⚛️ quantum physics

Partitioned-Constraint QAOA (PC-QAOA): Structural State Preparation and Penalty Enforcement for Quantum Optimization

यह शोध पत्र पार्टीशन-कन्स्ट्रेंड QAOA (PC-QAOA) का परिचय देता है, जो एक हाइब्रिड क्वांटम एल्गोरिदम है जो व्यवहार्य-अवस्था तैयारी (feasible-state preparation) और ग्रोवर मिक्सर (Grover mixers) के माध्यम से विलगित बाधाओं (disjoint constraints) को संरचनात्मक रूप से लागू करके और शेष को ऊर्जात्मक रूप से दंडित करके, बाधित संय combinaciónल अनुकूलन (constrained combinatorial optimization) के लिए व्यवहार्यता और समाधान की गुणवत्ता में महत्वपूर्ण सुधार करता है, जो उथले स्तरों (shallow depths) पर पारंपरिक दंड-आधारित (penalty-based) QAOA से बेहतर प्रदर्शन करता है।

मूल लेखक: Anthony Wilkie, Alexander DeLise, Andrew Del Real, Rebekah Herrman, James Ostrowski

प्रकाशित 2026-05-20

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Anthony Wilkie, Alexander DeLise, Andrew Del Real, Rebekah Herrman, James Ostrowski

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, उलझन भरे भूलभुलैया (maze) के माध्यम से खजाने तक पहुँचने के लिए सबसे अच्छा रास्ता खोजने की कोशिश कर रहे हैं। क्वांटम कंप्यूटिंग की दुनिया में, यह "भूलभुलैया" एक जटिल गणितीय समस्या है जिसे कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन (combinatorial optimization) कहा जाता है, और "खजाना" आदर्श समाधान है।

लंबे समय से, क्वांटम कंप्यूटर इन भूलभुलैया के साथ संघर्ष कर रहे हैं क्योंकि उनके कुछ सख्त नियम (constraints) होते हैं। उदाहरण के लिए, "आप केवल 5 वस्तुएं ही ले जा सकते हैं," या "आपको ठीक 3 शहरों का दौरा करना ही होगा।"

पुराना तरीका: "भारी बैकपैक" दृष्टिकोण

पहले, मुख्य रणनीति क्वांटम कंप्यूटर को सीसे के वजन से भरा एक भारी बैकपैक (पेनल्टी/दंड) देने जैसी थी।

यह कैसे काम करता था: यदि कंप्यूटर एक ऐसा रास्ता चुनता जो किसी नियम को तोड़ता (जैसे 6 वस्तुएं ले जाना), तो बैकपैक भारी हो जाता, जिससे वह रास्ता "महंगा" या "दर्दनाक" महसूस होता।
समस्या: कंप्यूटर को पूरे भूलभुलैया में भटकना पड़ता था, जिसमें मृत अंत (dead ends) और अवैध रास्ते भी शामिल थे, इस उम्मीद में कि भारी वजन अंततः उसे वैध रास्तों की ओर धकेल देगा। यह धीमा, अक्षम था, और अक्सर गलत क्षेत्रों में फंस जाता था।

नया तरीका: PC-QAOA (एक "स्मार्ट गाइड" दृष्टिकोण)

लेखकों ने एक नई विधि पेश की है जिसे PC-QAOA (पार्टीशनड-कन्स्ट्रेंट QAOA) कहा जाता है। हर नियम के लिए भारी वजन का उपयोग करने के बजाय, वे नियमों को दो समूहों में विभाजित करते हैं और उनके साथ अलग तरह से व्यवहार करते हैं।

1. "स्ट्रक्चरल" नियम: सही दरवाजा बनाना

कुछ नियम समझने और पालन करने में आसान होते हैं यदि आप बस सही दरवाजा बना लें।

उपमा: कल्पना कीजिए कि एक नियम कहता है, "आपको 10 लोगों के समूह में से ठीक 3 लोगों को चुनना है।" कंप्यूटर को 10 लोग चुनने देने और फिर 4 चुनने पर उसे दंडित करने के बजाय, लेखक एक विशेष दरवाजा बनाते हैं जो केवल ठीक 3 लोगों के समूहों के लिए ही खुलता है।
यह कैसे काम करता है: वे कंप्यूटर की शुरुआती स्थिति (starting state) तैयार करने के लिए विशेष क्वांटम सर्किट (गैजेट्स) का उपयोग करते हैं। यह भूलभुलैया की खोज को बाहरी दुनिया के बजाय सीधे वैध समाधानों वाले कमरे के अंदर से शुरू करने जैसा है।
जादू: यदि नियम एक-दूसरे में हस्तक्षेप नहीं करते हैं (जैसे "3 लोग चुनें" और "अलग लोगों का उपयोग करके 2 रंग चुनें"), तो वे इन विशेष दरवाजों को अगल-बगल बना सकते हैं और उन्हें एक साथ खोल सकते हैं। इसे पैरेलल प्रिपरेशन (parallel preparation) कहा जाता है।

