⚛️ quantum physics

Reinforcement Learning for Quantum Network Control with Application-Driven Objectives

यह शोध पत्र एक नवीन ग्रेडिएंट-आधारित सुदृढीकरण शिक्षण (reinforcement learning) ढांचे का प्रस्ताव करता है जो क्वांटम नेटवर्क में गैर-रेखीय, अनुप्रयोग-संचालित उद्देश्यों को सीधे अनुकूलित करता है, और क्लासिकल संचार विलंबों को ध्यान में रखते हुए एंटैंगलमेंट डिस्टिलेशन के लिए ह्यूरिस्टिक बेसलाइन की तुलना में 23% तक का सुधार प्रदर्शित करता है।

मूल लेखक: Guo Xian Yau, Alexandra Burushkina, Francisco Ferreira da Silva, Subhransu Maji, Philip S. Thomas, Gayane Vardoyan

प्रकाशित 2026-03-31

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Guo Xian Yau, Alexandra Burushkina, Francisco Ferreira da Silva, Subhransu Maji, Philip S. Thomas, Gayane Vardoyan

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

मुख्य तस्वीर: क्वांटम इंटरनेट का ट्रैफिक जाम

कल्पना कीजिए कि आप अपने घर से अपने दोस्त के घर तक एक बहुत ही नाजुक, कांच की मूर्ति (क्वांटम स्टेट) भेजने की कोशिश कर रहे हैं जो देश के दूसरे कोने में है।

"क्वांटम इंटरनेट" में, यह मूर्ति एंटैंगलमेंट (Entanglement) से बनी है—दो कणों के बीच एक रहस्यमयी जुड़ाव। यह जुड़ाव सुपर-सिक्योर संचार (जैसे क्वांटम की डिस्ट्रीब्यूशन) और शक्तिशाली क्वांटम कंप्यूटरों के लिए आवश्यक ईंधन है।

समस्या:

यह आसानी से टूट जाती है: यदि मूर्ति ट्रक में बहुत देर तक रहती है, तो उस पर धूल जम जाती है और उसमें दरारें आ जाती हैं (इसे डिकोहेरेंस (Decoherence) कहा जाता है)।
इसे बनाना कठिन है: आप इसे सीधे शेल्फ से ऑर्डर नहीं कर सकते। आपको इसे बनाने की कोशिश करनी पड़ती है, और ज्यादातर समय आप असफल हो जाते हैं।
"इंतजार" का खेल: यह जानने के लिए कि क्या आपने इसे सफलतापूर्वक बना लिया है, आपको दूसरे छोर से एक फोन कॉल (क्लासिकल सिग्नल) का इंतजार करना पड़ता है। लेकिन उस फोन कॉल को यात्रा करने में समय लगता है। जब तक आप इंतजार करते हैं, वह मूर्ति जिसे आपने शायद बनाया होगा, वहीं पड़ी-पड़ी धूल खा रही होती है।

लक्ष्य:
आपको एक स्मार्ट मैनेजर (एक कंट्रोलर) की जरूरत है जो तय करे:

क्या मुझे अभी एक और बनाने की कोशिश करनी चाहिए?
क्या मुझे फोन कॉल का इंतजार करना चाहिए?
क्या मुझे एक धूल भरी, टूटी हुई मूर्ति को हटा देना चाहिए ताकि नई मूर्ति के लिए जगह बन सके?
क्या मुझे दो टूटी हुई मूर्तियों को आपस में "पॉलिश" करके एक अच्छी मूर्ति बनाने की कोशिश करनी चाहिए (इसे डिस्टिलेशन (Distillation) कहा जाता है)?

जटिल बात यह है कि जिस "स्कोर" को आप अधिकतम करने की कोशिश कर रहे हैं, वह केवल "मैंने कितनी मूर्तियाँ बनाईं" नहीं है। यह एक जटिल फॉर्मूला है: मैं प्रति सेकंड कितनी अच्छी मूर्तियाँ बनाता हूँ। यदि आप उन्हें तेजी से बनाते हैं लेकिन वे टूटी हुई हैं, तो स्कोर शून्य है। यदि आप उन्हें एकदम सही बनाते हैं लेकिन इसमें एक साल लग जाता है, तो स्कोर भी शून्य है। आपको परफेक्ट बैलेंस की जरूरत है।

