⚛️ quantum physics

Formulation and evaluation of ocean dynamics problems as optimization problems for quantum annealing machines

यह शोध पत्र प्रदर्शित करता है कि जहाँ सिम्युलेटेड एनीलिंग (simulated annealing) इसे एक अनुकूलन कार्य के रूप में प्रस्तुत करके शास्त्रीय स्टोमेल महासागरीय गतिकी (Stommel ocean dynamics) समस्या को सफलतापूर्वक हल करती है, वहीं वर्तमान क्वांटम एनीलिंग हार्डवेयर प्रतिबंधित कनेक्टिविटी के कारण महत्वपूर्ण सीमाओं का सामना करता है, जो इस बात पर प्रकाश डालता है कि क्वांटम मशीनों द्वारा भू-भौतिकीय गतिकी को प्रभावी ढंग से मॉडल करने से पहले हार्डवेयर और एल्गोरिदम में सुधार की आवश्यकता है।

मूल लेखक: Takuro Matsuta, Ryo Furue

प्रकाशित 2026-03-24

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Takuro Matsuta, Ryo Furue

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 मौसम की भविष्यवाणी करने या समुद्र की धाराओं की गति को समझने की कोशिश कर रहे हैं। ये अविश्वसनीय रूप से जटिल पहेलियाँ हैं। महासागर और वायुमंडल विशाल, घूमते हुए तरल पदार्थों की तरह हैं जहाँ हर बूंद दूसरी बूंद के साथ परस्पर क्रिया करती है। इन पहेलियों को सुलझाने के लिए, वैज्ञानिक आमतौर पर भौतिकी का अनुकरण (simulate) करने के लिए सुपरकंप्यूटरों का उपयोग करते हैं। लेकिन जैसे-जैसे हमारे कंप्यूटर पुराने होते जा रहे हैं और एक सीमा तक पहुँच रहे हैं (मूर का नियम धीमा हो रहा है), हमें इन समस्याओं को हल करने के लिए निरंतर रखने हेतु एक नए प्रकार के इंजन की आवश्यकता है।

यहाँ क्वांटम एनीलिंग (Quantum Annealing) का प्रवेश होता है। इस शोध पत्र को एक "टेस्ट ड्राइव" रिपोर्ट की तरह समझें, जो एक नए, भविष्यवादी कार इंजन के बारे में है जो एक पुराने, क्लासिक नेविगेशन समस्या को हल करने की कोशिश कर रहा है।

यहाँ शोधकर्ताओं द्वारा किए गए कार्यों का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. समस्या: एक नदी को पहेली में बदलना

वैज्ञानिक समुद्र की धाराओं के एक प्रसिद्ध, सरल मॉडल जिसे स्टोमेल समस्या (Stommel Problem) कहा जाता है, को हल करना चाहते थे।

पुराना तरीका: आमतौर पर, आप इसे एक ग्रिड (जैसे शतरंज का बोर्ड) में तोड़कर और हर वर्ग पर गणित लगाकर हल करते हैं। यह एक जंगल में हर एक पत्ते पर कदम रखकर चलने जैसा है।
नया तरीका (शोध पत्र का विचार): कदम-दर-कदम चलने के बजाय, उन्होंने पूरी समस्या को एक न्यूनतमकरण खेल (minimization game) में बदल दिया। कल्पना कीजिए कि आपके पास एक ऊबड़-खाबड़ परिदृश्य है (पहाड़ों और घाटियों वाला क्षेत्र)। लक्ष्य सबसे गहरी घाटी (सबसे निचला बिंदु) को खोजना है। भौतिकी में, घाटी की "गहराई" आपके समाधान में "त्रुटि" (error) का प्रतिनिधित्व करती है। घाटी जितनी गहरी होगी, उत्तर उतना ही बेहतर होगा।

2. दो हाइकर: सिम्युलेटेड एनीलिंग (SA) बनाम क्वांटम एनीलिंग (QA)

उस सबसे गहरी घाटी को खोजने के लिए, शोधकर्ताओं ने दो अलग-अलग "हाइकर" (एल्गोरिदम) का उपयोग किया:

