⚛️ quantum physics

HQNET: Harnessing Quantum Noise for Effective Training of Quantum Neural Networks in NISQ Era

यह शोध पत्र प्रदर्शित करता है कि मापन अवलोकनीय (measurement observables) का सावधानीपूर्वक चयन करना, विशेष रूप से वैश्विक लागत फलनों (global cost functions) के लिए एक अनुकूलित हर्मिटीय अवलोकनीय (Hermitian observable) और स्थानीय फलनों के लिए PauliZ, शोर-प्रेरित बैरन प्लेटो (noise-induced barren plateaus) को प्रभावी ढंग से कम कर सकता है और NISQ युग में 10 क्यूबिट तक क्वांटम न्यूरल नेटवर्क की प्रशिक्षण क्षमता (trainability) को बढ़ा सकता है।

मूल लेखक: Muhammad Kashif, Muhammad Shafique

प्रकाशित 2026-04-16

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Muhammad Kashif, Muhammad Shafique

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 क्वांटम कंप्यूटरों के एक समूह को एक पहेली हल करना सिखाने की कोशिश कर रहे हैं (जो वर्तमान में बहुत नाजुक हैं और त्रुटियों के प्रति संवेदनशील हैं)। यह QNNs (क्वांटम न्यूरल नेटवर्क) की दुनिया है—"NISQ युग" का समय, जहाँ हमारे क्वांटम कंप्यूटर शक्तिशाली तो हैं लेकिन शोर (noise) से भरे हुए हैं, जैसे कि बहुत अधिक स्टैटिक (static) वाला एक रेडियो।

बड़ी समस्या जिसका लेखक समाधान करते हैं, उसे "बैरेन प्लेटो" (Barolem Plateau) कहा जाता है।

समस्या: समतल रेगिस्तान (The Flat Desert)

एक न्यूरल नेटवर्क को प्रशिक्षित करने को एक पहाड़ से नीचे घाटी (सबसे अच्छा समाधान) की ओर उतरने जैसा समझें।

एक आदर्श दुनिया में: आप रास्ते को स्पष्ट रूप से देख सकते हैं। आप एक कदम उठाते हैं, ढलान को महसूस करते हैं, और नीचे की ओर चलते हैं। आसान है!
शोर भरी क्वांटम दुनिया में: शोर (static) एक घने कोहरे की तरह काम करता है। जैसे-जैसे आप अपनी टीम में अधिक हाइकर्स (qubits) जोड़ते हैं, कोहरा इतना घना हो जाता है कि पहाड़ ही गायब हो जाता है। अचानक, आप एक विशाल, पूरी तरह से समतल रेगिस्तान पर खड़े होते हैं। आप कहीं भी कदम रखें, जमीन बिल्कुल एक जैसी महसूस होती है। आपको पता ही नहीं चलता कि "नीचे" जाने का रास्ता कौन सा है। यही बैरेन प्लेटो है। कंप्यूटर फंस जाता है, और प्रशिक्षण विफल हो जाता है।

लेखक पूछते हैं: क्या हम इस कोहरे (शोर) का लाभ उठा सकते हैं, या कम से कम इसके माध्यम से बेहतर तरीके से नेविगेट कर सकते हैं?

समाधान: सही दिशा-सूचक यंत्र (Compass) चुनना

लेखकों ने खोजा कि आपके क्वांटम गणना के परिणाम को देखने का तरीका (यानी आप कैसे "देखते" हैं) अत्यंत महत्वपूर्ण है। क्वांटम शब्दों में, इसे ऑब्जर्वेबल (Observable) (एक मापन उपकरण) चुनना कहा जाता है। उन्होंने चार अलग-अलग "कंपास" का परीक्षण किया:

PauliZ: मानक कंपास (ऊपर/नीचे मापना)।
PauliX और PauliY: कंपास जो बाएं/दाएं या आगे/पीछे मापता है।
Custom Hermitian: एक विशेष, विशेष रूप से इस पहेली के लिए बनाया गया कस्टम कंपास।

उन्होंने लक्ष्य निर्धारित करने के दो तरीके भी आजमाए:

ग्लोबल कॉस्ट (Global Cost): हर एक हाइकर से उनकी स्थिति रिपोर्ट करने के लिए कहना (सभी क्यूबिट्स को मापना)।
लोकल कॉस्ट (Local Cost): केवल एक विशिष्ट हाइकर से रिपोर्ट करने के लिए कहना (केवल एक क्यूबिट को मापना)।

निष्कर्ष: क्या काम आया?

