⚛️ quantum physics

Variational Thermal State Preparation on Digital Quantum Processors Assisted by Matrix Product States

यह शोध पत्र क्वांटम गिब्स अवस्थाओं (Gibbs states) को कुशलतापूर्वक तैयार करने के लिए मैट्रिक्स प्रोडक्ट स्टेट्स और हार्डवेयर-एफिशिएंट एंसेट्स (ansätze) को संयोजित करने वाले एक वेरिएशनल फ्रेमवर्क का परिचय देता है, जो 6x6 साइट्स तक के सिस्टम पर संख्यात्मक सिमुलेशन के माध्यम से इसकी स्केलेबिलिटी और महत्वपूर्ण त्रुटि न्यूनीकरण (error mitigation) के साथ 156-क्यूबिट IBM क्वांटम प्रोसेसर पर इसकी व्यावहारिक व्यवहार्यता को प्रदर्शित करता है।

मूल लेखक: Rui-Hao Li, Semeon Valgushev, Khadijeh Najafi

प्रकाशित 2026-04-17

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Rui-Hao Li, Semeon Valgushev, Khadijeh Najafi

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 ब्रेड का एक आदर्श लोफ (loaf) बनाने की कोशिश कर रहे हैं, लेकिन आटा और पानी के बजाय, आप क्वांटम कणों (quantum particles) के साथ काम कर रहे हैं। क्वांटम भौतिकी की दुनिया में, ये कण केवल स्थिर नहीं रहते; वे जटिल पैटर्न में नृत्य करते हैं। जब कोई सिस्टम "गर्म" होता है, तो कण अराजक और चंचल होते हैं। जब यह "ठंडा" होता है, तो वे एक शांत, व्यवस्थित लय में बस जाते हैं।

वैज्ञानिक इस व्यवस्थित, शांत अवस्था को गिब्स स्टेट (Gibbs state) (या थर्मल स्टेट) कहते हैं। क्वांटम कंप्यूटर पर इन अवस्थाओं को बनाना एक ऐसे किचन में वह परफेक्ट ब्रेड बनाने की कोशिश करने जैसा है जो वर्तमान में आग की चपेट में है (शोर वाला, त्रुटिपूर्ण हार्डवेयर)। यह अविश्वसनीय रूप से कठिन है।

यह पेपर इन क्वांटम लोफ को बिना किचन जलाए बनाने का एक चतुर नया तरीका पेश करता है। उन्होंने इसे कैसे किया, यहाँ सरल भाषा में समझाया गया है:

1. समस्या: "एन्ट्रॉपी" (Entropy) की बाधा

एक आदर्श थर्मल स्टेट बनाने के लिए, आपको फ्री एनर्जी (Free Energy) को कम करने की आवश्यकता होती है। फ्री एनर्जी को एक स्कोरकार्ड की तरह समझें जिसमें दो भाग होते हैं:

ऊर्जा (Energy): कण कितनी गति कर रहे हैं (जैसे ओवन में गर्मी)।
एन्ट्रॉपी (Entropy): कण कितने बिखरे हुए या अव्यवस्थित हैं (जैसे चारों ओर बिखरा हुआ आटा)।

समस्या यह है कि क्वांटम कंप्यूटर पर, "बिखराव" (एन्ट्रॉपी) की गणना करना एक दुःस्वप्न है। इसके लिए आमतौर पर पूरे क्वांटम सिस्टम का एक "स्नैपशॉट" लेने की आवश्यकता होती है, जो एक तूफान में हमिंगबर्ड की तस्वीर लेने की कोशिश करने जैसा है। इसमें बहुत अधिक समय और संसाधनों की आवश्यकता होती है, विशेष रूप से आज के शोर वाले कंप्यूटरों पर।

2. समाधान: "डिजिटल ट्विन" (Matrix Product States)

लेखकों ने एक शानदार समाधान निकाला। क्वांटम कंप्यूटर पर सीधे बिखराव (एन्ट्रॉपी) को मापने के बजाय, उन्होंने एक सामान्य क्लासिकल कंप्यूटर पर सिस्टम का एक डिजिटल ट्विन (digital twin) बनाया।

