⚛️ quantum physics

Extrapolation method to optimize linear-ramp QAOA parameters: Evaluation of QAOA runtime scaling

यह शोध पत्र लीनियर-रैंप QAOA के दो मापदंडों को अनुकूलित करने के लिए एक एक्सट्रपलेशन विधि प्रस्तावित करता है, जो यह प्रदर्शित करता है कि यह दृष्टिकोण 28 क्विबिट्स तक पोर्टफोलियो अनुकूलन समस्याओं के लिए शास्त्रीय एल्गोरिदम की तुलना में बेहतर रनटाइम स्केलिंग प्राप्त करता है।

मूल लेखक: Vanessa Dehn, Martin Zaefferer, Gerhard Hellstern, Karthik Jayadevan, Florentin Reiter, Thomas Wellens

प्रकाशित 2026-06-01

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Vanessa Dehn, Martin Zaefferer, Gerhard Hellstern, Karthik Jayadevan, Florentin Reiter, Thomas Wellens

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 विशाल, अविश्वसनीय रूप से जटिल पहेली को हल करने की कोशिश कर रहे हैं। आपके पास एक नया, हाई-टेक टूल (एक क्वांटम कंप्यूटर) है जो शायद आज के सबसे अच्छे मानव मस्तिष्क या सुपरकंप्यूटर की तुलना में इसे तेज़ी से हल कर सके। लेकिन एक पेच है: इस टूल को काम करने के लायक बनाने के लिए, आपको इसके नॉब्स (knobs) को पूरी तरह से ट्यून करना होगा। यदि आप नॉब्स गलत सेट करते हैं, तो यह टूल बेकार है।

यह पेपर उन नॉब्स को ट्यून करने के एक चतुर शॉर्टकट के बारे में है, ताकि आपको हर सेटिंग को शुरू से टेस्ट करने की कड़ी मेहनत न करनी पड़े।

यहाँ उनकी यात्रा का विवरण सरल भाषा में दिया गया है:

1. समस्या: "क्वांटम रेडियो" को ट्यून करना

जिस टूल का वे उपयोग कर रहे हैं उसे QAOA (क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन एल्गोरिदम) कहा जाता है। QAOA को एक रेडियो के रूप में समझें जो बहुत सारे स्टैटिक (शोर) के बीच एक विशिष्ट, स्पष्ट सिग्नल (समस्या का सबसे अच्छा समाधान) खोजने की कोशिश कर रहा है।

पारंपरिक तरीका: आमतौर पर, सिग्नल को स्पष्ट करने के लिए, आपको दर्जनों नॉब्स (पैरामीटर्स) घुमाने होते हैं और उन्हें बार-बार टेस्ट करना होता है। जैसे-जैसे पहेली बड़ी होती जाती है, नॉब्स की संख्या भी विस्फोट की तरह बढ़ती जाती है, और ट्यूनिंग की प्रक्रिया अनंत काल तक खिंच जाती है। यह हाथ से 100 नॉब्स वाले रेडियो को ट्यून करने जैसा है; आप कभी खत्म नहीं कर पाएंगे।
नया विचार (लिनियर-रैंप): शोधकर्ताओं ने इसे सरल बनाने का एक तरीका खोजा है। दर्जनों नॉब्स के बजाय, उन्होंने महसूस किया कि उन्हें वास्तव में केवल दो मुख्य सेटिंग्स (मान लीजिए "गति" और "दिशा") और एक "डेप्थ" सेटिंग (आप कितनी देर तक सुनते हैं) को एडजस्ट करने की आवश्यकता है। इसे लिनियर-रैंप (Linear-Ramp) विधि कहा जाता है। यह एक ऐसे रेडियो की तरह है जिसमें केवल एक वॉल्यूम नॉब और एक ट्यूनिंग डायल है, जिससे इसे उपयोग करना बहुत आसान हो जाता है।

2. समाधान: "छोटी पहेली" वाला ट्रिक (एक्सट्रपलेशन)

भले ही आपके पास केवल दो नॉब्स हों, एक बड़ी पहेली (मान लीजिए 28 टुकड़े) के लिए सटीक सेटिंग ढूंढना अभी भी कठिन है। आप केवल अनुमान नहीं लगा सकते।

