⚛️ quantum physics

Resource-efficient quantum algorithm for linear systems of equations

यह शोध पत्र शैडो क्वांटम लीनियर सॉल्वर (SQLS) को प्रस्तुत करता है, जो एक संसाधन-कुशल हाइब्रिड क्वांटम एल्गोरिदम है जो वर्तमान शोर वाले हार्डवेयर पर लीनियर सिस्टम को हल करने के लिए वेरिएशनल विधियों को क्लासिकल शैडोज़ के साथ जोड़ता है, जिसमें लॉगरिदमिक क्यूबिट आवश्यकताएं और सर्किट निष्पादन में घातीय लाभ हैं, जिसे एक विविक्त (discretized) 2D लैप्लेस समीकरण को हल करके सफलतापूर्वक प्रदर्शित किया गया है।

मूल लेखक: Francesco Ghisoni, Francesco Scala, Daniele Bajoni, Dario Gerace

प्रकाशित 2026-03-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Francesco Ghisoni, Francesco Scala, Daniele Bajoni, Dario Gerace

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 जासूस हैं जो एक विशाल, जटिल पहेली को सुलझाने की कोशिश कर रहे हैं। यह पहेली एक रैखिक समीकरणों की प्रणाली (system of linear equations) है। वास्तविक दुनिया में, ये पहेलियाँ हर जगह दिखाई देती हैं: जैसे कि यह पता लगाने में कि शहर के पावर ग्रिड में बिजली कैसे बहती है या यह सिम्युलेट करने में कि एक धातु की प्लेट में गर्मी कैसे फैलती है।

लंबे समय तक, कंप्यूटर पर इन पहेलियों को हल करना एक 'फायरहोस' (तेज धार वाली नली) से पानी पीने जैसा रहा है। जैसे-जैसे पहेली बड़ी होती जाती है (अधिक वेरिएबल्स), इसे हल करने में लगने वाला समय विस्फोटक रूप से बढ़ता जाता है।

यहाँ प्रवेश होता है क्वांटम कंप्यूटरों का। वे इन पहेलियों को अविश्वसनीय रूप से तेज़ गति से हल करने का वादा करते हैं। हालाँकि, एक पेंच है: वर्तमान क्वांटम कंप्यूटर "शोर वाले, डगमगाते मेजों" (noisy, wobbly tables) की तरह हैं। वे छोटे हैं, त्रुटियों के प्रति संवेदनशील हैं, और उन प्रसिद्ध क्वांटम एल्गोरिदम (जैसे HHL एल्गोरिदम) के भारी काम को संभालने में सक्षम नहीं हैं, जिन्हें आदर्श, भविष्य की मशीनों के लिए डिज़ाइन किया गया था।

यह शोध पत्र एक नया, चतुर जासूसी उपकरण पेश करता है जिसे शैडो क्वांटम लीनियर सॉल्वर (SQLS) कहा जाता है। यह कैसे काम करता है, इसे सरल उपमाओं के माध्यम से यहाँ समझाया गया है:

1. समस्या: पुराने तरीकों का "भारी काम" (Heavy Lifting)

कल्पना कीजिए कि आप एक विशाल, अदृश्य मूर्ति (समीकरण का समाधान) का सटीक आकार जानना चाहते हैं।

पुराने क्वांटम तरीके (HHL): मूर्ति को देखने के लिए, आपको एक विशाल, जटिल क्रेन (एक गहरा क्वांटम सर्किट) बनाना पड़ता था जिसमें कई चलते हुए पुर्जे होते थे। यदि क्रेन थोड़ी भी डगमगाती (noise), तो पूरा काम बिगड़ जाता। साथ ही, क्रेन बनाने के लिए एक बहुत बड़े गोदाम (बहुत अधिक क्यूबिट्स) की आवश्यकता थी।
पुराने वेरिएशनल तरीके (VQLS): इन्होंने "अनुमान लगाओ और जाँच करो" (guess-and-check) दृष्टिकोण का उपयोग करके अधिक स्मार्ट होने की कोशिश की। आप एक मॉडल बनाते हैं, जाँचते हैं कि वह कितना करीब है, और उसे सुधारते हैं। लेकिन मॉडल की जाँच करने के लिए, आपको अभी भी उस भारी क्रेन की आवश्यकता थी ताकि एक विशिष्ट परीक्षण (हैडमार्ड टेस्ट) किया जा सके, जो आज की शोर वाली मशीनों के लिए अभी भी बहुत भारी था।

