⚛️ quantum physics

Subspace Variational Quantum Simulation: Fidelity Lower Bounds as Measures of Training Success

यह शोध पत्र एक पुनरावृत्ति वैरिएशनल क्वांटम एल्गोरिदम प्रस्तावित करता है जो कई प्रारंभिक अवस्थाओं पर अनुकूलन करके एक उप-स्थान (subspace) के भीतर समय विकास (time evolution) का अनुकरण करने के लिए ट्रोटर सर्किट को संकुचित करता है, जो सबसे खराब प्रदर्शन की गारंटी देने के लिए कुशलतापूर्वक गणना योग्य फिडेलिटी निचली सीमाओं (fidelity lower bounds) को प्रदान करता है और बैरेन प्लेटो (barren plateaus) से बचता है, जैसा कि 2-क्विबिट और 10-क्विबिट आइसिंग मॉडल दोनों पर प्रदर्शित किया गया है।

मूल लेखक: Seung Park, Dongkeun Lee, Jeongho Bang, Hoon Ryu, Kyunghyun Baek

प्रकाशित 2026-02-24

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Seung Park, Dongkeun Lee, Jeongho Bang, Hoon Ryu, Kyunghyun Baek

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 रोबोट को डांस करना सिखाने की कोशिश कर रहे हैं।

क्वांटम कंप्यूटिंग की दुनिया में, "डांस करना" का अर्थ है यह सिम्युलेट करना कि एक क्वांटम सिस्टम (जैसे कि एक अणु या चुंबकीय सामग्री) समय के साथ कैसे बदलता है। इसे करने का मानक तरीका एक बहुत लंबे, कठोर कोरियोग्राफी को स्टेप-दर-स्टेप फॉलो करने जैसा है। इसे ट्रोटर मेथड (Trotter method) कहा जाता है।

हालाँकि, आज के क्वांटम कंप्यूटर अनाड़ी, शोर वाले रोबोटों की तरह हैं जिनका ध्यान बहुत कम समय के लिए टिकता है। यदि आप उनसे 100-स्टेप वाला डांस करने को कहते हैं, तो वे थक जाते हैं, गलतियाँ करते हैं, और डांस पूरा करने से पहले ही मूव्स भूल जाते हैं। यह "शोर और सीमित गहराई" (noise and limited depth) की समस्या है।

समाधान: एक "स्मार्ट शॉर्टकट"

शोधकर्ताओं ने इस रोबोट को सिखाने का एक चतुर नया तरीका प्रस्तावित किया है। रोबोट को पूरा 100-स्टेप वाला डांस याद करने के बजाय, वे उसे एक छोटा, लचीला रूटीन सिखाते हैं जो बिल्कुल उसी लंबे डांस जैसा दिखता है और महसूस होता है, चाहे कोई भी डांस शुरू करे।

यहाँ उनके तरीके का सरल उपमाओं (analogies) के माध्यम से विवरण दिया गया है:

1. "सबस्पेस" (डांस फ्लोर)

आमतौर पर, क्वांटम सिमुलेशन किसी भी संभावित शुरुआती स्थिति के लिए डांस की भविष्यवाणी करने की कोशिश करते हैं। लेकिन अक्सर, वैज्ञानिकों को केवल एक विशिष्ट समूह के स्टेट्स की परवाह होती है, जैसे कि एक विशिष्ट "डांस फ्लोर" या लो-एनर्जी ज़ोन।

उपमा: कल्पना कीजिए कि आपको केवल इस बात की परवाह है कि नर्तकों का एक समूह कैसे चलता है यदि वे एक विशिष्ट घेरे (circle) में शुरू करते हैं। आपको यह जानने की आवश्यकता नहीं है कि वे दूसरे कमरे में शुरू करने पर कैसे चलते। शोधकर्ता केवल इस विशिष्ट "घेरे" (subspace) पर ध्यान केंद्रित करते हैं।

2. "ट्रेनिंग" (मूव्स सीखना)

रोबोट को शॉर्टकट सिखाने के लिए, वे उसे केवल एक डांसर नहीं दिखाते। वे उसे कुछ "प्रतिनिधि" डांसर (basis states) और कुछ हाथ पकड़े हुए डांसर (superpositions) दिखाते हैं।

