⚛️ quantum physics

Hybrid quantum-classical framework for Betti number estimation with applications to topological data analysis

यह शोध पत्र एक हाइब्रिड क्वांटम-क्लासिकल एल्गोरिदम प्रस्तावित करता है जो सिम्प्लेक्सों (simplices) को क्लासिकली सूचीबद्ध करता है और बेट्टी संख्याओं (Betti numbers) का अनुमान लगाने के लिए उन्हें क्वांटम रूप से संसाधित करता है, जो अतिरिक्त एंसिला क्यूबिट्स (ancilla qubits) की लागत पर मौजूदा क्वांटम विधियों की तुलना में बहुपद से लेकर घातीय गति (polynomial to exponential speedups) प्रदान कर सकता है।

मूल लेखक: Nhat A. Nghiem, Tzu-Chieh Wei

प्रकाशित 2026-04-30

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Nhat A. Nghiem, Tzu-Chieh Wei

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 डेटा पॉइंट्स का एक विशाल, बिखरा हुआ ढेर है। शायद वे आकाश में तारे हों, एक फोटो के पिक्सेल हों, या एक अणु के परमाणु हों। इस डेटा के आकार को समझने के लिए, गणितज्ञ एक तकनीक का उपयोग करते हैं जिसे टोपोलॉजिकल डेटा एनालिसिस (TDA) कहा जाता है। TDA को एक तरीके के रूप में सोचें जो डेटा के बिखरे हुए बिंदुओं के बादलों को बिल्डिंग ब्लॉक्स (जैसे त्रिकोण, टेट्राहेड्रोन और उच्च-आयामी आकृतियों) से बने एक संरचित 3D मॉडल में बदल देता है।

इसका लक्ष्य इस संरचना में "छेद" (holes) की गिनती करना है।

एक 0-आयामी छेद बिंदुओं का एक अलग द्वीप है।
एक 1-आयामी छेद एक रिंग या डोनट के आकार जैसा है।
एक 2-आयामी छेद एक बुलबुला या खोखला गोला है।

इन गणनाओं को बेटी नंबर्स (Betti numbers) कहा जाता है। वे शोर (noise) को नजरअंदाज करते हुए आपके डेटा के आवश्यक "आकार" के बारे में बताते हैं।

समस्या: "ब्रूट फोर्स" की बाधा

पारंपरिक रूप से, इन छेदों को गिनने के लिए, आपको अपनी संरचना के हर एक बिल्डिंग ब्लॉक (हर त्रिकोण, हर टेट्राहेड्रोन) की सूची बनानी पड़ती है। यदि आपके पास बहुत अधिक डेटा है, तो इन ब्लॉक्स की संख्या विस्फोट की तरह बढ़ जाती है। यह दोस्तों के एक समूह को एक घनिष्ठ घेरे में जोड़ने के हर संभव तरीके को गिनने जैसा है। एक सामान्य कंप्यूटर पर ऐसा करने में बहुत समय लगता है, और यहाँ तक कि अब तक प्रस्तावित सबसे अच्छे "क्वांटम" (सुपर-फास्ट) कंप्यूटर भी संघर्ष करते हैं जब डेटा विरल (sparse) होता है (यानी, सभी बिंदु एक-दूसरे से जुड़े नहीं होते हैं)।

समाधान: एक हाइब्रिड टीम-अप

लेखकों ने एक हाइब्रिड क्वांटम-क्लासिकल फ्रेमवर्क का प्रस्ताव दिया है। इसे एक सूक्ष्म पुस्तकालयाध्यक्ष (क्लासिकल कंप्यूटर) और एक सुपर-फास्ट स्कैनर (क्वांटम कंप्यूटर) के बीच एक टीम-अप के रूप में सोचें।

यहाँ बताया गया है कि उनकी टीम कैसे काम करती है, चरण-दर-चरण:

1. पुस्तकालयाध्यक्ष (क्लासिकल कंप्यूटर): "क्लस्टर्स खोजें"
इनपुट डेटा बिंदुओं की एक सरल सूची और कौन से बिंदु पड़ोसी हैं (जैसे कि कौन किसे जानता है) के रूप में शुरू होता है।

