⚛️ quantum physics

CutVQA: Co-Designing Circuit Cutting and Architecture Search for Scaling Variational Quantum Algorithms

यह शोध पत्र CutVQA प्रस्तुत करता है, जो एक को-डिज़ाइन फ्रेमवर्क है जो सर्किट कटिंग को क्वांटम आर्किटेक्चर सर्च के साथ एकीकृत करता है ताकि बेसलाइन सटीकता बनाए रखते हुए वेरिएशनल क्वांटम एल्गोरिदम के लिए सैंपलिंग ओवरहेड और प्रशिक्षण समय को महत्वपूर्ण रूप से कम किया जा सके।

मूल लेखक: Jun Wu, Jicun Li, Jiaqi Yang, Wei Xie, Xiang-Yang Li

प्रकाशित 2026-03-17

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jun Wu, Jicun Li, Jiaqi Yang, Wei Xie, Xiang-Yang Li

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 लेगो (LEGO) ईंटों से एक विशाल, जटिल महल बनाना चाहते हैं। आपके पास एक शानदार ब्लूप्रिंट (एल्गोरिदम) है, लेकिन आपके पास केवल एक छोटी मेज और सीमित संख्या में ईंटें (क्वांटम कंप्यूटर) हैं जिनके साथ आप काम कर सकते हैं।

क्वांटम कंप्यूटिंग की दुनिया में, यह वर्तमान वास्तविकता है। हमारे पास शक्तिशाली विचार (वेरिएशनल क्वांटम एल्गोरिदम, या VQAs) हैं, लेकिन हमारा हार्डवेयर बहुत छोटा और बहुत "शोर वाला" (noisy) है जिससे हम एक बार में पूरा महल नहीं बना सकते।

यहाँ "CutVQA" पेपर का एक सरल विवरण दिया गया है और यह इस समस्या को कैसे हल करता है, कुछ रोजमर्रा के उदाहरणों का उपयोग करके।

समस्या: "बहुत बड़ा होने का" संकट (The "Too Big to Fit" Dilemma)

वर्तमान में, यदि आप एक जटिल क्वांटम प्रोग्राम चलाना चाहते हैं, तो आपको दो बड़ी समस्याओं का सामना करना पड़ता है:

आकार की समस्या: प्रोग्राम छोटे क्वांटम कंप्यूटर के लिए बहुत बड़ा है।
"कटिंग" की समस्या: आकार की समस्या को ठीक करने के लिए, वैज्ञानिकों ने सर्किट कटिंग (Circuit Cutting) नामक एक तकनीक विकसित की है। कल्पना कीजिए कि आप अपने विशाल लेगो महल को लेते हैं, उसे छोटे हिस्सों में तोड़ते हैं, प्रत्येक हिस्से को अलग-अलग मेजों पर बनाते हैं, और फिर बाद में उन्हें वापस जोड़ने के लिए गोंद लगाते हैं।
- पेंच: उन्हें वापस जोड़ना महंगा है। क्वांटम शब्दों में, "जोड़ने" के लिए यह सुनिश्चित करने के लिए लाखों माप (samples) लेने की आवश्यकता होती है कि टुकड़े पूरी तरह से फिट हों। यह एक विशाल "सैंपलिंग ओवरहेड" (sampling overhead) पैदा करता है—जैसे कि पहेली के हर टुकड़े को फिर से जोड़ने की कोशिश करने के लिए हर बार एक भारी शुल्क देना।

समाधान: CutVQA (एक स्मार्ट आर्किटेक्ट)

लेखकों ने CutVQA बनाया है। CutVQA को केवल एक निर्माता के रूप में नहीं, बल्कि एक स्मार्ट आर्किटेक्ट के रूप में सोचें जो महल को विशेष रूप से यह जानते हुए डिजाइन करता है कि इसे टुकड़ों में तोड़ा जाएगा और बाद में फिर से जोड़ा जाएगा।

एक महल बनाने और फिर यह तय करने की कोशिश करने के बजाय कि इसे कैसे काटा जाए (जो कि अव्यवस्थित और महंगा है), CutVQA शुरुआत से ही महल को "कट-फ्रेंडली" (काटने के अनुकूल) डिजाइन करता है।

यहाँ तीन मुख्य तरीके दिए गए हैं जिनका उपयोग CutVQA करता है:

1. "कट-अवेयर" ब्लूप्रिंट (आर्किटेक्चर सर्च)

आमतौर पर, आर्किटेक्ट निर्माण दल की सीमाओं के बारे में सोचे बिना एक इमारत डिजाइन करते हैं। CutVQA अलग है।