पुराना तरीका बनाम नया तरीका

पुराना तरीका (ह्यूरिस्टिक्स - Heuristics):
पहले, वैज्ञानिक "नियमों के आधार" (जैसे ट्रैफिक लाइट) का उपयोग करते थे।

नियम: "यदि मूर्ति 80% साफ है, तो इसे रखें। यदि यह 70% साफ है, तो इसे फेंक दें।"
खामी: ये नियम कठोर होते हैं। उन्हें यह नहीं पता होता कि कभी-कभी, भले ही मूर्ति 75% साफ हो, उसे पॉलिश करने की कोशिश करना बेहतर होता है क्योंकि अभी ट्रैफिक कम है। वे "स्कोर" को हिस्सों के साधारण योग के रूप में देखते हैं, जिससे वास्तविक लक्ष्य के जटिल गणित को समझने में चूक हो जाती है।

नया तरीका (रीइन्फोर्समेंट लर्निंग - Reinforcement Learning):
इस पेपर के लेखकों ने रीइन्फोर्समेंट लर्निंग (RL) का उपयोग करके एक स्मार्ट AI मैनेजर बनाया है।

इस AI को एक वीडियो गेम कैरेक्टर के रूप में सोचें जो "क्वांटम नेटवर्क सिम्युलेटर" खेल रहा है।

गलती और सुधार (Trial and Error): AI इस गेम को लाखों बार खेलता है।
इनाम (The Reward): AI को हर चाल के लिए अंक देने के बजाय, कंप्यूटर गेम के अंत तक इंतजार करता है ताकि वास्तविक स्कोर (सीक्रेट की रेट) की गणना की जा सके।
सीखना: AI पीछे मुड़कर देखता है और कहता है, "हे, उस रन में, मैंने एक 75% साफ मूर्ति को बहुत जल्दी फेंक दिया था, और मैं गेम हार गया। अगली बार, मैं इसे पॉलिश करने की कोशिश करूँगा।"

असली सफलता का मंत्र: "नॉन-लीनियर" ऑब्जेक्टिव

यहाँ इस पेपर की सबसे बड़ी सफलता है।

अधिकांश AI सिस्टम टेस्ट स्कोर जोड़ने वाले एक छात्र की तरह होते हैं: गणित + विज्ञान + इतिहास = कुल ग्रेड। वे चीजों को जोड़ने में अच्छे होते हैं।

लेकिन एक क्वांटम नेटवर्क का लक्ष्य नॉन-लीनियर (Non-linear) है। यह एक रेसिपी (विधि) की तरह है।

उपमा: कल्पना कीजिए कि आप एक केक बना रहे हैं। आपको मैदा और अंडे चाहिए।
- यदि आपके पास 100 कप मैदा है और 0 अंडे हैं, तो आपके पास 0 केक है।
- यदि आपके पास 0 कप मैदा है और 100 अंडे हैं, तो आपके पास 0 केक है।
- आपको सही अनुपात की आवश्यकता है।
स्टैंडर्ड AI इस "रेसिपी" वाले गणित के साथ संघर्ष करता है क्योंकि वह मैदा और अंडे को अलग-अलग जोड़ने की कोशिश करता है।
इस पेपर का AI विशेष है क्योंकि यह एक ही बार में पूरी रेसिपी को देख सकता है। यह समझता है कि मैदे का मूल्य पूरी तरह से इस बात पर निर्भर करता है कि आपके पास कितने अंडे हैं। यह सीधे सीक्रेट की रेट (Secret Key Rate) को ऑप्टिमाइज़ करता है, न कि किसी सरल स्कोर का अनुमान लगाने की कोशिश करता है जो काम कर सकता है।

उन्होंने इसका परीक्षण कैसे किया

उन्होंने अपने AI को दो नोड्स (दो घरों) के साथ एक सिमुलेशन में रखा जो फाइबर-ऑप्टिक केबल से जुड़े हुए हैं। उन्होंने AI को अलग-अलग मात्रा में "मेमोरी" (मूर्तियों को रखने के लिए ट्रंक/डिब्बे) दी।

