Akademik tadqiqotlar, tushunarli til

Verianla | O‘zbekcha akademik tadqiqotlar va ilm-fan

17 Noyabr 2026, Seshanba
VERİANLA Mustaqil ilmiy nashriyot
Menyuni ochish yoki yopish
...
Bosh sahifa / Fizik fanlar / Fizika / Katta Miqyosli Kvant Hujayraviy Avtomatlarining Tasniflash Qobiliyatini Oʻrgatish
Fizika

Katta Miqyosli Kvant Hujayraviy Avtomatlarining Tasniflash Qobiliyatini Oʻrgatish

Kvant hujayraviy avtomati (quantum cellular automaton, QCA) — kvant axborotini tashuvchi mahalliy hujayralar maʼlum qoʻshnichilik qoidasi asosida takrorlanuvchi kvant darvozalari orqali qatlamdan qatlamga qayta ishlanadigan kvant hisoblash arxitekturasidir.

15/11/2026  Veri Anla  187 marta ko‘rildi
Katta Miqyosli Kvant Hujayraviy Avtomatlarining Tasniflash Qobiliyatini Oʻrgatish

Kvant hujayraviy avtomati (quantum cellular automaton, QCA), kvant axborotini tashuvchi mahalliy hujayralar ma’lum qoʻshnichilik qoidasi asosida takrorlanuvchi kvant darvozalari orqali qatlamdan qatlamga qayta ishlanadigan kvant hisoblash arxitekturasidir. Ushbu tadqiqot dissipativ kvant koʻp-jism fizikasidagi faza oʻtishi, kuchsiz \(\mathbb{Z}_2\) simmetriyasi va vaqtinchalik ergodiklik buzilishi mexanizmlaridan foydalanib, QCAning ikkilik tasniflash qobiliyati faqat oldindan qoʻlda tanlangan fizik parametrlar bilan paydo boʻlmasligini, balki oʻquv ma’lumotlaridan gradientga asoslangan optimallashtirish orqali oʻrganilishi mumkinligini koʻrsatadigan nazariy va sonli tadqiqotdir.

Model mahalliy oʻzaro ta’sir va dissipatsiyani oʻz ichiga olgan \(\mathbb{Z}_2\)-simmetriyali dissipativ Ising dinamikasidan ilhomlangan. Termodinamik limitda ushbu fizik model paramagnit va ferromagnit rejimlar oʻrtasida uzluksiz faza oʻtishini koʻrsatishi mumkin. Ferromagnit rejimda \(x\)-magnitlanishning stationary order parameter-i \(m_\infty^x\) simmetriya orqali bogʻlangan musbat va manfiy ikki qiymatdan birini olishi mumkin. Boshlangʻich holat qaysi tortishish havzasida boʻlsa, tizim qaysi turgʻun nuqtaga borishini shu belgilaydi.

Biroq tadqiqotda ishlatilgan QCA chekli oʻlchamga ega. Chekli tizimda doimiy spontan simmetriya buzilishi va cheksiz davom etuvchi qat’iy ergodiklik buzilishi kutilmaydi. Buning oʻrniga mualliflar oraliq qatlamlarda ikki kvazi-turgʻun nuqta atrofida klasterlanish yuzaga keladigan vaqtinchalik noergodik oyna mavjudligini koʻrsatadi. QCA chiqish qatlami shu vaqt oynasiga joylashtirilganda makroskopik jihatdan farqli ikki \(m^x\) qiymati ikki sinf sifatida oʻqilishi mumkin. Uzoqroq vaqtda esa barcha boshlangʻich holatlar bitta stationary state-ga yaqinlashadi va \(m^x\rightarrow0\) boʻladi; ya’ni ergodiklik qaytadi.

Faza oʻtishining asosiy tartib parametri qatlamdagi barcha kubitlarning normallashtirilgan \(x\)-magnitlanishidir. Mean-field hisoblari ferromagnit faza sohasini bashorat qiladi. Bir oʻlchamda nearest-neighbor correlations hisobga olinganda bu ferromagnit soha kichrayadi, ammo manbada oʻrganilgan oʻtish uzluksiz boʻlib qoladi va \(\mathbb{Z}_2\) simmetriya buzilishi xususiyatini saqlaydi.

Bevosita QCA simulyatsiyalarida \(\Omega=3\kappa\), \(V=15\kappa\) va \(\kappa\delta t=0.1\) ishlatiladi. Boshlangʻich order parameter qiymatlari \(m_0^x\in[-0.5,0.5]\) oraligʻini qamrab oluvchi 2.000 holat evolyutsiyasida \(N=10\) uchun vaqtinchalik ikki-klasterli tuzilma koʻrinadi; \(N=100\) da ayni bimodal tuzilma yanada ravshan, histogram choʻqqilari esa oʻtkirroq boʻladi. Bu oʻlchamga bogʻliqlik kvazi-turgʻun nuqta xatti-harakatining emergent many-body xarakterini qoʻllab-quvvatlaydi.

Oʻqitish namoyishida Hamiltonian oʻzgarmas saqlanadi va faqat jump operator:

\[ J_k(a,b)=a\sigma_k^x+i\,b\sigma_k^y \]

ichidagi ikki haqiqiy parametr \(a\) va \(b\) optimallashtiriladi. Toʻrtta input–target oʻquv jufti tasniflay oladigan etalon QCA dan hosil qilinadi. Tasniflamaydigan \(a=-0.15,\;b=-1\) boshlangʻich nuqtadan boshlangan QCA \(L=10\) chuqurlikda, \(\epsilon=80\) learning rate va asosiy namoyishda 100 parameter-update takrorlanishi bilan oʻqitiladi. Oʻqitishdan soʻng bir choʻqqili output-magnetization taqsimoti ikki aniq choʻqqiga ajraladi; bu ikki choʻqqi ikkilik tasniflash xatti-harakatidir.

Yoʻqotish funksiyasi butun kvant chiqish holatining target state bilan fidelity-sini oʻlchash oʻrniga fizik order parameter-dagi xatoni oʻlchaydi. Manbada \(N=20\) uchun \((a,b)\) parametr tekisligidagi loss landscape keng va aniq minimumni koʻrsatishi berilgan. Mualliflar bu physics-informed loss tuzilmasi katta holat fazolarida yuzaga kelishi mumkin boʻlgan barren-plateau turidagi trainability muammolariga qarshi afzallik berishi mumkinligini ilgari suradi. Biroq tadqiqot barcha QCA yoki kvant neyron tarmoqlarida barren plateau matematik jihatdan yoʻq qilinganini isbotlamaydi.

Tadqiqotdagi “large-scale” iborasi fizik jihatdan katta kvant protsessori tajribada oʻqitilganini anglatmaydi. Sonli hisoblar matrix product states va matrix product operators dan foydalanuvchi tensor-network simulyatsiyalari orqali klassik hisoblash muhitida bajarilgan. Manbada muhokama qilingan holat fazosi \(N=20\) uchun \(4^N\times4^N\), taxminan \(10^{24}\) miqyosiga yetadi; tensor-network representation ushbu ulkan fazoni toʻliq zich matritsa koʻrinishida saqlamasdan tegishli tuzilmani siqilgan shaklda qayta ishlash imkonini beradi.

Tadqiqotning asosiy muammosi

Umumiy kvant mashinaviy oʻrganish arxitekturasida ikkita alohida muammo mavjud. Birinchisi, kvant dinamikasining qaysi fizik xususiyati ma’lumotlarni qayta ishlashda ishlatilishini tushunishdir. Ikkinchisi esa shu xususiyatni yuzaga keltiruvchi parametrlarni oʻquv ma’lumotlaridan ishonchli oʻrganish mumkinmi, degan savoldir.

Ushbu tadqiqot tasniflashni bevosita koʻp-jism tizimidagi faza oʻtishi, simmetriya buzilishi, kvazi-turgʻun nuqta va order parameter tushunchalariga bogʻlaydi. Shunday qilib, tasniflash uchun mavhum yuqori oʻlchamli target-state fidelity oʻrniga fizik jihatdan talqin qilinadigan makroskopik kattalik ishlatiladi.

Klassik Hopfield tarmoqlarida tortishish havzalari va turgʻun nuqtalar xotira yoki naqsh sifatida talqin qilinishi mumkin. Manba shunga oʻxshash fizik mantiq dissipativ quantum many-body dynamics ichida QCA axborotni qayta ishlash funksiyasiga aylanishi mumkinligini oʻrganadi. Asosiy gʻoya turli boshlangʻich holatlarning vaqtincha bir-biridan ajralgan ikki makroskopik dinamik yoʻlga yoʻnaltirilishidir.

