A mixed-precision quantum-classical algorithm for solving linear systems

यहाँ शोध पत्र "A mixed-precision quantum-classical algorithm for solving linear systems" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र रैखिक समीकरणों के निकाय ($Ax = b$) को हल करने की मौलिक कम्प्यूटेशनल समस्या को संबोधित करता है, जहाँ$A$ एक गैर-एकल (non-singular) आव्यूह (matrix) है और $b$ एक वेक्टर है। जबकि शास्त्रीय एल्गोरिदम (जैसे कि गॉसियन एलिमिनेशन) अत्यधिक परिपक्व हैं, क्वांटम एल्गोरिदम विशिष्ट स्थितियों के तहत घातांकीय गति (exponential speedups) प्रदान करने की क्षमता रखते हैं।

हालाँकि, वर्तमान क्वांटम दृष्टिकोण, विशेष रूप से क्वांटम सिंगुलर वैल्यू ट्रांसफ़ॉर्मेशन (QSVT), महत्वपूर्ण सीमाओं का सामना करते हैं:

• संसाधन गहनता (Resource Intensity): उच्च सटीकता (जैसे, त्रुटि $< 10^{-5}$) प्राप्त करने के लिए उच्च-डिग्री बहुपद अनुमान (polynomial approximations) की आवश्यकता होती है, जिससे गहरे क्वांटम सर्किट और अत्यधिक संसाधन मांग उत्पन्न होती है।
• कंडीशनिंग संवेदनशीलता (Conditioning Sensitivity): इनकी जटिलता आव्यूह के कंडीशन नंबर ($\kappa$) के साथ खराब तरीके से स्केल करती है।
• हार्डवेयर बाधाएं (Hardware Constraints): उच्च-परिशुद्धता वाले QSVT के लिए आवश्यक गहराई वर्तमान शोरयुक्त इंटरमीडिएट-स्केल क्वांटम (NISQ) उपकरणों की क्षमताओं से अधिक है, जिसके लिए लार्ज स्केल क्वांटम (LSQ) संदर्भ की आवश्यकता है।

मुख्य चुनौती स्वीकार्य समाधान सटीकता बनाए रखते हुए क्वांटम लागत को कम करना है।

2. कार्यप्रणाली (Methodology)

लेखक एक हाइब्रिड क्वांटम-क्लासिकल एल्गोरिदम का प्रस्ताव करते हैं जो QSVT पद्धति को मिश्रित-परिशुद्धता पुनरावृत्ति परिशोधन (mixed-precision iterative refinement) के साथ जोड़ता है। यह दृष्टिकोण निम्न-परिशुद्धता क्वांटम कंप्यूटिंग की गति और उच्च-परिशुद्धता शास्त्रीय कंप्यूटिंग की सटीकता का लाभ उठाता है।

मुख्य एल्गोरिदम (एल्गोरिदम 2)

प्रक्रिया इन चरणों का पालन करती है:

1. प्रारंभिक निम्न-परिशुद्धता समाधान ($x_0$):
   • क्वांटम प्रोसेसिंग यूनिट (QPU) पर QSVT का उपयोग करके एक प्रारंभिक अनुमानित समाधान की गणना करें।
   • यह चरण निम्न परिशुद्धता ($\epsilon_l$) का उपयोग करता है, जो कम-डिग्री बहुपद अनुमान और कम क्वांटम गेट ऑपरेशंस की अनुमति देता है।
   • QPU, $A^\dagger$ के ब्लॉक-एनकोडिंग और ट्रांसफ़ॉर्मेशन के अनुप्रयोग को संभालता है।
2. पुनरावृत्ति परिशोधन लूप (Iterative Refinement Loop):
   • अवशेष गणना (Residual Calculation - CPU): उच्च परिशुद्धता (शास्त्रीय CPU) का उपयोग करके अवशेष $r_i = b - Ax_i$ की गणना करें।
   • सुधार गणना (Correction Calculation - QPU): सुधार निकाय $Ae_i = r_i$ को फिर से हल करें, लेकिन अभी भी निम्न परिशुद्धता $\epsilon_l$ पर, QSVT विधि का उपयोग करके।
   • अपडेट (Update - CPU): उच्च परिशुद्धता का उपयोग करके समाधान को अपडेट करें: $x_{i+1} = x_i + e_i$।
3. समाप्ति (Termination): लूप तब तक जारी रहता है जब तक कि स्केल्ड अवशेष $\omega = \|b - A\tilde{x}\| / \|b\|$ लक्षित सटीकता $\epsilon$ को पूरा नहीं कर लेता।