सेटअप: उन्होंने 5 किमी से 50 किमी तक की दूरियों का परीक्षण किया।
प्रतियोगिता: उन्होंने अपने AI को पुराने "नियम आधारित" (Rule of Thumb) प्रबंधकों के खिलाफ खड़ा किया।
परिणाम: AI जीत गया। कुछ परिदृश्यों में, इसने सुरक्षित संचार की गति को 23% तक बढ़ा दिया।

क्यों? क्योंकि AI ने उन सूक्ष्म ट्रिक्स को सीख लिया जिन्हें इंसानों ने नहीं देखा था। उदाहरण के लिए:

"यदि दूरी कम है, तो मुझे आक्रामक होना चाहिए और हर चीज़ को पॉलिश करना चाहिए।"
"यदि दूरी अधिक है, तो मुझे धैर्यवान होना चाहिए और केवल सबसे अच्छी मूर्तियों को ही रखना चाहिए।"
"यदि मेरे पास तीन ट्रंक भरे हुए हैं, तो मुझे दो को एक साथ पॉलिश करने की कोशिश करनी चाहिए, भले ही मुझे यकीन न हो कि तीसरा वाला अच्छा है या नहीं।"

निष्कर्ष

यह पेपर एक बड़ी प्रगति है क्योंकि यह कंप्यूटर को सिखाता है कि क्वांटम इंटरनेट को केवल सरल नियमों का पालन करके नहीं, बल्कि भौतिकी की जटिल और अव्यवस्थित वास्तविकता को समझकर कैसे प्रबंधित किया जाए।

यह एक ट्रैफिक पुलिसकर्मी से अपग्रेड करने जैसा है जो केवल टाइमर के आधार पर लोगों को जाने देता है, बजाय एक स्मार्ट सिटी ट्रैफिक सिस्टम के जो मौसम, दिन के समय और हर कार के गंतव्य को देखता है ताकि ट्रैफिक के प्रवाह को पूरी तरह से अनुकूलित किया जा सके।

संक्षेप में: उन्होंने एक स्मार्ट AI बनाया जो नाजुक क्वांटम कनेक्शनों को संभालना जानता है, जो किसी भी मानव-डिजाइन किए गए नियम पुस्तिका की तुलना में गति और गुणवत्ता के बीच बेहतर संतुलन बनाता है, जिससे एक तेज़ और अधिक सुरक्षित भविष्य के इंटरनेट का मार्ग प्रशस्त होता है।

यहाँ शोध पत्र "Reinforcement Learning for Quantum Network Control with Application-Driven Objectives" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

क्वांटम नेटवर्क क्वांटम की डिस्ट्रीब्यूटेड एप्लिकेशन्स जैसे कि क्वांटम की डिस्ट्रीब्यूशन (QKD), ब्लाइंड क्वांटम कंप्यूटेशन और सेंसिंग के लिए आवश्यक हैं। हालाँकि, निकट-अवधि (near-term) के क्वांटम हार्डवेयर शोर (noise), डिकोहेरेंस (decoherence) और सीमित मेमोरी कोहेरेंस समय से बाधित होते हैं। इन एप्लिकेशन्स को व्यवहार्य बनाने के लिए, नेटवर्क नोड्स को एंटैंगलमेंट (जनरेशन, प्यूरिफिकेशन/डिस्टिलेशन, स्वैपिंग और कंजम्प्शन) को गतिशील रूप से प्रबंधित करना चाहिए।

लेखकों द्वारा पहचाना गया मुख्य चुनौती यह है कि मानक सुदृढीकरण लर्निंग (Reinforcement Learning - RL) दृष्टिकोण क्वांटम नेटवर्क अनुकूलन के लिए अनुपयुक्त हैं क्योंकि:

गैर-रेखीय उद्देश्य (Non-Linear Objectives): प्रमुख प्रदर्शन मेट्रिक्स, जैसे कि QKD में सीक्रेट की रेट (SKR), परस्पर निर्भर चरों (जैसे एंटैंगलमेंट जनरेशन रेट और स्टेट फिडेलिटी) के गैर-रेखीय फलन (functions) होते हैं। मानक RL योगात्मक पुरस्कारों (additive rewards) को अधिकतम करता है, जो सीधे ऐसे गैर-रेखीय अनुपातों या उत्पादों को अनुकूलित नहीं कर सकता है।
अनिश्चितता और विलंब (Uncertainty and Delays): क्वांटम नेटवर्क में क्लासिकल कम्युनिकेशन विलंब (heralding signals) शामिल होते हैं जो सिस्टम की स्थिति के बारे में अनिश्चितता पैदा करते हैं (जैसे, क्या डिस्टिलेशन का प्रयास सफल हुआ)।
जटिल अवस्था स्थान (Complex State Spaces): क्वांटम अवस्थाओं की गुणवत्ता को ट्रैक करने के लिए (जो अक्सर निरंतर डेंसिटी मैट्रिसेस या बेल कोएफिशिएंट्स द्वारा प्रतिनिधित्व की जाती है) इसे प्रबंधनीय बनाए रखने के लिए सावधानीपूर्वक स्टेट रिप्रेजेंटेशन की आवश्यकता होती है।