सिम्युलेटेड एनीलिंग (SA) – "थर्मल हाइकर":
कल्पice करें कि एक हाइकर घाटी के निचले हिस्से को खोजने की कोशिश कर रहा है। यदि वह किसी छोटे उभार से टकराता है, तो वह फंस सकता है। इससे बचने के लिए, यह हाइकर बेतरतीब ढंग से कूदने (jump) की अनुमति देता है। कभी-कभी वे एक पहाड़ी के ऊपर कूदते हैं (जो मूर्खतापूर्ण लगता है), लेकिन यह उन्हें छोटी, उथली गड्ढों से बाहर निकलने में मदद करता है ताकि वे सबसे गहरी घाटी पा सकें। यह कांच के डिब्बे में कंचों को सबसे निचले स्थान पर बैठने के लिए हिलाने जैसा है।
- परिणाम: इस पद्धति ने पूरी तरह से काम किया। इसने हर बार सही समुद्री धाराओं के पैटर्न खोज लिए।
क्वांटम एनीलिंग (QA) – "घोस्ट हाइकर" (भूतिया हाइकर):
यह फैंसी नई तकनीक है। केवल चलने या कूदने के बजाय, कल्पना करें कि एक "घोस्ट" हाइकर है जो एक ही समय में कई जगहों पर हो सकता है (क्वांटम सुपरपोजिशन)। वे दीवारों के माध्यम से "टनल" (tunneling) भी कर सकते हैं, बजाय इसके कि वे ऊपर चढ़ें।
- चुनौती: शोधकर्ताओं ने D-Wave द्वारा बनाई गई एक वास्तविक मशीन का उपयोग किया। इस मशीन को एक बहुत ही विशिष्ट, कठोर भूलभुलैया के रूप में समझें। यह "घोस्ट हाइकर" केवल विशिष्ट रूप से जुड़े कमरों के बीच ही चल सकता है। यदि समस्या के लिए हाइकर को दो ऐसे कमरों के बीच कूदने की आवश्यकता है जो जुड़े हुए नहीं हैं, तो मशीन को काम करने के लिए एक लंबा, जटिल पुल (जिसे ग्राफ एम्बेडिंग कहा जाता है) बनाना पड़ता है।
- परिणाम: घोस्ट हाइकर रास्ता भटक गया। क्योंकि वास्तविक महासागरीय समस्या बहुत जटिल है और मशीन के "कमरे" बहुत सीमित हैं, हाइकर सही पुल नहीं बना सका। मशीन उथले गड्ढों में फंस गई और गलत उत्तर दिए, विशेष रूप से जब समस्या बड़ी हो गई।

3. दो मानचित्र: ग्रिड बनाम वेव्स (तरंगें)

शोधकर्ताओं ने अपने महासागरीय मानचित्र को बनाने के दो तरीके आजमाए:

ग्रिड (फाइनाइट डिफरेंस): महासागर को एक वर्गाकार शतरंज के बोर्ड में तोड़ना।
वेव (स्पेक्ट्रल एक्सपेंशन): महासागर को चिकनी लहरों (जैसे एक संगीत स्वर) के मिश्रण के रूप में वर्णित करना।

ग्रिड: "थर्मल हाइकर" (SA) यहाँ बहुत अच्छा प्रदर्शन करता है। "घोस्ट हाइकर" (QA) यहाँ विफल रहा, जब तक कि मानचित्र बहुत छोटा (कम रिज़ॉल्यूशन वाला) न हो।
वेव: "घोस्ट हाइकर" यहाँ थोड़ा बेहतर रहा, लेकिन फिर भी संघर्ष करता रहा। समस्या यह है कि "वेव" पद्धति में, हर स्वर (note) दूसरे स्वर के साथ परस्पर क्रिया करता है। यह कनेक्शनों का एक विशाल, उलझा हुआ जाल बनाता है जिसे वर्तमान वायरिंग के साथ D-Wave मशीन संभाल नहीं सकती।

4. "ज़ूम" ट्रिक

इन मशीनों पर गणित को काम करने योग्य बनाने के लिए, शोधकर्ताओं ने इटेरेशन (iteration) नामक एक चतुर ट्रिक का उपयोग किया।

