⚛️ quantum physics

Solving Systems of Linear Equations: HHL from a Tensor Networks Perspective

यह शोध पत्र क्वडिट (qudit) फॉर्मलिज्म में HHL एल्गोरिदम को कुशलतापूर्वक सिम्युलेट करने के लिए एक नवीन टेंसर नेटवर्क-आधारित दृष्टिकोण प्रस्तुत करता है, जो सटीक व्युत्क्रम (exact inversion) और Qiskit कार्यान्वयन के विरुद्ध इसके प्रदर्शन का बेंचमार्किंग करता है और एल्गोरिदम की कम्प्यूटेशनल दक्षता के लिए एक शोर-मुक्त ऊपरी सीमा (noise-free upper bound) स्थापित करने हेतु इसके हाइपरपैरामीटर्स के प्रति संवेदनशीलता का विश्लेषण करता है।

मूल लेखक: Alejandro Mata Ali, Iñigo Perez Delgado, Marina Ristol Roura, Aitor Moreno Fdez. de Leceta, Sebastián V. Romero

प्रकाशित 2026-05-05

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Alejandro Mata Ali, Iñigo Perez Delgado, Marina Ristol Roura, Aitor Moreno Fdez. de Leceta, Sebastián V. Romero

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 विशाल, अविश्वसनीय रूप से जटिल पहेली को हल करने की कोशिश कर रहे हैं। गणित और इंजीनियरिंग की दुनिया में, यह पहेली एक "रैखिक समीकरणों का तंत्र" (system of linear equations) है। इसे एक विशाल रेसिपी की तरह समझें जहाँ आपके पास सामग्रियों की एक सूची (एक मैट्रिक्स में संख्याएँ) और एक लक्षित व्यंजन (वह वेक्टर जिसे आप खोजना चाहते हैं) है, और आपको यह पता लगाने की आवश्यकता है कि सटीक परिणाम प्राप्त करने के लिए प्रत्येक सामग्री का कितना उपयोग करना है।

दशकों से, कंप्यूटर इन पहेलियों को मानक तरीकों का उपयोग करके हल करते रहे हैं, जैसे कि एक बहुत ही व्यवस्थित शेफ एक सख्त रेसिपी का पालन करता है (गौसियन एलिमिनेशन)। लेकिन जैसे-जैसे पहेलियाँ बड़ी होती जाती हैं, ये शेफ थक जाते हैं और धीमे हो जाते हैं।

यहाँ आता है HHL एल्गोरिदम। 2008 में प्रस्तावित, यह एक "सुपर-शेफ" है जिसे क्वांटम कंप्यूटरों के लिए डिज़ाइन किया गया है। इसका वादा क्या है? यह इन विशाल पहेलियों को किसी भी क्लासिकल कंप्यूटर की तुलना में घातांकीय रूप से (exponentially) तेज़ी से हल कर सकता है। हालाँकि, इसमें एक पेंच है: हमारे पास अभी तक शक्तिशाली, त्रुटि-मुक्त क्वांटम कंप्यूटर नहीं हैं। जो हमारे पास हैं वे शोर वाले और छोटे हैं, जैसे कि एक शेफ एक हिलने वाली मेज और गायब सामग्रियों वाली रसोई में काम कर रहा हो। इस कारण से, हम वास्तव में यह परीक्षण नहीं कर सकते कि HHL "सुपर-शेफ" उतना अच्छा है या नहीं जितना कि वह दावा करता है।

पेपर का बड़ा विचार: "डिजिटल ट्विन" शेफ

इस पेपर के लेखकों ने एक चतुर प्रश्न पूछा: यदि हम अभी क्वांटम रसोई नहीं बना सकते, तो क्या हम एक नियमित कंप्यूटर पर HHL शेफ का एक आदर्श, शोर-मुक्त सिमुलेशन बना सकते हैं ताकि यह देख सकें कि वह कैसा प्रदर्शन करेगा?

