⚛️ quantum physics

Symmetry-guided quantum state preparation: Branched-Subspaces Adiabatic Preparation (B-SAP)

यह शोध पत्र ब्रैन्च्ड-सबस्पेस एडियाबेटिक प्रिपरेशन (B-SAP) को प्रस्तुत करता है, जो एक हाइब्रिड क्वांटम एल्गोरिदम है जो कई-शरी (many-body) हैमिल्टोनियनों के निम्न-ऊर्जा आइजनस्टेट्स (eigenstates) को बहुपद सर्किट गहराई स्केलिंग के साथ कुशलतापूर्वक तैयार करने के लिए समूह-सैद्धांतिक समरूपताओं (group-theoretic symmetries) और शास्त्रीय पोस्ट-प्रोसेसिंग के साथ वेरिएशनल क्वांटम एल्गोरिदम और एडियाबेटिक प्रिपरेशन को संयोजित करता है।

मूल लेखक: Davide Cugini, Giacomo Guarnieri, Mario Motta, Dario Gerace

प्रकाशित 2026-01-27

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Davide Cugini, Giacomo Guarnieri, Mario Motta, Dario Gerace

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, धुंधले पहाड़ी क्षेत्र के माध्यम से एक विशिष्ट घाटी (एक क्वांटम सिस्टम का "ग्राउंड स्टेट" या निम्नतम ऊर्जा स्तर) तक पहुँचने के लिए एक आदर्श मार्ग खोजने की कोशिश कर रहे हैं। यह एक जटिल समस्या है जिसे हल करने के लिए क्वांटम कंप्यूटर वादा करते हैं, जैसे कि रसायन विज्ञान और भौतिकी में जटिल समस्याओं को सुलझाना। हालाँकि, वहाँ पहुँचना बेहद कठिन काम है।

यह शोध पत्र एक नई नेविगेशन रणनीति पेश करता है जिसे ब्रांच्ड-सबस्पेस एडियाबेटिक प्रिपरेशन (B-SAP) कहा जाता है। यह समझने के लिए कि यह क्यों विशेष है, आइए उन दो पुराने तरीकों को देखें और देखें कि वे संघर्ष क्यों करते हैं।

पुराने तरीके: दो दोषपूर्ण मानचित्र

"अनुमान लगाओ और जाँचो" विधि (वेरिएशनल क्वांटम एल्गोरिदम):
कल्पना कीजिए कि आप एक रास्ता चुनने के लिए यादृच्छिक रूप से अनुमान लगाने, यह जाँचने कि आप कितने नीचे हैं, और फिर उस फीडबैक के आधार पर अपने मार्ग को बदलने की कोशिश कर रहे हैं।

समस्या: मानचित्र इतना विशाल है कि आप एक "बैरेन प्लेटो" (बंजर पठार) में फंस सकते हैं—एक ऐसा सपाट क्षेत्र जहाँ आप जिस भी दिशा में मुड़ें, ज़मीन बिल्कुल एक जैसी महसूस होती है। आप यह नहीं बता पाएंगे कि आप करीब पहुँच रहे हैं या दूर जा रहे हैं, इसलिए आप सीखना बंद कर देते हैं। साथ ही, आपको शुरू करने के लिए सही प्रकार के मार्ग का अनुमान लगाने की आवश्यकता होती है; यदि आपका अनुमान गलत हुआ, तो आप कभी घाटी नहीं खोज पाएंगे।

"धीमी चाल" विधि (एडियाबेटिक प्रिपरेशन):
कल्पना कीजिए कि आप एक ज्ञात, आसानी से पहुँचने वाली पहाड़ी से शुरू करते हैं और धीरे-धीरे लक्षित घाटी की ओर बढ़ते हैं, परिदृश्य को बहुत धीरे-धीरे बदलते हैं ताकि आप कभी अपना संतुलन न खोएं।

समस्या: कभी-कभी, जब आप चल रहे होते हैं, तो दो अलग-अलग पथ (ऊर्जा स्तर) एक-दूसरे को काटते हैं। यदि आप एक पथ पर धीरे-धीरे चल रहे हैं और वह दूसरे को काटता है, तो आप गलती से गलत पथ पर फिसल सकते हैं। जटिल प्रणालियों में, ऐसे "चौराहे" लगातार होते हैं, जिससे आप गलत घाटी में या घाटियों के भ्रमित मिश्रण में पहुँच सकते हैं।

