⚛️ quantum physics

Exploiting many-body localization for scalable variational quantum simulation

यह शोध पत्र प्रदर्शित करता है कि वेरिएशनल क्वांटम एल्गोरिदम को मेनी-बॉडी लोकलाइज्ड चरण के भीतर इनिशियलाइज़ करना बैरन प्लेटो (barren plateaus) को कम करता है और प्रशिक्षण क्षमता को बढ़ाता है, जिससे गैर-शून्य ग्रेडिएंट्स को बनाए रखकर और यूनिटरी 2-डिजाइन निर्माण से बचकर समकालीन शोर वाले हार्डवेयर पर कुशल ग्राउंड स्टेट तैयारी सक्षम होती है।

मूल लेखक: Chenfeng Cao, Yeqing Zhou, Swamit Tannu, Nic Shannon, Robert Joynt

प्रकाशित 2026-02-26

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Chenfeng Cao, Yeqing Zhou, Swamit Tannu, Nic Shannon, Robert Joynt

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

यहाँ "Exploiting many-body localization for scalable variational quantum simulation" शोध पत्र का सरल, रोज़मर्रा की भाषा और रचनात्मक उपमाओं (analogies) के साथ अनुवाद दिया गया है।

बड़ी समस्या: क्वांटम कंप्यूटिंग का "सपाट रेगिस्तान" (Flat Desert)

कल्पना कीजिए कि आप एक विशाल, धुंधले पर्वत श्रृंखला में सबसे निचले बिंदु को खोजने की कोशिश कर रहे हैं। एक क्वांटम कंप्यूटर जटिल समस्याओं (जैसे नई दवाओं या सामग्रियों को डिजाइन करने) को हल करने के लिए यही करता है। यह एक "वेरिएशनल एल्गोरिदम" का उपयोग करता है, जो एक ऐसे हाइकर (पर्वतारोही) की तरह है जो अपने पैरों के नीचे ढलान को महसूस करके और ढलान की ओर कदम बढ़ाकर एक घाटी के निचले हिस्से को खोजने की कोशिश कर रहा है।

हालाँकि, यहाँ एक बहुत बड़ी समस्या है जिसे बैरन प्लेटो (Barren Plateaus) कहा जाता है।

कई क्वांटम सर्किटों में, "पर्वत श्रृंखला" वास्तव में पर्वत नहीं होती है। यह एक विशाल, पूरी तरह से सपाट रेगिस्तान है। हाइकर जिस भी दिशा में कदम बढ़ाता है, ज़मीन पूरी तरह से सपाट होती है। कंप्यूटर यह नहीं बता सकता कि किस दिशा में "नीचे" जाना है क्योंकि गणितीय "ग्रेडिएंट" (ढलान) इतना सूक्ष्म होता है कि वह शून्य में विलीन हो जाता है। जैसे-जैसे सिस्टम बड़ा होता जाता है (अधिक क्वबिट्स), यह रेगिस्तान और अधिक सपाट और चौड़ा होता जाता है, जिससे कंप्यूटर के लिए सीखना या समाधान खोजना असंभव हो जाता है।

समाधान: "जमा हुआ जंगल" (Many-Body Localization)

लेखकों ने इस सपाट रेगिस्तान से बचने के लिए एक चतुर तरकीब खोजी है। उन्होंने अपनी यात्रा को एक विशिष्ट प्रकार के परिदृश्य (terrain) में शुरू करने का निर्णय लिया जिसे मेनी-बॉडी लोकलाइजेशन (MBL) कहा जाता है।

MBL को एक जमे हुए, अराजक जंगल या एक जाम लगे ट्रैफिक जाम के रूप में सोचें।

एक सामान्य "थर्मल" सिस्टम में (सपाट रेगिस्तान): यदि आप नदी में एक पत्ता गिराते हैं, तो वह बह जाता है, सब कुछ में मिल जाता है, और आप यह नहीं बता सकते कि वह कहाँ से शुरू हुआ था। सिस्टम "थर्मलाइज" (साम्यावस्था प्राप्त करना) हो जाता है, और शुरुआती बिंदु के बारे में सारी जानकारी खो जाती है। यही सपाट रेगिस्तान (Barren Plateaus) का कारण बनता है।
एक MBL सिस्टम में (जमा हुआ जंगल): कल्पना कीजिए कि नदी जम कर ठोस हो गई है, या ट्रैफिक इतना जाम है कि कारें एक-दूसरे के पास से गुजर ही नहीं सकतीं। यदि आप यहाँ एक पत्ता गिराते हैं, तो वह ठीक वहीं रहता है जहाँ आपने उसे रखा था। सिस्टम "लोकलाइज्ड" (स्थानीयकृत) है। यह अपने शुरुआती स्थान को पूरी तरह से याद रखता है।

