⚛️ quantum physics

A Parameter Setting Heuristic for the Quantum Alternating Operator Ansatz

यह शोध पत्र "होमोजेनियस ह्यूरिस्टिक" (Homogeneous Heuristic) को प्रस्तुत करता है, जो एक शास्त्रीय रणनीति है जो QAOA अवस्थाओं के "परफेक्ट होमोजेनिटी" (Perfect Homogeneity) गुण का लाभ उठाकर क्वांटम अल्टरनेटिंग ऑपरेटर एंसेट के लिए उच्च-गुणवत्ता वाले मापदंडों को कुशलतापूर्वक निर्धारित करता है, जो उन समस्याओं के लिए मौजूदा विधियों की तुलना में बेहतर स्केलेबिलिटी और प्रदर्शन प्रदर्शित करता है जिनके लागत मान (cost values) बहुपद रूप से बढ़ते हैं।

मूल लेखक: James Sud, Stuart Hadfield, Eleanor Rieffel, Norm Tubman, Tad Hogg

प्रकाशित 2026-07-07

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: James Sud, Stuart Hadfield, Eleanor Rieffel, Norm Tubman, Tad Hogg

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 लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक डिलीवरी ट्रक के लिए 20 अलग-अलग शहरों की यात्रा करने के लिए सबसे अच्छा रूट खोजने की कोशिश कर रहे हैं। यह एक क्लासिक "ऑप्टिमाइज़ेशन प्रॉब्लम" (अनुकूलन समस्या) है। क्वांटम कंप्यूटिंग की दुनिया में, QAOA (क्वांटम अल्टरनेटिंग ऑपरेटर एंसेट) नामक एक शक्तिशाली टूल है जो ऐसे पेचीदा पहेलियों को हल करने के लिए बनाया गया है।

हालाँकि, QAOA एक हाई-परफॉर्मेंस रेस कार की तरह है जिसे चलाने के लिए बहुत विशिष्ट सेटिंग्स (जिन्हें पैरामीटर्स कहा जाता है) की आवश्यकता होती है। यदि आप इसके नॉब्स (knobs) को गलत सेट करते हैं, तो कार अटक जाएगी और आगे नहीं बढ़ पाएगी। समस्या यह है कि इन सटीक सेटिंग्स को खोजने के लिए आमतौर पर एक वास्तविक क्वांटम कंप्यूटर पर गाड़ी चलाना पड़ता है, जो वर्तमान में धीमा, शोर वाला (noisy) और महंगा है। यह ऐसा है जैसे हर बार एक पेंच को एडजस्ट करने के लिए आपको एक असली रेस कार को ऊबड़-खाबड़ मिट्टी के ट्रैक पर चलाकर ट्यून करना पड़े।

समस्या: इंजन को ट्यून करना

लेखकों को एक बड़ी सिरदर्दी का सामना करना पड़ा: आप शोर वाले (noisy) क्वांटम हार्डवेयर पर समय और पैसा बर्बाद किए बिना QAOA के लिए सबसे अच्छी सेटिंग्स कैसे खोज सकते हैं?

आमतौर पर वैज्ञानिक एक "ट्रायल एंड एरर" (प्रयास और त्रुटि) लूप का उपयोग करते हैं:

एक सेटिंग का अनुमान लगाएं।
इसे क्वांटम कंप्यूटर पर चलाएं।
देखें कि यह कितना अच्छा काम कर रहा है।
सेटिंग को एडजस्ट करें और दोहराएं।

यह धीमा है क्योंकि स्टेप 2 करना कठिन है।

समाधान: "होमोजेनियस प्रॉक्सी" (सजातीय प्रतिनिधि)

लेखकों ने एक चतुर शॉर्टकट निकाला। उन्होंने महसूस किया कि कई प्रकार की समस्याओं के लिए (जैसे डिलीवरी रूट वाला उदाहरण), इस बात से ज्यादा फर्क नहीं पड़ता कि कौन सा शहर कौन सा है, बल्कि समस्या के सामान्य पैटर्न से फर्क पड़ता है।

उन्होंने एक क्लासिकल होमोजेनियस प्रॉक्सी बनाया। इसे एक अत्यधिक विस्तृत सिमुलेशन या एक नियमित लैपटॉप पर चलने वाला क्वांटम कंप्यूटर का "वर्चुअल ट्विन" समझें।

इस प्रॉक्सी के पीछे का जादू यह है:

"परफेक्ट होमोजेनिटी" का नियम: कई ऑप्टिमाइज़ेशन समस्याओं में, यदि दो अलग-अलग रूटों की कुल दूरी (लागत) समान है, तो क्वांटम कंप्यूटर उनके साथ बिल्कुल एक जैसा व्यवहार करता है। उनका "वेट" या "एम्प्लीट्यूड" समान होता है।
शॉर्टकट: हर एक संभावित रूट को ट्रैक करने के बजाय (जो अरबों-खरबों विकल्प हो सकते हैं), प्रॉक्सी उन सभी रूटों को एक ही लागत वाले समूहों में बांट देता है। यह उन्हें एक बड़े "औसत" समूह के रूप में मानता है।
परिणाम: यह एक विशाल, असंभव गणना को एक छोटे, प्रबंधनीय कार्य में बदल देता है जिसे एक सामान्य कंप्यूटर कुछ ही सेकंडों में हल कर सकता है।

यह कैसे काम करता है (उपमा)

कल्पना कीजिए कि आप पूरे देश के लिए मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं।

पुराना तरीका (असली QAOA): आप देश के हर घर में तापमान, आर्द्रता और हवा की गति को मापने की कोशिश करते हैं। इसमें बहुत समय लगता है और इसके लिए सेंसरों के एक विशाल नेटवर्क (क्वांटम कंप्यूटर) की आवश्यकता होती है।
नया तरीका (प्रॉक्सी): आप महसूस करते हैं कि एक विशिष्ट क्षेत्र में, मौसम काफी समान रहता है। इसलिए, हर घर को मापने के बजाय, आप केवल उस पूरे क्षेत्र के "औसत" मौसम को मापते हैं। आप समान मौसम पैटर्न वाले सभी घरों को एक साथ समूह में रखते हैं। आप इन कुछ समूहों पर गणित लगाकर पूरे देश के लिए पूर्वानुमान लगा सकते हैं।

लेखक इस पद्धति को "होमोजेनियस ह्यूरिस्टिक" कहते हैं। वे अपने तेज़, वर्चुअल प्रॉक्सी का उपयोग रेस कार के लिए सबसे अच्छी सेटिंग्स (नॉब्स) खोजने के लिए करते हैं। एक बार जब वे वर्चुअल ट्विन पर सबसे अच्छी सेटिंग्स पा लेते हैं, तो वे उन सेटिंग्स को सीधे वास्तविक क्वांटम कंप्यूटर में डाल देते हैं।

उन्होंने क्या पाया

टीम ने इस विचार का परीक्षण MaxCut नामक एक विशिष्ट प्रकार की समस्या पर किया (जो कि दोस्तों के एक समूह को दो टीमों में बांटने जैसा है ताकि सबसे अधिक दोस्ती "कट" सके)।

छोटी समस्याएं (लो डेप्थ): समस्या के सरल संस्करणों के लिए, उनकी विधि ने ऐसी सेटिंग्स पाईं जो पारंपरिक, धीमे तरीकों का उपयोग करने वाले अन्य विशेषज्ञों द्वारा खोजी गई सर्वश्रेष्ठ सेटिंग्स के समान ही थीं।
बड़ी समस्याएं (हाई डेप्थ): जैसे-जैसे उन्होंने समस्या को कठिन बनाया (सर्किट में अधिक लेयर्स जोड़कर), पुराने तरीके (जैसे छोटी समस्याओं से सेटिंग्स को ट्रांसफर करना) काम करना बंद कर दिए। वे फंस गए।
- हालांकि, होमोजेनियस ह्यूरिस्टिक काम करता रहा। इसने सेटिंग्स को बेहतर बनाया जैसे-जैसे समस्या गहरी होती गई, यहाँ तक कि 20 लेयर्स तक।
- महत्वपूर्ण बात यह है कि उन्होंने यह सब पूरी तरह से एक मानक लैपटॉप पर किया। उन्हें सेटिंग्स खोजने के लिए क्वांटम कंप्यूटर की आवश्यकता नहीं थी; उन्हें केवल अंतिम समाधान चलाने के लिए इसकी आवश्यकता थी।

मुख्य निष्कर्ष

यह पेपर एक क्वांटम एल्गोरिदम को धीमे, शोर वाले क्वांटम मशीन के बजाय एक तेज़, क्लासिकल सिमुलेशन का उपयोग करके "प्री-ट्रेन" करने का एक तरीका पेश करता है।