2. "पेनल्टी" नियम: शेष वजन

कुछ नियम उलझे हुए होते हैं या दूसरों के साथ ओवरलैप करते हैं (जैसे "3 लोग चुनें" और "उसी समूह से 2 लोग चुनें")। आप आसानी से एक एकल दरवाजा नहीं बना सकते।

उपमा: इन पेचीदा नियमों के लिए, वे अभी भी भारी बैकपैक (पेनल्टी) का उपयोग करते हैं। लेकिन चूंकि कंप्यूटर पहले से ही "स्ट्रक्चरल" कमरे के अंदर है, इसलिए उसे केवल शेष कुछ नियमों के लिए वजन उठाना होगा। अब बैकपैक बहुत हल्का है, जिससे कंप्यूटर अधिक तेज़ी से और समझदारी से चलता है।

गुप्त हथियार: "वेरिएशनल कंस्ट्रेंट गैजेट्स" (VCGs)

क्या होगा यदि कोई नियम बहुत अजीब हो जिसे एक आदर्श दरवाजा बनाना संभव न हो?

समाधान: लेखकों ने वेरिएशनल कंस्ट्रेंट गैजेट्स (VCGs) बनाए हैं। इन्हें ट्रेनिंग व्हील्स (सहायक पहिए) या एक अभ्यास सत्र के रूप में समझें।
यह कैसे काम करता है: बड़े समस्या को हल करने से पहले, वे एक छोटे, पुन: प्रयोज्य (reusable) क्वांटम सर्किट को ऑफलाइन प्रशिक्षित करते हैं। यह सर्किट उस विशिष्ट अजीब नियम के लिए एक आदर्श दरवाजे का अनुमान लगाने का प्रशिक्षण लेता है। एक बार प्रशिक्षित होने के बाद, यह गैजेट विभिन्न समस्याओं के लिए बार-बार उपयोग किया जा सकता है, जिससे समय और ऊर्जा की बचत होती है।

उन्होंने क्या पाया?

टीम ने सैकड़ों अलग-अलग गणितीय समस्याओं (जैसे नैपसैक पैक करना या कार्यों का शेड्यूलिंग करना) पर इस पद्धति का परीक्षण किया।

बेहतर परिणाम: "स्मार्ट गाइड" दृष्टिकोण (PC-QAOA) ने "भारी बैकपैक" दृष्टिकोण की तुलना में वैध समाधान बहुत अधिक बार खोजे।
उच्च गुणवत्ता: जब इसने समाधान खोजा, तो इसकी संभावना अधिक थी कि वह सर्वश्रेष्ठ संभव समाधान हो।
कम प्रयास: इसे अच्छे परिणाम प्राप्त करने के लिए कम चरणों (एक उथला "सर्किट डेप्थ") की आवश्यकता थी। क्वांटम कंप्यूटिंग में, कम चरणों का अर्थ है शोर (noise) के कारण कंप्यूटर द्वारा गलतियाँ करने की कम संभावना।
संसाधन बचत: क्योंकि उन्हें स्ट्रक्चरल नियमों के लिए अतिरिक्त "स्लैक" वेरिएबल्स (अतिरिक्त गणितीय सहायक) जोड़ने की आवश्यकता नहीं थी, इसलिए उन्होंने कम क्वांटम बिट्स (qubits) और कम जटिल टू-क्विबिट गेट्स का उपयोग किया।

निष्कर्ष

यह पेपर यह दावा नहीं करता कि यह आज दुनिया की समस्याओं को हल कर देगा। इसके बजाय, यह दिखाता है कि दो रणनीतियों को मिलाने से—आसान नियमों के लिए विशेष दरवाजे बनाना और कठिन नियमों के लिए वजन का उपयोग करना—क्वांटम कंप्यूटर बहुत अधिक कुशलता से जटिल भूलभुलैया में नेविगेट कर सकते हैं। यह हमारे पास मौजूद शोर वाले, अपूर्ण क्वांटम कंप्यूटरों के लिए क्वांटम ऑप्टिमाइज़ेशन को व्यावहारिक बनाने की दिशा में एक कदम है।

