⚛️ quantum physics

Sampling (noisy) quantum circuits through randomized rounding

यह शोधपत्र दो-क्यूबिट मार्जिनल्स (two-qubit marginals) पर आधारित एक शास्त्रीय गॉसियन रैंडमाइज्ड राउंडिंग विधि प्रस्तुत करता है जो मैक्स-कट (Max-Cut) जैसी संय kombinatorial अनुकूलन समस्याओं के लिए शोर वाले क्वांटम सर्किटों से कुशलतापूर्वक नमूने लेता है, जो बड़े पैमाने के सिमुलेशन और IBMQ हार्डवेयर प्रयोगों द्वारा प्रमाणित, सिद्ध सन्निकटन अनुपातों (approximation ratios) को प्राप्त करता है और ऊर्जा वितरणों को निष्ठापूर्वक पुनरुत्पादित करता है।

मूल लेखक: Victor Martinez, Omar Fawzi, Daniel Stilck França

प्रकाशित 2026-04-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Victor Martinez, Omar Fawzi, Daniel Stilck França

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 आपके पास एक बहुत ही महंगी, हाई-टेक रसोई की मशीन है (एक शोर करने वाला क्वांटम कंप्यूटर) जिसे एक आदर्श केक (जैसे Max-Cut या QUBO जैसे जटिल ऑप्टिमाइज़ेशन समस्या को हल करना) बनाना है। समस्या यह है कि यह मशीन वर्तमान में खराब है। यह पुरानी है, इसके ओवन का दरवाजा थोड़ा खुला हुआ है, और तापमान लगातार घटता-बढ़ता रहता है। हर बार जब आप केक बनाने की कोशिश करते हैं, तो वह थोड़ा जला हुआ, थोड़ा गीला, या बस अजीब आकार का निकलता है।

बड़ा सवाल जो वैज्ञानिक पूछ रहे हैं: "क्या यह खराब मशीन अभी भी एक बुनियादी टोस्टर वाले इंसान (एक क्लासिकल कंप्यूटर) से बेहतर है?"

लंबे समय तक, इसका उत्तर था "शायद, लेकिन यह कहना कठिन है।" यदि मशीन बहुत अधिक खराब है, तो केक इतने बुरे होते हैं कि एक इंसान बस अंदाज़ा लगाकर उससे बेहतर बना सकता है। लेकिन अगर यह केवल थोड़ी सी खराब है, तो शायद मशीन अभी भी जीत रही है। समस्या यह है कि यह जानने के लिए कि क्या हो रहा है, आपको वास्तव में मशीन को चलाना होगा, केक का इंतज़ार करना होगा और उसका स्वाद चखना होगा। यह धीमा, महंगा और मशीन तक पहुँचना कठिन है।

यह शोध पत्र एक चतुर "रेसिपी हैक" पेश करता है जो हमें सटीक रूप से भविष्यवाणी करने देता है कि खराब मशीन ने क्या बनाया होता, बिना उसे कभी चालू किए।

यहाँ उनके समाधान का सरल विवरण दिया गया है:

1. "फ्लेवर प्रोफाइल" बनाम "पूरा केक"

जब आप केक बनाते हैं, तो आप अंतिम स्वाद (समाधान) पर ध्यान देते हैं। लेकिन यह समझने के लिए कि केक का स्वाद ऐसा क्यों है, आप सामग्रियों और उनके बीच की परस्पर क्रिया को देखते हैं (सहसंबंध/correlations)।

लेखकों ने महसूस किया कि इन विशिष्ट प्रकार के "केकों" (ऑप्टिमाइज़ेशन समस्याओं) के लिए, आपको यह जानने के लिए पूरे बिखरे हुए केक को देखने की आवश्यकता नहीं है कि उसका स्वाद कैसा है। आपको केवल यह जानने की आवश्यकता है कि सामग्रियां आपस में कैसे जुड़ती हैं।

क्वांटम मशीन: यह संभावनाओं का एक अराजक बादल (सैंपल्स) पैदा करती है।
हैक: मशीन से पूरा केक निकलने का इंतज़ार करने के बजाय, शोधकर्ताओं ने बस मशीन से पूछा: "हे, सामग्री A और सामग्री B एक-दूसरे को कितना पसंद करती हैं?" (इन्हें two-qubit marginals या expectation values कहा जाता है)।

