⚛️ quantum physics

Qubit-efficient quantum combinatorial optimization solver

यह शोध पत्र एक क्यूबिट-कुशल (qubit-efficient) वेरिएशनल क्वांटम एल्गोरिदम प्रस्तुत करता है जो पारंपरिक एक-से-एक मैपिंग की तुलना में कम क्यूबिट का उपयोग करके संभावित समाधानों को एंटैंगल्ड वेव फंक्शन्स (entangled wave functions) में मैप करता है, जो निकट-अवधि के क्वांटम उपकरणों पर शेरिंगटन-कर्कपैट्रिक स्पिन ग्लास समस्याओं को हल करने के लिए आशाजनक प्रदर्शन गारंटी और पैरामीटर एकाग्रता (parameter concentration) प्रदर्शित करता है।

मूल लेखक: Bhuvanesh Sundar, Maxime Dupont

प्रकाशित 2026-03-24

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Bhuvanesh Sundar, Maxime Dupont

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। आपके पास हजारों टुकड़े (चर/variables) हैं जिन्हें सबसे अच्छा स्कोर पाने के लिए पूरी तरह से व्यवस्थित करने की आवश्यकता है। क्वांटम कंप्यूटिंग की दुनिया में, ये "टुकड़े" आमतौर पर qubits नामक छोटे चिप्स पर संग्रहीत किए जाते हैं।

समस्या क्या है? वर्तमान क्वांटम कंप्यूटर छोटे, शोर वाले (noisy) टूलबॉक्स की तरह हैं। उनमें केवल कुछ दर्जन क्यूबिट्स होते हैं, लेकिन वास्तविक दुनिया की पहेलियाँ (जैसे वैश्विक आपूर्ति श्रृंखला को अनुकूलित करना या पावर ग्रिड का प्रबंधन करना) अक्सर हजारों चरों वाली होती हैं। पारंपरिक रूप से, क्वांटम कंप्यूटरों को प्रत्येक चर के लिए एक क्यूबिट की आवश्यकता होती है। यदि आपके पास 1,000 चर हैं, तो आपको 1,000 क्यूबिट चाहिए। चूंकि हमारे पास अभी इतने क्यूबिट नहीं हैं, इसलिए हम बड़ी समस्याओं को हल नहीं कर सकते।

यह शोध पत्र एक चतुर नई तकनीक पेश करता है जिसे "Qubit-Efficient Solver" कहा जाता है, जो एक जादुगत संपीड़न उपकरण (magic compression tool) की तरह काम करता है। यह कैसे काम करता है, इसके लिए सरल उपमाओं का उपयोग किया गया है:

1. पुराना तरीका: प्रत्येक फ़ाइल के लिए एक फाइलिंग कैबिनेट

कल्पना कीजिए कि आपके पास 1,000 दस्तावेज़ हैं। पुराने तरीके में, आपको 1,000 अलग-अलग फाइलिंग कैबिनेट (क्यूबिट्स) की आवश्यकता है ताकि उन्हें स्टोर किया जा सके। यदि आपके पास केवल 10 कैबिनेट हैं, तो आप केवल 10 दस्तावेज़ ही रख सकते हैं। आप फंस गए हैं।

2. नया तरीका: "स्मार्ट लाइब्रेरियन" सिस्टम

लेखक एक नया सिस्टम प्रस्तावित करते हैं जहाँ आपको प्रत्येक दस्तावेज़ के लिए एक कैबिनेट की आवश्यकता नहीं होती है। इसके बजाय, आप एक स्मार्ट लाइब्रेरियन (क्वांटम सर्किट) और एक रोटेटिंग शेल्फ (क्यूबिट्स) का उपयोग करते हैं।

