🔬 applied physics

Requirements for Early Quantum Utility and Quantum Utility in the Capacitated Vehicle Routing Problem

यह शोध पत्र एक पारदर्शी, एन्कोडिंग-अज्ञेय (encoding-agnostic) ढांचे को प्रस्तुत करता है जो संसाधन गणनाओं और हार्डवेयर बेंचमार्क का उपयोग करके यह प्रदर्शित करता है कि कैपेसिटेटेड व्हीकल रूटिंग प्रॉब्लम (CVRP) के लिए प्रारंभिक क्वांटम उपयोगिता (early quantum utility) प्राप्त करना वर्तमान में NISQ उपकरणों पर असंभावित है, जो प्रत्यक्ष QUBO मैपिंग की तुलना में उच्च-क्रम एन्कोडिंग (higher-order encodings) के लिए एक विशाल क्यूबिट लाभ को प्रकट करता है और यह सुझाव देता है कि भविष्य के क्वांटम लाभ के लिए अभिनव समस्या अपघटन (problem decomposition) आवश्यक है।

मूल लेखक: Chinonso Onah, Kristel Michielsen

प्रकाशित 2026-05-20

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Chinonso Onah, Kristel Michielsen

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

यहाँ सरल भाषा और रोज़मर्रा के उदाहरणों का उपयोग करके शोध पत्र (paper) की व्याख्या दी गई है।

बड़ी तस्वीर: क्वांटम डिलीवरी ट्रकों के लिए "गो/नो-गो" (Go/No-Go) संकेत

कल्पना कीजिए कि आप फॉक्सवैगन (Volkswagen) जैसी कंपनी के लिए एक विशाल डिलीवरी बेड़ा (fleet) व्यवस्थित करने की कोशिश कर रहे हैं। आपके पास सैकड़ों ट्रक हैं और हज़ारों स्टॉप्स (ठिकाने) हैं। लक्ष्य हर ट्रक के लिए सबसे छोटा रास्ता खोजना है ताकि पैसा और ईंधन बचाया जा सके। इसे कैपेसिटेटेड व्हीकल रूटिंग प्रॉब्लम (CVRP) कहा जाता है।

क्लासिकल कंप्यूटर (जो हम आज उपयोग करते हैं) इस समस्या में फंस जाते हैं। वे छोटे संस्करणों को हल कर सकते हैं, लेकिन जैसे ही बेड़ा बड़ा होता है, या तो वे बहुत अधिक समय लेते हैं या हार मानकर अंदाज़ा लगाने लगते हैं।

यहाँ क्वांटम कंप्यूटर आते हैं। वे इन विशाल पहेलियों को बहुत तेज़ी से हल करने का वादा करते हैं। लेकिन एक पेंच है: वर्तमान क्वांटम कंप्यूटर अभी "चलना सीख रहे बच्चों" की तरह हैं। वे शोर वाले (noisy), नाजुक हैं और अभी बहुत जटिल कार्य नहीं संभाल सकते।

यह शोध पत्र एक बहुत ही व्यावहारिक प्रश्न पूछता है: "एक क्वांटम कंप्यूटर को वास्तव में हमारे वास्तविक डिलीवरी समस्याओं को हल करने में मदद करने के लिए कितना बड़ा होने की आवश्यकता है, और उसे कितना स्थिर होने की आवश्यकता है?"

लेखकों ने एक पारदर्शी मानचित्र (डिसीजन डायग्राम) बनाया है जो एक "गो/नो-गो" संकेत के रूप में कार्य करता है। यह हमें सटीक रूप से बताता है कि कब एक विशिष्ट डिलीवरी समस्या आज की क्वांटम मशीनों के लिए बहुत कठिन है और कब यह कल के लिए तैयार हो सकती है।

पहेली को पैक करने के दो तरीके (QUBO बनाम HOBO)

क्वांटम कंप्यूटर पर किसी समस्या को हल करने के लिए, आपको डिलीवरी रूट को उस भाषा में अनुवादित करना होगा जिसे कंप्यूटर समझता है (बाइनरी कोड)। यह पेपर दो अलग-अलग "अनुवाद विधियों" की तुलना करता है:

"नाइव" (Naive) विधि (QUBO):
- उदाहरण: कल्पना कीजिए कि आप एक सूटकेस पैक करने की कोशिश कर रहे हैं। नाइव विधि कहती है, "हर एक वस्तु के लिए, मुझे एक अलग, बड़ा बॉक्स चाहिए।" यदि आपके पास 100 वस्तुएं हैं, तो आपको 100 बॉक्स चाहिए।
- वास्तविकता: इस विधि के लिए भारी संख्या में "क्यूबिट्स" (क्वांटम सूचना की बुनियादी इकाइयाँ) की आवश्यकता होती है। पेपर दिखाता है कि एक छोटे डिलीवरी बेड़े के लिए भी, इस विधि को 200,000+ क्यूबिट्स की आवश्यकता होगी।
- फैसला: वर्तमान क्वांटम कंप्यूटरों में केवल कुछ सौ क्यूबिट्स होते हैं। यह विधि एक हाथी को मिनी कूपर (Mini Cooper) में फिट करने की कोशिश करने जैसी है। यह अभी असंभव है।
"स्मार्ट" (Smart) विधि (HOBO):
- उदाहरण: यह विधि एक स्मार्ट पैकिंग सिस्टम की तरह है। हर वस्तु के लिए एक बॉक्स रखने के बजाय, आप एक संक्षिप्त कोड का उपयोग करते हैं। आपको यह बताने के लिए कि कोई वस्तु कहाँ जाएगी, केवल कुछ बिट्स की जानकारी की आवश्यकता हो सकती है।
- वास्तविकता: यह विधि आवश्यकता को नाटकीय रूप से कम कर देती है। उसी छोटे डिलीवरी बेड़े के लिए, इसे केवल लगभग 7,685 क्यूबिट्स की आवश्यकता होती है।
- फैसला: यह बहुत बेहतर है! यह हाथी को मिनी कूपर के बजाय एक बड़े ट्रक में फिट करने जैसा है। हालाँकि, 7,685 क्यूबिट्स अभी भी वर्तमान कंप्यूटरों की क्षमता से अधिक है। लेकिन, यह समस्या को फिनिश लाइन के बहुत करीब ले आता है।

समझौता (Trade-off): "स्मार्ट" विधि जगह (क्यूबिट्स) बचाती है लेकिन निर्देशों को अधिक जटिल (डीपर सर्किट्स) बना देती है। यह सूटकेस को अधिक कसकर पैक करने जैसा है, जिसमें व्यवस्था करने में अधिक समय और प्रयास लगता है, लेकिन यह ट्रंक में जगह बचाता है।

"रैंडमनेस" (Randomness) की दीवार

यह पेपर एक महत्वपूर्ण अवधारणा पेश करता है जिसे रैंडमाइजेशन थ्रेशोल्ड (Randomization Threshold) कहा जाता है।

उदाहरण: कल्पना कीजिए कि आप एक भीड़भाड़ वाले, शोर वाले कमरे में एक गुप्त संदेश फुसफुसाने की कोशिश कर रहे हैं।
- यदि कमरा छोटा और शांत है (कम क्यूबिट्स, सरल निर्देश), तो आपका दोस्त आपकी बात स्पष्ट रूप से सुन पाएगा।
- यदि कमरा बहुत बड़ा है और शोर कान फोड़ने वाला है (बहुत अधिक क्यूबिट्स, बहुत अधिक स्टेप्स), तो आपका संदेश शोर के बीच खो जाएगा। जब तक यह दूसरी ओर पहुँचेगा, यह केवल रैंडम शोर जैसा सुनाई देगा।

लेखकों ने पाया कि क्वांटम कंप्यूटरों की एक "शोर की सीमा" (noise ceiling) होती है। यदि किसी समस्या के लिए अधिक क्यूबिट्स या अधिक स्टेप्स की आवश्यकता होती है, तो परिणाम समाधान के बजाय रैंडम शोर (random noise) बन जाता है। एल्गोरिदम कितना भी स्मार्ट क्यों न हो; यदि हार्डवेयर बहुत अधिक शोर वाला है, तो उत्तर बेकार है।

