⚛️ quantum physics

A New Algorithm for Applying Sequences of Affine Transformations in Quantum Circuits

यह शोध पत्र हैडामार्ड-समर्थित सशर्त इनिशियलाइजेशन (conditional initialization) और ब्लॉक एनकोडिंग का उपयोग करके क्वांटम सर्किट में अनुक्रमिक नेस्टेड एफाइन ट्रांसफॉर्मेशन (sequential nested affine transformations) को लागू करने के लिए एक स्केलेबल फ्रेमवर्क प्रस्तावित करता है, जो वित्तीय जोखिम मूल्यांकन और डिस्क्रीट सिग्नल प्रोसेसिंग में व्यावहारिक अनुप्रयोग प्रदान करता है।

मूल लेखक: Anish Giri, David Hyde, Kalman Varga

प्रकाशित 2026-04-28

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Anish Giri, David Hyde, Kalman Varga

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

द क्वांटम "रेसिपी मल्टीप्लायर": क्वांटम दुनिया में गणित को गति देना

कल्पना कीजिए कि आप एक मास्टर शेफ हैं, और आपके पास एक बेहतरीन सूप की जादुई रेसिपी है। क्लासिकल कंप्यूटरों (जैसे आपका लैपटॉप) की दुनिया में, यदि आप उस रेसिपी को बदलना चाहते हैं—मान लीजिए नमक को दोगुना करना, काली मिर्च का एक चुटकी डालना, और फिर उसे एक विशिष्ट तरीके से मिलाना—तो आप बस चरणों का पालन करते हैं। यह सीधा और सरल है।

लेकिन क्वांटम दुनिया में, चीजें बहुत अजीब हैं। क्वांटम कंप्यूटर केवल चीजों की "मात्रा" स्टोर नहीं करते; वे "संभावनाओं" (किसी चीज़ के होने की संभावना) को तरंगों (waves) के रूप में स्टोर करते हैं।

यहाँ समस्या यह है: क्वांटम भौतिकी एक सख्त पूर्णतावादी (perfectionist) है। यह "यूनिटैरिटी" (unitarity) नामक एक नियम का पालन करती है, जो मूल रूप से कहता है: "आपके सिस्टम में कुल 'सामग्री' की मात्रा हमेशा ठीक 100% होनी चाहिए।"

समस्या: "लीकी बकेट" (रिसाव वाला बर्तन) की दुविधा

एक एफाइन ट्रांसफॉर्मेशन (Affine Transformation) केवल दो सरल क्रियाओं के लिए एक फैंसी गणितीय शब्द है:

स्केलिंग (Scaling): किसी चीज़ को गुणा करना (जैसे, "नमक को दोगुना करें")।
शिफ्टिंग (Shifting): कुछ जोड़ना (जैसे, "एक चम्मच काली मिर्च डालें")।

यदि आप एक क्वांटम सिस्टम में "नमक को दोगुना" करने की कोशिश करते हैं, तो अचानक आपके पास रेसिपी का 200% हिस्सा हो जाता है। क्वांटम कंप्यूटर घबरा जाता है क्योंकि उसे 100% से अधिक होने की अनुमति नहीं है। यदि आप इसे बार-बार करने की कोशिश करते हैं (दोगुना करें, फिर काली मिर्च डालें, फिर इसे तिगुना करें, फिर लहसुन डालें), तो आपकी "रेसिपी" गणित का एक ऐसा ढेर बन जाएगी जिसे क्वांटम कंप्यूटर संभाल ही नहीं सकता। यह एक बाल्टी में उतनी ही पानी डालने की कोशिश करने जैसा है जितनी वह क्षमता रख सकती है—गणित "रिस" जाता है, और जानकारी खो जाती है।

समाधान: "मिरर रूम" (दर्पण कक्ष) रणनीति

शोधकर्ताओं (गिरी, हाइड और वर्गा) ने 100% के नियम को तोड़े बिना इन रूपांतरणों को करने का एक चतुर तरीका निकाला है। अतिरिक्त गणित को बाल्टी में जबरदस्ती डालने के बजाय, वे एक "मिरर रूम" (ब्लॉक एनकोडिंग) का उपयोग करते हैं।

कल्पना कीजिए कि आप अपनी रेसिपी को दोगुना करना चाहते हैं। वास्तव में सूप को दोगुना करने के बजाय, आप दो समान मेजों वाला एक जादुई कमरा बनाते हैं।

