⚛️ quantum physics

Elevating Variational Quantum Semidefinite Programs for Polynomial Objectives

यह शोध पत्र प्रोडक्ट-स्टेट लिफ्टिंग (PSL) को प्रस्तुत करता है, जो एक संसाधन-कुशल एनकोडिंग विधि है जो वेरिएशनल क्वांटम सेमीडेफिनेट प्रोग्राम्स को अपग्रेड करके केवल रैखिक संसाधन वृद्धि के साथ सामान्य $k$ -डिग्री बहुपद अनुकूलन समस्याओं को हल करती है, जिससे शास्त्रीय विश्राम (क्लासिकल रिलैक्सेशन) की स्केलेबिलिटी सीमाओं को दूर किया जा सके।

मूल लेखक: Iria W. Wang, Robin Brown, Taylor L. Patti, Anima Anandkumar, Marco Pavone, Susanne F. Yelin

प्रकाशित 2026-04-14

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Iria W. Wang, Robin Brown, Taylor L. Patti, Anima Anandkumar, Marco Pavone, Susanne F. Yelin

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

मुख्य विचार: क्वांटम सहायता से कठिन पहेलियों को हल करना

कल्पना कीजिए कि आप एक विशाल, अविश्वसनीय रूप से कठिन पहेली को हल करने की कोशिश कर रहे हैं (जैसे दुनिया की हर उड़ान के लिए सबसे अच्छा शेड्यूल खोजने या एक जटिल कोड को तोड़ने की कोशिश करना)। गणित की दुनिया में, इन्हें NP-hard समस्याएँ कहा जाता है। ये इतनी कठिन हैं कि सबसे तेज़ सुपरकंप्यूटर भी उन्हें पूरी तरह से हल करने में सदियों लगा देते हैं।

इससे बचने के लिए, वैज्ञानिक अनुमानित एल्गोरिदम (approximation algorithms) नामक "शॉर्टकट" का उपयोग करते हैं। वे परफेक्ट उत्तर नहीं खोजते; वे एक बहुत अच्छा उत्तर खोजते हैं जिसे जल्दी से पाया जा सके।

दशकों से, इन पहेलियों के लिए सबसे अच्छा शॉर्टकट सेमीडेफिनेट प्रोग्रामिंग (SDP) नामक एक विधि रही है। SDP को एक "मास्टर की" (master key) के रूप में सोचें जो क्वाड्रेटिक (quadratic) टुकड़ों वाली पहेलियों के लिए बहुत अच्छा काम करती है (ऐसे टुकड़े जो जोड़ों में परस्पर क्रिया करते हैं, जैसे दो लोगों का हाथ मिलाना)।

समस्या:
कई वास्तविक दुनिया की पहेलियाँ केवल जोड़ों के बारे में नहीं होतीं। उनमें तीन, चार या उससे अधिक चीजों का एक साथ मिलना-जुलना शामिल होता है (जैसे एक ग्रुप चैट जहाँ हर कोई हर किसी को प्रभावित करता है)। गणितीय शब्दों में, ये उच्च-क्रम बहुपद (higher-order polynomial) समस्याएँ हैं।

पुराना तरीका: इन जटिल पहेलियों पर मास्टर की (SDP) का उपयोग करने के लिए, क्लासिकल कंप्यूटरों को इन बड़े समूह इंटरैक्शन को छोटे-छोटे जोड़ों में तोड़ना पड़ता है। यह एक जटिल नृत्य का वर्णन करने की तरह है जहाँ आप केवल यह बता रहे हैं कि कौन किसका हाथ पकड़े हुए है। यह कंप्यूटर को नियमों की एक विशाल, बोझिल सूची बनाने के लिए मजबूर करता है, जिससे पहेली बहुत बड़ी, धीमी और अव्यवधर हो जाती है।

क्वांटम समाधान:
यह शोध पत्र एक नई तकनीक पेश करता है जिसे प्रोडक्ट-स्टेट लिफ्टिंग (PSL) कहा जाता है। यह क्वांटम कंप्यूटरों को इन जटिल, बहु-व्यक्तिगत इंटरैक्शन को सीधे संभालने की अनुमति देता है, बिना उन्हें उबाऊ जोड़ों में तोड़े।