"गो/नो-गो" मैप

लेखकों ने लोगों को यह तय करने में मदद करने के लिए एक विजुअल मैप बनाया है (पेपर में चित्र 1) कि क्या कोई समस्या हल करने योग्य है।

अक्ष (Axes): मैप समस्या के आकार (आवश्यक क्यूबिट्स की संख्या) बनाम जटिलता (आवश्यक स्टेप्स/गेट्स की संख्या) को दर्शाता है।
रेखाएँ: दो डैश्ड रेखाएँ वर्तमान क्वांटम हार्डवेयर की सीमाओं का प्रतिनिधित्व करती हैं।
- यदि कोई समस्या रेखाओं के नीचे और बाईं ओर आती है: GO! कंप्यूटर इसे संभाल सकता है।
- यदि कोई समस्या ऊपर या दाईं ओर आती है: NO-GO! कंप्यूटर केवल रैंडम शोर पैदा करेगा।

निष्कर्ष:

आज: "स्मार्ट" (HOBO) विधि के साथ भी, अधिकांश वास्तविक दुनिया की डिलीवरी समस्याएँ अभी भी "नो-गो" ज़ोन में हैं। वे वर्तमान मशीनों के लिए बस थोड़ी बहुत बड़ी हैं।
कल: पेपर सुझाव देता है कि हम बहुत करीब हैं। इनमें से कई समस्याएँ हार्डवेयर सुधारों की केवल एक या दो पीढ़ियों दूर हैं।
गोल्डन स्टैंडर्ड: पेपर विशिष्ट बेंचमार्क समस्याओं (जैसे "Golden5") को उजागर करता है जो आदर्श लक्ष्य हैं। वे अगली पीढ़ी के क्वांटम कंप्यूटरों द्वारा हल किए जाने के लिए पर्याप्त छोटी हैं, लेकिन इतनी जटिल हैं कि क्लासिकल कंप्यूटर उनके लिए सटीक उत्तर खोजने में संघर्ष करते हैं।

हमें इसकी परवाह क्यों करनी चाहिए? ("हाई वैल्यू" तर्क)

पेपर का तर्क है कि इसे हल करना केवल गणित का खेल नहीं है; यह पैसा और जलवायु बचाने का मामला है।

उदाहरण: कल्पना कीजिए कि एक डिलीवरी बेड़ा साल में 100,000 किलोमीटर चलता है। यदि आप रूट प्लानिंग में केवल 2% का सुधार कर सकते हैं, तो आप ईंधन के हजारों डॉलर बचा सकते हैं और कार्बन उत्सर्जन (CO2) को हजारों टन कम कर सकते हैं।
मुख्य बिंदु: क्योंकि संभावित बचत बहुत बड़ी है, इसलिए इन रूटिंग पहेलियों को हल करने में मामूली सुधार भी बहुत मूल्यवान है। यह CVRP को क्वांटम कंप्यूटिंग के लिए एक "हाई-वैल्यू" लक्ष्य बनाता है।

सारांश

यह पेपर यह दावा नहीं करता कि क्वांटम कंप्यूटर आज ही डिलीवरी रूट हल कर सकते हैं। इसके बजाय, यह एक यथार्थवादी रोडमैप प्रदान करता है।

"नाइव" विधि का उपयोग बंद करें: इसके लिए बहुत अधिक संसाधनों की आवश्यकता होती है।
"स्मार्ट" (HOBO) विधि का उपयोग करें: यह समस्या को इतना छोटा कर देता है कि वह वास्तविक बन जाए।
"गो/नो-गो" मैप पर नज़र रखें: यह हमें सटीक रूप से बताता है कि क्वांटम हार्डवेयर कब इन समस्याओं से निपटने के लिए परिपक्व होगा।
भविset: हम संभवतः कुछ ही वर्षों की दूरी पर हैं जब क्वांटम कंप्यूटर इन विशिष्ट, उच्च-मूल्य वाली लॉजिस्टिक्स समस्याओं पर क्लासिकल कंप्यूटरों से बेहतर प्रदर्शन करने में सक्षम होंगे।