रणनीति: "जाम" वाले क्षेत्र में शुरुआत करना

शोधकर्ताओं ने महसूस किया कि यदि वे अपने क्वांटम कंप्यूटर को इस "जमे हुए जंगल" (Mly MBL चरण) में शुरू करते हैं, तो वे सपाट रेगिस्तान से बच सकते हैं।

सेटअप: उन्होंने एक विशिष्ट प्रकार का क्वांटम सर्किट बनाया (एक "फ्लोकेट" सर्किट)। इसे एक ऐसी मशीन के रूप में समझें जो सिस्टम को लयबद्ध तरीके से हिलाती है (जैसे एक "किक" या झटका देना)।
कंट्रोल नॉब (Control Knob): उनके पास एक नॉब है जिसे किक स्ट्रेंथ ( $W$ ) कहा जाता है।
- इसे बहुत अधिक घुमाने पर: झटका इतना हिंसक होता है कि सिस्टम पिघलकर तरल बन जाता है (Thermal phase)। जानकारी बिखर जाती है, ग्रेडिएंट गायब हो जाते हैं, और कंप्यूटर फंस जाता है।
- इसे बिल्कुल सही रखने पर (कम $W$ ): झटका इतना हल्का होता है कि सिस्टम "जाम" (MBL phase) बना रहता है। जानकारी स्थानीय बनी रहती है। हाइकर के पैरों के नीचे का "ढलान" एकदम स्पष्ट और तीव्र बना रहता है।

उपमा: रेडियो ट्यून करना

कल्पना कीजिए कि आप एक पुराने रेडियो को एक विशिष्ट गाने के लिए ट्यून करने की कोशिश कर रहे हैं।

रैंडम इनिशियलाइजेशन (यादृच्छिक शुरुआत): आप डायल को बेतरतीब ढंग से घुमाते हैं। आप शायद शोर (static) या एक सपाट रेखा (कोई सिग्नल नहीं) पर पहुँच जाएँ। यह एक अंदाज़ लगाने का खेल है।
थर्मल इनिशियलाइजेशन: आप डायल को बहुत तेज़ी से घुमाते हैं। सिग्नल सफेद शोर (white noise) में बिखर जाता है। आप गाना नहीं सुन पाते।
MBL इनिशियलाइजेशन: आप डायल को एक विशिष्ट स्थान से शुरू करते हैं जहाँ सिग्नल स्पष्ट और मजबूत है, भले ही वह थोड़ा सा स्टैटिक (शोर वाला) हो। क्योंकि सिग्नल मजबूत है, आप संगीत सुन सकते हैं और धीरे-धीरे डायल को समायोजित करके एकदम सटीक ध्वनि प्राप्त कर सकते हैं।

उन्होंने क्या किया (प्रयोग)

टीम ने केवल कंप्यूटर पर इसका सिमुलेशन नहीं किया; उन्होंने वास्तव में IBM द्वारा बनाए गए एक वास्तविक, शोर वाले क्वांटम प्रोसेसर (127-qubit ibm_brisbane) पर इसका परीक्षण किया।

परीक्षण: उन्होंने एक विशिष्ट मॉडल (किकेड हाइजेनबर्ग चेन) के ग्राउंड स्टेट (सबसे कम ऊर्जा) को खोजने की कोशिश की।
परिणाम:
- जब उन्होंने "थर्मल" (उच्च किक) सेटिंग के साथ शुरुआत की, तो ग्रेडिएंट गायब हो गए, और कंप्यूटर सीखने में विफल रहा।
- जब उन्होंने "MBL" (कम किक) सेटिंग के साथ शुरुआत की, तो ग्रेडिएंट मजबूत बने रहे। कंप्यूटर ने समाधान सफलतापूर्वक खोज लिया, भले ही उन्होंने अधिक क्वबिट्स जोड़े हों।
- उन्होंने साबित किया कि शुरुआत में "जमे हुए जंगल" में रहकर, कंप्यूटर सपाट रेगिस्तान में खोए बिना अनुकूलन (optimization) कर सकता है।