2. नया समाधान: "शैडो" (परछाईं) का कमाल

लेखकों ने दो विचारों को मिलाया: वेरिएशनल एल्गोरिदम (अनुमान लगाओ और जाँच करो वाला तरीका) और क्लासिकल शैडो (क्वांटम अवस्थाओं को देखने का एक नया तरीका)।

उपमा: छाया कठपुतली का खेल (The Shadow Puppet Show)
कल्पना कीजिए कि आपके पास एक अंधेरे कमरे में छिपा हुआ एक जटिल 3D ऑब्जेक्ट (समाधान) है।

पुराना तरीका: आप उस वस्तु को मापने के लिए कमरे में उसका एक पूर्ण-पैमाने का सटीक प्रतिरूप बनाने की कोशिश करते हैं। इसमें बहुत समय लगता है और इसके लिए बहुत अधिक स्थान की आवश्यकता होती है।
SQLS का तरीका: वस्तु को बनाने के बजाय, आप उस पर अलग-अलग कोणों से रोशनी डालते हैं और दीवार पर पड़ने वाली उसकी परछाइयों (shadows) को देखते हैं।
- आपको एक ही बार में पूरी वस्तु देखने की आवश्यकता नहीं है।
- आपको एक विशाल क्रेन की आवश्यकता नहीं है।
- कुछ सरल, उथली परछाइयों (माप) को देखकर, आप उच्च सटीकता के साथ वस्तु के आकार को गणितीय रूप से पुनर्गठित कर सकते हैं।

3. SQLS क्यों एक गेम-चेंजर है?

शोध पत्र दिखाता है कि SQLS "संसाधन-कुशल" (resource-efficient) है, जिसका अर्थ है कि यह पैसा, समय और हार्डवेयर बचाता है।

कम क्यूबिट्स (मेज के "पैर"):
- पुराने तरीकों को जाँच करने के लिए एक अतिरिक्त "सहायक" क्यूबिट (मेज का एक अतिरिक्त पैर) की आवश्यकता थी। SQLS को इस सहायक की आवश्यकता नहीं है। यह कम पैरों का उपयोग करता है, जिससे आज के अस्थिर हार्डवेयर पर मेज अधिक स्थिर रहती है।
उथले सर्किट (The "Short Walk"):
- पुराने तरीकों के लिए क्वांटम कंप्यूटर के माध्यम से एक लंबा, घुमावदार रास्ता (गहरे सर्किट) चाहिए था, जिससे त्रुटियों की संभावना बढ़ जाती थी। SQLS एक छोटा, सीधा रास्ता लेता है। यह पार्क के माध्यम से एक छोटा रास्ता लेने जैसा है, बजाय पूरे शहर के चक्कर लगाने के।
"शैडो" का लाभ:
- सबसे आश्चर्यजनक बात यह है कि यह चरणों की गिनती कैसे करता है। यदि पहेली 10 गुना बड़ी हो जाती है, तो पुराने तरीके को शायद 100 गुना अधिक चरणों की आवश्यकता होगी। SQLS को केवल कुछ ही अधिक चरणों की आवश्यकता होती है (लॉगैरिद्मिक स्केलिंग)। यह समुद्र तट पर रेत के प्रत्येक कण को एक-एक करके गिनने बनाम एक त्वरित फोटो लेने और कुल अनुमान लगाने के बीच के अंतर जैसा है।