कल्पना कीजिए कि आप 1 और 100 के बीच एक संख्या का अनुमान लगाने की कोशिश कर रहे हैं।
राउंड 1: आप "50" का अनुमान लगाते हैं।
राउंड 2: आपको एहसास होता है कि यह 40 और 60 के बीच है, इसलिए आप "ज़ूम इन" करते हैं और "45" का अनुमान लगाते हैं।
राउंड 3: आप फिर से ज़ूम इन करते हैं।
शोधकर्ताओं ने पाया कि हजारों वेरिएबल्स के साथ एक ही बड़ी छलांग लगाने के बजाय, कम वेरिएबल्स के साथ इस "ज़ूमिंग" को करना क्वांटम मशीन के लिए बेहतर काम करता है।

निष्कर्ष क्या है?

अच्छी खबर: गणित काम करता है। हम वास्तव में महासागर और मौसम की समस्याओं को ऑप्टिमाइज़ेशन गेम्स में बदल सकते हैं जिन्हें क्वांटम कंप्यूटर सैद्धांतिक रूप से हल कर सकते हैं। "थर्मल हाइकर" (क्लासिकल सिमुलेशन) ने सिद्ध किया कि अवधारणा ठोस है।
बुरी खबर: वर्तमान क्वांटम मशीनें (जैसे D-Wave) बहुत छोटी और बहुत कठोर हैं। वे एक खिलौना कार की तरह हैं जो फॉर्मूला 1 रेस चलाने की कोशिश कर रही है। वे इसलिए फंस जाते हैं क्योंकि चिप पर "सड़कें" (कनेक्टिविटी) इतनी जुड़ी हुई नहीं हैं कि वे महासागरीय गतिकी के जटिल ट्रैफिक को संभाल सकें।
भविष्य: यदि हम बड़े क्वांटम कंप्यूटर बनाएं जिनमें अधिक कनेक्शन (बेहतर "सड़कें") हों और बेहतर सॉफ्टवेयर हो जो समस्याओं को उन पर मैप कर सके, तो यह तकनीक जलवायु परिवर्तन और समुद्री धाराओं की भविष्यवाणी करने के तरीके में क्रांति ला सकती है।

संक्षेप में: शोधकर्ता सफलतापूर्वक एक क्लासिकल कंप्यूटर को क्वांटम लॉजिक का उपयोग करके एक महासागरीय पहेली को हल करना सिखाने में सफल रहे। उन्होंने फिर उस पहेली को एक वास्तविक क्वांटम कंप्यूटर को सौंपने की कोशिश की, लेकिन कंप्यूटर बहुत छोटा था और उसमें कनेक्शन बहुत कम थे, जिससे वह पहेली हल नहीं कर सका। यह एक आशाजनक शुरुआत है, लेकिन हमारे सुपरकंप्यूटरों को बदलने से पहले इसके हार्डवेयर को एक गंभीर अपग्रेड की आवश्यकता है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र भू-भौतिकीय तरल गतिकी (विशेष रूप से महासागरीय और वायुमंडलीय परिसंचरण) की समस्याओं को हल करने के लिए क्वांटम एनीलिंग (QA) का उपयोग करने की चुनौती को संबोधित करता है।

संदर्भ: पारंपरिक हाई-परफॉर्मेंस कंप्यूटिंग (HPC) मूर के नियम (Moore's Law) के समाप्त होने और जलवायु मॉडलों में सबग्रिड-स्केल इंटरैक्शन को पैरामीटराइज़ करने की कठिनाई के कारण सीमाओं का सामना कर रही है।
लक्ष्य: यह निर्धारित करना कि क्या QA मशीनें (विशेष रूप से D-Wave सिस्टम) महासागरीय गतिकी का वर्णन करने वाले आंशिक अंतर समीकरणों (PDEs) को संयोजी अनुकूलन समस्याओं (combinatorial optimization problems) के रूप में पुनर्गठित करके हल कर सकती हैं।
मुख्य चुनौती: QA मशीनें बाइनरी स्पिन वेरिएबल्स ( $\sigma \in \{-1, 1\}$ ) पर कार्य करती हैं और उनमें सीमित हार्डवेयर कनेक्टिविटी होती है, जबकि महासागरीय गतिकी को जटिल ग्रिड पर निरंतर वास्तविक-मान वाले वेरिएबल्स द्वारा वर्णित किया जाता है।