मूल विचार: "कॉपी-पेस्ट" का कमाल

लेखक क्वांटम कंप्यूटरों को अपग्रेड करने का एक चतुर तरीका प्रस्तावित करते हैं ताकि वे इन "ग्रुप" पhellies को कुशलतापूर्वक हल कर सकें। यह कैसे काम करता है, इसके लिए एक उपमा (analogy) यहाँ दी गई है:

1. पुराना क्वांटम तरीका (एक अकेला अभिनेता)

कल्पना कीजिए कि एक क्वांटम कंप्यूटर एक मंच है जिस पर एक अकेला अभिनेता (एक क्यूबिट रजिस्टर) है। यह अभिनेता कई अलग-अलग भूमिकाएँ निभा सकता है (आपकी पहेली के विभिन्न वेरिएबल्स का प्रतिनिधित्व करना)।

सीमा: यदि पहेली के लिए आवश्यक है कि अभिनेता स्वयं के साथ जटिल रूप से इंटरैक्ट करे (जैसे 3 लोगों का एक समूह), तो अकेले अभिनेता को एक ही समय में तीनों लोगों होने का नाटक करना पड़ता है। यह भ्रमित करने वाला हो जाता है और गणित जटिल हो जाता है।

2. नया तरीका: प्रोडक्ट-स्टेट लिफ्टिंग (दर्पणों वाला कमरा)

लेखक कहते हैं: "अभिनेता को नाटक करने के लिए मजबूर क्यों करना? चलिए बस और अधिक अभिनेता ले आते हैं!"

ट्रिक: यदि आपकी पहेली में 3 इंटरैक्टिंग वेरिएबल्स शामिल हैं, तो क्वांटम कंप्यूटर मंच पर अभिनेता की 3 समान प्रतियाँ (identical copies) तैयार करता है।
जादू: क्योंकि ये प्रतियाँ समान हैं, वे स्वाभाविक रूप से एक-दूसरे के साथ इंटरैक्ट करना जानती हैं। यदि अभिनेता A, अभिनेता B को छूता है, और अभिनेता B, अभिनेता C को छूता है, तो गणित पूरी तरह से सही काम करता है क्योंकि वे सभी एक ही व्यक्ति हैं।
परिणाम: आपको उन्हें व्यवहार करने के लिए हजारों अतिरिक्त नियम लिखने की आवश्यकता नहीं है। "ग्रुप" व्यवहार स्वाभाविक रूप से होता है क्योंकि आपने बस सेटअप को डुप्लिकेट कर दिया है।

"लिफ्टिंग" (Lifting) वाला हिस्सा:
यहाँ "लिफ्टिंग" का अर्थ है एक सरल, सपाट पहेली (quadratic) को एक अधिक जटिल, 3D आकार (polynomial) में ऊपर उठाना, बिना पहेली को बड़ा किए।

क्लासिकल दृष्टिकोण: 3-वे पहेली को हल करने के लिए, आपको शायद एक शहर के आकार के पुस्तकालय की आवश्यकता होगी।
PSL दृष्टिकोण: आप बस अपने घर में दो और समान कमरे जोड़ देते हैं। घर का आकार रैखिक (linear) रूप से बढ़ता है (1 कमरा $\to$ 3 कमरे), न कि घातीय (exponentially) रूप से।

यह क्यों महत्वपूर्ण है: "Max-kSAT" परीक्षण

यह साबित करने के लिए कि उनका विचार काम करता है, लेखकों ने Max-kSAT नामक एक क्लासिक पहेली पर इसका परीक्षण किया।

पहेली: आपके पास "सत्य" (True) या "असत्य" (False) स्विच वाले तार्किक नियमों (clauses) की एक सूची है। आपका लक्ष्य उन स्विचों को घुमाना है जिससे अधिक से अधिक नियमों को संतुष्ट किया जा सके।
चुनौती: "Max-3SAT" में, नियम एक साथ 3 स्विचों को शामिल करते हैं। "Max-kSAT" में, वे $k$ स्विचों को शामिल करते हैं।

उन्होंने क्या पाया:

क्लासिकल शॉर्टकट्स से बेहतर: छोटी पहेलियों के लिए, उनके क्वांटम तरीके (जिसे क्लासिकल कंप्यूटर पर सिम्युलेट किया गया था) ने सबसे अच्छे क्लासिकल "शॉर्टकट्स" (जिन्हें Sum-of-Squares कहा जाता है) की तुलना में बेहतर समाधान खोजे।
स्केलेबल (Scalable): क्लासिकल तरीकों के विपरीत जो पहेली के बहुत बड़ा होने पर अटक जाते हैं, यह क्वांटम तरीका प्रबंधनीय रहता है। यह रैखिक रूप से स्केल करता है, जिसका अर्थ है कि यदि आप समूह इंटरैक्शन की जटिलता को दोगुना करते हैं, तो आपको संसाधनों को दोगुना करना होगा, न कि उनका वर्ग (square) करना होगा।
निरंतरता (Consistency): क्योंकि यह तरीका समान प्रतियों का उपयोग करता है, इसलिए गणित "ईमानदार" रहता है। क्लासिकल तरीकों में, जब आप अंतिम उत्तर प्राप्त करने के लिए संख्याओं को राउंड ऑफ करते हैं, तो आप अक्सर तार्किक निरंतरता खो देते हैं (उदाहरण के लिए, गणित कहता है कि A और B दोस्त हैं, लेकिन B और C दुश्मन हैं, जो तर्क को तोड़ देता है)। क्वांटम "कॉपी" विधि तर्क को स्वाभाविक रूप से सुसंगत रखती है।

"हैडामार्ड टेस्ट" (Hadamard Test): एक क्वांटम सूक्ष्मदर्शी

वे उत्तर को वास्तव में कैसे मापते हैं? वे हैडामार्ड टेस्ट नामक एक उपकरण का उपयोग करते हैं।

उपमा: कल्पना कीजिए कि आपके पास कई गियरों वाली एक जटिल मशीन है। आप जानना चाहते हैं कि वह कितनी तेज़ी से घूम रही है, लेकिन आप गियरों को छू नहीं सकते।
उपकरण: आप मशीन से एक छोटा, संवेदनशील सेंसर (एक "ancilla" क्यूबिट) जोड़ते हैं। आप मशीन को एक हल्का सा धक्का देते हैं और देखते हैं कि सेंसर कैसे कंपन करता है।
परिणाम: उस सूक्ष्म कंपन को मापकर, आप हर एक गियर को देखे बिना पूरे मशीन की गति की गणना कर सकते हैं। यह क्वांटम कंप्यूटर को जटिल "ग्रुप" इंटरैक्शन को कुशलतापूर्वक मूल्यांकन करने की अनुमति देता है।

निचोड़ (Bottom Line)

यह शोध पत्र क्वांटम कंप्यूटरों के लिए एक "प्लग-एंड-प्ले" अपग्रेड प्रस्तुत करता है।

पहले: क्वांटम कंप्यूटर केवल उन पहेलियों को आसानी से हल कर सकते थे जहाँ चीजें जोड़ों में इंटरैक्ट करती थीं।
अब: प्रोडक्ट-स्टेट लिफ्टिंग (PSL) के साथ, हम किसी भी मौजूदा क्वांटम सॉल्वर को अपग्रेड कर सकते हैं ताकि वह ऐसी पहेलियों को संभाल सके जहाँ चीजें 3, 4 या अधिक के समूहों में इंटरैक्ट करती हैं, और वह भी बहुत कम अतिरिक्त लागत के साथ।

यह एक साइकिल को यात्री ले जाने के लिए अपग्रेड करने जैसा है। आपको एक नया वाहन बनाने की आवश्यकता नहीं है; आप बस एक साइडकार (अतिरिक्त प्रतियाँ) जोड़ देते हैं, और अचानक, आप इंजन पर दबाव डाले बिना अधिक वजन ले जा सकते हैं। यह क्वांटम कंप्यूटरों के लिए लॉजिस्टिक्स, ड्रग डिस्कवरी और आर्टिफिशियल इंटेलिजेंस जैसे अधिक जटिल वास्तविक दुनिया के समस्याओं को हल करने के द्वार खोलता है।

यहाँ शोध पत्र "Elevating Variational Quantum Semidefinite Programs for Polynomial Objectives" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

कई व्यावहारिक रूप से महत्वपूर्ण NP-hard अनुकूलन समस्याएँ (जैसे, Max-kSAT, polynomial knapsack, k-local Ising models) स्वाभाविक रूप से उच्च-क्रम बहुपद अनुकूलन (higher-order polynomial optimizations) (डिग्री $k > 2$ ) होती हैं।