उपमा: कल्पना करें कि आप मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं। हवा के हर झोंके को मापने के लिए लाखों सेंसर भेजने के बजाय (जो कठिन और महंगा है), आप तूफान का एक अत्यधिक सटीक कंप्यूटर सिमुलेशन बनाते हैं। आप सिमुलेशन चलाते हैं ताकि देख सकें कि हवा कैसे व्यवहार करती है, और फिर उस डेटा का उपयोग अपने वास्तविक दुनिया के कार्यों को निर्देशित करने के लिए करते हैं।
तकनीक: उन्होंने मैट्रिक्स प्रोडक्ट स्टेट्स (Matrix Product States - MPS) नामक एक गणितीय उपकरण का उपयोग किया। MPS को एक अत्यंत कुशल कंप्रेशन एल्गोरिदम के रूप में समझें। यह एक जटिल क्वांटम सिस्टम को बहुत कम मेमोरी का उपयोग करके वर्णित कर सकता है, ठीक वैसे ही जैसे एक ZIP फ़ाइल एक बड़े वीडियो को कंप्रेस करती है।

इस "डिजिटल ट्विन" का उपयोग करके, वे सामान्य कंप्यूटर पर बिना किसी भारी काम के, तुरंत और सटीक रूप से "बिखराव" (एन्ट्रॉपी) की गणना कर सके।

3. रेसिपी: दो अलग-अलग ओवन (Ansatzes)

इस अवस्था को बनाने के लिए, उन्होंने एक "क्वांटम सर्किट" (गेट्स की एक रेसिपी) का उपयोग किया। उन्होंने दो अलग-अलग प्रकार की रेसिपी का परीक्षण किया:

रेसिपी A (TFDA): यह एक हाई-एंड, प्रोफेशनल ओवन की तरह है जो एक पूरी तरह से मिश्रित आटे के साथ शुरू होता है। यह तब बहुत अच्छा काम करता है जब आप एक गर्म, अराजक लोफ (उच्च तापमान) चाहते हैं, लेकिन यह एक ठंडा, घना लोफ (कम तापमान) बनाने में संघर्ष करता है क्योंकि इसके लिए बहुत अधिक चरणों की आवश्यकता होती है।
रेसिपी B (HEA - Hardware Efficient Ansatz): यह घरेलू रसोई के लिए डिज़ाइन किया गया एक सरल, मजबूत ओवन है। यह एक सादे, बिना मिश्रित आटे के साथ शुरू होता है। आश्चर्यजनक रूप से, यह ठंडे, घने लोफ (कम तापमान) बनाने में बहुत बेहतर साबित हुआ। चूंकि अधिकांश दिलचस्प भौतिक विज्ञान तब होता है जब चीजें ठंडी होती हैं, इसलिए यह विजेता रहा।

4. टेस्ट ड्राइव: सिमुलेशन से वास्तविकता तक

टीम केवल सिद्धांत तक ही सीमित नहीं रही। उन्होंने अपने तरीके को दो तरीकों से परखा:

सिमुलेशन: उन्होंने 30 कणों वाली एक रेखा (1D) और एक 6x6 ग्रिड (2D) वाले सिस्टम का सिमुलेशन किया। उन्होंने जांचा कि क्या उनका "डिजिटल ट्विन" सिस्टम के तापमान, दबाव और व्यवहार की भविष्यवाणी कर सकता है।
- परिणाम: यह खूबसूरती से काम कर गया! वे इन सिस्टम्स के व्यवहार की उच्च सटीकता के साथ भविष्यवाणी कर सके, यहाँ तक कि उन आकारों के लिए भी जो आमतौर पर क्लासिकल कंप्यूटरों के लिए आसानी से संभालना बहुत कठिन होता है।
वास्तविक हार्डवेयर: उन्होंने अपनी सबसे अच्छी रेसिपी ली और उसे एक वास्तविक क्वांटम कंप्यूटर पर चलाया, जो IBM का IBM Heron प्रोसेसर (156 क्यूबिट्स के साथ) है।
- चुनौती: वास्तविक क्वांटम कंप्यूटर शोर वाले होते हैं। यह ब्रेड बनाने की कोशिश करने जैसा है जबकि कोई मेज को हिला रहा हो और ओवन पर फूंक मार रहा हो।
- समाधान: उन्होंने "एरर मिटिगेशन" (Error Mitigation) तकनीकों का उपयोग किया। कल्पना करें कि आप जानते हैं कि आपका ओवन 5 डिग्री ज्यादा गर्म होता है, इसलिए आप डायल को नीचे की ओर एडजस्ट करते हैं। उन्होंने जीरो-नॉइज़ एक्सट्रैपोलेशन (Zero-Noise Extrapolation - ZNE) नामक तकनीक का उपयोग किया। उन्होंने प्रयोग को विभिन्न "शोर स्तरों" पर चलाया और गणितीय रूप से अनुमान लगाया कि परिणाम क्या होता यदि ओवन एकदम सही होता।
- परिणाम: इसने उनकी त्रुटियों को आधा कर दिया! वे 30-कणों वाले सिस्टम के लिए एक थर्मल स्टेट तैयार करने में सफल रहे, जिससे सिद्ध हुआ कि उनका तरीका वास्तविक, अपूर्ण हार्डवेयर पर काम करता है।