Kvant Hujayraviy Avtomati Ushbu Tadqiqotda Tasniflashni Qanday Bajaradi?

Ushbu tadqiqotdagi kvant hujayraviy avtomati boshlangʻich kvant holatlarini dissipativ Ising-ga oʻxshash dinamika ostida evolyutsiyalab, vaqtinchalik noergodik vaqt oynasida \(x\)-magnitlanishni \(\mathbb{Z}_2\) simmetriyasi orqali bogʻlangan ikki kvazi-turgʻun qiymatdan biriga yoʻnaltiradi; QCA chiqish qatlami shu oynaga joylashtirilganda musbat va manfiy order-parameter klasterlari ikki alohida sinf sifatida oʻqiladi, biroq uzoq vaqtda bu ajralish yoʻqoladi va tizim yana bitta stationary state-ga yaqinlashadi.

QCA geometriyasi va qatlam mantiqi

Manba QCA ni ikki oʻlchamli kubit panjarasida ta’riflaydi. Vertikal yoʻnalishda \(N\) ta site, gorizontal yoʻnalishda esa \(L+1\) qatlam mavjud.

Har bir site ikki asosiy holatga ega kubitdir:

\[ |0\rangle,\qquad |1\rangle. \]

Vertikal ustun ma’lum \(t\) vaqt indeksidagi QCA qatlamidir. Birinchi qatlamga:

\[ \rho_0 \]

kirish kvant holati joylashtiriladi. Keyingi qatlamlar dastlab vakuum holatida boʻladi.

Gorizontal yoʻnalish fizik fazo koordinatasi boʻlishi shart emas; u QCA ning takroriy hisoblash/vaqt yoʻnalishi sifatida talqin qilinadi. Shunday qilib:

\[ t=0,1,\ldots,L \]

qatlamlari dissipativ kvant spin zanjirining diskret vaqt namunalari kabi ishlaydi.

Manba tadqiqotning 1-rasmida ta’riflangan QCA, transient ergodicity breaking va tasniflash munosabatiga asoslanib Verianla uchun tayyorlangan source-derived, masshtabsiz sxema. Manba rasmining vizual kompozitsiyasi koʻchirilmagan.

Kvant holati bir qatlamdan boshqasiga qanday uzatiladi?

Manba QCA holat yangilanishini Tenglama (1) bilan ta’riflaydi:

\[ \rho_t= \mathrm{Tr}_{t-1} \left[ \mathcal G \left( \rho_{t-1}\otimes|\mathbf 0\rangle\langle\mathbf 0| \right) \mathcal G^\dagger \right]. \tag{1} \]

Formula nimani hisoblaydi? Oldingi qatlamning reduced density matrix-i \(\rho_{t-1}\) dan yangi qatlamning reduced density matrix-i \(\rho_t\) ni hosil qiladi.

\(\rho_{t-1}\): oldingi QCA qatlamidagi kvant holatidir.

\(|\mathbf 0\rangle\langle\mathbf 0|\): yangi qatlam kubitlarining boshlangʻich vakuum holatidir.

\(\mathcal G\): ikki qoʻshni qatlamda qoʻllanadigan global quantum gate-dir.

\(\mathcal G^\dagger\): global gate ning Hermitian conjugate-i.

\(\mathrm{Tr}_{t-1}\): eski qatlamning degrees of freedom-lari boʻyicha partial trace oladi. Boshqacha aytganda, eski qatlam endi chiqish tizimining qismi emas.

Bu nuqta dissipativ dinamikani tushunish uchun muhim. Ikki qatlam birgalikda kattaroq kvant tizimida gate evolution dan oʻtganda, oldingi qatlamning trace qilinishi yangi qatlam reduced dynamics ini umumiy holda nonunitary qiladi. Shu tariqa gate-based QCA Markovian open-quantum-system dinamikasiga yaqinlashishi mumkin.

Global gate qanday hosil qilinadi?

Mahalliy darvozalar:

\[ G_k \]

qoʻshni ikki qatlamning \(k\)-site atrofida ishlaydi. Global ikki-qatlam gate chegara hadlaridan tashqari:

\[ \mathcal G=\prod_{k=1}^{N}G_k \]

koʻrinishida hosil qilinadi.

Manbaning Tenglama (2) si:

\[ G_k = \mathrm{SWAP}_k \, e^{-i\sqrt{\delta t} \left( J_k\otimes\sigma_k^{+} +\mathrm{h.c.} \right)} \, e^{-i\delta t H_k\otimes\mathbb I}. \tag{2} \]

Bu yerda manba:

\[ \sigma_k^+=\sigma_k^x+i\sigma_k^y \]

ta’rifidan foydalanadi.

Oʻngdagi eksponensial had:

\[ e^{-i\delta t H_k\otimes\mathbb I} \]

oldingi qatlamdagi tizimning \(H_k\) mahalliy Hamiltoniani ostida coherent evolution hosil qiladi.

Oʻrtadagi eksponensial had:

\[ e^{-i\sqrt{\delta t}(J_k\otimes\sigma_k^++\mathrm{h.c.})} \]

eski va yangi qatlam oʻrtasida \(J_k\) jump operator-lariga bogʻliq oʻzaro ta’sirni hosil qiladi. Yangi qatlam bilan oʻzaro ta’sirdan soʻng eski qatlamning trace qilinishi effective dissipative dynamics ni yuzaga keltiradi.

\(\mathrm{SWAP}_k\): tegishli eski va yangi qatlam kubitlarining holatlarini almashtiradi.

\(\delta t\): diskret vaqt qadamidir. Manba \(\delta t\ll1\) limitida qatlam yangilanishining uzluksiz Markovian dissipative dynamics ga yaqinlashishini qoʻllaydi.

QCA bilan Lindblad dinamikasi oʻrtasidagi bogʻlanish

Kichik \(\delta t\) uchun:

\[ \rho_t \approx e^{\mathcal L\delta t} [\rho_{t-1}]. \]

Bu yerdagi \(\mathcal L\) Lindblad generatoridir:

\[ \mathcal L[\bullet] = -i \left[ \sum_{k=1}^{N}H_k,\bullet \right] + \sum_{k=1}^{N} \left( J_k\bullet J_k^\dagger - \frac{1}{2} \left\{ J_k^\dagger J_k,\bullet \right\} \right). \tag{3} \]

\([\ ,\ ]\): commutator. Birinchi had Hamiltonian manbali coherent quantum dynamics ni ifodalaydi.

\(\{\ ,\ \}\): anticommutator.

\(J_k\bullet J_k^\dagger-\frac12\{J_k^\dagger J_k,\bullet\}\): Lindblad dissipator ning jump-process contribution qismidir.

\(\bullet\): superoperator ta’sir qiladigan density operator uchun ishlatiladigan oʻrinbosardir.

Demak, tadqiqot faqat “kvant sxemasi qatlamlari” tili bilan cheklanmaydi; ayni QCA ni dissipativ many-body quantum dynamics nuqtai nazaridan talqin qiladi. Tasniflash mexanizmining fizik izohi ham shu bogʻlanish orqali quriladi.

Ising-ga oʻxshash mahalliy Hamiltonian va dissipatsiya

Manba maxsus tasniflovchi model uchun:

\[ H_k = \frac{\Omega}{2}\sigma_k^z - \frac{V}{4} \sigma_k^x\sigma_{k+1}^x, \qquad J_k = \sqrt{\kappa}\,\sigma_k^-. \tag{4} \]

dan foydalanadi.

\(\Omega\): transverse field strength.

\(V\): nearest-neighbor spin interaction strength.

\(\kappa\): \(z\)-basis dagi local decay rate.

\(\sigma_k^-\): lowering operator.

Faza diagrammasidagi tabiiy oʻlchamsiz boshqaruv parametrlari:

\[ \frac{\Omega}{\kappa}, \qquad \frac{V}{\kappa} \]

sifatida ishlatiladi. Shunday qilib, mutlaq energiya/chastota miqyosidan koʻra coherent drive va interaction ning decay scale ga nisbatan kattaligi taqqoslanadi.

Kuchsiz \(\mathbb{Z}_2\) Simmetriyasi Tasniflash uchun Nega Muhim?

Kuchsiz \(\mathbb{Z}_2\) simmetriyasi Lindblad generator ning global \(z\)-parity oʻzgarishi ostida oʻzgarmas qolishini va \(m^x\) order parameter ning simmetriya bilan bogʻlangan \(+m^x\) va \(-m^x\) dinamik tarmoqlari hosil boʻlishini ta’minlaydi; termodinamik modelda bu ikki tarmoq symmetry-broken fixed points hosil qilsa, chekli QCA da ayni tuzilma vaqtinchalik ikki kvazi-turgʻun nuqta koʻrinishida namoyon boʻladi va bu ikki makroskopik chiqish ikkilik tasniflashning fizik asosini tashkil qiladi.