उन्होंने केवल एक मानक सिमुलेशन नहीं बनाया। उन्होंने दो विशेष उपकरणों का उपयोग करके एक नए प्रकार का सिमुलेशन बनाया:

क्विड्स (Qudits - बहु-स्वाद वाले पासे):
मानक क्वांटम कंप्यूटर "क्यूबिट्स" (qubits) का उपयोग करते हैं, जो सिक्कों की तरह होते हैं जो हेड, टेल या दोनों का एक जादुई मिश्रण हो सकते हैं। लेखकों ने निर्णय लिया कि वे "क्विड्स" का उपयोग करेंगे। कल्पना कीजिए कि एक सिक्का जो केवल हेड या टेल नहीं है, बल्कि एक 10-तरफा पासा है, या यहाँ तक कि 100-तरफा पासा है। इन "बहु-स्वाद वाले पासों" का उपयोग करके, वे कम भौतिक वस्तुओं में अधिक जानकारी पैक कर सकते हैं, जिससे उनका सिमुलेशन अधिक कुशल और कम अपव्ययी हो जाता है।
टेंसर नेटवर्क (Tensor Networks - स्मार्ट फाइलिंग सिस्टम):
आमतौर पर, एक क्वांटम सिस्टम को सिम्युलेट करना शतरंज के खेल के हर एक संभावित परिणाम को एक साथ लिखने जैसा है। सूची इतनी लंबी हो जाती है कि आपका कंप्यूटर क्रैश हो जाता है। टेंसर नेटवर्क एक सुपर-स्मार्ट फाइलिंग सिस्टम की तरह हैं। वे महसूस करते हैं कि उन परिणामों में से कई जुड़े हुए या अनावश्यक हैं, इसलिए वे सूची को संकुचित (compress) करते हैं, केवल आवश्यक जानकारी रखते हैं। यह उन्हें एक नियमित कंप्यूटर पर क्वांटम प्रक्रिया को सिम्युलेट करने की अनुमति देता है बिना किसी सुपरकंप्यूटर की आवश्यकता के।

उन्होंने क्या किया?

लेखकों ने HHL एल्गोरिदम को लिया, उसे इस नई "क्विड" भाषा में अनुवादित किया, और फिर इसे अपने "टेंसर नेटवर्क फाइलिंग सिस्टम" के माध्यम से चलाया। उन्होंने क्वांटम चरणों को भौतिक चिप पर गेट्स के रूप में नहीं, बल्कि एक क्लासिकल कंप्यूटर पर गणितीय संचालन के रूप में माना।

उन्होंने इस नए तरीके का परीक्षण तीन क्लासिक "पहेलियों" पर किया:

द फोर्स्ड हार्मोनिक ऑसिलेटर (The Forced Harmonic Oscillator): जैसे एक लयबद्ध हाथ द्वारा झूला झुलाया जा रहा हो।
द फोर्स्ड डैम्प्ड ऑसिलेटर (The Forced Damped Oscillator): जैसे एक झूला जिसे धक्का तो दिया जा रहा है, लेकिन घर्षण के कारण धीमा भी किया जा रहा है।
2D हीट इक्वेशन (The 2D Heat Equation): जैसे यह पता लगाना कि एक धातु की प्लेट पर गर्मी कैसे फैलती है जिसमें बीच में एक गर्म स्थान है।

परिणाम: एक वास्तविकता की जाँच

इस पेपर का ईमानदार सच, सरल शब्दों में यहाँ दिया गया है:

यह सिद्धांत रूप में पूरी तरह से काम करता है: उनकी विधि ने HHL एल्गोरिदम को बिना किसी "शोर" या त्रुटियों के सफलतापूर्वक सिम्युलेट किया जो वास्तविक क्वांटम कंप्यूटरों को परेशान करती हैं। इसने सिद्ध किया कि HHL एल्गोरिदम सैद्धांतिक रूप से इन समस्याओं को कुशलतापूर्वक हल कर सकता है।
इसे "स्वीट स्पॉट्स" मिले: उन्होंने पाया कि HHL एल्गोरिदम में कुछ "नॉब्स" (हाइपरपैरामीटर्स) होते हैं जिन्हें बिल्कुल सही तरीके से घुमाने की आवश्यकता होती है। यदि आप उन्हें बहुत अधिक या बहुत कम घुमाते हैं, तो समाधान अव्यवस्थित हो जाता है। उन्होंने विशिष्ट बिंदु खोजे जहाँ प्रदर्शन "सैचुरेट" (संतृप्त) हो जाता है (सुधार रुक जाता है), जिससे हमें भविष्य में इन एल्गोरिदम को ट्यून करने के लिए एक मानचित्र मिलता है।
यह अभी कोई जादुई समाधान नहीं है (अभी के लिए): जब उन्होंने अपने नए तरीके की तुलना उन सर्वोत्तम मानक गणितीय लाइब्रेरीज़ (जैसे PyTorch) से की जिनका हम आज उपयोग करते हैं, तो मानक लाइब्रेरीज़ वास्तव में समीकरणों को हल करने में बहुत तेज़ थीं।
- उपमा: इस HHL सिमुलेशन को एक फॉर्मूला 1 रेस कार इंजन के रूप में सोचें। यह अविश्वसनीय रूप से शक्तिशाली और सैद्धांतिक रूप से तेज़ है। लेकिन मानक लाइब्रेरीज़ एक भरोसेमंद टोयोटा कैमरी की तरह हैं। एक छोटे, ऊबड़-खाबड़ शहर की सड़क पर (जो छोटे परीक्षण उन्होंने किए), कैमरी आपको वहाँ तेज़ी से पहुँचा देगी क्योंकि F1 कार को चमकने के लिए एक विशाल, आदर्श ट्रैक की आवश्यकता होती है। F1 कार (HHL) तभी जीतती है जब ट्रैक अनंत रूप से लंबा हो।

निचोड़

इस पेपर ने गणित की समस्याओं को हल करने का कोई नया तरीका आविष्कार नहीं किया जो आज के सर्वोत्तम उपकरणों को मात दे सके। इसके बजाय, इसने एक पूर्ण, शोर-मुक्त सिम्युलेटर बनाया है ताकि भविष्य के क्वांटम HHL एल्गोरिदम के अध्ययन किया जा सके कि वह कैसे काम करना चाहिए।

यह एक नए हवाई जहाज के डिज़ाइन का परीक्षण करने के लिए विंड टनल (वायु सुरंग) बनाने जैसा है, इससे पहले कि आप वास्तव में विमान बनाएं। विंड टनल (उनके टेंसर नेटवर्क सिमुलेशन) ने हमें दिखाया कि आदर्श परिस्थितियों में विमान कैसा व्यवहार करता है, उसकी ताकत और उसे उड़ाने के लिए सटीक सेटिंग्स क्या हैं। भले ही विमान अभी सड़कों पर कारों की जगह लेने के लिए तैयार नहीं है, लेकिन यह अध्ययन इंजीनियरों को वह विश्वास और डेटा देता है जिसकी उन्हें समय आने पर इसे बनाने के लिए आवश्यकता होगी।

संक्षेप में: उन्होंने एक क्वांटम एल्गोरिदम के लिए एक उच्च-सटीकता वाला "फ्लाइट सिम्युलेटर" बनाया, यह सिद्ध किया कि यह सिद्धांत रूप में काम करता है, इसके सर्वोत्तम सेटिंग्स खोजीं, और हमें दिखाया कि हालांकि यह आज के कंप्यूटरों से तेज़ नहीं है, फिर भी यह भविष्य की विशाल, जटिल गणनाओं के लिए बहुत आशाजनक है।

तकनीकी सारांश: रैखिक समीकरणों के निकाय को हल करना: टेंसर नेटवर्क के परिप्रेक्ष्य से HHL