2. कार्यप्रणाली (Methodology)

लेखक एक ऐसा ढांचा प्रस्तावित करते हैं जो रैखिक PDEs को इज़िंग मॉडल (क्वाड्रेटिक अनकन्स्ट्रेंड बाइनरी ऑप्टिमाइज़ेशन समस्याओं) में परिवर्तित करता है जो एनीलिंग के लिए उपयुक्त हैं।

A. समस्या का निरूपण (Problem Formulation)

सामान्य रैखिक PDE को $L[f](\mathbf{x}) = 0$ के रूप में परिभाषित किया गया है। समाधान को $L_2$ नॉर्म कॉस्ट फंक्शन को न्यूनतम करके प्राप्त किया जाता है:
$H = \|L[f]\|^2 = \int_0^1 \int_0^1 |L[f](x,y)|^2 dx dy$

B. विवेकीकरण रणनीतियाँ (Discretization Strategies)

कॉस्ट फंक्शन $H$ को विवेकीकृत करने के लिए दो विधियों का उपयोग किया गया है:

फाइनाइट डिफरेंस मेथड (Finite Difference Method): डोमेन को ग्रिड ( $N \times N$ ) में विभाजित किया गया है। PDE रैखिक समीकरणों की एक प्रणाली $A\mathbf{w} - \mathbf{v} = 0$ बन जाता है। कॉस्ट फंक्शन को लीस्ट स्क्वेयर्स के माध्यम से न्यूनतम किया जाता है, जिसके परिणामस्वरूप एक क्वाड्रेटिक फॉर्म $H(\mathbf{w}) = \sum J_{ij}w_i w_j + \sum h_i w_i$ प्राप्त होता है।
ट्रंकेटेड स्पेक्ट्रल एक्सपेंशन (Truncated Spectral Expansion): समाधान $f(\mathbf{x})$ को ऑर्थोगोनल बेसिस फंक्शन्स (जैसे फूरियर साइन सीरीज़) की एक ट्रंकेटेड सीरीज़ द्वारा अनुमानित किया जाता है। कॉस्ट फंक्शन को विस्तार गुणांकों (expansion coefficients) के संदर्भ में व्यक्त किया जाता है।

C. इज़िंग मॉडल में मैपिंग (Mapping to Ising Model)

चूंकि QA मशीनों को बाइनरी इनपुट की आवश्यकता होती है, इसलिए वास्तविक-मान वाले गुणांकों ( $w_i$ ) को बाइनरी एक्सपेंशन का उपयोग करके स्पिन वेरिएबल्स ( $\sigma$ ) में मैप किया जाता है:
$w_i = c_i + s_i \sum_{\alpha=0}^{n_{spin}} \frac{\sigma_i^{(\alpha)}}{2^\alpha}$

पुनरावृत्ति प्रक्रिया (Iteration Procedure): क्वबिट संख्या को विस्फोटित किए बिना सटीकता में सुधार करने के लिए, लेखक एक इटरेटिव "ज़ूमिंग" दृष्टिकोण का उपयोग करते हैं। प्रत्येक इपॉक (epoch) में, पिछले परिणाम के आसपास खोज सीमा को संकुचित करके समाधान को परिष्कृत किया जाता है।

D. एनीलिंग एल्गोरिदम (Annealing Algorithms)

अध्ययन दो सॉल्वर की तुलना करता है:

सिम्युलेटेड एनीलिंग (SA): एक क्लासिकल प्रोबेबिलिस्टिक एल्गोरिदम जो स्थानीय मिनिमा से बचने के लिए थर्मल फ्लक्चुएशन (मेट्रोपोलिस एल्गोरिदम) का उपयोग करता है।
क्वांटम एनीलिंग (QA): D-Wave Advantage_system4.1 मशीन का उपयोग करता है। यह ग्राउंड स्टेट खोजने के लिए क्वांटम टनलिंग और ट्रांसवर्स फील्ड्स का उपयोग करता है।
- प्रतिबंध: D-Wave की सीमित कनेक्टिविटी (पेगासस ग्राफ) के कारण, ग्राफ एम्बेडिंग की आवश्यकता होती है। यह लॉजिकल स्पिन को फिजिकल क्वबिट्स में मैप करता है, जिसके लिए अक्सर एक लॉजिकल स्पिन को दर्शाने के लिए कई फिजिकल क्वबिट्स की आवश्यकता होती है और हैमिल्टोनियन में पेनल्टी टर्म्स जोड़ने पड़ते हैं।

