⚛️ quantum physics

Quantum framework for Reinforcement Learning: Integrating Markov decision process, quantum arithmetic, and trajectory search

यह शोध पत्र सुदृढीकरण लर्निंग (reinforcement learning) के लिए एक पूर्णतः क्वांटम ढांचे का प्रस्ताव करता है जो शास्त्रीय गणनाओं को समाप्त करने और क्वांटम सुपरपोजिशन के माध्यम से उन्नत निर्णय लेने की दक्षता को प्रदर्शित करने के लिए क्वांटम मार्कोव निर्णय प्रक्रियाओं, अंकगणित और प्रक्षेपवक्र खोज (trajectory search) को एकीकृत करता है।

मूल लेखक: Thet Htar Su, Shaswot Shresthamali, Masaaki Kondo

प्रकाशित 2026-04-23

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Thet Htar Su, Shaswot Shresthamali, Masaaki Kondo

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 रोबोट को एक विशाल, भ्रमित करने वाली भूलभुलैया (maze) में खजाना खोजने के लिए नेविगेट करना सिखाने की कोशिश कर रहे हैं। यह रीइन्फोर्समेंट लर्निंग (Reinforcement Learning - RL) का मूल विचार है। रोबोट (जिसे "एजेंट" कहा जाता है) अलग-अलग रास्ते आज़माता है, अच्छे कदमों के लिए अंक (रिवॉर्ड्स) पाता है, और दीवारों से टकराने पर अंक खो देता है। समय के साथ, वह सबसे अच्छा रास्ता सीख जाता है।

हालाँकि, वास्तविक दुनिया में, भूलभुलैया अविश्वसनीय रूप से जटिल हो सकती है। यदि भूलभुलैया बहुत बड़ी है, तो एक सामान्य कंप्यूटर को हर एक रास्ता एक-एक करके आज़माना होगा, जैसे कि कोई व्यक्ति भूलभुलैया में घूम रहा हो, एक बंद रास्ते (dead end) पर पहुँच जाए, वापस आए, और फिर अगला दरवाज़ा आज़माए। इसमें बहुत समय और बहुत ऊर्जा लगती है।

यह शोध पत्र क्वांटम कंप्यूटिंग (Quantum Computing) का उपयोग करके इस समस्या को हल करने का एक क्रांतिकारी नया तरीका प्रस्तावित करता है। एक-एक करके रास्ता चुनने के बजाय, लेखकों ने एक "क्वांटम रोबोट" बनाया है जो एक ही समय में हर संभव रास्ते पर चल सकता है।

यहाँ इसका एक सरल विवरण दिया गया है, जिसमें रचनात्मक उपमाओं (analogies) का उपयोग किया गया है:

1. पुराना तरीका बनाम क्वांटम तरीका

पारंपरिक तरीका (एक अकेला यात्री): कल्पना कीजिए कि एक यात्री जंगल में सबसे अच्छा रास्ता खोजने की कोशिश कर रहा है। वह एक रास्ता चुनता है, उस पर चलता है, देखता है कि वह कैसा है, वापस आता है, और फिर दूसरा रास्ता आज़माता है। यदि लाखों रास्ते हैं, तो इसमें बहुत समय लगेगा।
क्वांटम तरीका (एक भूतिया यात्री): क्वांटम दुनिया में, रोबोट केवल एक यात्री नहीं है। सुपरपोजिशन (Superposition) नामक सिद्धांत के कारण, रोबोट एक "भूत" बन जाता है जो एक ही समय में सभी संभावित रास्तों पर मौजूद होता है। उसे एक रास्ता चुनने की ज़रूरत नहीं है; वह एक ही बार में पूरे जंगल की खोज करता है।

2. तीन जादुई तरकीबें

लेखकों ने एक पूर्ण प्रणाली बनाई है जहाँ रोबोट, भूलभुलैया और खेल के नियम, तीनों एक क्वांटम कंप्यूटर के भीतर मौजूद हैं। उन्होंने तीन मुख्य "जादुई तरकीबों" का उपयोग किया है:

क. सुपरपोजिशन मैप (स्टेट ट्रांजिशन)