बड़ी तस्वीर (The Big Picture)

यह क्यों मायने रखता है?

मटेरियल साइंस: हम विभिन्न तापमानों पर सामग्रियां कैसे व्यवहार करती हैं, इसका सिमुलेशन कर सकते हैं ताकि नए सुपरकंडक्टर्स या बैटरियों की खोज की जा सके।
AI: यह "क्वांटम बोल्ट्ज़मैन मशीनों" को प्रशिक्षित करने में मदद करता है, जो एक प्रकार का AI है जो डेटा से उसी तरह सीखता है जैसे हमारा मस्तिष्क सीखता है।
ऑप्टिमाइजेशन: यह "थर्मल सैंपलिंग" के माध्यम से सर्वोत्तम समाधान खोजकर जटिल पहेलियों (जैसे लॉजिस्टिक्स या फाइनेंस) को हल करने में मदद करता है।

संक्षेप में:
लेखकों ने एक हाइब्रिड सिस्टम बनाया है जहाँ एक क्लासिकल कंप्यूटर एक "स्मार्ट असिस्टेंट" के रूप में गणित के बिखरे हुए हिस्सों की गणना करता है, जबकि क्वांटम कंप्यूटर उस "शेफ" की तरह काम करता है जो वास्तव में अवस्था (state) को पकाता है। एक स्मार्ट, सरल रेसिपी (HEA) और एक शोर-रद्द करने वाली तकनीक (ZNE) का उपयोग करके, वे एक बहुत ही शोर वाले, वास्तविक दुनिया के ओवन पर एक परफेक्ट क्वांटम लोफ पकाने में सफल रहे। यह क्वांटम कंप्यूटरों को वास्तविक दुनिया को समझने के लिए उपयोगी बनाने की दिशा में एक बड़ा कदम है।

यहाँ शोध पत्र "Variational Thermal State Preparation on Digital Quantum Processors Assisted by Matrix Product States" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

परिमित तापमान (finite temperatures) पर क्वांटम गिब्स (थर्मल) अवस्थाओं की तैयारी क्वांटम कंप्यूटिंग में एक मौलिक चुनौती है, जो कंडेंस्ड मैटर सिस्टम के सिमुलेशन, क्वांटम बोल्ट्ज़मैन मशीनों के प्रशिक्षण और अनुकूलन समस्याओं (optimization problems) को हल करने के लिए आवश्यक है।

कंप्यूटेशनल कठिनाई (Computational Hardness): ग्राउंड स्टेट्स (ground states) की तैयारी QMA-हार्ड है; कम तापमान वाली गिब्स अवस्था की तैयारी भी समान रूप से कठिन मानी जाती है।
एन्ट्रॉपी की बाधा (The Entropy Bottleneck): थर्मल अवस्थाओं के लिए वेरिएशनल क्वांटम एल्गोरिदम (VQAs) आमतौर पर हेल्महोल्ट्त्ज़ फ्री एनर्जी (Helmholtz free energy) को कम करते हैं, $F(\rho) = E(\rho) - \beta^{-1}S(\rho)$ । जबकि ऊर्जा पद $E(\rho)$ को क्वांटम मापन के माध्यम से आसानी से अनुमानित किया जा सकता है, वॉन न्यूमैन एन्ट्रॉपी $S(\rho)$ की गणना करना संसाधन-गहन है, जिसके लिए आमतौर पर पूर्ण स्टेट टोमोग्राफी या स्टोकेस्टिक पुनर्निर्माण की आवश्यकता होती है, जो निकट-अवधि शोर वाले इंटरमीडिएट-स्केल क्वांटम (NISQ) उपकरणों पर अव्यवहार्य है।
स्केलेबिलिटी संबंधी मुद्दे (Scalability Issues): मौजूदा वेरिएशनल दृष्टिकोण सर्किट डेप्थ (circuit depth) की सीमाओं और हार्डवेयर पर एन्ट्रॉपी को कुशलतापूर्वक मूल्यांकन करने में असमर्थता के कारण छोटे सिस्टम (2–8 क्वबिट्स) तक ही सीमित हैं।