यह क्यों महत्वपूर्ण है

यह क्वांटम कंप्यूटिंग के भविष्य के लिए एक गेम-चेंजर है।

स्केलेबिलिटी (Scalability): यह दिखाता है कि हम बड़े क्वांटम कंप्यूटर बना सकते हैं बिना इस डर के कि वे सपाट ग्रेडिएंट के कारण बेकार हो जाएंगे।
दक्षता (Efficiency): यह समय और ऊर्जा बचाता है। लाखों रैंडम शुरुआती बिंदुओं को आज़माने के बजाय, हम एक "स्मार्ट" स्थान (MBL चरण) से शुरू कर सकते हैं जहाँ कंप्यूटर जानता है कि कैसे सीखना है।
वास्तविक प्रमाण: वास्तविक हार्डवेयर पर इसे सिद्ध करके, उन्होंने दिखाया कि यह केवल एक गणितीय सिद्धांत नहीं है; यह आज के शोर वाले, अपूर्ण मशीनों पर भी काम करता है।

सारांश

यह शोध पत्र कहता है: "अपनी क्वांटम यात्रा की शुरुआत उस अराजक, पिघलते हुए मिश्रण में न करें जहाँ सब कुछ आपस में मिल जाता है। एक जमे हुए, जाम वाले क्षेत्र में शुरुआत करें जहाँ चीजें अपनी जगह पर टिकी रहती हैं। यह 'ढलान' को तीव्र बनाए रखता है, जिससे कंप्यूटर वास्तव में सीख पाता है और समस्याओं को हल कर पाता है, भले ही समस्याएँ कितनी भी बड़ी क्यों न हो जाएँ।"

उन्होंने भौतिकी की एक घटना (लोकलाइजेशन) को क्वांटम एल्गोरिदम को प्रशिक्षित करने योग्य और स्केलेबल बनाने के लिए एक व्यावहारिक उपकरण में बदल दिया।

यहाँ शोध पत्र "Exploiting many-body localization for scalable variational quantum simulation" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

वेरिएशनल क्वांटम एल्गोरिदम (VQAs), जैसे कि वेरिएशनल क्वांटम आइजनसोल्वर (VQE), निकट-अवधि (near-term) हार्डवेयर पर क्वांटम लाभ प्राप्त करने के लिए एक अग्रणी दृष्टिकोण हैं। हालाँकि, उनकी स्केलेबिलिटी बैरन प्लेटो (barren plateaus) द्वारा गंभीर रूप से बाधित होती है: ये अनुकूलन परिदृश्य (optimization landscape) के वे क्षेत्र हैं जहाँ सिस्टम के आकार ( $n$ ) के साथ कॉस्ट फंक्शन के ग्रेडिएंट तेजी से (exponentially) लुप्त हो जाते हैं।

मूल कारण: बैरन प्लेटो आमतौर पर तब उत्पन्न होते हैं जब पैरामीटराइज्ड क्वांटम सर्किट (ansatz) बहुत अधिक अभिव्यंजक (expressive) हो जाता है, जो प्रभावी रूप से एक यूनिटरी 2-डिजाइन (unitary 2-design) (हाार-रैंडम वितरण का अनुमान) बन जाता है। इस शासन (regime) में, एंटैंगलमेंट एंट्रॉपी एक वॉल्यूम लॉ (volume law) का पालन करती है, जिससे कॉस्ट ग्रेडिएंट शून्य के आसपास केंद्रित हो जाते हैं।
वर्तमान सीमाएँ: मौजूदा शमन रणनीतियाँ (जैसे लेयर-वाइज़ ट्रेनिंग, विशिष्ट एंसेट संरचनाएं, या "क्लोज-टू-आइडेंटिटी" इनिशियलाइजेशन) अक्सर अभिव्यक्तता और प्रशिक्षण क्षमता (trainability) के बीच संतुलन बनाने में संघर्ष करती हैं या सामान्य हैमिल्टोनियन के लिए प्रभावी ढंग से स्केल करने में विफल रहती हैं।