कार्य: क्लासिकल कंप्यूटर एक पुस्तकालयाध्यक्ष की तरह कार्य करता है। यह सूची को स्कैन करता है और सभी "क्लिक्स" (cliques) को ढूंढता है—बिंदुओं के ऐसे समूह जहाँ हर कोई एक-दूसरे को जानता है। गणितीय शब्दों में, यह सभी त्रिकोण, वर्ग और उच्च-आयामी आकृतियाँ पाता है।
ट्रिक: पेपर दिखाता है कि यदि डेटा "विरल" (sparse) है (यानी, अधिकांश बिंदुओं के केवल कुछ ही पड़ोसी हैं, जैसे एक छोटा शहर जहाँ आप हर किसी को नहीं जानते), तो पुस्तकालयाध्यक्ष यह काम बहुत तेज़ी से कर सकता है। यह एक बड़े, शांत शहर में छोटे, घनिष्ठ मित्र समूहों को खोजने जैसा आसान है।

2. स्कैनर (क्वांटम कंप्यूटर): "छेदों की गिनती करें"
एक बार जब पुस्तकालयाध्यक्ष ने आकृतियों की सूची बना ली होती है, तो वह यह सूची क्वांटम कंप्यूटर को सौंप देता है।

कार्य: क्वांटम कंप्यूटर को कच्चे डेटा को फिर से देखने की आवश्यकता नहीं है। यह आकृतियों की सूची लेता है और पूरी संरचना को एक साथ देखने के लिए एक विशेष "क्वांटम टॉर्च" (एक तकनीक जिसे ब्लॉक-एनकोडिंग कहा जाता है) का उपयोग करता है।
जादू: छेदों को एक-एक करके गिनने के बजाय, क्वांटम कंप्यूटर कुल आकृतियों के अनुपात में छेदों का अनुमान लगाता है। यह एक जटिल मूर्ति के माध्यम से रोशनी डालने जैसा है ताकि सतह के हर इंच को मापने के बजाय तुरंत यह देखा जा सके कि उसके अंदर कितने खाली स्थान हैं।

यह टीम-अप क्यों खास है?

पेपर का तर्क है कि पिछले क्वांटम तरीकों ने क्वांटम कंप्यूटर के साथ सब कुछ करने की कोशिश की, जो कि अक्षम था। यह एक सुपर-फास्ट रेस कार का उपयोग करके एक भीड़भाड़ वाली, संकरी गाँव की सड़क से गुजरने जैसा था; कार तेज़ है, लेकिन सड़क इतनी छोटी है कि उसकी गति का उपयोग नहीं किया जा सकता।

यह नया हाइब्रिड दृष्टिकोण स्मार्ट है क्योंकि:

यह सही काम के लिए सही उपकरण का उपयोग करता है: क्लासिकल कंप्यूटर आकृतियों को सूचीबद्ध करने जैसे "उबाऊ" लेकिन आवश्यक काम को संभालता है (जो विरल डेटा के लिए तेज़ है)।
यह वहां चमकता है जहां अन्य विफल होते हैं: क्वांटम कंप्यूटर केवल छेदों की गिनती करने का भारी काम करने के लिए कदम रखता है। चूंकि सूची पहले से तैयार है, इसलिए क्वांटम कंप्यूटर पहले की तुलना में बहुत तेज़ी से अपना जादू चला सकता है।

यह कहाँ सबसे अच्छा काम करता है

लेखक दिखाते हैं कि यह विधि तीन विशिष्ट परिदृश्यों में विजेता है:

क्वांटम एंटैंगलमेंट (द "घोस्टली कनेक्शन" मैप):
वैज्ञानिक अध्ययन करते हैं कि एक क्वांटम सिस्टम में कण कैसे जुड़े हुए हैं। वे इन कनेक्शनों को एक आकार के रूप में मैप करते हैं। चूंकि ये कनेक्शन आमतौर पर स्थानीय होते हैं (कण केवल अपने पड़ोसियों से बात करते हैं), परिणामी आकार विरल (sparse) होता है। यह हाइब्रिड विधि पदार्थ के विभिन्न चरणों को वर्गीकृत करने में मदद करने के लिए इन कनेक्शन मानचित्रों में "छेद" गिनने में तेज़ी से सक्षम है।
इमेज विश्लेषण (पिक्सेल पहेली):
एक डिजिटल इमेज (जैसे त्वचा के घाव की फोटो या शोर वाली तस्वीर) का विश्लेषण करते समय, आप पिक्सेल को बिंदुओं के रूप में मान सकते हैं। यदि आप समान रंग के पड़ोसी पिक्सेल को जोड़ते हैं, तो आपको एक ग्रिड जैसी संरचना प्राप्त होती है। चूंकि पिक्सेल के केवल 4 पड़ोसी होते हैं, इसलिए संरचना स्वाभाविक रूप से विरल होती है। यह विधि शोर को साफ करने या वस्तुओं को अलग करने में मदद करने के लिए तेज़ी से "छेद" (जैसे एक रिंग का केंद्र या डोनट में छेद) ढूंढ सकती है।
रैंडम ज्योमेट्रिक कॉम्प्लेक्स (स्कैटर प्लॉट):
कल्पना कीजिए कि आपने एक मानचित्र पर यादृच्छिक रूप से बिंदु गिराए और किसी भी दो बिंदुओं को जोड़ दिया जो एक-दूसरे के करीब हैं। यह एक रैंडम वेब बनाता है। पेपर सुझाव देता है कि इन रैंडम वेब के लिए, सामान्यीकृत संख्याओं (कुल आकृतियों के अनुपात) का उपयोग करके "छेदों" को गिनना एक उपयोगी सांख्यिकीय उपकरण है, और यह हाइब्रिड विधि इसे कुशलतापूर्वक गणना कर सकती है।

