⚛️ क्वांटम भौतिकी

A quantum central path algorithm for linear optimization

यह शोध पत्र एक नवीन क्वांटम एल्गोरिदम प्रस्तावित करता है जो नॉनलीन कॉम्प्लीमेंटैरिटी इक्वेशन्स के माध्यम से सेंट्रल पाथ का अनुकरण करके लीनियर ऑप्टिमाइज़ेशन समस्याओं को हल करता है, जिससे समस्या के आकार और स्पर्सिटी (sparsity) पर निर्भर बेहतर क्वेरी और गेट जटिलताओं के साथ $\varepsilon$ -ऑप्टिमैलिटी प्राप्त होती है।

मूल लेखक: Brandon Augustino, Jiaqi Leng, Jialu Bao, Giacomo Nannicini, Tamás Terlaky, Xiaodi Wu

प्रकाशित 2026-10-30

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Brandon Augustino, Jiaqi Leng, Jialu Bao, Giacomo Nannicini, Tamás Terlaky, Xiaodi Wu

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

अनुकूलन (ऑप्टिमाइज़ेशन) किसी समस्या के सर्वोत्तम संभव समाधान को खोजने की गणितीय कला है, चाहे वह सबसे कुशल ट्रैफ़िक के माध्यम से डिलीवरी ट्रक को रूट करना हो, एक वित्तीय पोर्टफोलियो को संतुलित करना हो, या एक स्थिर पुल का डिज़ाइन तैयार करना हो। दशकों से, इन समस्याओं को हल करने के लिए सबसे शक्तिशाली उपकरण 'इंटीरियर पॉइंट मेथड्स' रहे हैं। ये एल्गोरिदम सीधे उत्तर पर नहीं कूदते; इसके बजाय, वे एक घुमावदार, अदृश्य पथ का अनुसरण करते हैं जिसे 'सेंट्रल पाथ' (केंद्रीय पथ) कहा जाता है। एक पर्वतारोही की कल्पना करें जो एक पर्वत श्रृंखला में नेविगेट कर रहा है: हर चोटी पर चढ़ने या हर घाटी में उतरने के बजाय, पर्वतारोही एक विशिष्ट कगार (रिज) पर रहता है जो सीधे निम्नतम बिंदु की ओर ले जाता है। रैखिक अनुकूलन (लीनियर ऑप्टिमाइज़ेशन) की दुनिया में, यह कगार समीकरणों के एक सेट द्वारा परिभाषित एक चिकना वक्र है जो समस्या के प्रतिबंधों को संतुलित करता है। क्लासिकल कंप्यूटर इस पथ का अनुसरण छोटे, गणनात्मक कदमों को लेकर करते हैं, और अगले कदम को निर्धारित करने के लिए हर मोड़ पर एक जटिल रैखिक समीकरण को हल करते हैं। प्रभावी होने के बावजूद, यह चरण-दर-चरण दृष्टिकोण जैसे-जैसे समस्याएँ बड़ी होती जाती हैं, अविश्वसनीय रूप से धीमा और संसाधन-गहन हो सकता है, जिससे कंप्यूटर को समाधान के करीब पहुँचने के लिए लाखों गणनाएँ करनी पड़ती हैं।

शोधकर्ताओं की एक टीम ने अब इस पथ पर यात्रा करने का एक मौलिक रूप से भिन्न तरीका प्रस्तावित किया है, जो क्वांटम मैकेनिक्स के अद्वितीय नियमों का उपयोग करके चरण-दर-चरण गणनाओं को पूरी तरह से दरकिनार कर देता है। एक नए अध्ययन में, वे एक क्वांटम एल्गोरिदम का वर्णन करते हैं जो सेंट्रल पाथ को चरणों की एक श्रृंखला के रूप में नहीं, बल्कि एक भौतिक परिदृश्य (लैंडस्केप) के रूप में मानता है जिसे एक एकल, निरंतर गति में पार किया जा सकता है। पथ पर अगले बिंदु को खोजने के लिए समीकरणों को हल करने के बजाय, यह एल्गोरिदम एक विशेष रूप से डिज़ाइन किए गए ऊर्जा क्षेत्र के माध्यम से चलते हुए एक क्वांटम कण के व्यवहार का अनुकरण करता है। इस क्षेत्र को इस तरह बनाया गया है कि इसकी निम्नतम ऊर्जा अवस्था, जिसे 'ग्राउंड स्टेट' कहा जाता है, स्वाभाविक रूप से ठीक वहीं स्थिर हो जाती है जहाँ समस्या का इष्टतम समाधान स्थित होता है। इस अवस्था में एक क्वांटम सिस्टम को तैयार करके और इसे पथ के साथ निर्देशित करके, शोधकर्ता दिखाते हैं कि सिस्टम बिना उस पुनरावृत्ति (इटरेशन) के समाधान तक पहुँच सकता है जो क्लासिकल कंप्यूटरों को धीमा कर देती है।