2. कार्यप्रणाली (Methodology)

लेखक एक अभिनव ग्रेडिएंट-आधारित RL फ्रेमवर्क प्रस्तावित करते हैं जो सिस्टम की अनिश्चितताओं को ध्यान में रखते हुए किसी भी डिफरिएबल (differentiable), गैर-रेखीय ऑब्जेक्टिव फंक्शन को अनुकूलित करने के लिए डिज़ाइन किया गया है।

A. सिस्टम मॉडलिंग (MDP फॉर्मूलेशन)

दो-नोड क्वांटम नेटवर्क को एक मार्कोव निर्णय प्रक्रिया (Markov Decision Process - MDP) के रूप में मॉडल किया गया है:

अवस्था (State - $S$ ): सिस्टम की क्वांटम अवस्था का प्रतिनिधित्व करता है, जिसमें संग्रहीत एंटैंगल्ड पेयर्स की फिडेलिटी (या बेल कोएफिशिएंट्स) और एक संभाव्यता पैरामीटर $p$ शामिल है, जो अनहेरल्ड परिणामों (जैसे लंबित डिस्टिलेशन परिणाम) के संबंध में एजेंट की अनिश्चितता को दर्शाता है।
क्रियाएं (Actions - $A$ ):
- Wait (प्रतीक्षा): हेराल्डेड एंटैंगलमेंट जनरेशन (HEG) करें और क्लासिकल कन्फर्मेशन की प्रतीक्षा करें।
- Consume (उपभोग): एप्लिकेशन के लिए उच्चतम-फिडेलिटी वाले पेयर का उपयोग करें।
- Discard (त्याग): मेमोरी खाली करने के लिए सबसे कम-फिडेलिटी वाले पेयर को हटा दें।
- Purify (शुद्धिकरण): दो पेयर्स पर DEJMPS प्रोटोकॉल लागू करके फिडेलिटी में सुधार करें (संभाव्यता आधारित सफलता)।
डायनेमिक्स (Dynamics): मॉडल मल्टीप्लेक्सिंग (समानांतर HEG प्रयास), डैपोलराइजिंग नॉइज़ (समय के साथ डिकोहेरेंस), और क्लासिकल कम्युनिकेशन विलंब ( $\Delta t$ ) को शामिल करता है।

B. RL फ्रेमवर्क

एक साधारण संचयी पुरस्कार (cumulative reward) को अधिकतम करने के बजाय, यह फ्रेमवर्क एक क्वांटम यूटिलिटी फंक्शन $u_{RL}$ को अधिकतम करता है, जो कई अपेक्षित डिस्काउंटेड रिटर्न्स ( $J_1, \dots, J_M$ ) का एक डिफरिएबल फलन है।

विघटन (Decomposition): लेखक गैर-रेखीय ऑब्जेक्टिव (जैसे SKR) को उन घटकों में विघटित करते हैं जिन्हें योगात्मक रूप से संचित किया जा सकता है। उदाहरण के लिए, SKR फिडेलिटी ( $F$ ) और समय ( $T$ ) पर निर्भर करता है। फ्रेमवर्क अलग-अलग $F$ ( $J_F$ ) और $T$ ( $J_T$ ) के लिए अपेक्षित संचयी पुरस्कार को ट्रैक करता है।
ग्रेडिएंट अनुमान (Gradient Estimation): चेन रूल का उपयोग करके, पॉलिसी पैरामीटर्स $\theta$ के सापेक्ष गैर-रेखीय ऑब्जेक्टिव का ग्रेडिएंट कंप्यूट किया जाता है:
$\frac{\partial u_{RL}}{\partial \theta} = \sum_{i} \frac{\partial u_{RL}}{\partial J_i} \cdot \frac{\partial J_i}{\partial \theta}$
यहाँ, $\frac{\partial J_i}{\partial \theta}$ मानक पॉलिसी ग्रेडिएंट्स (REINFORCE के माध्यम से अनुमानित) हैं, और $\frac{\partial u_{RL}}{\partial J_i}$ यूटिलिटी फंक्शन के विश्लेषणात्मक रूप से व्युत्पन्न आंशिक डेरिवेटिव (partial derivatives) हैं।
अनुकूलन (Optimization): पॉलिसी पैरामीटर्स को स्टोकेस्टिक ग्रेडिएंट एसेंट (Adam ऑप्टिमाइज़र के साथ कार्यान्वित) का उपयोग करके अपडेट किया जाता है।