सेटअप: आप अपने 1,000 दस्तावेज़ों को 4 के 250 समूहों में विभाजित करते हैं।
हार्डवेयर: आपको केवल 5 क्यूबिट्स (कैबिनेट) की आवश्यकता है।
- 2 क्यूबिट्स "लेबल" (एक लाइब्रेरियन के इंडेक्स कार्ड की तरह) के रूप में कार्य करेंगे, यह बताने के लिए कि हम अभी दस्तावेजों के किस समूह को देख रहे हैं।
- 3 क्यूबिट्स "डेटा" शेल्फ के रूप में कार्य करेंगे जहाँ वास्तविक दस्तावेज़ संग्रहीत होते हैं।
जादू: क्वांटम कंप्यूटर सभी 1,000 दस्तावेज़ों को एक साथ स्थिर रूप से स्टोर नहीं करता है। इसके बजाय, यह एक सुपरपोजिशन (एक ही समय में कई स्थानों पर होने की क्वांटम अवस्था) बनाता है। यह एक "वेव" (तरंग) रखता है जिसमें सभी समूह शामिल होते हैं।
- जब आप कंप्यूटर से पूछते हैं, "समूह 1 में क्या है?" तो यह "लेबल" क्यूबिट्स की जांच करता है। यदि लेबल "समूह 1" कहता है, तो "डेटा" क्यूबिट्स तुरंत आपको उस समूह के 4 दस्तावेज़ दिखा देते हैं।
- यदि आप समूह 2 के बारे में पूछते हैं, तो लेबल बदल जाता है, और डेटा क्यूबिट्स शिफ्ट होकर समूह 2 को दिखाने लगते हैं।

उपमा: इसे एक कैरौसेल (carousel) की तरह सोचें। 1,000 कारों के लिए एक विशाल पार्किंग स्थल (क्यूबिट्स) बनाने के बजाय, आप 4 स्थानों वाला एक छोटा, घूमता हुआ कैरौसेल बनाते हैं। कैरौसेल इतनी तेज़ी से घूमता है कि वह एक साथ लॉट की हर कार का प्रतिनिधित्व करता है। आपको बस एक कंट्रोलर (लेबल) की आवश्यकता है जो आपको बताए कि जब आप किसी कार को देखना चाहें तो कैरौसेल को कहाँ रोकना है।

3. पहेली को हल करना (अनुकूलन/Optimization)

अब, हम पहेली को कैसे हल करते हैं?

लक्ष्य: दस्तावेजों के उस विन्यास (arrangement) को खोजना जो सबसे अच्छा स्कोर देता है।
प्रक्रिया: कंप्यूटर एक विशेष नृत्य (Variational Quantum Circuit) करता है। यह कैरौसेल को घुमाता है, स्कोर की जांच करता है, इसे अलग तरह से घुमाता है, और फिर से जांच करता है।
ट्विस्ट: क्योंकि कंप्यूटर एक बार में दस्तावेजों के समूहों को देख रहा है, इसलिए उसे यह अनुमान लगाना होगा कि समूह आपस में कैसे इंटरैक्ट करते हैं। यह एक "मीन-फील्ड" (mean-field) दृष्टिकोण का उपयोग करता है—मूल रूप से, यह मानता है, "यदि समूह A अच्छा कर रहा है, तो समूह B भी शायद ठीक ही होगा," और इस अनुमान को बार-बार परिष्कृत करता है।

4. यह एक बड़ी बात क्यों है

छोटे उपकरणों के साथ बड़ी समस्याओं को हल करना: यह तरीका हमें उन क्वांटम कंप्यूटरों का उपयोग करके हजारों चरों वाली समस्याओं को हल करने की अनुमति देता है जिनमें केवल कुछ मुट्ठी भर क्यूबिट्स होते हैं। यह 1,000 टुकड़ों वाली जिग्सॉ पहेली को एक छोटे 10-टुकड़ों वाले बॉक्स का उपयोग करके हल करने जैसा है।
वास्तविक दुनिया का परीक्षण: लेखकों ने केवल कागज पर गणित नहीं किया। उन्होंने वास्तव में इसे एक वास्तविक क्वांटम चिप (Rigetti का Anка) पर चलाया और यह काम कर गया! उन्होंने एक छोटे "स्पिन-ग्लास" समस्या (एक क्लासिक, कठिन भौतिकी पहेली) को हल किया और उनके परिणाम लगभग सटीक सिमुलेशन से मेल खाते थे।
"क्लस्टरिंग" का रहस्य: उन्होंने कुछ दिलचस्प खोजा: कई प्रकार की समस्याओं के लिए, "डांस स्टेप्स" (पैरामीटर्स) जिन्हें कंप्यूटर को लेने की आवश्यकता होती है, बहुत समान होते हैं, चाहे समस्या कितनी भी बड़ी क्यों न हो। इसका मतलब है कि हमें हर नई पहेली के लिए नया डांस सीखने की ज़रूरत नहीं है; हम पहले से ज्ञात स्टेप्स को फिर से उपयोग कर सकते हैं, जिससे बहुत समय बचता है।