यह एक शॉर्टकट है: यह क्वांटम कंप्यूटर पर महंगे "टेस्ट ड्राइव" को लैपटॉप पर एक तेज़ "सिमुलेशन" से बदल देता है।
यह विशिष्ट पहेलियों के लिए काम करता है: यह उन समस्याओं के लिए डिज़ाइन किया गया है जहाँ संभावित "स्कोर" की संख्या बहुत तेज़ी से नहीं बढ़ती (जैसे कई कंस्ट्रेंट सैटिस्फैक्शन प्रॉब्लम्स)।
यह स्केल करता है: इसने उन समस्याओं के लिए अच्छे सेटिंग्स खोजने में सफलता पाई जो पहले ट्यून करने के लिए बहुत कठिन थीं, जिससे पता चलता है कि यह भविष्य में क्वांटम कंप्यूटरों से बेहतर परिणाम प्राप्त करने में हमारी मदद कर सकता है, भले ही वे पूर्ण न हों।

संक्षेप में, उन्होंने एक वर्चुअल ट्रेनिंग ग्राउंड बनाया है जो हमें क्वांटम इंजन को कुशलतापूर्वक ट्यून करने की अनुमति देता है, ताकि जब हम अंततः वास्तविक क्वांटम मशीन को चालू करें, तो वह पहले से ही सही ढंग से सेट हो और दौड़ने के लिए तैयार हो।

तकनीकी सारांश: क्वांटम अल्टरनेटिंग ऑपरेटर एंसेबल (QAOA) के लिए एक पैरामीटर सेटिंग ह्यूरिस्टिक

समस्या विवरण
क्वांटम अल्टरनेटिंग ऑपरेटर एंसेबल (QAOA) कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन समस्याओं को हल करने के लिए एक प्रमुख पैरामीटराइज्ड क्वांटम एल्गोरिदम है। हालाँकि, उच्च गुणवत्ता वाले पैरामीटर्स ( $\vec{\gamma}, \vec{\beta}$ ) को कुशलतापूर्वक खोजना अभी भी एक महत्वपूर्ण व्यावहारिक चुनौती बनी हुई है। पैरामीटर सेटिंग की प्रक्रिया में आमतौर पर एक वेरिएशनल क्वांटम-क्लासिकल लूप शामिल होता है जहाँ एक क्लासिकल ऑप्टिमाइज़र क्वांटम हार्डवेयर पर या महंगे क्लासिकल सिमुलेशन के माध्यम से लागत फलन (cost function) के एक्सपेक्टेशन वैल्यू (expectation value) के आधार पर पैरामीटर्स को अपडेट करता है। यह प्रक्रिया बैरन प्लेटो (barren plateaus), अनेक लोकल ऑप्टिमा, और क्यूबिट्स की संख्या ( $n$ ) या सर्किट डेप्थ ( $p$ ) बढ़ने के साथ एक्सपेक्टेशन वैल्यू के सटीक क्लासिकल मूल्यांकन के लिए आवश्यक संसाधनों के एक्सपोनेंशियल स्केलिंग जैसी कठिनाइयों का सामना करती है। इसके अलावा, वर्तमान नॉइजी इंटरमीडिएट-स्केल क्वांटम (NISQ) डिवाइस शोर और सीमित सैंपलिंग त्रुटियों के माध्यम से इन चुनौतियों को और बढ़ा देते हैं।

कार्यप्रणाली
लेखक एक "होमोजेनियस ह्यूरिस्टिक फॉर पैरामीटर सेटिंग" प्रस्तावित करते हैं, जो एक क्लासिकल रणनीति है जिसे लागत फलन के एक्सपेक्टेशन वैल्यू के महंगे क्वांटम या क्लासिकल मूल्यांकन को एक कुशल क्लासिकल मॉडल द्वारा बदलने के लिए डिज़ाइन किया गया है। इस दृष्टिकोण का मूल "परफेक्ट होमोजेनिटी" (Perfect Homogeneity) की अवधारणा पर आधारित है।