Kuchsiz simmetriya matematik jihatdan qanday yoziladi?

Manba global parity superoperator ni:

\[ \mathcal P[\bullet] = \left( \prod_{k=1}^{N}\sigma_k^z \right) \bullet \left( \prod_{k=1}^{N}\sigma_k^z \right) \]

bilan ta’riflaydi.

Weak symmetry sharti:

\[ [\mathcal L,\mathcal P]=0 \]

koʻrinishidadir.

Bu Lindblad evolution bilan parity transformation mos ekanini bildiradi. Boshlangʻich holatning parity-oʻzgartirilgan juftining dinamikasi asl dinamikaning parity-oʻzgartirilgan koʻrinishidir.

\(\sigma^z\) oʻzgarishi ostida \(x\)-magnitlanish ishorasini oʻzgartiradi. Shu sababli bir-birining simmetriya jufti boʻlgan ikki holat:

\[ m^x \quad\longleftrightarrow\quad -m^x \]

koʻrinishida juftlashishi mumkin.

Ergodiklik nima?

Ushbu tadqiqot kontekstida ergodiklik uzoq vaqt xatti-harakati boshlangʻich holat haqidagi ma’lumotni yoʻqotishi va turli boshlangʻich holatlar bir xil stationary behavior ga yoʻnalishi bilan bogʻliq.

Ergodiklik buzilganda turli initial conditions turli attraction basin larda boʻlishi va turli uzoq-vaqt yoki metastable/quasi-stationary tuzilmalarga yoʻnalishi mumkin.

Bu farq tasniflash nuqtai nazaridan tabiiy:

  • bir xil basin ga yoʻnalgan kirishlar bir xil sinfga,
  • boshqa basin ga yoʻnalgan kirishlar boshqa sinfga

tayinlanishi mumkin.

Fixed point bilan quasi-fixed point oʻrtasidagi farq

Fixed point, dinamika haqiqatan oʻzgarmas boʻlib qolishi mumkin boʻlgan stationary holatdir.

Quasi-fixed point, chekli vaqt oraligʻida dinamika uning yaqinida uzoq turishi mumkin boʻlgan, ammo cheksiz vaqtda doimiy boʻlishi shart boʻlmagan metastable-ga oʻxshash dinamik tuzilmadir.

Ushbu maqoladagi QCA tasniflash uchun ikkinchi tushuncha muhim. Chekli QCA ning ikki sinfi doimiy ikki stationary state emas; transient window ichidagi ikki quasi-fixed pointtir.

Order parameter qanday ta’riflanadi?

Manba magnetization components ni:

\[ m_t^\mu = \mathrm{Tr} \left[ \left( \frac{1}{2N} \sum_{k=1}^{N} \sigma_k^\mu \right) \rho_t \right], \qquad \mu=x,y,z \tag{5} \]

bilan ta’riflaydi.

\(N\): bir qatlamdagi kubitlar sonidir.

\(\sigma_k^\mu\): \(k\)-site dagi Pauli operatoridir.

\(\rho_t\): \(t\)-qatlamning density matrix idir.

\(m_t^\mu\): butun qatlam boʻylab tarqalgan normallashtirilgan kollektiv magnetization dir.

Manba normallashtirishiga koʻra sof product-state sampling da bir-kubit Bloch komponentlariga mos \(m^\mu\) qiymatlarining tabiiy chegarasi:

\[ -\frac12 \leq m^\mu \leq \frac12 \]

boʻladi.

Mean-field yondashuvi nima?

Mean-field approximation koʻp-jism density matrix ini translation-invariant bir-site holatlarining koʻpaytmasi bilan yaqinlashtiradi:

\[ \rho_t^{\mathrm{MF}} = \bigotimes_{k=1}^{N} \rho_t^{(k)}. \]

Bu yondashuvda site lar orasidagi connected quantum correlations alohida mustaqil oʻzgaruvchilar sifatida saqlanmaydi. Har bir site boshqalarning oʻrtacha ta’sirini sezadi.

Manbaning bir oʻlchamdagi mean-field equations i:

\[ \dot m_t^x = -\Omega m_t^y - \frac{\kappa}{2}m_t^x, \tag{6a} \]
\[ \dot m_t^y = \Omega m_t^x + 2V m_t^xm_t^z - \frac{\kappa}{2}m_t^y, \tag{6b} \]
\[ \dot m_t^z = -2V m_t^xm_t^y - \kappa \left( m_t^z+\frac12 \right). \tag{6c} \]

Tenglama (6a) nimani anglatadi?

\[ \dot m^x=-\Omega m^y-\frac{\kappa}{2}m^x \]

ifodada \(-\Omega m^y\) transverse-field manbali coherent rotation coupling ni; \(-\kappa m^x/2\) esa dissipative decay ning \(x\)-magnetization ga soʻndirish ta’sirini ifodalaydi.

Tenglama (6b) nimani anglatadi?

\[ \dot m^y = \Omega m^x + 2Vm^xm^z - \frac{\kappa}{2}m^y \]

ifoda field-induced rotation bilan many-body interaction contribution ni birlashtiradi. \(2Vm^xm^z\) nochiziqli hadi sabab kollektiv dinamika faqat mustaqil bir-kubit aylanishlaridan iborat emas.

Tenglama (6c) nimani anglatadi?

\[ \dot m^z = -2Vm^xm^y - \kappa \left( m^z+\frac12 \right) \]

ifodada interaction term \(x\) va \(y\) magnetization components orqali \(z\) komponentiga ta’sir qiladi. Dissipative term tizimni manba normallashtirishida \(m^z=-1/2\) yoʻnalishiga olib boradi.

Fazalarni ajratuvchi order parameter

Stationary \(x\)-magnetization:

\[ m_\infty^x \]

fazani ajratish uchun ishlatiladi.

RejimStationary \(m_\infty^x\)SimmetriyaDinamik talqin
Paramagnit (PM)\(0\)\(\mathbb{Z}_2\) buzilmaganBitta stationary yechim
Ferromagnit (FM)\(\neq0\)\(\mathbb{Z}_2\) buzilgan\(+m_\infty^x\) yoki \(-m_\infty^x\); boshlangʻich holatga bogʻliq ikki tarmoq

Nearest-neighbor correlations nega alohida oʻrganiladi?

QCA bir oʻlchamli spin zanjiri dinamikasiga mos kelgani uchun fluctuations va spatial correlations mean-field approximation bashoratlarini oʻzgartirishi mumkin. Shu sabab mualliflar bitta nearest-neighbor bond dagi ikki-jism korrelyatsiyalarini ochiq saqlaydigan rivojlangan yaqinlashuvni tuzadilar.

Manba natijasiga koʻra nearest-neighbor correlations:

  • ferromagnit fazaning parametr fazosidagi sohasini kichraytiradi,
  • ammo oʻrganilgan PM–FM faza oʻtishining uzluksiz xarakterini oʻzgartirmaydi,
  • \(\mathbb{Z}_2\) symmetry-breaking mexanizmini yoʻq qilmaydi.
Manba 2-rasmining ilmiy natijasiga asoslanib tayyorlangan sifatli Verianla sxemasi. Eng yaqin qoʻshni korrelyatsiyalari FM faza sohasini kichraytirishi, biroq oʻtishning uzluksiz xarakterini saqlashi koʻrsatiladi. Faza chegaralari manba grafigining sonli qayta chizilishi emas.

Nearest-neighbor yondashuvining asosiy zichlik matritsasi

Supplementary Material bir-site va ikki-site reduced density matrices ni:

\[ \rho_a = \mathrm{Tr}_{\neq a}[\rho], \qquad \rho_{ab} = \mathrm{Tr}_{\neq a,b}[\rho] \tag{S1} \]

bilan ta’riflaydi.

Bitta nearest-neighbor bond dagi connected correlation:

\[ C_{j,k} = \rho_{jk} - \rho_j\rho_k \tag{S3} \]

koʻrinishidadir.