नया समाधान: B-SAP (द "ब्रांचिंग" रणनीति)

लेखक, डेविड कुगिन और उनके सहयोगियों ने एक हाइब्रिड विधि प्रस्तावित की है जो दोनों दुनियाओं के सर्वश्रेष्ठ गुणों को मिलाती है और उनकी कमियों से बचती है। वे सिमेट्री (सममिति - जिसे आप "परिदृश्य के नियम" कह सकते हैं) का उपयोग करके एक चतुर ट्रिक का उपयोग करते हैं।

B-SAP कैसे काम करता है, इसके लिए एक सरल उपमा का उपयोग करें:

1. एक "सुपर-डिजेनरेट" पहाड़ी के साथ शुरुआत करें
पुराने "धीमी चाल" पद्धति (जैसे एक साधारण, अद्वितीय पहाड़ी) के बजाय, B-SAP एक विशाल, सपाट पठार से शुरू होता है जहाँ कई अलग-अलग पथ शुरुआत में समान दिखते हैं।

क्यों? पुराने तरीके में, यदि पथ बाद में एक-दूसरे को काटते हैं, तो आप खो जाते हैं। B-SAP में, लेखक जानबूझकर एक ऐसा परिदृश्य शुरू करते हैं जहाँ पथ पहले से ही एक ज्ञात तरीके से आपस में मिले हुए हैं। वे जानते हैं कि वे इस पठार पर कहाँ हैं।

2. "ब्रांचिंग" (शाखा निकालने की) ट्रिक
जैसे-जैसे वे लक्षित घाटी की ओर धीरे-धीरे चलते हैं, परिदृश्य बदलता है। क्योंकि उनके शुरुआती बिंदु के लिए चुनी गई विशिष्ट नियम (सिमेट्री) के कारण, पथ एक-दूसरे को काटते नहीं हैं; इसके बजाय, वे शाखाओं में बंट जाते हैं (ब्रान्च आउट)।

उपमा: कल्पना कीजिए कि एक ही चौड़ी नदी धीरे-धीरे छोटी, अलग धाराओं में विभाजित होती है। पुराने तरीके में, धाराएँ एक-दूसरे से टकरातीं (क्रॉसिंग)। B-SAP में, धाराएँ स्पष्ट रूप से अलग हो जाती हैं। इसका मतलब है कि आप कभी भी अपने इच्छित पथ से गलत पथ पर नहीं कूदेंगे।

3. "स्मार्ट गाइड" (क्वांटम सर्किट)
धीमी चाल शुरू करने से पहले, एल्गोरिदम एक छोटे, स्मार्ट क्वांटम सर्किट का उपयोग यह निर्धारित करने के लिए करता है कि आप शुरुआती पठार पर वास्तव में किस स्थान पर होना चाहते हैं।

नवाचार: क्योंकि शुरुआती पठार अत्यधिक संरचित है (ग्रुप थ्योरी नामक गणित पर आधारित), एल्गोरिदम को अंधेरे में अनुमान लगाने की आवश्यकता नहीं है। उसे केवल कुछ नॉब्स (पैरामीटर) को एडजस्ट करने की आवश्यकता है ताकि सही "शाखा" को चुना जा सके। यह "बैरेन प्लेटो" की समस्या से बचता है क्योंकि खोज का स्थान बहुत छोटा और स्मार्ट होता है।

4. अंतिम चरण
एक बार जब सिस्टम ट्यून हो जाता है और धीमी चाल शुरू हो जाती है, तो पथ स्वाभाविक रूप से अलग हो जाते हैं। एल्गोरिदम परिणाम का विश्लेषण करने और नॉब्स को ठीक से ट्यून करने के लिए एक क्लासिकल कंप्यूटर का उपयोग करता है ताकि यह सुनिश्चित हो सके कि वह सटीक लक्षित अवस्था (चाहे वह निम्नतम ऊर्जा अवस्था हो या उत्तेजित अवस्था) पर पहुँचे।

उन्होंने क्या सिद्ध किया?