उपमा: इसे एक फ्लाइट सिम्युलेटर को प्रशिक्षित करने जैसा समझें। आप केवल एक शांत दिन पर इसका परीक्षण नहीं करते। आप इसे एक शांत दिन, एक हवादार दिन और एक बारिश वाले दिन पर टेस्ट करते हैं। इन विशिष्ट परिदृश्यों पर रोबोट को प्रशिक्षित करके, वह भौतिकी के नियमों को इतनी अच्छी तरह सीख जाता है कि वह उस घेरे के भीतर किसी भी शुरुआती स्थिति के लिए परिणाम की भविष्यवाणी कर सकता है, यहाँ तक कि उन स्थितियों के लिए भी जिन्हें उसने पहले नहीं देखा है।

3. "फिडेलिटी लोअर बाउंड" (सुरक्षा जाल)

आमतौर पर, जब आप एक मशीन लर्निंग मॉडल को प्रशिक्षित करते हैं, तो आप उम्मीद करते हैं कि यह अच्छा काम करेगा, लेकिन आप पूरी तरह से आश्वस्त नहीं होते कि एक नए इनपुट पर यह कैसा प्रदर्शन करेगा जब तक कि आप इसे आजमा न लें।

उपमा: कल्पना कीजिए कि आप एक छात्र को ग्रेड दे रहे हैं। आप जानते हैं कि छात्र ने प्रैक्टिस टेस्ट में 95% अंक प्राप्त किए हैं। आप उम्मीद करते हैं कि वे असली टेस्ट में भी 95% लाएंगे, लेकिन आप निश्चित नहीं हैं।
नवाचार: लेखकों ने एक गणितीय "सुरक्षा जाल" बनाया है। उन्होंने सिद्ध किया कि यदि रोबोट प्रैक्टिस टेस्ट में एक निश्चित स्कोर प्राप्त करता है, तो यह गणितीय रूप से गारंटी देता है कि वह उस घेरे के भीतर किसी भी अन्य टेस्ट में कम से कम एक विशिष्ट स्कोर प्राप्त करेगा।
यह क्यों मायने रखता है: यह एक प्रमाण पत्र होने जैसा है जो कहता है, "सबसे खराब स्थिति में भी, यह रोबोट कभी भी 85% से नीचे फेल नहीं होगा।" यह वैज्ञानिकों को बिना हजारों महंगे परीक्षण किए एल्गोरिदम का उपयोग करने का विश्वास देता है।

4. "बैरेन प्लेटो" (धुंध भरा पहाड़)

क्वांटम AI में एक बड़ी समस्या "बैरेन प्लेटो" (Barren Plateau) है। कल्पना कीजिए कि आप एक पहाड़ की चोटी खोजने की कोशिश कर रहे हैं, लेकिन पूरा पहाड़ घनी धुंध से ढका हुआ है। आप देख नहीं सकते कि ऊपर की दिशा कौन सी है, इसलिए आप बिना किसी दिशा के भटकते रहते हैं। जैसे-जैसे सिस्टम बड़ा होता है, धुंध और घनी होती जाती है, और कंप्यूटर फंस जाता है।

नवाचार: लेखकों ने दिखाया है कि उनका तरीका एक "वार्म" (warm) स्थान से शुरू होता जहाँ धुंध पतली है। यह एक धूप वाले किनारे पर चढ़ाई शुरू करने जैसा है। यह सुनिश्चित करता है कि कंप्यूटर धुंध में खो जाने के बजाय सबसे अच्छा समाधान वास्तव में खोज सके, भले ही सिस्टम बड़ा हो।

5. "रियल-वर्ल्ड टेस्ट" (डांस रिसाइटल)

टीम ने एक वास्तविक क्वांटम कंप्यूटर (IBM का Eagle प्रोसेसर) पर एक 2-qubit सिस्टम (एक छोटा डांस फ्लोर) और एक सिम्युलेटेड 10-qubit सिस्टम (एक विशाल डांस फ्लोर) के साथ इसका परीक्षण किया।