समस्या विवरण
रैखिक प्रणालियों $A\vec{x} = \vec{b}$ का समाधान विज्ञान और इंजीनियरिंग में एक मौलिक चुनौती है। जबकि कंजुगेट ग्रेडिएंट (CG) जैसे शास्त्रीय पुनरावृत्ति (iterative) तरीके विरल (sparse), धनात्मक-निश्चित मैट्रिसेस के लिए दक्षता प्रदान करते हैं, वे सिस्टम के आकार के साथ बहुपद (polynomial) रूप से स्केल करते हैं। HHL एल्गोरिदम (हारो, हैसिडिम और लॉयड) को इन प्रणालियों को क्वांटम बहुपद समय में हल करने के लिए प्रस्तावित किया गया था, जो सिस्टम आयाम $N$ पर लघुगणकीय (logarithmic) निर्भरता प्रदान करता है। हालांकि, वर्तमान नोइजी इंटरमीडिएट-स्केल क्वांटम (NISQ) हार्डवेयर HHL को ऐसे पैमानों पर निष्पादित करने में सक्षम नहीं है जो क्वांटम लाभ प्रदर्शित करने के लिए पर्याप्त हों। इसके अतिरिक्त, स्टेटवेक्टर विधियों का उपयोग करके HHL का शास्त्रीय सिमुलेशन क्यूबिट्स की संख्या के सापेक्ष घातांकीय संसाधन स्केलिंग ( $O(2^{n+n_c})$ ) से ग्रस्त होता है, जो क्वांटम शोर के बिना एल्गोरिदम के सैद्धांतिक प्रदर्शन सीमाओं को बेंचमार्क करने की इसकी उपयोगिता को सीमित करता है। इसके अलावा, मानक क्यूबिट-आधारित HHL फॉर्मूलेशन में पावर ऑफ टू (powers of two) के लिए वेक्टर्स को पैडिंग करने के कारण संसाधनों की बर्बादी होती है और इसके लिए जटिल स्टेट प्रिपरेशन और पोस्ट-सिलेक्शन की आवश्यकता होती है।

कार्यप्रणाली
लेखक टेंसर नेटवर्क और क्वाडिट (qudit) फॉर्मलिज्म का उपयोग करके HHL एल्गोरिदम को शास्त्रीय रूप से सिम्युलेट करने के लिए एक अभिनव दृष्टिकोण प्रस्तावित करते हैं।

क्वाडिट फॉर्मूलेशन: शोधकर्ता पहले HHL एल्गोरिदम को क्यूबिट्स के बजाय क्वाडिट्स (सामान्यीकृत क्वांटम सिस्टम जिनमें $d > 2$ बेसिस अवस्थाएं होती हैं) का उपयोग करके पुनर्गठित करते हैं। इस फॉर्मूलेशन में, इनपुट वेक्टर $\vec{b}$ को एक एकल क्वाडिट के रूप में एनकोड किया जाता है जिसकी विमा $N$ है (या न्यूनतम क्वाडिट्स का एक सेट), और क्वांटम फेज एस्टीमेशन (QPE) के लिए क्लॉक रजिस्टर को भी एक क्वाडिट के रूप में दर्शाया जाता है जिसकी विमा $\mu = 2^{n_c}$ है। यह भौतिक संसाधन ओवरहेड को कम करता है और मल्टी-कंट्रोल्ड गेट्स को सिंगल-क्वाडिट कंट्रोल्ड रोटेशन्स से बदलकर सर्किट संरचना को सरल बनाता है।
टेंसर नेटवर्क ट्रांसफॉर्मेशन: क्वाडिट सर्किट को फिर एक टेंसर नेटवर्क में मैप किया जाता है। लेखक एल्गोरिदम के घटकों का प्रतिनिधित्व करने के लिए विशिष्ट टेंसरों को परिभाषित करते हैं:
- स्टेट प्रिपरेशन: वेक्टर $\vec{b}$ को $N$ विमा वाले एक नोड के रूप में परिभाषित किया गया है।
- फेज एस्टीमेशन: QPE प्रक्रिया को फूरियर ट्रांसफॉर्म मैट्रिसेस ( $H[\mu]$ ) और उनके इनवर्स के साथ स्टेट को कॉन्ट्रैक्ट करके प्रतिस्थापित किया जाता है।
- इनवर्जन: एक नॉन-यूनिटरी इनवर्जन टेंसर ( $inv[\mu]$ ) लागू किया जाता है, जो आइगेनवैल्यू इंडेक्स को उनके रेसिप्रोकल (reciprocals) में मैप करता है।
- इवोल्यूशन: यूनिटरी इवोल्यूशन $U_{\mu, \tau} = e^{2\pi i \tau A / \mu}$ को एक टेंसर $P[\mu]$ द्वारा दर्शाया जाता है।
ऑप्टिमाइजेशन: दक्षता में सुधार के लिए, लेखक एक अनुकूलित टेंसर नेटवर्क संरचना (चित्र 2b) पेश करते हैं, जो इवोल्यूशन टेंसरों को इनपुट वेक्टर $\vec{b}$ के साथ एक एकल टेंसर $W[\mu]$ में कॉन्ट्रैक्ट करता है। यह बड़े डेंस मैट्रिसेस के स्पष्ट निर्माण से बचता है और इवोल्यूशन ऑपरेटर की रिकर्सिव संरचना का लाभ उठाता है। वे जटिलता को क्यूबिक से लगभग क्वाड्रेटिक स्केलिंग तक कम करने के लिए सीधे QFT सर्किट को कॉन्ट्रैक्शन में एकीकृत करने की संभावनाओं का भी पता लगाते हैं।

