⚛️ quantum physics

Counting with the quantum alternating operator ansatz

यह शोध पत्र VQCount को प्रस्तुत करता है, जो क्वांटम अल्टरनेटिंग ऑपरेटर एंसेटल (quantum alternating operator ansatz) पर आधारित एक वेरिएशनल क्वांटम एल्गोरिदम है, जो समाधान संभाव्यता (solution probability) और सैंपलिंग एकरूपता (sampling uniformity) के बीच एक ट्रेड-ऑफ का लाभ उठाकर #P-हार्ड समस्याओं की अनुमानित गणना (approximate counting) के लिए सैंपल दक्षता में घातांकीय सुधार प्राप्त करता है।

मूल लेखक: Julien Drapeau, Shreya Banerjee, Stefanos Kourtis

प्रकाशित 2026-04-16

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Julien Drapeau, Shreya Banerjee, Stefanos Kourtis

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

मुख्य विचार: "असंभव" गिनती की समस्या

कल्पना कीजिए कि आप अरबों किताबों वाले एक विशाल पुस्तकालय के लाइब्रेरियन हैं। आप जानते हैं कि कौन सी किताबें "अच्छी" (समाधान) हैं और कौन सी "खराब" (समाधान नहीं) हैं, लेकिन आप यह नहीं जानते कि कितनी अच्छी किताबें हैं।

कंप्यूटर विज्ञान में, इसे गिनती की समस्या (Counting Problem) कहा जाता है। यह केवल एक अच्छी किताब खोजने (जो कि एक ऑप्टिमाइज़ेशन समस्या है) से कहीं अधिक कठिन है। यह समुद्र तट पर रेत के हर एक कण को बिना किसी को छोड़े या बिना किसी को दो बार गिने गिनने की कोशिश करने जैसा है। कई जटिल समस्याओं के लिए, इसे सटीक रूप से करना इतना कठिन है कि दुनिया के सबसे तेज़ सुपरकंप्यूटर को भी इसे पूरा करने में ब्रह्मांड की आयु से भी अधिक समय लग जाएगा।

इस शोध पत्र के लेखक, जूलियन, श्रेया और स्टेफ़ानोस ने एक नया टूल बनाया है जिसे VQCount कहा जाता है। यह एक "क्वांटम कंप्यूटर" (विशेष रूप से एक प्रकार का वैरायशनल क्वांटम एल्गोरिदम) का उपयोग करके इस संख्या का तेजी से अनुमान लगाता है, भले ही यह पूरी तरह से सटीक न हो।

मूल विचार: घास के ढेर में सुई ढूँढना

यह समझने के लिए कि VQCount कैसे काम करता है, आइए एक उपमा (analogy) का उपयोग करें।

1. पुराना तरीका: "रिजेक्शन" विधि

कल्पना कीजिए कि आप मिश्रित कंचों की एक बड़ी बाल्टी में सभी लाल कंचों को खोजने की कोशिश कर रहे हैं।

नादान दृष्टिकोण (The Naive Approach): आप हाथ अंदर डालते हैं, एक मुट्ठी पकड़ते हैं, देखते हैं कि क्या वे लाल हैं, और यदि वे लाल नहीं हैं, तो आप उन्हें वापस डाल देते हैं और फिर से प्रयास करते हैं।
समस्या: यदि 1,000,000 कंचों की बाल्टी में केवल 10 लाल कंचे हैं, तो आप अपना 99.9% समय सफेद कंचे पकड़ने और उन्हें वापस फेंकने में बिता देंगे। इसे रिजेक्शन सैंपलिंग (Rejection Sampling) कहा जाता है, और यह अविश्वसनीय रूप से धीमा है।

2. क्वांटम तरीका: "जादुई चुंबक"

लेखक एक क्वांटम एल्गोरिदम का उपयोग करते हैं जिसे QAOA (क्वांटम अल्टरनेटिंग ऑपरेटर एन्सैबल) कहा जाता है। QAOA को एक जादुई चुंबक के रूप में सोचें।