प्रमुख तकनीकी अनुकूलन

• सामान्यीकरण (Normalization): चूँकि क्वांटम एल्गोरिदम के लिए सामान्यीकृत अवस्थाओं (normalized states) की आवश्यकता होती है, इसलिए $b$ को इनपुट से पहले सामान्यीकृत किया जाता है। QSVT माप के बाद CPU पर $\|x\|$ को एक न्यूनीकरण समस्या (minimization problem) को हल करके पुनः प्राप्त किया जाता है।
• हाइब्रिड डेटा प्रवाह (Hybrid Data Flow): आव्यूह $A$ (ब्लॉक-एनकोडिंग सर्किट के माध्यम से) को एक बार स्थानांतरित किया जाता है। बाद के पुनरावृत्तियों में, केवल अवशेष वेक्टर $r_i$ (जिसे स्टेट प्रिपरेशन सर्किट के रूप में एनकोड किया जाता है) को QPU में स्थानांतरित किया जाता है, जिससे संचार ओवरहेड कम हो जाता है।
• बहुपद अनुमान (Polynomial Approximation): व्युत्क्रम फलन (inverse function) को चेबिशेव बहुपदों (Chebyshev polynomials) का उपयोग करके अनुमानित किया जाता है। बहुपद की डिग्री अंतिम $\epsilon$ के बजाय निम्न परिशुद्धता $\epsilon_l$ के लिए अनुकूलित की जाती है, जो सर्किट की गहराई को काफी कम कर देती है।

3. प्रमुख योगदान (Key Contributions)

A. सैद्धांतिक विश्लेषण

• अभिसरण प्रमाण (Convergence Proof): लेखक सिद्ध करते हैं (प्रमेय III.1) कि यदि $\epsilon_l \kappa < 1$ है, तो एल्गोरिदम अभिसरित होता है। प्रत्येक पुनरावृत्ति में स्केल्ड अवशेष $\epsilon_l \kappa$ के कारक से सिकुड़ता है।
• पुनरावृत्ति सीमा (Iteration Bound): लक्षित सटीकता $\epsilon$ तक पहुँचने के लिए आवश्यक पुनरावृत्तियों की संख्या $\lceil \log(\epsilon) / \log(\epsilon_l \kappa) \rceil$ द्वारा सीमित है।
• जटिलता में कमी:
  • क्वांटम लागत: कुल जटिलता कम हो जाती है क्योंकि आवश्यक नमूनों (samples) की संख्या $O(1/\epsilon^2)$ के बजाय $O(1/\epsilon_l^2)$ के रूप में स्केल करती है। इसके अलावा, बहुपद की डिग्री $\log(\kappa/\epsilon)$ के बजाय $\log(\kappa/\epsilon_l)$ पर निर्भर करती है, जिससे ब्लॉक-एनकोडिंग कॉल्स कम हो जाते हैं।
  • शास्त्रीय लागत: शास्त्रीय संचालन (अवशेष गणना, अपडेट) उच्च परिशुद्धता में किए जाते हैं लेकिन क्वांटम सॉल्वर की तुलना में कम्प्यूटेशनल रूप से सस्ते होते हैं।

B. जटिलता तुलना

शोध पत्र एक विस्तृत विवरण (तालिका I) प्रदान करता है जो दिखाता है कि उच्च लक्षित सटीकता ($\epsilon \ll \epsilon_l$) के लिए, मिश्रित-परिशुद्धता दृष्टिकोण सीधे उच्च परिशुद्धता पर QSVT चलाने की तुलना में काफी अधिक कुशल है। बचत यहाँ से आती है:

1. कम क्वांटम सर्किट निष्पादन (नमूने)।
2. कम बहुपद डिग्री (कम ब्लॉक-एनकोडिंग कॉल्स)।

C. कार्यान्वयन

लेखकों ने myQLM क्वांटम सॉफ्टवेयर स्टैक (पायथन-आधारित सिम्युलेटर) का उपयोग करके एल्गोरिदम को लागू किया। उन्होंने निम्नलिखित का उपयोग किया:

• ट्री-आधारित स्टेट प्रिपरेशन (Tree-based state preparation)।
• ट्रिडायगोनल मैट्रिसेस (पॉइसन समीकरण) और रैंडम मैट्रिसेस के लिए ब्लॉक-एनकोडिंग तकनीकें।
• QSVT फेजेस (phases) की संख्यात्मक गणना।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने रैंडम मैट्रिसेस और एक विविक्त (discretized) 1D पॉइसन समीकरण ($N=16, n=4$ क्वबिट्स) पर संख्यात्मक प्रयोग किए।

• अभिसरण (Convergence): प्रयोगों ने सैद्धांतिक अभिसरण दर की पुष्टि की। स्केल्ड अवशेष लॉग-स्केल पर रैखिक रूप से कम हुआ, जो $\lceil \log(\epsilon) / \log(\epsilon_l \kappa) \rceil$ सीमा से मेल खाता है।
• कंडीशन नंबर्स: परीक्षण $\kappa = 10, 100, 200, 300$ के कंडीशन नंबरों के साथ किए गए। एल्गोरिदम सिमुलेशन समय की सीमाओं के भीतर $\kappa=300$ के लिए भी सफलतापूर्वक अभिसरित हुआ।
• जटिलता लाभ: चित्र 5 दर्शाता है कि एक निश्चित कंडीशन नंबर ($\kappa=2$) के लिए, मिश्रित-परिशुद्धता विधि द्वारा आवश्यक ब्लॉक-एनकोडिंग कॉल्स की संख्या सीधे उच्च-परिशुद्धता QSVT दृष्टिकोण की तुलना में बहुत कम है, विशेष रूप से जब लक्षित सटीकता $\epsilon$ बहुत छोटी हो जाती है।

5. महत्व और भविष्य का कार्य (Significance and Future Work)

• अंतराल को पाटना (Bridging the Gap): यह कार्य उच्च-प्रदर्शन कंप्यूटिंग (HPC) वातावरण में क्वांटम कंप्यूटरों का उपयोग करने के लिए एक व्यावहारिक मार्ग प्रदर्शित करता है। यह स्वीकार करता है कि वर्तमान क्वांटम हार्डवेयर सीधे उच्च परिशुद्धता तक रैखिक प्रणालियों को हल नहीं कर सकता है, लेकिन यह एक हाइब्रिड लूप में एक शक्तिशाली घटक हो सकता है।
• संसाधन दक्षता: "भारी काम" (heavy lifting) को क्लासिकल CPUs को सौंपकर और QPU का उपयोग केवल "खुरदरे" (coarse) समाधान चरणों के लिए करके, यह एल्गोरिदम क्वांटम रैखिक सॉल्वरों को शुद्ध क्वांटम दृष्टिकोणों की तुलना में बड़े समस्या आकार और उच्च कंडीशन नंबरों के लिए व्यवहार्य बनाता है।
• सीमाएँ: वर्तमान परिणाम सिमुलेशन पर आधारित हैं। लेखक नोट करते हैं कि वास्तविक दुनिया के अनुप्रयोग के लिए फॉल्ट-टोलरेंट क्वांटम हार्डवेयर (LSQ संदर्भ) की आवश्यकता है और शोर एवं त्रुटि दरों के विरुद्ध प्रदर्शन को मान्य करने के लिए वास्तविक क्वांटम उपकरणों पर आगे के परीक्षण की आवश्यकता है।
• व्यापक प्रभाव: यह कार्य शास्त्रीय मिश्रित-परishुद्धता तकनीकों (जो GPU-त्वरित HPC में व्यापक रूप से उपयोग की जाती हैं) को उभरते हुए क्वांटम-क्लासिकल हाइब्रिड कंप्यूटिंग के क्षेत्र में लागू करने की पद्धति को मान्य करता है।

निष्कर्षतः, यह शोध पत्र QSVT-आधारित रैखिक सॉल्वरों की संसाधन बाधा को दूर करने के लिए एक व्यवहार्य रणनीति का प्रस्ताव करता है, जो भविष्य के हाइब्रिड एल्गोरिदम के लिए एक रोडमैप प्रदान करता है जो शास्त्रीय और क्वांटम दोनों आर्किटेक्चर की शक्तियों का लाभ उठाते हैं।