उदाहरण: कल्पना कीजिए कि आप एक घर डिजाइन कर रहे हैं, लेकिन आप जानते हैं कि डिलीवरी ट्रक केवल छोटे भार ही ले जा सकते हैं। एक सामान्य आर्किटेक्ट एक विशाल छत डिजाइन कर सकता है जिसे उठाने के लिए क्रेन की आवश्यकता हो। CutVQA ऐसी छत डिजाइन करता है जो छोटे, प्रबंधनीय टाइल्स से बनी हो जो ट्रकों पर फिट हो सकें, बिना घर की सुंदरता या मजबूती से समझौता किए।
यह कैसे काम करता है: यह सबसे अच्छे क्वांटम सर्किट डिजाइन की खोज करता है जो सटीक होने (सटीकता) और काटने में आसान होने (कम लागत) के बीच संतुलन बनाता है। यह उन डिजाइनों से बचता है जिन्हें पुनर्संयोजन के लिए दस लाख मापों की आवश्यकता होगी।

2. "स्मार्ट ग्लू" (इष्टतम विभाजन - Optimal Partitioning)

एक बार ब्लूप्रिंट चुनने के बाद, CutVQA तय करता है कि ठीक कहाँ कट लगाना है।

उदाहरण: यदि आपके पास एक लंबी रस्सी है, तो आप इसे कहीं भी काट सकते हैं। लेकिन यदि आप इसे किसी गांठ के बीच में काटते हैं, तो इसे वापस बांधना कठिन होता है। CutVQA "परफेक्ट कट पॉइंट्स" खोजने के लिए गणित का उपयोग करता है—ऐसी जगहें जहाँ रस्सी सीधी हो और बांधने में आसान हो, जिससे टुकड़ों को फिर से जोड़ने के प्रयास को कम किया जा सके।
परिणाम: यह पुराने तरीकों की तुलना में "जोड़ने के शुल्क" (sampling overhead) को 100 से 1,000 गुना कम कर देता है।

3. "लोकल फिक्स-इट" टीम (पैरामीटर-लोकलाइज्ड ऑप्टिमाइजेशन)

यह शायद सबसे चतुर हिस्सा है। जब आप एक क्वांटम एल्गोरिदम को प्रशिक्षित कर रहे होते हैं, तो आप लगातार नॉब्स (parameters) को ट्यून करते हैं ताकि सर्वोत्तम परिणाम प्राप्त हो सके।

उदाहरण: कल्पना कीजिए कि आप एक विशाल ऑर्केस्ट्रा को ट्यून कर रहे हैं। पुराने तरीके में, यदि आप वायलिन सेक्शन को ठीक करना चाहते हैं, तो आपको पूरे ऑर्केस्ट्रा को रोकना होगा, हर एक वाद्य यंत्र की जांच करनी होगी, और फिर से शुरू करना होगा।
CutVQA का तरीका: क्योंकि आपका ऑर्केस्ट्रा पहले से ही सेक्शन (सबसर्किट) में विभाजित है, यदि आपको वायलिन को ठीक करने की आवश्यकता है, तो आप केवल वायलिन सेक्शन को ही रोकते हैं। ड्रम और ब्रास बजते रहते हैं।
परिणाम: यह प्रशिक्षण प्रक्रिया को 50% तेज़ बनाता है क्योंकि आप उस सिस्टम के हिस्सों को चेक करने में समय बर्बाद नहीं कर रहे हैं जिन्हें बदलने की आवश्यकता नहीं है।

परिणाम: यह क्यों मायने रखता है?

शोधकर्ताओं ने दो प्रमुख प्रकार के क्वांटम समस्याओं (डिलीवरी ट्रक के लिए सबसे अच्छा रास्ता खोजने और रासायनिक अणुओं का अनुकरण करने) पर CutVQA का परीक्षण किया।

सटीकता: इसने पुराने तरीकों के समान ही अच्छे समाधान खोजे।
लागत: इसने "जोड़ने के शुल्क" (sampling overhead) को 2 से 3 ऑर्डर ऑफ मैग्नीट्यूड (यानी 100x से 1,000x सस्ता!) कम कर दिया।
गति: इसने प्रशिक्षण समय को आधा कर दिया।

बड़ी तस्वीर

CutVQA को हमारे वर्तमान, छोटे, अपूर्ण क्वांटम कंप्यूटरों और भविष्य के विशाल, शक्तिशाली क्वांटम सुपर कंप्यूटरों के बीच के सेतु के रूप में देखें।