कंचों को बेतरतीब ढंग से पकड़ने के बजाय, चुंबक को इस तरह ट्यून किया गया है कि वह लाल कंचों को सतह के थोड़ा करीब खींच ले।
जब आप हाथ अंदर डालते हैं, तो आपके द्वारा लाल कंचा पकड़ने की संभावना सफेद कंचे की तुलना में बहुत अधिक होती है।
पेंच (The Catch): चुंबक परफेक्ट नहीं है। कभी-कभी यह एक लाल कंचे को बहुत ज़ोर से खींचता है (जिससे वह जितना होना चाहिए उससे अधिक बार दिखाई देता है), और कभी-कभी यह कुछ को मिस कर देता है। इसे नॉन-यूनिफॉर्मिटी (Non-uniformity) कहा जाता है।

गुप्त नुस्खा: JVV एल्गोरिदम (द "ट्री" ट्रिक)

यह शोध पत्र इस "जादुई चुंबक" को जेरूम, वैलिएंट और वज़िरानी (JVV) द्वारा खोजी गई एक चतुर गणितीय तकनीक के साथ जोड़ता है।

कल्पना कीजिए कि आपको एक विशाल भूलभुलैया (maze) के सभी रास्तों की गिनती करनी है।

JVV ट्रिक: पूरी भूलभुलैया को एक साथ गिनने के बजाय, आप इसे टुकड़ों में तोड़ देते हैं। आप पूछते हैं: "कितने रास्ते बाईं ओर से शुरू होते हैं?" और "कितने दाईं ओर से शुरू होते हैं?"
आप इसे चरण-दर-चरण तोड़ते रहते हैं, जिससे प्रश्नों का एक पेड़ (tree) बनता है।
यदि आप इन छोटे प्रश्नों के उत्तर सटीक रूप से दे सकते हैं, तो आप पूरे भूलभुलैया की कुल गिनती प्राप्त करने के लिए उत्तरों को आपस में गुणा कर सकते हैं।

VQCount इन छोटे प्रश्नों के उत्तर देने के लिए क्वांटम "जादुई चुंबक" का उपयोग करता है। यह कुछ रास्तों का नमूना (sample) लेता है, देखता है कि कितने बाईं ओर जाते हैं बनाम दाईं ओर, और संभावना का अनुमान लगाता है।

समझौता: गति बनाम निष्पक्षता

यह शोध पत्र "जादुई चुंबक" के दो अलग-अलग संस्करणों का पता लगाता है:

मानक QAOA (तेज़ लेकिन पक्षपाती चुंबक):
- लाभ: यह समाधानों (लाल कंचों) को बहुत तेज़ी से खोज लेता है। आपको परिणाम पाने के लिए लंबा इंतज़ार नहीं करना पड़ता।
- हानि: यह पक्षपाती है। यह बाल्टी के दाहिनी ओर के बजाय बाईं ओर के लाल कंचों को अधिक बार खींच सकता है। यह "निष्पक्ष" नहीं है।
- परिणाम: क्योंकि यह तेज़ है, आपके पास पर्याप्त डेटा होता है जिससे एक अच्छा अनुमान लगाया जा सके, भले ही डेटा थोड़ा झुका हुआ (skewed) हो।
GM-QAOA (धीमा लेकिन पूरी तरह से निष्पक्ष चुंबक):
- लाभ: यह पूरी तरह से निष्पक्ष है। प्रत्येक लाल कंचे के चुने जाने का ठीक समान अवसर होता है।
- हानि: यह बहुत धीमा है। एक भी लाल कंचा खोजने के लिए आपको बहुत समय लगता है क्योंकि चुंबक बहुत कमजोर होता है।
- परिणाम: आपको सटीक डेटा मिलता है, लेकिन आपको इतना लंबा इंतज़ार करना पड़ता है कि शायद आपका समय समाप्त हो जाए।

खोज: लेखकों ने पाया कि कई कठिन समस्याओं के लिए, तेज़ लेकिन पक्षपाती चुंबक (Standard QAOA) वास्तव में बेहतर है। भले ही यह पूरी तरह से निष्पक्ष नहीं है, लेकिन यह इतना तेज़ है कि यह आपको पूरी तरह से निष्पक्ष वाले की तुलना में कम समय में बेहतर अनुमान दे देता है।

उन्होंने वास्तव में क्या किया?

