⚛️ quantum physics

Variational decision diagrams for quantum-inspired machine learning applications

यह शोध पत्र वेरिएशनल डिसीजन डायग्राम्स (VDDs) को प्रस्तुत करता है, जो एक नवीन ग्राफ संरचना है जो क्वांटम अवस्थाओं का प्रतिनिधित्व करने के लिए डिसीजन डायग्राम्स की दक्षता को वेरिएशनल अनुकूलन क्षमता के साथ जोड़ती है, और बिना बैरन प्लेटो (barren plateaus) से ग्रस्त हुए ग्राउंड स्टेट अनुमान के लिए उनकी प्रशिक्षण क्षमता को प्रदर्शित करती है।

मूल लेखक: Vladimir Vargas-Calderón, Santiago Acevedo-Mancera, Herbert Vinck-Posada

प्रकाशित 2026-05-18

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Vladimir Vargas-Calderón, Santiago Acevedo-Mancera, Herbert Vinck-Posada

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 किसी को एक अविश्वसनीय रूप से जटिल, बहु-परतीय केक का वर्णन करने की कोशिश कर रहे हैं जिसे उसने पहले कभी नहीं देखा है। यदि आप हर एक कण, परत और स्वाद को एक लंबी, सीधी रेखा में लिखने की कोशिश करते हैं, तो विवरण असंभव रूप से लंबा और प्रबंधित करने में कठिन हो जाता है। यह उस समस्या के समान है जिसका सामना वैज्ञानिक नियमित, क्लासिकल कंप्यूटरों पर क्वांटम कंप्यूटरों को सिम्युलेट (simulate) करने के दौरान करते हैं। जैसे-जैसे आप अधिक "क्यूबिट्स" (क्वांटम संस्करण बिट्स का) जोड़ते हैं, जानकारी की मात्रा तेजी से बढ़ती है, जैसे कि एक केक जो हर एक कण जोड़ने के साथ दोगुना बड़ा होता जाता है।

यह शोध पत्र वेरिएशनल डिसीजन डायग्राम्स (VDDs) नामक एक नया टूल पेश करता है ताकि इस समस्या को हल किया जा सके। यह कैसे काम करता है, इसके लिए सरल उपमाओं का उपयोग किया गया है:

1. क्षेत्र के बजाय मानचित्र (The Map Instead of the Territory)

आमतौर पर, क्वांटम सिस्टम को सिम्युलेट करने के लिए, वैज्ञानिक एक ही बार में पूरे सिस्टम की "अवस्था" (state) को लिखने की कोशिश करते हैं। यह पूरे केक को अपने दिमाग में रखने की कोशिश करने जैसा है।

लेखक डिसीजन डायग्राम्स (DDs) का उपयोग करने का प्रस्ताव देते हैं। एक डिसीजन डायग्राम को एक "चूज़-योर-ओन-एडवेंचर" (अपनी पसंद का रोमांच चुनें) किताब या एक फ्लोचार्ट के रूप में सोचें।

सभी संभावित परिणामों को सूचीबद्ध करने के बजाय, आप ऊपर (रूट) से शुरू करते हैं।
प्रत्येक चरण पर, आप एक सरल प्रश्न पूछते हैं: "क्या यह हिस्सा 0 है या 1?"
यदि यह 0 है, तो आप बाएं रास्ते पर चलते हैं; यदि यह 1 है, तो आप दाएं रास्ते पर चलते हैं।
आप अंत तक पहुँचने के लिए पथ का अनुसरण करते हैं।

इस पद्धति का जादू यह है कि कई अलग-अलग पथ वापस एक ही जगह मिल सकते हैं। यदि केक के दो अलग-अलग हिस्से बिल्कुल एक जैसे दिखते हैं, तो आपको उन्हें दोबारा वर्णित करने की आवश्यकता नहीं है; आप बस उसी एक विवरण की ओर संकेत करते हैं। यह बहुत सारा स्थान और समय बचाता है।

2. मानचित्र को "लचीला" बनाना (The Variational Part)

मानक फ्लोचार्ट के साथ समस्या यह है कि वे कठोर होते हैं। वे उन चीजों का वर्णन करने के लिए अच्छे हैं जो पहले से ज्ञात हैं, लेकिन वे नई समस्या के लिए सबसे अच्छा समाधान खोजने के लिए आसानी से सीख या अनुकूलित नहीं हो सकते हैं।

लेखकों ने वेरिएशनल डिसीजन डायग्राम्स (VDDs) बनाए हैं। कल्पना कीजिए कि आपके फ्लोचार्ट में तीर केवल रेखाएं नहीं हैं, बल्कि डायल या नॉब (knobs) हैं।