लेखकों ने एक चतुर ट्रिक निकाली है: एक्सट्रपलेशन (Extrapolation)।

उपमा: कल्पना कीजिए कि आप जानना चाहते हैं कि एक रेस कार 100 मील लंबे ट्रैक पर कितनी तेज़ चलेगी। पूरे 100 मील की दूरी तय करने के बजाय (जिसमें बहुत समय लगता है और बहुत ईंधन खर्च होता है), आप कार को ट्रैक के 4-मील, 6-मील और 8-मील के हिस्से पर चलाते हैं। आप वहां उसकी गति मापते हैं।
भविष्यवाणी: फिर आप उन गतियों को जोड़ने के लिए एक रेखा खींचते हैं और 100 मील के पूरे ट्रैक पर उसकी गति का अनुमान लगाने के लिए उसे आगे बढ़ाते हैं।
पेपर में: उन्होंने अपनी बड़ी, कठिन समस्याओं (28 "बिट्स" या पहेली के टुकड़ों तक) को छोटी, आसान वर्ज़न (4, 6, 8, या 10 टुकड़े) में तोड़ दिया। उन्होंने इन छोटे वर्ज़न्स के लिए सटीक नॉब सेटिंग्स पाईं। फिर, उन्होंने उन सेटिंग्स को बड़ी 28-टुकड़ों वाली समस्याओं के लिए सटीक सेटिंग्स का अनुमान लगाने के लिए "खींचने" (stretch) के लिए गणित का उपयोग किया।

3. परीक्षण: क्या क्वांटम कंप्यूटर जीत सकता है?

उन्होंने इस पद्धति का परीक्षण चार अलग-अलग प्रकार की वास्तविक दुनिया की पहेलियों पर किया:

पोर्टफोलियो ऑप्टिमाइज़ेशन (Portfolio Optimization): लाभ को अधिकतम करने और जोखिम को कम करने के लिए शेयरों का सबसे अच्छा मिश्रण चुनना।
फीचर सिलेक्शन (Feature Selection): मशीन लर्निंग मॉडल के लिए सबसे महत्वपूर्ण डेटा पॉइंट्स चुनना।
क्लस्टरिंग (Clustering): समान वस्तुओं को एक साथ समूहबद्ध करना (जैसे लाल और नीली मार्बल्स को छाँटना)।
मैक्सकट (MaxCut): एक नेटवर्क को दो समूहों में इस तरह विभाजित करना कि समूहों के बीच के कनेक्शन यथासंकीर्ण (strongest) हों।

उन्होंने इन पहेलियों को एक सिम्युलेटेड क्वांटम कंप्यूटर (एक सुपरकंप्यूटर पर चलने वाला एक आदर्श, शोर-मुक्त वर्ज़न) पर चलाया और समाधान खोजने में लगने वाले समय की तुलना सबसे अच्छे क्लासिकल (सामान्य) कंप्यूटर तरीकों से की।

4. परिणाम: शेयरों के लिए जीत, लेकिन सब कुछ नहीं

यहाँ उन्होंने क्या पाया:

शेयर बाज़ार की पहेली (पोर्टफोलियो ऑप्टिमाइज़ेशन): यहीं असली जादू हुआ। क्वांटम विधि, उनके "छोटी पहेली" भविष्यवाणी ट्रिक का उपयोग करते हुए, क्लासिकल विधि की तुलना में समस्या बड़ी होने पर तेज़ होती गई। इसने एक संभावित लाभ दिखाया। यह ऐसा है जैसे क्वांटम कार लंबी ट्रैक पर मानव ड्राइवर से आगे निकलना शुरू कर देती है।
अन्य पहेलियाँ: अन्य तीन प्रकार की समस्याओं के लिए (डेटा चुनना, वस्तुओं को समूहबद्ध करना और नेटवर्क को विभाजित करना), क्वांटम विधि वास्तव में क्लासिकल तरीकों की तुलना में धीमी थी या उतनी ही धीमी थी। "भविष्यवाणी ट्रिक" काम तो करती है, लेकिन क्वांटम टूल इन विशिष्ट मामलों में मानव टूल्स को नहीं हरा सका।

5. "यूनिवर्सल" शॉर्टकट

शोधकर्ताओं ने देखा कि शेयर बाज़ार की पहेली के लिए "परफेक्ट" नॉब सेटिंग्स एक सरल पैटर्न का पालन करती हैं। उन्होंने महसूस किया कि उन्हें हर नए पहेली के लिए सेटिंग्स की गणना करने की आवश्यकता भी नहीं है। वे बस एक यूनिवर्सल फॉर्मूला (एक एकल नियम जो सभी के लिए काम करता है) का उपयोग कर सकते हैं।

