⚛️ quantum physics

Efficient Preparation of Quantum States via Randomized Truncation

यह शोध पत्र एक यादृच्छिक (randomized) अवस्था-तैयारी प्रोटोकॉल प्रस्तुत करता है जो छोटे आयामों के संभाव्य प्रवर्धन (probabilistic amplification) का लाभ उठाकर नियतात्मक ट्रंकेशन (deterministic truncation) की तुलना में सर्किट जटिलता और गेट गणनाओं को महत्वपूर्ण रूप से कम करता है, जिससे क्वांटम रसायन विज्ञान और मशीन लर्निंग जैसे अनुप्रयोगों में जटिल क्वांटम अवस्थाओं को आरंभ करने के लिए एक अधिक संसाधन-कुशल प्रतिमान (paradigm) प्राप्त होता है।

मूल लेखक: Yue Wang, Xiao-Ming Zhang, Xiao Yuan, Qi Zhao

प्रकाशित 2026-01-15

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yue Wang, Xiao-Ming Zhang, Xiao Yuan, Qi Zhao

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, अविश्वसनीय रूप से विस्तृत भित्ति चित्र (mural) बनाने की कोशिश कर रहे हैं। इस पेंटिंग में मुख्य आकार को परिभाषित करने के लिए चमकीले लाल और नीले रंग के कुछ बड़े, गहरे स्ट्रोक हैं, लेकिन इसमें बनावट और वास्तविकता जोड़ने के लिए धूल के लाखों छोटे, धुंधले कण भी हैं।

क्वांटम कंप्यूटिंग की दुनिया में, एक विशिष्ट अवस्था (सूचना की एक जटिल व्यवस्था) को "पेंट" करना, इस भित्ति चित्र को बनाने जैसा है। समस्या यह है कि मानक तरीके हर एक धूल के कण को भी उतने ही उच्च स्तर की सटीकता के साथ पेंट करने की कोशिश करते हैं जितने कि बड़े स्ट्रोक। इसके लिए अत्यधिक समय, महंगे उपकरण और निर्देशों का एक बहुत लंबा, जटिल सेट (एक क्वांटम सर्किट) चाहिए। यदि आप पूरी पेंटिंग को पूरी तरह से बनाने की कोशिश करते हैं, तो यह प्रक्रिया इतनी धीमी और महंगी हो जाती है कि यह उपयोगी नहीं रह जाती।

तेजी लाने के लिए, वैज्ञानिक आमतौर पर बस उन छोटे कणों को मिटा देते हैं। वे कहते हैं, "वे बिंदु बहुत छोटे हैं जिससे कोई फर्क नहीं पड़ता, इसलिए हम उन्हें अनदेखा कर देंगे।" लेकिन इससे एक नई समस्या पैदा होती है: यदि आप बहुत अधिक चीजों को मिटा देते हैं, तो तस्वीर धुंधली और गलत दिखने लगती है। यदि आप बहुत अधिक को रखते हैं, तो पेंटिंग करने में बहुत समय लगता है। यह एक कठोर समझौता है: अधिक सटीकता का अर्थ है बहुत लंबा, कठिन काम।

नया "रैंडमाइज्ड" (यादृच्छिक) दृष्टिकोण

यह शोध पत्र इस भित्ति चित्र को पेंट करने का एक चतुर नया तरीका पेश करता है जो इस समझौते को तोड़ देता है। सभी सूक्ष्म कणों को एक बार में पूरी तरह से पेंट करने या उन्हें पूरी तरह से मिटाने के बजाय, लेखक एक लॉटरी प्रणाली का सुझाव देते हैं।

यह कैसे काम करता है, यहाँ एक सरल उपमा दी गई है:

बड़े स्ट्रोक: आप हमेशा मुख्य, बड़े आकारों को हर बार पूरी तरह से पेंट करते हैं।
सूक्ष्म कण: सभी सूक्ष्म कणों को एक साथ पेंट करने के बजाय, आप यादृच्छिक रूप से (randomly) एक सूक्ष्म कण चुनते हैं।
प्रवर्धन (Amplification): आप उस एक कण को लेते हैं और उसे इस विशिष्ट पेंटिंग के लिए विशाल बना देते हैं। आप इसे एक चमकीले, गहरे रंग से पेंट करते हैं ताकि इसे अनदेखा करना असंभव हो।
लॉटरी: आप इस प्रक्रिया को कई बार दोहराते हैं। एक संस्करण में, आप कण संख्या #5 को विशाल बनाते हैं। अगले में, आप कण संख्या #99 को विशाल बनाते हैं। अगले में, कण संख्या #12।
परिणाम: जब आप इन सभी पेंटिंग्स के औसत (average) को देखते हैं, तो "विशाल" कण वापस मिलकर बिल्कुल उन्हीं सूक्ष्म, धुंधले कणों की तरह दिखने लगते जिन्हें आप चाहते थे।

यह गेम-चेंजर क्यों है

शोध पत्र का दावा है कि यह विधि जादुई है क्योंकि इसके दो मुख्य कारण हैं:

यह बहुत सस्ता है: क्योंकि आपको केवल एक समय में केवल एक ही सूक्ष्म कण को पेंट करना होता है (और उसे बड़ा बनाना होता है), इसलिए आपको एक साथ लाखों सूक्ष्म विवरणों को संभालने के लिए जटिल, महंगे मशीनरी की आवश्यकता नहीं होती है। आप सरल, तेज़ उपकरणों का उपयोग कर सकते हैं।
यह अधिक सटीक है: आश्चर्यजनक रूप से, यह "अव्यवस्थित" लॉटरी दृष्टिकोण मानक "छोटे विवरणों को मिटाने" वाले तरीके की तुलना में बेहतर चित्र बनाता है। शोध पत्र गणितीय रूप से सिद्ध करता है कि त्रुटि (धुंधलापन) बहुत तेजी से कम होती है। यदि मानक तरीका त्रुटि को थोड़ा कम करता है, तो यह विधि उस मात्रा के वर्ग (square) के बराबर कम करती है।

वास्तविक दुनिया का प्रभाव

लेखकों ने इसका परीक्षण दो प्रकार के "भित्ति चित्रों" पर किया:

रसायन विज्ञान (Chemistry): एक लिथियम हाइड्राइड अणु का अनुकरण करना (जैसे कि परमाणु कैसे जुड़ते हैं यह समझना)।
डेटा और भौतिकी (Data & Physics): जटिल डेटा पैटर्न और चुंबकीय प्रणालियों का अनुकरण करना।

परिणाम:

उन्होंने पाया कि वे महंगे "गेट्स" (क्वांटम रेसिपी के चरणों) की संख्या को 99% तक कम कर सकते हैं।
रसायन विज्ञान के उदाहरण के लिए, उन्होंने काम को 962 चरणों से घटाकर केवल 171 चरण कर दिया।
डेटा के उदाहरण के लिए, उन्होंने इसे 66,000 से अधिक चरणों से घटाकर केवल 742 चरण कर दिया।

सार (Bottom Line)

इसे इस तरह सोचें: यदि आपको रेत के 1,000 छोटे कणों को हिलाना है, तो पुराना तरीका एक विशाल, भारी ठेला लेकर उन सभी को एक साथ ले जाना है जो आसानी से टूट जाता है। नया तरीका एक छोटे, तेज़ हाथ के फावड़े का उपयोग करना है। आप एक कण उठाते हैं, उसे एक पल के लिए एक पत्थर जैसा बड़ा बनाते हैं, उसे ले जाते हैं, और फिर अगले की ओर बढ़ते हैं। ऐसा कई बार तेज़ी से करने से, आप एक टूटे हुए विशाल ठेले के बजाय एक छोटे फावड़े से पूरे ढेर को हिला देते हैं।