टीम ने XYZ हाइजनबर्ग मॉडल (एक तरीका जिससे यह सिम्युलेट किया जाता है कि छोटी चुंबकें एक रेखा में कैसे परस्पर क्रिया करती हैं) नामक एक प्रसिद्ध मॉडल पर इस नई विधि का परीक्षण किया।

परिणाम: वे बहुत उच्च सटीकता के साथ निम्नतम ऊर्जा अवस्थाओं और यहाँ तक कि उच्च "उत्तेजित" (एक्साइटेड) अवस्थाओं को भी सफलतापूर्वक तैयार करने में सक्षम रहे।
दक्षता: जैसे-जैसे उन्होंने कणों (क्यूबिट्स) की संख्या बढ़ाई, उनके सर्किट की जटिलता केवल पॉलीनोमियल (एक प्रबंधनीय, स्थिर वृद्धि) के रूप में बढ़ी। यह एक बड़ी उपलब्धि है क्योंकि अन्य विधियाँ घातीय (एक्सपोनेंशियल) रूप से बढ़ती हैं (जो बहुत जल्दी असंभव हो जाती हैं)।
तुलना: जब उन्होंने B-SAP की तुलना मानक "धीमी चाल" विधि से की:
- निम्नतम ऊर्जा अवस्था के लिए, दोनों ने अच्छा काम किया, लेकिन B-SAP थोड़ा बेहतर था।
- अगली ऊर्जा स्तर (पहली उत्तेजित अवस्था) के लिए, मानक विधि पूरी तरह विफल हो गई क्योंकि पथ आपस में टकरा गए थे। B-SAP, हालांकि, सफल रहा क्योंकि इसकी "ब्रांचिंग" रणनीति ने पथों को आपस में मिलने से रोक दिया।

संक्षेप में

यह शोध पत्र क्वांटम कंप्यूटरों के लिए एक नया नेविगेशन टूल प्रस्तुत करता है। अंधेरे में रास्ता खोजने या रास्तों के चौराहे वाले भूलभुलैया में धीरे-धीरे चलने के बजाय, B-SAP एक ज्ञात, संरचित प्लेटफॉर्म से शुरू होता है और सिमेट्री के नियमों का उपयोग करता है ताकि यह सुनिश्चित हो सके कि यात्रा के दौरान सड़कें स्वाभाविक रूप से अलग हो जाएं। यह कंप्यूटर को बिना भटके या डेड एंड में फंसे, विशिष्ट क्वांटम अवस्थाओं (शांत और अधिक ऊर्जावान दोनों) को कुशलतापूर्वक खोजने की अनुमति देता है।

लेखकों ने 10 क्यूबिट तक के सिम्युलेटर पर इसे सत्यापित किया, जिससे पता चलता है कि यह विभिन्न परिस्थितियों में काम करता है, जो इसे भविष्य के क्वांटम हार्डवेयर के लिए एक आशाजनक उम्मीदवार बनाता है।

तकनीकी सारांश: ब्रान्च्ड-सबस्पेस एडियाबेटिक प्रिपरेशन (B-SAP)

समस्या विवरण
क्वांटम अवस्था की तैयारी (Quantum state preparation) भौतिकी, रसायन विज्ञान और डेटा विज्ञान में जटिल अनेक-शरीर प्रणालियों (many-body systems) के अनुकरण के लिए एक मौलिक कार्य है। वर्तमान दृष्टिकोण महत्वपूर्ण ट्रेड-ऑफ का सामना करते हैं। वेरिएशनल क्वांटम एल्गोरिदम (VQAs) पैरामीटराइज्ड एंसेटस (ansatzes) और क्लासिकल ऑप्टिमाइजेशन पर निर्भर करते हैं, जो अक्सर "बैरेन प्लेटो" (exponentially vanishing gradients), घातीय रूप से बड़े पैरामीटर स्पेस के कारण खराब स्केलेबिलिटी, और स्थानीय मिनिमा (local minima) से संबंधित अभिसरण (convergence) समस्याओं से ग्रस्त होते हैं। इसके विपरीत, एडियाबेटिक प्रिपरेशन (AP) एक प्रारंभिक अवस्था को एक समय-निर्भर हैमिल्टनियन के तहत एक लक्ष्य अवस्था तक विकसित करता है। यद्यपि ये अवधारणात्मक रूप से भिन्न हैं, AP ऊर्जा स्पेक्ट्रल गैप्स के प्रति अत्यधिक संवेदनशील है; यदि ऊर्जा स्तर आपस में टकराते हैं या गैप सिस्टम के आकार के साथ तेजी से (exponentially) कम होते हैं, तो एडियाबेटिक थ्योरम एक विशिष्ट आइजनस्टेट (eigenstate) की तैयारी सुनिश्चित करने में विफल रहता है, जिससे अक्सर अपभ्रष्ट (degenerate) अवस्थाओं का एक अज्ञात सुपरपोजिशन प्राप्त होता है। ये सीमाएँ ग्राउंड और एक्साइटेड अवस्थाओं की एक साथ तैयारी को बाधित करती हैं, जो ऑप्टिकल स्पेक्ट्रा, चार्ज-ट्रांसफर प्रक्रियाओं और रिएक्शन इंटरमीडिएट्स को समझने के लिए महत्वपूर्ण है।