प्रत्येक तीर का एक "वॉल्यूम नॉब" (एम्प्लीट्यूड/आयाम) और एक "फेज नॉब" (टाइमिंग) है।
आप इन नॉब्स को घुमाकर सिस्टम के व्यवहार को बदल सकते हैं।
लक्ष्य इन नॉब्स को तब तक घुमाना है जब तक कि फ्लोचार्ट क्वांटम सिस्टम की "ग्राउंड स्टेट" (ground state) का सटीक वर्णन न कर दे। भौतिकी में, "ग्राउंड स्टेट" एक सिस्टम की सबसे स्थिर, निम्नतम ऊर्जा वाली अवस्था होती है—इसे एक ऊबड़-खाबड़ परिदृश्य में एक गेंद की सबसे आरामदायक विश्राम स्थिति के रूप में समझें।

3. "एकॉर्डियन" डिज़ाइन (The "Accordion" Design)

यह परीक्षण करने के लिए कि क्या यह विचार काम करता है, लेखकों ने अपने फ्लोचार्ट के लिए एक विशिष्ट आकार बनाया जिसे "एकॉर्डियन एंसेट" (Accordion Ansatz) कहा जाता है।

एक एकॉर्डियन वाद्य यंत्र की कल्पना करें। यह फैलता और सिकुड़ता है।
उनके डिज़ाइन में, फ्लोचार्ट में ऐसे स्तर (layers) होते हैं जो एक नोड और दो नोड्स के बीच बारी-बारी से बदलते हैं, ठीक एकॉर्डियन की तहों की तरह।
यह संरचना कुशल होने के लिए पर्याप्त सरल है, लेकिन दिलचस्प क्वांटम व्यवहारों को पकड़ने के लिए पर्याप्त जटिल भी है।

4. "बैरेन प्लेटो" की समस्या (The "Barren Plateau" Problem)

क्वांटम मशीन लर्निंग की दुनिया में, एक प्रसिद्ध समस्या है जिसे "बैरेन प्लेटो" (Barren Plateau) कहा जाता है।

उपमा: कल्पना कीजिए कि आप एक विशाल, सपाट रेगिस्तान में सबसे निचले बिंदु को खोजने की कोशिश कर रहे हैं। यदि जमीन हर जगह पूरी तरह से सपाट है, तो आपका कंपास (ग्रेडिएंट) आपको यह नहीं बताएगा कि नीचे जाने का रास्ता किस तरफ है। आप फंस गए हैं, और आप चाहे कितनी भी कोशिश करें, आप तल (bottom) को नहीं ढूंढ पाएंगे।
शोध पत्र का दावा: कई क्वांटम लर्निंग विधियां इन सपाट रेगिस्तानों में फंस जाती हैं जब सिस्टम बहुत बड़ा हो जाता है। लेखकों ने अपने "एकॉर्डियन" VDDs का परीक्षण किया और पाया कि वे फंसते नहीं हैं। उनका कंपास अभी भी काम करता है! उनके फ्लोचार्ट के "नॉब्स" अभी भी स्पष्ट संकेत देते हैं कि सबसे अच्छा समाधान खोजने के लिए किस दिशा में मुड़ना है, भले ही सिस्टम बड़ा होता जाए।

5. उन्होंने वास्तव में क्या किया?

लेखकों ने केवल सिद्धांत की बात नहीं की; उन्होंने कंप्यूटर पर प्रयोग भी चलाए ताकि यह देखा जा सके कि क्या उनके VDDs वास्तव में भौतिकी की समस्याओं को हल कर सकते हैं।

उन्होंने तीन अलग-अलग प्रकार के क्वांटम मॉडल (जैसे आइसिंग मॉडल और हाइजेनबर्ग मॉडल) के लिए "ग्राउंड स्टेट" (सबसे स्थिर ऊर्जा) खोजने के लिए अपने VDDs का उपयोग किया।
उन्होंने सफलतापूर्वक इन अवस्थाओं का अनुमान लगाने के लिए VDDs को प्रशिक्षित किया।
उन्होंने पुष्टि की कि उनके "नॉब्स" (पैरामीटर्स) को प्रभावी ढंग से समायोजित किया जा सकता है बिना संकेतों के गायब हुए (कोई बैरेन प्लेटो नहीं)।