शास्त्रीय सीमाएँ (Classical Limitations): मानक शास्त्रीय दृष्टिकोण, जैसे कि Sum-of-Squares (SOS) पदानुक्रम (hierarchies), इन समस्याओं को एक द्विघात (quadratic) रूप में ढालकर (relax करके) हल करते हैं। हालाँकि, यह "लिफ्टिंग" (lifting) प्रक्रिया समस्या के आकार को काफी बढ़ा देती है (चरों और बाधाओं की संख्या बहुपद की डिग्री के साथ तेजी से या प्रतिकूल रूप से बढ़ती है), जिससे सन्निकटन व्यवहार (approximation behavior) खराब हो जाता है और बड़े पैमाने की समस्याएँ अव्यवहार्य (intractable) हो जाती हैं।
क्वांटम सीमाएँ (Quantum Limitations): जबकि निकट-अवधि क्वांटम उपकरणों (near-term quantum devices) पर द्विघाती उद्देश्यों को हल करने के लिए Variational Quantum Semidefinite Programs (vQSDPs) प्रस्तावित किए गए हैं, वे वर्तमान में डिग्री-2 (quadratic) समस्याओं तक ही सीमित हैं। मौजूदा क्वांटम SDP सॉल्वर के लिए गहरे सर्किट (deep circuits) की आवश्यकता होती है जो शोर वाले मध्यवर्ती-पैमाने के क्वांटम (NISQ) हार्डवेयर के लिए अनुपयुक्त हैं।

मुख्य चुनौती: vQSDPs को बिना किसी घातीय संसाधन विस्फोट (exponential resource explosion) के, $k$ -डिग्री बहुपद उद्देश्यों को स्वाभाविक रूप से संभालने के लिए कैसे विस्तारित किया जाए?

2. कार्यप्रणाली: प्रोडक्ट-स्टेट लिफ्टिंग (Methodology: Product-State Lifting - PSL)

लेखक प्रोडक्ट-स्टेट लिफ्टिंग (PSL) प्रस्तुत करते हैं, जो एक नवीन एनकोडिंग योजना है जो किसी भी आधार-अवस्था (basis-state) vQSDP को $k$ -डिग्री बहुपद अनुकूलन समस्याओं को हल करने के लिए अपग्रेड करती है।

मुख्य तकनीकी घटक:

सम-डिग्री रूपांतरण (Even-Degree Transformation): किसी भी बहुपद उद्देश्य को एक डमी चर (जैसे Max-kSAT फॉर्मुलेशन में $y_0$ ) पेश करके सम-डिग्री बहुपद (even-degree polynomial) में परिवर्तित किया जा सकता है। यह विधि को सम-डिग्री मोनोमियल्स (even-degree monomials) पर ध्यान केंद्रित करने की अनुमति देता है।
टेन्सर-प्रोडक्ट एनकोडिंग (Tensor-Product Encoding): आधार (basis) का विस्तार करने या नई बाधाएं जोड़ने के बजाय, PSL एक डिग्री- $2d$ $2 d$ पद को एक ही $n$ $n$ -qubit क्वांटम अवस्था $\rho = |\psi\rangle\langle\psi|$ $ρ = ∣ ψ ⟩ ⟨ ψ ∣$ की $d$ समान कॉपियों को तैयार करके प्रदर्शित करता है।
- गणितीय रूप से, एक डिग्री- $2d$ पद को टेन्सर उत्पाद अवस्था $\rho^{\otimes d}$ में एनकोड किया जाता है।
- उदाहरण के लिए, एक डिग्री-4 पद ( $y_i y_j y_q y_l$ ) को $\rho \otimes \rho$ के एक्सपेक्टेशन वैल्यू (expectation value) के रूप में दर्शाया जाता है।
बीजगणितीय निरंतरता (Algebraic Consistency): शास्त्रीय SOS के विपरीत, जिसे मोमेंट कंसिस्टेंसी (moment consistency) को लागू करने के लिए अतिरिक्त बाधाओं की आवश्यकता होती है (जैसे, यह सुनिश्चित करना कि $E[y_i y_j] = E[y_i]E[y_j]$ ), PSL स्वाभाविक रूप से बीजगणितीय निरंतरता को लागू करता है। चूंकि प्रत्येक रजिस्टर मूल अवस्था $\rho$ की एक समान प्रति है, इसलिए उत्पाद संरचना (product structure) निर्माण द्वारा ही सुनिश्चित होती है।
संसाधन स्केलिंग (Resource Scaling):
- Qubits: इसके लिए $O(nk) $क्वबिट्स की आवश्यकता होती है ($ k$ के साथ रैखिक वृद्धि)।
- Constraints: बाधाओं की संख्या बहुपद की डिग्री के बावजूद स्थिर रहती है। बाधा तंत्र (Pauli strings और population-balancing unitaries) जो द्विघाती मामले के लिए उपयोग किया जाता है, बिना किसी संशोधन के सीधे लिफ्टेड मामले पर लागू होता है।
- Measurements: ऑब्जेक्टिव फंक्शन का मूल्यांकन करने के लिए $O(k)$ हैडामार्ड टेस्ट (Hadamard tests) की आवश्यकता होती है।