3. मुख्य योगदान (Key Contributions)

ढांचा विकास (Framework Development): स्टोमल समस्या (एक विंड-ड्रिवन ओशन गाइर मॉडल) को सफलतापूर्वक एक अनुकूलन समस्या के रूप में तैयार किया, जिसे QA द्वारा हल किया जा सकता है।
विधि तुलना: फाइनाइट डिफरेंस बनाम स्पेक्ट्रल एक्सपेंशन, और इटरेटिव बनाम डायरेक्ट (लार्ज स्पिन नंबर) बाइनरी एनकोडिंग का व्यवस्थित रूप से तुलना की गई।
हार्डवेयर मूल्यांकन: भू-भौतिकीय अनुप्रयोगों के लिए वर्तमान D-Wave हार्डवेयर क्षमताओं और सीमाओं का यथार्थवादी मूल्यांकन प्रदान किया।
नॉनलीनर विस्तार: एक सरल नॉनलीनर साधारण अंतर समीकरण (ODE) के लिए स्पेक्ट्रल एक्सपेंशन पद्धति के सैद्धांतिक विस्तार का प्रदर्शन किया (जिसमें 4-स्पिन इंटरैक्शन को संभालने के लिए डिग्री रिडक्शन एल्गोरिदम की आवश्यकता होती है)।

4. परिणाम (Results)

A. सिम्युलेटेड एनीलिंग (SA) प्रदर्शन

सफलता: SA ने स्टोमल समस्या के लिए "वास्तविक" समाधान (जो मानक लीनियर अलजेब्रा के माध्यम से गणना किया गया था) को सफलतापूर्वक पुनरुत्पादित किया।
हाइपरपैरामीटर्स: सटीकता स्केल फैक्टर ( $S$ $S$ ) और स्पिन की संख्या ( $n_{spin}$ $n_{s p in}$ ) के प्रति अत्यधिक संवेदनशील थी।
- $S=0.8$ के स्केल फैक्टर ने $S=0.5$ की तुलना में बेहतर परिणाम दिए।
- $n_{spin}$ को 2 से बढ़ाकर 3 करने से सटीकता में सुधार हुआ, लेकिन $S$ को अनुकूलित करने की तुलना में और अधिक वृद्धि से घटते प्रतिफल (diminishing returns) मिले।
निष्कर्ष: यह दृष्टिकोण के लिए SA एक मजबूत क्लासिकल बेसलाइन है।

B. क्वांटम एनीलिंग (QA) प्रदर्शन

हाई रेजोल्यूशन विफलता: $11 \times 11$ $11 \times 11$ ग्रिड (फाइनाइट डिफरेंस) के लिए, QA अच्छे समाधान खोजने में विफल रहा। कॉस्ट फंक्शन उच्च बना रहा, और स्ट्रीमफंक्शन गलत था।
- कारण: हार्डवेयर शोर (noise), अत्यधिक एनीलिंग समय की आवश्यकता, और ग्राफ एम्बेडिंग का ओवरहेड (जिसने बहुत अधिक पेनल्टी टर्म्स और क्वबिट्स पेश किए)।
लो रेजोल्यूशन सफलता: जब ग्रिड को $5 \times 5$ तक कम किया गया, तो QA ने $10^{-2}$ से कम के कॉस्ट फंक्शन के साथ समाधान को सफलतापूर्वक पुनरुत्पादित किया।
स्पेक्ट्रल एक्सपेंशन:
- लो-ऑर्डर एक्सपेंशन ( $n_x=10$ ) के लिए, QA ने SA परिणामों से मेल खाया।
- उच्च क्रम ( $n_x=20$ ) के लिए, QA एक उचित गाइर संरचना (gyre structure) तक अभिसरण करने में विफल रहा। स्पेक्ट्रल मोड की घनी कनेक्टिविटी ने ग्राफ एम्बेडिंग को अक्षम बना दिया, जिससे सहायक क्वबिट्स (auxiliary qubits) और त्रुटियों की संख्या बढ़ गई।
नॉनलीनर टेस्ट: एक सरल नॉनलीनर ODE टेस्ट में, SA और QA दोनों ने सही गुणांकों को पाया, लेकिन QA की सटीकता (Cost $\sim 10^{-4}$ ) SA (Cost $\sim 10^{-7}$ ) की तुलना में कम थी।

