⚛️ quantum physics

How an Equi-ensemble Description Systematically Outperforms the Weighted-ensemble Variational Quantum Eigensolver

यह शोध पत्र प्रदर्शित करता है कि आणविक उत्तेजित अवस्थाओं (molecular excited states) की गणना के लिए वेरिएशनल क्वांटम आइजनसॉल्वर (Variational Quantum Eigensolver) ढांचे के भीतर इक्वी-एन्सेम्बल (equi-ensemble) विवरण, वेटेड-एन्सेम्बल (weighted-ensemble) दृष्टिकोण की तुलना में व्यवस्थित रूप से बेहतर प्रदर्शन करता है, जो कम्प्यूटेशनल लागत और सटीकता के बीच एक श्रेष्ठ संतुलन प्रदान करता है।

मूल लेखक: Akilan Rajamani, Martin Beseda, Benjamin Lasorne, Bruno Senjean

प्रकाशित 2026-07-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Akilan Rajamani, Martin Beseda, Benjamin Lasorne, Bruno Senjean

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, धुंध भरी भूलभुलैया के माध्यम से एक छिपे हुए खजाने तक पहुँचने के लिए सबसे अच्छा रास्ता खोजने की कोशिश कर रहे हैं। क्वांटम केमिस्ट्री की दुनिया में, यह "खजाना" एक अणु (molecule) की उत्तेजित अवस्थाओं (excited states) का सटीक ऊर्जा स्तर है (वे क्षण जब एक अणु को ऊर्जा की एक छोटी सी चिंगारी मिलती है)। इसे खोजने के लिए, वैज्ञानिक 'वैरिएशनल क्वांटम आइजनसॉल्वर' (VQE) नामक एक उपकरण का उपयोग करते हैं, जो एक बहुत ही स्मार्ट रोबोट खोजकर्ता की तरह है जो सबसे कम ऊर्जा वाले स्थानों को खोजने के लिए अलग-अलग रास्तों को आजमाता है।

लंबे समय तक, शोधकर्ताओं ने सोचा कि इस रोबोट को मार्गदर्शन देने का सबसे अच्छा तरीका इसे एक सख्त, भारित मानचित्र (weighted map) देना है। उन्होंने तय किया, "ठीक है, पहला रास्ता जो हमें मिलता है वह सबसे महत्वपूर्ण है, इसलिए हम उसे एक बड़ा स्कोर देंगे। दूसरा रास्ता कम महत्वपूर्ण है, इसलिए एक छोटा स्कोर," और इसी तरह। इसे वेटेड-एनसेम्बल (Weighted-ensemble) दृष्टिकोण कहा जाता है। यह धावकों की एक टीम को यह बताने जैसा है, "तुम कप्तान हो, तुम्हें सबसे बड़ा ट्रॉफी मिलेगा; तुम दूसरे स्थान पर हो, तुम्हें थोड़ा छोटा ट्रॉफी मिलेगा।" समस्या क्या है? यदि आप गलत क्रम का अनुमान लगा लेते हैं—यदि आप सोचते हैं कि दूसरा धावक वास्तव में कप्तान है—तो आप एक भ्रमित टीम के साथ समाप्त होते हैं जो धुंध में खो जाती है।

इस शोध पत्र में, लेखकों ने इस विचार का परीक्षण एक अलग रणनीति के विरुद्ध किया: इक्वी-एनसेम्बल (Equi-ensemble)। रास्तों को रैंक करने के बजाय, वे सभी के साथ बिल्कुल समान व्यवहार करते हैं। वे कहते हैं, "हर कोई समान स्कोर प्राप्त करेगा। बस उन रास्तों के समूह को खोजें जो एक साथ सबसे अच्छे हैं, और हम बाद में पता लगा लेंगे कि कौन कौन है।"

बड़ी खोज
लेखकों ने यह देखने के लिए दो बहुत ही अलग प्रकार के रासायनिक पहेलियों पर सिमुलेशन चलाया कि कौन सी रणनीति बेहतर काम करती है।

