🔬 physics

Modularity maximization and community detection in complex networks through recursive and hierarchical annealing in the D-Wave Advantage quantum processing units

यह शोध पत्र D-Wave क्वांटम प्रोसेसरों पर एक पुनरावर्ती (recursive) और पदानुक्रमित (hierarchical) एनीलिंग दृष्टिकोण प्रस्तुत करता है जो वन-हॉट एनकोडिंग बाधाओं को दरकिनार करके जटिल नेटवर्क में सामुदायिक संरचनाओं का प्रभावी ढंग से पता लगाता है, जिससे हाइब्रिड समाधानों की आवश्यकता के बिना व्याख्या योग्य डेंड्रोग्राम और प्रतिस्पर्धी परिणाम प्राप्त होते हैं।

मूल लेखक: Joan Falcó-Roget, Kacper Jurek, Barbara Wojtarowicz, Karol Capała, Katarzyna Rycerz

प्रकाशित 2026-02-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Joan Falcó-Roget, Kacper Jurek, Barbara Wojtarowicz, Karol Capała, Katarzyna Rycerz

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 आपके पास एक विशाल, अस्त-व्यस्त पार्टी चल रही है जहाँ सैकड़ों लोग आपस में मिल रहे हैं। कुछ लोग छोटे-छोटे घेरों में बातचीत कर रहे हैं, कुछ समूहों के बीच घूम रहे हैं, और कुछ सभी से बात कर रहे हैं। आपका लक्ष्य यह पता लगाना है कि कौन सा व्यक्ति किस "क्लिक" (clique) या समूह का हिस्सा है, बिना पहले से बताए। विज्ञान की दुनिया में, इसे कम्युनिटी डिटेक्शन (community detection) कहा जाता है, और "क्लिक खोजने" वाला उपकरण मॉड्यूलरिटी मैक्सिमाइजेशन (modularity maximization) कहलाता है।

यह शोध पत्र इस पहेली को हल करने का एक नया तरीका बताता है जो एक साधारण लैपटॉप के बजाय एक क्वांटम कंप्यूटर (विशेष रूप से, एक D-Wave मशीन) का उपयोग करता है। यहाँ बताया गया है कि उन्होंने क्या किया, सरल उपमाओं (analogies) का उपयोग करते हुए।

1. समस्या: द "वन-हॉट" ट्रैप (The "One-Hot" Trap)

आमतौर पर, कंप्यूटर को लोगों को समूहों में बांटने के लिए कहने हेतु आपको उसे बहुत सख्त नियम देने होते हैं। कल्पना कीजिए कि आप कंप्यूटर को कहते हैं: "आपको हर व्यक्ति को ठीक 10 विशिष्ट कमरों में से किसी एक में असाइन करना होगा।"

चुनौती: आपको वास्तव में यह नहीं पता कि वहाँ 10 कमरे हैं, 5 कमरे हैं, या 50 कमरे हैं। यदि आप गलत अनुमान लगाते हैं, तो कंप्यूटर भ्रमित हो जाता है।
पुराना तरीका: इस समस्या को ठीक करने के लिए, वैज्ञानिकों ने "वन-हॉट एनकोडिंग" का उपयोग किया। यह ऐसा है जैसे हर व्यक्ति को एक विशिष्ट कमरे के लिए एक विशिष्ट रंग का बैज पहनने के लिए मजबूर करना, और फिर एक भारी जुर्माना लगाना यदि कोई दो बैज पहनता है या कोई बैज नहीं पहनता। इसके लिए सही "पेनल्टी वेट" (जुर्माना भार) का अनुमान लगाने की आवश्यकता होती है, जो बिना रेसिपी के केक में चीनी की सटीक मात्रा का अनुमान लगाने जैसा है। यह अव्यवस्थित है और अक्सर बड़े कार्यों में विफल हो जाता है।

2. समाधान: द "रिकर्सिव स्प्लिट" (The "Recursive Split" - प्याज विधि)

लेखकों ने Hierarchical Annealing नामक एक नई विधि बनाई है। समूहों की संख्या का अनुमान लगाने के बजाय, वे "विभाजित करो और जीतो" (divide and conquer) की रणनीति का उपयोग करते हैं।

