोधकर्ताओं के पास एक ऐसा उपकरण रह जाता है जिसे वे पूरी तरह से समझ या नियंत्रित नहीं कर सकते।

भौतिकविदों की एक टीम ने एक विशिष्ट और सामान्य प्रकार के क्वांटम मशीन के लिए इस असंभव बाधा को पार करने का एक तरीका खोज लिया है। उन्होंने एक नया तरीका विकसित किया है जो एक स्मार्ट कंप्यूटर प्रोग्राम का उपयोग करके क्यूबिट्स की एक लंबी श्रृंखला के छिपे हुए सेटिंग्स को सीख सकता है, भले ही उस श्रृंखला में पचास इकाइयाँ हों। यह सफलता एक चतुर गणितीय युक्ति पर आधारित है जो समस्या को देखने के नजरिए को बदल देती है। पूरी श्रृंखला की हर एक संभावित अवस्था को ट्रैक करने के बजाय, जो कि एक तेजी से बढ़ता हुआ दुःस्वप्न है, शोधकर्ताओं ने महसूस किया कि वे सिस्टम के व्यवहार को संख्याओं के एक बहुत छोटे, प्रबंधनीय सेट का उपयोग करके वर्णित कर सकते हैं। क्यूबिट्स को एक रेखा के साथ चलती हुई कणों की एक धारा (stream) के रूप में मानकर, उन्होंने समस्या की जटिलता को एक ऐसी चीज़ से कम कर दिया जो आकार में विस्फोट करती है, बल्कि जो धीरे-धीरे और निरंतर बढ़ती है। इसने उन्हें एक न्यूरल नेटवर्क—जो डेटा में पैटर्न खोजने के लिए डिज़ाइन किया गया एक प्रकार का आर्टिफिशियल इंटेलिजेंस है—का उपयोग करने की अनुमति दी ताकि वे सिस्टम के गति के समीकरणों (equations of motion) को हल कर सकें और फिर पीछे की ओर काम करके क्यूबिट्स के बीच के कनेक्शन की सटीक ताकत का पता लगा सकें।

शोधकर्ताओं ने अपने दृष्टिकोण का परीक्षण सिंथेटिक डेटा का उपयोग करके किया, जो कंप्यूटर द्वारा उत्पन्न जानकारी है जो एक वास्तविक प्रयोग द्वारा उत्पन्न की जाने वाली सूचना की नकल करती है। उन्होंने विभिन्न कनेक्शन शक्ति और स्थानीय आवृत्तियों (local frequencies) वाले क्यूबिट श्रृंखलाओं का अनुकरण किया, जिसमें वे छोटी, अवांछित अंतःक्रियाएं भी शामिल थीं जो अक्सर वास्तविक हार्डवेयर में परेशान करती हैं। न्यूरल नेटवर्क को यह अनुमान लगाने के लिए प्रशिक्षित किया गया था कि सिस्टम अलग-अलग क्षणों पर लिए गए कुछ सरल मापों के आधार पर समय के साथ कैसे विकसित होगा। उल्लेखनीय रूप से, नेटवर्क ने न केवल श्रृंखला के भविष्य के व्यवहार की भविष्यवाणी करना सीखा, बल्कि सफलतापूर्वक उन अंतर्निहित मापदंडों (parameters) की भी पहचान की जो इसे नियंत्रित करते हैं। पचास क्यूबिट तक की श्रृंखलाओं के लिए, पद्धति ने कनेक्शन की ताकत को एक-दशम हिस्से प्रतिशत से बेहतर सटीकता के साथ पुनः प्राप्त किया। यह स्तर केवल पांच वैश्विक माप सेटिंग्स का उपयोग करके प्राप्त किया गया था, चाहे श्रृंखला कितनी भी लंबी क्यों न हो, जबकि पुराने तरीकों को उस आकार की श्रृंखला के लिए लाखों या अरबों सेटिंग्स की आवश्यकता होती।