टेबल A पर, आपके पास मूल रेसिपी है।
टेबल B पर, आपके पास दोगुनी रेसिपी है।

एक विशेष क्वांटम ट्रिक (जिसे हैडामार्ड-सपोर्टेड इनिशियलाइजेशन कहा जाता है) का उपयोग करके, कंप्यूटर रेसिपी को "सुपरपोजिशन" में डाल देता है—यह दोनों मेजों पर एक साथ मौजूद होती है। जब आप कमरे को देखते हैं, तो गणित पूरी तरह से काम करता है क्योंकि दोनों मेजों पर कुल "सामग्री" की मात्रा अभी भी 100% के बराबर होती है। आपने अतिरिक्त वजन को एक बड़े, नियंत्रित स्थान में फैलाकर अपनी रेसिपी को सफलतापूर्वक "दोगुना" कर दिया है।

"फेडिंग घोस्ट" (धुंधला होता भूत) की समस्या (और उन्होंने इसे कैसे ठीक किया)

यहाँ एक पेच है: हर बार जब आप एक नया चरण जोड़ते हैं (जैसे कि वह लहसुन डालना), तो आपको गणित को वैध रखने के लिए स्टेट (state) को फिर से विभाजित करना पड़ता है। यदि आप इसे 10 बार करते हैं, तो आपकी "वांछित" रेसिपी एक बहुत ही छोटी, नगण्य छाया—कुल स्टेट का एक बहुत छोटा सा अंश बन जाती है। अंत में उस "घोस्ट" रेसिपी को ढूँढना एक विशाल रेगिस्तान में एक विशिष्ट रेत के कण को खोजने जैसा होगा। इसमें अनंत समय लगेगा।

इसे ठीक करने के लिए, लेखकों ने "इंटरलीव्ड एम्प्लीट्यूड एम्प्लीफिकेशन" पेश किया।

इसे एक "क्वांटम स्पॉटलाइट" की तरह समझें। लंबी कुकिंग प्रक्रिया के अंत तक रेसिपी को खोजने का इंतजार करने के बजाय, वे हर एक चरण के बाद एक चमकदार स्पॉटलाइट चालू करते हैं।

नमक डाला? स्पॉटलाइट! (नमक वाले हिस्से को फिर से चमकीला बना देता है)।
काली मिर्च डाली? स्पốtलाइट! (काली मिर्च वाले हिस्से को फिर से चमकीला बना देता है)।

उस हिस्से को लगातार "फिर से चमकाकर" जिसकी हमें वास्तव में परवाह है, वे रेसिपी को एक भूत की तरह धुंधला होने से बचाते हैं। यह एक ऐसे कार्य को, जिसमें "एक्सपोनेंशियल" समय (ब्रह्मांड की आयु से भी अधिक समय) लगता, "लीनियर" समय (कुछ ऐसा जिसे एक कंप्यूटर वास्तव में कर सकता है) में बदल देता है।

यह क्यों मायने रखता है?

यह केवल सूप के बारे में नहीं है। यह एल्गोरिदम क्वांटम कंप्यूटरों को जटिल, दोहराव वाले गणित को बहुत अधिक कुशलता से संभालने की अनुमति देता है। इससे इनमें सफलता मिल सकती है:

सिग्नल प्रोसेसिंग: शोर वाले डेटा को साफ करना (जैसे कि ग्रेनी वीडियो या स्टैटिक-भरे रेडियो सिग्नल को ठीक करना)।
प्रकृति का अनुकरण (Simulating Nature): यह समझना कि अणु बाहरी बलों के प्रति कैसे प्रतिक्रिया करते हैं (जैसे कि एक दवा कोशिका के साथ कैसे इंटरैक्ट करती है)।
मशीन लर्निंग: क्वांटम कंप्यूटरों को पैटर्न "सीखने" में मदद करना, गणितीय रूपांतरणों की परतें लागू करके, बिल्कुल वैसे ही जैसे आधुनिक AI काम करता है।

संक्षेप में: उन्होंने एक तरीका खोजा जिससे क्वांटम कंप्यूटर भौतिकी के मौलिक नियमों को तोड़े बिना जटिल निर्देशों को "जोड़ने और गुणा करने" में सक्षम हो सकें।