2. "गौसियन राउंडिंग" का कमाल

एक बार जब आपके पास ये "पेयरिंग स्कोर" (जो पूरे केक की तुलना में गणना करने या सिम्युलेट करने में बहुत आसान हैं) आ जाते हैं, तो वे Gaussian Randomized Rounding नामक एक गणितीय ट्रिक का उपयोग करते हैं।

इसे इस तरह सोचें:

कल्पना करें कि आपके पास एक नक्शा है कि सभी सामग्रियां एक-दूसरे के बारे में कैसा महसूस करती हैं। कुछ सबसे अच्छे दोस्त हैं (सकारात्मक सहसंबंध), कुछ दुश्मन हैं (नकारात्मक सहसंबंध)।
एल्गोरिदम इस नक्शे को लेता है और उन दोस्ती और दुश्मनी का सम्मान करते हुए एक रैंडम मौसम का पैटर्न (एक Gaussian वितरण) बनाता है।
फिर, यह एक सरल निर्णय लेता है: "यदि इस स्थान पर मौसम धूप वाला है, तो सामग्री को 'हाँ' वाली टोकरी में डालें। यदि बारिश हो रही है, तो उसे 'नहीं' वाली टोकरी में डालें।"
यह एक तैयार "केक" (एक bitstring solution) बनाता है जो दिखने और स्वाद में काफी हद तक वैसा ही होता है जैसा कि टूटा हुआ क्वांटम कंप्यूटर बनाता।

3. "खराब" मशीनों का जादू

यहाँ सबसे आश्चर्यजनक बात है: मशीन जितनी अधिक खराब होती है, यह हैक उतना ही बेहतर काम करता है।

आमतौर पर, जब कोई मशीन खराब होती है, तो आप उम्मीद करते हैं कि वह बदतर हो जाएगी। लेकिन इस विशिष्ट परिदृश्य में, जैसे-जैसे शोर (यानी "खराब होने का स्तर") बढ़ता है, क्वांटम मशीन एक रैंडम गेसर (अंदाज़ा लगाने वाली मशीन) की तरह व्यवहार करने लगती है। शोधकर्ताओं ने साबित किया कि उनका "रेसिपी हैक" इस रैंडमनेस (यादृच्छिकता) की नकल पूरी तरह से कर सकता है।

कम शोर (Low Noise): मशीन स्मार्ट होने की कोशिश कर रही है लेकिन असफल हो रही है। हैक उसकी विशिष्ट विफलताओं की नकल करता है।
उच्च शोर (High Noise): मशीन बस रैंडम है। हैक उस रैंडमनेस की पूरी तरह से नकल करता है।

उन्होंने दिखाया कि एक निश्चित मात्रा में शोर वाली मशीन के लिए, उनकी क्लासिकल विधि ऐसे सैंपल्स बनाती है जो क्वांटम मशीन के आउटपुट के सांख्यिकीय रूप से लगभग समान होते हैं।

4. यह क्यों मायने रखता है

यह तीन कारणों से एक बड़ी बात है:

यह एक वास्तविकता की जाँच है: यह हमें बताता है कि कई वर्तमान क्वांटम कंप्यूटरों के लिए, हमें यह देखने के लिए उन्हें चलाने की वास्तव में आवश्यकता नहीं है कि वे उपयोगी हैं या नहीं। हम बस अपने साधारण लैपटॉप पर इस सरल गणितीय ट्रिक को चला सकते हैं। यदि ट्रिक काम करती है, तो क्वांटम कंप्यूटर अभी कुछ विशेष नहीं कर रहा है।
यह समय और पैसा बचाता है: क्वांटम कंप्यूटर से घंटों तक "शोर युक्त" उत्तर मिलने का इंतज़ार करने के बजाय, आप एक क्लासिकल कंप्यूटर पर सेकंडों में "सिम्युलेटेड नॉइज़ी" उत्तर प्राप्त कर सकते हैं।
यह एक मानक निर्धारित करता है: यह हमें एक स्पष्ट बेंचमार्क देता है। यदि भविष्य के किसी क्वांटम कंप्यूटर को "क्वांटम एडवांटेज" साबित करना है, तो उसे इस सरल क्लासिकल हैक को हराना होगा। यदि वह हैक को नहीं हरा पाता, तो वह क्लासिकल दुनिया को नहीं हरा पा रहा है।