निचोड़ (The Bottom Line)

यह शोध पत्र क्वांटम दुनिया के लिए एक कंप्रेशन एल्गोरिदम खोजने जैसा है। जिस तरह ज़िप (ZIP) फाइलें इंटरनेट पर बड़े फोल्डर भेजने के लिए कम बैंडविड्थ का उपयोग करती हैं, उसी तरह यह "क्विबिट-एफिशिएंट" तरीका हमें बड़ी अनुकूलन समस्याओं को छोटे, शोर वाले क्वांटम कंप्यूटरों पर भेजने की अनुमति देता है।

यह शोर (noise) की समस्या को हल नहीं करता है (कंप्यूटर अभी भी थोड़ा अस्थिर है), लेकिन यह हमें आज जो अस्थिर कंप्यूटर हमारे पास हैं, उनका उपयोग उन समस्याओं को हल करने के लिए करने का एक तरीका देता है जिन्हें पहले उन मशीनों की आवश्यकता मानी जाती थी जो हमारे पास दशकों बाद होंगी। यह "हमारे पास जो है" से "हमें जिसकी आवश्यकता है" तक का एक सेतु है।

यहाँ भुवनेश सुंदर और मैक्सिम डुपोंट (रिगेटी कंप्यूटिंग) के शोध पत्र "Qubit-efficient quantum combinatorial optimization solver" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

वर्तमान क्वांटम कंप्यूटर, विशेष रूप से नोइज़ी इंटरमीडिएट-स्केल क्वांटम (NISQ) उपकरण, वास्तविक दुनिया की कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन समस्याओं (जैसे लॉजिस्टिक्स, सप्लाई चेन) के लिए आवश्यक हजारों वेरिएबल्स की तुलना में सीमित क्वबिट संख्या (दहाई से सैकड़ों तक) से जूझ रहे हैं।

बाधा (The Bottleneck): मानक क्वांटम एल्गोरिदम, जैसे कि क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन एल्गोरिदम (QAOA), एक एक-वेरिएबल-टू-एक-क्विबिट मैपिंग पर निर्भर करते हैं। यह उन्हें वर्तमान हार्डवेयर पर बड़े पैमाने की समस्याओं के लिए अव्यवहारिक बनाता है।
समझौता (The Trade-off): मौजूदा "क्विबिट-एफिशिएंट" विधियाँ (जैसे सर्किट कटिंग, एम्प्लीट्यूड एनकोडिंग, या डिकंपोज़िशन) अक्सर भारी क्लासिकल कम्प्यूटेशनल ओवरहेड उत्पन्न करती हैं, या जटिल एरर करेक्शन की आवश्यकता होती है, या विशिष्ट समस्या प्रकारों तक सीमित होती हैं।
लक्ष्य: एक ऐसा एल्गोरिदम विकसित करना जो वेरिएबल्स की संख्या ( $N$ ) की तुलना में काफी कम क्वबिट्स ( $q \ll N$ ) का उपयोग करके बड़ी कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन समस्याओं को हल कर सके, जबकि समाधान की गुणवत्ता बनाए रखी जा जाए और क्लासिकल ओवरहेड को न्यूनतम किया जाए।

2. कार्यप्रणाली (Methodology)