परफेक्ट होमोजेनिटी: इसे एक ऐसी स्टेट प्रॉपर्टी के रूप में परिभाषित किया गया है जहाँ समान लागत मान $c(x)$ साझा करने वाले सभी बिटस्ट्रिंग्स $x$ के क्वांटम एम्प्लीट्यूड (amplitudes) समान होते हैं। जबकि यह गुण केवल विशिष्ट सिमेट्रिक समस्याओं या छोटे पैरामीटर्स की सीमा में ही सटीक रूप से लागू होता है, अनुभवजन्य अवलोकन बताते हैं कि विभिन्न सेटिंग्स में QAOA अवस्थाओं और 'परफेक्टली होमोजेनियस' अवस्थाओं के बीच उच्च ओवरलैप होता है।
क्लासिकल होमोजेनियस प्रॉक्सी: लेखक एक क्लासिकल मॉडल का निर्माण करते हैं, जिसे "क्लासिकल होमोजेनियस प्रॉक्सी" कहा जाता है, जो धारणा के रूप में परफेक्ट होमोजेनिटी को लागू करता है। इस प्रॉक्सी में, अवस्था को $2^n$ $2^{n}$ एम्प्लीट्यूड के बजाय, प्रत्येक अद्वितीय लागत मान $c$ $c$ के अनुरूप एम्प्लीट्यूड के एक सेट $Q(c)$ $Q (c)$ द्वारा वर्णित किया जाता है।
- विकास (evolution) को "सम-ऑफ-पाथ्स" (sum-of-paths) परिप्रेक्ष्य का उपयोग करके मॉडल किया जाता है। लेखक एक विशिष्ट हैमिंग डिस्टेंस पर बिटस्ट्रिंग्स की सटीक गणना $n(x; d, c)$ को एक विश्लेषणात्मक रूप से व्युत्पन्न वितरण $N(c'; d, c)$ से बदल देते हैं, जो केवल कॉस्ट क्लासेज पर निर्भर करता है।
- यह समीकरण (5) का उपयोग करके प्रत्येक लेयर $\ell$ के लिए एम्प्लीट्यूड $Q_\ell(c)$ की रिकर्सिव गणना करने की अनुमति देता है, जो समस्या के आकार $n$ और विशिष्ट लागत मानों की संख्या $|C|$ के साथ बहुपद (polynomial) रूप से स्केल करता है, बशर्ते $|C|$ का विकास $n$ के साथ बहुपद रूप में हो।
ह्यूरिस्टिक लूप: पैरामीटर सेटिंग प्रक्रिया (एल्गोरिदम 3) इस प्रॉक्सी का उपयोग आंतरिक सबरूटीन के रूप में करती है। एक क्लासिकल ऑप्टिमाइज़र उन पैरामीटर्स $(\vec{\gamma}, \vec{\beta})$ की खोज करता है जो "होमोजेनियस पैरामीटर ऑब्जेक्टिव फंक्शन" (प्रॉक्सी से प्राप्त कॉस्ट एक्सपेक्टेशन वैल्यू का एक अनुमान) को कम करते हैं। एक बार प्रॉक्सी के लिए इष्टतम पैरामीटर मिल जाने के बाद, उन्हें सीधे वास्तविक QAOA सर्किट पर लागू किया जाता है।

लेखक विशिष्ट क्लासेज ऑफ कंस्ट्रेंट सैटिस्फैक्शन प्रॉब्लम्स (CSPs) के लिए आवश्यक वितरणों ( $N(c'; d, c)$ और कॉस्ट प्रोबेबिलिटीज $P(c')$ ) की गणना करने का तरीका प्रदर्शित करते हैं, जिसमें रैंडमली ड्रा क्लॉजेस (clauses) के साथ रैंडम $k$ -SAT, Erdős-Rényi ग्राफ पर MaxCut, और Max- $k$ -XOR शामिल हैं।

मुख्य योगदान

परफेक्ट होमोजेनिटी और प्रॉक्सी की परिभाषा: लेखक परफेक्ट होमोजेनिटी को औपचारिक रूप देते हैं और एक क्लासिकल होमोजेनियस प्रॉक्सी को परिभाषित करते हैं जो कुशल रूप से स्टेट डिस्क्रिप्शन और एक्सपेक्टेशन वैल्यू प्रदान करता है।
पॉलीनोमियल स्केलिंग: प्रस्तावित विधि पैरामीटर सेटिंग के लिए बहुपद समय में क्लासिकल कंप्यूटेशन की अनुमति देती है, जो सटीक स्टेटवेक्टर सिमुलेशन से जुड़े एक्सपोनेंशियल रिसोर्स ग्रोथ से बचती है।
CSP क्लासेज में सामान्यीकरण: पेपर चार प्रकार के रैंडम CSPs के लिए प्रॉक्सी वितरणों के स्पष्ट व्युत्पन्न प्रदान करता है, जिससे यह दर्शाता है कि प्रॉक्सी एक एकल इंस्टेंस के बजाय पूरी क्लास की समस्याओं का वर्णन कर सकता है।
ह्यूरिस्टिक फ्रेमवर्क: लेखक एक पूर्ण वर्कफ़्लो (एल्गोरिदम 3) पेश करते हैं जो इस प्रॉक्सी को मानक पैरामीटर ऑप्टिमाइज़ेशन लूप में एकीकृत करता है, जिससे पैरामीटर अपडेट स्कीम्स के चयन में लचीलापन बना रहता है।