सारांश

संक्षेप में, यह शोध पत्र नियमित कंप्यूटरों पर क्वांटम सिस्टम को सिम्युलेट करने का एक नया तरीका प्रस्तुत करता है। पूरे, विशाल क्वांटम केक को अपने दिमाग में रखने के बजाय, उन्होंने एक स्मार्ट, समायोज्य फ्लोचार्ट (एक VDD) बनाया है जो एक एकॉर्डियन की तरह फैलता और सिकुड़ता है। उन्होंने सिद्ध किया कि इस फ्लोचार्ट को भौतिकी मॉडलों के सबसे स्थिर अवस्थाओं को खोजने के लिए "प्रशिक्षित" किया जा सकता है बिना किसी सपाट, अनुपयोगी परिदृश्य में खोए।

सीमाओं पर महत्वपूर्ण नोट:
शोध पत्र स्वीकार करता है कि हालांकि यह "एकॉर्डियन" डिज़ाइन अच्छी तरह से काम करता है, लेकिन यह एक विशिष्ट आकार है। यदि किसी क्वांटम सिस्टम में बहुत जटिल, लंबी दूरी के संबंध हैं (जैसे कि एक केक जहाँ ऊपरी परत किसी अजीब तरीके से निचली परत से जुड़ी हुई है), तो यह विशिष्ट फ्लोचार्ट उसे पूरी तरह से वर्णित करने में संघर्ष कर सकता है। लेखक सुझाव देते हैं कि भविष्य के कार्यों में ऐसे अधिक जटिल "केक्स" को संभालने के लिए फ्लोचार्ट के विभिन्न आकारों को डिजाइन करने की आवश्यकता हो सकती है।

वे यह भी उल्लेख करते हैं कि इस टूल का उपयोग वर्गीकरण (डेटा को छाँटना) या जेनरेटिव मॉडलिंग (नए डेटा पैटर्न बनाना) जैसे अन्य कार्यों के लिए भी किया जा सकता है, बशर्ते कि समस्या को सर्वोत्तम संभाव्यता वितरण (probability distribution) खोजने के रूप में तैयार किया जा सके। हालाँकि, उनके वर्तमान कार्य का मुख्य केंद्र विशेष रूप से भौतिकी मॉडलों में ग्राउंड स्टेट खोजने के लिए इस पद्धति के काम करने को सिद्ध करना है।

तकनीकी सारांश: क्वांटम-प्रेरित मशीन लर्निंग अनुप्रयोगों के लिए वेरिएशनल डिसीजन डायग्राम्स (Variational Decision Diagrams)

समस्या विवरण
क्लासिकल कंप्यूटरों पर क्वांटम सर्किट का सिमुलेशन क्वांटम केमिस्ट्री और कंडेंस्ड मैटर फिजिक्स जैसे क्षेत्रों में एल्गोरिदम के विकास और सत्यापन के लिए आवश्यक है। हालांकि, क्यूबिट्स की संख्या के साथ क्वांटम स्टेट स्पेस के तेजी से बढ़ने के कारण सामान्य क्वांटम सर्किटों का सिमुलेशन करना घातांकीय रूप से कठिन (exponentially hard) है। जबकि डिसीजन डायग्राम्स (DDs) ने डेटा रिडंडेंसी का लाभ उठाकर क्वांटम सर्किटों के सिमुलेशन और एल्गोरिदम के सत्यापन में प्रभावशीलता सिद्ध की है, क्वांटम मशीन लर्निंग (QML) के लिए वेरिएशनल एन्सैट्स (variational ansätze) के रूप में उनके अनुप्रयोग का उपयोग अभी तक अनोखरा (unexplored) है। इसके विपरीत, वेरिएशनल क्वांटम सर्किट, हालांकि आशाजनक हैं, अक्सर "बैरन प्लेटो" (barren plateaus) से ग्रस्त होते हैं—एक ऐसी घटना जहाँ ग्रेडिएंट वेरिएंस क्यूबिट्स की संख्या के साथ घातांकीय रूप से लुप्त हो जाता है, जिससे प्रशिक्षण असंभव हो जाता है। यह शोध पत्र DDs को एक प्रशिक्षित करने योग्य, क्वांटम-प्रेरित ढांचे के रूप में उपयोग करने के अंतराल को संबोधित करता है जो बैरन प्लेटो के शिकार हुए बिना क्वांटम अवस्थाओं का प्रतिनिधित्व कर सके।

कार्यप्रणाली (Methodology)
लेखक वेरिएशनल डिसीजन डायग्राम्स (VDDs) प्रस्तुत करते हैं, जो एक नवीन ग्राफ संरचना है जो DDs की संक्षिप्तता (compactness) को वेरिएशनल विधियों की अनुकूलन क्षमता के साथ जोड़ती है।