1. "ग्लोबल" टीम (सबको मापना)

जब उन्होंने पूरी टीम से रिपोर्ट करने के लिए कहा:

PauliX और PauliY: ये बहुत खराब थे। जैसे ही उन्होंने शोर जोड़ा, परिदृश्य तुरंत एक समतल रेगिस्तान बन गया। टीम तुरंत खो गई।
PauliZ: यह छोटी टीमों (6-8 लोगों तक) के लिए ठीक था, लेकिन जैसे ही टीम 10 तक बढ़ी, कोहरा बहुत घना हो गया और वे फंस गए।
कस्टम कंपास (Hermitian): यह सुपरहीरो था। शोर के साथ भी, इस कस्टम टूल ने न केवल जीवित रहने में सफलता पाई; बल्कि इसने शोर का उपयोग करके एक सुगम रास्ता बनाने में मदद की। इसने टीम को 10 क्यूबिट्स के साथ भी प्रभावी ढंग से प्रशिक्षण जारी रखने में सक्षम बनाया। इसने "समतल रेगिस्तान" को एक हल्की, लहरदार पहाड़ी में बदल दिया जिसे नेविगेट करना आसान था।

2. "लोकल" टीम (एक व्यक्ति को मापना)

जब उन्होंने केवल एक व्यक्ति से रिपोर्ट करने के लिए कहा:

PauliX और PauliY: अभी भी बहुत खराब। परिदृश्य एक समतल रेगिस्तान बना रहा।
PauliZ: यह सरप्राइज विजेता था। इस विशिष्ट सेटअप में, मानक कंपास (PauliZ) अविश्वसनीय रूप से मजबूत था। इसने रास्ता साफ रखा और टीम को 10 क्यूबिट्स तक सफलतापूर्वक प्रशिक्षित करने की अनुमति दी, भले ही शोर मौजूद था।

मुख्य सीख

यह शोध पत्र हमें अनुकूलन क्षमता (Adaptability) के बारे में एक मूल्यवान सबक सिखाता है।

अतीत में, वैज्ञानिकों ने सोचा था कि शोर केवल एक बुरी चीज़ है जिसे ठीक किया जाना चाहिए। यह पेपर दिखाता है कि शोर हमेशा दुश्मन नहीं होता। यदि आप सही "मापन उपकरण" (observable) और सही "लक्ष्य" (cost function) चुनते हैं, तो आप वास्तव में शोर का उपयोग करने के लिए इसे सक्षम बना सकते हैं।

उपमा (Analogy): कल्पना कीजिए कि आप तूफान में एक खोए हुए कुत्ते को खोजने की कोशिश कर रहे हैं।
- यदि आप गलत मानचित्र (PauliX/Y) का उपयोग करते हैं, तो तूफान मानचित्र को खाली कर देता है, और आप आगे नहीं बढ़ पाते।
- यदि आप एक मानक मानचित्र (PauliZ) का उपयोग करते हैं लेकिन पूरे पड़ोस को देखते हैं (Global), तो तूफान अंततः आपको अंधा कर देता है।
- लेकिन यदि आप तूफान के लिए बनाया गया एक कस्टम मानचित्र उपयोग करते हैं (Custom Hermitian) या यदि आप केवल एक विशिष्ट सड़क पर ध्यान केंद्रित करते हैं (Local Cost के साथ PauliZ), तो तूफान वास्तव में आपको कुत्ते तक पहुँचने में मदद करता है।

निष्कर्ष

लेखकों, HQNET ने सिद्ध किया कि हमारे क्वांटम कंप्यूटरों को कैसे मापा जाता है, इसे सावधानीपूर्वक चुनकर, हम उन्हें शोर के "समतल रेगिस्तानों" में खो जाने से रोक सकते हैं। यह एक व्यावहारिक रणनीति है जिससे हम उन दोषपूर्ण, शोर वाले मशीनों पर क्वांटम मशीन लर्निंग को काम करने के योग्य बना सकते हैं, बजाय इसके कि हम उन पूर्ण मशीनों की प्रतीक्षा करें जो शायद दशकों तक अस्तित्व में भी न हों।