टीम ने एक सुपरकंप्यूटर (एक तकनीक का उपयोग करके जिसे क्वांटम कंप्यूटर की नकल करने के लिए "टेन्सर नेटवर्क" कहा जाता है) पर दो बहुत कठिन लॉजिक पहेलियों पर परीक्षण करने के लिए सिमुलेशन चलाया:

#NAE3SAT: एक पहेली जहाँ आपको वेरिएबल्स को इस तरह व्यवस्थित करना होता है कि वे सभी एक जैसे न हों।
#1-in-3SAT: एक पहेली जहाँ तीन में से ठीक एक वेरिएबल "सत्य" (true) होना चाहिए।

परिणाम:

एक्सपोनेंशियल सुधार (Exponential Improvement): पिछले क्वांटम तरीकों की तुलना में, VQCount को एक अच्छा उत्तर प्राप्त करने के लिए एक्सपोनेंशियल रूप से कम नमूनों (samples) की आवश्यकता थी। (सोचिए: एक अरब प्रयासों के बजाय, इसे केवल दस लाख प्रयासों की आवश्यकता थी)।
नादान विधि को हराना: यह "रिजेक्शन सैंपलिंग" विधि (वह तरीका जहाँ आप बस कंचों को वापस फेंकते रहते हैं) से कहीं अधिक श्रेष्ठ था।
रियलिटी चेक: जबकि VQCount अन्य क्वांटम तरीकों की तुलना में अद्भुत है, यह आज हमारे पास मौजूद सर्वश्रेष्ठ क्लासिकल (गैर-क्वांटम) एल्गोरिदम की तुलना में अभी भी धीमा है। हालाँकि, लेखक दिखाते हैं कि जैसे-जैसे हम गहरे सर्किट वाले बेहतर क्वांटम कंप्यूटर बनाएंगे, VQCount बेहतर होता जाएगा और अंततः क्लासिकल कंप्यूटरों को हरा सकता है।

निष्कर्ष

यह शोध पत्र VQCount पेश करता है, जो एक नया तरीका है जिससे क्वांटम कंप्यूटर यह अनुमान लगा सकते हैं कि किसी कठिन समस्या के कितने समाधान मौजूद हैं।

रूपक (Metaphor): यह एक थोड़े पक्षपाती लेकिन सुपर-फास्ट चुंबक का उपयोग करके बाल्टी में लाल कंचों को खोजने जैसा है, बजाय इसके कि एक पूरी तरह से निष्पक्ष लेकिन धीमे चुंबक का इंतज़ार किया जाए।
नवाचार: इस तेज़ चुंबक को एक स्मार्ट "विभाजित करो और जीतो" (divide-and-conquer) गणितीय तकनीक के साथ जोड़कर, वे पहले की तुलना में बहुत तेज़ी से समाधानों की विशाल संख्या का अनुमान लगा सकते हैं।
भविष्य: यह अभी तक अंतिम विजेता नहीं है (क्लासिकल कंप्यूटर अभी भी तेज़ हैं), लेकिन यह साबित करता है कि क्वांटम कंप्यूटरों के पास इन "गिनती" वाली समस्याओं को हल करने का एक अनूठा और शक्तिशाली तरीका है जिनसे क्लासिकल कंप्यूटर संघर्ष करते हैं। यह एक ऐसे भविष्य की ओर एक आशाजनक कदम है जहाँ क्वांटम कंप्यूटर असंभव को हल करने में मदद करेंगे।

यहाँ Drapeau, Banerjee, और Kourtis के शोध पत्र "Counting with the quantum alternating operator ansatz" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र #P जटिलता वर्ग (complexity class) की समस्याओं के लिए अनुमानित गणना (approximate counting) की कम्प्यूटेशनल चुनौती को संबोधित करता है। विशेष रूप से, यह positive #NAE3SAT (Not-All-Equal 3-Satisfiability) और positive #1-in-3SAT जैसी #P-hard समस्याओं को लक्षित करता है।