यह क्वांटम कंप्यूटरों को जटिल समस्याओं (जैसे नई दवाओं को डिजाइन करना या नई सामग्रियों को समझना) को बहुत तेज़ी से और कम त्रुटि के साथ संभालने की अनुमति देता है, जिससे वे आज की मशीनों और भविष्य की शक्तिशाली मशीनों के लिए बहुत अधिक व्यावहारिक बन जाते हैं।

तकनीकी सारांश: रैंडमाइज्ड ट्रंकेशन (यादृच्छिक काट) के माध्यम से क्वांटम अवस्थाओं की कुशल तैयारी

समस्या विवरण
सामान्य क्वांटम अवस्थाओं की तैयारी क्वांटम एल्गोरिदम में एक मौलिक बाधा है, विशेष रूप से क्वांटम रसायन विज्ञान, विभेदक समीकरणों और मशीन लर्निंग के अनुप्रयोगों के लिए। वास्तविक लक्षित अवस्थाएँ अक्सर एक पदानुक्रमित आयाम संरचना (hierarchical amplitude structure) प्रदर्शित करती हैं: एक प्रमुख विन्यासों का छोटा कोर और उसके साथ कई छोटे लेकिन गैर-नगण्य घटकों की एक "भारी पूंछ" (heavy tail)। मानक नियतात्मक ट्रंकेशन (deterministic truncation) विधियाँ सर्किट जटिलता को कम करने के लिए इन छोटे आयामों को हटा देती हैं। हालाँकि, यह दृष्टिकोण परिशुद्धता और संसाधन लागत के बीच एक गंभीर रैखिक व्यापार-संबंध (linear trade-off) उत्पन्न करता है: $\epsilon$ ट्रेस-डिस्टेंस त्रुटि प्राप्त करने के लिए, पर्याप्त आयामों को बनाए रखना आवश्यक है ताकि हटाया गया $\ell_2$ भार $O(\epsilon)$ हो। यह आवश्यकता छोटे-आयाम वाले कई घटकों को एनकोड करने के लिए मजबूर करती है, जिससे सर्किट की गहराई और गेट काउंट में घातीय वृद्धि होती है। इसके अलावा, ये छोटे घटक अक्सर उच्च-परिशुद्धता गेट संश्लेषण (जिसके लिए व्यापक T-गेट ओवरहेड की आवश्यकता होती है) और उच्च-नियंत्रण रोटेशन (जो CNOT काउंट को बढ़ाता है) की मांग करते हैं, जिससे उच्च-फिडेलिटी अवस्थाओं की तैयारी निकट-अवधि (near-term) और फॉल्ट-टोलरेंट दोनों हार्डवेयर के लिए निषेधात्मक हो जाती है।

कार्यप्रणाली
लेखक एक रैंडमाइज्ड स्टेट-प्रिपरेशन प्रोटोकॉल प्रस्तावित करते हैं जो संभावabilistic प्रवर्धन (probabilistic amplification) का लाभ उठाकर नियतात्मक ट्रंकेशन की कठोर सीमाओं को दरकिनार करता है। एक ही गहरे सर्किट में पूरी भारी पूंछ को सुसंगत रूप से एनकोड करने के बजाय, यह विधि कम-जटिलता वाले सर्किटों के एक रैंडमाइज्ड एन्सेम्बल (ensemble) का निर्माण करता है।

यह प्रोटोकॉल इस प्रकार कार्य करता है:

विभाजन (Partitioning): अवस्था के आयामों को एक महत्वपूर्ण सेट $A$ (आयाम $|\alpha_i| \geq t$ ) और एक नगण्य टेल सेट $B$ ( $|\alpha_i| < t$ ) में विभाजित किया जाता है।
एन्सेम्बल निर्माण: टेल सेट $B$ में प्रत्येक इंडेक्स $m$ के लिए, एक विशिष्ट क्वांटम अवस्था $|\tilde{\psi}_m\rangle$ को परिभाषित किया जाता है। यह अवस्था $A$ के सभी आयामों को बनाए रखती है और $B$ के एक एकल तत्व (इंडेक्स $m$ ) को एक प्रवर्धित गुणांक (amplified coefficient) के साथ शामिल करती है।
सैंपलिंग: प्रोटोकॉल इंडेक्स $m$ को प्रायिकता $p_m = |\alpha_m| / \sum_{j \in B} |\alpha_j|$ के साथ सैंपल करता है। संगत क्वांटम अवस्था $|\tilde{\psi}_m\rangle$ को तैयार किया जाता है।
परिणामी अवस्था: अंतिम आउटपुट एक मिश्रित अवस्था $\rho_{\text{approx}} = \sum_m p_m |\tilde{\psi}_m\rangle\langle\tilde{\psi}_m\rangle$ है।