4. वास्तविक दुनिया का परीक्षण: "इलेक्ट्रिक ग्रिड"

इसे सिद्ध करने के लिए, लेखकों ने केवल कागज पर गणित नहीं किया। उन्होंने एक वास्तविक भौतिक समस्या को हल करने के लिए SQLS का उपयोग किया: लैपलेस समीकरण (Laplace Equation)।

परिदृश्य: एक वर्गाकार ग्रिड की कल्पना करें जो एक धातु की प्लेट का प्रतिनिधित्व करता है। ऊपरी किनारा गर्म है (उच्च वोल्टेज), और अन्य किनारे ठंडे (ग्राउंडेड) हैं। आप प्लेट के भीतर प्रत्येक बिंदु पर तापमान (वोल्टेज) जानना चाहते हैं।
परिणाम: SQLS ने 4x4 ग्रिड पर तापमान वितरण को 99% सटीकता के साथ सफलतापूर्वक गणना की। यह लगभग सटीक रूप से पूर्ण गणितीय समाधान से मेल खा गया, जिससे सिद्ध हुआ कि यह "शैडो" विधि वास्तविक इंजीनियरिंग समस्याओं को हल कर सकती है।

सारांश

शैडो क्वांटम लीनियर सॉल्वर (SQLS) आज के अपूर्ण क्वांटम कंप्यूटरों पर जटिल गणितीय पहेलियों को हल करने का एक नया, हल्का और मजबूत तरीका है।

एक विशाल, नाजुक मशीन बनाने के बजाय, यह उत्तर की एक झलक पाने के लिए एक चतुर "शैडो" तकनीक का उपयोग करता है।
यह कम संसाधनों का उपयोग करता है, जिससे इसे हमारे पास मौजूद छोटे, शोर वाले क्वांटम कंप्यूटरों पर चलाना संभव हो जाता है।
यह खूबसूरती से स्केल करता है, जिसका अर्थ है कि जैसे-जैसे समस्याएँ बड़ी होती हैं, यह पुराने तरीकों की तरह अभिभूत नहीं होता है।

संक्षेप में, लेखकों ने वस्तु के बजाय उसकी परछाइयों को देखकर असाध्य को साधने का तरीका खोज लिया है, जो हमें व्यावहारिक क्वांटम कंप्यूटिंग के एक कदम और करीब ले जाता है।

यहाँ घिसोनी (Ghisoni) और अन्य लेखकों द्वारा लिखित शोध पत्र "Resource-efficient quantum algorithm for linear systems of equations" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र क्वांटम लीनियर सिस्टम प्रॉब्लम (QLSP) को संबोधित करता है, जिसमें एक रैखिक प्रणाली (linear system) $A\vec{x} = \vec{b}$ के समाधान वेक्टर $\vec{x}$ के समान एक क्वांटम अवस्था $|x\rangle$ को खोजना शामिल है।

संदर्भ: जबकि प्रसिद्ध HHL एल्गोरिदम शास्त्रीय (classical) विधियों की तुलना में घातीय गति (exponential speedup) प्रदान करता है, इसके लिए गहरे सर्किट, बड़े नियंत्रित यूनिटरी (controlled unitaries) और फॉल्ट-टोलरेंट हार्डवेयर की आवश्यकता होती है, जो इसे वर्तमान शोर वाले इंटरमीडिएट-स्केल क्वांटम (NISQ) उपकरणों के लिए अनुपयुक्त बनाता है।
वर्तमान विकल्प: NISQ हार्डवेयर के लिए वेरिएशनल क्वांटम एल्गोरिदम (VQAs), जैसे कि वेरिएशनल क्वांटम लीनियर सॉल्वर (VQLS), प्रस्तावित किए गए हैं। हालाँकि, मौजूदा VQAs अक्सर उच्च संसाधन मांगों से ग्रस्त होते हैं, विशेष रूप से जिन्हें निम्नलिखित की आवश्यकता होती है:
- नियंत्रित ऑपरेशन्स (जैसे कि हैडामार्ड टेस्ट) के कारण बड़े सर्किट डेप्थ।
- अतिरिक्त अनिसिला क्वबिट्स (ancillary qubits)।
- कॉस्ट फंक्शन (cost functions) का अनुमान लगाने के लिए सर्किट निष्पादन (executions/shots) की एक विशाल संख्या, जो सिस्टम की जटिलता के साथ खराब रूप से स्केल करती है।