चुनौती: बड़े इंस्टेंस के लिए सटीक गणना (exact counting) अव्यहार्य (intractable) है। जबकि शास्त्रीय अनुमानित गणना (जैसे कि हैशिंग-आधारित विधियाँ या JVV एल्गोरिदम) मौजूद हैं, वे अक्सर जटिल समाधान स्थानों (solution spaces) से समाधानों को समान रूप से (uniformly) नमूना लेने में संघर्ष करती हैं।
अंतराल (Gap): गणना के लिए पिछले वेरिएशनल क्वांटम एल्गोरिदम (VQAs), जैसे कि एम्प्लीट्यूड एस्टीमेशन या वेटेड काउंटिंग पर आधारित, अक्सर सुपर-पॉलीनोमियल मापन (measurements) की आवश्यकता रखते हैं या समान सैंपलिंग प्रदान करने में विफल रहते हैं, जिससे व्यावहारिक अनुप्रयोगों में घातांकीय ओवरहेड (exponential overheads) उत्पन्न होता है।
लक्ष्य: एक ऐसा वेरिएशनल क्वांटम एल्गोरिदम विकसित करना जो Jerrum-Valiant-Vazirani (JVV) फ्रेमवर्क के लिए एक कुशल रैंडम सैंपलर के रूप में कार्य करने के लिए Quantum Alternating Operator Ansatz (QAOA) का लाभ उठा सके, जिससे पिछले VQA काउंटिंग विधियों की तुलना में सैंपल कॉम्प्लेक्सिटी में घातांकीय सुधार प्राप्त किया जा सके।

2. कार्यप्रणाली: VQCount एल्गोरिदम (Methodology: The VQCount Algorithm)

लेखक VQCount पेश करते हैं, जो एक हाइब्रिड क्वांटम-क्लासिकल एल्गोरिदम है जो JVV सेल्फ-रिडक्शन फ्रेमवर्क में QAOA को एकीकृत करता है।

A. सैद्धांतिक आधार: JVV और सेल्फ-रिड्यूसिबिलिटी (Theoretical Foundation: JVV and Self-Reducibility)

एल्गोरिदम JVV प्रमेय पर आधारित है, जो यह स्थापित करता है कि अनुमानित गणना संभव है यदि कोई एक सेल्फ-रिड्यूसिबल (self-reducible) समस्या के समाधान स्थान से समाधानों को समान रूप से यादृच्छिक (uniformly at random) रूप से नमूना ले सके।

सेल्फ-रिड्यूसिबिलिटी: एक समस्या सेल्फ-रिड्यूसिबल है यदि किसी इंस्टेंस के समाधान सेट को छोटे सब-इंस्टेंस के समाधान सेटों से बनाया जा सकता है (उदाहरण के लिए, SAT में एक समय में एक वेरिएबल को फिक्स करना)।
सैंपलिंग के माध्यम से गणना: कुल गणना $N$ को सेल्फ-रिडक्शन ट्री के प्रत्येक चरण में कंडीशनल प्रोबेबिलिटी $p(z_{i+1}|z_i)$ का अनुमान लगाकर प्राप्त किया जाता है। कुल गणना इन प्रोबेबिलिटीज के व्युत्क्रम (inverse) का गुणनफल होती है।

B. क्वांटम सैंपलर: QAOA वेरिएंट्स (The Quantum Sampler: QAOA Variants)

VQCount आवश्यक नमूनों को उत्पन्न करने के लिए एक QAOA सर्किट का उपयोग करता है। लेखक दो वेरिएंट्स की तुलना करते हैं:

Standard QAOA: यह एक मिक्सर हैमिल्टनियन $H_D = \sum X_i$ का उपयोग करता है। यह कुशल (उथले सर्किट) है लेकिन गैर-समान (non-uniform) वितरण उत्पन्न करता है (कुछ समाधान अन्य की तुलना में अधिक बार नमूना लिए जाते हैं)।
Grover-Mixer QAOA (GM-QAOA): यह ग्रोवर एल्गोरिदम से व्युत्पन्न एक विशिष्ट मिक्सर का उपयोग करता है। यह समाधानों के बीच पूर्ण एकरूपता (perfect uniformity) ( $\eta = 0$ ) की गारंटी देता है, लेकिन उच्च सफलता दर प्राप्त करने के लिए आमतौर पर गहरे सर्किट की आवश्यकता होती है।