परिणाम: "शॉर्टकट्स" (उनका एल्गोरिदम) लगभग उतना ही अच्छा काम कर रहे थे जितना कि परफेक्ट, लंबा कोरियोग्राफी, लेकिन वे बहुत तेज़ थे और त्रुटियों के प्रति कम संवेदनशील थे। उन्होंने सफलतापूर्वक यह भी सिम्युलेट किया कि "एंटैंगलमेंट" (कणों के बीच एक स्पूकी क्वांटम कनेक्शन) समय के साथ कैसे बदलता है।

सारांश

संक्षेप में, यह पेपर क्वांटम कंप्यूटरों को समय को सिम्युलेट करने के लिए सिखाने का एक स्मार्ट और अधिक कुशल तरीका प्रस्तुत करता है।

पुराना तरीका: हर एक शुरुआती स्थिति के लिए एक लंबा, कठोर स्क्रिप्ट याद करना। (धीमा, त्रुटि-प्रवण, धुंध में फंस जाता है)।
नया तरीका: कुछ प्रमुख उदाहरणों पर अभ्यास करके एक लचीला, छोटा रूटीन सीखना।
गारंटी: हमारे पास एक गणितीय प्रमाण है जो कहता है, "यदि आप प्रैक्टिस टेस्ट पास कर लेते हैं, तो यह गारंटी है कि आप वास्तविक टेस्ट भी पास करेंगे, चाहे कुछ भी हो।"

यह हमें एक त्रुटि-मुक्त मशीन की आवश्यकता के बिना, नई दवाओं या सामग्रियों के डिजाइन जैसे वास्तविक दुनिया के कार्यों को हल करने के लिए क्वांटम कंप्यूटरों का उपयोग करने के एक कदम करीब लाता है।

यहाँ शोध पत्र "Subspace Variational Quantum Simulation: Fidelity Lower Bounds as Measures of Training Success" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

क्वांटम सिमुलेशन (Quantum simulation) निकट-अवधि के क्वांटम कंप्यूटरों के लिए एक प्राथमिक अनुप्रयोग है, फिर भी यह महत्वपूर्ण चुनौतियों का सामना करता है:

शोर और गहराई (Noise and Depth): वास्तविक दुनिया के क्वांटम हार्डवेयर शोर और सीमित सुसंगतता समय (coherence times) से ग्रस्त हैं, जो गहरे सर्किट (जैसे कि उच्च-सटीकता वाले ट्रोटर डिकम्पोजिशन के लिए आवश्यक) को अव्यावहारिक बनाते हैं।
एकल-अवस्था सीमा (Single-State Limitation): मौजूदा वेरिएशनल क्वांटम सिमुलेशन (VQS) विधियाँ आमतौर पर एक विशिष्ट प्रारंभिक अवस्था के समय विकास (time evolution) के सिमुलेशन पर ध्यान केंद्रित करती हैं। हालाँकि, कई भौतिक समस्याओं के लिए अवस्थाओं के एक सबस्पेस (subspace) की गतिशीलता का अनुकरण करने की आवश्यकता होती है (जैसे, हैमिल्टोनियन के निम्न-ऊर्जा सबस्पेस)।
प्रशिक्षण संबंधी कठिनाइयाँ (Training Difficulties):
- बैरन प्लेटो (Barren Plateaus): जैसे-जैसे सिस्टम का आकार बढ़ता है, वेरिएशनल क्वांटम एल्गोरिदम (VQAs) में लागत फलनों (cost functions) के ग्रेडिएंट अक्सर तेजी से लुप्त हो जाते हैं, जिससे अनुकूलन (optimization) कठिन हो जाता है।
- प्रदर्शन सत्यापन (Performance Verification): एक सबस्पेस के भीतर मनमाने राज्यों (arbitrary states) के लिए प्रशिक्षण की सफलता का मात्रात्मक आकलन करना कठिन है। मौजूदा विधियाँ अक्सर केवल विशिष्ट प्रशिक्षण अवस्थाओं के लिए प्रदर्शन की गारंटी देती हैं, जिससे अप्रशिक्षित रैखिक संयोजनों (linear combinations) के लिए प्रदर्शन अज्ञात रहता है।
- कम्प्यूटेशनल जटिलता (Computational Complexity): पिछली सबस्पेस विधियाँ अक्सर सबस्पेस-सर्च वेरिएशनल आइजनसॉल्वर पर निर्भर करती हैं, जो QMA-पूर्ण (QMA-complete) हैं और बैरन प्लेटो के प्रति संवेदनशील हैं।