तकनीकी सारांश: कैपसिटेटेड व्हीकल राउटिंग प्रॉब्लम (CVRP) में प्रारंभिक क्वांटम उपयोगिता के लिए आवश्यकताएं

समस्या विवरण

कैपसिटेटेड व्हीकल राउटिंग प्रॉब्लम (CVRP) एक मौलिक लॉजिस्टिक्स चुनौती है जिसमें सीमित क्षमता वाले वाहनों के बेड़े के लिए मार्गों के अनुकूलन (optimization) को शामिल किया जाता है ताकि ग्राहकों की सेवा की जा सके। जबकि शास्त्रीय सटीक विधियाँ (classical exact methods) लगभग 120 ग्राहकों से अधिक वाले उदाहरणों के लिए संघर्ष करती हैं, और बड़े पैमाने पर वास्तविक दुनिया के उदाहरण व्यापक गणना के बाद भी दोहरे अंकों के इष्टतमता अंतराल (optimality gaps) बनाए रखते हैं, क्वांटम ह्यूरिस्टिक्स (heuristics) के बेहतर स्केलिंग प्रदान करने की क्षमता अभी तक अप्रमाणित है।

दो प्राथमिक बाधाएं CVRP के व्यावहारिक अनुप्रयोग को रोकती हैं:

संसाधन अतिरेक (Resource Excess): प्रत्यक्ष क्वाड्रेटिक अनकन्स्ट्रेंड बाइनरी ऑप्टिमाइजेशन (QUBO) मैपिंग के लिए $k(n+1)^2$ के अनुपात में क्यूबिट्स की आवश्यकता होती है (जहाँ $k$ वाहनों की संख्या है और $n$ ग्राहकों की संख्या है), जो वर्तमान नोइजी इंटरमीडिएट-स्केल क्वांटम (NISQ) हार्डवेयर की क्षमता से कहीं अधिक है।
व्यवहार्यता मेट्रिक्स का अभाव: समुदाय के पास एक एकीकृत ढांचा (framework) की कमी है जिससे यह निर्धारित किया जा सके कि क्या CVRP का कोई विशिष्ट उदाहरण किसी दिए गए क्वांटम डिवाइस पर सार्थक रूप से निष्पादित किया जा सकता है, जो सैद्धांतिक एल्गोरिथम रनटाइम और भौतिक हार्डवेयर सीमाओं के बीच अंतर करता हो।

कार्यप्रणाली (Methodology)

लेखक "प्रारंभिक क्वांटम लाभ" का मूल्यांकन करने के लिए एक पारदर्शी, एन्कोडिंग-अज्ञेयवादी (encoding-agnostic) ढांचा प्रस्तावित करते हैं, जो क्लोज्ड-फॉर्म रिसोर्स एस्टीमेशन को अनुभवजन्य हार्डवेयर बेंचमार्क के साथ जोड़ता है।

1. एन्कोडिंग विश्लेषण

पेपर दो अलग-अलग एन्कोडिंग रणनीतियों के लिए क्लोज्ड-फॉर्म रिसोर्स काउंट व्युत्पन्न करता है:

प्रत्यक्ष QUBO मैपिंग: निर्णय चरों (decision variables) को सीधे क्यूबिट्स से मैप करता है। कुल क्यूबिट संख्या $Q_q = k[(n + 1)^2 + C]$ द्वारा दी गई है (जहाँ $C$ वाहन क्षमता है)। यह दृष्टिकोण जटिलता सिद्धांत में बहुपद रूप से कुशल (polynomially efficient) है लेकिन व्यवहार में संसाधन-बाधित है।
स्पेस-एफिशिएंट हायर-ऑर्डर बाइनरी ऑप्टिमाइजेशन (HOBO): वाहन सूचकांकों और क्षमता बाधाओं के लिए बाइनरी एक्सपेंशन का उपयोग करता है। परम्यूटेशन गैजेट्स और पोजीशन रजिस्टरों का उपयोग करके, क्यूबिट संख्या को $Q_h = k [n \log(n)] + k [\log(C + 1)]$ तक कम कर दिया जाता है। हालांकि यह क्यूबिट आवश्यकताओं को काफी कम कर देता है ( $O(N^2)$ से $O(N \log N)$ तक), यह कॉस्ट फंक्शन में उच्च-क्रम के बहुपदों (higher-order polynomials) को पेश करता है, जिसके लिए मल्टी-क्यूबिट गेट्स की आवश्यकता होती है और सर्किट डेप्थ बढ़ जाती है।