निष्कर्ष

लेखकों ने टूटे हुए क्वांटम कंप्यूटर की एक क्लासिकल "परछाई" (shadow) बनाई है। उन्होंने दिखाया कि जिन समस्याओं को हल करने की हम अभी कोशिश कर रहे हैं (जैसे डिलीवरी ट्रक के लिए सबसे अच्छा रास्ता खोजना या लोगों के समूह को दो टीमों में विभाजित करना), उनके लिए एक टूटा हुआ क्वांटम कंप्यूटर कुछ भी जादुई नहीं कर रहा है जिसे एक सामान्य कंप्यूटर थोड़े से गणित और रैंडमनेस का उपयोग करके कॉपी कर सकता है।

यह ऐसा ही है जैसे यह महसूस करना कि एक हिलता हुआ और खराब कैमरा ऐसे फोटो लेता है जो आपके फोन से ली गई धुंधली फोटो की तरह ही दिखते हैं। जब तक कैमरे को ठीक नहीं किया जाता (एरर करेक्शन), तब तक उस महंगे, टूटे हुए कैमरे के लिए भुगतान करने का कोई फायदा नहीं है यदि आपका फोन वही काम कर सकता है।

यहाँ शोध पत्र "Sampling (noisy) quantum circuits through randomized rounding" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र वर्तमान 'नॉयजी इंटरमीडिएट-स्केल क्वांटम' (NISQ) उपकरणों के युग में एक महत्वपूर्ण अंतराल को संबोधित करता है। जबकि शोर वाले क्वांटम सर्किट (noisy quantum circuits) को सिम्युलेट करने और एक्सपेक्टेशन वैल्यूज (जैसे कि एरर मिटिगेशन या क्लासिकल लाइट-कोन सिमुलेशन के माध्यम से) का अनुमान लगाने के लिए क्लासिकल विधियाँ मौजूद हैं, लेकिन ऐसे क्लासिकल तरीके बनाने की कमी है जो शोर वाले क्वांटम सर्किट के आउटपुट डिस्ट्रीब्यूशन की सटीक नकल करते हुए बिटस्ट्रिंग्स (bitstrings) को सैंपल कर सकें।

चुनौती: मैक्स-कट (Max-Cut), QUBO जैसे कई व्यावहारिक अनुप्रयोगों के लिए केवल एक्सपेक्टेशन वैल्यूज ही नहीं, बल्कि वास्तविक बिटस्ट्रिंग असाइनमेंट (समाधान) की आवश्यकता होती है।
सीमा: सामान्य मामलों में शोर वाले क्वांटम सर्किट से सीधे सैंपल लेना क्लासिकल कंप्यूटरों के लिए कम्प्यूटेशनल रूप से कठिन (intractable) है। इसके अलावा, हाल के परिणाम बताते हैं कि पर्याप्त शोर वाले सर्किटों के लिए, क्लासिकल ह्यूरिस्टिक्स अक्सर अनुकूलतम समाधान खोजने में क्वांटम उपकरणों से बेहतर प्रदर्शन करते हैं, फिर भी हमारे पास ऐसे सैंपल उत्पन्न करने का कोई तरीका नहीं है जो शोर वाले क्वांटम डिवाइस के विशिष्ट व्यवहार की सटीक नकल कर सके ताकि उसका निष्पक्षता से बेंचमार्किंग की जा सके।
लक्ष्य: एक ऐसा क्लासिकल एल्गोरिदम विकसित करना जो केवल शोर वाले क्वांटम सर्किट के टू-बॉडी मार्जिनल एक्सपेक्टेशन वैल्यूज (कोवेरिएंस मैट्रिक्स) का उपयोग करके, ऐसे बिटस्ट्रिंग्स जनरेट करे जिनका अपेक्षित लागत (expected cost) प्रमाणिक रूप से शोर वाले क्वांटम डिवाइस के समान हो।