2. कार्यप्रणाली (Methodology)

लेखक एक पुनरावृत्ति सबस्पेस वेरिएशनल क्वांटम सिमुलेशन (Iterative Subspace Variational Quantum Simulation) एल्गोरिदम प्रस्तावित करते हैं जो एक चुने हुए सबस्पेस $\mathcal{S}$ के लिए ट्रोटर समय विकास को एक छोटे-गहराई वाले पैरामीटराइज्ड क्वांटम सर्किट (PQC) में संकुचित करता है।

A. एल्गोरिदम ढांचा (Algorithm Framework)

यह एल्गोरिदम $d$ ऑर्थोनॉर्मल आधार अवस्थाओं $\{|\Psi_i\rangle\}_{i=0}^{d-1}$ द्वारा स्पैन किए गए सबस्पेस $\mathcal{S}$ के लिए लक्षित यूनिटरी $U_m = \sum T(\delta t)|\Psi_i\rangle\langle\Psi_i| + U_\perp$ को अनुमानित करने के लिए एक पुनरावृत्ति प्रक्रिया में कार्य करता है।

इनपुट: ऑर्थोनॉर्मल आधार अवस्थाओं का एक सेट $\{|\Psi_i\rangle\}$ और उनके विशिष्ट रैखिक संयोजन $\{|\Psi^+_i\rangle = (|\Psi_0\rangle + |\Psi_i\rangle)/\sqrt{2}\}$ ।
पुनरावृत्ति प्रशिक्षण (Iterative Training): प्रत्येक समय चरण $m$ (1 से $n$ तक) के लिए, एल्गोरिदम लक्षित यूनिटरी को अनुमानित करने के लिए एक PQC $U(\phi_m)$ को अनुकूलित करता है।
लागत फलन (Cost Function): लागत फलन $C_m$ $C_{m}$ को PQC आउटपुट और लक्षित ट्रोटर विकास के बीच इन्फिडेलिटी (infidelity) को कम करने के लिए डिज़ाइन किया गया है। महत्वपूर्ण रूप से, इसमें दो पद शामिल हैं:
- आधार फिडेलिटी (Basis Fidelity): $\sum |\langle \Psi_i(\phi_m) | T(\delta t) | \Psi_i(\bar{\phi}_{m-1}) \rangle|^2$
- सुपरपोजिशन फिडेलिटी (Superposition Fidelity): $\sum |\langle \Psi^+_i(\phi_m) | T(\delta t) | \Psi^+_i(\bar{\phi}_{m-1}) \rangle|^2$
- महत्व: आधार अवस्थाओं के बीच सापेक्ष चरण जानकारी (relative phase information) को पुनः प्राप्त करने के लिए सुपरपोजिशन अवस्थाओं ( $|\Psi^+_i\rangle$ ) का समावेश आवश्यक है, जो केवल व्यक्तिगत आधार अवस्थाओं को अनुकूलित करने से खो जाती है।

B. फिडेलिटी लोअर बाउंड्स (प्रदर्शन गारंटी) (Fidelity Lower Bounds - Performance Guarantee)

एक प्रमुख नवाचार प्रशिक्षण इतिहास के आधार पर सबस्पेस के भीतर किसी भी मनमाने राज्य के लिए फिडेलिटी के निचले स्तर (lower bound) की गणना करने की क्षमता है।