उपमा: कल्पना कीजिए कि आपके पास एक विशाल, बिना कटा हुआ केक (पूरा नेटवर्क) है।
1. चरण 1: आप क्वांटम कंप्यूटर से पूछते हैं: "इस केक को दो टुकड़ों में इस तरह काटें कि प्रत्येक टुकड़े के अंदर के लोग एक साथ रहने में सबसे अधिक खुश रहें।" कंप्यूटर सबसे अच्छा कट ढूंढ लेता है।
2. चरण 2: आप उन दो टुकड़ों को लेते हैं और पूछते हैं: "क्या हम इन टुकड़ों को फिर से दो हिस्सों में काट सकते हैं ताकि समूह और भी अधिक खुश हो सकें?"
3. चरण 3: आप प्याज की परत दर परत छीलने की तरह इसे करते रहते हैं, जब तक कि कंप्यूटर यह न कह दे, "इस टुकड़े को और अधिक काटने से समूह वास्तव में कम खुश होंगे।"

यह क्यों शानदार है:

कोई अनुमान नहीं: आपको कभी भी यह अनुमान लगाने की आवश्यकता नहीं होती कि कितने समूह मौजूद हैं। कंप्यूटर तब रुक जाता है जब वह अपना काम पूरा कर लेता है।
कोई जुर्माना (Penalty) नहीं: क्योंकि आप केवल दो भागों में विभाजित कर रहे हैं (बाइनरी), इसलिए आपको उन अव्यवस्थित "पेनल्टी वेट्स" या "वन-हॉट" बैजों की आवश्यकता नहीं है। यह एक शुद्ध, स्वच्छ प्रक्रिया है।
मानचित्र (The Map): क्योंकि वे चरण-दर-चरण केक काटते हैं, उन्हें एक डेंड्रोग्राम (dendrogram) (समूहों का एक वंशावली वृक्ष) प्राप्त होता है। यह आपको न केवल अंतिम समूह दिखाता है, बल्कि यह भी दिखाता है कि वे समूह कैसे बने। यह पार्टी के इतिहास को देखने जैसा है: "पहले, संगीत प्रेम संगीत प्रेमियों से अलग हुए, फिर संगीत प्रेमियों से रॉक और जैज़ प्रशंसकों में विभाजन हुआ।"

3. परिणाम: इसने कैसा प्रदर्शन किया?

शोधकर्ताओं ने कई प्रकार के "पार्टी" (नेटवर्क) पर इसका परीक्षण किया:

सरल समूह: उन्होंने छोटे समूहों (जैसे 3 दोस्तों के क्लिक) की श्रृंखलाओं पर परीक्षण किया। क्वांटम विधि ने ठीक वही सटीक समूह खोजे जो सर्वोत्तम क्लासिकल (गैर-क्वांटम) विधियों ने खोजे थे।
जटिल नेटवर्क: उन्होंने वास्तविक जीवन के नेटवर्क (सामाजिक नेटवर्क, मस्तिष्क के संबंध, यादृच्छिक जाल) जैसे दिखने वाले नेटवर्क का परीक्षण किया।
- प्रदर्शन: कई मामलों में, क्वांटम विधि ने ऐसे समूह खोजे जो सर्वोत्तम क्लासिकल विधियों के समान या कभी-कभी उनसे भी थोड़े बेहतर थे।
- गति: हालांकि क्वांटम कंप्यूटर स्वयं तेज़ है, लेकिन डेटा को क्वांटम मशीन तक भेजने और वापस प्राप्त करने में लगने वाला समय एक बाधा (bottleneck) था। हालांकि, यह विधि 166 नोड्स (लोग) तक के नेटवर्क को बिना क्रैश हुए संभालने के लिए पर्याप्त कुशल थी।
- मस्तिष्क नेटवर्क: उन्होंने इसे मानव मस्तिष्क के वास्तविक मानचित्र पर लागू किया। क्वांटम विधि ने मस्तिष्क के क्षेत्रों के उन समूहों को खोजा जो वैज्ञानिकों को पहले से ज्ञात थे, लेकिन इसने एक "वृक्ष" भी प्रदान किया जो दिखाता है कि वे क्षेत्र पदानुक्रमित (hierarchically) रूप से कैसे संबंधित हैं।

4. यह क्यों महत्वपूर्ण है (शोध पत्र के अनुसार)