2. कार्यप्रणाली (Methodology)

लेखक मेनी-बॉडी लोकलाइजेशन (MBL) पर आधारित एक नवीन इनिशियलाइजेशन रणनीति का प्रस्ताव करते हैं ताकि अनुकूलन के महत्वपूर्ण प्रारंभिक चरणों के दौरान सर्किट को बैरन प्लेटो शासन में प्रवेश करने से रोका जा सके।

A. फ्लोकेट-इनिशियलाइज्ड हार्डवेयर-एफिशिएंट एंसेट (Floquet-Initialized Hardware-Efficient Ansatz)

सर्किट आर्किटेक्चर: लेखक एक यूनिवर्सल, हार्डवेयर-एफिशिएंट लेयर्ड एंसेट का उपयोग करते हैं जिसमें $D$ परतें होती हैं। प्रत्येक परत में सिंगल-क्विबिट ( $R_x, R_z$ ) और टू-क्विबिट ( $R_{xx}, R_{yy}, R_{zz}$ ) पॉली रोटेशन शामिल हैं।
फ्लोकेट इनिशियलाइजेशन: पैरामीटर्स को स्वतंत्र रूप से रैंडमाइज करने के बजाय, सर्किट को लेयर रेप्लिकेशन (layer replication) के साथ इनिशियलाइज किया जाता है। सभी परतें समान पैरामीटर्स साझा करती हैं जो एक विशिष्ट वितरण से लिए गए हैं:
- स्टेडी पैरामीटर्स (Steady Parameters): स्ट्रॉन्ग क्वेंच्ड डिसऑर्डर (quenched disorder) पेश करने के लिए $[-\pi, \pi)$ से यूनिफॉर्मली सैंपल किए गए हैं।
- किक पैरामीटर्स (Kick Parameters): $[-W, W]$ से यूनिफॉर्मली सैंपल किए गए हैं, जहाँ $W$ किक स्ट्रेंथ (kick strength) है।
भौतिक सादृश्य (Physical Analogy): यह सेटअप एक आवधिक रूप से संचालित (periodically driven) डिसऑर्डर्ड क्वांटम सिस्टम का अनुकरण करता है।
- कम $W$ (MBL फेज): सिस्टम लोकलाइज्ड रहता है, ट्रायल स्टेट की मेमोरी को सुरक्षित रखता है और एरिया-लॉ (area-law) एंटैंगलमेंट प्रदर्शित करता है।
- उच्च $W$ (थर्मल फेज): सिस्टम थर्मलाइज होता है, जिससे वॉल्यूम-लॉ एंटैंगलमेंट और रैंडमाइजेशन (यूनिटरी 2-डिजाइन व्यवहार) होता है।

B. अनुकूलन प्रोटोकॉल (Optimization Protocol)

ट्रायल स्टेट: एक कम-जटिलता वाला क्लासिकल ट्रायल स्टेट $|\psi_t\rangle$ (जैसे कि मैट्रिक्स प्रोडक्ट स्टेट या हार्ट्री-फॉक से) तैयार किया जाता है।
एनकोडिंग: एक शैलो चैनल $E_t$ $|\psi_t\rangle$ को कंप्यूटेशनल बेसिस स्टेट $|\phi_c\rangle$ में मैप करता है।
वेरिएशनल इवोल्यूशन: फ्लोकेट-इनिशियलाइज्ड सर्किट $\hat{U}(\vartheta)$ $|\phi_c\rangle$ पर कार्य करता है।
डिकोडिंग: इन्वर्स चैनल $E_t^{-1}$ आउटपुट को वापस लॉजिकल फ्रेम में मैप करता है।
ट्रेनिंग: पैरामीटर्स को ग्रेडिएंट डिसेंट के माध्यम से अपडेट किया जाता है। महत्वपूर्ण रूप से, जबकि सर्किट को MBL फेज में इनिशियलाइज किया जाता है, पैरामीटर्स को अनुकूलन के दौरान स्वतंत्र रूप से विकसित होने की अनुमति दी जाती है, लेकिन यह परिकल्पना की जाती है कि प्रक्षेपवक्र (trajectory) यूनिटरी 2-डिजाइन सीमा से दूर एक "ट्रेनेबल" क्षेत्र के भीतर रहता है।