यहाँ शोध पत्र "HQNET: NISQ युग में क्वांटम न्यूरल नेटवर्क के प्रभावी प्रशिक्षण के लिए क्वांटम शोर (Quantum Noise) का उपयोग करना" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र नोइज़ी इंटरमीडिएट-स्केल क्वांटम (NISQ) युग में क्वांटम न्यूरल नेटवर्क्स (QNNs) को प्रशिक्षित करने की महत्वपूर्ण चुनौती को संबोधित करता है। मुख्य बाधाएं हैं:

बैरन प्लेटो (Barren Plateaus - BPs): कॉस्ट फंक्शन लैंडस्केप के वे क्षेत्र जहाँ क्यूबिट्स की संख्या बढ़ने के साथ ग्रेडिएंट वेरिएंस (gradient variance) तेजी से शून्य हो जाता है, जिससे अनुकूलन (optimization) असंभव हो जाता है।
शोर त्वरण (Noise Acceleration): वर्तमान हार्डवेयर में निहित क्वांटम शोर (विशेष रूप से एम्प्लीट्यूड डैम्पिंग) बैरन प्लेटो की शुरुआत को तेज करता है, जिससे कॉस्ट लैंडस्केप समय से पहले सपाट हो जाता है और स्केलेबिलिटी में बाधा डालता है।
स्केलेबिलिटी सीमाएं (Scalability Limits): शोर और बैरन प्लेटो के संयुक्त प्रभावों के कारण वर्तमान QNNs कुछ ही क्यूबिट्स से आगे बढ़ने में संघर्ष करते हैं, जो मशीन लर्निंग कार्यों में उनके व्यावहारिक अनुप्रयोग को सीमित करता है।

मुख्य शोध प्रश्न यह है कि क्या क््यूबिट मेजरमेंट ऑब्जर्वेबल्स (qubit measurement observables) और कॉस्ट फंक्शन डेफिनिशन (ग्लोबल बनाम लोकल) के विशिष्ट चयन से शोर-प्रेरित BPs को कम किया जा सकता है या यहाँ तक कि प्रशिक्षण में सुधार के लिए शोर का लाभ उठाया जा सकता है।

2. कार्यप्रणाली (Methodology)

लेखक एक व्यवस्थित ढांचा (HQNET) प्रस्तावित करते हैं जो शोर, ऑब्जर्वेबल्स और QNN आर्किटेक्चर के बीच के अंतर्संबंध का विश्लेषण करता है।