तकनीकी सारांश: क्वांटम सर्किट में अफ़ाइन रूपांतरणों (Affine Transformations) के अनुक्रम लागू करने के लिए एक नया एल्गोरिदम

1. समस्या विवरण

क्लासिकल कंप्यूटिंग में, अफ़ाइन रूपांतरण—जो $f(\Psi) = A\Psi + B$ (जहाँ $A$ एक रैखिक रूपांतरण है और $B$ एक ट्रांसलेशन वेक्टर है) द्वारा परिभाषित होते हैं—मशीन लर्निंग, सिग्नल प्रोसेसिंग और पुनरावृत्त संख्यात्मक विधियों (iterative numerical methods) में मौलिक हैं।

इनको क्वांटम कंप्यूटिंग में लागू करना एक महत्वपूर्ण चुनौती पेश करता है: क्वांटम मैकेनिक्स स्वाभाविक रूप से यूनिटरी (unitary) है, जिसका अर्थ है कि क्वांटम गेट्स को स्टेट वेक्टर के नॉर्म (कुल प्रायिकता) को संरक्षित करना चाहिए। हालाँकि, एक अफ़ाइन रूपांतरण आमतौर पर वेक्टर के नॉर्म को बदल देता है। जबकि "होमोजेनियस कोऑर्डिनेट्स" या "लीनियर कॉम्बिनेशन ऑफ यूनिटरीज" (LCU) जैसी मौजूदा विधियाँ मौजूद हैं, वे अक्सर बड़े पैमाने पर स्केलेबिलिटी संबंधी समस्याओं से जूझती हैं। विशेष रूप से, अफ़ाइन रूपांतरणों को दर्शाने के लिए संवर्धित मैट्रिसेस (augmented matrices) का उपयोग करने से मैट्रिक्स के आकार में चार गुना वृद्धि होती है, जिसके लिए काफी अधिक क्विबिट्स की आवश्यकता होती है और सर्किट डिकंपोजिशन कम्प्यूटेशनल रूप से महंगा हो जाता है।

2. कार्यप्रणाली (Methodology)

लेखक एक स्केलेबल एल्गोरिदम प्रस्तावित करते हैं जो एक क्वांटम सिस्टम के सब-स्टेट के भीतर स्थित एक फील्ड पर $k$ अफ़ाइन रूपांतरणों के अनुक्रम को लागू करता है। कार्यप्रणाली के तीन मुख्य स्तंभ हैं:

हैडामार्ड-सपोर्टेड कंडिशनल इनिशियलाइजेशन (Hadamard-Supported Conditional Initialization): विशाल संवर्धित मैट्रिसेस का उपयोग करने के बजाय, लेखक क्वांटम स्टेट के एम्प्लीट्यूड (amplitudes) पर सीधे अंकगणित करते हैं। एक सहायक क्वबिट (ancillary qubit) और हैडामार्ड गेट्स के जोड़े का उपयोग करके, वे एक सुपरपोजिशन बनाते हैं जहाँ एक शाखा में दो अवस्थाओं का योग ( $\Psi_A + \Psi_B$ ) और दूसरी शाखा में अंतर ( $\Psi_A - \Psi_B$ ) होता है। यह उच्च-आयामी समन्वय प्रणालियों के ओवरहेड के बिना ट्रांसलेशन वेक्टर $B$ के एलिमेंट-वाइज जोड़ और घटाव की अनुमति देता है।
$A$ का ब्लॉक एनकोडिंग (Block Encoding of $A$ ): संवर्धित मैट्रिक्स $\tilde{A}$ को एनकोड करने के बजाय, एल्गोरिदम केवल रैखिक घटक $A$ को एक यूनिटरी $U$ में एनकोड करता है। यह आवश्यक मैट्रिक्स के आकार को $16N^2$ से घटाकर $4N^2$ कर देता है, जिससे क्वबिट दक्षता और सर्किट डेप्थ में काफी सुधार होता है।
इंटरलीव्ड एम्प्लीट्यूड एम्प्लीफिकेशन (Interleaved Amplitude Amplification - AA): हैडामार्ड-सपोर्टेड एडिशन का एक प्रमुख दुष्प्रभाव यह है कि "वांछित" स्टेट का एम्प्लीट्यूड प्रत्येक चरण के साथ तेजी से घटता है (विशेष रूप से, प्रति चरण $1/2$ के कारक से, या $k$ चरणों के बाद $1/2^k$ तक)। इसे रोकने के लिए, लेखक प्रत्येक अफ़ाइन स्टेप के बाद ग्रोवर-शैली के एम्प्लीट्यूड एम्प्लीफिकेशन को इंटरलीव (interleave) करने का प्रस्ताव देते हैं। यह कुल कम्प्यूटेशनल ओवरहेड को एक्सपोनेंशियल ( $O(2^k)$ ) से बदलकर पॉलिनोमियल ( $O(k^2)$ ) में बदल देता है।