2. क्वांटम व्यवहार्यता मेट्रिक्स (Quantum Feasibility Metrics)

लेखक वर्तमान NISQ उपकरणों में देखे गए रैंडमाइजेशन थ्रेशोल्ड के आधार पर एक "क्वांटम व्यवहार्यता बिंदु" (Quantum Feasibility Point) को परिभाषित करते हैं। क्यूबिट संख्या ( $N$ ) और सर्किट डेप्थ ( $D$ ) के विशिष्ट सीमाओं से परे, हार्डवेयर आउटपुट यूनिफॉर्म रैंडम डिस्ट्रीब्यूशन में गिर जाता है, जिससे समाधान व्याख्या योग्य नहीं रह जाते।

क्वांटम व्यवहार्यता बिंदु ( $N_{max}, D_{max}$ ): विश्वसनीय गणना के लिए अधिकतम अनुमत क्यूबिट संख्या और टू-क्यूबिट गेट डेप्थ।
व्यवहार्यता रेखाएं (Feasibility Lines):
- क्यूबिट व्यवहार्यता रेखा ( $N_{max}$ ): एक निश्चित डेप्थ के लिए अधिकतम क्यूबिट्स।
- गेट व्यवहार्यता रेखा ( $D_{max}$ ): क्यूबिट्स की एक निश्चित संख्या के लिए अधिकतम डेप्थ।
निर्णय आरेख (Decision Diagram): विशिष्ट उदाहरणों के लिए आवश्यक लॉजिकल क्यूबिट्स ( $N$ ) और सर्किट डेप्थ ( $D$ ) को इन रेखाओं के विरुद्ध प्लॉट करके, यह ढांचा एक "गो/नो-गो" (go/no-go) निर्णय आरेख बनाता है। वे उदाहरण जो प्रतिच्छेदन (intersection) के नीचे और बाईं ओर स्थित हैं, उन्हें निष्पादन योग्य माना जाता है; ऊपर वाले उदाहरणों के लिए आगे के हार्डवेयर परिपक्वता की आवश्यकता होती है।

3. बेंचमार्किंग

इस ढांचे को CVRPLib और QOPTLib (जैसे Golden, Loggi, ORTEC उदाहरण) से मानक बेंचमार्क पर लागू किया गया है। विश्लेषण हाल के बेंचमार्किंग डेटा (Montañez-Barrera et al.) को शामिल करता है जो सुझाव देता है कि रैंडमाइजेशन होने से पहले वर्तमान उपकरणों के लिए गेट-डेप्थ सीलिंग $D_{max} \approx 10^7$ है।