C. इटरेशन बनाम लार्ज स्पिन नंबर

इटरेशन: कम स्पिन प्रति वेरिएबल ( $n_{spin}=2$ ) के साथ एक इटरेटिव प्रक्रिया का उपयोग करने से SA को उच्च सटीकता तक पहुँचने में मदद मिली।
डायरेक्ट एनकोडिंग: एक ही शॉट में बड़ी संख्या में स्पिन ( $n_{spin}=5$ या $8$) का उपयोग करना SA के लिए अच्छा रहा लेकिन QA के लिए विफल रहा, भले ही एनीलिंग समय ( $1000 \mu s$ ) लंबा था। बढ़ी हुई क्वबिट संख्या ने शोर और एम्बेडिंग की समस्याओं को और बढ़ा दिया।

5. महत्व और निष्कर्ष (Significance and Conclusion)

हार्डवेयर सीमाएँ: महासागरीय गतिकी को लागू करने के लिए प्राथमिक बाधा वर्तमान क्वांटम एनीलर्स की सीमित कनेक्टिविटी है। ग्राफ एम्बेडिंग समस्या के आकार को काफी बढ़ा देता है और त्रुटियाँ भी पैदा करता है, जिससे उच्च-रिज़ॉल्यूशन या स्पेक्ट्रल विधियाँ वर्तमान में अव्यावहारिक हो जाती हैं।
SA की क्षमता: सिम्युलेटेड एनीलिंग यह सिद्ध करती है कि फॉर्मूलेशन (PDEs को अनुकूलन समस्याओं के रूप में प्रस्तुत करना) वैध और प्रभावी है। यह सुझाव देता है कि यदि हार्डवेयर में सुधार होता है, तो कार्यप्रणाली सही है।
भविष्य की संभावना:
- व्यावहारिक अनुप्रयोग के लिए या तो हार्डवेयर सुधार (उच्च कनेक्टिविटी ग्राफ) या बेहतर ग्राफ एम्बेडिंग एल्गोरिदम की आवश्यकता है।
- हालांकि वर्तमान QA मशीनें इन विशिष्ट समस्याओं के लिए क्लासिकल सॉल्वर की तुलना में अभी तक तेज़ या अधिक सटीक नहीं हैं, फिर भी भविष्य में गति (पॉलीनोमियल बनाम एक्सपोनेंशियल समय) की संभावना एक प्रेरक कारक बनी हुई है।
- यह शोध पत्र निष्कर्ष निकालता है कि जबकि क्वांटम गेट कंप्यूटिंग और टेंसर नेटवर्क भी आशाजनक हैं, QA भू-भौतिकी में संयोजी अनुकूलन (combinatorial optimization) के लिए एक अलग मार्ग प्रदान करता है, बशर्ते हार्डवेयर की बाधाओं को दूर कर लिया जाए।

संक्षेप में, यह शोध पत्र प्रदर्शित करता है कि हालांकि क्वांटम एनीलिंग के लिए महासागरीय गतिकी का गणितीय निरूपण संभव है, वर्तमान हार्डवेयर सीमाएँ (कनेक्टिविटी और शोर) वास्तविक, उच्च-रिज़ॉल्यूशन वाली समस्याओं को हल करने से रोकती हैं। यह दृष्टिकोण वर्तमान में केवल मोटे-स्तर (coarse-grained) या निम्न-क्रम के स्पेक्ट्रल सन्निकटन के लिए ही व्यवहार्य है।