QNN आर्किटेक्चर:
- एन्सात्ज़ (Ansatz): हार्डवेयर-एफिशिएंट एन्सात्ज़ जिसमें पैरामीटराइज्ड सिंगल-क्यूबिट रोटेशन ( $R_X, R_Y$ ) और निकटतम पड़ोसी एंटैंगलिंग गेट्स (Controlled-Z या CNOT) की वैकल्पिक परतें होती हैं।
- पैमाना (Scale): प्रयोग 4, 6, 8, और 10 क्यूबिट्स वाले QNNs पर किए गए।
- गहराई (Depth): 5 परतों पर स्थिर।
शोर मॉडल (Noise Model):
- एम्प्लीट्यूड डैम्पिंग (Amplitude Damping): इसे ऊर्जा क्षय (ऊर्जा का $|1\rangle$ से $|0\rangle$ में संक्रमण) को दर्शाने के लिए क्रॉस ऑपरेटरों (Kraus operators) के माध्यम से प्राथमिक शोर स्रोत के रूप में सिम्युलेट किया गया है।
मेजरमेंट ऑब्जर्वेबल्स (Measurement Observables):
अध्ययन चार अलग-अलग मेजरमेंट रणनीतियों का मूल्यांकन करता है:
1. पॉलीज़ ( $\sigma_z$ ): मानक कंप्यूटेशनल बेसिस मेजरमेंट।
2. पॉलीएक्स ( $\sigma_x$ ): $|+\rangle, |-\rangle$ बेसिस में मेजरमेंट।
3. पॉलीवाई ( $\sigma_y$ ): फेज रिलेशनशिप (phase relationships) से जुड़ा मेजरमेंट।
4. कस्टमाइज्ड हर्मिटीन ऑब्जर्वेबल (Customized Hermitian Observable): एक विशेष ऑपरेटर जिसे ऑल-ज़ीरो स्टेट ( $|00\dots0\rangle\langle00\dots0\rangle$ ) के प्रोजेक्टर के रूप में डिज़ाइन किया गया है। यह प्रशिक्षण उद्देश्य (Identity गेट सीखना) के साथ पूरी तरह से संरेखित है।
कॉस्ट फंक्शन डेफिनिशन (Cost Function Definitions):
- ग्लोबल कॉस्ट (Global Cost): कॉस्ट की गणना करने के लिए सभी क्यूबिट्स को मापा जाता है।
- लोकल कॉस्ट (Local Cost): कॉस्ट की गणना करने के लिए केवल एक सिंगल क्यूबिट को मापा जाता है।
कार्य (Task): QNNs को Identity फंक्शन सीखने के लिए प्रशिक्षित किया गया है (सिस्टम के $|00\dots0\rangle$ अवस्था में रहने की संभावना को अधिकतम करना)।
मूल्यांकन मेट्रिक्स (Evaluation Metrics):
- ऑप्टिमाइज़ेशन लैंडस्केप्स: फ्लैट क्षेत्रों (BPs) बनाम संरचित मिनिमा की पहचान करने के लिए कॉस्ट फंक्शन सतह का विज़ुअलाइज़ेशन।
- प्रशिक्षण अभिसरण (Training Convergence): लॉस रिडक्शन को मापने के लिए 50 इटरेशन में एडम ऑप्टिमाइज़र (लर्निंग रेट 0.1) का उपयोग।

3. प्रमुख योगदान (Key Contributions)

शोर-जागरूक ऑब्जर्वेबल चयन (Noise-Aware Observable Selection): शोध पत्र दर्शाता है कि मेजरमेंट ऑब्जर्वेबल का चुनाव एक महत्वपूर्ण हाइपरपैरामीटर है। यह दिखाता है कि जबकि शोर आम तौर पर लैंडस्केप को सपाट कर देता है, विशिष्ट ऑब्जर्वेबल्स संरचना बनाए रख सकते हैं।
शोर-प्रेरित लाभों की खोज (Discovery of Noise-Induced Benefits): इस धारणा के विपरीत कि शोर केवल हानिकारक होता है, लेखक दिखाते हैं कि ग्लोबल कॉस्ट सेटिंग में कस्टमाइज्ड हर्मिटीन ऑब्जर्वेबल शोर का "लाभ" उठा सकता है। शोर द्वारा लैंडस्केप का ट्रंकेशन (truncation) वास्तव में स्थानीय मिनिमा (local minima) को हटा देता है, जिससे ग्लोबल सॉल्यूशन की ओर एक सुचारू, व्यापक मार्ग बनता है।
ग्लोबल बनाम लोकल कॉस्ट फंक्शन डायनेमिक्स:
- ग्लोबल कॉस्ट: PauliX और PauliY शोर के तहत तुरंत विफल हो जाते हैं। PauliZ 8 क्यूबिट्स तक काम करता है। कस्टमाइज्ड हर्मिटीन ऑब्जर्वेबल 10 क्यूबिट्स तक सफल होता है।
- लोकल कॉस्ट: PauliZ सबसे बेहतर विकल्प बन जाता है, जो 10 क्यूबिट्स तक दक्षता बनाए रखता है, जबकि PauliX और PauliY अप्रभावी रहते हैं।
स्केलेबिलिटी विस्तार (Scalability Extension): प्रस्तावित रणनीतियाँ शोर वाले वातावरण में QNNs की प्रशिक्षित सीमा को ~6 क्यूबिट्स से बढ़ाकर 10 क्यूबिट्स तक कर देती हैं।

4. मुख्य परिणाम (Key Results)