Mean-field holat:

\[ \rho_{\mathrm{MF}} = \bigotimes_{j=1}^{N}\rho_j \tag{S4} \]

boʻlgani uchun sof mean-field limitida:

\[ C_{j,k}=0. \]

Korrelyatsiyali trial state ning asosiy tuzilishi:

\[ \rho_c = \rho_{\mathrm{MF}} + \sum_{\langle j,k\rangle} C_{j,k} \left( \bigotimes_{l\neq j,k}\rho_l \right). \tag{S2} \]

Bu yondashuvda tanlangan nearest-neighbor bond dagi ikki-site correlation ochiq saqlanadi, atrofdagi boshqa site lar ta’siri esa mean-field darajasida ushlab turiladi.

Koordinatsiya soni \(q\) nimani bildiradi?

Qoʻshimcha material modelni umumiy \(d\)-oʻlchamli hypercubic lattice da yozadi:

\[ q=2d. \]

\(q\) bitta site ning nearest-neighbor sonidir. Umumiy bond soni:

\[ \frac{qN}{2} \]

boʻladi. QCA uchun koʻrilgan bir oʻlchamli holatda:

\[ d=1, \qquad q=2. \]

Shuning uchun bitta-bond korrelyatsiya tuzatishi past oʻlchamda e’tiborsiz qoldirib boʻlmaydigan darajada muhim.

Bir-site va ikki-site Hamiltonian qismlari

Supplementary Material:

\[ H_j^{(1)} = \frac{\Omega}{2}\sigma_j^z, \qquad J_j = \sqrt{\kappa}\sigma_j^-, \tag{S7} \]

va:

\[ H_{\langle jk\rangle}^{(2)} = -\frac{V}{4} \sigma_j^x\sigma_k^x \tag{S8} \]

ajratishidan foydalanadi.

Ikki-body reduced density matrix ning exact dynamics i odatda uch-body density matrix ga bogʻlangani uchun BBGKY-ga oʻxshash hierarchy yuzaga keladi. Bu hierarchy oʻz-oʻzidan yopiq emas. Manba:

\[ \rho_{abl} \approx \rho_{ab}\rho_l \]

yaqinlashuvi bilan tanlangan \(a,b\) bond ni exact saqlab, muhitni factorized mean-field sifatida koʻrib tizimni yopadi.

Ikki-site density matrix ning Pauli bazisidagi yoyilmasi

Ikki kubitli reduced density matrix Pauli basis da:

\[ \rho_{ab} = \frac{\mathbb I_a\mathbb I_b}{4} + \frac14 \left[ \sum_{\mu} \alpha_{\mu,I}\sigma_a^\mu\mathbb I_b + \sum_{\nu} \alpha_{I,\nu}\mathbb I_a\sigma_b^\nu + \sum_{\mu,\nu} \alpha_{\mu,\nu}\sigma_a^\mu\sigma_b^\nu \right], \quad \mu,\nu\in\{x,y,z\}. \tag{S12} \]

koʻrinishida ifodalanadi.

Ikki-point correlation functions:

\[ 4m^{\mu,\nu} = \alpha_{\mu,\nu} = \langle \sigma_a^\mu\sigma_b^\nu \rangle = \mathrm{Tr} \left[ \rho_{ab} \sigma_a^\mu\sigma_b^\nu \right]. \tag{S13} \]

Bir-site magnetization components esa translation invariance ostida:

\[ 2m^\mu = \alpha_{\mu,I} = \alpha_{I,\mu} = \langle\sigma_a^\mu\rangle = \langle\sigma_b^\mu\rangle. \tag{S14} \]

Bu parametrlash natijasida uchta one-point va toʻqqizta two-point quantity, jami 12 ta mustaqil dinamik oʻzgaruvchi olinadi.

Nearest-neighbor korrelyatsiyali 12 harakat tenglamasi

Manbaning Supplementary Material ida faza diagrammasining correlation-corrected versiyasini hosil qilish uchun quyidagi tenglamalar tizimi ishlatiladi:

\[ \frac{dm^x}{dt} = -\Omega m^y -\frac{\kappa}{2}m^x, \tag{S15a} \]
\[ \frac{dm^y}{dt} = \Omega m^x + V(q-1)m^xm^z + Vm^{z,x} - \frac{\kappa}{2}m^y, \tag{S15b} \]
\[ \frac{dm^z}{dt} = -V(q-1)m^xm^y - Vm^{y,x} - \kappa \left( \frac12+m^z \right), \tag{S15c} \]
\[ \frac{dm^{x,x}}{dt} = -\Omega \left( m^{y,x}+m^{x,y} \right) - 2\kappa m^{x,x}, \tag{S15d} \]
\[ \frac{dm^{x,y}}{dt} = -\Omega \left( m^{y,y}-m^{x,x} \right) + Vm^x(q-1)m^{z,x} + \frac{V}{4}m^z - 2\kappa m^{x,y}, \tag{S15e} \]
\[ \frac{dm^{x,z}}{dt} = -\Omega m^{y,z} - Vm^x(q-1)m^{x,y} - \frac{V}{4}m^y - 2\kappa m^{x,z} - \frac{\kappa}{2}m^x, \tag{S15f} \]
\[ \frac{dm^{y,x}}{dt} = \Omega \left( m^{x,x}-m^{y,y} \right) + V(q-1)m^xm^{z,x} + \frac{V}{4}m^z - 2\kappa m^{y,x}, \tag{S15g} \]
\[ \frac{dm^{y,y}}{dt} = \Omega \left( m^{x,y}+m^{y,x} \right) + Vm^x(q-1) \left( m^{y,z}+m^{z,y} \right) - 2\kappa m^{y,y}, \tag{S15h} \]
\[ \frac{dm^{y,z}}{dt} = \Omega m^{x,z} - Vm^x(q-1) \left( m^{y,y}-m^{z,z} \right) - 2\kappa m^{y,z} - \frac{\kappa}{2}m^y, \tag{S15i} \]
\[ \frac{dm^{z,x}}{dt} = -\Omega m^{z,y} - V(q-1)m^xm^{y,x} - \frac{V}{4}m^y - 2\kappa m^{z,x} - \frac{\kappa}{2}m^x, \tag{S15j} \]
\[ \frac{dm^{z,y}}{dt} = \Omega m^{z,x} + Vm^x(q-1) \left( m^{z,z}-m^{y,y} \right) - 2\kappa m^{z,y} - \frac{\kappa}{2}m^y, \tag{S15k} \]
\[ \frac{dm^{z,z}}{dt} = -Vm^x(q-1) \left( m^{z,y}+m^{y,z} \right) - \kappa \left( m^z+2m^{z,z} \right). \tag{S15l} \]

Bu tenglamalarda ikki xil fizik hissa koʻrinadi. Tanlangan bond dagi terms \(Vm^{z,x}\), \(Vm^{y,x}\) kabi explicit two-point correlations ni oʻz ichiga oladi; qolgan \(q-1\) qoʻshnining ta’siri esa \(V(q-1)m^\alpha m^\beta\) koʻrinishidagi mean-field terms orqali keladi.

Manbaning muhim oʻlcham natijasi shuki: bir oʻlchamda \(q=2\) boʻlgani uchun exact saqlangan bitta-bond korrelyatsiyasi va atrofdagi mean-field contribution bir xil tartibda. \(q\gg1\) boʻlgan yuqori oʻlchamlarda esa bitta bond ning contribution i nisbatan kichrayadi va mean-field yondashuvi tabiiyroq boʻladi.

Yuqori koordinatsiya sonida mean-field limiti

\(q\gg1\) uchun:

\[ m^{\mu,\nu} \approx m^\mu m^\nu \]

factorization ishlatilganda tizim:

\[ \frac{dm^x}{dt} = -\Omega m^y -\frac{\kappa}{2}m^x, \tag{S16a} \]
\[ \frac{dm^y}{dt} = \Omega m^x + Vq\,m^xm^z - \frac{\kappa}{2}m^y, \tag{S16b} \]
\[ \frac{dm^z}{dt} = -Vq\,m^xm^y - \kappa \left( \frac12+m^z \right) \tag{S16c} \]

tenglamalariga keladi.

Bir oʻlcham uchun \(q=2\) qoʻyilganda asosiy matndagi Tenglama (6a)–(6c) qayta olinadi.

Tadqiqot Usuli va Natijalari

Faza diagrammasi tahlili

Mualliflar avval dissipativ Ising-inspired modelning stationary phase diagram ini mean-field bilan yechadilar. Gorizontal oʻq:

\[ \Omega/\kappa \]

dimensionless field strength, vertikal oʻq:

\[ V/\kappa \]

dimensionless interaction strength.

Mean-field phase map ikkita asosiy sohani koʻrsatadi:

  • \(m_\infty^x=0\) boʻlgan paramagnit soha,
  • \(|m_\infty^x|>0\) boʻlgan ferromagnit symmetry-broken soha.