यह हमें सिखाता है कि हमें केवल बड़े होकर समस्याओं को छोटी मशीनों पर थोपने की कोशिश नहीं करनी चाहिए। इसके बजाय, हमें समस्या और मशीन को एक साथ को-डिजाइन (सह-डिजाइन) करना चाहिए। ऐसे एल्गोरिदम डिजाइन करके जो वितरित, कटे हुए क्वांटम कंप्यूटरों की भाषा "बोलते" हों, हम अपने सीमित हार्डवेयर के साथ भी आज बड़ी समस्याओं को हल कर सकते हैं।

संक्षेप में: CutVQA वह स्मार्ट प्लानर है जो यह सुनिश्चित करता है कि आपका क्वांटम महल कुशलतापूर्वक, टुकड़े-दर-टुकड़े बनाया जाए, बिना पुनर्संयोजन में समय और पैसा बर्बाद किए।

यहाँ शोध पत्र "CutVQA: Scaling Variational Quantum Algorithms के लिए Circuit Cutting और Architecture Search का Co-Design" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

वेरिएशनल क्वांटम एल्गोरिदम (VQAs), नोइज़ी इंटरमीडिएट-स्केल क्वांटम (NISQ) उपकरणों की सीमाओं, विशेष रूप से सीमित भौतिक क्विबिट्स (qubits) और कम सुसंगतता समय (coherence times) द्वारा बाधित हैं। जबकि डिस्ट्रीब्यूटेड क्वांटम कंप्यूटिंग (DQC), सर्किट कटिंग (circuit cutting) के माध्यम से एक समाधान प्रदान करती है, जो बड़े सर्किट्स को कई उपकरणों पर निष्पादित करने योग्य छोटे सब-सर्किट्स में विभाजित करती है, यह दो महत्वपूर्ण बाधाओं का सामना करती है:

घातांकीय सैंपलिंग ओवरहेड (Exponential Sampling Overhead): सर्किट कटिंग, क्वैसीप्रोबेबिलिटी डिकम्पोजिशन (QPD) पर निर्भर करती है, जिसमें सैंपलिंग लागत $O(C^2)$ के रूप में स्केल करती है, जहाँ $C$ डिकम्पोजिशन का स्पेक्ट्रल नॉर्म है। यह लागत विभाजन बिंदुओं (partition points) की संख्या के साथ घातांकीय रूप से बढ़ती है, जो अक्सर इस दृष्टिकोण को अव्यवहारिक बना देती है।
आर्किटेक्चर-अवेयर डिज़ाइन का अभाव (Architecture-Unaware Design): मौजूदा क्वांटम आर्किटेक्चर सर्च (QAS) और VQA एन्सैट्स (जैसे हार्डवेयर-एफिशिएंट या प्रॉब्लम-इंस्पायर्ड) को विभाजन स्थानीयता (partition locality) या संचार लागतों पर विचार किए बिना डिज़ाइन किया जाता है। फलस्वरूप, वे अक्सर अत्यधिक कटिंग ओवरहेड और गहरे सब-सर्किट्स उत्पन्न करते हैं जो डिवाइस के एरर बजट से बाहर हो जाते हैं।

वर्तमान दृष्टिकोण एन्सैट डिज़ाइन, सर्किट पार्टिशनिंग और डिस्ट्रीब्यूटेड निष्पादन को अलग-अलग अनुकूलित करते हैं, जिससे एक "क्रॉस-लेयर गैप" पैदा होता है जो स्केलेबल VQA निष्पादन को रोकता है।

2. कार्यप्रणाली: CutVQA फ्रेमवर्क (Methodology: The CutVQA Framework)

लेखक CutVQA प्रस्तावित करते हैं, जो एक क्रॉस-लेयर को-डिज़ाइन फ्रेमवर्क है जो कटिंग-अवेयर क्वांटम आर्किटेक्चर सर्च (QAS), ऑप्टिमल सर्किट पार्टिशनिंग, और सबसर्किट-लेवल ऑप्टिमाइज़ेशन को एकीकृत करता है।

A. कटिंग-अवेयर क्वांटम आर्किटेक्चर सर्च (Cutting-Aware Quantum Architecture Search)

सर्किट कटिंग को पोस्ट-प्रोसेसिंग स्टेप मानने के बजाय, CutVQA आर्किटेक्चर सर्च प्रक्रिया में कटिंग की लागत को सीधे शामिल करता है।