लेखक एक क्विबिट-एफिशिएंट एनकोडिंग प्रस्तावित करते हैं जो एक वेरिएशनल क्वांटम एल्गोरिदम के साथ मिलकर काम करता है और QAOA का सामान्यीकरण (generalize) करता है।

A. क्विबिट-एफिशिएंट एनकोडिंग (Many-to-One Mapping)

$N$ वेरिए्स को $N$ क्वबिट्स में मैप करने के बजाय, यह एल्गोरिदम $N$ बाइनरी वेरिएबल्स ( $z_1, \dots, z_N$ ) को $q = d + \log_2(N/d)$ क्वबिट्स पर मैप करता है।

ग्रुपिंग (Grouping): $N$ वेरिएबल्स को $N/d$ समूहों में विभाजित किया जाता है, जिनमें से प्रत्येक में $d$ वेरिएबल्स होते हैं।
स्टेट रिप्रेजेंटेशन (State Representation): समाधान को एक एंटैंगल्ड वेव फंक्शन के रूप में एनकोड किया जाता है:
$|\phi(z)\rangle = \sum_{\ell=0}^{N/d-1} \lambda_\ell |\ell\rangle_{\text{label}} \otimes |z_\ell\rangle_{\text{data}}$
- लेबल क्वबिट्स ( $\log_2(N/d)$ ): समूह के इंडेक्स $\ell$ को स्टोर करते हैं।
- डेटा क्वबिट्स ( $d$ ): चयनित समूह के $d$ वेरिएबल्स के मानों को स्टोर करते हैं।
- तंत्र (Mechanism): लेबल क्वबिट्स का एक प्रोजेक्टिव मेजरमेंट यह निर्धारित करता है कि डेटा क्वबिट्स में कौन सा समूह के वेरिएबल्स "एक्टिव" हैं। पूर्ण समाधान इन एंटैंगल्ड स्टेट्स के सुपरपोजिशन में संग्रहीत होता है।

B. वेरिएशनल एंसेट (Variational Ansatz - Generalized QAOA)

लेखक एक वेरिएशनल सर्किट प्रस्तावित करते हैं जहाँ कॉस्ट हैमिल्टोनियन लेयर-डिपेंडेंट और स्टेट-डिपेंडेंट होता है।

कॉस्ट फंक्शन एस्टीमेशन: चूंकि वेव फंक्शन एक प्रोडक्ट स्टेट के रूप में सभी वेरिएबल्स को एक साथ नहीं रखता है, इसलिए कॉस्ट फंक्शन $C(z)$ $C (z)$ को कंडीशनल एक्सपेक्टेशन वैल्यूज का उपयोग करके अनुमानित किया जाता है।
- एक ही समूह के वेरिएबल्स ( $\ell_i = \ell_j$ ) से जुड़े टर्म्स को पोस्ट-सिलेक्शन के माध्यम से सीधे मापा जाता है।
- अलग-अलग समूहों के वेरिएबल्स ( $\ell_i \neq \ell_j$ ) से जुड़े टर्म्स को मीन-फील्ड एप्रोक्सिमेशन ( $\bar{z}_i \times \bar{z}_j$ ) का उपयोग करके अनुमानित किया जाता है।
हैमिल्टोनियन कंस्ट्रक्शन: प्रभावी हैमिल्टोनियन $\hat{H}[\psi]$ , पिछले वेव फंक्शन $|\psi\rangle$ पर निर्भर करता है क्योंकि कॉस्ट एस्टीमेशन की प्रकृति नॉन-लीनियर है।
सर्किट स्ट्रक्चर: एंसेट में निम्नलिखित के वैकल्पिक लेयर्स शामिल हैं:
1. मिक्सिंग (Mixing): ट्रांसवर्स फील्ड रोटेशन्स ( $e^{-i\beta \hat{H}_x}$ )।
2. फेज सेपरेशन (Phase Separation): कंट्रोल्ड यूनिटरीज ( $e^{-i\gamma \hat{H}[\psi]}$ ) जहाँ कंट्रोल लेबल क्वबिट्स है और टारगेट डेटा क्वबिट्स है।
सिमेट्री ब्रेकिंग (Symmetry Breaking): मानक एंसेट $Z_2$ सिमेट्री ( $z$ और $-z$ का सुपरपोजिशन) से ग्रस्त होता है, जो ग्राउंड स्टेट कॉस्ट तक अभिसरण (convergence) को रोकता है। लेखक समाधान को एक विशिष्ट ग्राउंड स्टेट की ओर झुकाने के लिए एक सिमेट्री-ब्रेकिंग टर्म ( $\hat{H}_z$ ) पेश करते हैं।