सबसे पहले, उन्होंने फॉर्मल्डिमीन (formaldimine) नामक एक अणु को देखा। यह अणु पेचीदा है क्योंकि इसमें एक "कोनिकल इंटरसेक्शन" (conical intersection) है, जो भूलभुलैया में एक ऐसे स्थान की तरह है जहाँ दो रास्ते एक-दूसरे को इतने करीब से काटते हैं कि उन्हें अलग करना मुश्किल हो जाता है। जब उन्होंने सख्त, भारित मानचित्र (विभिन्न रास्तों को अलग-अलग स्कोर देना) का उपयोग किया, तो रोबोट खोजकर्ता फंस गया। यदि उन्होंने रास्तों के क्रम का गलत अनुमान लगाया, तो रोबोट एक "लोकल मिनिमम" (local minimum) पा लेगा—जो फर्श का एक छोटा सा गड्ढा है जो नीचे की ओर दिखता तो है लेकिन वह असली तल नहीं है। ऊर्जा गणना में त्रुटि 10⁻² हार्ट्री (Hartree) तक उछल सकती है (इस नन्ही दुनिया में एक बहुत बड़ी गलती)। यहाँ तक कि जब उन्होंने इसे ठीक करने के लिए रोबोट को अधिक मेहनत करने की कोशिश की (एक अधिक जटिल सर्किट जिसे 2-GUCCSD कहा जाता है), तो इसे सही करने में 900 से 1400 इटरेशन (iterations) लगे, और वह भी केवल तभी जब शुरुआती अनुमान एकदम सही हो।

फिर, उन्होंने इक्वी-एनसेम्बल दृष्टिकोण को आजमाया। उन्होंने प्रत्येक पथ को समान भार दिया। परिणाम क्या रहा? रोबोट हर बार सही रास्तों का समूह खोजने में सफल रहा, जिसमें त्रुटि 10⁻⁹ हार्ट्री जितनी सूक्ष्म थी। इससे कोई फर्क नहीं पड़ता था कि शुरुआती अनुमान कितना अस्त-व्यस्त था; रोबोट ने भूलभुलैया में सही "कमरा" ढूंढ लिया। इसे स्थिर होने में केवल लगभग 300 से 500 इटरेशन लगे। लेखकों ने पाया कि जबकि भारित विधि रास्तों को सही क्रम में रखने के लिए संघर्ष करती रही, वहीं समान-भार वाली विधि मजबूत और लोकतांत्रिक थी, जो हमेशा सही सबस्पेस (subspace) को खोज लेती थी।

दूसरा परीक्षण: हाइड्रोजन परमाणुओं की एक श्रृंखला
यह सुनिश्चित करने के लिए कि यह केवल एक अणु के साथ हुआ इत्तेफाक नहीं है, उन्होंने एक दूसरा, और भी बड़ा परीक्षण किया: 16 हाइड्रोजन परमाणुओं की एक श्रृंखला। यह धावकों की एक लंबी लाइन की तरह है। यहाँ, भारित विधि ने एक बहुत बड़ा पक्षपात दिखाया। "कप्तान" (सबसे कम ऊर्जा अवस्था) को अच्छी तरह से खोज लिया गया, लेकिन "अंतिम स्थान" वाला धावक (सबसे उच्च ऊर्जा अवस्था) बहुत पीछे रह गया, जिसकी त्रुटियां 10⁻¹ हार्ट्री से भी अधिक थीं। त्रुटियां निष्पक्ष नहीं थीं; वे पूरी तरह से इस पर निर्भर करती थीं कि आप किस धावक की सबसे अधिक परवाह करते हैं।

इसके विपरीत, इक्वी-एनसेम्बल दृष्टिकोण ने सभी धावकों के साथ निष्पक्ष व्यवहार किया। त्रुटियां छोटी और सभी के लिए सुसंगत थीं, जो 2 Å (एंगस्ट्रॉम) से कम दूरी के लिए भारित विधि की तुलना में दो या अधिक क्रमों (orders of magnitude) से कम थीं। यह दोगुना तेज़ भी था।

चुनौती (और समाधान)
इसमें एक छोटा सा मोड़ है। जब आप समान-भार विधि का उपयोग करते हैं, तो रोबोट सही रास्तों के समूह को तो खोज लेता है, लेकिन वह तुरंत यह नहीं बताता कि कौन सा पथ कौन सा है। यह सोने के सिक्कों के एक बॉक्स को खोजने जैसा है लेकिन अभी यह नहीं पता कि कौन सा सिक्का सबसे दुर्लभ है। हालाँकि, लेखक बताते हैं कि यह एक बहुत छोटी समस्या है। आप बस परिणामों को ले सकते हैं और एक नियमित कंप्यूटर पर एक त्वरित, सरल गणितीय चरण (जिसे "क्लासिकल पोस्ट-प्रोसेसिंग डायगोनलाइजेशन" कहा जाता है) करके उन्हें क्रमबद्ध कर सकते हैं।