सर्च स्पेस (Search Space): सिंगल-क्विबिट गेट्स ( $R_x, R_y, R_z$ ), टू-क्विबिट गेट्स ($CX, CZ$), और एंटैंगलमेंट पैटर्न द्वारा परिभाषित है।
ह्यूरिस्टिक कॉस्ट फंक्शन (Heuristic Cost Function): सर्च एक कंपोजिट ऑब्जेक्टिव फंक्शन $f(a)$ को अनुकूलित करता है:
$f(a) = w_g \frac{g(a)}{R} + w_h \frac{\log(h(a))}{L}$
जहाँ $g(a)$ एल्गोरिद्मिक प्रदर्शन है, $h(a)$ सैंपलिंग ओवरहेड है (जिसे SMT-आधारित ऑप्टिमल कटिंग के माध्यम से गणना किया जाता है), और $w_g, w_h$ ट्यून करने योग्य वेट्स (weights) हैं।
एल्गोरिदम: एन्सैट्स की आबादी को विकसित करने के लिए एक जेनेटिक एल्गोरिदम का उपयोग किया जाता है। वे उम्मीदवार जो एक पूर्व-निर्धारित सैंपलिंग ओवरहेड थ्रेशोल्ड ( $\eta$ ) से अधिक होते हैं, उन्हें दंडित (penalize) या हटा (prune) दिया जाता है, जिससे खोज को एक्सप्रेसिबिलिटी (expressibility) और "कट-फ्रेंडलीनेस" के बीच संतुलन बनाने वाले आर्किटेक्चर की ओर निर्देशित किया जाता है।

B. आर्किटेक्चर-गाइडेड सर्किट पार्टिशनिंग (Architecture-Guided Circuit Partitioning)

एक बार इष्टतम एन्सैट चुने जाने के बाद, CutVQA इष्टतम विभाजन बिंदु (partition points) निर्धारित करता है।

अनुकूलन (Optimization): रिकंस्ट्रक्शन ओवरहेड को न्यूनतम करने के लिए और डिवाइस क्विबिट क्षमता एवं संचार बाधाओं का सम्मान करते हुए, इष्टतम विभाजन बिंदु खोजने के लिए सैटिस्फिएबिलिटी मॉड्यूलो थीरीज (SMT) ऑप्टिमाइज़ेशन का उपयोग करता है।
निष्पादन (Execution): बड़े सर्किट को सब-सर्किट्स (गेट या वायर कटिंग के माध्यम से) में विभाजित किया जाता है, स्वतंत्र रूप से क्वांटम उपकरणों पर निष्पादित किया जाता है, और परिणामों को क्वैसीप्रोबेबिलिटी गुणांकों का उपयोग करके क्लासिकली पुनर्गठित (reconstruct) किया जाता है।

C. सबसर्किट-लोकलाइज्ड ऑप्टिमाइज़ेशन (Subcircuit-Localized Optimization)

एक प्रमुख नवाचार सर्किट कटिंग द्वारा प्रेरित पैरामीटर लोकैलिटी (parameter locality) का लाभ उठाना है।

तंत्र (Mechanism): चूंकि प्रत्येक सबसर्किट में कुल वेरिएशनल पैरामीटर्स का केवल एक उपसमुच्चय (subset) होता है, इसलिए एक विशिष्ट पैरामीटर $\theta_i$ के लिए ग्रेडिएंट की गणना केवल उन सब-सर्किट्स का उपयोग करके की जा सकती है जिनमें $\theta_i$ शामिल है।
लाभ: यह अनावश्यक फुल-सर्किट मूल्यांकन से बचाता है। ग्रेडिएंट अपडेट को इस प्रकार डीकंपोज़ किया जाता है:
$\frac{\partial L(\theta)}{\partial \theta_i} = \sum_{C_\ell \in S_i} w_\ell \frac{\partial L_\ell(\theta_\ell)}{\partial \theta_i}$
यह मानक ग्रेडिएंट डिसेंट की तुलना में ट्रेनिंग लेटेंसी और क्वांटम रिसोर्स कंजम्पशन को काफी कम कर देता है।

3. मुख्य योगदान (Key Contributions)