A. ग्लोबल कॉस्ट फंक्शन (सभी क्यूबिट्स मापे गए)

PauliX और PauliY: शोर-मुक्त और शोर वाली दोनों स्थितियों में, ये ऑब्जर्वेबल्स पूरी तरह से सपाट लैंडस्केप का परिणाम देते हैं जिसमें कोई ग्लोबल मिनिमा नहीं होता, जिससे प्रशिक्षण तुरंत विफल हो जाता है (बैरन प्लेटो)।
PauliZ:
- शोर-मुक्त: अच्छा प्रदर्शन।
- शोर वाला: 6–8 क्यूबिट्स तक ट्रेनिबिलिटी बनाए रखता है। 10 क्यूबिट्स पर, लैंडस्केप काफी हद तक सपाट हो जाता है और प्रशिक्षण विफल हो जाता है।
कस्टमाइज्ड हर्मिटीन ऑब्जर्वेबल:
- प्रदर्शन: सबसे मजबूत रणनीति। यह एम्प्लीट्यूड डैम्पिंग शोर के साथ भी 10 क्यूबिट्स तक प्रभावी प्रशिक्षण सक्षम करता है।
- तंत्र (Mechanism): शोर लैंडस्केप को "ट्रंकेट" करता है, जिससे उथले स्थानीय मिनिमा समाप्त हो जाते हैं और ग्लोबल मिनिमम की ओर एक सुचारू, चौड़ा रास्ता बच जाता है। यह प्रभावी रूप से अभिसरण (convergence) को सुगम बनाने के लिए शोर का लाभ उठाता है।

B. लोकल कॉस्ट फंक्शन (सिंगल क्यूबिट मापा गया)

PauliX और PauliY: ग्लोबल सेटिंग के समान, ये सपाट लैंडस्केप का परिणाम देते हैं और प्रशिक्षण में विफल रहते हैं।
PauliZ:
- प्रदर्शन: शोर के प्रति मजबूत लचीलापन (resilience) प्रदर्शित करता है। यह एक डायनेमिक लैंडस्केप बनाए रखता है जिसमें समाधान की ओर कई चौड़े क्षेत्र होते हैं, जिससे 10 क्यूबिट्स तक सफल प्रशिक्षण संभव होता है।
- महत्व: यह रेखांकित करता है कि लोकल कॉस्ट फंक्शन PauliZ मेजरमेंट के लिए बैरन प्लेटो (BP) समस्या को कम कर सकते हैं, जिससे वे बिना कस्टम ऑब्जर्वेबल्स के भी NISQ डिवाइसेस के लिए अत्यधिक उपयुक्त बन जाते हैं।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह शोध पत्र वर्तमान NISQ हार्डवेयर पर QNNs को प्रशिक्षित करने के लिए एक व्यावहारिक रोडमैप प्रदान करता है:

शमन रणनीति (Mitigation Strategy): कॉस्ट फंक्शन के प्रकार (ग्लोबल बनाम लोकल) के आधार पर मेजरमेंट ऑब्जर्वेबल का सावधानीपूर्वक चयन करके, अभ्यासकर्ता बैरन प्लेटो की शुरुआत को काफी हद तक टाल या विलंबित कर सकते हैं।
प्रतिमान परिवर्तन (Paradigm Shift): यह कार्य शोर को केवल एक नकारात्मक कारक के रूप में देखने की धारणा को चुनौती देता है, यह प्रदर्शित करता है कि विशिष्ट कॉन्फ़िगरेशन (Custom Hermitian + Global Cost) में, शोर संरचनात्मक रूप से अनुकूलन लैंडस्केप को सरल बना सकता है।
व्यावहारिक प्रभाव: ये निष्कर्ष क्वांटम मशीन लर्निंग (QML) मॉडल की स्केलेबिलिटी में सुधार के लिए एक लो-ओवरहेड, सॉफ्टवेयर-स्तरीय रणनीति प्रदान करते हैं, जिससे पूर्ण एरर करेक्शन की आवश्यकता के बिना मौजूदा शोर वाले हार्डवेयर पर 10+ क्यूबिट्स तक स्केल करना संभव हो जाता है।

भविष्य का कार्य: लेखक अन्य शोर मॉडलों (जैसे डिपोलराइजिंग नॉइज़) और आइडेंटिटी फंक्शन से परे व्यापक समस्या डोमेन पर इस विश्लेषण को विस्तारित करने का सुझाव देते हैं।