⚛️ quantum physics

Resource-Efficient Quantum Optimization via Higher-Order Encoding

यह शोध पत्र प्रदर्शित करता है कि हायर-ऑर्डर अनकन्स्ट्रेंड बाइनरी ऑप्टिमाइज़ेशन (HUBO), कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन समस्याओं के लिए पारंपरिक QUBO फॉर्मुलेशनों की तुलना में एक काफी अधिक संसाधन-कुशल विकल्प प्रदान करता है, जो निकट-अवधि क्वांटम उपकरणों पर इसके उपयोग को सुगम बनाने के लिए एक ओपन-सोर्स लाइब्रेरी प्रदान करते हुए क्यूबिट और CNOT गेट गणनाओं में पर्याप्त कमी लाता है।

मूल लेखक: Frederik Koch, Shahram Panahiyan, Rick Mukherjee, Joseph Doetsch, Dieter Jaksch

प्रकाशित 2026-06-08

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Frederik Koch, Shahram Panahiyan, Rick Mukherjee, Joseph Doetsch, Dieter Jaksch

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 बहुत बड़े, जटिल पहेली को हल करने की कोशिश कर रहे हैं। क्वांटम कंप्यूटिंग की दुनिया में, इस पहेली को कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन प्रॉब्लम (Combinatorial Optimization Problem) कहा जाता है। यह कुछ इस तरह है जैसे यह पता लगाने की कोशिश करना कि हवाई जहाजों को एयरपोर्ट गेट्स पर असाइन करने का सबसे सही तरीका क्या है, या किसी मानचित्र को इस तरह रंगना कि छूने वाले देशों का रंग एक जैसा न हो, या पैसे बचाने के लिए किसी फैक्ट्री की उत्पादन लाइन को शेड्यूल करना।

लंबे समय से, वैज्ञानिक इन पहेलियों को हल करने के लिए एक विशिष्ट विधि का उपयोग करते आए हैं जिसे QUBO (क्वाड्रेटिक अनकन्स्ट्रेंड बाइनरी ऑप्टिमाइज़ेशन) कहा जाता है। QUBO को एक बहुत ही सख्त, कठोर तरीके के रूप में समझें जिससे आप अपनी पहेली को उस भाषा में अनुवादित करते हैं जिसे क्वांटम कंप्यूटर समझ सके।

पुराने तरीके के साथ समस्या (QUBO)

यह पेपर तर्क देता है कि QUBO विधि वैसी ही है जैसे हर एक वस्तु को उसके अपने व्यक्तिगत, बड़े बॉक्स में जबरदस्ती फिट करने की कोशिश करके एक सूटकेस पैक करना।

बहुत अधिक बॉक्स (Qubits): यदि आपके पास एक वेरिएबल है जो 10 अलग-अलग मान (जैसे 10 अलग-अलग एयरपोर्ट गेट) ले सकता है, तो QUBO उस एक विकल्प को दर्शाने के लिए ही आपको 10 अलग-अलग "बॉक्स" (क्वांटम बिट्स या क्यूबिट्स) का उपयोग करने के लिए मजबूर करता है।
बहुत अधिक गोंद (Penalty Terms): यह सुनिश्चित करने के लिए कि कंप्यूटर एक समय में दो बॉक्स न चुन ले (जो कि एक गलती होगी), आपको भारी "गोंद" जिसे पेनल्टी टर्म्स कहा जाता है, जोड़ना पड़ता है। यह गोंद निर्देशों (क्वांटम सर्किट) को अविश्वसनीय रूप से लंबा और जटिल बना देता है।
परिणाम: क्वांटम कंप्यूटर अभिभूत हो जाता है। उसे उन निर्देशों के लिए बहुत सारे हिस्सों (क्यूबिट्स) की आवश्यकता होती है और बहुत सारे जटिल मूव्स (गेट्स) करने पड़ते हैं, जो कि एक ऐसी समस्या को हल करने के लिए है जो वास्तव में इतनी बड़ी भी नहीं है।