Nearest-neighbor correlations qoʻshilganda FM sohasi kichrayadi. Manba \(V=3\kappa\) chizigʻidagi kesimda ham mean-field, ham correlation-corrected yechim PM–FM oʻtishini uzluksiz koʻrsatishini xabar qiladi.

Manba grafigining xom grid qiymatlari berilmagani uchun Verianla ma’lum \(\Omega/\kappa\) kritik qiymatini rasmdan oʻqib aniq son sifatida yaratmaydi.

Finite-size QCA da transient ergodicity breaking

Bevosita QCA simulyatsiyasida ishlatilgan asosiy shartlar:

ParametrManba qiymatiMa’nosi
\(\Omega\)\(3\kappa\)Transverse field
\(V\)\(15\kappa\)Nearest-neighbor interaction
\(\kappa\delta t\)0.1Oʻlchamsiz diskret vaqt qadami
Initial states2.000\(m_0^x\in[-0.5,0.5]\) oraligʻini qamrab oluvchi boshlangʻich holatlar
Tizim oʻlchamlari\(N=10\) va \(N=100\)Har bir layer uchun kubit soni
\(\chi_{\mathrm{MPS}}\)48Matrix-product-state bond dimension
\(\chi_{\mathrm{MPO}}\)16Matrix-product-operator bond dimension
Histogram qatlami\(t=8\)Transient bimodality oʻrganilgan qatlam
Histogram bin size0.005Manba histogramining bin kengligi

\(N=10\) va \(N=100\) taqqoslanishi

\(N=10\) da 2.000 magnetization trajectory oraliq qatlamlarda ikki quasi-fixed value atrofida toʻplana boshlaydi va \(t=8\) histogrami bimodal tuzilmani koʻrsatadi.

\(N=100\) da ikki guruh histogram choʻqqilari balandroq va oʻtkirroq boʻladi. Manba buni quasi-fixed point lar tizim oʻlchami ortishi bilan yanada ravshanlashadigan emergent xatti-harakat deb talqin qiladi.

Biroq bu ikki choʻqqi cheksiz vaqtda turgʻun qolmaydi. Kattaroq QCA chuqurligida trajectories bitta \(m^x=0\) stationary state ga yaqinlashadi.

Boshlangʻich holatlar qanday yaratiladi?

Supplementary Material da avval \(n=1000\) translation-invariant product states hosil qilinadi:

\[ \rho_0^{\,l} = \bigotimes_{k=1}^{N} |\psi^l\rangle\langle\psi^l|, \qquad l=1,\ldots,1000. \tag{S17} \]

Bir-kubit sof holat:

\[ |\psi^l\rangle = \cos\left(\frac{\theta^l}{2}\right)|0\rangle + e^{i\phi^l} \sin\left(\frac{\theta^l}{2}\right)|1\rangle. \]

Bloch-sphere burchaklari magnetization components orqali:

\[ \theta^l = \arccos(2m_{0,l}^z), \qquad \phi^l = \operatorname{arctan2} \left( m_{0,l}^y,m_{0,l}^x \right), \tag{S18} \]

va:

\[ (m_{0,l}^x)^2+ (m_{0,l}^y)^2+ (m_{0,l}^z)^2 = \frac14 \]

sharti bilan aniqlanadi.

Nega arctan2 ishlatiladi?

Oddiy \(\arctan(y/x)\), \(x\) va \(y\) ishoralariga qarab qaysi quadrant da joylashganini oʻzi ishonchli ajrata olmaydi. \(\operatorname{arctan2}(y,x)\), \(x\) va \(y\) ishoralarini birgalikda ishlatib toʻgʻri \(\phi\in(-\pi,\pi]\) burchagini tanlaydi.

Dastlabki 1.000 state qanday uniform taqsimlanadi?

Manba avval:

\[ m_{0,l}^x\in[0,0.5] \]

oraligʻida uniform sampling qiladi.

Soʻng:

\[ R = \sqrt{ \frac14-(m_l^x)^2 }, \tag{S21} \]
\[ m_l^y = R\sin\alpha, \qquad m_l^z = R\cos\alpha, \qquad \alpha\in[0,2\pi] \tag{S22} \]

orqali boshqa ikki component aniqlanadi.

Bu sampling Bloch sphere da Haar-uniform sampling sifatida ta’riflanmagan. Manbaning maqsadi \(m_0^x\) order parameter oʻqini bias hosil qilmasdan qamrab olishdir.

Qolgan 1.000 boshlangʻich holat qanday olinadi?

Ikkinchi 1.000 holat mustaqil ravishda qayta namunalanmaydi; dastlabki 1.000 holatning \(\mathbb Z_2\) juftlari hosil qilinadi:

\[ \widetilde{\rho}_0^{\,l} = \mathcal P[\rho_0^{\,l}]. \tag{S23} \]

Natijada:

\[ \widetilde m_{0,l}^x = -m_{0,l}^x. \tag{S24} \]

boʻladi.

QCA map \(\Lambda\) uchun weak symmetry:

\[ \Lambda \left[ \mathcal P[\rho_{t-1}] \right] = \mathcal P \left[ \Lambda[\rho_{t-1}] \right] = \mathcal P[\rho_t] \tag{S25} \]

boʻlgani sabab barcha qatlamlarda:

\[ \widetilde m_{t,l}^x = -m_{t,l}^x \tag{S26} \]

simmetriya saqlanadi.

Bu sampling usuli nega muhim?

Agar boshlangʻich holatlar \(m_0^x\) boʻyicha nomutanosib namunalanadigan boʻlsa, output histogramidagi ikki choʻqqining balandligi yoki zichlik tuzilmasi sampling bias dan ta’sirlanishi mumkin edi. Shu sabab manba \(m_0^x\) oʻqini simmetrik qamrab oluvchi 2.000 holat hosil qiladi.

Oʻrgatiladigan jump operator

Classification-capable fizik modelda jump operator:

\[ J_k=\sqrt{\kappa}\sigma_k^- \]

koʻrinishida. Oʻqitishning maqsadi esa QCA buni bevosita bilmasdan mos dissipative coupling ni oʻrganishi mumkinmi, degan savolni tekshirishdir.

Buning uchun ikkita trainable real parameter ishlatiladi:

\[ J_k(a,b) = a\sigma_k^x + ib\sigma_k^y. \tag{7} \]

\(a\): \(\sigma^x\) contribution ning haqiqiy koeffitsiyenti.

\(b\): \(i\sigma^y\) contribution ning haqiqiy koeffitsiyenti.

Bu parametrlash mos \(a,b\) qiymatlari uchun manba Ising jump operator ini ham qamrab oladi.

Oʻqitish vaqtida \(H_k\) Hamiltonian lar yangilanmaydi. Ya’ni tadqiqot butun QCA gate structure ni erkin optimallashtirmaydi; faqat jump operator ning ikki global parametrini oʻqitadi.

Oʻquv ma’lumotlari qanday tayyorlanadi?

Manba oʻquv ma’lumotini:

\[ \left\{ \rho_{\mathrm{in}}^{(\nu)}, m_{x,\mathrm{out}}^{(\nu)} \right\}_{\nu=1,\ldots,P} \]

input state–target magnetization juftlari sifatida ta’riflaydi.

Asosiy oʻqitish namoyishida:

\[ P=4. \]

Ushbu toʻrtta target pair tasniflash xususiyatiga ega etalon QCA evolyutsiyasidan olinadi.

Etalon QCA:

\[ a=\frac12, \qquad b=-\frac12 \]

qiymatlaridan foydalanadi va bu tanlov \(\sigma^-\)-tipidagi jump operator ni amalga oshiradi.

Bu nuqtani 2.000 trajectories bilan aralashtirmaslik kerak: model toʻrtta training pair bilan oʻqitiladi; 2.000 boshlangʻich holat oʻqitishdan oldin/keyin dinamik tasniflash tuzilmasini koʻrsatish uchun ishlatiladi.

Tartib Parametriga Asoslangan Yoʻqotish Funksiyasi Nega Muhim?

Tadqiqotning tartib parametriga asoslangan yoʻqotish funksiyasi yuqori oʻlchamli kvant chiqish holatining hammasini target state bilan taqqoslash oʻrniga tasniflashni fizik jihatdan tashuvchi makroskopik \(x\)-magnitlanishning maqsad qiymatdan ogʻishini jazolaydi; manbada bu tanlov \((a,b)\) parametr tekisligida keng va aniq minimumlarga ega strukturali loss landscape hosil qiladi va gradient-descent oʻqitishning katta holat fazosida qoʻllash mumkin boʻlib qolishiga yordam beradi.