परिणाम
लेखकों ने अनवेटेड Erdős-Rényi रैंडम ग्राफ्स ( $G(n, p_e)$ ) पर MaxCut समस्याओं के लिए ह्यूरिस्टिक का संख्यात्मक मूल्यांकन किया:

लो डेप्थ ( $p \leq 3$ ): $n=20$ वाले ग्राफ्स के लिए, ह्यूरिस्टिक ने ऐसे पैरामीटर्स खोजे जिन्होंने "पैरामीटर ट्रांसफर" रणनीति (छोटे इंस्टेंसेस से ग्लोबली ऑप्टिमाइज्ड पैरामीटर्स को ट्रांसफर करना) के समान अप्रॉक्सिमेशन रेश्यो प्राप्त किए। प्रदर्शन में अंतर सांख्यिकीय रूप से महत्वपूर्ण नहीं था, हालांकि कुछ मामलों में ह्यूरिस्टिक ने थोड़ा बेहतर औसत प्रदर्शन दिखाया।
हाई डेप्थ ( $p \leq 20$ ): $p=20$ तक की डेप्थ के लिए, ह्यूरिस्टिक ने ऐसे पैरामीटर्स की पहचान करने में सफलता प्राप्त की जो डेप्थ बढ़ने के साथ मोनोटोनिकली बढ़ते हुए अप्रॉक्सिमेशन रेश्यो प्रदान करते हैं। इसके विपरीत, समान क्लासिकल रिसोर्सेज का उपयोग करने वाली पैरामीटर ट्रांसफर रणनीति विफल रही।
प्रॉक्सी सटीकता: संख्यात्मक विश्लेषण ने दिखाया कि प्रॉक्सी, विशेष रूप से लीनियर रैंप पैरामीटर शेड्यूल और छोटे $\gamma$ पैरामीटर वाले रेजीम में, फुल स्टेटवेक्टर सिमुलेशन के साथ बड़े ओवरलैप बनाए रखता है। प्रॉक्सी में उपयोग किए गए विश्लेषणात्मक वितरणों का रैंडम ग्राफ इंस्टेंसेस के अनुभवजन्य औसत के साथ उच्च सहसंबंध पाया गया।

महत्व और दावे
पेपर का दावा है कि होमोजेनियस ह्यूरिस्टिक उन रेजीम्स में पैरामीटर सेटिंग के लिए एक व्यावहारिक मार्ग प्रदान करता है जो शोर और एक्सपोनेंशियल स्केलिंग के कारण वर्तमान में NISQ डिवाइसेस के लिए कठिन हैं। एक महंगे एक्सपेक्टेशन वैल्यू मूल्यांकन को बहुपद-समय वाले क्लासिकल प्रॉक्सी से बदलकर, यह विधि गहरे QAOA सर्किट्स (जैसे $p=20$ ) के अन्वेषण को सक्षम बनाती है जहाँ पिछली रणनीतियाँ विफल हो जाती हैं।

लेखक इस बात पर जोर देते हैं कि हालांकि ह्यूरिस्टिक हर विशिष्ट इंस्टेंस के लिए इष्टतम पैरामीटर्स की गारंटी नहीं देता है, लेकिन यह एक मजबूत, क्लास-वाइड रणनीति प्रदान करता है जो कम डेप्थ पर स्थापित तरीकों के प्रतिस्पर्धी प्रदर्शन करता है और उच्च डेप्थ पर उनसे बेहतर प्रदर्शन करता है। यह कार्य सुझाव देता है कि परफेक्ट होमोजेनिटी का अनुमान, भले ही सार्वभौमिक रूप से सटीक न हो, कई कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन सेटिंग्स (विशेष रूप से रैंडम कंस्ट्रेंट्स वाले) में पैरामीटर ऑप्टिमाइज़ेशन को निर्देशित करने के लिए एक पर्याप्त सटीक अनुमान के रूप में कार्य करता है। लेखक भविष्य की दिशाओं को रेखांकित करते हुए कार्य समाप्त करते हैं, जैसे कि प्रॉक्सी में इंस्टेंस-विशिष्ट जानकारी को शामिल करना और अन्य वेरिएशनल क्वांटम एल्गोरिदम जैसे कि VQE तक इस दृष्टिकोण का विस्तार करना।

समस्या: इंजन को ट्यून करना

समाधान: "होमोजेनियस प्रॉक्सी" (सजातीय प्रतिनिधि)

यह कैसे काम करता है (उपमा)

उन्होंने क्या पाया

मुख्य निष्कर्ष

इसी तरह के और पेपर