प्रपोजिशन 1: ब्योर एंगल (Bures angle) पर त्रिकोण असमानता (triangle inequality) का उपयोग करके $m$ चरणों के बाद व्यक्तिगत आधार अवस्थाओं की फिडेलिटी के लिए एक निचला स्तर स्थापित करता है।
सबस्पेस बाउंड (SDP): एक मनमाने सुपरपोजिशन $|\Phi\rangle = \sum c_i |\Phi_i\rangle$ $∣Φ ⟩ = \sum c_{i} ∣ Φ_{i} ⟩$ के लिए सबसे खराब स्थिति वाली फिडेलिटी खोजने के लिए, लेखक एक क्वाड्रेटिकली कंस्ट्रेंड क्वाड्रेटिक प्रोग्राम (QCQP) के रूप में समस्या को तैयार करते हैं।
- चूंकि QCQP एक NP-hard समस्या है, वे इसे सेमीडेफिनेट रिलैक्सेशन (SDR) लागू करके एक सेमीडेफिनेट प्रोग्रामिंग (SDP) में परिवर्तित करते हैं।
- इस SDP को आयाम $d$ में बहुपद समय (polynomial time) में कुशलतापूर्वक हल किया जा सकता है ताकि किसी भी अवस्था के लिए फिडेलिटी का एक गारंटीकृत निचला स्तर प्रदान किया जा सके।
- यह बाउंड एल्गोरिदम के लिए एक कठोर "प्रदर्शन गारंटी" के रूप में कार्य करता है।

C. बैरन-प्लेटो-मुक्त क्षेत्र (Barren-Plateau-Free Regions)

लेखक प्रशिक्षण परिदृश्य (training landscape) का विश्लेषण करते हैं और सिद्ध करते हैं कि एल्गोरिदम एक "वार्म-स्टार्ट" (warm-start) शासन में कार्य करता है।

PQC मापदंडों को पिछले समय चरण के इष्टतम समाधान के करीब शुरू करके (पुनरावृत्ति दृष्टिकोण), लागत फलन का विचरण (variance) क्वबिट्स की संख्या के संबंध में एक बहुपद निचला स्तर (polynomial lower bound) स्वीकार करता है।
यह एकल-अवस्था वार्म-स्टार्ट परिणामों को मल्टी-स्टेट सबस्पेस सेटिंग में सामान्यीकृत करता है, सैद्धांतिक रूप से यह सुनिश्चित करता है कि ग्रेडिएंट तेजी से लुप्त नहीं होते हैं, जिससे बड़े सिस्टम के लिए प्रशिक्षण क्षमता बनी रहती है।

3. मुख्य योगदान (Key Contributions)

सबस्पेस VQA: एक नया एल्गोरिदम जो प्रत्येक नई प्रारंभिक अवस्था के लिए पुन: प्रशिक्षण के बजाय, एक ही प्रशिक्षण प्रक्रिया का उपयोग करके पूरे सबस्पेस के ट्रोटर समय विकास को कैप्चर करता है।
कुशल प्रदर्शन प्रमाणन (Efficient Performance Certification): प्रशिक्षण डेटा (आधार और सुपरपोजिशन फिडेलिटी) का उपयोग करके सबस्पेस में मनमानी अवस्थाओं के लिए फिडेलिटी लोअर बाउंड की गणना करने के लिए एक SDP-आधारित विधि का विकास। यह प्रशिक्षण सफलता के लिए एक कठोर मीट्रिक प्रदान करता है।
सैद्धांतिक प्रशिक्षण क्षमता (Theoretical Trainability): यह प्रमाण कि पुनरावृत्ति मल्टी-स्टेट ट्रेनिंग लैंडस्केप में बैरन-प्लेटो-मुक्त क्षेत्र (वार्म स्टार्ट) होते हैं, जो VQAs के लिए एक बड़ी बाधा को दूर करता है।
प्रायोगिक सत्यापन: वास्तविक क्वांटम हार्डवेयर (IBM Eagle प्रोसेसर) पर सफल प्रदर्शन और बड़े पैमाने के संख्यात्मक सिमुलेशन।

4. परिणाम (Results)