Yoʻqotish funksiyasining toʻliq tuzilishi

Manba Tenglama (8):

\[ \mathcal L = \frac{1}{P} \sum_{\nu=1}^{P} \left[ \mathrm{Tr} \left( \left[ \frac{1}{2N} \sum_{k=1}^{N}\sigma_k^x - m_{x,\mathrm{out}}^{(\nu)} \right] \rho_{\mathrm{out}}^{(\nu)} \right) \right]^2. \tag{8} \]

Formula nimani hisoblaydi? Har bir training sample uchun QCA output order parameter bilan maqsad output magnetization oʻrtasidagi farqni hisoblaydi, kvadratini oladi va barcha \(P\) namunalar boʻyicha oʻrtalaydi.

\(\rho_{\mathrm{out}}^{(\nu)}\): \(\nu\)-input state ning QCA chiqish density matrix idir.

\(m_{x,\mathrm{out}}^{(\nu)}\): \(\nu\)-namuna uchun kerakli target output magnetization.

\(\frac1{2N}\sum_k\sigma_k^x\): fizik classification observable.

Bu loss barcha quantum state amplitudes ni birma-bir target state ga moslashtirishga majburlamaydi. Tasniflash uchun muhim boʻlgan bitta makroskopik output quantity ni optimallashtiradi.

Barren plateau bilan bogʻlanish

Barren plateau ayrim parametrik quantum circuits da tizim kattalashgani sari cost-function gradient lari juda kichik boʻlib qolishi va optimization landscape katta sohalarda deyarli tekislanishi muammosidir.

Manbada order-parameter loss ning \((a,b)\) tekisligidagi landscape i strukturali va keng minimum koʻrsatadi. Mualliflar buni physics-informed architecture va physical order-parameter loss bilan bogʻliq deb muhokama qiladi.

Biroq natija quyidagicha chegaralanishi kerak:

  • tadqiqot oʻrganilgan QCA trainable ekanini sonli ravishda koʻrsatadi,
  • loss landscape broad minima ga ega ekanini koʻrsatadi,
  • fidelity-type losses bilan ma’lum barren-plateau muammolariga konseptual qarama-qarshilik yaratadi,
  • ammo barcha QCA lar yoki barcha tizim oʻlchamlarida barren plateau boʻlmasligini matematik jihatdan isbotlamaydi.

Gradient update

Jump operator parametrlari:

\[ J_k(a,b) \longrightarrow J_k(a,b) + \epsilon J_k(\widetilde a,\widetilde b) = J_k(a',b') \tag{9} \]

koʻrinishida yangilanadi.

Bu yerda:

\[ a' = a+\epsilon\widetilde a, \qquad b' = b+\epsilon\widetilde b. \]

\(\widetilde a,\widetilde b\) loss ni eng tez kamaytiruvchi steepest-descent yoʻnalishini belgilaydi; \(\epsilon\) esa learning rate.

Asosiy oʻqitish shartlari

ElementQiymat
QCA depth\(L=10\)
Loss-landscape tizim oʻlchami\(N=20\)
Training pair\(P=4\)
Reference/teacher jump parameters\(a=1/2,\;b=-1/2\)
Untrained boshlangʻich\(a=-0.15,\;b=-1\)
Hamiltonian\(\Omega=3\kappa,\;V=15\kappa\), oʻqitishda oʻzgarmas
Learning rate\(\epsilon=80\)
Asosiy 4-rasm update repetitions100
\(\chi_{\mathrm{MPS}}\)48
\(\chi_{\mathrm{MPO}}\)16
Output taqsimotini koʻrsatuvchi initial states2.000
Histogram bin size0.005

Oʻqitishdan oldin nima boʻladi?

\(a=-0.15,\;b=-1\) parametrlari bilan boshlangan untrained QCA ikki quasi-fixed output class hosil qilmaydi. \(L=10\) output qatlamidagi \(m_{10}^x\) histogrami manbada bitta choʻqqi atrofida toʻplanadi.

Oʻqitishdan keyin nima boʻladi?

100 parameter update dan soʻng output trajectories ikki xil magnetization atrofida toʻplanadi. Manba 4-rasmda ularni class A va class B sifatida koʻrsatadi va output histogrami ikki aniq choʻqqini oʻz ichiga oladi.

Bu QCA boshlangʻichda mavjud boʻlmagan binary classification capability ni training data dan oʻrganganining manba ichidagi bevosita namoyishidir.

Manba 4-rasmdagi ilmiy munosabatlarga asoslanib tayyorlangan source-derived Verianla sxemasi. Histogram ustunlari balandligi va loss contour geometriyasi konseptual; manbada berilmagan miqdoriy ma’lumot sifatida talqin qilinmasligi kerak.

Nega faqat ikki parametr bilan tasniflashni oʻrganish mumkin?

Bu tajriba umumiy kvant neyron tarmogʻidagi millionlab erkin parametrlarni optimallashtirmaydi. Fizik model tasniflash mexanizmini mumkin qiladigan architecture va symmetry structure ni allaqachon oʻz ichiga oladi. Oʻqitish faqat tizimning dissipative jump operator ini mos physical regime ga olib boruvchi ikki coupling parameter ni topishga harakat qiladi.

Shu sabab tadqiqot “har qanday kvant modelni toʻrtta misol bilan oʻqitish mumkin” degan xulosani qoʻllab-quvvatlamaydi. Toʻrtta training pair fizik jihatdan oldindan tuzilgan ushbu maxsus ikki-parametrli demonstration uchun yetarli boʻlgan.

Holat fazosi nega juda katta?

Bir \(N\)-kubit sof state ning Hilbert-space dimension i eksponensial oʻsadi. Density-operator/superoperator description yanada katta obyektlarni talab qiladi. Manba oʻrganilgan state spaces uchun:

\[ 4^N\times4^N \]

miqyosini beradi.

\(N=20\) uchun:

\[ 4^{20} = 1{,}099{,}511{,}627{,}776 \approx 1.1\times10^{12}, \]

va shunga koʻra tegishli ikki-indeksli miqyos:

\[ 4^{20}\times4^{20} \approx 1.2\times10^{24} \]

tartibidadir.

Bu son manbaning “\(\sim10^{24}\)” iborasi nimani anglatishini oʻrgatish uchun arifmetik ravishda ochilgan; yangi simulyatsiya natijasi emas.

Tensor network nega kerak?

Toʻliq density matrices va superoperators bevosita saqlansa, eksponensial oʻsuvchi xotira va hisoblash xarajati paydo boʻladi. Matrix product state va matrix product operator representations muayyan kvant holat va operatorlardagi tuzilmani siqilgan tensorlar sifatida ifodalab, toʻliq fazoning barcha koeffitsiyentlarini explicit saqlamasdan simulyatsiya qilish imkonini beradi.

Bu yondashuvning asosiy boshqaruv parametri bond dimension \(\chi\). Umuman, kattaroq \(\chi\):

  • koʻproq correlation/entanglement structure saqlanishiga,
  • pastroq truncation error ga,
  • ammo yuqoriroq computational cost ga

mos keladi.

Bond-dimension mustahkamlik nazorati

TahlilEtalon sozlamaNazorat sozlamasiManba natijasi
QCA dynamics\(\chi_{\mathrm{MPS}}=48,\;\chi_{\mathrm{MPO}}=16\)\(\chi_{\mathrm{MPS}}=96,\;\chi_{\mathrm{MPO}}=16\)Koʻrinadigan sifat oʻzgarishi yoʻq; \(N=100\) histogram choʻqqilari faqat biroz balandroq.
QCA dynamics\(\chi_{\mathrm{MPS}}=48,\;\chi_{\mathrm{MPO}}=16\)\(\chi_{\mathrm{MPS}}=48,\;\chi_{\mathrm{MPO}}=32\)Manba koʻrinadigan sifat oʻzgarishini xabar qilmaydi.
Training stability\(\chi_{\mathrm{MPS}}=48,\;\chi_{\mathrm{MPO}}=16\)\(\chi_{\mathrm{MPS}}=64,\;\chi_{\mathrm{MPO}}=16\)Initial/trained dynamics, loss landscape va gradient path asosiy natija bilan sifat jihatidan mos.
Training stability\(\chi_{\mathrm{MPS}}=48,\;\chi_{\mathrm{MPO}}=16\)\(\chi_{\mathrm{MPS}}=48,\;\chi_{\mathrm{MPO}}=32\)Natijalar asosiy training simulation bilan sifat jihatidan bir xil qoladi.