C. प्रयोगात्मक सेटअप (Experimental Setup)

परिदृश्य (Scenarios): दो-नोड क्वांटम सिस्टम जिनमें प्रति नोड 2 मेमोरी (WN2M2) और 3 मेमोरी (WN2M3) हैं।
स्टेट रिप्रेजेंटेशन: वर्नर स्टेट्स (सरलीकृत, सममित) और बेल-डायगोनल स्टेट्स (BDS) (अधिक सामान्य, पूर्ण बेल कोएफिशिएंट्स को बनाए रखने वाले) दोनों के साथ परीक्षण किया गया।
बेसलाइन (Baselines): थ्रेशोल्ड-आधारित ह्यूरिस्टिक्स (कंज्यूम/डिस्कार्ड थ्रेशोल्ड पर ग्रिड सर्च) और "CONSUME-ASAP" या "Optimistic Distillation" रणनीतियों के विरुद्ध तुलना की गई।
मेट्रिक्स: BB84 और सिक्स-स्टेट प्रोटोकॉल के लिए सीक्रेट की रेट (SKR)।

3. मुख्य योगदान (Key Contributions)

गैर-रेखीय ऑब्जेक्टिव ऑप्टिमाइजेशन: यह पेपर पहला RL फ्रेमवर्क पेश करता है जो रैखिक सरोगेट्स या अनुमानों पर निर्भर रहने के बजाय सीधे डिफरिएबल, गैर-रेखीय क्वांटम यूटिलिटी फंक्शन्स (जैसे SKR) को अनुकूलित करने में सक्षम है।
अनिश्चितता को संभालना: अनहेरल्ड डिस्टिलेशन परिणामों के संबंध में एजेंट की अनिश्चितता को मॉडल करने के लिए MDP स्टेट में स्पष्ट रूप से एक संभाव्यता पैरामीटर $p$ शामिल है, जिससे एजेंट को रिस्क-अवेयर (risk-aware) नीतियां सीखने में मदद मिलती है।
अनुकूली मेमोरी प्रबंधन: निश्चित कटऑफ समय का उपयोग करने वाले पिछले कार्यों के विपरीत, RL एजेंट वर्तमान सिस्टम स्थिति और विशिष्ट गैर-रेखीय ऑब्जेक्टिव के आधार पर अनुकूली डिस्कॉर्ड नीतियों को सीखता है।
स्केलेबिलिटी (Scalability): यह फ्रेमवर्क ऑब्जेक्टिव फंक्शन के लिए मनमाने इनपुट आयामों (dimensions) का समर्थन करता है, जिससे यह जटिल क्वांटम अवस्थाओं (BDS) और पदानुक्रमित नियंत्रण (hierarchical control) के माध्यम से संभावित रूप से बड़े नेटवर्क के लिए भी लागू करने योग्य बन जाता है।

4. परिणाम (Results)

लेखकों ने 5 किमी से 50 किमी की लिंक लंबाई और प्रारंभिक फिडेलिटी ( $F_0$ ) 0.83 (BB84 थ्रेशोल्ड के करीब) और 0.9 के लिए फ्रेमवर्क का मूल्यांकन किया।