एक सामान्य कंप्यूटर में, रोबोट केवल एक स्थान पर होता है। इस क्वांटम प्रणाली में, रोबोट एक ही समय में हर स्थान पर होता है।

उपमा: ताश की गड्डी की कल्पना करें। एक सामान्य कंप्यूटर एक बार में एक ही कार्ड देखता है। क्वांटम कंप्यूटर पूरी गड्डी को फैला देता है और एक साथ हर कार्ड को देखता है। यह रोबोट को यह देखने की अनुमति देता है कि हर संभावित चाल भूलभुलैया को कैसे प्रभावित करती है।

ख. क्वांटम कैलकुलेटर (रिटर्न कैलकुलेशन)

रोबोट को यह देखने के लिए कि विजेता कौन है, एक रास्ते के दौरान मिलने वाले सभी अंकों को जोड़ना होगा।

उपमा: कैलकुलेटर पर एक-एक करके नंबर जोड़ने के बजाय, क्वांटम कंप्यूटर क्वांटम अरिथमेटिक (Quantum Arithmetic) का उपयोग करता है। यह एक जादुई अबैकस (abacus) की तरह है जो जंगल के हर एक रास्ते के स्कोर को एक ही क्षण में जोड़ देता है।

ग. जादुई दिशा-सूचक यंत्र (ग्रोवर सर्च)

यह सबसे रोमांचक हिस्सा है। एक बार जब रोबोट ने सभी रास्तों की खोज कर ली है और स्कोर की गणना कर ली है, तो उसे सबसे बेहतरीन रास्ता ढूँढना होता है।

उपमा: कल्पना कीजिए कि आपके पास लाखों किताबों वाली एक विशाल लाइब्रेरी है, और केवल एक किताब में खजाने का रहस्य है।
- क्लासिकल सर्च (पारंपरिक खोज): आपको एक-एक करके हर किताब खोलनी होगी जब तक कि आपको वह मिल न जाए।
- ग्रोवर एल्गोरिदम (Grover's Algorithm): यह एक जादुई दिशा-सूचक यंत्र (compass) की तरह है जो तुरंत कंपन करता है और सीधे सही किताब की ओर इशारा करता है। लेखकों ने इस एल्गोरिदम का उपयोग उन सभी संभावनाओं में से सबसे अच्छे रास्ते पर तुरंत "ज़ूम इन" करने के लिए किया जो रोबोट ने खोजी थीं।

3. उन्होंने क्या सिद्ध किया?

शोधकर्ताओं ने इसका परीक्षण एक सरल "भूलभुलैया" (एक गणितीय मॉडल जिसे मार्कोव डिसीजन प्रोसेस कहा जाता है) पर किया, जिसमें 4 कमरे और प्रत्येक चरण में 2 विकल्प थे।

उन्होंने एक क्वांटम कंप्यूटर (जिसे क्लासिकल मशीन पर सिम्युलेट किया गया था) पर यह सिमुलेशन चलाया।
उन्होंने पाया कि उनके क्वांटम रोबोट ने एक क्लासिकल रोबोट (मानक Q-learning का उपयोग करते हुए) के समान ही सटीक सबसे अच्छा रास्ता खोजा।
बड़ी जीत: क्वांटम रोबोट ने यह उत्तर बहुत तेज़ी से खोजा क्योंकि उसे एक-एक करके रास्ते नहीं चलने पड़े। इसने एक ही "स्नैपशॉट" में पूरी भूलभुलैया का मूल्यांकन कर लिया।

यह क्यों मायने रखता है?

वर्तमान में, अधिकांश "क्वांटम एआई" (Quantum AI) एक हाइब्रिड है: मस्तिष्क क्वांटम है, लेकिन शरीर क्लासिकल है। यह शोध पत्र विशेष है क्योंकि यह एक पूर्णतः क्वांटम (fully quantum) प्रणाली है। एजेंट, वातावरण और निर्णय लेने की प्रक्रिया—ये सभी क्वांटम क्षेत्र के भीतर हैं।

वास्तविक दुनिया पर प्रभाव:

सेल्फ-ड्राइविंग कारें: एक समय में एक रूट की गणना करने के बजाय, एक क्वांटम कार पलक झपकते ही लाखों ट्रैफिक परिदृश्यों का मूल्यांकन करके सबसे सुरक्षित और तेज़ रास्ता खोज सकती है।
चिकित्सा उपचार: डॉक्टर किसी मरीज के लिए लाखों अलग-अलग उपचार योजनाओं का एक साथ सिमुलेशन कर सकते हैं ताकि सफलता की उच्चतम संभावना वाला उपचार खोजा जा सके।
स्टॉक ट्रेडिंग: निवेशक सबसे लाभदायक रणनीति खोजने के लिए बाजार की हर संभावित हलचल का तुरंत विश्लेषण कर सकते हैं।

निष्कर्ष

यह शोध पत्र एक ऐसे भविष्य का ब्लूप्रिंट है जहाँ कंप्यूटर केवल समस्याओं को तेज़ी से हल नहीं करेंगे; वे उन्हें एक साथ सभी संभावनाओं को देखकर हल करेंगे। यह एक ऐसी टॉर्च से अपग्रेड करने जैसा है जो एक बार में एक कदम को रोशन करती है, और एक ऐसी फ्लडलाइट (floodlight) से जो पूरे परिदृश्य को तुरंत प्रकट कर देती है। हालाँकि हम पूर्ण-स्तरीय क्वांटम हार्डवेयर के साथ अभी वहां तक नहीं पहुँचे हैं, फिर भी यह ढांचा हमें दिखाता है कि अगली पीढ़ी की बुद्धिमान मशीनों के लिए "क्वांटम मस्तिष्क" कैसे बनाया जाए।

यहाँ शोध पत्र "Quantum framework for Reinforcement Learning: Integrating Markov decision process, quantum arithmetic, and trajectory search" (Thet Htar Su, Shaswot Shresthamali, और Masaaki Kondo द्वारा लिखित) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

रीइन्फोर्समेंट लर्निंग (RL) उच्च-आयामी वातावरण (high-dimensional environments) में महत्वपूर्ण स्केलेबिलिटी चुनौतियों का सामना करती है जहाँ स्टेट (state) और एक्शन (action) स्पेस तेजी से बढ़ते हैं। क्लासिकल RL एल्गोरिदम (जैसे Q-learning, Policy Gradients) अक्सर अभिसरण (convergence) के लिए अत्यधिक कंप्यूटेशनल संसाधनों और समय की मांग करते हैं, विशेष रूप से स्टोकेस्टिक वातावरण में। हालांकि हाइब्रिड क्वांटम-क्लासिकल दृष्टिकोण (Variational Quantum Circuits या क्वांटम-प्रेरित ह्यूरिस्टिक्स का उपयोग करके) प्रस्तावित किए गए हैं, वे कुछ बाधाओं से ग्रस्त हैं:

संचार ओवरहेड (Communication Overhead): उन्हें क्लासिकल और क्वांटम सिस्टम के बीच बार-बार डेटा विनिमय की आवश्यकता होती है, जो संभावित गति वृद्धि (speedups) को निष्फल कर देता है।
आंशिक क्वांटमीकरण (Partial Quantumization): अक्सर, केवल एजेंट (पॉलिसी) क्वांटम होता है, जबकि वातावरण क्लासिकल रहता है, जिससे क्वांटम पैरेललिज्म का लाभ उठाने की क्षमता सीमित हो जाती है।
सीमित दायरा (Limited Scope): पिछले "पूर्णतः क्वांटम" प्रयास अक्सर सरल सिंगल-स्टेट बैंडिट समस्याओं तक ही सीमित थे, न कि जटिल, मल्टी-स्टेप मार्कोव डिसीजन प्रोसेस (MDPs) तक।

लेखक एक पूर्णतः क्वांटम फ्रेमवर्क (fully quantum framework) डिजाइन करने का लक्ष्य रखते हैं जहाँ एजेंट, वातावरण, उनकी अंतःक्रियाएं और इष्टतम नीतियों की खोज पूरी तरह से क्वांटम डोमेन के भीतर होती है, जिससे क्लासिकल सबरूटीन्स (subroutines) की आवश्यकता समाप्त हो जाती है।

2. कार्यप्रणाली (Methodology)