A. प्रायोगिक प्रदर्शन (2-Qubit Ising Model)

सेटअप: IBM Eagle प्रोसेसर पर ट्रांसवर्स/लॉन्जिट्यूडिनल-फील्ड आइजन मॉडल ( $N=2$ ) का सिमुलेशन।
सबस्पेस: $|00\rangle$ और $|11\rangle$ द्वारा स्पैन किया गया। प्रशिक्षण अवस्थाओं में $|00\rangle$ , $|11\rangle$ , और $|+\rangle = (|00\rangle+|11\rangle)/\sqrt{2}$ शामिल थे।
एन्सेबल (Ansatz): पूर्ण $SU(4) $एन्सेबल और$ ZXZ+CNOT$ एन्सेबल का परीक्षण किया गया।
परिणाम:
- प्रशिक्षित PQCs ने फिडेलिटीज $>0.94$ ($SU(4) $) और$ >0.86 $($ ZXZ+CNOT$) के साथ प्रशिक्षण अवस्थाओं के समय विकास को सफलतापूर्वक पुनरुत्पादित किया।
- सामान्यीकरण (Generalization): एल्गोरिदम ने सबस्पेस के भीतर 500 बेतरतीब ढंग से नमूना लिए गए राज्यों की गतिशीलता को सफलतापूर्वक पुनरुत्पादित किया, जिनकी फिडेलिटी प्रशिक्षण अवस्थाओं के समान थी।
- अनुप्रयोग: प्रशिक्षित PQC का उपयोग कंसेंट्रेटेबल एंटैंगलमेंट (concentratable entanglement) की गतिशीलता को सिम्युलेट करने के लिए किया गया। PQC ने समय के साथ निरंतर प्रदर्शन बनाए रखा, जबकि मानक ट्रोटर सर्किट बढ़ते सर्किट डेप्थ और शोर के कारण खराब हो गया।

B. बड़े पैमाने का सिमुलेशन (10-Qubit Ising Model)

सेटअप: 10-qubit आइजन मॉडल का संख्यात्मक सिमुलेशन।
एन्सेबल (Ansatz): स्टैक्ड 2-qubit $SU(4)$ ब्लॉक्स।
परिणाम:
- एक सिंगल-लेयर एन्सेबल ने समय के साथ फिडेलिटी में गिरावट दिखाई।
- एक डबल-लेयर एन्सेबल ने पूरे सिमुलेशन के दौरान 99% से ऊपर फिडेलिटी बनाए रखी।
- यह पुष्टि करता है कि यदि एन्सेबल में पर्याप्त अभिव्यक्तता (expressibility/depth) हो, तो यह एल्गोरिदम बड़े सिस्टम तक प्रभावी रूप से स्केल करता है।

5. महत्व और प्रभाव (Significance and Impact)

व्यावहारिक क्वांटम लाभ (Practical Quantum Advantage): यह विधि गहरे ट्रोटर सर्किट को छोटे, अनुकूलित पैरामीटराइज्ड सर्किट में संकुचित करके शोर वाले, निकट-अवधि के उपकरणों पर जटिल क्वांटम गतिशीलता को सिम्युलेट करने का मार्ग प्रदान करती है।
मजबूती (Robustness): फिडेलिटी के गणना योग्य निचले स्तर (lower bound) को प्रदान करके, यह विधि यह निर्धारित करने के लिए एक विश्वसनीय मीट्रिक प्रदान करती है कि क्या कोई सिमुलेशन भरोसेमंद है, भले ही वह अवस्था प्रशिक्षण में स्पष्ट रूप से उपयोग न की गई हो।
स्केलेबिलिटी (Scalability): बैरन-प्लेटो-मुक्त क्षेत्रों के लिए सैद्धांतिक प्रमाण यह सुझाव देता है कि यह दृष्टिकोण बड़े क्वांटम सिस्टम के लिए व्यवहार्य है जहाँ मानक VQAs विफल हो जाते हैं।
बहुमुखी प्रतिभा (Versatility): समय विकास के अलावा, एल्गोरिदम का उपयोग क्रायलोव बेस अवस्थाओं (Krylov basis states) को तैयार करने, आइजनसॉल्वर समस्याओं को हल करने और दीर्घकालिक गतिशीलता का अनुकरण करने के लिए एक सबरूटीन के रूप में किया जा सकता है, जो इसे भविष्य के क्वांटम एल्गोरिदम के लिए एक बहुमुखी उपकरण बनाता है।

संक्षेप में, यह कार्य एक मजबूत, प्रशिक्षित और सत्यापन योग्य वेरिएशनल एल्गोरिदम पेश करके सैद्धांतिक सबस्पेस सिमुलेशन और व्यावहारिक कार्यान्वयन के बीच के अंतर को पाटता है, जो शोर, गहराई की सीमाओं और बैरन प्लेटो की समस्या को दूर करता है।