को-डिज़ाइन फ्रेमवर्क: पहला फ्रेमवर्क जो VQA एन्सैट जनरेशन, सर्किट कटिंग और डिस्ट्रीब्यूटेड निष्पादन को मजबूती से जोड़ता है, जो एल्गोरिदम डिज़ाइन और हार्डवेयर बाधाओं के बीच के अंतर को पाटता है।
कटिंग-अवेयर QAS: एक ऐसी सर्च रणनीति पेश करता है जो स्पष्ट रूप से उच्च सैंपलिंग ओवरहेड को दंडित करती है, जिससे ऐसे एन्सैट्स उत्पन्न होते हैं जो स्वाभाविक रूप से डिस्ट्रीब्यूटेड निष्पादन के लिए उपयुक्त हैं।
सबसर्किट-लेवल ऑप्टिमाइज़ेशन: ट्रेनिंग के दौरान केवल प्रासंगिक सब-सर्किट्स को अपडेट करने के लिए पैरामीटर लोकैलिटी का लाभ उठाता है, जिससे कंप्यूटेशनल ओवरहेड में 50% तक की कमी आती है।
SMT-आधारित पार्टिशनिंग: हार्डवेयर बाधाओं के तहत रिकंस्ट्रक्शन लागत को कम करने के लिए इष्टतम कटिंग पॉइंट्स निर्धारित करने के लिए फॉर्मल मेथड्स का उपयोग करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

फ्रेमवर्क का मूल्यांकन VQE (आणविक ग्राउंड स्टेट्स के लिए: H2, LiH, F2, H2O) और QAOA (REG, ERD, और BAR ग्राफ पर Max-Cut के लिए) पर किया गया।

सैंपलिंग ओवरहेड में कमी: CutVQA ने बेसलाइन QAS और हार्डवेयर-एफिशिएंट एन्सैट्स (HEA) की तुलना में सैंपलिंग ओवरहेड को 2–3 ऑर्डर ऑफ मैग्नीट्यूड कम कर दिया। उदाहरण के लिए, QAOA में, ओवरहेड $\approx 10^4$ से घटकर सिंगल डिजिट या लो डबल डिजिट्स में आ गया।
ट्रेनिंग दक्षता: सबसर्किट-लोकलाइज्ड ऑप्टिमाइज़ेशन रणनीति के कारण कुल ट्रेनिंग समय कम से कम 50% कम हो गया।
सटीकता (Accuracy): ओवरहेड में भारी कमी के बावजूद, CutVQA ने बेसलाइन्स के बराबर या उससे बेहतर समाधान सटीकता (QAOA के लिए एप्रोक्सिमेशन रेश्यो और VQE के लिए एनर्जी डेविएशन) बनाए रखी।
मजबूती (Robustness): चार मानक नॉइज़ मॉडल्स (डेपोलराइजिंग, एम्प्लीट्यूड डैम्पिंग, फेज डैम्पिंग, थर्मल रिलैक्सेशन) के तहत, CutVQA ने नॉइज़लेस सिमुलेशन के करीब एप्रोक्सिमेशन रेश्यो बनाए रखा, जो NISQ हार्डवेयर पर इसकी लचीलापन प्रदर्शित करता है।
स्केलेबिलिटी: विधि ने दिखाया कि मध्यम डिवाइस क्षमताएं (जैसे 3-qubit सब-सर्किट्स) भी कुशल कटिंग की अनुमति देती हैं, जिससे यह निकट-अवधि (near-term) हार्डवेयर के लिए व्यवहार्य हो जाता है।

5. महत्व (Significance)

यह कार्य प्रदर्शित करता है कि VQAs को स्केल करने के लिए को-ऑप्टिमाइज़ेशन (co-optimization) आवश्यक है। एन्सैट स्ट्रक्चर और पार्टिशनिंग रणनीति को एक एकीकृत समस्या के रूप में मानकर, CutVQA उस घातांकीय सैंपलिंग बाधा को पार करता है जिसने ऐतिहासिक रूप से डिस्ट्रीब्यूटेड क्वांटम कंप्यूटिंग को बाधित किया है।

व्यावहारिक प्रभाव: यह वर्तमान और निकट भविष्य के मल्टी-QPU सिस्टम पर बड़े पैमाने के क्वांटम एल्गोरिदम चलाने के लिए एक व्यवस्थित पद्धति प्रदान करता है, जिसके लिए एरर-करेक्टेड हार्डवेयर की आवश्यकता नहीं है।
भविष्य की दिशा: शोध पत्र सुझाव देता है कि भविष्य के क्वांटम सॉफ्टवेयर स्टैक को डिस्ट्रीब्यूटेड क्वांटम रिसोर्सेज का पूरा लाभ उठाने के लिए आर्किटेक्चर सर्च को कम्पाइलेशन और शेड्यूलिंग के साथ एकीकृत करना चाहिए।