प्रमुख योगदान

क्वाडिट HHL फॉर्मूलेशन: यह पेपर HHL एल्गोरिदम का क्वाडिट्स में एक सैद्धांतिक सामान्यीकरण प्रस्तुत करता है, जो यह दर्शाता है कि कैसे यह मानक क्यूबिट कार्यान्वयन की तुलना में संसाधन बर्बादी और सर्किट डेप्थ को कम करता है।
शास्त्रीय टेंसर नेटवर्क सिम्युलेटर: लेखक एक शास्त्रीय टेंसर नेटवर्क एल्गोरिदम (TN HHL) विकसित और कार्यान्वित करते हैं जो HHL एल्गोरिदम के आदर्श, शोर-मुक्त (noise-free) प्रदर्शन का अनुकरण करता है। यह $2^n$ एम्प्लीट्यूड के ओवरहेड के बिना इनपुट पैरामीटर और मैट्रिक्स गुणों के विरुद्ध HHL चरणों को बेंचमार्क करने की अनुमति देता है।
जटिलता विश्लेषण: कार्य एक विस्तृत जटिलता विश्लेषण प्रदान करता है, जो दिखाता है कि TN HHL एल्गोरिदम की कम्प्यूटेशनल जटिलता $O(N^2\mu + N\mu^2 + \mu^3)$ (या बेहतर वेरिएंट्स के साथ QFT) है, जहाँ $\mu \approx \kappa/\epsilon$ है। इसकी तुलना नेटिव स्टेटवेक्टर सिम्युलेटर्स के घातांकीय स्केलिंग से की जाती है।
हाइपरपैरामीटर सेंसिटिविटी स्टडी: इस फ्रेमवर्क का उपयोग इसके हाइपरपैरामीटर्स के प्रति HHL के प्रदर्शन की संवेदनशीलता का व्यवस्थित रूप से विश्लेषण करने के लिए किया गया है: इवोल्यूशन टाइम $\tau$ , क्लॉक रजिस्टर साइज $n_c$ (परिशुद्धता), और इनवर्जन स्केलिंग $C$ ।

प्रायोगिक परिणाम
एल्गोरिदम का परीक्षण तीन शास्त्रीय सिमुलेशन समस्याओं पर किया गया: एक फोर्स्ड हार्मोनिक ऑसिलेटर, एक फोर्स्ड डैम्प्ड ऑसिलेटर, और सोर्स के साथ एक स्टैटिक 2D हीट इक्वेशन।