नया समाधान: HUBO

लेखक इस पेपर में HUBO (हायर-ऑर्डर अनकन्स्ट्रेंड बाइनरी ऑप्टिमाइज़ेशन) नामक एक स्मार्ट तरीका पेश करते हैं।

HUBO को उसी सूटकेस को कंप्रेशन बैग्स का उपयोग करके पैक करने के रूप में समझें। हर वस्तु को उसके अपने बड़े बॉक्स में देने के बजाय, आप विकल्पों को दर्शाने के लिए एक संक्षिप्त बाइनरी कोड (जैसे एक डिजिटल ज़िप फ़ाइल) का उपयोग करते हैं।

कम बॉक्स: यदि आपके पास 10 विकल्प हैं, तो HUBO को 10 बॉक्स की आवश्यकता नहीं है। इसे केवल लगभग 4 बॉक्स की आवश्यकता है (क्योंकि $2^4 = 16$ , जो 10 को कवर करता है)। यह कंप्यूटर की प्राकृतिक "बाइनरी" भाषा का अधिक कुशलता से उपयोग करता है।
कोई अतिरिक्त गोंद नहीं: क्योंकि एनकोडिंग बहुत स्मार्ट है, कंप्यूटर स्वाभाविक रूप से समझ जाता है कि वह एक समय में केवल एक ही मान चुन सकता है। आपको गलतियाँ रोकने के लिए उन भारी, महंगे पेनल्टी टर्म्स को जोड़ने की आवश्यकता नहीं है।
परिणाम: निर्देश बहुत छोटे हो जाते हैं, और क्वांटम कंप्यूटर को काम करने के लिए बहुत कम हिस्सों की आवश्यकता होती है।

उन्होंने वास्तव में क्या किया

शोधकर्ताओं ने केवल चर्चा नहीं की; उन्होंने वास्तविक दुनिया के तीन प्रकार के पहेलियों पर इसे टेस्ट किया:

गेट असाइनमेंट (GAP): यात्रियों के चलने का समय कम करने के लिए विमानों को एयरपोर्ट गेट्स असाइन करना।
ग्राफ कलरिंग (MkCS): एक मानचित्र को इस तरह रंगना कि पड़ोसी देश एक ही रंग के न हों।
इंटिजर प्रोग्रामिंग (IP): संसाधनों को अनुकूलित करने के लिए एक सामान्य गणितीय समस्या।

उन्होंने अपने नए "HUBO" तरीके की तुलना एक लोकप्रिय क्वांटम एल्गोरिदम QAOA का उपयोग करके पुराने "QUBO" तरीके से की।

परिणाम: एक बड़ी जीत

निष्कर्ष नाटकीय थे। HUBO में स्विच करके:

कम हिस्सों की आवश्यकता: उन्हें काफी कम क्यूबिट्स (कंप्यूटर के बुनियादी निर्माण खंड) की आवश्यकता थी।
बहुत कम मूव्स: सबसे महत्वपूर्ण खोज "CNOT गेट्स" (क्वांटम कंप्यूटरों को करने वाले एक विशिष्ट प्रकार के मूव) की संख्या में थी। HUBO विधि ने सभी परीक्षणों में इन मूव्स की संख्या को कम से कम 89.6% कम कर दिया। कुछ मामलों में, यह लगभग 100% की कमी थी।
बेहतर समाधान: न केवल यह चलाने में सस्ता था, बल्कि HUBO विधि ने QUBO विधि की तुलना में बेहतर उत्तर भी खोजे, भले ही दोनों को समान समय दिया गया हो।

मुख्य बात (The Takeaway)

पेपर यह निष्कर्ष निकालता है कि आज के क्वांटम कंप्यूटरों के लिए (और जो जल्द ही आने वाले हैं), पुराना QUBO तरीका बहुत भारी और अपव्ययी है। नया HUBO तरीका एक "लाइटवेट" विकल्प है जो वर्तमान हार्डवेयर पर बेहतर तरीके से फिट बैठता है।