C. एडेप्टिव वर्जन (Adaptive Version)

यह शोध पत्र एक एडेप्टिव क्विबिट-एफिशिएंट QAOA (ADAPT-QAOA से प्रेरित) का भी अन्वेषण करता है, जहाँ मिक्सर ऑपरेटर्स को ग्रेडिएंट मैग्नीट्यूड के आधार पर डायनेमिक रूप से एक पूल से चुना जाता है ताकि एंसेट को लेयर-दर-लेयर बनाया जा सके।

3. मुख्य योगदान (Key Contributions)

नया एनकोडिंग स्कीम: एक जेनेरिक मैनी-टू-वन मैपिंग पेश की गई जो $N$ वेरिएबल्स को $O(\log N)$ क्वबिट्स (यदि $d=1$ हो) या एक ट्यूनेबल संख्या $d + \log(N/d)$ में स्टोर करती है, जो सर्किट कटिंग के घातीय (exponential) क्लासिकल ओवरहेड के बिना क्वबिट्स की आवश्यकता को काफी कम करती है।
सामान्यीकृत QAOA: एक ऐसा वेरिएशनल एल्गोरिदम विकसित किया गया जहाँ कॉस्ट हैमिल्टोनियन को पिछले लेयर के मेजरमेंट आउटकम्स के आधार पर क्लासिकली अपडेट किया जाता है, जिससे सर्किट एनकोडिंग में निहित नॉन-लीनियर कॉस्ट एस्टीमेशन को संभाल सकता है।
पैरामीटर कंसंट्रेशन (Parameter Concentration): यह प्रदर्शित किया गया कि इस एंसेट के अनुकूलतम पैरामीटर्स क्लस्टरिंग (मानक QAOA के समान) प्रदर्शित करते हैं। महत्वपूर्ण रूप से, एक समस्या आकार $N$ के लिए अनुकूलित पैरामीटर्स को बड़े $N$ (जैसे, $N=64$ से $N=128$ ) के लिए रीस्केल और पुन: उपयोग किया जा सकता है, जिससे क्लासिकल ऑप्टिमाइजेशन ओवरहेड काफी कम हो जाता है।
प्रायोगिक सत्यापन: इसे रिगेटी के Ankaa™-9Q-3 सुपरकंडक्टिंग चिप पर सफलतापूर्वक निष्पादित किया गया, जिसने नॉइलेस सिमुलेशन के साथ उच्च सहसंबंध (पियर्सन $r=0.997$ ) दिखाया।

4. परिणाम (Results)