जब उन्होंने इस यूनिवर्सल नियम को अन्य तीन पहेलियों पर लागू किया, तो क्वांटम प्रदर्शन में काफी सुधार हुआ, जिससे यह क्लासिकल तरीकों के बराबर पहुँच गया, हालांकि इससे बेहतर नहीं हुआ।

मुख्य निष्कर्ष (The Bottom Line)

पेपर दावा करता है कि:

आप बड़ी समस्याओं के लिए क्वांटम कंप्यूटर को ट्यून करने की महंगी और धीमी प्रक्रिया को, पहले छोटी समस्याओं का परीक्षण करके और बाकी का गणितीय अनुमान लगाकर छोड़ सकते हैं।
यह विधि इतनी अच्छी तरह से काम करती है कि यह दिखाती है कि पोर्टफोलियो ऑप्टिमाइज़ेशन के लिए, एक क्वांटम कंप्यूटर भविष्य में इन समस्याओं को क्लासिकल कंप्यूटर की तुलना में तेज़ी से हल कर सकता है।
परीक्षण की गई अन्य समस्याओं के लिए, क्वांटम कंप्यूटर अभी तक जीता नहीं है, लेकिन इस पद्धति ने इसे प्रतिस्पर्धी बना दिया है।

महत्वपूर्ण नोट: लेखक सावधानी बरतते हुए कहते हैं कि यह एक परफेक्ट कंप्यूटर पर किया गया सिमुलेशन है। उन्होंने अभी यह साबित नहीं किया है कि यह वास्तविक, शोर वाले (noisy) क्वांटम हार्डवेयर पर काम करता है, और उन्होंने 28 टुकड़ों से बड़ी समस्याओं को हल नहीं किया है। लेकिन "छोटे-से-बड़े" (small-to-big) भविष्यवाणी करने वाला यह ट्रिक भविष्य में क्वांटम कंप्यूटरों को उपयोगी बनाने का एक आशाजनक तरीका दिखता है।

तकनीकी सारांश: लीनियर-रैंप QAOA मापदंडों को अनुकूलित करने के लिए एक्सट्रपलेशन विधि

समस्या विवरण
क्वांटम एप्रोक्सिमेट ऑप्टिमाइजेशन एल्गोरिदम (QAOA) कॉम्बिनेटोरियल ऑप्टिमाइजेशन समस्याओं को हल करने के लिए एक प्रमुख उम्मीदवार है, फिर भी इसका मानक वेरिएशनल रूप महत्वपूर्ण स्केलेबिलिटी चुनौतियों का सामना करता है। मानक दृष्टिकोण में शास्त्रीय रूटीन के माध्यम से बड़ी संख्या में सर्किट मापदंडों ( $p$ गहराई के लिए $2p$ मापदंड) को अनुकूलित करने की आवश्यकता होती है, जो कि गणनात्मक रूप से महंगा है और स्थानीय मिनिमा (local minima) में फंसने के प्रति संवेदनशील है। यह अनुकूलन बाधा क्वांटम रनटाइम लाभ के प्रदर्शन को बाधित करती है। जबकि फिक्स्ड शेड्यूल्स, जैसे कि लीनियर-रैंप QAOA (LR-QAOA), पैरामीटर स्पेस को केवल दो मुक्त मापदंडों ( $\Delta\gamma, \Delta\beta$ ) और गहराई $p$ तक सीमित कर देते हैं, बड़े समस्या आकार ( $N$ ) के लिए इन मादारों के इष्टतम मान खोजना एक गैर-तुच्छ कार्य बना हुआ है।

कार्यप्रणाली
लेखक छोटे सब-प्रॉब्लम्स से किए गए अनुकूलन से एक्सट्रपलेशन (extrapolation) करके बड़े समस्या आकारों के लिए उपयुक्त LR-QAOA मापदंडों को निर्धारित करने की एक विधि प्रस्तावित करते हैं। कार्यप्रणाली के तीन मुख्य घटक हैं:

समस्या सूत्रीकरण (Problem Formulation): चार कॉम्बिनेटोरियल ऑप्टिमाइजेशन समस्याओं को क्वाड्रेटिक अनकन्स्ट्रेंड बाइनरी ऑप्टिमाइजेशन (QUBO) समस्याओं के रूप में तैयार किया गया है: पोर्टफोलियो ऑप्टिमाइजेशन, फीचर सिलेक्शन, क्लस्टरिंग (Moons और Blobs डेटासेट का उपयोग करके), और वेटेड MaxCut।
शास्त्रीय बेंचमार्किंग (Classical Benchmarking): शास्त्रीय सॉल्वर (CPLEX, Gurobi, Goemans-Williamson, और MQLib/Burer2002) के रनटाइम स्केलिंग का मूल्यांकन किया गया है। कम पूर्ण रनटाइम और सुसंगत स्केलिंग व्यवहार के कारण MQLib/Burer2002 ह्यूरिस्टिक को प्राथमिक शास्त्रीय बेंचमार्क के रूप में चुना गया है, जो वाणिज्यिक सॉल्वर में पाए जाने वाले ऑप्टिमलिटी बाउंड्स के ओवरहेड से बचता है।
LR-QAOA और एक्सट्रपलेशन योजना:
- लीनियर-रैंप एंसेट (Linear-Ramp Ansatz): वेरिएशनल ऑप्टिमाइजेशन के बजाय, मापदंडों को एक लीनियर एंसेट से सैंपल किया जाता है: $\gamma_j = \Delta\gamma x_j$ और $\beta_j = \Delta\beta(1-x_j)$ , जहाँ $x_j$ एक लीनियर रैंप वेरिएबल है।
- सब-प्रॉब्लम ऑप्टिमाइजेशन: एक लक्षित समस्या आकार $N$ (28 क्विबिट्स तक) के लिए, छोटे आकारों ( $\tilde{N} \in \{4, 6, 8, 10\}$ ) के यादृच्छिक सब-इंस्टेंस उत्पन्न किए जाते हैं। इन छोटे इंस्टेंस पर इष्टतम $\Delta\gamma$ और $\Delta\beta$ खोजने के लिए ग्रिड सर्च किया जाता है।
- फिटिंग और एक्सट्रपलेशन: उच्च-संभाव्यता क्षेत्र के केंद्र को खोजने के लिए $\tilde{N}$ के लिए पाए गए इष्टतम मापदंडों को मल्टीवेरिएट स्क्यू गॉसियन फंक्शन का उपयोग करके फिट किया जाता है। इन केंद्रों को $\log(\text{parameter})$ बनाम $\log(N)$ पर एक लीनियर संबंध (लॉग-लॉग स्केल पर) मानते हुए, लक्षित आकार $N$ के लिए एक्सट्रपलेट किया जाता है।
- डेप्थ ऑप्टिमाइजेशन: कुल क्वांटम रनटाइम को न्यूनतम करने के लिए QAOA गहराई $p$ को अनुकूलित किया जाता है, जिसे सर्किट डेप्थ और इष्टतम समाधान खोजने के लिए आवश्यक मेडियन शॉट्स की संख्या के उत्पाद के रूप में परिभाषित किया गया है ( $D = d \cdot N_{shots}$ )।
- यूनिवर्सल स्केलिंग: स्थिरता में सुधार करने और आउटलेर्स को कम करने के लिए, लेखक एक्सट्रपलेटेड डेटा के आधार पर "यूनिवर्सल" पैरामीटर स्केलिंग लॉ ( $f(N) = a \cdot N^b$ ) व्युत्पन्न करते हैं, जो किसी विशिष्ट इंस्टेंस के लिए अनुकूलित करने के बजाय एक दिए गए समस्या वर्ग के सभी इंस्टेंस पर लागू होते हैं।

प्रमुख परिणाम
अध्ययन $N=28$ तक के समस्या आकारों के लिए एक शोर रहित (noiseless) क्वांटम एमुलेटर पर क्वांटम रनटाइम स्केलिंग (कुल डेप्थ $D$ के रूप में व्यक्त) को शास्त्रीय स्केलिंग के विरुद्ध मूल्यांकन करता है।