अन्य लोगों को इसका उपयोग करने में मदद करने के लिए, लेखकों ने एक मुफ्त, ओपन-सोर्स सॉफ्टवेयर टूल (एक पायथन लाइब्रेरी जिसे PyHUBO कहा जाता है) भी जारी किया है जो इन जटिल समस्याओं को कुशल HUBO प्रारूप में स्वचालित रूप से अनुवादित करता है, ताकि अन्य वैज्ञानिक और इंजीनियर तुरंत इस संसाधन-बचत विधि का उपयोग करना शुरू कर सकें।

संक्षेप में: उन्होंने जटिल पहेलियों को हल करने के लिए क्वांटम निर्देशों को छोटा करने का एक तरीका खोजा है, जिससे यह बहुत अधिक संभव हो जाता है कि हम आज के क्वांटम कंप्यूटरों पर वास्तविक दुनिया की समस्याओं को वास्तव में हल कर सकें।

तकनीकी सारांश: उच्च-क्रम एन्कोडिंग के माध्यम से संसाधन-कुशल क्वांटम अनुकूलन

समस्या विवरण
संयोजन अनुकूलन समस्याएँ (Combinatorial Optimization Problems - COPs) लॉजिस्टिक्स से लेकर कम्प्यूटेशनल बायोलॉजी जैसे क्षेत्रों में केंद्रीय हैं, लेकिन ये अक्सर NP-hard होती हैं, जिससे समस्या का आकार बढ़ने पर वे शास्त्रीय सॉल्वर (classical solvers) के लिए कम्प्यूटेशनल रूप से अव्यहार्य (intractable) हो जाती हैं। क्वांटम एल्गोरिदम, विशेष रूप से क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन एल्गोरिदम (QAOA), इन चुनौतियोंों को संबोधित करने के लिए एक संभावित मार्ग प्रदान करते हैं। हालाँकि, वर्तमान क्वांटम दृष्टिकोण अक्सर क्वाड्रेटिक अनकन्स्ट्रेंड बाइनरी ऑप्टिमाइज़ेशन (QUBO) स्वरूपणों की संसाधन मांगों के कारण बाधित होते हैं। मानक QUBO एन्कोडिंग, जैसे कि वन-हॉट (One-Hot) एन्कोडिंग, में चरों की संख्या ( $n$ ) और प्रत्येक चर के संभावित मानों की संख्या ( $m$ ) दोनों के रैखिक (linear) में क्यूबिट्स की आवश्यकता होती है, जिसके परिणामस्वरूप $n \times m$ क्यूबिट्स की आवश्यकता होती है। इसके अलावा, QUBO में बाधाओं (constraints) को लागू करने के लिए बड़े पेनल्टी टर्म्स की आवश्यकता होती है, जो सर्किट की गहराई और टू-क्यूबिट CNOT गेट्स की संख्या को बढ़ा देते हैं, जिससे कई व्यावहारिक समस्याएँ निकट-अवधि (near-term) के क्वांटम हार्डवेयर पर अव्यवहार्य हो जाती हैं।

कार्यप्रणाली
लेखक संसाधन बाधाओं को कम करने के लिए हायर-ऑर्डर अनकन्स्ट्रेंड बाइनरी ऑप्टिमाइज़ेशन (HUBO) का उपयोग करने वाला एक व्यवस्थित ढांचा प्रस्तावित करते हैं। कार्यप्रणाली में तीन प्राथमिक घटक शामिल हैं:

बाइनरी एन्कोडिंग बनाम वन-हॉट एन्कोडिंग: वन-हॉट एन्कोडिंग (जहाँ प्रत्येक चर-मान युग्म एक अलग क्यूबिट है) के बजाय, लेखक बाइनरी एन्कोडिंग का उपयोग करते हैं। यहाँ, प्रत्येक चर $i$ को $d = \lceil \log_2(m) \rceil$ बिट्स के एक संक्षिप्त बाइनरी रजिस्टर द्वारा दर्शाया जाता है। यह क्यूबिट की आवश्यकता को $n \times m$ से घटाकर $n \times \lceil \log_2(m) \rceil$ कर देता है।
HUBO हैमिल्टोनियन निर्माण: लेखक प्रदर्शित करते हैं कि यह बाइनरी एन्कोडिंग स्वाभाविक रूप से उच्च-क्रम के इंटरैक्शन टर्म्स वाले HUBO हैमिल्टोनियन की ओर ले जाती है (क्रम $2 \times d$ तक)। QUBO के विपरीत, जिसमें "वन-हॉट" बाधा (कि एक चर केवल एक मान ले) को लागू करने के लिए पेनल्टी टर्म्स की आवश्यकता होती है, बाइनरी एन्कोडिंग स्वाभाविक रूप से एकल-मान असाइनमेंट का सम्मान करती है। बाधाओं (जैसे, $s_i \neq s_j$ ) को सीधे हैमिल्टोनियन में या पेनल्टी टर्म्स के माध्यम से शामिल किया जाता है जिन्हें वेरिएबल स्पेस को विस्तारित करने की आवश्यकता नहीं होती है।
सर्किट कंपाइलेशन: जबकि उच्च-क्रम के टर्म्स औपचारिक रूप से मल्टी-क्यूबिट इंटरैक्शन का संकेत देते हैं, लेखक दिखाते हैं कि इन्हें पूरी तरह से मानक सिंगल- और टू-क्यूबिट गेट्स में संकलित किया जा सकता है। वे कॉस्ट यूनिटरी $e^{-i\gamma \hat{H}_C}$ को लागू करने के लिए ग्रे-कोड आधारित सर्किट सिंथेसिस (वेलच एट अल. का अनुसरण करते हुए) का उपयोग करते हैं। यह दृष्टिकोण एक टर्म के लिए उत्पन्न पेरिटी स्टेट्स का उपयोग दूसरे टर्म के निर्माण में सहायता के लिए करके अनावश्यक ऑपरेशन्स को कम करता है, यह सुनिश्चित करते हुए कि एसिम्प्टोटिक (asymptotic) CNOT गेट काउंट $O(n^2 m^2)$ के रूप में स्केल करता है, जो QUBO के तुलनीय है लेकिन व्यवहार में काफी कम स्थिरांक कारकों (constant factors) के साथ है।

लेखक PyHUBO भी पेश करते हैं, जो एक ओपन-सोर्स पायथन लाइब्रेरी है जो वॉल्श-हाडामार्ड ट्रांसफॉर्म का उपयोग करके HUBO हैमिल्टोनियन के निर्माण और उनके गुणांकों की गणना को स्वचालित करती है, जिससे संख्यात्मक जटिलता (numerical complexity) समस्या के आकार के साथ बहुपद (polynomial) रूप से स्केल होती है।

प्रमुख योगदान

व्यवस्थित ढांचा: बाइनरी एन्कोडिंग का उपयोग करके COPs को HUBO हैमिल्टोनियन में मैप करने की एक सामान्य विधि, जो वन-हॉट या संबंधित बाधाओं वाली समस्याओं के लिए लागू है।
संसाधन न्यूनीकरण: एक प्रदर्शन कि HUBO स्वरूपण क्यूबिट काउंट और विशेष रूप से QAOA निष्पादन के लिए आवश्यक कुल CNOT गेट्स की संख्या को महत्वपूर्ण रूप से कम करता है।
सॉफ्टवेयर टूल: क्वांटम समुदाय में HUBO मॉडलों को अपनाने की सुविधा के लिए PyHUBO का विमोचन।
बेंचमार्किंग: तीन विशिष्ट COP वर्गों पर व्यापक मूल्यांकन: गेट असाइनमेंट प्रॉब्लम (GAP), मैक्सिमम k-कलरबल सबग्राफ (MkCS), और इंटीजर प्रोग्रामिंग (IP)।