2. कार्यप्रणाली (Methodology)

लेखक सर्किट के टू-क्विबिट मार्जिनल्स पर लागू होने वाले गॉसियन रैंडमाइज्ड राउंडिंग (Gaussian Randomized Rounding) एल्गोरिदम का प्रस्ताव करते हैं। यह दृष्टिकोण गोएम्स-विलियमसन (Goemans-Williamson) एल्गोरिदम से प्रेरित है, जिसे मैक्स-कट के लिए उपयोग किया जाता है, लेकिन इसे SDP रिलैक्सेशन के बजाय क्वांटम सर्किट के विशिष्ट कोरिलेशन डेटा का उपयोग करने के लिए अनुकूलित किया गया है।

मुख्य एल्गोरिदम (Algorithm 4.1)

इनपुट: एक क्वांटम सर्किट $C$ (नॉयजी या नॉइलेस) और उससे संबंधित मीन वेक्टर $\mu$ और वैरिएंस-कोवेरिएंस मैट्रिक्स $\Sigma$ , जहाँ $\Sigma_{ij} = \text{tr}(\rho Z_i Z_j)$ है।
सैंपलिंग: एक मल्टीवेरिएट गॉसियन डिस्ट्रीब्यूशन $\mathcal{N}(\mu, \Sigma)$ से एक वेक्टर $y \in \mathbb{R}^n$ सैंपल करें।
राउंडिंग: प्रत्येक घटक के साइन (sign) को लेकर निरंतर वेक्टर $y$ को बाइनरी बिटस्ट्रिंग $z \in \{-1, +1\}^n$ में बदलें: $z_i = \text{sign}(y_i)$ ।
आउटपुट: बिटस्ट्रिंग $z$ ऑप्टिमाइज़ेशन समस्या के लिए एक कैंडिडेट सॉल्यूशन के रूप में कार्य करती है।

सैद्धांतिक ढांचा (Theoretical Framework)

रिकवरी रेश्यो ( $\alpha$ ): सैंपलर की गुणवत्ता को क्लासिकल सैंपल के अपेक्षित लागत और शोर वाले क्वांटम सैंपल के अपेक्षित लागत के अनुपात द्वारा मापा जाता है:
$\alpha = \frac{\mathbb{E}_{z \sim A(C)}[C(z)]}{\mathbb{E}_{z \sim M([C]_N)[C(z)]} }$
लक्ष्य यह दिखाना है कि $\alpha \approx 1$ है।
नॉइज़ मॉडल: विश्लेषण मुख्य रूप से लोकल डिपोलराइजिंग नॉइज़ ( $N_{DP}$ ) और एम्प्लीट्यूड डैम्पिंग नॉइज़ ( $N_{AD}$ ) पर केंद्रित है।
इनपुट की गणना: पेपर हालिया प्रगति (जैसे कि पाउली बैकप्रोपैगेशन) का लाभ उठाता है, जो यह दर्शाती है कि शोर वाले एक्सपेक्टेशन वैल्यूज ( $\mu$ और $\Sigma$ ) को कुशलतापूर्वक पॉलीनोमियल समय में कंप्यूट किया जा सकता है, भले ही पूर्ण डिस्ट्रीब्यूशन को सैंपल करना कठिन हो।

3. प्रमुख योगदान (Key Contributions)

A. मैक्स-कट के लिए सैद्धांतिक गारंटी

नॉइलेस केस (Noiseless Case): एल्गोरिदम गोएम्स-विलियमसन बाउंड $\alpha \geq 0.87856$ को रिकवर करता है।
नॉयजी केस (Noisy Case): लेखक सिद्ध करते हैं कि स्ट्रेंथ $p$ और सर्किट डेप्थ $D$ के साथ लोकल डिपोलराइजिंग नॉइज़ के तहत, रिकवरी रेश्यो शोर बढ़ने के साथ बढ़ता है। विशेष रूप से, रेगुलर ग्राफ्स के लिए:
$\alpha_{MC} \geq 1 - O((1-p)^D)$
इसका तात्पर्य यह है कि जैसे-जैसे सर्किट अधिक शोर वाला (या गहरा) होता जाता है, क्वांटम आउटपुट अधिक रैंडम हो जाता है, और क्लासिकल राउंडिंग एल्गोरिदम (जो शेष कोरिलेशन को कैप्चर करता है) उच्च फिडेलिटी के साथ शोर वाले डिस्ट्रीब्यूशन को पुनरुत्पादित कर सकता है।