2. कार्यप्रणाली: शैडो क्वांटम लीनियर सॉल्वर (SQLS)

लेखक शैडो क्वांटम लीनर सॉल्वर (SQLS) का प्रस्ताव करते हैं, जो एक हाइब्रिड क्लासिकल-क्वांटम एल्गोरिदम है जो वेरिएशनल क्वांटम एल्गोरिदम (VQAs) को क्लासिकल शैडो (Classical Shadows) फ्रेमवर्क के साथ जोड़ता है।

मुख्य घटक:

समस्या का निरूपण (Problem Formulation):
- सिस्टम $A|x\rangle = |b\rangle$ को $k$ -लोकल पॉली स्ट्रिंग्स (Pauli strings) के रैखिक संयोजन में विघटित करके परिभाषित किया गया है जहाँ $A$ और यूनिटरी $U$ (जिसके लिए $U|0\rangle = |b\rangle$ ) हैं:
  $A = \sum c_i^A A_i, \quad U = \sum c_j^U U_j$
- समाधान को एक पैरामीटराइज्ड क्वांटम सर्किट (ansatz) $V(\vec{\theta})$ में एनकोड किया गया है, ताकि $V(\vec{\theta}^*)|0\rangle \approx |x\rangle$ हो सके।
कॉस्ट फंक्शन (Cost Function):
- SQLS एक लोकल कॉस्ट फंक्शन $C_L(\vec{\theta})$ का उपयोग करता है जो VQLS के समान है, जिसे इस प्रकार परिभाषित किया गया है:
  $C_L(\vec{\theta}) = \frac{\langle x | H_L | x \rangle}{\langle \psi | \psi \rangle}$
  जहाँ $|\psi\rangle = A|x\rangle$ है और $H_L$ एक प्रभावी हैमिल्टोनियन (effective Hamiltonian) है जिसे इस तरह डिज़ाइन किया गया है कि $C_L \to 0$ होने पर $A|x\rangle = |b\rangle$ हो जाता है।
- यह कॉस्ट फंक्शन पॉली स्ट्रिंग्स ( $\mu$ और $\omega$ ) के एक्सपेक्टेशन वैल्यूज़ (expectation values) के भारित योग (weighted sum) में विस्तारित होता है।
क्लासिकल शैडो एकीकरण (Classical Shadows Integration):
- इन एक्सपेक्टेशन वैल्यूज़ का अनुमान लगाने के लिए हैडामार्ड टेस्ट (जिसके लिए अनिसिला क्वबिट्स और नियंत्रित यूनिटरी की आवश्यकता होती है) का उपयोग करने के बजाय, SQLS क्लासिकल शैडो का उपयोग करता है।
- प्रक्रिया:
  1. अवस्था $|\psi\rangle = V(\vec{\theta})|0\rangle$ तैयार करें।
  2. क्वांटम अवस्था के "शैडो" (क्लासिकल स्नैपशॉट्स का एक सेट) उत्पन्न करने के लिए रैंडम पॉली मेजरमेंट्स लागू करें।
  3. कॉस्ट फंक्शन के लिए आवश्यक पॉली स्ट्रिंग्स के एक्सपेक्टेशन वैल्यूज़ का कुशलतापूर्वक अनुमान लगाने के लिए इन शैडो का उपयोग करें।
- लाभ: यह अतिरिक्त अनिसिला क्वबिट्स और बड़े नियंत्रित यूनिटरी की आवश्यकता को समाप्त करता है। आवश्यक मेजरमेंट्स की संख्या उन एक्सपेक्टेशन वैल्यूज़ की संख्या के लॉगरिदमिक (logarithmic) रूप से स्केल करती है जिनका अनुमान लगाया जाना है, न कि रैखिक या द्विघाती (quadratic) रूप से।
ऑप्टिमाइजेशन लूप (Optimization Loop):
- एक क्लासिकल ऑप्टिमाइज़र (जैसे Adam या Powell) $\vec{\theta}$ को कम करने के लिए अपडेट करता है।
- यह प्रक्रिया तब समाप्त होती है जब $C_L \leq \gamma$ , जहाँ $\gamma$ वांछित शुद्धता $\epsilon$ और कंडीशन नंबर $\kappa$ से प्राप्त थ्रेशोल्ड है।