Supplementary training-stability nazoratida 50 update repetition, \(\epsilon=80\) va \(N=20\) ishlatiladi. Bu son asosiy 4-rasmdagi 100 update repetition bilan aralashtirilmasligi kerak.

Manba shuningdek \(\chi_{\mathrm{MPO}}=16\) uchun discarded singular values kvadratlari yigʻindisining kvadrat ildizi mashina aniqligi tartibida ekanini aytadi va ushbu MPO bond dimension ni yetarli deb hisoblaydi.

Transient bimodality past bond dimension artefaktimi?

Manbaning Supplementary robustness tests i bu ehtimolni maxsus tekshiradi. Bond dimensions oshirilganda ikki quasi-fixed-point tuzilmasi va bimodal output distribution sifat jihatidan saqlanishi kuzatilgan transient ergodicity breaking faqat \(\chi_{\mathrm{MPS}}=48\) yoki \(\chi_{\mathrm{MPO}}=16\) truncation tanlovi yaratgan oddiy artefakt emasligini qoʻllab-quvvatlaydi.

Bu Tadqiqot Kvant Ustunligini yoki Haqiqiy Ma’lumotlarni Tasniflash Muvaffaqiyatini Koʻrsatadimi?

Yoʻq; tadqiqot tensor-network usullari bilan klassik kompyuterda simulyatsiya qilingan sintetik kvant boshlangʻich holatlarini fizik \(x\)-magnitlanish orqali ikki sinfga ajratuvchi QCA ning trainability sini koʻrsatadi, ammo haqiqiy quantum hardware da quantum speedup yoki quantum advantage ni oʻlchamaydi va tasvir, matn, biotibbiy ma’lumot yoki boshqa haqiqiy dunyo benchmark ida accuracy, F1 yoki AUC turidagi tasniflash samaradorligini xabar qilmaydi.

“Efficiently learned” iborasi qanday tushunilishi kerak?

Manbaning “efficiently learned” da’vosi oʻrganilgan physics-informed QCA da yuqori oʻlchamli state space ga qaramay order-parameter loss landscape broad minima va foydalanish mumkin boʻlgan gradient structure ni koʻrsatishiga asoslanadi.

Bu ibora:

  • classical computational complexity nuqtai nazaridan polynomial-time proof,
  • kvant protsessorida wall-clock speedup,
  • classical classifier ga nisbatan ustun accuracy,
  • masshtablanadigan fault-tolerant hardware demonstration

degani emas.

Multiclass classification ushbu maqolada koʻrsatildimi?

Yoʻq. Maqolaning bevosita sonli demonstration i \(\mathbb Z_2\)-symmetry va ikki quasi-fixed point sababli binary classification ustidadir.

Mualliflar yuqori simmetriyaga ega many-body systems dan foydalanib multiclass classification shunga oʻxshash tarzda amalga oshirilishi mumkinligini kelajak/umumlashtiriladigan yoʻnalish sifatida muhokama qiladi. Bu ibora maqolada koʻrsatilgan multiclass benchmark natijasi emas.

NISQ qurilmasi ishlatildimi?

Yoʻq. Manba NISQ devices dagi noise kelajakda kamaytirilishi mumkinmi yoki QCA dynamics allaqachon effective dissipative boʻlgani sabab shovqin ayrim holatlarda foydali ishlatilishi mumkinmi, degan savolni kelajak tadqiqot masalasi sifatida qoʻyadi.

Shuning uchun tadqiqot “NISQ shovqinidan muvaffaqiyatli foydalandi” degan xulosani qoʻllab-quvvatlamaydi.

Tadqiqot bevosita qoʻllab-quvvatlaydigan natijalar

  • Dissipativ Ising-inspired QCA dynamics bilan data classification oʻrtasida fizik bogʻlanish oʻrnatilishi mumkin.
  • Thermodynamic-limit modelda \(\mathbb Z_2\)-symmetry breaking ikki opposite order-parameter fixed point hosil qilishi mumkin.
  • Finite-size QCA da doimiy symmetry breaking oʻrniga transient ergodicity breaking va ikki quasi-fixed point paydo boʻlishi mumkin.
  • Chiqish qatlami transient non-ergodic window ga joylashtirilganda ikki quasi-fixed point binary classes sifatida ishlatilishi mumkin.
  • Nearest-neighbor correlations mean-field ferromagnetic region ni kichraytiradi, ammo manbada oʻrganilgan oʻtishning continuous character ini oʻzgartirmaydi.
  • \(N=100\) da transient bimodality \(N=10\) ga qaraganda aniqroq boʻladi.
  • Dastlab tasniflamaydigan ikki-parametrli QCA toʻrtta training pair yordamida binary classification behavior ni oʻrganadigan tarzda oʻqitilishi mumkin.
  • Order-parameter based loss oʻrganilgan \((a,b)\) parameter plane da broad minimum ni oʻz ichiga olgan structured loss landscape hosil qiladi.
  • Tensor-network bond dimensions oshirilganda asosiy transient dynamics va training conclusions sifat jihatidan saqlanadi.

Tadqiqot qoʻllab-quvvatlamaydigan natijalar

  • Doimiy ergodicity breaking finite QCA da yuz berishi koʻrsatilmagan; aksincha, manba uzoq vaqtda ergodicity qaytishini koʻrsatadi.
  • Haqiqiy quantum processor da oʻqitish bajarilmagan.
  • Quantum computational advantage yoki quantum speedup koʻrsatilmagan.
  • Haqiqiy dunyo ma’lumotlar toʻplami tasniflanmagan.
  • Accuracy, precision, recall, F1 yoki AUC benchmark i xabar qilinmagan.
  • Toʻrtta training pair bilan umumiy quantum machine learning muammolarini yechish mumkinligi koʻrsatilmagan.
  • Barcha quantum machine-learning architectures uchun barren plateau yoʻq qilingani isbotlanmagan.
  • Multiclass classification bu tadqiqotda sonli ravishda koʻrsatilmagan.
  • NISQ noise foydali ekanligi tajribada koʻrsatilmagan.
  • Tensor-network simulation fizik quantum hardware execution bilan bir xil computational cost ga ega deb taxmin qilib boʻlmaydi.

Tadqiqotning kuchli tomonlari

  • Tasniflash mexanizmi mavhum black-box quantum circuit oʻrniga ochiq many-body physics tushunchalariga bogʻlangan.
  • Symmetry, phase transition, ergodicity breaking va machine-learning trainability bitta fizik doirada koʻrib chiqilgan.
  • Mean-field natijalari nearest-neighbor correlations bilan tekshirilgan.
  • Finite-QCA dynamics bevosita tensor-network simulation bilan oʻrganilgan.
  • Initial-state sampling \(\mathbb Z_2\) symmetry dan foydalanib \(m_0^x\) boʻyicha muvozanatli tuzilgan.
  • Training va transient dynamics natijalari bond-dimension oshirilishi orqali robustness nazoratidan oʻtkazilgan.
  • Loss function tasniflashning fizik order parameter i bilan bevosita bogʻliq.

Tadqiqotning metodologik cheklovlari

  • Natijalar klassik tensor-network simulation ga asoslanadi.
  • Hardware noise, gate error va physical-device connectivity bevosita sinovdan oʻtkazilmagan.
  • Oʻqitish demonstration i faqat ikkita global jump-operator parameter ni oʻz ichiga oladi.
  • Training set faqat toʻrtta synthetic input–target pair dan iborat.
  • Tasniflash binary.
  • Haqiqiy dunyo dataset benchmark i yoʻq.
  • Standard ML performance metrics xabar qilinmagan.
  • Large-scale physical quantum hardware demonstration yoʻq.
  • Spatially va temporally inhomogeneous \(k,t\)-dependent Hamiltonian/jump operators oʻqitilmagan.
  • Order-parameter loss barcha QML architectures da barren plateau ni oldini olishi haqida umumiy theorem yoʻq.

Kelajak tadqiqot yoʻnalishlari

Manba uchta muhim tadqiqot yoʻnalishini ilgari suradi.

Birinchisi, transient nonergodicity bilan spectral-gap closing va metastability oʻrtasidagi bogʻlanishni batafsilroq tushunishdir.

Ikkinchisi, mahalliy Hamiltonian va jump operators \(k\) site indeksiga va \(t\) qatlamiga bogʻliq boʻlishi mumkin boʻlgan kengroq spatially/temporally inhomogeneous parameter spaces ni oʻqitishdir.

Uchinchisi, murakkabroq va klassik kompyuterda qimmat boʻlgan bu tuzilmalarni quantum hardware da oʻrganish va NISQ noise ning dissipative QCA dynamics bilan qanday oʻzaro ta’sirlashishini tadqiq qilishdir.