निर्णय
शोध पत्र यह निष्कर्ष निकालता है कि रास्तों को रैंक करने और उन्हें भारित करने का पुराना तरीका एक बंद रास्ता है। यह रोबोट खोजकर्ता को भ्रमित, धीमा और गलत स्थानों पर फंसने के प्रति संवेदनशील बनाता है। इक्वी-एनसेम्बल विधि, जहाँ सभी के साथ समान व्यवहार किया जाता है, स्पष्ट विजेता है। यह तेज़ है, अधिक सटीक है, और इसके लिए आपको शुरू करने से पहले उत्तर जानने की आवश्यकता नहीं है। भले ही आपको अंतिम परिणामों को क्रमबद्ध करने के लिए एक छोटे से अतिरिक्त चरण की आवश्यकता हो, लेखक तर्क देते हैं कि अराजक, अनुमान-आधारित भारित विधि पर भरोसा करने की तुलना में इस निष्पक्ष, समान-भार वाले दृष्टिकोण का उपयोग करना हमेशा बेहतर है।

संक्षेप में: दौड़ शुरू होने से पहले यह अनुमान लगाने की कोशिश करना बंद करें कि कप्तान कौन है। बस सबको एक साथ दौड़ने दें, सबसे अच्छा समूह खोजें, और बाद में पदक बाँट लें। यह हर बार काम करता है।

तकनीकी सारांश: उत्तेजित अवस्थाओं के लिए इक्वी-एन्सेम्बल (Equi-ensemble) बनाम वेटेड-एन्सेम्बल (Weighted-ensemble) VQE

समस्या विवरण
रसायन विज्ञान में उत्तेजित-अवस्था के गुणों (excited-state properties) की गणना करना आणविक फोटो-प्रेरित व्यवहार को समझने के लिए आवश्यक है, फिर भी कम्प्यूटेशनल लागत और सटीकता के बीच संतुलन बनाना एक महत्वपूर्ण चुनौती बनी हुई है। जबकि वेरिएशनल क्वांटम इगनसॉल्वर (VQE) एक आशाजनक क्वांटम दृष्टिकोण प्रदान करता है, कई-निकाय उत्तेजित अवस्थाओं (many-body excited states) के लिए जनरलाइज्ड वेरिएशनल प्रिंसिपल को एन्सेम्बल विधियों के माध्यम से लागू करना, अवस्था भार (state weights) के चयन के संबंध में जटिलताएं पेश करता है। विशेष रूप से, वेटेड-एन्सेम्बल (WE) VQE दृष्टिकोण $K$ अवस्थाओं के एक एन्सेम्बल के लिए घटते भार ( $w_j \geq w_{j+1}$ ) निर्धारित करने पर निर्भर करता है ताकि $K$ सबसे निचली आइजनस्टेट्स (eigenstates) को लक्षित किया जा सके। हालांकि, इस दृष्टिकोण के लिए लक्षित अवस्थाओं के ऊर्जा क्रम (energy ordering) के पूर्व ज्ञान की आवश्यकता होती है ताकि भारों को सही ढंग से आवंटित किया जा सके। यदि प्रारंभिक अनुमान (initial guess) और उससे संबंधित भार, अंतिम ऊर्जा क्रम से मेल नहीं खाते हैं, तो अनुकूलन परिदृश्य (optimization landscape) समस्याग्रस्त हो जाता है, जिससे अक्सर अभिसरण (convergence) विफल हो जाता है या अविश्वसनीय परिणाम प्राप्त होते हैं। यह शोध जांच करता है कि क्या इक्वी-एन्सेम्बल (EE) दृष्टिकोण, जहाँ सभी भार समान होते हैं ( $w_j = w_{j+1}$ ), पोस्ट-प्रोसेसिंग के बिना सीधे व्यक्तिगत आइजनएनर्जीज (eigenenergies) न देने के बावजूद, एक अधिक सुदृढ़ विकल्प प्रदान करता है।