इस नई पद्धति का मूल, जिसे लेखक 'क्वांटम सेंट्रल पाथ मेथड' कहते हैं, 'हैमिल्टोनियन सिमुलेशन' नामक अवधारणा पर निर्भर करता है। क्वांटम भौतिकी में, हैमिल्टोनियन एक ऑपरेटर है जो एक प्रणाली की कुल ऊर्जा का प्रतिनिधित्व करता है, जिसमें उसका संचलन और एक विभव क्षेत्र (पोटेंशियल फील्ड) के भीतर उसकी स्थिति दोनों शामिल होते हैं। शोधकर्ताओं ने एक विशिष्ट हैमिल्टोनियन डिज़ाइन किया है जहाँ समीकरण का "पोटेंशियल एनर्जी" वाला भाग स्वयं सेंट्रल पाथ के आकार का है। जब क्वांटम सिस्टम अपनी निम्नतम ऊर्जा अवस्था में होता है, तो उसका संभाव्यता वितरण (प्रोबेबिलिटी डिस्ट्रीब्यूशन) ठीक इष्टतम समाधान के ऊपर केंद्रित होता है। हालाँकि, चुनौती यह है कि जैसे-जैसे एल्गोरिदम समाधान के करीब पहुँचता है, ऊर्जा परिदृश्य का आकार बदल जाता है। इससे निपटने के लिए, टीम ने एक दो-चरणीय कार्यक्रम विकसित किया। पहले, वे सिस्टम को पथ के साथ आगे बढ़ाते हैं जबकि ऊर्जा परिदृश्य को अपेक्षाकृत व्यापक रखते हैं, जिससे क्वांटमान अवस्था को शुरुआती बिंदु से समाधान के निकट तक सुचारू रूप से बहने की अनुमति मिलती है। दूसरे चरण में, वे परिदृश्य को सिकोड़ देते हैं, जिससे क्वांटम अवस्था को एक सटीक, तीक्ष्ण शिखर में बदल दिया जाता है जो सटीक उत्तर के अनुरूप होता है।

यह दृष्टिकोण अनुकूलन के लिए क्वांटम कंप्यूटरों के उपयोग के पिछले प्रयासों की तुलना में एक महत्वपूर्ण लाभ प्रदान करता है। शुरुआती क्वांटम एल्गोरिदम ने क्लासिकल विधि के व्यक्तिगत चरणों को तेज़ करने की कोशिश की थी, जो अनिवार्य रूप से एक क्वांटम कंप्यूटर से रैखिक समीकरणों को तेज़ी से हल करने के लिए कह रहे थे। हालाँकि, उन विधियों को अभी भी क्लासिकल कंप्यूटर की तरह ही उतने ही चरणों की आवश्यकता थी, और वे अक्सर एक सैद्धांतिक मेमोरी सिस्टम पर निर्भर थे जिसे 'क्वांटम रैंडम एक्सेस मेमोरी' कहा जाता है, जो अभी तक व्यावहारिक रूप में मौजूद नहीं है। यह नई विधि इस निर्भरता को पूरी तरह से समाप्त करती है। यह एक एकल चरण को तेज़ करने की कोशिश नहीं करती है; इसके बजाय, यह पूरी पुनरावृत्ति प्रक्रिया को एक एकल क्वांटम विकास (इवोल्यूशन) से बदल देती है। शोधकर्ताओं ने सिद्ध किया कि यह एल्गोरिदम समस्या के आकार के साथ कुशलतापूर्वक स्केल करने वाले संचालन की संख्या का उपयोग करके, एक विशिष्ट स्तर की सटीकता के साथ एक रैखिक अनुकूलन समस्या का समाधान पा सकता है। महत्वपूर्ण रूप से, यह दक्षता क्वांटम रैंडम एक्सेस मेमोरी के उपयोग के बिना भी बनी रहती है, जिससे यह दृष्टिकोण भविष्य के हार्डवेयर के लिए संभावित रूप से व्यवहार्य हो जाता है जो मानक क्वांटम गेट्स पर निर्भर करते हैं।