C. एल्गोरिदम वर्कफ़्लो (Algorithm Workflow)

इनिशियलाइज़ेशन (Initialization): SAT समस्या को एक इसिंग मॉडल हैमिल्टनियन $H_P$ में मैप करें।
ऑप्टिमाइज़ेशन (Optimization): $H_P$ के ऊर्जा प्रत्याशा (energy expectation) को कम करने के लिए QAOA पैरामीटर्स $(\vec{\beta}, \vec{\gamma})$ को अनुकूलित करें।
सेल्फ-रिडक्शन लूप (Self-Reduction Loop):
- फॉर्मूला में प्रत्येक वेरिएबल $x_i$ $x_{i}$ के लिए:
  - वर्तमान QAOA स्टेट से समाधानों का नमूना लें।
  - $x_i=0$ बनाम $x_i=1$ की कंडीशनल प्रोबेबिलिटी का अनुमान लगाएं।
  - वेरिएबल को उच्च संभावना वाले मान पर फिक्स (Fix) करें (मैक्सिमल प्रोबेबिलिटी पाथ का पालन करते हुए)।
  - सर्किट को संशोधित करें: अगले चरण के लिए QAOA सर्किट को अपडेट करें, जिसमें फिक्स्ड क्वबिट पर हैडामाड गेट (Hadamard gate) को Pauli-X गेट से बदल दिया जाता है और उस क्वबिट पर कार्य करने वाले मिक्सर गेट्स को हटा दिया जाता है।
- प्रत्येक चरण में अनुमानित प्रोबेबिलिटी से वर्तमान अनुमान को विभाजित करके गणना को अपडेट किया जाता है।
पोस्ट-सिलेक्शन (Post-selection): केवल वैध समाधानों (जो वर्तमान सब-फॉर्मूला को संतुष्ट करते हैं) को गिना जाता है; गैर-समाधानों को छोड़ दिया जाता है।

3. मुख्य योगदान (Key Contributions)

VQCount एल्गोरिदम: अनुमानित गणना के लिए QAOA को JVV सेल्फ-रिडक्शन फ्रेमवर्क के साथ स्पष्ट रूप से संयोजित करने वाला पहला वेरिएशनल एल्गोरिदम।
सैद्धांतिक सुधार: यह सिद्ध करता है कि VQCount एक मल्टीप्लिकेटिव एरर $\epsilon$ प्राप्त करने के लिए आवश्यक नमूनों की संख्या को पिछले वेटेड काउंटिंग VQAs के $O(\sqrt{N})$ से घटाकर $O(\frac{n^2 \log(1/\delta)}{r \epsilon^2})$ कर देता है, जहाँ $r$ सफलता दर है। यह $n$ में $N$ के घातांकीय होने पर एक घातांकीय सुधार (exponential improvement) का प्रतिनिधित्व करता है।
ट्रेड-ऑफ विश्लेषण: सैंपलिंग यूनिफॉर्मिटी (sampling uniformity) और सर्किट डेप्थ/सफलता दर के बीच एक मौलिक ट्रेड-ऑफ की पहचान और दोहन करता है:
- GM-QAOA पूर्ण एकरूपता प्रदान करता है लेकिन उथले सर्किट पर कम सफलता दर देता है।
- Standard QAOA उथले सर्किट पर उच्च सफलता दर प्रदान करता है लेकिन गैर-समानता (non-uniformity) लाता है।
अनुभवजन्य सत्यापन (Empirical Validation): यह प्रदर्शित करता है कि कुछ समस्या क्षेत्रों के लिए (विशेष रूप से जहाँ समाधान विरल/sparse होते हैं), standard QAOA की गैर-समानता इसके उच्च सफलता दर द्वारा संतुलित हो जाती है, जिससे यह GM-QAOA की तुलना में अधिक कुशल बन जाता है।

4. परिणाम (Results)

लेखकों ने #NAE3SAT और #1-in-3SAT के सिंथेटिक इंस्टेंस पर VQCount को बेंचमार्क करने के लिए टेन्सर नेटवर्क सिमुलेशन ( quimb लाइब्रेरी के माध्यम से) का उपयोग किया।