मुख्य निष्कर्ष

पेपर यह दावा नहीं करता है कि वह हर गणितीय समस्या को तुरंत हल कर देगा। इसके बजाय, यह एक व्यावहारिक ब्लूप्रिंट प्रदान करता है: क्वांटम कंप्यूटर को पूरा काम करने के लिए मजबूर न करें। क्वांटम कंप्यूटर को डेटा को व्यवस्थित करने का भारी काम करने दें, और फिर क्वांटम कंप्यूटर को टोपोलॉजिकल विशेषताओं को गिनने के विशिष्ट, कठिन गणित के लिए छोड़ दें।

"विरल" (sparse) डेटा की दुनिया में (जहाँ चीजें हर किसी से जुड़ी नहीं होती हैं), यह टीम-अप अकेले क्वांटम कंप्यूटर या अकेले क्लासिकल कंप्यूटर की तुलना में काफी तेज़ है। यह एक ऐसी समस्या को हल करने योग्य बनाता है जो पहले बहुत कठिन थी, जिससे भौतिकी, जीव विज्ञान और इमेज प्रोसेसिंग में जटिल डेटा के बेहतर विश्लेषण का मार्ग प्रशस्त होता है।

यह न्हात ए. निघिम और त्सु-चीह वेई के शोध पत्र "Hybrid quantum-classical framework for Betti number estimation with applications to topological data analysis" का विस्तृत तकनीकी सारांश है।

1. समस्या विवरण (Problem Statement)

टोपोलॉजिकल डेटा एनालिसिस (TDA) बड़े पैमाने के डेटासेट से मजबूत विशेषताओं (features) को निकालने के लिए बीजगणितीय टोपोलॉजी (algebraic topology) का उपयोग करता है, जो मुख्य रूप से बेटी संख्या ( $\beta_r$ ) के अनुमान के माध्यम से किया जाता है। ये संख्याएँ होमोलॉजी समूहों (homology groups) के रैंक का प्रतिनिधित्व करती हैं, जो कनेक्टेड कंपोनेंट्स ( $\beta_0$ ), लूप्स ( $\beta_1$ ), और वॉइड्स ( $\beta_2$ ) जैसे टोपोलॉजिकल इनवेरियंट्स को कैप्चर करती हैं।

कंप्यूटेशनल बाधा (Computational Bottleneck): बेटी संख्याओं की गणना करना अत्यधिक खर्चीला है। यह समस्या अनुमान लगाने के लिए NP-hard और सटीक गणना के लिए #P-hard मानी जाती है।
शुद्ध क्वांटम दृष्टिकोण की सीमाएं (Limitations of Pure Quantum Approaches): पिछले क्वांटम एल्गोरिदम, विशेष रूप से लॉयड-गार्नरोन-ज़ानज़ीडी (LGZ) एल्गोरिदम, डेटा तक पहुँचने के लिए क्वांटम ऑरेकल या क्वांटम रैंडम एक्सेस मेमोरी (qRAM) पर निर्भर करते हैं। हालाँकि, ये मॉडल व्यावहारिक व्यवहार्यता संबंधी समस्याओं का सामना करते हैं। इसके अलावा, हाल के जटिलता-सैद्धांतिक परिणाम बताते हैं कि LGZ-प्रकार के एल्गोरिदम केवल सघन (dense) सिम्प्लिशियल कॉम्प्लेक्स (जहाँ सिम्प्लेक्स की संख्या अधिकतम होती है) में ही महत्वपूर्ण गति (speedup) प्राप्त कर सकते हैं। विरल (sparse) व्यवस्थाओं में (जो वास्तविक दुनिया के डेटा में सामान्य है), ये एल्गोरिदम खराब स्केलेबिलिटी से जूझते हैं, और अक्सर पॉलिनोमियल या एक्सपोनेंशियल रनटाइम का सामना करते हैं।
अंतराल (The Gap): एक ऐसे एल्गोरिदम की आवश्यकता है जो क्लासिकल और क्वांटम कंप्यूटिंग दोनों की शक्तियों का लाभ उठा सके ताकि विरल कॉम्प्लेक्स को कुशलतापूर्वक संभाला जा सके, विशेष रूप से जब इनपुट क्लासिकल ग्राफ डेटा (शीर्ष और किनारे) के रूप में दिया गया हो।