शुद्ध क्वांटम (Pure Quantum): अधिकांश वर्तमान क्वांटम समाधान "हाइब्रिड" (आंशिक रूप से क्लासिकल, आंशिक रूप से क्वांटम) हैं, जो यह छिपा देते हैं कि जादू कैसे होता है। यह विधि क्वांटम कंप्यूटर का उपयोग भारी काम के लिए इस तरह करती है कि यह पारदर्शी और समझने योग्य रहता है।
व्याख्यात्मक (Interpretable): क्योंकि यह विधि समूहों का "वंशावली वृक्ष" बनाती है, यह केवल एक 'ब्लैक-बॉक्स' उत्तर देने के बजाय, नेटवर्क कैसे व्यवस्थित है, इसकी एक स्पष्ट, चरण-दर-चरण कहानी पेश करती है।
स्केलेबिलिटी (Scalability): गणित यह दर्शाता है कि जैसे-जैसे पार्टी बड़ी होती जाती है, यह विधि काफी अच्छी तरह से स्केल करती है, जिससे भविष्य में क्वांटम कंप्यूटर अधिक शक्तिशाली होने पर यह पारंपरिक विधियों की तुलना में तेज़ हो सकती है।

सारांश

इस शोध पत्र को एक अव्यवस्थित भीड़ को छाँटने के एक नए, स्मार्ट तरीके के रूप में देखें। पूर्व-निर्धारित बक्सों में लोगों को जबरदस्ती डालने के बजाय, वे एक क्वांटम कंप्यूटर का उपयोग करके भीड़ को धीरे से दो हिस्सों में विभाजित करते हैं, फिर उन हिस्सों को विभाजित करते हैं, और तब तक जारी रखते हैं जब तक कि समूह स्वाभाविक रूप से स्थिर न हो जाएं। यह सामाजिक नेटवर्क या मानव मस्तिष्क जैसे जटिल प्रणालियों में छिपे हुए पैटर्न को खोजने का एक स्वच्छ, अधिक लचीला तरीका है, और यह बिना किसी पूर्व नियम के अनुमान लगाए किया जाता है।

तकनीकी सारांश: D-Wave पर रिकर्सिव हियरार्किकल एनीलिंग के माध्यम से मॉडुलैरिटी मैक्सिमाइजेशन और कम्युनिटी डिटेक्शन

समस्या विवरण
जटिल नेटवर्क में कम्युनिटी डिटेक्शन (समुदाय पहचान) नेटवर्क विज्ञान की एक मौलिक समस्या है, जिसे आमतौर पर मॉडुलैरिटी इंडेक्स ( $Q$ ) को अधिकतम करने के रूप में तैयार किया जाता है। यह अनुकूलन कार्य एक NP-hard समस्या है। हालांकि शास्त्रीय ह्यूरिस्टिक एल्गोरिदम (जैसे Louvain, Leiden) मौजूद हैं, वे वैश्विक इष्टतम (global optima) की गारंटी नहीं देते हैं। क्वांटम एनीलिंग (QA) इस तरह की NP-hard समस्याओं को हल करने के लिए एक संभावित मार्ग प्रदान करती है, क्योंकि यह ऊर्जा परिदृश्य (energy landscape) के वैश्विक न्यूनतम को खोजने में सक्षम है। हालांकि, शुद्ध QA को कम्युनिटी डिटेक्शन पर लागू करने में एक महत्वपूर्ण बाधा इसके एनकोडिंग (encoding) है। मानक दृष्टिकोण अक्सर $M$ समुदायों को दर्शाने के लिए $N \times M$ बाइनरी वेरिएबल्स का उपयोग करते हुए "वन-हॉट" (one-hot) एनकोडिंग पर निर्भर करते हैं। इसके लिए कठोर बाधाओं (यह सुनिश्चित करना कि प्रत्येक नोड ठीक एक समुदाय का हिस्सा हो) की आवश्यकता होती है, जिन्हें आमतौर पर लैग्रेंज मल्टीप्लायर्स (Lagrange multipliers) के माध्यम से लागू किया जाता है। इन मल्टीप्लायर्स के लिए पेनल्टी वेट्स (penalty weights) को ट्यून करना अनुभवजन्य रूप से कठिन है और इसमें अक्सर समस्या-विशिष्ट अनुमान लगाने की आवश्यकता होती है, जो क्वांटम प्रक्रिया को बाधित कर सकता है और इसकी स्केलेबिलिटी को सीमित कर सकता है। इसके अलावा, मौजूदा हाइब्रिड क्वांटम-क्लासिकल समाधानों में क्लासिकल और क्वांटम प्रोसेसर के बीच श्रम विभाजन के संबंध में पारदर्शिता की कमी होती है।