यह सत्यापित करने के लिए कि उनका सैद्धांतिक ढांचा व्यवहार में काम करता है, शोधकर्ताओं ने एक मानक लैपटॉप पर एक संख्यात्मक प्रदर्शन चलाया। उन्होंने एक छोटी, सरल अनुकूलन समस्या ली और जटिल, उच्च-आयामी क्वांटम समीकरणों को एक दो-आयामी संस्करण में कम कर दिया जिसे विज़ुअलाइज़ किया जा सके। परिणामों ने दिखाया कि क्वांटम अवस्था का संभाव्यता घनत्व (प्रोबेबिलिटी डेंसिटी), जो कोहरे के बादल जैसा दिखता था, शुरुआती बिंदु पर केंद्रित और व्यापक होकर शुरू हुआ। जैसे-जैसे सिमुलेशन आगे बढ़ा और पैरामीटरों को समायोजित किया गया, बादल संकुचित और स्थानांतरित हुआ, जो इष्टतम समाधान की ओर घुमावदार पथ का अनुसरण करता है। सिमुलेशन के अंत तक, बादल सिमटकर एक सटीक, चमकीले बिंदु में बदल गया जहाँ सही उत्तर स्थित था। इस दृश्य पुष्टि ने प्रदर्शित किया कि क्वांटम अवस्था वास्तव में सेंट्रल पाथ को ट्रैक कर सकती है और सिद्धांत के अनुसार समाधान पर केंद्रित हो सकती है।

इस कार्य के निहितार्थ केवल रैखिक समीकरणों को तेज़ी से हल करने से कहीं अधिक हैं। यह अध्ययन इंटीरियर पॉइंट मेथड्स के गणितीय सिद्धांत और क्वांटम सिस्टम के भौतिक सिमुलेशन के बीच एक नया संबंध स्थापित करता है। यह सुझाव देता है कि अनुकूलन समस्याओं को पुनरावृत्ति द्वारा हल किए जाने वाले स्थिर पहेलियों के बजाय, समय के साथ विकसित होने वाली गतिशील प्रणालियों के रूप में देखा जा सकता है। हालाँकि वर्तमान एल्गोरिदम एक सैद्धांतिक प्रस्ताव है और इसे अभी तक बड़े पैमाने के क्वांटम कंप्यूटर पर नहीं चलाया गया है, लेकिन गणितीय प्रमाण और सफल लघु-स्तरीय सिमुलेशन एक मजबूत आधार प्रदान करते हैं। शोधकर्ता नोट करते हैं कि उनके ढांचे को अधिक जटिल प्रकार के अनुकूलन, जैसे कि सेमीडेफिनेट प्रोग्रामिंग या सेकंड-ऑर्डर कोन बाधाओं वाले अनुकूलन के लिए अनुकूलित किया जा सकता है। यह दिखाकर कि एक क्वांटम कंप्यूटर एकल, सुसंगत गति में सेंट्रल पाथ को पार कर सकता है, यह कार्य अपने समय की कुछ सबसे कठिन कम्प्यूटेशनल समस्याओं को हल करने के लिए एक नया मार्ग खोलता है, जो क्लासिकल इटरेशन की सीमाओं से हटकर, सर्वोत्तम उत्तर खोजने के एक अधिक स्वाभाविक, क्वांटम तरीके की ओर बढ़ता है।

तकनीकी सारांश: रैखिक अनुकूलन (Linear Optimization) के लिए एक क्वांटम सेंट्रल पाथ एल्गोरिदम