एल्गोरिद्मिक वर्कफ़्लो (Algorithmic Workflow):

एनकोडिंग (Encoding): समस्या को डिग्री- $2D$ बहुपद में मैप किया जाता है।
स्टेट प्रिपरेशन (State Preparation): एक वेरिएशनल सर्किट $U_V$ एक $n$ -qubit अवस्था $|\psi\rangle$ तैयार करता है।
ऑब्जेक्टिव इवैल्यूएशन (Objective Evaluation):
- डिग्री- $2d$ पदों के लिए, $|\psi\rangle$ की $d$ कॉपियाँ तैयार की जाती हैं।
- संयुक्त सिस्टम ($nd $क्वबिट्स) पर एक **हैडामार्ड टेस्ट** किया जाता है, जिसमें$ U_W = e^{i\alpha W} $का उपयोग करके$ \text{Im}(\langle \psi|^{\otimes d} U_W |\psi\rangle^{\otimes d})$ के एक्सपेक्टेशन वैल्यू का अनुमान लगाया जाता है।
ऑप्टिमाइज़ेशन (Optimization): लॉस फंक्शन (ऑब्जेक्टिव + बाधाओं के लिए पेनल्टी टर्म्स) को वेरिएशनली मिनिमाइज किया जाता है।
समाधान निष्कर्षण (Solution Extraction):
- सैंपल-एफिशिएंट (SE): एक्सपेक्टेशन वैल्यूज से अनराउंडेड (unrounded) समाधान का सीधे अनुमान लगाता है।
- स्टेट टोमोग्राफी (ST): राउंडेड समाधान (जैसे, $y_i = \text{sign}(\psi_i)$ ) निकालने के लिए डेंसिटी मैट्रिक्स $\rho$ को पुनर्गठित करता है।

3. मुख्य योगदान (Key Contributions)

PSL फ्रेमवर्क: $k$ में केवल रैखिक संसाधन वृद्धि के साथ vQSDPs को द्विघाती से मनमाने बहुपद डिग्री तक बढ़ाने का एक सामान्य, डिवाइस-फ्रेंडली तरीका।
नेटिव पॉलीनोमियल हैंडलिंग: उस "क्वाड्रेटिक प्रॉक्सी" की आवश्यकता को समाप्त करता है जो समस्या के आकार को बढ़ा देती है, जिससे बहुपद उद्देश्यों की मूल संरचना सुरक्षित रहती है।
बाधा दक्षता (Constraint Efficiency): यह प्रदर्शित करता है कि बीजगणितीय निरंतरता टेन्सर-प्रोडक्ट संरचना द्वारा बनाए रखी जाती है, जिससे SOS द्वारा आवश्यक जटिल बाधा पदानुक्रमों की आवश्यकता समाप्त हो जाती है।
Max-kSAT पर अनुप्रयोग: Max-3SAT (और Max-kSAT तक विस्तारित) पर इस फ्रेमवर्क को सफलतापूर्वक लागू किया गया, जो उच्च-क्रम अनुकूलन के लिए एक मानक बेंचमार्क है।

4. परिणाम (Results)

लेखकों ने Max-3SAT इंस्टेंस (110 वेरिएबल्स और 1500 क्लॉज़ तक) के लिए वेरिएशनल लूप का शास्त्रीय सिमुलेशन किया।