3. मुख्य योगदान (Key Contributions)

संसाधन दक्षता (Resource Efficiency):
- क्विबिट संख्या: SQLS को $n = \log_2(N)$ क्वबिट्स की आवश्यकता होती है (कोई अनिसिला नहीं), जबकि VQLS को $n+1$ क्वबिट्स की आवश्यकता होती है।
- सर्किट डेप्थ: SQLS एंसेट (ansatz) के बाहर गहरे नियंत्रित-यूनिटरी गेट्स से बचता है, जिसके परिणामस्वरूप काफी उथले (shaller) सर्किट मिलते हैं।
- सर्किट गणना: प्रति ऑप्टिमाइजेशन स्टेप आवश्यक सर्किटों की संख्या ( $N_{circuits/step}$ ) रैखिक प्रणाली के पदों की संख्या ( $L$ ) के लिए SQLS के लिए लॉगरिदमिक रूप से स्केल होती है, जबकि VQLS के लिए यह द्विघाती (quadratic) होती है। यह मूल्यांकन लागत में एक घातीय लाभ का प्रतिनिधित्व करता है।
शोर प्रतिरोध क्षमता (Noise Resilience):
- लेखक तर्क देते हैं कि SQLS, VQLS कॉस्ट फंक्शन की संरचना से ग्लोबल डिपोलराइजिंग नॉइज़ (global depolarizing noise) के विरुद्ध ऑप्टिमल पैरामीटर रेजिलिएंस (OPR) विरासत में प्राप्त करता है।
- हालांकि मेजरमेंट नॉइज़ के विरुद्ध OPR पूरी तरह से विरासत में नहीं मिलता (शैडो कलेक्शन के कारण मल्टी-क्विबिट मेजरमेंट्स की वजह से), एल्गोरिदम को NISQ उपकरणों के लिए मजबूत बनाया गया है।
स्टेट रिकंस्ट्रक्शन (State Reconstruction):
- HHL या VQLS के विपरीत, जिन्हें समाधान वेक्टर निकालने के लिए पूर्ण क्वांटम स्टेट टोमोग्राफी (घातीय लागत) की आवश्यकता होती है, ऑप्टिमाइजेशन प्रक्रिया के दौरान एकत्र किए गए क्लासिकल शैडो का उपयोग बिना किसी अतिरिक्त माप के समाधान अवस्था के डेंसिटी मैट्रिक्स को पुनर्गठित करने के लिए किया जा सकता है।

4. परिणाम और सत्यापन (Results and Validation)

लेखकों ने सैद्धांतिक विश्लेषण और PennyLane लाइब्रेरी का उपयोग करके संख्यात्मक सिमुलेशन के माध्यम से SQLS को सत्यापित किया:

संसाधन स्केलिंग तुलना (Resource Scaling Comparison):
- $250 \times 250$ के लीनियर सिस्टम (50 क्वबिट्स) पर सिमुलेशन ने दिखाया कि जैसे-जैसे पॉली टर्म्स ( $L$ ) की संख्या बढ़ती है, SQLS के लिए आवश्यक सर्किटों की संख्या VQLS की तुलना में कई गुना कम रहती है।
- SQLS कम लोकैलिटी ( $k$ ) वाले सिस्टम के लिए $N_{circuits/step}$ में एक घातीय लाभ प्रदर्शित करता है।
अभिसरण समय (Convergence Time):
- एल्गोरिदम का परीक्षण चार प्रणालियों पर किया गया: आइसिंग-मॉडल प्रेरित (IQLSP), दो रैंडम सिस्टम (RQLSP), और एक पोटेंशियल ग्रिड लीनियर सिस्टम (PGLS)।
- समान शुद्धता त्रुटियों के लिए, SQLS ने कम संसाधनों के बावजूद VQLS की तुलना में समान या तेज़ अभिसरण समय (convergence times) दिखाया।
- सैद्धांतिक सीमाएं बताती हैं कि SQLS $O(\text{poly}(\log N) \cdot \kappa \cdot \log(1/\epsilon))$ के रूप में स्केल करता है, जो शास्त्रीय एल्गोरिदम पर एक घातीय लाभ प्रदान करता है।
व्यावहारिक अनुप्रयोग (Laplace Equation):
- एल्गोरिदम को डिस्क्रीटाइज्ड 2D लाप्लास समीकरण (ग्रिड पर इलेक्ट्रोस्टैटिक पोटेंशियल) को हल करने के लिए लागू किया गया।
- $4 \times 4$ ग्रिड (16 वेरिएबल्स, 4 क्वबिट्स) का उपयोग करके, SQLS ने सटीक विश्लेतिक समाधान के विरुद्ध 0.99 फिडेलिटी (fidelity) के साथ समाधान प्राप्त किया।
- यह एल्गोरिदम की वास्तविक भौतिक समस्याओं (स्पार्स मैट्रिसेस से व्युत्पन्न) को उच्च सटीकता के साथ हल करने की क्षमता को सिद्ध करता है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

शैडो क्वांटम लीनियर सॉल्वर (SQLS) निकटवर्ती (near-term) NISQ हार्डवेयर पर व्यावहारिक क्वांटम लीनियर सॉल्वर की दिशा में एक महत्वपूर्ण कदम है। क्लासिकल शैडो का लाभ उठाकर, यह वर्तमान वेरिएशनल दृष्टिकोणों की प्राथमिक बाधाओं को दूर करता है:

कम हार्डवेयर आवश्यकताएं: यह कम क्वबिट्स और उथले सर्किट के साथ काम करता है, जिससे यह सीमित कोहेरेंस समय वाले वर्तमान उपकरणों के लिए व्यवहार्य हो जाता है।
स्केलेबिलिटी: मेजरमेंट रिसोर्सेज का लॉगरिदमिक स्केलिंग एल्गोरिदम को अधिक जटिल सिस्टम (उच्च $L$ ) को संभालने की अनुमति देता है, जो VQLS के लिए कम्प्यूटेशनल रूप से निषेधात्मक हो सकता है।
व्यावहारिकता: लाप्लास समीकरण पर सफल अनुप्रयोग यह सिद्ध करता है कि SQLS उच्च सटीकता के साथ भौतिक रूप से प्रासंगिक समस्याओं को हल कर सकता है।

लेखक निष्कर्ष निकालते हैं कि SQLS वर्तमान में निकटवर्ती क्वांटम उपकरणों पर लीनियर सिस्टम को हल करने के लिए सबसे आशाजनक वेरिएशनल दृष्टिकोण है और विज्ञान एवं इंजीनियरिंग में जटिल मैट्रिक्स समीकरणों को लागू करने के लिए एक मार्ग प्रदान करता है।