इस कार्य के सबसे महत्वपूर्ण पहलुओं में से एक यह है कि यह क्वांटम हार्डवेयर की अव्यवस्थित वास्तविकता को कैसे संभालता है। वास्तविक उपकरण कभी भी पूर्ण नहीं होते; वे "क्रॉसटॉक" (crosstalk) से ग्रस्त होते हैं, जहाँ एक क्यूबिट अनजाने में अपने पड़ोसी को उस तरह से प्रभावित करता है जैसा कि प्रोग्राम नहीं किया गया था। शोधकर्ताओं ने अपने मॉडल में 'टाइम-डिपेंडेंट हार्ट्री-फॉक क्लोजर' (time-dependent Hartree–Fock closure) नामक एक तकनीक को शामिल किया। सरल शब्दों में, यह इन अवांछित अंतःक्रियाओं के सिस्टम पर प्रभाव को अनुमानित करने का एक तरीका है, बिना हर एक विवरण की गणना किए, जो बहुत धीमा होता। यह पद्धति इन परजीवी युग्मों (parasitic couplings) का पता लगाने और उन्हें मापने के लिए पर्याप्त मजबूत साबित हुई, जिसने बहुत कमजोर होने पर भी उन्हें उच्च सटीकता के साथ पहचाना। यह जानना कि त्रुटियों का सटीक स्वरूप क्या है, उन्हें ठीक करने की दिशा में पहला कदम है।

अध्ययन ने एक सूक्ष्म चुनौती को भी उजागर किया जो श्रृंखला लंबी होने पर उत्पन्न होती है। जबकि पद्धति पड़ोसियों के बीच के कनेक्शन की ताकत को अत्यधिक सटीकता के साथ निर्धारित कर सकती थी, श्रृंखला की लंबाई के साथ क्यूबिट्स की स्थानीय आवृत्तियों में छोटी त्रुटियां जमा होने लगीं। इसे हल करने के लिए, शोधकर्ताओं ने अपने न्यूरल नेटवर्क को एक पारंपरिक सांख्यिकीय फिटिंग तकनीक के साथ जोड़ा। न्यूरल नेटवर्क ने एक अत्यधिक सटीक शुरुआती बिंदु प्रदान किया, और पारंपरिक पद्धति ने परिणाम को परिष्कृत किया, जिससे संचित त्रुटियों को हटाया जा सका। इस हाइब्रिड दृष्टिकोण ने पचास-क्यूबिट की श्रृंखला के लिए मापदंडों को शून्य दशमलव सात प्रतिशत जितनी कम त्रुटियों के साथ पुनः प्राप्त करने की अनुमति दी, भले ही डेटा में यथार्थवादी स्तर का शोर (noise) शामिल था।

यह कार्य प्रदर्शित करता है कि डेटा की घातांकीय (exponential) मात्रा की आवश्यकता के बिना बड़े क्वांटम उपकरणों के हैमिल्टनियन (Hamiltonian)—अर्थात किसी प्रणाली की ऊर्जा और अंतःक्रियाओं के गणितीय विवरण—को सीखना संभव है। यह विधि कोई जादुई छड़ी नहीं है जो हर क्वांटम समस्या को हल कर दे; यह विशेष रूप से उन श्रृंखलाओं के लिए डिज़ाइन की गई है जहाँ क्यूबिट्स मुख्य रूप से अपने निकटतम पड़ोसियों के साथ अंतःक्रिया करते हैं। हालाँकि, उन सुपरकंडक्टिंग सर्किटों के लिए जो व्यावहारिक क्वांटम कंप्यूटर बनाने की दौड़ में अग्रणी हैं, यह सीमा एक बाधा नहीं बल्कि एक विशेषता है। ये उपकरण स्वाभाविक रूप से एक्सचेंज-कपल्ड क्यूबिट्स की श्रृंखला बनाते हैं, जिससे नई तकनीक सीधे आज बनाए जा रहे हार्डवेयर पर लागू होती है। एक असंभव माप समस्या को एक सुलभ लर्निंग टास्क में बदलकर, शोधकर्ताओं ने अगली पीढ़ी के क्वांटम सिम्युलेटरों को कैलिब्रेट करने के लिए एक शक्तिशाली उपकरण प्रदान किया है, जो हमें उन मशीनों के करीब लाता है जो वास्तव में क्वांटम मैकेनिक्स की शक्ति का उपयोग कर सकती हैं।

तकनीकी सारांश: PINNverse का जॉर्डन-विग्नर (Jordan–Wigner) से मिलन: लंबी स्पिन श्रृंखलाओं के हैमिल्टनियन को सीखना