महत्वपूर्ण बात यह है कि $1/p_m$ के कारक से छोटे गुणांक $\alpha_m$ का प्रवर्धन यह सुनिश्चित करता है कि एन्सेम्बल का अपेक्षित मान मूल लक्षित अवस्था $|\psi\rangle$ को पुनः प्राप्त कर लेता है। लेखक सिद्ध करते हैं कि जबकि एन्सेम्बल में व्यक्तिगत सर्किट सरल होते हैं (केवल एक टेल घटक रखते हैं), परिणामी मिश्रित अवस्था नियतात्मक ट्रंकेशन की तुलना में काफी कम त्रुटि के साथ मूल अवस्था को पुनः प्राप्त करती है।

प्रमुख योगदान और सैद्धांतिक परिणाम
प्राथमिक सैद्धांतिक योगदान यह प्रदर्शन करना है कि यह रैंडमाइज्ड दृष्टिकोण discarded amplitude mass के सापेक्ष त्रुटि स्केलिंग को रैखिक से द्विघाती (quadratic) में सुधार देता है।

द्विघाती त्रुटि स्केलिंग (Quadratic Error Scaling): लेखक सिद्ध करते हैं (थ्योरम 1) कि यदि हटाया गया $\ell_2$ भार $\epsilon^2$ है, तो रैंडमाइज्ड एन्सेम्बल का ट्रेस-डिस्टेंस एरर $O(\epsilon^2)$ के रूप में स्केल करता है, जबकि नियतात्मक ट्रंकेशन $O(\epsilon)$ के रूप में स्केल करता है।
संसाधन में कमी: यह द्विघाती सुधार एक निश्चित लक्षित फिडेलिटी प्राप्त करने के लिए आवश्यक एनकोड किए गए आयामों की संख्या में कमी के रूप में अनुवादित होता है।
- घातीय रूप से क्षय होने वाली अवस्थाओं (Exponentially decaying states) के लिए (जो क्वांटम रसायन विज्ञान और गैप्ड हैमिल्टोनियन में सामान्य हैं), रैंडमाज़्ड प्रोटोकॉल को नियतात्मक दृष्टिकोण की तुलना में लगभग आधे आयामों की आवश्यकता होती है ( $K_{\text{det}} \approx 2K_{\text{rand}}$ )।
- पावर-लॉ क्षय होने वाली अवस्थाओं (Power-law decaying states) के लिए (जो मल्टी-बॉडी फिजिक्स और डेटा लोडिंग में सामान्य हैं), संसाधन बचत एसिम्प्टोटिक रूप से $O(\hat{\epsilon}^{-1/(2r_{\text{pow}}-1)})$ के रूप में स्केल करती है, जो वांछित परिशुद्धता बढ़ने पर और भी अधिक लाभ प्रदान करती है।
गेट-स्तरीय बचत: छोटे गुणांकों को प्रवर्धित करके, प्रोटोकॉल इन योगदानों को उच्चतम-परिशुद्धता शासन (highest-precision regime) से बाहर निकाल देता है। यह अत्यंत उच्च-परिशुद्धता मल्टी-कंट्रोल्ड रोटेशन की आवश्यकता को कम करता है, जिससे छोटे कोणों को हल करने से जुड़े T-गेट काउंट और CNOT ओवरहेड को काफी कम किया जा सकता है।