शास्त्रीय SOS के साथ तुलना (छोटे प्रोब्लम्स):
- 20 वेरिएबल्स वाली समस्याओं के लिए, PSL-आधारित दृष्टिकोण ने लगातार शास्त्रीय SOS समाधानों के बराबर या बेहतर राउंडेड समाधान प्राप्त किए।
- महत्वपूर्ण रूप से, PSL उस "राउंडिंग डिग्रेडेशन" (rounding degradation) से ग्रस्त नहीं हुआ जो अक्सर SOS में देखा जाता है, जहाँ राउंडिंग के बाद रिलैक्सेशन गैप काफी बढ़ जाता है।
शास्त्रीय ह्यूरिस्टिक्स के साथ तुलना (बड़े प्रोब्लम्स):
- 70–110 वेरिएबल्स वाले बड़े इंस्टेंस के लिए, जहाँ SOS अव्यवहार्य है, PSL दृष्टिकोण की तुलना अत्याधुनिक MaxSAT ह्यूरिस्टिक सॉल्वर्स से की गई।
- PSL दृष्टिकोण ने सर्वोत्तम ज्ञात ह्यूरिस्टिक परिणामों के ~98-99% के भीतर समाधान प्राप्त किया।
- कच्चे स्कोर (raw score) में विशिष्ट ह्यूरिस्टिक्स से थोड़ा पीछे होने के बावजूद, PSL विधि एक सैद्धांतिक गारंटी और एक सामान्यीकरण योग्य ढांचा प्रदान करती है, जबकि ह्यूरिस्टिक्स अक्सर समस्या-विशिष्ट होते हैं।
स्केलेबिलिटी (Scalability): सिमुलेशन ने पुष्टि की कि दृष्टिकोण उन समस्या आकारों के लिए भी व्यवहार्य है जहाँ शास्त्रीय SOS विफल हो जाता है, और अनराउंडेड समाधान लॉस फंक्शन के साथ मजबूत सहसंबंध (correlation) दिखाते हैं।

5. महत्व और भविष्य की दिशाएँ (Significance and Future Directions)

अंतराल को पाटना (Bridging the Gap): PSL, शास्त्रीय रिलैक्सेशन की विशिष्ट बाधा विस्फोट के बिना, निकट-अवधि क्वांटम उपकरणों पर द्विघाती से बहुपद अनुकूलन तक जाने का एक सामान्य मार्ग प्रदान करता है।
क्वांटम-प्रेरित एल्गोरिदम (Quantum-Inspired Algorithms): लेखक सुझाव देते हैं कि PSL फ्रेमवर्क, भले ही इसे शास्त्रीय रूप से सिम्युलेट किया गया हो, एक शक्तिशाली "क्वांटम-प्रेरित" एल्गोरिदम के रूप में कार्य करता है। यह शास्त्रीय अनुकूलन के लिए एक नया टेम्पलेट प्रदान करता है जो मानक SDP रिलैक्सेशन की रैंक-डेफिशिएंसी (rank-deficiency) समस्याओं से बचता है (क्योंकि समाधान हमेशा एक प्योर स्टेट होता है, यानी रैंक-1)।
व्यापकता (Generality): यह विधि केवल Max-kSAT तक सीमित नहीं है; इसे निरंतर वेरिएबल्स (जैसे क्वांटम केमिस्ट्री या रिड्यूस्ड डेंसिटी मैट्रिक्स मेथड्स में) पर किसी भी बहुपद अनुकूलन समस्या के लिए लागू किया जा सकता है।
भविष्य का कार्य: लेखक लिफ्टेड ऑब्जर्वेबल्स (lifted observables) के लिए अभिसरण गारंटी (convergence guarantees) को औपचारिक बनाने, कठिन बेंचमार्क सूट्स पर परीक्षण करने और ऐसे क्वांटम-प्रेरित वेरिएंट विकसित करने का प्रस्ताव करते हैं जो क्वांटम हार्डवेयर की आवश्यकता के बिना PSL संरचनात्मक लाभों को बनाए रखते हैं।

संक्षेप में, यह कार्य जटिल कॉम्बिनेटोरियल समस्याओं के लिए वेरिएशनल एल्गोरिदम को लागू करने में आने वाली एक बड़ी बाधा को दूर करते हुए, क्वांटम हार्डवेयर पर उच्च-डिग्री बहुपद अनुकूलन को संभालने के लिए एक स्केलेबल, संसाधन-कुशल विधि प्रस्तुत करता है।