2. कार्यप्रणाली (Methodology)

लेखक एक हाइब्रिड क्लासिकल-क्वांटम फ्रेमवर्क प्रस्तावित करते हैं जो एन्ट्रॉपी की बाधा को दूर करने और स्केलेबल गिब्स अवस्था तैयारी को सक्षम करने के लिए मैट्रिक्स प्रोडक्ट स्टेट्स (MPS) का लाभ उठाता है।

A. MPS-सहायता प्राप्त वेरिएशनल एल्गोरिदम (MPS-Assisted Variational Algorithm)

एन्ट्रॉपी को क्वांटम डिवाइस पर मापने के बजाय, यह एल्गोरिदम कॉस्ट फंक्शन (cost function) का मूल्यांकन करने के लिए एक क्लासिकल MPS सिमुलेशन का उपयोग करता है:

प्यूरीफिकेशन (Purification): मिश्रित थर्मल अवस्था $\rho$ को एक विस्तारित हिल्बर्ट स्पेस (फिजिकल क्वबिट्स + एनसिला क्वबिट्स) पर एक शुद्ध अवस्था $|\psi\rangle$ के रूप में दर्शाया जाता है, ताकि $\rho = \text{Tr}_{\text{anc}}(|\psi\rangle\langle\psi|)$ हो सके।
सर्किट पैरामीटराइजेशन (Circuit Parameterization): एक पैरामीटराइज्ड क्वांटम सर्किट (ansatz) शुद्ध अवस्था $|\psi(\theta)\rangle$ को तैयार करता है।
क्लासिकल मूल्यांकन (Classical Evaluation): अवस्था $|\psi(\theta)\rangle$ $∣ ψ (θ)⟩$ को क्लासिकली एक MPS प्रतिनिधित्व में मैप किया जाता है।
- ऊर्जा (Energy): हैमिल्टोनियन (जो मैट्रिक्स प्रोडक्ट ऑपरेटर के रूप में दर्शाया गया है) के साथ MPS के कॉन्ट्रैक्शन द्वारा कंप्यूट की जाती है।
- एन्ट्रॉपी (Entropy): फिजिकल-एनसिला बाइपार्टिशन (bipartition) के माध्यम से MPS के श्मिट डिकम्पोजिशन (Schmidt decomposition) के माध्यम से कुशलतापूर्वक कंप्यूट की जाती है। रिड्यूस्ड डेंसिटी मैट्रिक्स के आइजनवैल्यू (eigenvalues) श्मिट गुणांकों के वर्ग ( $p_i = \lambda_i^2$ ) होते हैं, जिससे बिना क्वांटम मापन के $S(\rho) = -\sum p_i \ln p_i$ की गणना की जा सकती है।
ऑप्टिमाइजेशन (Optimization): एक क्लासिकल ऑप्टिमाइज़र (COBYLA) फ्री एनर्जी को कम करने के लिए पैरामीटर्स $\theta$ को पुनरावृत्ति से अपडेट करता है।
निष्पादन (Execution): एक बार जब इष्टतम पैरामीटर्स $\theta^*$ मिल जाते हैं, तो अनुमानित गिब्स अवस्था तैयार करने और ऑब्जर्वेबल्स (observables) को मापने के लिए सर्किट को वास्तविक क्वांटम डिवाइस पर निष्पादित किया जाता है।

B. एन्सैट चयन: HEA बनाम TFDA (Ansatz Selection: HEA vs. TFDA)

यह शोध पत्र दो एन्सैट्स की तुलना करता है:

थर्मोफील्ड डबल एन्सैट (TFDA): यह भौतिक रूप से प्रेरित है, जो एक अधिकतम एंटेंगल्ड अवस्था से शुरू होता है। यह उच्च तापमान पर अच्छा प्रदर्शन करता है लेकिन कम तापमान पर सिस्टम को डिसेंटैंगल (disentangle) करने के लिए गहरे सर्किट और कई लेयर्स की आवश्यकता होती है, जिससे यह NISQ उपकरणों के लिए कम उपयुक्त हो जाता है।
हार्डवेयर-एफिशिएंट एन्सैट (HEA): यह डिवाइस कनेक्टिविटी के अनुकूल स्थानीय रोटेशन और एंटेंगलिंग गेट्स से बना है।
- निष्कर्ष: HEA, TFDA की तुलना में कम तापमान (बड़े $\beta$ ) पर बेहतर प्रदर्शन करता है। चूंकि कम तापमान वाली थर्मल अवस्थाओं में कम एंटेंगमेंट होता है (एरिया लॉ का पालन करते हुए), उथला (shallow) HEA उन्हें प्रभावी ढंग से अनुमानित कर सकता है। लेखक बड़े पैमाने के सिमुलेशन के लिए HEA का चयन करते हैं।

3. मुख्य योगदान (Key Contributions)

नवीन फ्रेमवर्क: क्वांटम टोमोग्राफी की आवश्यकता को दरकिनार करते हुए, वेरिएशनल गिब्स अवस्था तैयारी लूप के भीतर शास्त्रीय एन्ट्रॉपी मूल्यांकन के लिए MPS का एकीकरण।
स्केलेबिलिटी: 30 साइट्स तक के 1D सिस्टम और 6 × 6 साइट्स तक के 2D सिस्टम (सिमुलेशन में 44 क्वबिट्स तक का उपयोग करके) के लिए गिब्स अवस्थाओं को सिमुलेट करने और तैयार करने की क्षमता प्रदर्शित की गई।
हार्डवेयर प्रदर्शन: 156-क्वबिट IBM Heron प्रोसेसर (ibm_kingston) पर 30-साइट ट्रांसवर्स-फील्ड आइसोइंग मॉडल (TFIM) के गिब्स अवस्था की तैयारी को सफलतापूर्वक निष्पादित किया गया।
एरर मिटिगेशन (Error Mitigation): अनमिटिगेटेड (unmitigated) परिणामों की तुलना में ऊर्जा और ससेप्टिबिलिटी (susceptibility) मापन में सापेक्ष त्रुटियों को 50% से अधिक कम करने के लिए जीरो-नॉइज़ एक्सट्रैपोलेशन (ZNE) लागू किया गया।

4. परिणाम (Results)

A. नॉइलेस सिमुलेशन (क्लासिकल) (Noiseless Simulations - Classical)

परीक्षण किए गए मॉडल: 1D और 2D ट्रांसवर्स-फील्ड आइसोइंग मॉडल (TFIM) और 1D XXZ मॉडल।
ऑब्जर्वेबल्स (Observables): ऊर्जा घनत्व, चुंबकीय ससेप्टिबिलिटी, विशिष्ट ऊष्मा (specific heat), और टू-पॉइंट कोरिलेशन फंक्शन्स।
प्रदर्शन रुझान (Performance Trends):
- निम्न तापमान ( $\beta > 2$ ): HEA उच्च फिडेलिटी प्राप्त करता है, जिसमें ऊर्जा अनुमान सटीक विश्लेषणात्मक परिणामों (1D) या क्वांटम मोंटे कार्लो (QMC) बेंचमार्क (2D) के बहुत करीब होते हैं।
- मध्यवर्ती तापमान ( $\beta \approx 1$ ): सटीकता कम हो जाती है। इस क्षेत्र में कई आइजनस्टेट्स का एक जटिल मिश्रण शामिल है जिनके भार (weights) तुलनीय हैं, जो सीमित-डेप्थ एन्सैट्स के लिए चुनौतीपूर्ण है।
- उच्च तापमान: TFDA बेहतर प्रदर्शन करता है, लेकिन पर्याप्त एनसिला क्वबिट्स के साथ HEA भी व्यवहार्य रहता है।
- ऑपरेटर लोकैलिटी (Operator Locality):
  - ऊर्जा: सभी तापमानों पर अत्यधिक सटीक है।
  - ससेप्टिबिलिटी: मध्यवर्ती तापमान पर 1D में ऊर्जा की तुलना में कम सटीक है क्योंकि यह लंबी दूरी (long-range) की प्रकृति (सभी टू-पॉइंट कोरिलेशन का योग) रखती है।
  - विशिष्ट ऊष्मा (Specific Heat): सबसे कम सटीक ऑब्जर्वेबल है। यह हैमिल्टोनियन के वेरियेंस (variance) पर निर्भर करता है (जो कि एक 4-लोकल ऑपरेटर है), जिससे यह स्टेट प्रिपरेशन एरर्स के प्रति अत्यधिक संवेदनशील हो जाता है और इसके लिए उच्च परिशुद्धता की आवश्यकता होती है।