कार्यप्रणाली
लेखक एक नया एल्गोरिदम, Hierarchical Annealing प्रस्तावित करते हैं, जिसे बिना वन-हॉट एनकोडिंग या लैग्रेंज मल्टीप्लायर्स के, D-Wave Advantage QPU पर शुद्ध क्वांटम एनीलिंग का उपयोग करके मॉडुलैरिटी को अधिकतम करने के लिए डिज़ाइन किया गया है।

रिकर्सिव बाइनरी डीकंपोजिशन (Recursive Binary Decomposition): नोड्स को कई समुदायों में एक साथ आवंटित करने के बजाय, यह एल्गोरिदम नेटवर्क को पुनरावर्ती रूप से विभाजित करता है। यह पूरे नेटवर्क को एक एकल समुदाय के रूप में शुरू करता है और पुनरावृत्ति के साथ प्रत्येक समुदाय को दो उप-समुदायों में विभाजित करता है। यह समस्या को अनियंत्रित बाइनरी ऑप्टिमाइजेशन समस्याओं की एक श्रृंखला में बदल देता है।
QUBO फॉर्मूलेशन:
- अनडिरेक्टेड (Undirected) नेटवर्क के लिए, एक समुदाय $k$ को $k_1$ और $k_2$ में विभाजित करने के लाभ को एक क्वाड्रेटिक अनकन्स्ट्रेंड बाइनरी ऑप्टिमाइजेशन (QUBO) समस्या में मैप किया जाता है। लागत फलन (cost function) सामान्यीकृत मॉडुलैरिटी मैट्रिक्स $B^k$ से प्राप्त होता है, जहाँ उद्देश्य नकारात्मक मॉडुलैरिटी परिवर्तन ( $- [Q(C_{k+1}) - Q(C_k)]$ ) को कम करना है।
- डायरेक्टेड (Directed) नेटवर्क के लिए, लेखक मॉडुलैरिटी मैट्रिक्स की विषमता को संबोधित करने के लिए सममितीकृत रैखिक संयोजन $\frac{1}{2}(p_k + p_k^\top)$ को अनुकूलित करते हैं। यह सुनिश्चित करता है कि पदानुक्रम का पहला चरण सही वैश्विक फलन को अनुकूलित करता है और QUBO फॉर्मलिज्म को बनाए रखता है जिसमें लीनियर टर्म्स की आवश्यकता नहीं होती।
रेज़ोल्यूशन पैरामीटर ( $\gamma$ ): रेज़ोल्यूशन पैरामीटर, जो पहचाने गए समुदायों के पैमाने को नियंत्रित करता है, को सीधे सामान्यीकृत मॉडुलैरिटी मैट्रिक्स गणना में एकीकृत किया गया है। एल्गोरिदम संरचना के संबंध में $\gamma$ से औपचारिक रूप से स्वतंत्र रहता है, जिससे इसे एक मुक्त पैरामीटर के रूप में उपयोग किया जा सकता है।
एग्जीक्यूशन फ्लो (Execution Flow): यह प्रक्रिया पुनरावृत्ति (Algorithm 1) के माध्यम से निष्पादित की जाती है। प्रत्येक चरण के लिए, एक सामान्यीकृत मॉडुलैरिटी मैट्रिक्स की गणना की जाती है, एक QUBO बनाया जाता है, और कैश से एक क्लिक एम्बेडिंग लोड की जाती है। D-Wave सैंपलर बाइनरी QA का उपयोग करके इष्टतम विभाजन खोजने का कार्य करता है। पुनरावृत्ति तब रुक जाती है जब विभाजन से कोई सुधार नहीं होता (मॉडुलैरिटी परिवर्तन शून्य है) या परिणामी सेट खाली होता है।
कार्यान्वयन: लेखकों ने एक पायथन लाइब्रेरी, Qommunity विकसित की है, जो D-Wave इकोसिस्टम के साथ इंटरफेस करती है। उन्होंने डिफ़ॉल्ट चेन स्ट्रेंथ रणनीतियों और टूटी हुई चेन्स के लिए मेजॉरिटी वोटिंग के साथ एडवांटेज सिस्टम (Pegasus टोपोलॉजी, डिग्री 16) का उपयोग किया।