मुख्य परिणाम

तीव्र एन्कोडिंग अंतर (Stark Encoding Gap): QUBO और HOBO एन्कोडिंग के बीच तुलना संसाधनों की आवश्यकताओं में भारी अंतर को प्रकट करती है। Golden5 जैसे अर्ली-एडवांटेज बेंचमार्क के लिए, HO_BO एन्कोडिंग को लगभग 7,685 क्यूबिट्स की आवश्यकता होती है, जबकि QUBO समकक्ष 200,000 क्यूबिट्स से अधिक की आवश्यकता रखता है।
वर्तमान व्यवहार्यता स्थिति: स्पेस-एफिशिएंट HOBO एन्कोडिंग के साथ भी, पेपर पाता है कि वर्तमान हार्डवेयर पर कोई भी मानक बेंचमार्क उदाहरण (लगभग 200 ग्राहकों वाले उदाहरणों सहित) पूरी तरह से व्यवहार्य नहीं है। आवश्यक क्यूबिट संख्या (सैकड़ों से हजारों तक) और सर्किट डेप्थ आमतौर पर वर्तमान गेट-आधारित उपकरणों के अनुमानित $N_{max}$ और $D_{max}$ सीमाओं से अधिक होते हैं।
निकट-अवधि दृष्टिकोण (Near-Term Outlook): हालांकि वर्तमान में अव्यवहारिक है, कई उदाहरण केवल एक या दो हार्डवेयर पीढ़ियों दूर हैं। व्यवहार्यता आरेख एक ट्रैकिंग तंत्र के रूप में कार्य करता है, जो यह दिखाता है कि जैसे-जैसे हार्डवेयर में सुधार होगा (बढ़ते हुए $N_{max}$ और $D_{max}$ ), विशिष्ट समस्या आकार व्यवहार्यता रेखाओं में प्रवेश करेंगे।
व्यापार-बंद (Trade-offs): HOBO विधि क्यूबिट काउंट को तेजी से (exponentially) कम करती है लेकिन सर्किट जटिलता को बढ़ा देती है (हैमिल्टोनियन में $O(N^3)$ से $O(N^4)$ पदों में स्केलिंग)। हालांकि, यह आवश्यक विशिष्ट पाउली मेजरमेंट्स (Pauli measurements) की संख्या को $O(N^3)$ से $O(N^2)$ तक भी कम कर देती है।

महत्व और दावे

पेपर का दावा है कि यह CVRP के लिए पहला एकीकृत "गो/नो-गो" मेट्रिक प्रदान करता है जो किसी भी समस्या एन्कोडिंग को किसी भी हार्डवेयर प्रोफाइल के साथ जोड़ता है। इसका महत्व निम्नलिखित में निहित है:

सीमाओं को परिभाषित करना: यह वर्तमान क्वांटम क्षमताओं की सीमाओं को स्पष्ट रूप से रेखांकित करता है, जो सैद्धांतिक एसिम्प्टोटिक विश्लेषण से आगे बढ़कर व्यावहारिक हार्डवेयर बाधाओं तक जाता है।
रणनीतिक रोडमैप: यह उद्योग के पेशेवरों (जैसे लॉजिस्टिक्स फर्मों) को उनके विशिष्ट समस्या आकार के हार्डवेयर व्यवहार्यता रेखाओं के साथ प्रतिच्छेदन के आधार पर क्वांटम समाधानों को अपनाने के समय को निर्धारित करने के लिए एक पारदर्शी रोडमैप प्रदान करता है।
एल्गोरिथम मार्गदर्शन: यह एल्गोरिदम डिजाइनरों को स्पेस-एफिशिएंट एन्कोडिंग (जैसे HOBO) की ओर और हार्डवेयर टीमों को $N_{max}$ और $D_{max}$ सीमाओं को बढ़ाने पर ध्यान केंद्रित करने की दिशा देता है।
उच्च-मूल्य संदर्भ: लेखक इस बात पर जोर देते हैं कि CVRP एक "उच्च-मूल्य" अनुप्रयोग है जहाँ इष्टतमता अंतराल (optimality gaps) में मामूली सुधार (जैसे 1-2%) भी सात-आंकड़ों की वार्षिक बचत और महत्वपूर्ण CO2 कटौती में अनुवादित होते हैं, जो वर्तमान हार्डवेयर सीमाओं के बावजूद क्वांटम उपयोगिता की खोज को न्यायसंगत बनाता है।

पेपर निष्कर्ष निकालता है कि हालांकि औद्योगिक-स्तर के रूटिंग के लिए क्वांटम लाभ अभी भी आकांक्षात्मक है, यह ढांचा हार्डवेयर परिपक्वता की निगरानी करने और उस सटीक क्षण की पहचान करने के लिए आवश्यक उपकरण प्रदान करता है जब क्वांटम डिवाइस शास्त्रीय ह्यूरिस्टिक्स को चुनौती दे सकते हैं।