बेंचमार्किंग (Sherrington-Kirkpatrick Models):
- SK स्पिन-ग्लास मॉडल्स पर $N=64$ और $N=128$ वेरिएबल्स के लिए परीक्षण किया गया।
- प्रदर्शन: एल्गोरिदम ने मानक QAOA ( $d=N$ $d = N$ ) के तुलनीय एप्रोक्सिमेशन रेश्यो प्राप्त किए, लेकिन काफी कम क्वबिट्स के साथ।
  - उदाहरण के लिए, एक एंसेट जिसमें $d=2$ था ( $N=64$ के लिए केवल 8 क्वबिट्स का उपयोग करते हुए), ने मानक QAOA ( $p=1$ लेयर) के तुलनीय परिणाम दिए, जबकि इसमें 8 गुना कम क्वबिट्स का उपयोग किया गया था।
  - $d=1$ के मामले में ( $N=64$ के लिए $\approx 7$ क्वबिट्स का उपयोग करते हुए), इसने $p=2$ लेयर्स वाले मानक QAOA को भी पीछे छोड़ दिया।
पैरामीटर रीस्केलिंग (Parameter Rescaling):
- पाया गया कि अनुकूलतम पैरामीटर्स $\gamma \propto d/N^{3/2}$ के रूप में स्केल होते हैं।
- $N=64$ के लिए अनुकूलित पैरामीटर्स का उपयोग करने और उन्हें रीस्केल करने से एल्गोरिदम को उच्च सटीकता के साथ $N=128, 256, 512$ इंस्टेंस हल करने में मदद मिली, जो पैरामीटर कंसंट्रेशन गुण की पुष्टि करता है।
एडेप्टिव दृष्टिकोण:
- एडेप्टिव वर्जन ने गहराई $p$ के साथ एप्रोक्सिमेशन रेश्यो में निरंतर सुधार दिखाया, हालांकि कुछ मामलों में यह फिक्स्ड-स्ट्रक्चर एंसेट की तुलना में जल्दी संतृप्त (saturate) हो गया, जो मिक्सर पूल चयन में अनुकूलन की गुंजाइश का सुझाव देता है।
हार्डवेयर प्रदर्शन:
- रिगेटी के 9-क्वबिट चिप पर प्रायोगिक परिणामों ने शोर के कारण लागत परिमाण (cost magnitude) में $\sim 15\%$ की कमी दिखाई, लेकिन लैंडस्केप संरचना बरकरार रही, जो इस दृष्टिकोण की व्यवहार्यता को प्रमाणित करती है।

5. महत्व और भविष्य की संभावनाएं (Significance and Future Outlook)

निकट-अवधि उपयोगिता (Near-Term Utility): यह दृष्टिकोण वर्तमान छोटे-पैमाने के क्वांटम डिवाइसेस (दहाई से सैकड़ों क्वबिट्स) पर सैकड़ों वेरिएबल्स वाली ऑप्टिमाइज़ेशन समस्याओं को हल करने में सक्षम बनाता है, जो NISQ क्षमताओं और व्यावहारिक समस्या आकारों के बीच के अंतर को पाटता है।
स्केलेबिलिटी (Scalability): पैरामीटर कंसंट्रेशन गुण यह सुझाव देता है कि जैसे-जैसे क्वांटम हार्डवेयर बढ़ेगा, अनुकूलतम पैरामीटर्स खोजने का क्लासिकल खर्च समस्या के आकार के साथ रैखिक रूप से नहीं बढ़ेगा, जिससे यह एल्गोरिदम अत्यधिक कुशल बन जाएगा।
फॉल्ट टॉलरेंस (Fault Tolerance): यह विधि भविष्य के फॉल्ट-टोलरेंट छोटे-पैमाने के क्वांटम कंप्यूटरों के लिए भी लागू है, जो बड़े समस्याओं को हल करने का एक तरीका प्रदान करती है भले ही लॉजिकल क्वबिट काउंट सीमित रहे।
बहुमुखी प्रतिभा (Versatility): हालांकि इसका परीक्षण SK मॉडल्स पर किया गया है, लेकिन यह एनकोडिंग और एंसेट सामान्य है और इसे अन्य कॉम्बिनेटोरियल समस्याओं (QUBO, MaxCut) और संभावित रूप से क्वांटम मशीन लर्निंग अनुप्रयोगों के लिए विस्तारित किया जा सकता है।

निष्कर्ष: यह शोध पत्र क्वांटम ऑप्टिमाइज़ेशन में क्वबिट की बाधा को दूर करने के लिए एक मजबूत ढांचा प्रस्तुत करता है। एंटैंगल्ड वेव फंक्शन और स्टेट-डिपेंडेंट हैमिल्टोनियन का लाभ उठाकर, यह पारंपरिक तरीकों की तुलना में बहुत कम क्वबिट्स के साथ उच्च-गुणवत्ता वाले समाधान प्राप्त करता है, जिसे संख्यात्मक और प्रायोगिक दोनों रूप से सत्यापित किया गया है।