2. कार्यप्रणाली: हाइब्रिड फ्रेमवर्क (Methodology: The Hybrid Framework)

लेखक एक हाइब्रिड क्वांटम-क्लासिकल एल्गोरिदम का प्रस्ताव करते हैं जो डेटा के संरचनात्मक गुणों के आधार पर कार्यभार को विभाजित करता है। इनपुट एक सिम्प्लिशियल कॉम्प्लेक्स का क्लासिकल ग्राफ विवरण (1-स्केलेटन) है।

A. क्लासिकल घटक: सिम्प्लेक्स एन्यूमरेशन (Classical Component: Simplex Enumeration)

क्लासिकल प्रोसेसर ग्राफ डेटा से सिम्प्लिशियल कॉम्प्लेक्स के कॉम्बिनेटोरियल निर्माण को संभालता है।

इनपुट: एक ग्राफ $G=(V, E)$ जो 1-स्केलेटन का प्रतिनिधित्व करता है।
कार्य: ग्राफ में सभी $r$ -सिम्प्लेक्स (जो ग्राफ में $(r+1)$ -क्लीक के अनुरूप होते हैं) को सूचीबद्ध (enumerate) करना।
उपयोग किए गए एल्गोरिदम:
1. Arboricity-आधारित एन्यूमरेशन: यह $O(|E| \cdot \alpha(G)^{r-1})$ में चलता है, जहाँ $\alpha(G)$ आर्बोरिसिटी है। कम आर्बोरिसिटी वाले ग्राफों के लिए यह कुशल है।
2. Degeneracy-आधारित एन्यूमरेशन (Eppstein-Löffler-Strash): यह $O(d \cdot |V| \cdot 3^{d/3})$ में चलता है, जहाँ $d$ डिजेनेरेसी है। बाउंडेड मैक्सिमम डिग्री वाले ग्राफों के लिए यह कुशल है।
आउटपुट: $S_r$ (r-सिम्प्लेक्स) और $S_{r-1}$ के स्पष्ट सेट, जिन्हें फिर क्वांटम प्रोसेसर को पास किया जाता है।

B. क्वांटम घटक: स्पेक्ट्रल अनुमान (Quantum Component: Spectral Estimation)

क्वांटम प्रोसेसर बेटी संख्या प्राप्त करने के लिए बाउंड्री ऑपरेटर्स के कर्नेल (kernel) के आयामों का अनुमान लगाता है।