कार्यप्रणाली (Methodology)
लेखक एक एन्सेम्बल ऊर्जा $E^w_C(\theta)$ के लिए जनरलाइज्ड वेरिएशनल प्रिंसिपल का उपयोग करते हुए दो एन्सेम्बल VQE रणनीतियों की तुलना करते हैं:

वेटेड-एन्सेम्बल (WE): अवस्थाओं के एक विशिष्ट क्रम को लागू करने के लिए घटते भार ( $w_j > w_{j+1}$ ) का उपयोग करता है।
इक्वी-एन्सेम्बल (EE): समान भार ( $w_j = 1/K$ ) का उपयोग करता है। इस सीमा में, कॉस्ट फंक्शन $K$ अवस्थाओं द्वारा स्पैन किए गए सबस्पेस (subspace) पर हैमिल्टनियन के ट्रेस (trace) को कम करता है। इसके परिणामस्वरूप प्राप्त अवस्थाएं वास्तविक आइजनस्टेट्स के पारस्परिक रोटेटेड संस्करण (quasi-diabatic) होती हैं, लेकिन वे सही आइजन-सबस्पेस को स्पैन करती हैं। व्यक्तिगत आइजनएनर्जीज को अनुकूलित अवस्थाओं के आधार पर क्लासिकल पोस्ट-प्रोसेसिंग (जैसे कि हैमिल्टनियन मैट्रिक्स का विकीर्णन/diagonalization) के माध्यम से प्राप्त किया जा सकता है।

यह अध्ययन दो अलग-अलग समस्याओं पर दो विधियों का मूल्यांकन करता है:

मेनी-बॉडी सिस्टम (Many-Body System): फॉर्मल्डिमिनाइड (formaldimine) अणु, जो शंक्वाकार प्रतिच्छेदन (conical intersection) के पास मजबूत वाइब्रोनिक कपलिंग प्रदर्शित करता है। सिस्टम को SA-CASSCF(4,3) स्तर पर मॉडल किया गया है। लेखक वास्तविक ऊर्जा क्रम के सापेक्ष सही और गलत प्रारंभिक भार व्यवस्था के साथ 1-GUCCSD और 2-GUCCSD एन्सैट्स (ansätze) का परीक्षण करते हैं।
वन-बॉडी सिस्टम (One-Body System): हाइड्रोजन परमाणुओं की एक रैखिक श्रृंखला ( $H_{16}$ ) के लिए क्वांटम डेंसिटी फंक्शनल थ्योरी (Q-DFT) से व्युत्पन्न एक आठ-अवस्था वाली समस्या। यह 16 स्थानिक कक्षकों (spatial orbitals) को 4 क्वबिट्स में मैप करता है। अध्ययन एक हार्डवेयर-एफिशिएंट RyCNOT एन्सैट का उपयोग करता है और इष्टतम भारों की तुलना इक्वी-वेट्स से करता है।