कार्यप्रणाली: ब्रान्च्ड-सबस्पेस एडियाबेटिक प्रिपरेशन (B-SAP)
लेखक B-SAP का प्रस्ताव करते हैं, जो एक हाइब्रिड एल्गोरिदम है जो समूह-सैद्धांतिक संरचनाओं (group-theoretic structures) और क्लासिकल पोस्ट-प्रोसेसिंग के माध्यम से VQAs और AP की संरचनात्मक शक्तियों को एकीकृत करता है और उनकी संबंधित कमजोरियों को कम करता है।

सिमेट्री-गाइडेड इनिशियलाइजेशन: पारंपरिक AP के विपरीत, जो आमतौर पर एक प्रारंभिक हैमिल्टनियन ( $H_0$ ) का चयन करता है जिसमें डिजेनेरेसी (degeneracy) से बचने के लिए न्यूनतम सिमेट्री ग्रुप हो, B-SAP एक ऐसा $H_0$ चुनता है जिसका सिमेट्री ग्रुप लक्ष्य हैमिल्टनियन ( $H_T$ ) के सिमेट्री ग्रुप को एक सबग्रुप के रूप में समाहित करता है। फलस्वरूप, प्रारंभिक ऊर्जा स्पेक्ट्रम में उच्च डिजेनेरेसी प्रदर्शित होती है।
पैरामीटराइज्ड गेट्स के माध्यम से सबस्पेस एक्सप्लोरेशन: एल्गोरिदम $H_0$ $H_{0}$ के एक डिजेनरेट आइजनस्पेस $S(B_n)$ $S (B_{n})$ की पहचान करता है जो ऊर्जा स्तर $E_n$ $E_{n}$ के अनुरूप है। एक जेनेरिक एंसेटस के बजाय, B-SAP पैरामीटराइज्ड यूनिटरी गेट्स $\{G_j(\alpha_j)\}$ ${G_{j} (α_{j})}$ का एक विशिष्ट सेट बनाता है जो इस सबस्पेस पर एंडोमोर्फिज्म (endomorphisms) के रूप में कार्य करते हैं। ये गेट्स यूनिटरी ग्रुप $U(d_n)$ $U (d_{n})$ के जनरेटरों से व्युत्पन्न हैं (जहाँ $d_n$ $d_{n}$ सबस्पेस आयाम है), जिन्हें यह सुनिश्चित करने के लिए कोसेट स्पेस $U(d_n)/U(d_{n-1})$ $U (d_{n}) / U (d_{n - 1})$ तक कम किया गया है कि मैपिंग एक निश्चित रेफरेंस स्टेट के लिए बायजेक्टिव (bijective) हो।
- महत्वपूर्ण रूप से, ट्रेन करने योग्य पैरामीटर्स की संख्या $2d_n - 1$ (या $2(d_n-1)$ यदि ग्लोबल फेज अप्रासंगिक है) के रूप में स्केल करती है। चूंकि विचाराधीन मॉडलों के लिए $d_n$ , सिस्टम आकार $L$ के साथ बहुपद (polynomially) रूप से स्केल करता है, इसलिए पैरामीटर काउंट 'बैरेन प्लेटो' की ओर ले जाने वाले घातीय स्केलिंग से बच जाता है।
ब्रांचिंग के साथ एडियाबेटिक इवोल्यूशन: सिस्टम $H_0$ से $H_T$ तक एडियाबेटिक इवोल्यूशन से गुजरता है। क्योंकि $H(s)$ की सिमेट्री ग्रुप या तो स्थिर रहती है या घटती है (सिमेट्री टूटती है, नई नहीं बनती), अपरिवर्तनीय निरूपण (irreducible representations या irreps) या तो अपरिवर्तित रहते हैं या विभाजित (branch) होते हैं। यह "ब्रांचिंग" संरचना उन अलग-अलग ऊर्जा स्तरों के विलय को रोकती है जो पारंपरिक AP में लेवल क्रॉसिंग का कारण बनते हैं। प्रोटोकॉल यह सुनिश्चित करता है कि स्पेक्ट्रल गैप की शर्त केवल अलग-अलग आइजनस्पेस के बीच आवश्यक है, न कि प्रत्येक व्यक्तिगत आइजनस्टेट के बीच, जिससे सफल तैयारी के लिए बाधाएं कम हो जाती हैं।
क्लासिकल पोस्ट-प्रोसेसिंग (MC-VQE): ऑप्टिमाइजेशन बॉटलनैक्स से बचने के लिए, लेखक मल्टीस्टेट-कॉन्ट्रैक्टेड वेरिएशनल क्वांटम आइजनसोल्वर (MC-VQE) का उपयोग करते हैं।
- एक एकल अवस्था को अनुकूलित करने के बजाय, एल्गोरिदम क्वांटम रजिस्टर पर ओवरलैप अवस्थाएं $|\Psi^p_{ml}\rangle$ (आधार अवस्थाओं का सुपरपोजिशन) तैयार करता है।
- यह लक्ष्य हैमिल्टनियन $H_T$ के मैट्रिक्स एलिमेंट्स को विकसित आधार (evolved basis) में मापता है, जिससे $d_n \times d_n$ मैट्रिक्स $[H_T]^{(n)}_{ml}$ का निर्माण होता है।
- टार्गेट आइजनवेक्टर्स के आइजनवैल्यू और गुणांक प्राप्त करने के लिए इस मैट्रिक्स को क्लासिकली डायगोनालाइज़ किया जाता है।
- इसके बाद वेरिएशनल पैरामीटर्स को क्लासिकली ट्यून किया जाता है ताकि तैयार अवस्था और क्लासिकली प्राप्त टार्गेट वेक्टर के बीच ओवरलैप को अधिकतम किया जा सके। यह अंतिम मिनिमाइजेशन स्टेप के दौरान क्वांटम सर्किट की आवश्यकता को समाप्त करता है और लॉस फंक्शन के लिए एक ज्ञात ग्लोबल मिनिममम प्रदान करता है।