समस्या विवरण
यह शोध पत्र रैखिक अनुकूलन (LO) समस्याओं को हल करने की समस्या को संबोधित करता है जो $Ax \ge b, x \ge 0$ के रूप में $\min c^\top x$ के रूप में दी गई हैं, और इसके संबद्ध द्वैत (dual) को भी। जबकि शास्त्रीय इंटीरियर पॉइंट मेथड्स (IPMs) इन समस्याओं को हल करने के लिए अत्याधुनिक (state-of-the-art) हैं, वे प्रत्येक पुनरावृत्ति (iteration) में बड़े रैखिक सिस्टम (न्यूटन लीनियर सिस्टम) को हल करने के लिए पुनरावृत्त न्यूटन स्टेप्स (iterative Newton steps) पर निर्भर करते हैं। मौजूदा क्वांटम इंटीरियर पॉइंट मेथड्स (QIPMs) इस प्रक्रिया को तेज करने के लिए क्वांटम लीनियर सिस्टम एल्गोरिदम (QLSAs) का उपयोग करके इन रैखिक सिस्टमों को हल करने का प्रयास करते हैं। हालाँकि, वर्तमान QIPMs दो प्राथमिक सीमाओं से ग्रस्त हैं: (1) उन्हें आमतौर पर क्वांटम रैंडम एक्सेस मेमोरी (QRAM) मॉडल की आवश्यकता होती है, जिसे अक्सर निकट-अवधि (near-term) उपकरणों के लिए अव्यावहारिक माना जाता है; और (2) वे पुनरावृत्त (iterative) बने रहते हैं, जिससे वे शास्त्रीय IPMs की $O(\sqrt{n} \log(1/\varepsilon))$ इटरेशन जटिलता को विरासत में प्राप्त करते हैं, और शास्त्रीय समाधान निकालने के लिए महंगे क्वांटम स्टेट टोमोग्राफी पर निर्भर रहते हैं।

कार्यप्रणाली (Methodology)
लेखक एक नया दृष्टिकोण प्रस्तावित करते हैं जिसे क्वांटम सेंट्रल पाथ मेथड (QCPM) कहा जाता है। QIPMs के विपरीत, जो शास्त्रीय एल्गोरिदम के स्टेप्स को क्वांटाइज करते हैं, QCPM स्वयं सेंट्रल पाथ की डायनामिक्स को क्वांटाइज करता है। कार्यप्रणाली इस प्रकार है:

हैमिल्टनियन सूत्रीकरण (Hamiltonian Formulation): लेखक धनात्मक ऑर्थेंट (positive orthant) पर परिभाषित हैमिल्टनियन ऑपरेटर्स $H(\mu, h)$ के एक परिवार का निर्माण करते हैं। हैमिल्टनियन एक श्रोडिंगर ऑपरेटर है जो एक गतिज ऊर्जा (kinetic energy) पद और एक विभव ऊर्जा (potential energy) पद से बना है:
$H(\mu, h) = -\frac{h^2}{2} \nabla^2 + \Phi_\mu(z)$
यहाँ, $\mu$ एक सेंट्रल पाथ पैरामीटर है (ड्युअलिटी गैप से संबंधित), और $h$ एक स्केलिंग पैरामीटर के रूप में कार्य करता है जो प्लैंक स्थिरांक (Planck's constant) के समान है। विभव फलन (potential function) $\Phi_\mu(z)$ एक सेल्फ-कॉन्कॉर्डेंट बैरियर फंक्शन (विशेष रूप से, एक क्वाड्रेटिकली कंटीन्यूड लॉगारिदम) से व्युत्पन्न है और इसे इस तरह से डिज़ाइन किया गया है कि इसका ग्लोबल मिनिमम ठीक LO समस्या के सेंट्रल पाथ पर $\mu$ -सेंटर के अनुरूप होता है।
ग्राउंड स्टेट एनकोडिंग (Ground State Encoding): मुख्य सैद्धांतिक अंतर्दृष्टि यह है कि $H(\mu, h)$ का ग्राउंड स्टेट (सबसे कम आइगेनवैल्यू वाला आइगेनवेक्टर) सेंट्रल पाथ पर केंद्रित एक प्रायिकता वितरण (probability distribution) को एनकोड करता है। जैसे-जैसे $\mu \to 0$ होता है, यह वितरण इष्टतम समाधान (optimal solution) के आसपास केंद्रित हो जाता है। पैरामीटर $h$ इस वितरण के विचरण (variance) को नियंत्रित करता; $h$ को कम करने से समाधान के चारों ओर वेव पैकेट "सिकुड़" (squeeze) जाता है।
आइगेनपाथ ट्रैवर्सल (Eigenpath Traversal): न्यूटन स्टेप्स को इटरेट करने के बजाय, एल्गोरिदम हैमिल्टनियन के ग्राउंड स्टेट प्रक्षेपवक्र (trajectory) को पार करता है। लेखक $(\mu, h)$ के लिए एक दो-चरणीय शेड्यूलिंग (two-stage schedule) का उपयोग करते हैं:
- चरण 1 (ट्रांसपोर्ट): $\mu$ को 1 से $\varepsilon$ तक घटता है जबकि $h = \mu$ रहता है। यह ग्राउंड स्टेट के केंद्र को सेंट्रल पाथ के साथ आगे बढ़ाता है।
- चरण 2 (सिकुड़ना/Squeezing): $\mu$ को $\varepsilon$ पर स्थिर रखा जाता है, और $h$ को लक्ष्य मान $h^*$ तक कम किया जाता है ताकि $\varepsilon$ -इष्टतम समाधान के चारों ओर वितरण को संकीर्ण किया जा सके।
  यह शेड्यूलिंग यह सुनिश्चित करने के लिए बनाई गई है कि क्रमिक ग्राउंड स्टेट्स में एक बड़ा ओवरलैप ( $> 1/\sqrt{3}$ ) हो, जो कुशल आइगेनपाथ ट्रैवर्सल एल्गोरिदम (विशेष रूप से बोइक्सो, निल और सोम्मा की विधि) की शर्तों को पूरा करता है।
कार्यान्वयन (Implementation): एल्गोरिदम प्रारंभिक ग्राउंड स्टेट (जो $\mu=1$ के अनुरूप है) को तैयार करता है और फिर पथ को पार करने के लिए श्रोडिंगर डायनामिक्स का अनुकरण करता है। यह अनंत-आयामी ऑपरेटर को एक परिमित-आयामी मैट्रिक्स में मैप करने के लिए स्थानिक विविक्तीकरण (spatial discretization) का उपयोग करता है जो गेट-आधारित क्वांटम कंप्यूटरों के लिए उपयुक्त है। महत्वपूर्ण रूप से, इस एल्गोरिदम को QRAM की आवश्यकता नहीं है; इसे केवल विभव फलन (potential function) के लिए एक मूल्यांकन ऑरेकल (evaluation oracle) के माध्यम से समस्या डेटा $(A, b, c)$ के बाइनरी विवरण तक पहुँच की आवश्यकता है।

प्रमुख योगदान

नया प्रतिमान (Novel Paradigm): यह पेपर पहला ऐसा क्वांटम एल्गोरिदम पेश करता है जो सीधे श्रोडिंगर डायनामिक्स के माध्यम से सेंट्रल पाथ को हल करके LO को हल करता है, न कि शास्त्रीय IPMs के न्यूटन स्टेप्स को क्वांटाइज करके।
QRAM स्वतंत्रता: एल्गोरिदम मानक गेट मॉडल में काम करता है और इसमें QRAM की आवश्यकता नहीं है, जो पिछले QIPM प्रस्तावों के एक प्रमुख व्यावहारिक अवरोध को दूर करता है।
गैर-पुनरावृत्ति प्रकृति (Non-Iterative Nature): समाधान अंतिम क्वांटम स्टेट को मापकर "वन-शॉट" तरीके से प्राप्त किया जाता है, जिससे पुनरावृत्त लूप और उससे जुड़ी त्रुटियों के संचय या बार-बार टोमोग्राफी की आवश्यकता से बचा जा सकता है जो QIPMs में पाई जाती है।
सैद्धांतिक गारंटी: लेखक हैमिल्टनियन की स्ट्रॉन्ग कॉनवेक्सिटी (strong convexity), स्पेक्ट्रल गैप और सेंट्रल पाथ के आसपास ग्राउंड स्टेट के संकेंद्रण (concentration) के लिए कठोर प्रमाण प्रदान करते हैं।