पोर्टफोलियो ऑप्टिमाइजेशन: एक्सट्रपलेटेड मापदंडों के साथ LR-QAOA एक स्केलिंग एक्सपोनेंट $\alpha \approx 0.219$ (जहाँ $D \propto 2^{\alpha N}$ ) प्रदर्शित करता है, जो शास्त्रीय बेंचमार्क (MQLib/Burer2002) के $\alpha_{cl} \approx 0.323$ से काफी कम है। यह एक संभावित क्वांटम स्केलिंग लाभ को इंगित करता है।
फीचर सिलेक्शन, क्लस्टरिंग, और MaxCut: प्रारंभ में, इन समस्याओं ने शास्त्रीय समकक्षों की तुलना में उच्च क्वांटम स्केलिंग एक्सपोनेंट दिखाया। हालांकि, एक्सट्रपलेशन डेटा से प्राप्त "यूनिवर्सल" पैरामीटर स्केलिंग को लागू करने पर, क्वांटम स्केलिंग में महत्वपूर्ण सुधार हुआ।
- फीचर सिलेक्शन और MaxCut के लिए, क्वांटम स्केलिंग ने शास्त्रीय बेंचमार्क के बराबर उपलब्धि हासिल की ( $\alpha \approx 0.202$ बनाम $0.197 $और$ \alpha \approx 0.163 $बनाम$ 0.156$, क्रमशः)।
- क्लस्टरिंग (Moons) के लिए, शास्त्रीय बेंचमार्क ( $\alpha_{cl} \approx 0.051$ ) क्वांटम दृष्टिकोण ( $\alpha \approx 0.163$ ) से बेहतर बना रहा।
स्थिरता: यूनिवर्सल मापदंडों के उपयोग ने उन चरम आउटलेर्स (बहुत बड़े डेप्थ वाले इंस्टेंस) की घटना को काफी कम कर दिया जो प्रत्येक इंस्टेंस के लिए व्यक्तिगत रूप से मापदंड निर्धारित करने पर देखे गए थे।
संभाव्यता व्यवहार (Probability Behavior): पोर्टफोलियो ऑप्टिमाइजेशन और MaxCut के लिए, इष्टतम समाधान को मापने की संभावना ( $P_{opt}$ ) $N$ के साथ स्थिर रहती है या थोड़ा बढ़ती है, जबकि सर्किट डेप्थ बीजगणितीय (algebraically) रूप से स्केल होती है। यह इन विशिष्ट समस्या वर्गों के लिए मेडियन रनटाइम के बहुपद-समय (polynomial-time) स्केलिंग की क्षमता का सुझाव देता है।

महत्व और दावे
यह शोध बड़े सर्किटों पर महंगे वेरिएशनल ऑप्टिमाइजेशन की आवश्यकता के बिना LR-QAOA मापदंडों को निर्धारित करने के लिए एक स्केलेबल विधि प्रस्तुत करने का दावा करता है। छोटे सब-प्रॉब्लम्स से एक्सट्रपलेशन का लाभ उठाकर, लेखक प्रदर्शित करते हैं कि:

रनटाइम लाभ: पोर्टफोलियो ऑप्टिमाइजेशन के लिए शास्त्रीय ह्यूरिस्टिक्स की तुलना में एक क्वांटम स्केलिंग लाभ देखा गया है।
स्केलेबिलिटी: एक्सट्रपलेशन विधि बहुत छोटे सिस्टमों ( $N \le 10$ ) के सिमुलेशन से बड़े सिस्टमों ( $N=28$ ) के लिए मापदंडों के कुशल अनुमान की अनुमति देती है।
यूनिवर्सल लॉ: मापदंडों ( $\Delta\gamma, \Delta\beta, p$ ) के लिए बीजगणितीय स्केलिंग लॉ की पहचान यह बताती है कि इन मापदंडों को विशिष्ट समस्या इंस्टेंस से स्वतंत्र रूप से निर्धारित किया जा सकता है, जिससे एल्गोरिदम की मजबूती में सुधार होता है।

लेखक विनम्रतापूर्वक निष्कर्ष निकालते हैं कि हालांकि उनके परिणाम विशिष्ट इंस्टेंस के लिए संभावित बहुपद-समय समाधानों (स्थिर $P_{opt}$ और बीजगणितीय डेप्थ स्केलिंग द्वारा इंगित) का सुझाव देते हैं, लेकिन इन निष्कर्षों को बड़े समस्या आकारों ( $N > 28$ ) और फॉल्ट-टोलरेंट क्वांटम हार्डवेयर पर सत्यापित करने के लिए और अधिक कार्य की आवश्यकता है। वे इस बात पर जोर देते हैं कि उनका कार्य रनटाइम घटक के रूप में स्वयं पैरामीटर ऑप्टिमाइजेशन लागत को हल करने के बजाय, इस सामान्य क्षमता को संबोधित करता है कि यदि मापदंडों को कुशलतापूर्वक पाया जा सके तो LR-QAOA क्या कर सकता है।