B. QUBO के लिए सैद्धांतिक गारंटी

नॉइलेस केस: एल्गोरिदम $\alpha \geq 2/\pi \approx 0.6366$ का रिकवरी रेश्यो प्राप्त करता है।
नॉयजी केस: मैक्स-कट की तरह ही, लेखक ऐसे बाउंड्स निकालते हैं जो शोर की स्ट्रेंथ बढ़ने या डेप्थ बढ़ने के साथ रिकवरी रेश्यो को 1 के करीब ले जाते हैं, बशर्ते कि डेप्थ पर्याप्त हो (सख्त बाउंड्स के लिए $n$ के लिए लॉगरिदमिक, हालांकि व्यावहारिक प्रदर्शन बेहतर है)।

C. एंड-टू-एंड क्लासिकल सैंपलर

पेपर एक पूर्ण पाइपलाइन बनाता है:

शोर वाले एक्सपेक्टेशन वैल्यूज ( $\Sigma$ ) को पॉलीनोमियल समय में क्लासिकली कंप्यूट करने के लिए पाउली बैकप्रोपैगेशन का उपयोग करें।
वैध गॉसियन सैंपलिंग सुनिश्चित करने के लिए अनुमानित मैट्रिक्स को पॉजिटिव सेमीडेफिनिट (PSD) कोन पर प्रोजेक्ट करें।
बिटस्ट्रिंग जनरेट करने के लिए गॉसियन रैंडमाइज्ड राउंडिंग लागू करें।
यह एक क्लासिकल सरोगेट बनाता है जो पॉलीनोमियल समय में काम करता है और शोर वाले क्वांटम सर्किट की नकल करता है।

4. परिणाम (Results)

संख्यात्मक सिमुलेशन और हार्डवेयर प्रयोग

लेखकों ने IBM क्वांटम (IBMQ) हार्डवेयर (127-क्विबिट चिप्स) और बड़े पैमाने के सिमुलेशन पर अपने तरीके को मान्य किया।

फैथफुल डिस्ट्रीब्यूशन रिप्रोडक्शन: केवल मीन (mean) से मेल खाने वाले तरीकों के विपरीत, प्रस्तावित एल्गोरिदम शोर वाले क्वांटम सर्किट के संपूर्ण एनर्जी डिस्ट्रीब्यूशन को पुनरुत्पादित करता है। इसमें डिस्ट्रीब्यूशन की "टेल" (tail) भी शामिल है (सर्वश्रेष्ठ समाधान), जो ऑप्टिमाइज़ेशन के लिए महत्वपूर्ण है।
डेप्थ/नॉइज़ के विरुद्ध प्रदर्शन:
- इंटरमीडिएट नॉइज़ रिजीम में, एल्गोरिदम सैद्धांतिक वर्स्ट-केस बाउंड्स से बेहतर प्रदर्शन करता है (उदाहरण के लिए, मैक्स-कट के लिए 0.878 से काफी अधिक रेश्यो प्राप्त करना)।
- जैसे-जैसे शोर बढ़ता है, रिकवरी रेश्यो में सुधार होता है, जो इस सैद्धांतिक भविष्यवाणी की पुष्टि करता है कि क्लासिकल सैंपलर शोर वाले क्वांटम डिवाइस को प्रभावी ढंग से ट्रैक करता है।
- यह विधि डिपोलराइजिंग और एम्प्लीट्यूड डैम्पिंग दोनों नॉइज़ मॉडल्स के लिए काम करती है।
डायरेक्ट सैंपलिंग के साथ तुलना: क्लासिकल सैंपलर ऐसे सैंपल जनरेट करता है जो सीधे क्वांटम सर्किट चलाने से प्राप्त सैंपल्स से सांख्यिकीय रूप से अविभेद्य (indistinguishable) होते हैं, भले ही क्वांटम सर्किट बहुत अधिक शोर वाला क्यों न हो।