तकनीकी सारांश: पार्टീഷन्ड-कन्स्ट्रेंट QAOA (PC-QAOA)

समस्या विवरण
प्रतिबंधित कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन प्रॉब्लम्स (COPs) क्वांटम एल्गोरिदम के लिए, विशेष रूप से क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन एल्गोरिदम (QAOA) के लिए, एक महत्वपूर्ण चुनौती बनी हुई हैं। बाधाओं (constraints) को संभालने का मानक दृष्टिकोण बाधाओं को कॉस्ट हैमिल्टोनियन में पेनल्टी टर्म्स जोड़कर उन्हें अनकन्स्ट्रेंड क्वाड्रेटिक अनकन्स्ट्रेंड बाइनरी ऑप्टिमाइज़ेशन (QUBO) समस्याओं में बदलने में निहित है। यह विधि, जिसे 'पेनल्टीQAOA' कहा जाता है, कई कठिनाइयाँ उत्पन्न करती है: यह अक्सर सहायक स्लैब वेरिएबल्स (slack variables) की आवश्यकता होती है, परिणामी QUBO के घनत्व (density) को बढ़ा देती है, और पेनल्टी गुणांकों के सावधानीपूर्वक ट्यूनिंग की आवश्यकता होती है। बड़े दंड (penalties) ऊर्जा परिदृश्य (energy landscape) को विकृत कर सकते हैं, जिससे तीव्र अवरोध (steep barriers) पैदा होते हैं जो ऑब्जेक्टिव सुधारों के प्रति संवेदनशीलता को कम कर देते हैं या अत्यधिक दोलनशील अनुकूलन परिदृश्य (oscillatory optimization landscapes) उत्पन्न करते हैं। इसके विपरीत, पूर्णतः संरचनात्मक दृष्टिकोण (जैसे QAOA+ या ग्रोवर-मिक्सर QAOA), जो समस्या-विशिष्ट मिक्सर्स और स्टेट प्रिपरेशन के माध्यम से खोज को व्यवहार्य उपस्थान (feasible subspace) तक सीमित रखते हैं, अक्सर जटिल, समस्या-विशिष्ट सर्किट डिज़ाइन की मांग करते हैं जिन्हें तैयार करना कठिन होता है और जो बैरन प्लेटो (barren plateaus) या सीमित कनेक्टिविटी से ग्रस्त हो सकते हैं।

कार्यप्रणाली: PC-QAOA ढांचा
लेखक पार्टീഷन्ड-कन्स्ट्रेंट QAOA (PC-QAOA) पेश करते हैं, जो एक हाइब्रिड ढांचा है जो पूर्णतः पेनल्टी-आधारित और पूर्णतः संरचनात्मक प्रवर्तन (enforcement) के बीच मध्यस्थता करता है। इसका मुख्य विचार बाधाओं के सेट $C$ को दो विलगित (disjoint) उपसमुच्चयों में विभाजित करना है:

संरचनात्मक बाधाएं ( $C_{str}$ ): इन्हें स्टेट प्रिपरेशन और मिक्सिंग ऑपरेटर्स के माध्यम से लागू किया जाता है जो व्यवहार्यता (feasibility) को बनाए रखते हैं।
पेनल्टी बाधाएं ( $C_{pen}$ ): इन्हें कॉस्ट हैमिल्टोनियन में ऊर्जावान पेनल्टी टर्म्स के माध्यम से लागू किया जाता है।

एल्गोरिदम इस प्रकार आगे बढ़ता है:

बाधा विभाजन (Constraint Partitioning): एक ग्रीडी टू-पास एल्गोरिदम बाधाओं को $C_{str}$ में तब असाइन करता है यदि वे कुशल स्टेट प्रिपरेशन की अनुमति देती हैं और पहले से चयनित संरचनात्मक बाधाओं से विलगित सपोर्ट (disjoint support) रखती हैं। शेष बाधाओं को $C_{pen}$ में असाइन किया जाता है।
संरचनात्मक प्रवर्तन (Structural Enforcement): $C_{str}$ $C_{s t r}$ के लिए बाधाओं हेतु, एल्गोरिदम एक प्रारंभिक अवस्था $|F_{str}\rangle$ $∣ F_{s t r} ⟩$ तैयार करता है जो व्यवहार्य असाइनमेंट का एक सुपरपोजिशन है।
- विशिष्ट परिवारों (कार्डिनैलिटी, असाइनमेंट, फ्लो कंजर्वेशन) के लिए, सटीक सर्किट (जैसे डिके-स्टेट प्रिपरेशन) का उपयोग किया जाता है।
- कम-सपोर्ट वाली सामान्य बाधाओं के लिए, जिनमें सटीक निर्माणों का अभाव है, लेखक वैरिएशनल कन्स्ट्रेंट गैजेट्स (VCGs) पेश करते हैं। ये पैरामीटराइज्ड क्वांटम सर्किट हैं जिन्हें ऑफलाइन (एक मल्टी-एंगल QAOA प्रक्रिया का उपयोग करके) एक एकल बाधा के व्यवहार्य सेट पर यूनिफॉर्म सुपरपोजिशन को अनुमानित करने के लिए प्रशिक्षित किया गया है।
मिक्सिंग (Mixing): मिक्सिंग ऑपरेटर को इस तरह बनाया जाता है कि वह $C_{str}$ द्वारा परिभाषित व्यवहार्य उपस्थान को सुरक्षित रखे। सटीक गैजेट्स के लिए, विशिष्ट मिक्सर्स (जैसे कार्डिनैलिटी के लिए XY-मिक्सर्स, VCGs के लिए ग्रोवर मिक्सर्स) का उपयोग किया जाता है। जो क्वबिट्स स्ट्रक्चरल गैजेट्स द्वारा कवर नहीं किए गए हैं, उनके लिए मानक X-मिक्सर्स का उपयोग किया जाता है।
ऊर्जावान प्रवर्तन (Energetic Enforcement): कॉस्ट हैमिल्टनियन में मूल ऑब्जेक्टिव फंक्शन के साथ-साथ केवल $C_{pen}$ में शेष बाधाओं के लिए पेनल्टी टर्म्स शामिल होते हैं। चूंकि खोज $F_{str}$ तक सीमित है, इसलिए आवश्यक पेनल्टी गुणांक छोटे हो सकते हैं, क्योंकि पूर्ण बाइनरी स्पेस की तुलना में कम किए गए व्यवहार्य स्थान पर ऑब्जेक्टिव फंक्शन की रेंज आमतौर पर छोटी होती है।

प्रमुख योगदान

हाइब्रिड कंस्ट्रेंट हैंडलिंग: यह पेपर सर्किट जटिलता और सर्च स्पेस रिडक्शन के बीच संतुलन बनाने वाला एक नया ढांचा प्रस्तावित करता है, जो चुनिंदा रूप से प्रारंभिक अवस्था और डायनेमिक्स में बाधा संरचना को एनकोड करता है जबकि जटिल या ओवरलैपिंग बाधाओं के लिए पेनल्टी को बरकरार रखता है।
वैरिएशनल कन्स्ट्रेंट गैजेट्स (VCGs): लेखक किसी भी मनमाने लो-सपोर्ट बाधाओं के लिए अनुमानित व्यवहार्य-स्टेट प्रिपरेशन बनाने की एक विधि पेश करते हैं। इन गैजेट्स को एक बाधा-विशिष्ट हैमिल्टोनियन को मिनिमाइज करने के लिए ऑफलाइन प्रशिक्षित किया जाता है और इन्हें विभिन्न समस्या इंस्टेंसों में पुन: उपयोग किया जा सकता है, जो सटीक निर्माण उपलब्ध न होने पर एक लचीला विकल्प प्रदान करता है।
संरचना के संयोजन पर सैद्धांतिक गारंटी: यह पेपर स्थापित करता है (प्रपोजिशन IV.1) कि विलगित सपोर्ट वाले कन्स्ट्रेंट गैजेट्स बिना किसी हस्तक्षेप के सटीक रूप से कंपोज होते हैं, जिससे संयुक्त व्यवहार्य सुपरपोजिशन को समानांतर में तैयार किया जा सकता है। कोरोलरी IV.2 दर्शाता है कि संयुक्त व्यवहार्य संभाव्यता में त्रुटि का संचय व्यक्तिगत गैजेट त्रुटियों के योग द्वारा सीमित है, जो उच्च व्यवहार्यता सुनिश्चित करता है।
फ्लो कंजर्वेशन निर्माण: फ्लो कंजर्वेशन बाधाओं के लिए एक नया सटीक सर्किट निर्माण प्रस्तुत किया गया है, जो वेरिएबल सेट्स के बीच समान हैमिंग वेट को लागू करने के लिए सहसंबद्ध (correlated) डिके-स्टेट प्रिपरेशन का उपयोग करता है।