यह शोध पत्र एक क्वांटम मार्कोव डिसीजन प्रोसेस (QMDP) फ्रेमवर्क प्रस्तावित करता है जो क्लासिकल RL घटकों को सीधे क्वांटम ऑपरेशन्स पर मैप करता है।

A. MDP का क्वांटम प्रतिनिधित्व (Quantum Representation of MDP)

स्टेट और एक्शन एनकोडिंग: MDP को $N$ स्टेट्स और $M$ एक्शन्स के साथ परिभाषित किया गया है। स्टेट्स ( $S$ ) और एक्शन्स ( $A$ ) को हिल्बर्ट स्पेस में ऑर्थोनॉर्मल बेसिस वेक्टर्स के रूप में क्यूबिट्स ( $n = \log_2 N$ स्टेट्स के लिए, $m = \log_2 M$ एक्शन्स के लिए) का उपयोग करके एनकोड किया गया है।
सुपरपोजिशन इनिशियलाइजेशन (Superposition Initialization): एक एकल स्टेट-एक्शन पेयर को सैंपल करने के बजाय, सिस्टम हैडामार्ड गेट्स (Hadamard gates) का उपयोग करके सभी स्टेट्स और एक्शन्स को एक यूनिफॉर्म सुपरपोजिशन में इनिशियलाइज करता है। यह एजेंट को सभी संभावित स्टेट-एक्शन पेयर्स को एक साथ एक्सप्लोर करने की अनुमति देता है।

B. क्वांटम स्टेट ट्रांजिशन और रिवॉर्ड (Quantum State Transitions and Rewards)

स्टेट ट्रांजिशन: क्लासिकल ट्रांजिशन प्रोबेबिलिटीज $P(s'|s,a)$ को क्वांटम एम्प्लीट्यूड (amplitudes) में एनकोड किया जाता है। लेखक एनसैलरी क्यूबिट्स (ancillary qubits) पर कंट्रोल्ड- $R_y(\theta)$ गेट्स का उपयोग करते हैं। रोटेशन एंगल $\theta$ की गणना $2\arcsin(\sqrt{P(s'|s,a)})$ के रूप में की जाती है। ये गेट्स वर्तमान स्टेट और एक्शन क्यूबिट्स द्वारा नियंत्रित होते हैं, जो यह सुनिश्चित करते हैं कि ट्रांजिशन केवल विशिष्ट जोड़ों के लिए हो, जो प्रभावी रूप से सुपरपोजिशन में स्टोकेस्टिक प्रकृति का अनुकरण करता है।
रिवॉर्ड मैकेनिज्म: रिवॉर्ड्स को CNOT गेट्स का उपयोग करके एनकोड किया गया है। यदि परिणामी 'नेक्स्ट स्टेट' किसी रिवॉर्ड की स्थिति से मेल खाती है, तो रिवॉर्ड क्यूबिट को फ्लिप (जैसे, $|0\rangle \to |1\rangle$ ) कर दिया जाता है। यह रिवॉर्ड को ट्राजेक्टरी के साथ सशर्त रूप से एंटैंगल (entangle) करता है।

C. मल्टी-स्टेप इंटरैक्शन और रिटर्न कैलकुलेशन (Multi-Step Interaction and Return Calculation)

टेम्पोरल इवोल्यूशन (Temporal Evolution): $T$ टाइम स्टेप्स को सिम्युलेट करने के लिए, फ्रेमवर्क CNOT गेट्स का उपयोग करके टाइम $t$ के "नेक्स्ट स्टेट" क्यूबिट्स को टाइम $t+1$ के "करेंट स्टेट" क्यूबिट्स में प्रोपेगेट करता है। यह सभी संभावित ट्राजेक्टरीज में सुपरपोजिशन को बनाए रखते हुए एक क्रमिक श्रृंखला बनाता है।
क्वांटम रिटर्न कैलकुलेशन: संचयी रिटर्न (डिस्काउंटेड सम ऑफ रिवॉर्ड्स) की गणना क्वांटम अरिथमेटिक का उपयोग करके की जाती है। प्रत्येक टाइम स्टेप के रिवॉर्ड क्यूबिट्स को CNOT और टोफ़ोली (Toffoli) गेट्स (क्वांटम एडर्स) के एक अनुक्रम का उपयोग करके एक रिटर्न रजिस्टर ( $|g\rangle$ ) में जोड़ा जाता है। यह सिस्टम को सभी $N$ संभावित ट्राजेक्टरीज के लिए कुल रिटर्न को एक साथ कंप्यूट करने की अनुमति देता है।