संरचना: एक VDD को एक बाइनरी डायरेक्टेड एसाइक्लिक मल्टीग्राफ (BDAMG) के रूप में परिभाषित किया गया है। इसमें एक रूट नोड, एक टर्मिनल नोड और क्यूबिट इंडिसेस को दर्शाने वाले इंटरमीडिएट नोड्स होते हैं। किनारे (edges) नोड्स को क्रमिक क्यूबिट्स ( $q_i$ से $q_{i+1}$ ) से जोड़ते हैं और जटिल संभाव्यता आयाम (complex probability amplitudes) वहन करते हैं।
पैरामीटराइजेशन: मानक DDs के विपरीत, VDDs वेरिएशनल हैं। नोड पर किनारों के आयाम तीन वास्तविक संख्याओं $(r, \omega, \phi)$ द्वारा पैरामीटराइज्ड होते हैं। विशेष रूप से, एक नोड के लिए, $|0\rangle$ के अनुरूप किनारे का आयाम $r e^{i\omega}$ है, और $|1\rangle$ के अनुरूप किनारे का आयाम $\sqrt{1-r^2} e^{i\phi}$ है। यह निर्माण स्वाभाविक रूप से प्रत्येक नोड पर नॉर्मलाइजेशन बाधाओं (normalization constraints) को लागू करता है, जिससे कुल वेवफंक्शन का योग 1 सुनिश्चित होता है।
द एकॉर्डियन एन्सैट (The Accordion Ansatz): प्रशिक्षण क्षमता की जांच करने के लिए, लेखक एक विशिष्ट VDD टोपोलॉजी प्रस्तावित करते हैं जिसे "एकॉर्डियन एन्सैट" कहा जाता है। यह संरचना एक नोड के स्तरों और दो नोड्स के स्तरों के बीच बारी-बारी से चलती है। यह प्रभावी रूप से एक डाइमराइज्ड प्रोडक्ट स्टेट (जैसे, $|\psi_{1,2}\rangle \otimes |\psi_{3,4}\rangle \dots$ ) को पैरामीटराइज करता है, जो शॉर्ट-रेंज कोरिलेशन तक इसकी अभिव्यक्ति (expressivity) को सीमित करता है लेकिन संभावित रूप से उस जटिलता से बचता है जो बैरन प्लेटो की ओर ले जाती है।
अनुकूलन (Optimization): अध्ययन ग्राउंड स्टेट एस्टीमेशन समस्या पर केंद्रित है, जो VDD पैरामीटर्स $\theta$ के सापेक्ष एक हैमिल्टोनियन $H$ के अपेक्षित मान को कम करता है: $\min_\theta \langle \psi_\theta | H | \psi_\theta \rangle$ । छोटे सिस्टम (लगभग 10 क्यूबिट्स तक) के लिए ऑटोमैटिक डिफरेंशिएशन (PyTorch/JAX के माध्यम से) का उपयोग करके और स्केलेबिलिटी के लिए वेरिएशनल मोंटे कार्लो (VMC) के माध्यम से ग्रेडिएंट्स की गणना की जाती है।

प्रमुख योगदान

VDDs का प्रस्ताव: यह शोध पत्र VDDs को क्वांटम अवस्थाओं का प्रतिनिधित्व करने के लिए पहले क्वांटम-प्रेरित, पैरामीटराइज्ड ढांचे के रूप में प्रस्तावित करता है जो DDs की संरचनात्मक दक्षता को वेरिएशनल ऑप्टिमाइजेशन के साथ जोड़ता है।
प्रशिक्षण क्षमता विश्लेषण: लेखक प्रदर्शित करते हैं कि एकॉर्डियन एन्सैट बैरन प्लेटो की घटना को प्रदर्शित नहीं करता है। ग्रेडिएंट घटकों के वेरिएंस का विश्लेषण करके, वे दिखाते हैं कि परीक्षण किए गए हैमिल्टोनियंस के लिए वेरिएंस क्यूबिट्स की संख्या के साथ घातांकीय रूप से कम नहीं होता है।
सत्यापन: इस ढांचे को ट्रांसवर्स-फील्ड आइसोइंग मॉडल (TFIM) और हाइजेनबर्ग मॉडल सहित विभिन्न भौतिक मॉडलों के लिए ग्राउंड स्टेट को सफलतापूर्वक अनुमानित करके सत्यापित किया गया है।