परिणाम
लेखकों ने सात बाधा परिवारों (कार्डिनैलिटी, असाइनमेंट, फ्लो कंजर्वेशन, नैपसैक और क्वाड्रेटिक नैपसैक सहित) के 413 पूर्ण इंस्टेंसों पर PC-QAOA का मूल्यांकन किया, जिनका समस्या आकार $n \in \{3, \dots, 8\}$ है।

व्यवहार्यता और समाधान गुणवत्ता: PC-QAOA ने PenaltyQAOA की तुलना में काफी बेहतर प्रदर्शन किया। उथले डेप्थ ( $p=1$ ) पर, PC-QAOA ने 0.219 के 0.219 के औसत व्यवहार्य एप्रोक्सिमेशन रेशियो ( $AR_{feas}$ ) के मुकाबले 0.588 प्राप्त किया। $p=5$ पर, यह अंतर 0.783 बनाम 0.305 तक बढ़ गया।
व्यवहार्यता की संभावना: PC-QAOA ने उच्च व्यवहार्य समाधान नमूनाकरण की संभावना ( $P(feas) \approx 0.912$ at $p=1$ ) बनाए रखी, जबकि PenaltyQAOA में यह काफी गिर गया ( $P(feas) \approx 0.420$ at $p=1$ )।
इष्टतम समाधान की संभावना: PC-QAOA ने $p=1$ पर PenaltyQAOA की तुलना में इष्टतम समाधान ($P(opt)$) को नमूना करने की संभावना में 215% सापेक्ष सुधार दिखाया।
संसाधन दक्षता: PC-QAOA के लिए कम क्वबिट्स (स्ट्रक्चरल बाधाओं के लिए कोई स्लैब वेरिएबल्स नहीं) और कम टू-क्विबिट गेट्स की आवश्यकता थी। $p=1$ पर, इसे PenaltyQAOA की तुलना में 1.35 $\times$ कम टू-क्विबिट गेट्स की आवश्यकता थी; $p=5$ पर, यह लाभ बढ़कर 1.45 $\times$ हो गया।
VCG प्रदर्शन: प्रशिक्षित VCGs ने $P_{Fk} = 1$ की व्यवहार्य संभावना और 0.9186 का औसत नॉर्मलाइज्ड व्यवहार्य एंट्रॉपी ( $S_{norm}$ ) प्राप्त किया, जो व्यवहार्य उपस्थान के लगभग यूनिफॉर्म कवरेज को इंगित करता है।

महत्व और दावे
यह पेपर दावा करता है कि PC-QAOA आंशिक संरचनात्मक प्रवर्तन (partial structural enforcement) के मूल्य को प्रदर्शित करता है। प्रारंभिक अवस्था और डायनेमिक्स में बाधा संरचना को चुनिंदा रूप से एनकोड करके, यह विधि शुद्ध पेनल्टी-आधारित दृष्टिकोणों की तुलना में उथले सर्किट डेप्थ पर व्यवहार्य और इष्टतम दोनों समाधानों को मापने की संभावना में उल्लेखनीय सुधार करती है। लेखक तर्क देते हैं कि यह दृष्टिकोण निकट-अवधि (near-term) क्वांटम हार्डवेयर के लिए एक व्यावहारिक समझौता प्रदान करता है, जो बड़े पेनल्टी गुणांकों और सहायक स्लैब वेरिएबल्स पर निर्भरता को कम करता है, साथ ही पूर्ण समस्या-विशिष्ट मिक्सर्स को डिजाइन करने की जटिलता को भी कम करता है। यह कार्य सुझाव देता है कि बाधा संरचना को चुनिंदा रूप से एनकोड करना स्केलेबल कंस्ट्रेंड क्वांटम ऑप्टिमाइज़ेशन के लिए एक आशाजनक दिशा है, विशेष रूप से उन समस्याओं के लिए जहाँ बाधाओं को विलगित, संरचनात्मक रूप से प्रवर्तित उपसमुच्चयों में विभाजित किया जा सकता है। लेखक नोट करते हैं कि प्रभावकारिता एक उपयोगी विभाजन की उपलब्धता पर निर्भर करती है और भविष्य के कार्यों में क्लासिकल प्रीप्रोसेसिंग (जैसे कवर इनइक्वेलिटीज) शामिल हो सकता है ताकि बाधा सपोर्ट साइज को कम किया जा सके जिससे अधिक बाधाएं संरचनात्मक प्रवर्तन के अनुकूल बन सकें।