3. मुख्य योगदान

स्केलेबल आर्किटेक्चर: एक विधि जो $k$ अनुक्रमिक रूपांतरण $A_k(\dots(A_1\Psi + B_1)\dots) + B_k$ को लागू करती है, जिसका सर्किट लागत चरणों की संख्या के सापेक्ष रैखिक रूप से बढ़ता है (इंटरलीव्ड AA का उपयोग करने पर)।
जटिलता में कमी (Complexity Reduction): पारंपरिक होमोजेनियस कोऑर्डिनेट विधियों की तुलना में आवश्यक सहायक क्विबिट्स और यूनिटरी ऑपरेटर्स के आयाम में महत्वपूर्ण कमी।
एल्गोरिद्मिक फ्रेमवर्क: "इंटरलीव्ड" एम्प्लीफिकेशन रणनीति का औपचारिकीकरण, जो यह गणितीय प्रमाण प्रदान करता है कि यह एम्प्लीट्यूड डिके (amplitude decay) की बाधा को कम करता है।

4. परिणाम और प्रदर्शन

पेपर दो प्राथमिक उपयोग के मामलों के माध्यम से एल्गोरिदम को मान्य करता है:

डिस्क्रीट सिग्नल प्रोसेसिंग: लेखकों ने फ्रीक्वेंसी डोमेन में अफ़ाइन रूपांतरणों को करने की क्षमता का प्रदर्शन किया। क्वांटम फूरियर ट्रांसफॉर्म (QFT) लागू करके, गुणांकों पर अफ़ाइन रूपांतरण करने और फिर इनवर्स QFT (IQFT) लागू करके, उन्होंने सफलतापूर्वक क्वांटम सेटिंग में सिग्नल गुणों (स्केलिंग और बायस) को संशोधित किया।
ड्रिवन हैमिल्टोनियन डायनेमिक्स (Driven Hamiltonian Dynamics): एल्गोरिदम का उपयोग एक ड्रिवन क्वांटम सिस्टम ( $i\dot{\psi}(t) = H\psi(t) + \eta(t)$ ) के विकास को सिम्युलेट करने के लिए किया गया था। समय को डिस्क्रीटाइज करके, निरंतर डिफरेंशियल इक्वेशन को अफ़ाइन अपडेट्स के एक अनुक्रम में परिवर्तित किया जाता है, जिसे एल्गोरिदम कुशलतापूर्वक संभालता है।

5. महत्व

यह शोध क्लासिकल इट्रेटिव एल्गोरिदम और क्वांटम निष्पादन के बीच एक महत्वपूर्ण सेतु प्रदान करता है। गैर-यूनिटरी अफ़ाइन मैप्स को कुशलतापूर्वक लागू करने में सक्षम बनाकर, यह एल्गोरिदम निम्नलिखित के द्वार खोलता है:

क्वांटम मशीन लर्निंग: न्यूरल नेटवर्क के उन लेयर्स को लागू करना जो अफ़ाइन शिफ्ट्स पर निर्भर करते हैं।
क्वांटम डिफरेंशियल इक्वेशन सॉल्वर्स: मजबूर या संचालित (forced or driven) भौतिक प्रणालियों का अधिक कुशल सिमुलेशन।
कॉम्बिनेटोरियल ऑप्टिमाइजेशन: क्वांटम हार्डवेयर पर ग्रेडिएंट-आधारित अनुकूलन के लिए नए उपकरण प्रदान करना।

अनिवार्य रूप से, यह पेपर क्वांटम कंप्यूटिंग को उस "इनहोमोजिनियस" गणित (स्थिरांक और ऑफसेट वाले गणित) को संभालने के करीब ले जाता है जो वास्तविक दुनिया की इंजीनियरिंग और डेटा साइंस में सर्वव्यापी है।