5. महत्व और निहितार्थ (Significance and Implications)

क्वांटम एडवांटेज की बेंचमार्किंग: यह पेपर एक कठोर मात्रात्मक बेंचमार्क प्रदान करता है। यदि एक शोर वाला क्वांटम ऑप्टिमाइज़र इस सरल क्लासिकल सैंपलर से बेहतर प्रदर्शन नहीं कर पाता है, तो इसका अर्थ है कि क्वांटम डिवाइस उस विशिष्ट कार्य के लिए कम्प्यूटेशनल एडवांटेज प्रदान नहीं कर रहा है।
NISQ क्षमताओं को स्पष्ट करना: यह कॉम्बिनेटरियल ऑप्टिमाइज़ेशन के लिए स्पष्ट करता है कि निकट-अवधि (near-term) हार्डवेयर बेहतर समाधान खोजने के मामले में क्लासिकल ह्यूरिस्टिक्स से बेहतर 'क्वांटम एडवांटेज' नहीं दे सकता है, लेकिन यह समाधानों का एक विशिष्ट डिस्ट्रीब्यूशन प्रदान करता है जिसे क्लासिकली कुशलतापूर्वक सिम्युलेट किया जा सकता है।
व्यावहारिक उपयोगिता: यह सैंपलिंग कार्यों के लिए एक विश्वसनीय, कम लागत वाला विकल्प प्रदान करता है। यदि लक्ष्य शोर वाले क्वांटम सर्किट के समान सैंपल प्राप्त करना है (जैसे कि एरर मिटिगेशन रणनीतियों का परीक्षण करने के लिए), तो महंगे क्वांटम रन के बजाय इस क्लासिकल सरोगेट का उपयोग किया जा सकता है।
एरर मिटिगेशन संदर्भ: यह कार्य रेखांकित करता है कि जबकि एरर मिटिगेशन एक्सपेक्टेशन वैल्यूज को रिकवर कर सकता है, यह आसानी से सैंपल्स को रिकवर नहीं कर सकता। यह विधि उस अंतर को भरती है।

निष्कर्ष

यह शोध पत्र प्रदर्शित करता है कि ऑप्टिमाइज़ेशन के लिए उपयोग किए जाने वाले ब्रॉड क्लास ऑफ वेरिएशनल क्वांटम सर्किट्स के लिए, टू-बॉडी मार्जिनल्स पर गॉसियन रैंडमाइज्ड राउंडिंग एक शक्तिशाली, प्रमाणिक रूप से प्रभावी क्लासिकल सरोगेट है। यह शोर वाले क्वांटम डिवाइसेस के सैंपलिंग डिस्ट्रीब्यूशन को सफलतापूर्वक दोहराता है, जो वास्तविक क्वांटम एडवांटेज कहाँ स्थित होना चाहिए, इसकी सीमा निर्धारित करने के लिए एक नया उपकरण प्रदान करता है।

1. "फ्लेवर प्रोफाइल" बनाम "पूरा केक"

2. "गौसियन राउंडिंग" का कमाल

3. "खराब" मशीनों का जादू

4. यह क्यों मायने रखता है

निष्कर्ष

1. समस्या विवरण (Problem Statement)

2. कार्यप्रणाली (Methodology)

मुख्य एल्गोरिदम (Algorithm 4.1)

सैद्धांतिक ढांचा (Theoretical Framework)

3. प्रमुख योगदान (Key Contributions)

A. मैक्स-कट के लिए सैद्धांतिक गारंटी

B. QUBO के लिए सैद्धांतिक गारंटी

C. एंड-टू-एंड क्लासिकल सैंपलर

4. परिणाम (Results)

संख्यात्मक सिमुलेशन और हार्डवेयर प्रयोग

5. महत्व और निहितार्थ (Significance and Implications)

निष्कर्ष

इसी तरह के और पेपर