समस्या विवरण
मापे गए प्रत्याशा मानों (expectation values) से क्वांटम डिवाइस के हैमिल्टनियन (Hamiltonian) का निर्धारण करना क्वांटम हार्डवेयर को कैलिब्रेट करने और क्वांटम प्रणालियों का अनुकरण करने के लिए एक महत्वपूर्ण कार्य है। पारंपरिक विधियाँ, जैसे कि प्रोसेस टोमोग्राफी (process tomography), में मापन सेटिंग्स की संख्या बढ़ती है जो क्यूबिट्स की संख्या ( $N$ ) के साथ घातांकीय (exponentially) रूप से बढ़ती है। जबकि फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINNverse) का उपयोग अज्ञात विभेदक समीकरणों के गुणांकों को सीखने के लिए किया गया है, मानक स्वरूप एक मौलिक स्केलेबिलिटी बाधा का सामना करते हैं। इन दृष्टिकोणों में, न्यूरल नेटवर्क को पूर्ण क्वांटम अवस्था (घनत्व मैट्रिक्स $\rho$ ) या पॉली प्रत्याशा मानों (Pauli expectation values) के पूर्ण सेट का प्रतिनिधित्व करना होता है, जो दोनों ही $4^N$ के रूप में स्केल करते हैं। $N=20$ के लिए, इसके लिए लगभग $10^{12}$ आउटपुट की आवश्यकता होगी, जो इसे बड़े रजिस्टरों के लिए अव्यवहार्य बना देता है। मौजूदा रणनीतियाँ, जैसे कि "फ्रीजिंग" तंत्र जो क्यूबिट्स को युग्मों (pairwise) में सीखते हैं, इस बाधा को दरकिनार करती हैं लेकिन उन्हें कई स्वतंत्र प्रयोगों और अतिरिक्त नियंत्रण की आवश्यकता होती है, जिससे वे पूरी श्रृंखला को एक साथ बहुपद स्केलिंग (polynomial scaling) के साथ सीखने में विफल रहती हैं।

कार्यप्रणाली
यह कार्य जॉर्डन-विग्नर (JW) रूपांतरण का लाभ उठाते हुए, निकटतम-पड़ोसी विनिमय अंतःक्रियाओं (nearest-neighbor exchange interactions) वाली एक-आयामी स्पिन श्रृंखलाओं के लिए PINNverse के पुनर्गठन का प्रस्ताव करता है, ताकि घातांकीय स्केलिंग को समाप्त किया जा सके।