सटीकता: TN HHL परिणामों की तुलना सटीक इनवर्जन (PyTorch/LU डिकंपोजिशन का उपयोग करके) के विरुद्ध की गई। विधि ने कम रूट मीन स्क्वायर एरर (जैसे, हार्मोनिक ऑसिलेटर के लिए $1.8 \times 10^{-5}$ ) प्राप्त किया, जो "नो-एलियासिंग" फेज-ग्रिड धारणाओं के तहत सटीक इनवर्स समाधान को अनुमानित करने की इसकी क्षमता की पुष्टि करता है।
परफॉरमेंस बनाम स्टेटवेक्टर: $16 \times 16$ रैंडम स्पार्स मैट्रिसेस पर मूल HHL के Qiskit स्टेटवेक्टर सिमुलेशन के साथ तुलना करने पर, TN HHL दृष्टिकोण ने तुलनीय या बेहतर सटीकता (रेफरेंस सॉल्यूशन के विरुद्ध कम माध्य RMSE) बनाए रखते हुए एक 148x की स्पीडअप (0.062s बनाम 17.766s प्रति समस्या) प्रदर्शित किया।
हाइपरपैरामीटर व्यवहार: संवेदनशीलता विश्लेषण ने खुलासा किया कि HHL का प्रदर्शन $\tau$ और $n_c$ पर अत्यधिक निर्भर है। अध्ययन ने ऐसे "सैचुरेशन पॉइंट्स" की पहचान की जहाँ $n_c$ बढ़ाने से त्रुटि में महत्वपूर्ण कमी नहीं आती है और यह निर्धारित किया कि इष्टतम $\tau$ मान $n_c$ के साथ बदलते हैं।

महत्व और दावे
यह पेपर दावा करता है कि यह दृष्टिकोण क्वांटम शोर के बिना HHL प्रक्रिया को कुशलतापूर्वक सिम्युलेट करने के लिए एक आशाजनक उपकरण प्रदान करता है, जिससे एल्गोरिदम के संभावित प्रदर्शन के लिए एक उच्च सीमा स्थापित होती है।

बेंचमार्किंग उपयोगिता: यह शोधकर्ताओं को क्वांटम हार्डवेयर पर तैनाती से पहले हाइपरपैरामीटर ट्यूनिंग और स्पेक्ट्रल गुणों सहित HHL की सैद्धांतिक सीमाओं का अध्ययन करने की अनुमति देता है।
सीमाएँ: लेखक अपने तरीके की एक सामान्य सॉल्वर के रूप में उपयोगिता के बारे में विनम्र हैं। वे स्पष्ट रूप से कहते हैं कि TN HHL समीकरणों को हल करने के लिए अत्याधुनिक शास्त्रीय सॉल्वर्स (जैसे CG या LU डिकंपोजिशन) के प्रदर्शन में सुधार नहीं करता है। यह प्रत्यक्ष इनवर्जन के लिए इन अनुकूलित शास्त्रीय लाइब्रेरी की तुलना में धीमा है।
सैद्धांतिक अंतर्दृष्टि: कार्य यह उजागर करता है कि सटीक इनवर्स केवल विशिष्ट स्थितियों (प्रपोजिशन 3.1: फेज-ग्रिड और नो-एलियासिंग) के तहत ही प्राप्त होता है। सामान्य मामलों में, टेंसर नेटवर्क एक स्पेक्ट्रल फिल्टर (प्रपोजिशन 3.2) को लागू करता है, जो वास्तविक परिदृश्यों में एल्गोरिदम के व्यवहार को समझने के लिए एक महत्वपूर्ण अंतर है।

निष्कर्षतः, यह पेपर एक विशेष शास्त्रीय सिमुलेशन फ्रेमवर्क प्रस्तुत करता है जो सैद्धांतिक क्वांटम एल्गोरिदम और व्यावहारिक शास्त्रीय गणना के बीच के अंतर को पाटता है, जो मौजूदा शास्त्रीय लीनियर अलजेब्रा लाइब्रेरी के विकल्प के रूप में स्वीकार करते हुए HHL के लिए एक शोर-मुक्त बेंचमार्क प्रदान करता है।

पेपर का बड़ा विचार: "डिजिटल ट्विन" शेफ

उन्होंने क्या किया?

परिणाम: एक वास्तविकता की जाँच

निचोड़

इसी तरह के और पेपर