परिणाम

ग्रेडिएंट वेरिएंस: $Z_1Z_2$ , हाइजेनबर्ग मॉडल और TFIM (ऑर्डर्ड, गैपलेस और डिसऑर्डर्ड फेजेस में) जैसे हैमिल्टोनियंस पर संख्यात्मक प्रयोगों से पता चलता है कि एकॉर्डियन एन्सैट के लिए ग्रेडिएंट वेरिएंस गैर-घातांकीय (non-exponentially) रूप से स्केल करता है। यह इन विशिष्ट संरचनाओं के लिए दृष्टिकोण की प्रशिक्षण क्षमता की पुष्टि करता है।
ग्राउंड स्टेट एप्रोक्सिमेशन: 10-क्यूबिट सिस्टम के लिए, VDD $Z_1Z_2$ और हाइजेनबर्ग मॉडल के लिए ऊर्जा त्रुटि को सफलतापूर्वक कम करता है।
डिसऑर्डर्ड फेजेस में सीमाएं: एक मजबूत ट्रांसवर्स फील्ड ( $g=10$ ) के साथ TFIF में, VDD $|+, \dots, +\rangle$ अवस्था की ओर अभिसरित (converge) होता है, लेकिन मध्यम फील्ड स्ट्रेंथ में डिसऑर्डर्ड फेज में वास्तविक ग्राउंड स्टेट ऊर्जा को सटीक रूप से अनुमानित करने में संघर्ष करता है। लेखक इस परिणाम को एकॉर्डियन एन्सैट की सीमित अभिव्यक्ति (डिमराइज्ड प्रोडक्ट स्टेट्स) के कारण बताते हैं, जो उस शासन (regime) में $ZZ $टर्म द्वारा प्रेरित विशिष्ट शॉर्ट-रेंज कोरिलेशन को कैप्चर नहीं कर सकता है। हालांकि, जैसे-जैसे ट्रांसवर्स फील्ड की शक्ति बढ़ती है, सटीकता में सुधार होता है, क्योंकि वास्तविक अवस्था पूरी तरह से सेपरेबल$ |+, \dots, +\rangle$ अवस्था के करीब पहुँच जाती है।

महत्व और दावे
यह शोध पत्र दावा करता है कि VDDs टेन्सर नेटवर्क (जैसे, MPS) और न्यूरल-नेटवर्क क्वांटम स्टेट्स (NQS) जैसी मौजूदा विधियों के लिए एक आशाजनक विकल्प प्रदान करते हैं।

नॉर्मलाइजेशन: कई नॉन-ऑटोरेग्रेसिव NQS आर्किटेक्चर के विपरीत जो नॉर्मलाइजेशन लागू करने के लिए संघर्ष करते हैं, VDDs अपने एज पैरामीटराइजेशन के माध्यम से नॉर्मलाइजेशन बाधाओं को स्वाभाविक रूप से लागू करते हैं।
दक्षता: VDDs स्पष्ट टेंसर डिकम्पोजिशन के बजाय पथों (paths) के माध्यम से एम्प्लीट्यूड कोरिलेशन को कैप्चर करते हैं, जो कुछ संरचनाओं के लिए अधिक संक्षिप्त प्रतिनिधित्व प्रदान कर सकते हैं।
प्रशिक्ण क्षमता: एकॉर्डियन एन्सैट में बैरन प्लेटो की अनुपस्थिति यह सुझाव देती है कि VDDs को उन समस्याओं के लिए क्लासिकल कंप्यूटरों पर कुशलतापूर्वक प्रशिक्षित किया जा सकता है जहाँ पारंपरिक वेरिएशनल क्वांटम सर्किट ग्रेडिएंट वैनिशिंग के कारण विफल हो जाते हैं।
भविष्य का दायरा: हालांकि वर्तमान कार्य ग्राउंड स्टेट एस्टीमेशन पर केंद्रित है, लेखक नोट करते हैं कि VDDs को अन्य QML कार्यों जैसे वर्गीकरण (classification), रिग्रेशन और जेनेरेटिव मॉडलिंग (जैसे, पोर्टफोलियो ऑप्टिमाइजेशन) के लिए लागू किया जा सकता है, बशर्ते लॉस फंक्शन बिट स्ट्रिंग प्रोबेबिलिटीज के मूल्यांकन की अनुमति दे।

लेखक निष्कर्ष निकालते हैं कि हालांकि एन्सैट का डिज़ाइन महत्वपूर्ण है और वर्तमान कार्यान्वयन में लॉन्ग-रेंज एंटेंग्लमेंट के लिए लचीलेपन की कमी हो सकती है, VDDs क्वांटम सिस्टम के कुशल क्लासिकल सिमुलेशन और एक वर्सेटाइल प्लेटफॉर्म की दिशा में एक महत्वपूर्ण कदम हैं।