मुख्य योगदान

हाइब्रिड फ्रेमवर्क: यह पेपर एक नया एल्गोरिदम पेश करता है जो हेयुरिस्टिक एंसेटस (जो VQAs में सामान्य हैं) और सख्त नॉन-क्रॉसिंग गैप आवश्यकताओं (जो AP में सामान्य हैं) की आवश्यकता को दरकिनार करता है।
ग्रुप-थ्योरेटिक कंस्ट्रक्शन: यह हैमिल्टनियन के सिमेट्री ग्रुप के रिप्रेजेंटेशन थ्योरी का उपयोग करके एक पैरामीटराइज्ड सर्किट बनाता है जो एक विशिष्ट डिजेनरेट सबस्पेस को कुशलतापूर्वक एक्सप्लोर करता है, यह सुनिश्चित करता है कि पैरामीटर्स की संख्या सिस्टम आकार के साथ बहुपद रूप से स्केल करती है।
लेवल क्रॉसिंग्स के प्रति मजबूती: एडियाबेटिक पाथ को इस तरह डिजाइन करके कि सिमेट्री टूटती है न कि जोड़ी जाती है, यह विधि उन आकस्मिक डिजेनेरेसी को रोकता है जो आमतौर पर एडियाबेटिक इवोल्यूशन को प्रभावित करती हैं, जिससे एक्साइटेड स्टेट्स की तैयारी संभव होती है।
क्लासिकल ऑप्टिमाइजेशन बायपास: MC-VQE का एकीकरण एक छोटे मैट्रिक्स के क्लासिकल डायगोनालाइजेशन के माध्यम से एक्साइटेड स्टेट जानकारी निकालने की अनुमति देता है, जिससे कठिन क्वांटम-क्लासिकल ऑप्टिमाइजेशन लूप्स पर निर्भरता कम हो जाती है।

परिणाम
लेखकों ने $L=10$ क्वबिट्स तक के सिस्टम साइज के लिए क्वांटम सिम्युलेटर (Qiskit) पर एक-आयामी XYZ हाइजेनबर्ग मॉडल (पीरियोडिक बाउंड्री कंडीशंस के साथ) का उपयोग करके B-SAP को सत्यापित किया।