प्रमुख योगदान

बाधाओं के बिना शुद्ध क्वांटम एनीलिंग: यह कार्य दर्शाता है कि केवल शुद्ध एनीलर्स का उपयोग करके मॉडुलैरिटी मैक्सिमाइजेशन के लिए एक व्यवस्थित प्रक्रिया कैसे पाई जा सकती है, जिससे वन-हॉट एनकोडिंग और उससे जुड़े लैग्रेंज मल्टीप्लायर्स के ट्यूनिंग की कठिनाई से बचा जा सके।
सामान्यीकृत फॉर्मलिज्म (Generalized Formalism): लेखक एक एकीकृत पुनरावर्ती ढांचे के भीतर अनडिरेक्टेड, डायरेक्टेड और वेटेड नेटवर्क को संभालने के लिए मॉडुलैरिटी मैक्सिमाइजेशन फॉर्मलिज्म का विस्तार करते हैं।
व्याख्यात्मकता (Interpretability): ब्लैक-बॉक्स हाइब्रिड सॉल्वर के विपरीत, एल्गोरिदम का पुनरावर्ती स्वभाव मध्यवर्ती विभाजनों का एक डेंड्रोग्राम (dendrogram) प्रदान करता है। यह नेटवर्क की पदानुक्रमित संरचना को विभिन्न स्तरों के रेज़ोल्यूशन पर समझने के लिए एक व्याख्यात्मक दृश्य प्रदान करता है।
स्केलेबिलिटी और दक्षता: अध्ययन यह अनुभवजन्य प्रमाण प्रदान करता है कि यह दृष्टिकोण शास्त्रीय एल्गोरिदम (Louvain, Leiden) के समान या उनसे बेहतर समाधान प्रदान करता है, जबकि व्यवहार्य कंप्यूटिंग समय बनाए रखता है।

परिणाम

बेंचमार्किंग: एल्गोरिदम का परीक्षण विभिन्न नेटवर्क टोपोलॉजी पर किया गया, जिसमें Erdős-Rényi, Barabási-Albert, पावर-लॉ क्लस्टर्ड नेटवर्क और डायरेक्टेड स्केल-फ्री नेटवर्क शामिल हैं।
- सरल 3-क्लिक चेन और ज़ाचरी कराटे क्लब नेटवर्क में, Hierarchical Annealing (H. Annealing) ने Louvain और Leiden के समान या उससे थोड़ा अधिक मॉडुलैरिटी स्कोर प्राप्त किया।
- स्टोकेस्टिक ब्लॉक मॉडल (SBM) में, पद्धति ने विभिन्न मिक्सिंग मापदंडों के तहत प्लांटेड कम्युनिटीज को सफलतापूर्वक रिकवर किया, और प्रोबेबिलिस्टिक इन्फरेंस विधियों के मुकाबले प्रतिस्पर्धी प्रदर्शन किया।
- स्केल-फ्री नेटवर्क के लिए, एल्गोरिदम ने मजबूत प्रदर्शन दिखाया, और अक्सर मॉडुलैरिटी स्कोर के मामले में अपने शास्त्रीय समकक्षों से बेहतर प्रदर्शन किया, विशेष रूप से जब अंतर्निहित पदानुक्रम मौजूद थे।
रेज़ोल्यूशन संवेदनशीलता: एल्गोरिदम रेज़ोल्यूशन पैरामीटर $\gamma$ के विभिन्न मानों के लिए स्थिर रहा। हालांकि डायरेक्टेड नेटवर्क में अत्यधिक $\gamma$ मानों के लिए प्रदर्शन थोड़ा कम हुआ, लेकिन $\gamma=1$ के पास यह प्रतिस्पर्धी बना रहा।
कंप्यूटेशनल जटिलता:
- क्लासिकल प्री-प्रोसेसिंग (मॉडुलैरिटी मैट्रिक्स गणना) $O(n^2)$ के रूप में स्केल करती है।
- संतुलित विभाजन (balanced splits) मानते हुए, रिकर्सिव ट्री कॉम्प्लेक्सिटी Akra-Bazzi प्रमेय के आधार पर $O(n \log n)$ अनुमानित है।
- अनुभवजन्य रूप से, QPU एक्सेस टाइम नेटवर्क के आकार के साथ लॉगरिदमिक रूप से स्केल हुआ ( $t \propto \ln N$ ), जो कुशल स्केलिंग का सुझाव देता है।
- कुल रनटाइम संचार और क्यूइंग ओवरहेड्स द्वारा नियंत्रित होता है, न कि स्वयं QPU निष्पादन समय द्वारा।
वास्तविक दुनिया का अनुप्रयोग: इस पद्धति को एक वास्तविक मस्तिष्क संरचनात्मक कनेक्टिविटी नेटवर्क (166 नोड्स) पर लागू किया गया। परिणामी कम्युनिटी संरचना और डेंड्रोग्राम Louvain और Leiden द्वारा पाए गए परिणामों के साथ अत्यधिक सुसंगत थे, जिनमें केवल अत्यधिक परस्पर जुड़े फ्रंटोपैरिएटल बॉर्डर्स में मामूली अंतर था।