D. क्वांटम ट्राजेक्टरी सर्च (ग्रोवर एल्गोरिदम - Grover's Algorithm)

ओरेकल कंस्ट्रक्शन (Oracle Construction): एक क्वांटम ओरेकल को उन ट्राजेक्टरीज को मार्क करने के लिए डिज़ाइन किया गया है जो अधिकतम रिटर्न देती हैं। ओरेकल उच्च-रिटर्न वाली ट्राजेक्टरीज के अनुरूप क्वांटम स्टेट के फेज (phase) को फ्लिप करता है।
एम्प्लीट्यूड एम्प्लीफिकेशन (Amplitude Amplification): चिह्नित इष्टतम ट्राजेक्टरीज के एम्प्लीट्यूड को बढ़ाने के लिए ग्रोवर एल्गोरिदम लागू किया जाता है। यह सिस्टम को इष्टतम पॉलिसी (उच्चतम रिटर्न की ओर ले जाने वाले एक्शन्स का क्रम) को पहचानने की अनुमति देता है, जो क्लासिकल सर्च की तुलना में $O(N)$ के बजाय केवल $O(\sqrt{N})$ ओरेकल कॉल्स के साथ एक क्वाड्रेटिक स्पीडअप प्रदान करता है।

3. मुख्य योगदान (Key Contributions)

पूर्णतः क्वांटम MDP कार्यान्वयन: पहला फ्रेमवर्क जो एजेंट, वातावरण और उनकी क्रमिक अंतःक्रियाओं को पूरी तरह से क्वांटम डोमेन के भीतर मॉडल करता है, जिससे क्लासिकल-क्वांटम डेटा रूपांतरण की आवश्यकता समाप्त हो जाती है।
रिटर्न्स के लिए क्वांटम अरिथमेटिक: कई टाइम स्टेप्स में संचयी रिवॉर्ड्स की गणना करने के लिए क्वांटम एडर्स का उपयोग करने का एक नवीन तरीका, जो ट्राजेक्टरी रिटर्न्स के समानांतर मूल्यांकन को सक्षम बनाता है।
ट्राजेक्टरी-लेवल ऑप्टिमाइजेशन: पिछले कार्यों के विपरीत, जो सिंगल-स्टेप एक्शन सिलेक्शन के लिए ग्रोवर सर्च का उपयोग करते थे, यह फ्रेमवर्क मल्टी-स्टेट, मल्टी-स्टेप MDP में इष्टतम पूर्ण-लंबाई वाली ट्राजेक्टरीज को खोजने के लिए ग्रोवर एल्गोरिदम लागू करता है।
पैरेलल एक्सप्लोरेशन: कई स्टेट-एक्शन सीक्वेंस और उनके परिणामों को एक साथ मूल्यांकन करने के लिए क्वांटम सुपरपोजिशन का लाभ उठाना, जिससे पॉलिसी सीखने के लिए आवश्यक इंटरैक्शन की संख्या काफी कम हो जाती है।

4. परिणाम और प्रदर्शन (Results and Demonstrations)

लेखकों ने IBM Qiskit Aer सिम्युलेटर (स्टेटवेक्टर सिमुलेशन) का उपयोग करके 4 स्टेट्स ( $s_0$ से $s_3$ ) और 2 एक्शन्स ( $a_0, a_1$ ) वाले क्लासिकल MDP पर इस फ्रेमवर्क को सत्यापित किया।