संख्यात्मक परिणाम
लेखकों ने कई वास्तविक और सिंथेटिक उदाहरणों पर प्रोटोकॉल को मान्य किया:

LiH अणु: लिथियम हाइड्राइड अणु (12 क्वबिट्स पर मैप किया गया) के ग्राउंड स्टेट का उपयोग करते हुए, रैंडमाइज्ड प्रोटोकॉल ने $5.86 \times 10^{-4}$ के ट्रेस-नॉर्म एरर पर नियतात्मक ट्रंकेशन की तुलना में CNOT काउंट में 82.2% की कमी और T-गेट काउंट में 81.2% की कमी प्राप्त की।
सिंथेटिक पावर-लॉ स्टेट: $j^{-5}$ के रूप में आयाम क्षय होने वाले 10-क्वबिट स्टेट के लिए, विधि ने $1.04 \times 10^{-13}$ के ट्रेस-नॉर्म एरर पर CNOT काउंट में 98.9% और T-गेट काउंट में 98.5% तक की कमी प्रदर्शित की।
मशीन लर्निंग और मल्टी-बॉडी फिजिक्स: प्रोटोकॉल का परीक्षण एक प्रशिक्षित ResNet (10 क्वबिट्स) और ट्रांसवर्स-फील्ड आइज़िंग मॉडल (11 क्वबिट्स) के ग्राउंड स्टेट से प्राप्त अवस्थाओं पर भी किया गया। दोनों मामलों में, रैंडमाइज्ड विधि ने नियतात्मक ट्रंकेशन की तुलना में स्थिर लागत पर लगातार कम ट्रेस-नॉर्म एरर प्राप्त किया, जो सख्त पावर-लॉ या एक्सपोनेंशियल वितरणों से परे इसकी प्रयोज्यता की पुष्टि करता है।

महत्व और दावे
यह शोध पत्र जटिल क्वांटम अवस्थाओं को आरंभ करने के लिए एक संसाधन-कुशल प्रतिमान (resource-efficient paradigm) स्थापित करने का दावा करता है। गेट-सिंथेसिस परिशुद्धता आवश्यकताओं को शिथिल करके और एनकोड किए गए आयामों की संख्या को कम करके, यह विधि एंड-टू-एंड क्वांटम एल्गोरिदम में एक महत्वपूर्ण बाधा को संबोधित करता है।

लेखक इस बात पर जोर देते हैं कि यह दृष्टिकोण निकट-अवधि (near-term) और फॉल्ट-टोलरेंट (fault-tolerant) दोनों व्यवस्थाओं के अनुकूल है:

निकट-अवधि उपकरणों के लिए, यह एक एकल गहरे, मोनोलिथिक सर्किट को सरल, उथले (shallower) सर्किटों के सैंपलिंग से बदल देता है, जिससे अवस्था की तैयारी को कोहेरेंस सीमाओं के भीतर संभव बनाया जाता है।
फॉल्ट-टोलरेंट आर्किटेक्चर के लिए, यह उच्च-परिशुद्धता रोटेशन से जुड़े T-गेट ओवरहेड और CNOT लागत को काफी कम कर देता है, जिससे हार्डवेयर पर कुशलतापूर्वक तैयार की जाने वाली क्वांटम अवस्थाओं के वर्ग का विस्तार होता है।

यह कार्य निष्कर्ष निकालता है कि यह रैंडमाइज्ड ट्रंकेशन रणनीति एक कठोर, नियंत्रणीय त्रुटि सीमा प्रदान करती है जो हटाए गए टेल वेट के वर्ग के समानुपाती है, जिससे सटीकता से समझौता किए बिना जटिल अवस्था तैयारी पर निर्भर एल्गोरिदम के अधिक कुशल कार्यान्वयन को सक्षम बनाया जा सके।

नया "रैंडमाइज्ड" (यादृच्छिक) दृष्टिकोण

यह गेम-चेंजर क्यों है

वास्तविक दुनिया का प्रभाव

सार (Bottom Line)

इसी तरह के और पेपर