B. क्वांटम हार्डवेयर प्रयोग (Quantum Hardware Experiments)

सेटअप: IBM Heron पर 4 एनसिला क्वबिट्स और $L=3$ लेयर्स के साथ 30-स्पिन 1D TFIM।
एरर मिटिगेशन:
- परीक्षण किए गए तकनीकों में पॉली टवर्लिंग (Pauli twirling), प्रोबेबिलिस्टिक एरर कैंसिलेशन (PEC), और डायनेमिक सर्किट्स शामिल थे।
- ZNE सबसे प्रभावी था। शोर को बढ़ाने ( $\lambda = 1, 3, 5$ $λ = 1, 3, 5$ ) के लिए टू-क्वॉबी गेट्स को फोल्ड करके और जीरो-नॉइज़ लिमिट तक एक्सट्रैपोलेट करके, लेखकों ने प्राप्त किया:
  - ऊर्जा: ~5.6% औसत सापेक्ष त्रुटि (11.4% से घटकर)।
  - ससेप्टिबिलिटी: ~19.1% औसत सापेक्ष त्रुटि (38.9% से घटकर)।
अवलोकन: ससेप्टिबिलिटी अनुमान ऊर्जा अनुमानों की तुलना में अधिक त्रुटि-प्रवण (error-prone) रहे, जो लंबी दूरी के ऑपरेटरों की शोर के प्रति संवेदनशीलता की पुष्टि करता है।

5. महत्व और भविष्य की राह (Significance and Outlook)

अंतर को पाटना: यह कार्य 2–8 क्वबिट सीमा से आगे बढ़कर, पहले के कार्यों की तुलना में 30+ क्वबिट्स के आकार के लिए उपलब्ध सिस्टमों पर NISQ उपकरणों पर थर्मल अवस्थाओं को तैयार करने के लिए एक व्यावहारिक मार्ग प्रदर्शित करता है।
दक्षता: कठिन एन्ट्रॉपी गणना को क्लासिकल MPS सिमुलेशन पर ऑफलोड करके, यह विधि उन अन्य वेरिएशनल थर्मल स्टेट विधियों के "मेजरमेंट ओवरहेड" से बचती है जो अन्य विधियों को परेशान करती है।
भविष्य की दिशाएं:
- मध्यवर्ती तापमान: यह विधि $\beta \sim 1/\Delta$ (जहाँ थर्मल ऊर्जा एक्साइटेशन गैप से मेल खाती है) पर संघर्ष करती है। भविष्य के कार्य के लिए समस्या-सूचित एन्सैट्स (जैसे, DMRG अवस्थाओं के साथ इनिशियलाइज़ करना) या बेहतर एरर मिटिगेशन के साथ गहरे सर्किट की आवश्यकता हो सकती है।
- टेंसर नेटवर्क टोमोग्राफी: लेखक सीधे हार्डवेयर मेजरमेंट्स से अवस्थाओं को पुनर्गठित करने के लिए MPS टोमोग्राफी का उपयोग करने का सुझाव देते हैं, जो गहरे क्लासिकल सर्किट के सिमुलेशन की आवश्यकता को समाप्त कर सकता है।
- एल्गोरिद्मिक सुधार: लेयर-वाइज ट्रेनिंग या बेहतर इनिशियलाइज़ेशन रणनीतियों के माध्यम से गहरे सर्किट्स में "बैरन प्लेटो" (barren plateaus) को संबोधित करना।

निष्कर्षतः, यह शोध पत्र स्थापित करता है कि वेरिएशनल क्वांटम एल्गोरिदम को टेंसर नेटवर्क (MPS) तकनीकों के साथ जोड़ना वर्तमान हार्डवेयर पर परिमित-तापमान वाली क्वांटम अवस्थाओं को तैयार करने और लक्षण वर्णन करने के लिए एक मजबूत रणनीति है, बशर्ते कि उपयुक्त एरर मिटिगेशन और एन्सैट चयन (निम्न तापमान के लिए HEA को प्राथमिकता देना) का उपयोग किया जाए।