जॉर्डन-विग्नर मैपिंग: स्पिन-1/2 श्रृंखला को स्पिनलेस फर्मियॉन (spinless fermions) के एक तंत्र में मैप किया जाता है। अनुदैर्ध्य क्षेत्र (longitudinal field) में विषम (inhomogeneous) XX श्रृंखला के लिए, हैमिल्टनियन फर्मियोनिक ऑपरेटरों में द्विघाती (quadratic) हो जाता है। फलस्वरूप, हाइजेनबर्ग के गति के समीकरण सटीक रूप से $N \times N$ एक-निकाय घनत्व मैट्रिक्स, $\rho^{(1)}(t)$ पर बंद होते हैं, न कि पूर्ण $2^N \times 2^N$ घनत्व मैट्रिक्स पर।
न्यूरल नेटवर्क आर्किटेक्चर: $4^N - 1$ पॉली प्रत्याशा मानों को आउटपुट करने के बजाय, न्यूरल नेटवर्क समय $t$ को इनपुट के रूप में लेता है और एक-निकाय घनत्व मैट्रिक्स $\rho^{(1)}_{NN}(t)$ के $N^2$ वास्तविक प्रविष्टियों को आउटपुट करता है। नेटवर्क को इस प्रकार बनाया गया है कि वह प्रारंभिक स्थिति (initial condition) को सटीक रूप से संतुष्ट करे (एक हार्ड कंस्ट्रेंट के रूप में) और एक हर्मिटी (Hermitian) मैट्रिक्स आउटपुट करे।
लॉस फंक्शन (Loss Function): प्रशिक्षण लॉस एक डेटा टर्म और एक फिजिक्स टर्म को जोड़ता है:
- डेटा टर्म ( $L_{data}$ ): नेटवर्क के अनुमानित स्थानीय अवलोकन (चुंबकत्व $\langle \sigma^z_j \rangle$ और निकटतम-पड़ोसी सहसंबंध/करंट) की तुलना मापे गए डेटा से करता है। महत्वपूर्ण रूप से, ये अवलोकन केवल पाँच वैश्विक मापन सेटिंग्स (जो $N$ से स्वतंत्र हैं) का उपयोग करके प्राप्त किए जा सकते हैं, जबकि सभी पॉली मानों को पुनर्गठित करने के लिए $3^N$ सेटिंग्स की आवश्यकता होगी।
- फिजिक्स टर्म ( $L_{Physics}$ ): गति के समीकरण को लागू करता है। XX श्रृंखला के लिए, यह एक-निकाय मैट्रिक्स के लिए लिउविल-वॉन न्यूमैन समीकरण है: $d\rho^{(1)}/dt = -i[K, \rho^{(1)}]$ , जहाँ $K$ एकल-कण हैमिल्टनियन मैट्रिक्स है जिसमें अज्ञात कपलिंग $J_j$ और क्षेत्र $h_j$ शामिल हैं।
क्रॉसटॉक (Crosstalk) को संभालना (ZZ कपलिंग): सुपरकंडक्टिंग क्यूबिट्स में सामान्य अवशेष ZZ अंतःक्रियाओं (परजीवी कपलिंग) को संबोधित करने के लिए, लेखक एक समय-निर्भर हार्ट्री-फॉक (TDHF) क्लोजर पेश करते हैं। यह चतुर्थक (quartic) अंतःक्रिया पदों को द्विघाती (quadratic) के रूप में अनुमानित करता है, जिसके परिणामस्वरूप एक गैर-रेखीय गति समीकरण प्राप्त होता है जहाँ त्रुटि कमजोर क्रॉसटॉक $\Delta$ के लिए $O(\Delta^2)$ के रूप में स्केल करती है।
अनुकूलन रणनीति (Optimization Strategy): व्युत्क्रम समस्या (inverse problem) को दो चरणों में हल किया जाता है। पहले, एडम (Adam) ऑप्टिमाइज़र नेटवर्क और मापदंडों को प्रशिक्षित करता है। दूसरा, L-BFGS क्वाजी-न्यूटन विधि समाधान को परिष्कृत करती है। लंबी श्रृंखलाओं में त्रुटि संचय को कम करने के लिए, नेटवर्क का आउटपुट सीधे लीस्ट-स्क्वायर्स फिट के लिए एक उच्च-गुणवत्ता वाला प्रारंभिक अनुमान (initial guess) के रूप में कार्य करता है, जो स्थानीय आवृत्तियों में संचित पूर्वाग्रहों को हटा देता है।

प्रमुख योगदान

बहुपद स्केलिंग पुनर्गठन: यह शोध पत्र प्रदर्शित करता है कि निकटतम-प menyer विनिमय श्रृंखलाओं के लिए, XX मॉडल के लिए बिना किसी सन्निकटन के, PINNverse की घातांकीय लागत को बहुपद स्केलिंग ( $N^2$ नेटवर्क आउटपुट) में कम किया जा सकता है।
न्यूनतम मापन प्रोटोकॉल: यह स्थानीय अवलोकनों (चुंबकत्व और स्पिन करंट) के एक न्यूनतम सेट की पहचान करता है जो किसी भी श्रृंखला लंबाई $N$ के लिए केवल पाँच वैश्विक मापन सेटिंग्स का उपयोग करके सभी होपिंग एम्पलीट्यूड और क्षेत्र अंतरों को पहचानने योग्य बनाता है।
क्रॉसटॉक डिटेक्शन: ZZ क्रॉसटॉक को संभालने के लिए एक TDHF विस्तार विकसित किया गया है, जो विनिमय कपलिंग, स्थानीय क्षेत्र और परजीवी ZZ सामर्थ्य को एक साथ सीखने की अनुमति देता है।
स्केलेबल प्रदर्शन: यह पद्धति $N=50$ क्यूबिट्स तक की श्रृंखलाओं के लिए हैमिल्टनियन मापदंडों को सफलतापूर्वक सीख लेती है, जो पिछले PINNverse स्वरूपों की पहुंच से बहुत दूर है।

परिणाम
सटीक स्पिन डायनेमिक्स से उत्पन्न सिंथेटिक डेटा का उपयोग करते हुए:

फॉरवर्ड प्रॉब्लम: नेटवर्क एक-निकाय घनत्व मैट्रिक्स के गति के समीकरण को सटीक रूप से हल करता है, जो $N$ और क्रॉसटॉक की उपस्थिति के आधार पर संदर्भ समाधान से अधिकतम विचलन $10^{-4}$ से $10^{-7}$ के क्रम में प्राप्त करता है।
व्युत्क्रम समस्या (XX श्रृंखला): शोर-मुक्त डेटा के लिए, नेटवर्क $N=50$ तक की श्रृंखलाओं के लिए 0.1% से कम के माध्य पूर्ण प्रतिशत त्रुटि (MAPE) के साथ विनिमय कपलिंग ( $J_j$ ) को पुनः प्राप्त करता है। स्थानीय क्षेत्र अंतर ( $h_j - h_1$ ) उच्च सटीकता के साथ सीखे जाते हैं, हालांकि लंबी श्रृंखलाओं में पूर्ण क्षेत्र मानों में मामूली त्रुटियां जमा होती हैं।
शोर मजबूती (Noise Robustness): मापन शोर ( $\sigma=0.01$ ) के साथ, नेटवर्क सीधे लीस्ट-स्क्वायर्स फिट के समान सटीकता बनाए रखता है।
हाइब्रिड दृष्टिकोण: एक "PINN + fit" रणनीति, जहाँ नेटवर्क का अनुमान सीधे फिट को इनिशियलाइज़ करता है, लंबी श्रृंखलाओं में संचित आवृत्ति त्रुटियों को समाप्त कर देता है। $N=50$ के साथ शोर के साथ, यह हाइब्रिड दृष्टिकोण कपलिंग के लिए 0.047% और क्षेत्रों के लिए 0.71% का MAPE प्राप्त करता है।
क्रॉसटॉक डिटेक्शन: यह विधि $N=8$ श्रृंखलाओं में ZZ कपलिंग ( $\Delta_j$ ) का पता लगाने और उसे मापने में सफल होती है, जिसमें TDHF मॉडल क्रॉसटॉक को नजरअंदाज करने वाले मॉडल की तुलना में काफी कम मिसफिट एरर दिखाता है।

महत्व और दावे
लेखक का दावा है कि यह कार्य पहला ऐसा PINNverse प्रारूप प्रदान करता है जो $N$ के साथ बहुपद रूप से बढ़ते नेटवर्क आउटपुट के साथ पूरी स्पिन श्रृंखला को एक साथ सीखता है। जॉर्डन-विग्नर रूपांतरण के माध्यम से एक-निकाय घनत्व मैट्रिक्स पर सटीक क्लोजर का लाभ उठाकर, यह विधि उस घातांकीय बाधा को पार करती है जिसने व्युत्क्रम भौतिकी-सूचित शिक्षण (inverse physics-informed learning) को छोटे सिस्टम (आमतौर पर $N \le 10$ ) तक सीमित कर दिया था।

यह पत्र इस बात पर जोर देता है कि यह दृष्टिकोण केवल एक शैक्षणिक अभ्यास नहीं है, बल्कि सीधे तौर पर सुपरकंडक्टिंग ट्रांसमोन क्यूबिट श्रृंखलाओं के लिए लागू करने योग्य है, जो स्वाभाविक रूप से विषम XX मॉडल को लागू करते हैं। केवल पाँच वैश्विक मापन सेटिंग्स का उपयोग करके मापदंडों को कैलिब्रेट करने और क्रॉसटॉक का पता लगाने की क्षमता, बड़े पैमाने के एनालॉग क्वांटम सिम्युलेटर्स के लक्षण वर्णन के लिए एक व्यावहारिक मार्ग प्रदान करती है। लेखक विनम्रतापूर्वक नोट करते हैं कि जबकि यह विधि XX मॉडल के लिए सटीक है, विषम XY श्रृंखलाओं (मैजोराना कोवेरियंस मैट्रिक्स की आवश्यकता) और खुले सिस्टम (लिंडब्लाड डायनेमिक्स) के लिए विस्तार करना प्राकृतिक अगला कदम है, जबकि सामान्य दो-निकाय हैमिल्टनियन इस विशिष्ट दायरे से बाहर हैं।

इसी तरह के और पेपर