परिणाम
लेखकों ने तीन चयनित समस्या वर्गों पर QUBO और HUBO एन्कोडिंग का उपयोग करके QAOA का बेंचमार्किंग किया। परिणाम HUBO के लिए पर्याप्त संसाधन बचत दर्शाते हैं:

क्यूबिट दक्षता: HUBO क्यूबिट आवश्यकताओं को $O(nm) $से घटाकर$ O(n \log m)$ कर देता है।
गेट काउंट में कमी: परीक्षण किए गए सभी उदाहरणों के लिए, HUBO ने कुल CNOT गेट काउंट को कम से कम 89.6% कम कर दिया। विशिष्ट मामलों में, जैसे कि इंटीजर प्रोग्रामिंग बेंचमार्क, कमी 97.1% तक पहुँच गई।
समाधान की गुणवत्ता: QAOA परतों की एक निश्चित संख्या के लिए, HUBO-QAOA ने लगातार QUBO-QAOA की तुलना में बेहतर एप्रोक्सिमेशन रेश्यो (इष्टतम समाधान के करीब) प्राप्त किया। उदाहरण के लिए, GAP बेंचमार्क में, HUBO ने 12.1 मिनट का औसत ऑब्जेक्टिव वैल्यू प्राप्त किया, जबकि QUBO के लिए यह 15.8 मिनट था।
अभिसरण (Convergence): HUBO-QAOA ने काफी कम कुल गेट्स के साथ लक्षित एप्रोक्सिमेशन रेश्यो प्राप्त किया। IP बेंचमार्क में, HUBO ने 1 लेयर के साथ 0.60 का लक्षित रेश्यो प्राप्त किया, जबकि QUBO को 10 लेयर्स की आवश्यकता थी, जिसके परिणामस्वरूप QUBO ने 31.6 गुना अधिक CNOT गेट्स और 24.5 गुना अधिक RZ गेट्स का उपभोग किया।
स्केलेबिलिटी: HUBO का संसाधन लाभ बढ़ता गया और समस्या का आकार बढ़ने के साथ अक्सर बढ़ता हुआ देखा गया, जहाँ HUBO उन समस्या आकारों के लिए भी व्यवहार्य रहा जहाँ अत्यधिक संसाधन आवश्यकताओं के कारण QUBO-QAOA कम्प्यूटेशनल रूप से अव्यवहार्य हो गया।

महत्व
यह शोध पत्र तर्क देता है कि HUBO स्वरूपण निकट-अवधि के उपकरणों पर क्वांटम अनुकूलन के लिए एक व्यावहारिक विकल्प प्रदान करते हैं। इस अंतर्ज्ञान के विपरीत कि उच्च-क्रम इंटरैक्शन हार्डवेयर की मांगों को बढ़ा देंगे, लेखक दिखाते हैं कि पेनल्टी टर्म्स को हटाने और वेरिएबल प्रतिनिधित्व के संपीड़न से सर्किट जटिलता में शुद्ध कमी आती है। क्यूबिट और CNOT आवश्यकताओं को महत्वपूर्ण रूप से कम करके, HUBO एन्कोडिंग उन संसाधन बाधाओं को कम करने में मदद करती है जो वर्तमान में वास्तविक दुनिया की औद्योगिक समस्याओं को लागू करने वाले क्वांटम एल्गोरिदम को सीमित करती हैं। लेखक निष्कर्ष निकालते हैं कि जैसे-जैसे क्वांटम तकनीक उन्नत होती है और समस्या का आकार बढ़ता है, इस प्रकार के संसाधन-कुशल तरीके तेजी से महत्वपूर्ण होते जा रहे हैं, जो उद्योग और अनुसंधान में अधिक व्यवहार्य अनुप्रयोगों को सक्षम करते हैं।

पुराने तरीके के साथ समस्या (QUBO)

नया समाधान: HUBO

उन्होंने वास्तव में क्या किया

परिणाम: एक बड़ी जीत

मुख्य बात (The Takeaway)

इसी तरह के और पेपर