3. प्रमुख योगदान और सैद्धांतिक ढांचा (Key Contributions & Theoretical Framework)

A. MBL–थर्मलाइजेशन ट्रांजिशन का लक्षण वर्णन

लेखक किक स्ट्रेंथ $W$ द्वारा नियंत्रित वेरिएशनल सर्किट में एक विशिष्ट फेज ट्रांजिशन को परिभाषित करते हैं। वे ट्रांजिशन पॉइंट $W^*$ की पहचान करने के लिए तीन डायग्नोस्टिक्स पेश करते हैं:

इनवर्स पार्टिसिपेशन रेशियो (IPR): यह सिद्ध करता है कि MBL फेज में, आउटपुट स्टेट ट्रायल स्टेट के प्रति लोकलाइज्ड रहता है (उच्च IPR), जबकि थर्मल फेज में, यह डेलोकलाइज (delocalize) हो जाता है (निम्न IPR)। वे IPR और यूनिटरी $t$ -डिजेंस के बीच संबंध स्थापित करते हैं (थ्योरम 1)।
एंटैंगलमेंट एंट्रॉपी: एरिया-लॉ स्केलिंग (MBL) से वॉल्यूम-लॉ स्केलिंग (थर्मल) की ओर संक्रमण को प्रदर्शित करता है।
लो-वेट स्टेबलाइजर रेनी एंट्रॉपी ( $M_{t,k}$ ): स्टेट की "मैजिक" (नॉन-स्टेबिलाइज़नेस) को मापने के लिए पेश किया गया एक नया मेट्रिक।
- थ्योरम 2: दिखाता है कि $M_{t,k}$ उच्च-क्रम के यूनिटरी डिजाइन्स ( $2t$ -designs) के विरुद्ध एक साक्षी (witness) के रूप में कार्य करता है।
- MBL फेज में, $M_{t,k}$ $O(1)$ रहता है, जो दर्शाता है कि स्टेट हार-रैंडम से बहुत दूर है। थर्मल फेज में, यह हार बेंचमार्क के करीब पहुँच जाता है।

B. प्रशिक्षण क्षमता पर सैद्धांतिक गारंटी (Theoretical Guarantees on Trainability)

अवलोकन 1: MBL फेज ( $W < W^*$ ) के भीतर इनिशियलाइज करना यह सुनिश्चित करता है कि स्थानीय क्षेत्रों की वॉन न्यूमैन एंट्रॉपी पेज वैल्यू (Page value) से नीचे सीमित रहती है, जो गणितीय रूप से बैरन प्लेटो की घटना को रोकता है (जिसके लिए उच्च एंट्रॉपी आवश्यक है)।
थ्योरम 3: MBL और थर्मल पैरामीटर्स के बीच एक लीनियर पाथ के साथ ग्रेडिएंट नॉर्म का निचला स्तर (lower bound) प्रदान करता है। यह सिद्ध करता है कि यदि प्रारंभिक अवस्था MBL फेज में है, तो ग्रेडिएंट मैग्नीट्यूड सिस्टम साइज के इनवर्स-पॉलीनोमियल में रहता है, जो प्रशिक्षण क्षमता सुनिश्चित करता है।

4. परिणाम (Results)

A. संख्यात्मक सिमुलेशन (Numerical Simulations)

फेज ट्रांजिशन: 1D रिंग और सर्कुलेंट ग्राफ टोपोलॉजी पर सिमुलेशन ने एक क्रिटिकल किक स्ट्रेंथ $W^*$ (जैसे, 1D रिंग के लिए $W^* \approx 0.9$ ) पर एक स्पष्ट संक्रमण की पुष्टि की। $W^*$ के नीचे, ग्रेडिएंट्स सिस्टम साइज बढ़ने के साथ स्थिर रहे; $W^*$ के ऊपर, ग्रेडिएंट्स तेजी से (exponentially) कम हो गए।
अनुकूलन प्रदर्शन: लेखकों ने चार चरणों (एंडर्सन लोकलाइज्ड, एक्सटेंडेड, MBL, और एर्गोडिक) में ऑब्री-आंद्रे मॉडल (Aubry-André model) का परीक्षण किया।
- MBL इनिशियलाइजेशन: $n=18$ तक के सिस्टम साइज के लिए लगातार 1.0 के करीब (सटीक ग्राउंड स्टेट) एप्रोक्सिमेशन रेश्यो प्राप्त किया।
- रैंडम/थर्मल इनिशियलाइजेशन: सिस्टम साइज बढ़ने के साथ तेजी से विफल रहा, अक्सर लोकल मिनिमा में फंस गया या बैरन प्लेटो के कारण कन्वर्ज होने में विफल रहा।
- ट्रैजेक्टरी विश्लेषण: MBL इनिशियलाइजेशन से शुरू होने वाला अनुकूलन प्रक्षेपवक्र पूरी प्रक्रिया के दौरान हार बेंचमार्क (निम्न $M_{2,2}$ ) से दूर रहा, जिससे बैरन प्लेटो क्षेत्र से बचाव हुआ।