मुख्य परिणाम

WE-VQE में प्रारंभिक अनुमान के प्रति संवेदनशीलता: फॉर्मल्डिमिनाइड मामले में, WE-VQE का प्रदर्शन भार के प्रारंभिक क्रम पर अत्यधिक निर्भर है। जब भार का क्रम वास्तविक ऊर्जा क्रम से मेल खाता है, तो अभिसरण प्राप्त होता है। हालांकि, जब क्रम गलत होता है (जो व्यावहारिक अनुप्रयोगों में एक संभावित परिदृश्य है जहाँ अंतिम ऊर्जा अज्ञात होती है), तो WE-VQE अक्सर सही व्यक्तिगत आइजनस्टेट्स तक अभिसरण करने में विफल रहता है, जिसके परिणामस्वरूप कॉस्ट फंक्शन में बड़ी त्रुटियां ( $10^{-2}$ Hartree) होती हैं। हालांकि ट्रेस (सबस्पेस ऊर्जा) सटीक बना रह सकता है, व्यक्तिगत अवस्थाएं अक्सर गलत होती हैं या लोकल मिनिमा में फंस जाती हैं।
EE-VQE की सुदृढ़ता (Robustness): EE-VQE प्रारंभिक अवस्था क्रम की परवाह किए बिना लगातार सही आइजन-सबस्पेस तक अभिसरण करता है। फॉर्मल्डिमिनाइड सिस्टम के लिए, EE-VQE कम पुनरावृत्तियों (लगभग 300-500) के साथ उच्च सटीकता ( $10^{-9}$ Hartree) प्राप्त करता है, जबकि WE-VQE को क्रम को ठीक करने के प्रयास में काफी अधिक पुनरावृत्तियों (1400 तक) और अधिक जटिल एन्सैट्स (2-GUCCSD) की आवश्यकता होती है।
Q-DFT प्रदर्शन: $H_{16}$ श्रृंखला में, WE-VQE गैर-लोकतांत्रिक त्रुटियां (non-democratic errors) प्रदर्शित करता है, जहाँ उच्चतम-ऊर्जा वाली अवस्था (जो सबसे कम भार से जुड़ी है) त्रुटि पर हावी हो जाती है ( $>10^{-1}$ Hartree)। इसके विपरीत, EE-VQE को क्लासिकल पोस्ट-प्रोसेसिंग डायगोनलाइजेशन के साथ मिलाने पर, कम बॉन्ड दूरी के लिए त्रुटियों को दो क्रमों (two orders of magnitude) से कम कर देता है और सभी अवस्थाओं के लिए लोकतांत्रिक त्रुटि वितरण बनाए रखता है।
अभिसरण गतिशीलता (Convergence Dynamics): WE-VQE अक्सर सही सबस्पेस लेकिन गलत अवस्था क्रम वाले लोकल मिनिमा में फंस जाता है। इस मिनिमा से बाहर निकलने और सही व्यक्तिगत क्रम खोजने के लिए ऑप्टिमाइज़र को अस्थायी रूप से सबस्पेस की गुणवत्ता को खराब करना पड़ता है, जिससे अभिसरण धीमा और अस्थिर हो जाता है। EE-VQE सीधे सबस्पेस को अनुकूलित करके इससे बचता है।

महत्व और दावे
शोध पत्र यह निष्कर्ष निकालता है कि क्वांटम कंप्यूटरों पर उत्तेजित-अवस्था के गुणों को निकालने के लिए इक्वी-एन्सेम्बल दृष्टिकोण, वेटेड-एन्सेम्बल दृष्टिकोण की तुलना में बेहतर है। लेखक तर्क देते हैं कि क्रमबद्ध भारों को लागू करने से उत्पन्न अतिरिक्त जटिलता और अभिसरण विफलता का जोखिम हानिकारक है।

मुख्य दावे इस प्रकार हैं:

विश्वसनीयता: EE-VQE बिना ऊर्जा क्रम के पूर्व ज्ञान के व्यवस्थित रूप से सही आइजन-सबस्पेस प्रदान करता है, जबकि WE-VQE विफल होने के प्रति संवेदनशील है यदि प्रारंभिक अनुमान अपूर्ण हो।
दक्षता: EE-VQE, WE-VQE की तुलना में तेजी से अभिसरण करता है और इसमें कम कम्प्यूटेशनल ओवरहेड (कम पुनरावृत्ति और सरल एन्सैट्स) होता है।
पोस्ट-प्रोसेसिंग व्यवहार्यता: हालांकि EE-VFE सीधे व्यक्तिगत आइजनएनर्जीज प्रदान नहीं करता है, लेकिन आवश्यक पोस्ट-प्रोसेसिंग (क्लासिकल डायगोनलाइजेशन या रोटेशन) का कम्प्यूटेशनल ओवरहेड क्वांटम सर्किट निष्पादन की तुलना में नगण्य है। यह ओवरहेड प्राप्त की गई सुदृढ़ता और सटीकता द्वारा न्यायसंगत है।
अनुप्रयोग क्षमता: EE दृष्टिकोण उन प्रणालियों के लिए विशेष रूप से फायदेमंद है जहाँ अवॉइड क्रॉसिंग (avoided crossings), शंक्वाकार प्रतिच्छेदन (conical intersections), या बड़े एन्सेम्बल (जैसे Q-DFT में) होते हैं जहाँ अवस्था क्रम का अनुमान लगाना कठिन होता है या जहाँ केवल सबस्पेस ऊर्जा की आवश्यकता होती है।

लेखक दावा करते हैं कि लक्षित उत्तेजित-अवस्था सबस्पेस के विश्वसनीय और कुशल अभिसरण को सुनिश्चित करने के लिए शोधकर्ताओं को वेटेड-एन्सेम्बल दृष्टिकोण के बजाय इक्वी-एन्सेम्बल विवरण को प्राथमिकता देनी चाहिए।

इसी तरह के और पेपर