Manba va Usul Haqida Izoh

Asl sarlavha: Training the classification capability of large-scale quantum cellular automata.

Mualliflar: Mario Boneberg; Simon Kochsiek; Gabriele Perfetto; Igor Lesanovsky.

Yuklangan manba versiyasi: arXiv:2509.18262v1 [quant-ph], 22 sentabr 2025.

Amaldagi taqrizdan oʻtgan nashr: Physical Review A, Volume 114, Issue 1, Article 012209.

Taqrizdan oʻtgan nashr sanasi: 16 iyul 2026.

DOI: 10.1103/gds1-9vhy.

Qabul qilingan sana: 3 oktabr 2025.

Tahrir sanasi: 18 fevral 2026.

Qabul sanasi: 1 iyun 2026.

Jurnal: Physical Review A.

Nashriyot: American Physical Society.

Taqriz holati: Taqrizdan oʻtgan va nashr qilingan tadqiqot maqolasi. Yuklangan tadqiqot fayli esa nashrdan oldingi arXiv v1 matnini oʻz ichiga oladi.

Litsenziya / qayta foydalanish: APS rasmiy maqola sahifasi ©2026 American Physical Society va all rights reserved ma’lumotini koʻrsatadi; rasmiy yozuvda Creative Commons ochiq litsenziyasi koʻrsatilmagan. Shu sabab manba figuralari Verianla ichida aynan koʻchirilmagan, faqat ilmiy munosabatlar mustaqil source-derived sxemalar bilan qayta ifodalangan.

Yuklangan v1 affiliasiyalari: Institut für Theoretische Physik, Universität Tübingen and Center for Integrated Quantum Science and Technology, Tübingen, Germany; School of Physics and Astronomy and Centre for the Mathematics and Theoretical Physics of Quantum Non-Equilibrium Systems, University of Nottingham, United Kingdom.

Nashr qilingan APS versiyasidagi amaldagi affiliasiyalar: Mario Boneberg va Simon Kochsiek — Universität Tübingen; Gabriele Perfetto — Institut für Theoretische Physik, ETH Zürich; Igor Lesanovsky — Universität Tübingen va University of Nottingham.

Affiliasiya versiyasi izohi: Yuklangan arXiv v1 Gabriele Perfetto ni Tübingen affiliasiyasi bilan koʻrsatsa, yakuniy APS yozuvi ETH Zürich affiliasiyasini koʻrsatadi. Bu farq preprint bilan nashr qilingan versiya oʻrtasidagi bibliografik yangilanish sifatida saqlangan.

Corresponding author: Yuklangan v1 PDF da alohida corresponding-author belgisi koʻrinmaydi.

Teng hissa: Yuklangan manbada equal-contribution / co-first-author bayonoti koʻrinmaydi.

Tadqiqot turi: Nazariy va sonli kvant koʻp-jism / quantum machine-learning tadqiqoti.

Asosiy tizim: Dissipativ Ising modelidan ilhomlangan weak-\(\mathbb Z_2\)-symmetric gate-based quantum cellular automaton.

Asosiy ilmiy mexanizm: Faza oʻtishi yaqinida paydo boʻladigan transient ergodicity breaking va ikki quasi-fixed order-parameter state ning binary classes sifatida ishlatilishi.

Asosiy order parameter: Normallashtirilgan \(x\)-magnetization \(m^x\).

Asosiy nazariy usullar: Lindblad open-system description, mean-field approximation va nearest-neighbor correlation correction.

Asosiy sonli usul: Matrix product states va matrix product operators dan foydalanuvchi tensor-network QCA simulation.

Asosiy QCA dinamik parametrlari: \(\Omega=3\kappa\), \(V=15\kappa\), \(\kappa\delta t=0.1\).

Transient-dynamics tizim oʻlchamlari: \(N=10\) va \(N=100\).

Training/loss-landscape tizim oʻlchami: \(N=20\).

Asosiy QCA training depth: \(L=10\).

Training pair soni: \(P=4\).

Untrained boshlangʻich parametrlari: \(a=-0.15,\;b=-1\).

Reference/teacher parametrlari: \(a=1/2,\;b=-1/2\).

Learning rate: \(\epsilon=80\).

Asosiy training figure update soni: 100.

Supplementary robustness-training update soni: 50.

Asosiy tensor-network bond dimensions: \(\chi_{\mathrm{MPS}}=48,\;\chi_{\mathrm{MPO}}=16\).

Robustness nazoratlari: QCA dynamics uchun \(\chi_{\mathrm{MPS}}=96\) va \(\chi_{\mathrm{MPO}}=32\); training stability uchun \(\chi_{\mathrm{MPS}}=64\) va \(\chi_{\mathrm{MPO}}=32\) variantlari alohida sinovdan oʻtkazilgan.

Boshlangʻich holatlar: 1.000 product state \(m_0^x\in[0,0.5]\) boʻyicha namunalanib, ularning 1.000 \(\mathbb Z_2\) symmetry partner i hosil qilinib jami 2.000 boshlangʻich holat olingan.

Haqiqiy dunyo ma’lumotlar toʻplami: Yoʻq. Oʻrganilgan kirishlar nazorat qilinadigan synthetic quantum product states.

Haqiqiy quantum hardware: Ishlatilmagan.

Quantum advantage testi: Bajarilmagan.

Standard classification metrics: Accuracy, precision, recall, F1 va AUC xabar qilinmagan; tasniflash output order parameter ning bimodal tuzilishi orqali koʻrsatilgan.

Statistical hypothesis testing: Tadqiqot klassik tanlama-statistika tadqiqoti emas; p-qiymat yoki confidence interval asosidagi taqqoslash xabar qilinmagan.

Kod mavjudligi: Yuklangan manbada alohida Code Availability boʻlimi yoki reproducibility code havolasi koʻrinmaydi.

Ma’lumotlar mavjudligi: Yuklangan manbada alohida Data Availability boʻlimi koʻrinmaydi.

Muallif hissalari: Yuklangan v1 manbada alohida CRediT/Author Contributions boʻlimi koʻrinmaydi.

Manfaatlar toʻqnashuvi: Yuklangan v1 manbada alohida competing-interest / conflict-of-interest boʻlimi koʻrinmaydi; shu sabab Verianla manbada boʻlmagan “manfaatlar toʻqnashuvi yoʻq” degan bayonot yaratmaydi.

Minnatdorchilik: Mualliflar F. Carollo ga muhokamalar uchun minnatdorchilik bildiradi.

Moliyalashtirish: Manba Deutsche Forschungsgemeinschaft Project No. 449905436, Research Unit FOR 5413/1 Grant No. 465199066, European Union Horizon Europe Grant Agreement No. 101046968 (BRISQ), EPSRC Grant No. EP/V031201/1, German Federal Ministry of Research, Technology and Space NeuQuant project grant 13N17065, Machine Learning Cluster of Excellence EXC 2064/1 Project No. 390727645, Baden-Württemberg bwHPC va DFG INST 40/575-1 FUGG (JUSTUS 2 cluster) koʻmaklarini koʻrsatadi.

Manba ichidagi tahririy izoh 1: Supplementary Material boshida nearest-neighbor equation derivation asosiy matndagi “Eq. (7)” bilan bogʻlangan; ammo yuklangan asosiy matnda Tenglama (7) trainable \(J_k(a,b)\) jump operator ta’rifidir. Qoʻshimcha materialdagi S15 tenglamalarining ilmiy mazmuni mean-field magnetization dynamics ning correlation-corrected kengaytmasidir. Verianla bu havola raqami nomuvofiqligini jimlik bilan oʻzgartirmaydi.

Manba ichidagi tahririy izoh 2: Supplementary Material da S7 atrofidagi bir izoh jumlasi dissipatsiyani \(V\) bilan bogʻlovchi ifodani oʻz ichiga oladi, biroq koʻrsatilgan jump operator \(J_j=\sqrt{\kappa}\sigma_j^-\) va barcha tegishli dissipative terms decay parameter sifatida \(\kappa\) dan foydalanadi. Verianla displayed equations ni saqlagan va bu matniy nomuvofiqlikdan yangi fizik xulosa chiqarmagan.


Ulashish:

Izohlar ko‘rib chiqilgandan keyin e’lon qilinadi. Izohingiz tasdiqlash jarayoniga yuboriladi va ma’qullangach ko‘rinadi.

Izoh qoldiring

E-pochta manzilingiz chop etilmaydi. Majburiy maydonlar * bilan belgilangan