डायनामिक्स का सत्यापन: क्वांटम सर्किट ने क्लासिकल MDP के स्टेट ट्रांजिशन प्रोबेबिलिटीज और रिवॉर्ड डिस्ट्रीब्यूशंस को सफलतापूर्वक पुनरुत्पादित किया, जिसकी पुष्टि हीट-मैप्स और सैंपल डिस्ट्रीब्यूशन के माध्यम से हुई।
परिदृश्य 1 (फिक्स्ड स्टार्ट): $s_0$ $s_{0}$ से शुरू होकर $s_3$ $s_{3}$ पर समाप्त होने पर, ग्रोवर सर्च ने अधिकतम रिटर्न 8 वाली दो इष्टतम ट्राजेक्टरीज की पहचान की। सबसे अधिक बार पाई जाने वाली इष्टतम ट्राजेक्टरी को 20 बार सैंपल किया गया।
- तुलना: क्लासिकल Q-learning को उसी इष्टतम पॉलिसी (स्टेट $s_0$ पर एक्शन $a_0$ , और $s_2, s_3$ पर $a_1$ ) तक पहुँचने के लिए पुनरावृत्ति (iterative) अपडेट की आवश्यकता थी। क्वांटम दृष्टिकोण ने एक ही सर्च फेज में इस समाधान को खोज लिया।
परिदृश्य 2 (वैरिएबल स्टार्ट): किसी भी स्टेट से समान प्रायिकता के साथ शुरू होने पर, ग्रोवर सर्च ने अधिकतम रिटर्न (9) देने वाली ट्राजेक्टरीज की पहचान की। एल्गोरिदम ने सही ढंग से पहचाना कि इस परिदृश्य में सभी स्टेट्स के लिए एक्शन $a_1$ इष्टतम है।
दक्षता (Efficiency): क्वांटम विधि ने क्लासिकल Q-learning के समान इष्टतम नीतियां प्राप्त कीं, लेकिन इसने सैंपल एफिशिएंसी (सभी पथों का समानांतर मूल्यांकन) और ग्रोवर सर्च के माध्यम से कंप्यूटेशनल स्पीडअप ( $\sqrt{N}$ स्टेप्स में मैक्स ढूंढना) की क्षमता प्रदर्शित की।

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

सैद्धांतिक प्रगति: यह कार्य क्लासिकल RL और सैद्धांतिक क्वांटम एल्गोरिदम के बीच के अंतर को पाटता है, जो एक पूर्ण, एंड-टू-एंड क्वांटम फ्रेमवर्क प्रदान करता है। यह प्रदर्शित करता है कि जटिल निर्णय लेने वाले कार्यों को क्लासिकल हस्तक्षेप के बिना हल किया जा सकता है।
व्यावहारिक अनुप्रयोग: लेखक निम्नलिखित क्षेत्रों में संभावित अनुप्रयोगों पर प्रकाश डालते हैं:
- स्वायत्त ड्राइविंग (Autonomous Driving): टक्कर से बचने के लिए कई ड्राइविंग ट्राजेक्टरीज का एक साथ मूल्यांकन करना।
  м स्वास्थ्य सेवा (Healthcare): सबसे प्रभावी उपचार की पहचान करने के लिए उपचार योजनाओं का समानांतर मूल्यांकन करना।
- वित्त (Finance): उच्च-रिटर्न वाले पथों की तेजी से पहचान करके निवेश पोर्टफोलियो का वास्तविक समय में अनुकूलन करना।
भविष्य की दिशाएं: लेखक सुझाव देते कि भविष्य के कार्य बड़े स्टेट स्पेस में स्केल करने (क्यूबिट उपयोग को अनुकूलित करना), ऐसे ओरेकल विकसित करने पर केंद्रित होना चाहिए जिन्हें अधिकतम रिटर्न के पूर्व ज्ञान की आवश्यकता न हो, और ग्रोवर के अलावा वैकल्पिक सर्च एल्गोरिदम का पता लगाने पर केंद्रित होना चाहिए।

निष्कर्षतः, यह शोध पत्र क्वांटम रीइन्फोर्समेंट लर्निंग (QRL) के लिए एक मजबूत प्रूफ-ऑफ-कॉन्सेप्ट प्रस्तुत करता है, जो यह प्रदर्शित करता है कि एक पूर्णतः क्वांटम दृष्टिकोण समानांतरता और खोज दक्षता में अंतर्निहित लाभों के साथ क्लासिकल तरीकों की तुलना में जटिल MDPs को प्रभावी ढंग से मॉडल कर सकता है, रिटर्न की गणना कर सकता है और नीतियों को अनुकूलित कर सकता है।