एन्कोडिंग (Encoding): प्रत्येक $r$ -सिम्प्लेक्स को $n$ -क्यूबिट सिस्टम (जहाँ $n=|V|$ ) में एक कंप्यूटेशनल बेसिस स्टेट में मैप किया जाता है।
ब्लॉक-एन्कोडिंग (Block-Encoding): बाउंड्री ऑपरेटर्स $\partial_r$ को मैट्रिसेस $M_r$ में एनकोड किया जाता है। एल्गोरिदम नॉर्मलाइज्ड कॉम्बिनेटोरियल लैप्लासियन ऑपरेटर्स का एक ब्लॉक-एन्कोडिंग बनाता है:
$\frac{\partial_r^\dagger \partial_r}{(r+1)|S_r|}$
इसे $O(1)$ एंसिला क्यूबिट्स और क्लासिकल प्रीप्रोसेसिंग के साथ $O(n + \log |S_r|)$ की गहराई वाले क्वांटम सर्किट का उपयोग करके प्राप्त किया जाता है।
स्टोकेस्टिक रैंक अनुमान (Stochastic Rank Estimation): एल्गोरिदम $\frac{\dim(\ker(\partial_r))}{|S_r|}$ $\frac{d i m ( k e r ( \partial _{r} ))}{∣ S _{r} ∣}$ के अनुपात का अनुमान लगाने के लिए स्टोकेस्टिक रैंक अनुमान का उपयोग करता है।
- यह ब्लॉक-एनकोडेड ऑपरेटर्स की रैंक का अनुमान लगाता है।
- रैंक-निलिटी थ्योरम (rank-nullity theorem) का उपयोग करके, यह कर्नेल आयाम को निकालता है।
अंतिम गणना (Final Calculation): बेटी संख्या को इस पहचान (identity) के माध्यम से कंप्यूट किया जाता है:
$\frac{\beta_r}{|S_r|} = \frac{\dim(\ker(\partial_r))}{|S_r|} + \frac{|S_{r+1}|}{|S_r|} \cdot \frac{\dim(\ker(\partial_{r+1}))}{|S_{r+1}|} - \frac{|S_{r+1}|}{|S_r|}$

3. प्रमुख योगदान (Key Contributions)

विरल व्यवस्थाओं के लिए हाइब्रिड आर्किटेक्चर: यह पेपर विशेष रूप से विरल सिम्प्लिशियल कॉम्प्लेक्स (जहाँ सिम्प्लेक्स की संख्या $|S_r| \ll \binom{n}{r+1}$ है) के लिए अनुकूलित एक फ्रेमवर्क पेश करता है। यह वह व्यवस्था है जहाँ शुद्ध क्वांटम एल्गोरिदम (LGZ) विफल हो जाते हैं।
जटिलता विश्लेषण और स्पीडअप (Complexity Analysis & Speedup):
- LGZ जटिलता: विरल व्यवस्थाओं में, LGZ $O(n^{2+(r+1)/2}/\epsilon)$ के रूप में स्केल करता है।
- हाइब्रिड जटिलता: प्रस्तावित एल्गोरिदम बाउंडेड-डिग्री ग्राफों के लिए $O((n + \text{polylog}(n))/\epsilon^2)$ के रूप में स्केल करता है।
- परिणाम: लेखक विरल व्यवस्थाओं में, विशेष रूप से जब ग्राफ में बाउंडेड डिग्री ( $\Delta = O(1)$ ) होती है, मौजूदा क्वांटम विधियों की तुलना में पॉलिनोमियल से एक्सपोनेंशियल स्पीडअप सिद्ध करते हैं।
सामान्यीकृत बेटी संख्याओं का सत्यापन (Validation of Normalized Betti Numbers): यह पेपर तर्क देता है कि सामान्यीकृत बेटी संख्याएँ ( $\beta_r/|S_r|$ ) केवल एक गणितीय सुविधा नहीं हैं, बल्कि एक व्यावहारिक आवश्यकता हैं। वे क्वांटम कम्प्यूटेशनल लाभों को बनाए रखती हैं भले ही सटीक बेटी संख्या अनुमान लगाना कठिन हो, और रैंडम ज्योमेट्रिक कॉम्प्लेक्स जैसे अनुप्रयोगों में मजबूत सांख्यिकीय माप के रूप में कार्य करती हैं।
एप्लीकेशन-विशिष्ट पाइपलाइन्स (Application-Specific Pipelines): लेखक यह प्रदर्शित करते हैं कि विशिष्ट डोमेन के लिए एंड-टू-एंड पाइपलाइन बनाने के लिए क्वांटम एंट्रॉपी अनुमान (क्वांटम अवस्थाओं के लिए) और क्लासिकल ग्राफ निर्माण को कैसे एकीकृत किया जाए।

4. परिणाम और प्रदर्शन (Results and Performance)