महत्व और दावे
यह शोध पत्र इस कार्य को "शुद्ध क्वांटम एनीलिंग के लागू होने योग्य अभ्यास-उन्मुख उपयोग की दिशा में पहला कदम" के रूप में प्रस्तुत करता है। लेखक नेटवर्क विज्ञान और क्वांटम कंप्यूटिंग के बीच के अंतर को पाटने का दावा करते हैं, यह प्रदर्शित करते हुए कि शुद्ध QA हाइब्रिड "ब्लैक-बॉक्स" समाधानों या जटिल बाधा ट्यूनिंग पर निर्भर किए बिना कम्युनिटी डिटेक्शन समस्याओं को हल कर सकता है।

इसका महत्व निम्नलिखित में निहित है:

पारदर्शिता: एक एकल फ्लैट पार्टीशन के बजाय एक व्याख्यात्मक, पुनरावर्ती समाधान (डेंड्रोग्राम) प्रदान करना, जो मस्तिष्क नेटवर्क जैसे जटिल प्रणालियों में छिपे हुए पदानुक्रमों को उजागर करने के लिए मूल्यवान है।
व्यवहार्यता: यह दिखाना कि वर्तमान क्वांटम हार्डवेयर (D-Wave Advantage) प्रतिस्पर्धी प्रदर्शन के साथ व्यावहारिक आकार (परीक्षण किए गए ~166 नोड्स तक, Pegasus टोपोलॉजी द्वारा सीमित) के कम्युनिटी डिटेक्शन कार्यों को संभाल सकता है।
पद्धतिगत बदलाव: वन-हॉट एनकोडिंग के लिए एक व्यवहार्य विकल्प प्रदान करना जो पेनल्टी वेट्स के अनुभवजन्य ट्यूनिंग से बचता है, जिससे क्वांटम ऑप्टिमाइजेशन नेटवर्क विश्लेषण के लिए अधिक सुलभ हो सकता है।

लेखक विनम्र रहते हुए स्वीकार करते हैं कि पुनरावर्ती प्रक्रिया वैश्विक इष्टतम की गारंटी नहीं देती है (जो इस NP-hard समस्या के लिए सभी ह्यूरिस्टिक्स की एक सीमा है), और संचार ओवरहेड्स को कम करने के लिए बहुत बड़े नेटवर्क के लिए स्केलेबिलिटी हेतु हाइब्रिड सॉल्वर या स्थानीय QPU एक्सेस की आवश्यकता होगी। वे सार्वभौमिक श्रेष्ठता का दावा नहीं करते हैं, बल्कि विशिष्ट टोपोलॉजिकल संदर्भों में सार्थक, व्याख्यात्मक और समान रूप से इष्टतम समाधान प्रदान करने के लिए क्वांटम एनीलिंग की क्षमता को रेखांकित करते हैं।

1. समस्या: द "वन-हॉट" ट्रैप (The "One-Hot" Trap)

2. समाधान: द "रिकर्सिव स्प्लिट" (The "Recursive Split" - प्याज विधि)

3. परिणाम: इसने कैसा प्रदर्शन किया?

4. यह क्यों महत्वपूर्ण है (शोध पत्र के अनुसार)

सारांश

इसी तरह के और पेपर