B. प्रायोगिक सत्यापन (Experimental Verification)

हार्डवेयर: प्रयोग IBM Brisbane प्रोसेसर (127 क्वबिट्स) पर किए गए।
सेटअप: 31 क्वबिट्स तक एक किक्ड हाइजेनबर्ग चेन (फेरोमैग्नेटिक) का अनुकरण किया गया।
निष्कर्ष:
- प्रायोगिक डेटा ने $W$ बढ़ने के साथ ग्रेडिएंट मैग्नीट्यूड में एक स्पष्ट फेज ट्रांजिशन दिखाया।
- एक क्रिटिकल पॉइंट $W^* \approx 0.5$ देखा गया (हार्डवेयर शोर के कारण सैद्धांतिक $0.8$ से विस्थापित होकर)।
- इस थ्रेशोल्ड के नीचे, ग्रेडिएंट्स सुरक्षित रहे, और अनुकूलन थर्मल या रैंडम इनिशियलाइजेशन की तुलना में निम्न ऊर्जा अवस्थाओं तक सफलतापूर्वक अभिसरण (converge) हुआ।

5. महत्व और प्रभाव (Significance and Impact)

स्केलेबिलिटी समाधान: यह कार्य बैरन प्लेटो समस्या को दूर करने के लिए एक ठोस, प्रयोगात्मक रूप से सत्यापित रणनीति प्रदान करता है, जो VQAs को उपयोगी समस्या आकारों तक स्केल करने में एक बड़ी बाधा है।
फिजिक्स-इंफॉर्म्ड एल्गोरिदम डिज़ाइन: यह कंडेंस्ड मैटर फिजिक्स (MBL) और क्वांटम कंप्यूटिंग को जोड़ता है, यह प्रदर्शित करता है कि भौतिक अवस्थाएँ (लोकलाइजेशन बनाम थर्मलइजेशन) सीधे एल्गोरिथमिक प्रशिक्षण क्षमता (trainability) से मैप की जा सकती हैं।
हार्डवेयर दक्षता: यह विधि बिना किसी एरर करेक्शन की आवश्यकता के वर्तमान NISQ उपकरणों पर काम करती है, जो डिकोहेरेंस (decoherence) के प्रति MBL सिस्टम की प्राकृतिक लचीलेपन का लाभ उठाती है।
सामान्यीकरण (Generalizability): हालांकि इसे विशिष्ट मॉडलों पर प्रदर्शित किया गया है, यह ढांचा सुझाव देता है कि जटिल हैमिल्टोनियन के ग्राउंड स्टेट्स तैयार करने के लिए वेरिएशनल सर्किट को लोकलाइज्ड फेज के भीतर "वार्म-स्टार्ट" करना एक व्यवहार्य सामान्य रणनीति है, जो उन समस्याओं को हल करने में सक्षम बना सकती है जिन्हें अनुकूलन विफलताओं के कारण पहले क्लासिकली कठिन माना जाता था।

संक्षेप में, यह शोध पत्र प्रदर्शित करता है कि वेरिएशनल क्वांटम सर्किट को मेनी-बॉडी लोकलाइज्ड फेज के भीतर इनिशियलाइज करके, हम मजबूत ग्रेडिएंट बनाए रख सकते हैं और बैरन प्लेटो से बच सकते हैं, जिससे वर्तमान हार्डवेयर पर स्केलेबल और कुशल क्वांटम सिमुलेशन संभव हो पाता है।