सैद्धांतिक सीमाएँ (Theoretical Bounds): थ्योरम 1 स्थापित करता है कि हाइब्रिड एल्गोरिदम सफलता की संभावना $1-\eta$ $1 - η$ के साथ एडिटिव सटीकता $\epsilon$ $ϵ$ तक बेटी संख्या की गणना करता है।
- क्वांटम संसाधन: $O(n + \log |S_r|)$ क्यूबिट्स, डेप्थ $O(n + \log |S_r|)$ ।
- क्लासिकल संसाधन: $O(|E|\alpha(G)^{r-1})$ या $O(d \cdot n \cdot 3^{d/3})$ ।
लाभ की स्थिति (Regime of Advantage): एल्गोरिदम तब इष्टतम प्रदर्शन प्राप्त करता है जब अंतर्निहित ग्राफ में बाउंडेड वर्टेक्स डिग्री होती है (जैसे, $\Delta \le 4$ )। इस व्यवस्था में, क्लासिकल प्रीप्रोसेसिंग अत्यधिक कुशल होती है, और क्वांटम सब-रूटीन शुद्ध क्वांटम दृष्टिकोणों में घने मैट्रिक्स ऑपरेशंस से जुड़े एक्सपोनेंशियल ओवरहेड से बचता है।

5. महत्व और अनुप्रयोग (Significance and Applications)

यह पेपर दर्शाता है कि हाइब्रिड दृष्टिकोण उन सटीक क्षेत्रों की पहचान करके क्वांटम लाभों को अनलॉक कर सकते हैं जहाँ क्वांटम विधियाँ उत्कृष्ट होती हैं और क्लासिकल प्रीप्रोसेसिंग कुशल रहती है।

विशिष्ट चर्चा किए गए अनुप्रयोग:

क्वांटम मेनी-बॉडी सिस्टम (Quantum Many-Body Systems):
- संदर्भ: एंटैंगलमेंट के माध्यम से पदार्थ के टोपोलॉजिकल फेजों को चरित्रित करना।
- विधि: सब-सिस्टम के बीच वॉन न्यूमैन एंट्रॉपी और म्यूचुअल इंफॉर्मेशन (दूरी) का अनुमान लगाने के लिए क्वांटम एल्गोरिदम का उपयोग करना। फेज़ वर्गीकरण के लिए बेटी संख्या की गणना करने के लिए एक ग्राफ बनाना और फिर हाइब्रिड एल्गोरिदम लागू करना।
- लाभ: पूर्ण क्वांटम स्टेट टोमोग्राफी (एक्सपोनेंशियल लागत) से बचना और स्थानीय इंटरैक्शन की विरलता का लाभ उठाना।
इमेज एनालिसिस (डिनोइजिंग और सेगमेंटेशन):
- संदर्भ: पिक्सेल इंटेंसिटी थ्रेशोल्ड के आधार पर इमेज को क्यूबिकल कॉम्प्लेक्स के रूप में प्रस्तुत करना।
- विधि: इमेज की ग्रिड संरचना स्वाभाविक रूप से बाउंडेड-डिग्री ग्राफ ( $\Delta \le 4$ ) उत्पन्न करती है।
- लाभ: हाइब्रिड एल्गोरिदम हाई-रिज़ॉल्यूशन इमेज के लिए रियल-टाइम टोपोलॉजिकल प्रोसेसिंग की अनुमति देता है, जो $O(n^2 + \text{polylog}(n))$ के रूप में स्केल करता है।
रैंडम ज्योमेट्रिक कॉम्प्लेक्स (Random Geometric Complexes):
- संदर्भ: $\mathbb{R}^d$ में पॉइंट क्लाउड्स का विश्लेषण करना।
- विधि: ग्राफ बनाने के लिए क्वांटम डिस्टेंस एस्टीमेशन (लॉगारिदमिक समय) का उपयोग करना, फिर हाइब्रिड एल्गोरिदम लागू करना।
- लाभ: दूरी गणना में एक्सपोनेंशियल स्पीडअप को बनाए रखते हुए टोपोलॉजिकल डेंसिटी का कुशलतापूर्वक अनुमान लगाना।

निष्कर्ष

निघिम और वेई शुद्ध क्वांटम TDA के एक सशक्त विकल्प को प्रस्तुत करते हैं। सिम्प्लेक्स के कॉम्बिनेटोरियल एन्यूमरेशन को कुशल क्लासिकल एल्गोरिदम को सौंपकर (विरलता का लाभ उठाते हुए) और केवल स्पेक्ट्रल विश्लेषण के लिए क्वांटम सर्किट का उपयोग करके, वे उन व्यवस्थाओं में महत्वपूर्ण स्पीडअप प्राप्त करते हैं जहाँ पिछले क्वांटम एल्गोरिदम अप्रभावी थे। यह कार्य टोपोलॉजिकल डेटा एनालिसिस में व्यावहारिक, निकट-अवधि क्वांटम-एन्हांस्ड वैज्ञानिक कंप्यूटिंग के लिए एक ब्लूप्रिंट प्रदान करता है।