सटीकता (Accuracy): एल्गोरिदम ने व्यापक कपलिंग कॉन्स्टेंट्स ( $J_x, J_y, J_z$ ) के तहत ग्राउंड स्टेट और पहले चार एक्साइटेड स्टेट्स को सफलतापूर्वक तैयार किया।
त्रुटि मेट्रिक्स (Error Metrics): ग्राउंड स्टेट के लिए, अधिकांश पैरामीटर क्षेत्रों में रैंडम स्टेट ओवरलैप ( $2^{-L}$ ) की तुलना में त्रुटि (इन्फिडेलिटी) नगण्य थी, यहाँ तक कि न्यूनतम टरटर स्टेप्स ( $L/2$ ) के साथ भी। एक्साइटेड स्टेट्स के लिए, त्रुटियां आम तौर पर 10% से नीचे रहीं और अक्सर प्रतिशत स्तर से भी कम थीं।
स्केलिंग: आवश्यक सर्किट डेप्थ सिस्टम साइज $L$ के साथ बहुपद रूप से स्केल करती है।
तुलना: उसी मॉडल और पैरामीटर्स पर मानक AP के साथ तुलना करने पर:
- मानक AP ग्राउंड स्टेट के लिए तुलनीय प्रदर्शन करता है लेकिन अधिकांश पैरामीटर क्षेत्रों में पहले एक्साइटेड स्टेट के लिए पूरी तरह विफल रहता है क्योंकि वहां ऊर्जा स्तरों का क्रॉसिंग होता है।
- B-SAP ने उन एक्साइटेड स्टेट्स को सफलतापूर्वक तैयार किया जहाँ मानक AP विफल रहा, जो डिजेनरेट सबस्पेस के ब्रांचिंग के माध्यम से लेवल क्रॉसिंग को नेविगेट करने की इसकी क्षमता को प्रदर्शित करता है।

महत्व और दावे
पेपर का दावा है कि B-SAP सटीकता, संसाधन दक्षता और मजबूती के बीच संतुलन बनाकर निकट-अवधि (near-term) क्वांटम कंप्यूटिंग प्लेटफॉर्म के लिए क्वांटम अवस्था की तैयारी का एक आशाजनक मार्ग प्रदान करता है।

निकट-अवधि अनुप्रयोग: सर्किट डेप्थ और पैरामीटर्स का बहुपद स्केलिंग इसे सीमित कोहेरेंस टाइम और कनेक्टिविटी वाले उपकरणों के लिए उपयुक्त बनाता है।
एक्साइटेड स्टेट एक्सेस: यह विधि एक महत्वपूर्ण अंतर को संबोधित करती है—विश्वसनीय रूप से उच्च-क्रम की एक्साइटेड अवस्थाओं को तैयार करना, जो ऑप्टिकल स्पेक्ट्रा और रासायनिक प्रतिक्रियाशीलता को निर्धारित करने के लिए आवश्यक हैं, लेकिन लेवल क्रॉसिंग और ऑप्टिमाइजेशन कठिनाइयों के कारण मानक एडियाबेटिक या वेरिएशनल विधियों के माध्यम से दुर्गम होती हैं।
भविष्य का दृष्टिकोण: लेखक सुझाव देते हैं कि इस दृष्टिकोण को जटिल सामग्रियों, क्वांटम रसायन विज्ञान और फील्ड-थ्योरेटिकल सिस्टम के क्वांटम सिमुलेशन के लिए विस्तारित किया जा सकता है, भविष्य का कार्य वास्तविक हार्डवेयर पर तैनाती के लिए एरर मिटिगेशन तकनीकों को एकीकृत करने पर केंद्रित होगा। यह पेपर यह दावा नहीं करता है कि यह सभी सामान्य क्वांटम स्टेट प्रिपरेशन की समस्या को हल करता है, बल्कि B-SAP को ज्ञात सिमेट्री वाले अनेक-शरीर हैमिल्टनियन के लिए एक विशिष्ट, प्रभावी समाधान के रूप में प्रस्तुत करता है।

पुराने तरीके: दो दोषपूर्ण मानचित्र

नया समाधान: B-SAP (द "ब्रांचिंग" रणनीति)

उन्होंने क्या सिद्ध किया?

संक्षेप में

तकनीकी सारांश: ब्रान्च्ड-सबस्पेस एडियाबेटिक प्रिपरेशन (B-SAP)

इसी तरह के और पेपर