#NAE3SAT पर प्रदर्शन:
- यूनिफॉर्मिटी: GM-QAOA शून्य गैर-समानता बनाए रखता है, जबकि standard QAOA समस्या के आकार के साथ बढ़ती गैर-समानता दिखाता है।
- सफलता दर (Success Rate): Shallow सर्किट ( $p=3$ ) के लिए standard QAOA ने लगातार GM-QAOA की तुलना में उच्च सफलता दर हासिल की।
- सैंपल दक्षता (Sample Efficiency): क्लॉज डेंसिटी $\alpha=2$ (कठिन शासन) पर, standard QAOA का उपयोग करने वाले VQCount को GM-QAOA की तुलना में घातांकीय रूप से कम कुल नमूनों की आवश्यकता पड़ी, बावजूद इसके कि इसमें गैर-समानता थी। यह सुझाव देता है कि विरल समाधान स्थानों के लिए, उच्च सफलता के साथ "पर्याप्त अच्छी" यूनिफॉर्मिटी, पूर्ण यूनिफॉर्मिटी और कम सफलता की तुलना में बेहतर है।
#1-in-3SAT पर प्रदर्शन:
- #1-in-3SAT के लिए VQCount (standard QAOA के साथ) आवश्यक नमूनों के लिए लगभग $(1.25 \pm 0.01)^n$ का स्केलिंग व्यवहार दिखाया।
- यह नेइव रिजेक्शन सैंपलिंग (naive rejection sampling) ( $\sim 1.82^n$ ) से काफी बेहतर है और Brassard-Høyer-Mosca-Tapp (BHMT) क्वांटम काउंटिंग एल्गोरिदम ( $\sim 1.35^n$ ) के तुलनीय है।
- सीमा (Limitation): हालांकि VQCount ने नेइव क्वांटम विधियों को पछाड़ दिया है, लेकिन यह वर्तमान में इन विशिष्ट समस्याओं के लिए अत्याधुनिक शास्त्रीय सटीक सॉल्वर (जैसे कि टेन्सर नेटवर्क कॉन्ट्रैक्शन विधियाँ) की तुलना में खराब स्केलिंग करता है।
डेप्थ डिपेंडेंस (Depth Dependence): सर्किट डेप्थ $p$ बढ़ाने से सफलता दर में सुधार हुआ और आवश्यक नमूनों की संख्या कम हुई, हालांकि standard QAOA में गैर-समानता समाप्त होने के बजाय स्थिर (plateau) होती गई।

5. महत्व और निष्कर्ष (Significance and Conclusion)

NISQ के लिए व्यवहार्यता: यह कार्य प्रदर्शित करता है कि वेरिएशनल एल्गोरिदम को काउंटिंग कार्यों के लिए अनुकूलित किया जा सकता है, जो एक ऐसा क्षेत्र है जो पारंपरिक रूप से एम्प्लीट्यूड एस्टीमेशन (जिसके लिए गहरे सर्किट और त्रुटि सुधार की आवश्यकता होती है) द्वारा नियंत्रित होता है। VQCount को उथले सर्किट (shallow circuits) के लिए डिज़ाइन किया गया है जो नोइज़ी इंटरमीडिएट-स्केल क्वांटम (NISQ) उपकरणों के अनुकूल हैं।
संसाधन ट्रेड-ऑफ: यह पेपर शास्त्रीय पोस्ट-प्रोसेसिंग लागत (रिजेक्शन सैंपलिंग) और क्वांटम संसाधनों (सर्किट डेप्थ/ansatz जटिलता) के बीच एक ट्यूनेबल ट्रेड-ऑफ को उजागर करता है।
भविष्य की रूपरेखा: हालांकि VQCount अभी तक सर्वोत्तम शास्त्रीय एल्गोरिदम के साथ प्रतिस्पर्धी नहीं है, बढ़ता हुआ एंसेबल डेप्थ (ansatz depth) भविष्य की प्रतिस्पर्धात्मकता के लिए संकेत देता है। लेखक प्रस्तावित करते हैं कि समस्या-जागरूक मिक्सर (problem-aware mixers), वार्म-स्टार्ट रणनीतियाँ और बेहतर पैरामीटर ऑप्टिमाइज़ेशन प्रदर्शन को और बढ़ा सकते हैं।
व्यापक प्रभाव: यह कार्य सैद्धांतिक कंप्यूटर विज्ञान (JVV प्रमेय) और निकट-अवधि क्वांटम हार्डवेयर के बीच के अंतर को पाटता है, जो उन #P-hard समस्याओं को हल करने के लिए एक ठोस ढांचा प्रदान करता है जो विशिष्ट शासन में शास्त्रीय कंप्यूटरों के लिए वर्तमान में अव्यहार्य हैं।