परिणाम और जटिलता
यह पेपर स्थापित करता है कि QCPM एक $m$ बाधाओं और $n$ चरों वाले LO समस्या को $\varepsilon$ -इष्टतमता तक निम्नलिखित जटिलता के साथ हल कर सकता है:

क्वेरी जटिलता (Query Complexity): विभव फलन ऑरेकल के $\tilde{O}\left((m + n)^{3/2} \varepsilon^{-1} + (m + n)^{1/2} \varepsilon^{-3/2}\right)$ क्वेरीज़।
गेट जटिलता (Gate Complexity): $\tilde{O}\left(\left[(m + n)^{3/2} \varepsilon^{-1} + (m + n)^{1/2} \varepsilon^{-3/2}\right] \cdot \text{nnz}(A)\right)$ एलिमेंट्री गेट्स, जहाँ $\text{nnz}(A)$ बाधा मैट्रिक्स में गैर-शून्य तत्वों की संख्या है।

जटिलता समस्या की स्पर्सिटी (sparsity) और परिशुद्धता $\varepsilon$ पर निर्भर करती है, लेकिन उल्लेखनीय रूप से समस्या डेटा के कंडीशन नंबर (condition number) पर निर्भरता से बचती है।

महत्व और दावे
लेखक दावा करते हैं कि यह कार्य "ठोस प्रमाण प्रदान करता है कि बिना QRAM के सर्किट मॉडल में भी एंड-टू-एंड क्वांटम स्पीडअप संभव हो सकता है।" वे इस बात पर जोर देते हैं कि QCPM एक नया प्रतिमान प्रदान करता है, जो पिछले QIPMs के "क्वांटम सबरूटीन" दृष्टिकोण से भिन्न है।

पेपर अपनी वर्तमान स्थिति के संबंध में विनम्र है, यह नोट करते हुए कि:

संसाधन विश्लेषण बताता है कि एल्गोरिदम सैद्धांतिक रूप से सुदृढ़ है लेकिन इसे निकट-अवधि उपकरणों पर व्यावहारिक बनाने के लिए महत्वपूर्ण संवर्द्धन (विशेष रूप से त्रुटि निर्भरता के संबंध में) की आवश्यकता हो सकती है।
एल्गोरिदम LO समस्या के सेल्फ-ड्यूल एम्बेडिंग मॉडल को हल करता है, जो शास्त्रीय IPMs में एक मानक सैद्धांतिक दृष्टिकोण है, न कि मूल समस्या को सीधे। हालाँकि, लेखकों का मानना है कि शास्त्रीय विधियों में उपयोग किए जाने वाले समाप्ति मानदंड (termination criteria) यहाँ भी लागू होंगे।
जबकि ढांचा आशाजनक है और इसका कोई ज्ञात सीधा शास्त्रीय समकक्ष (classical analogue) नहीं है, यह पेपर तत्काल व्यावहारिक श्रेष्ठता का दावा करने के बजाय कठोर विश्लेषण के लिए नींव रखने का कार्य करता है (वर्तमान में सर्वश्रेष्ठ शास्त्रीय एल्गोरिदम $\tilde{O}((m+n)^\omega)$ समय में चलते हैं)।
लेखक स्पष्ट रूप से कहते हैं कि उन्होंने एक शास्त्रीय एनालॉग बनाने का प्रयास नहीं किया है, यह स्वीकार करते हुए कि एक ऐसे शास्त्रीय सिस्टम को डिजाइन करना जो बदलते हुए विभव (time-varying potential) के ग्लोबल मिनिमम को ट्रैक करे, एक बड़ी चुनौती होगी।

संक्षेप में, यह पेपर इंटीरियर पॉइंट मेथड्स और क्वांटम हैमिल्टनियन सिमुलेशन के बीच संबंध स्थापित करने में एक सैद्धांतिक सफलता प्रस्तुत करता है, जो QRAM की सीमाओं को दरकिनार करते हुए रैखिक अनुकूलन के लिए क्वांटम स्पीडअप का एक संभावित मार्ग प्रदान करता है।

तकनीकी सारांश: रैखिक अनुकूलन (Linear Optimization) के लिए एक क्वांटम सेंट्रल पाथ एल्गोरिदम

इसी तरह के और पेपर