प्रदर्शन लाभ (Performance Gains):
- 2-मेमोरी (WN2M2) सेटिंग में $F_0=0.9$ के साथ, RL पॉलिसी ने सर्वश्रेष्ठ ह्यूरिस्टिक बेसलाइन पर SKR में 23.21% तक सुधार किया।
- 3-मेमोरी (WN2M3) सेटिंग में, सुधार 19.06% तक पहुँच गया।
- RL नीतियां लगातार बेसलाइन्स से बेहतर प्रदर्शन करती रहीं, विशेष रूप से कम लिंक लंबाई पर जहाँ दर (rate) और फिडेलिटी के बीच का ट्रेड-ऑफ अधिक जटिल होता है।
पॉलिसी व्यवहार (Policy Behavior):
- RL एजेंटों ने परिष्कृत रणनीतियाँ सीखीं जो सरल थ्रेशोल्ड से अलग थीं। उदाहरण के लिए, उन्होंने सीखा कि जब केवल एक पेयर उपलब्ध हो तो तुरंत उपभोग (consume) करें और जब कई पेयर्स मौजूद हों तो शुद्धिकरण (purify) करें, जिससे वे दर-फिडेलिटी ट्रेड-ऑफ को प्रभावी ढंग से संतुलित करते हैं।
- 3-मेमोरी के मामले में, एजेंटों ने स्टेट जानकारी (पेयर्स की संख्या और उनकी फिडेलिटीज) का पूरा उपयोग किया ताकि वे निर्णय ले सकें जिन्हें स्टैटिक ह्यूरिस्टिक्स कैप्चर नहीं कर सकते थे।
मजबूती (Robustness): फ्रेमवर्क ने BB84 और सिक्स-स्टेट दोनों प्रोटोकॉल के लिए नीतियों को सफलतापूर्वक अनुकूलित किया।
क्रॉस-डिस्टेंस डिप्लॉयबिलिटी (Cross-Distance Deployability): विशिष्ट दूरियों पर प्रशिक्षित नीतियां कुछ हस्तांतरणीयता (transferability) दिखाती हैं, हालांकि लिंक लंबाई के प्रति दर-फिडेलिटी ट्रेड-ऑफ की संवेदनशीलता के कारण लक्षित दूरी पर प्रशिक्षण के लिए इष्टतम प्रदर्शन की आवश्यकता होती है।

5. महत्व और भविष्य का कार्य (Significance and Future Work)

सिद्धांत और व्यवहार को जोड़ना: यह कार्य क्वांटम नेटवर्क नियंत्रण को जटिल उद्देश्यों के लिए अक्सर अगम्य (intractable) होने वाले सैद्धांतिक डायनेमिक प्रोग्रामिंग से व्यावहारिक, डेटा-संचालित अनुकूलन (RL का उपयोग करके) की ओर ले जाता है।
जटिल नेटवर्कों के लिए आधार: लेखक प्रदर्शित करते हैं कि उनका लिंक-लेवल RL फ्रेमवर्क एंड-टू-एंड नेटवर्क प्रदर्शन को अनुकूलित करने के लिए उच्च-स्तरीय स्वैपिंग नीतियों (जैसे रिपीटर चेन में) के साथ जोड़ा जा सकता है, भले ही एक वैश्विक मोनोलिथिक कंट्रोलर अगम्य हो।
भविष्य की दिशाएँ:
- गेट नॉइज़ और टाइमिंग को शामिल करने के लिए इंस्टेंटेनियस लोकल ऑपरेशंस के अनुमानों को शिथिल करना।
- बड़े नेटवर्कों के लिए पार्टियली ऑब्जर्वेबल MDPs (POMDPs) तक विस्तार करना जहाँ नोड्स के पास वैश्विक अवस्था की जानकारी नहीं होती है।
- विषम (heterogeneous) नेटवर्कों और सैटेलाइट-आधारित QKD (परिशिष्ट में चर्चा की गई) पर फ्रेमवर्क को लागू करना।

निष्कर्षतः, यह शोध पत्र एप्लिकेशन-ड्रिवन क्वांटम नेटवर्क्स को अनुकूलित करने के लिए एक महत्वपूर्ण मार्ग स्थापित करता है, जिससे RL एजेंटों को सीक्रेट की रेट जैसे जटिल, गैर-रेखीय प्रदर्शन मेट्रिक्स को सीधे अधिकतम करने में सक्षम बनाया जाता है, जो पारंपरिक ह्यूरिस्टिक दृष्टिकोणों की तुलना में काफी बेहतर प्रदर्शन करते हैं।