⚛️ quantum physics

Sparse quantum state preparation with improved Toffoli cost

यह शोध पत्र $n$ क्विबिट्स पर $s$ -स्पार्स क्वांटम अवस्थाओं को तैयार करने के लिए एक अनुकूलित एल्गोरिदम प्रस्तुत करता है जो एक अधिक कुशल आइसोमेट्री सर्किट को डिजाइन करके और डेंस-स्टेट तैयारी चरण को संयुक्त रूप से अनुकूलित करके टोफ़ोली गेट लागत को काफी कम कर देता है, जिससे लगभग $2s$ की वर्स्ट-केस लागत और अत्याधुनिक विधियों की तुलना में $\log(s)/2$ का सुधार प्राप्त होता है।

मूल लेखक: Felix Rupprecht, Sabine Wölk

प्रकाशित 2026-01-15

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Felix Rupprecht, Sabine Wölk

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 पुस्तकालय को व्यवस्थित करने की कोशिश कर रहे हैं जिसमें अरबों पुस्तकें (क्वांटम अवस्थाएँ/quantum states) हैं। लेकिन आपको केवल उन कुछ विशिष्ट पुस्तकों के एक बहुत छोटे संग्रह की परवाह है—शायद अरबों में से केवल कुछ सौ। क्वांटम कंप्यूटिंग की दुनिया में, कंप्यूटर को केवल इन विशिष्ट "पुस्तकों" (क्वांटम अवस्थाओं) को रखने के लिए सेट करने का एक तरीका खोजने का एक बड़ा प्रयास है, ताकि समय और ऊर्जा बर्बाद न हो। इस प्रक्रिया को स्पार्स क्वांटम स्टेट प्रिपरेशन (Sparse Quantum State Preparation) कहा जाता है।

रुप्रेक्ट और वोल्क (Rupprecht and Wölk) का शोध पत्र इस काम को करने के लिए एक तेज़, अधिक कुशल "रोबोट लाइब्रेरियन" बनाने के बारे में है। उन्होंने इसे कैसे किया, इसका सरल विवरण यहाँ दिया गया है:

दो-चरणीय नृत्य (The Two-Step Dance)

लेखक एक दो-चरणीय रणनीति का उपयोग करते हैं जिसका उपयोग अन्य शोधकर्ताओं ने पहले भी किया है, लेकिन उन्होंने दूसरे चरण को बहुत तेज़ बना दिया है।

चरण 1: "सघन" तैयारी (एक कच्चा मसौदा): सबसे पहले, रोबोट उन कुछ पुस्तकों के बारे में सारी जानकारी वाली एक छोटी, प्रबंधनीय सूची तैयार करता है जिन्हें आप चाहते हैं। इसे एक छोटी नोटबुक पर एक कच्चा मसौदा लिखने के रूप में समझें।
चरण 2: "आइसोमेट्री" (अंतिम प्रतिलेखन): यह कठिन हिस्सा है। रोबोट को उस छोटी नोटबुक को जादुई रूप से विशाल पुस्तकालय के पूर्ण, सही प्रारूप में विस्तारित करना होगा, जबकि खाली अलमारियों को अनदेखा करते हुए सही पुस्तकों को सही स्थानों पर रखना होगा।

समस्या: पिछले तरीकों में, चरण 2 एक धीमा, भद्दा सा काम था। आप जितनी पुस्तकें चाहते थे, हर एक पुस्तक के लिए, रोबोट को चलकर जाना पड़ता था, एक शेल्फ की जांच करनी पड़ती थी और एक जटिल, महंगी प्रक्रिया (जिसे "टोफ़ोली गेट" कहा जाता है) करनी पड़ती थी। यदि आपके पास 1,000 पुस्तकें होतीं, तो इसमें लगभग 1,000 गुना अधिक प्रयास लगता।

नवाचार: "बैचिंग" का तरीका (The "Batching" Trick)

लेखकों ने महसूस किया कि उन्हें किताबें एक-एक करके ले जाने की ज़रूरत नहीं है। इसके बजाय, उन्होंने उन्हें बैच (batches) में ले जाने का एक नया तरीका निकाला।

पुराना तरीका: कल्पना करें कि आप 100 बॉक्स ले जा रहे हैं। आप एक बॉक्स उठाते हैं, शेल्फ तक जाते हैं, उसे रखते हैं, वापस आते हैं, अगला बॉक्स उठाते हैं। इसमें बहुत समय लगता है।
नया तरीका: लेखकों ने एक विशेष कन्वेयर बेल्ट सिस्टम (जिसे पार्शियल यूनरी इटरेशन (Partial Unary Iteration) सर्किट कहा जाता है) डिज़ाइन किया। एक-एक करके आने-जाने के बजाय, रोबोट बक्सों का एक पूरा समूह (एक बैच) एक साथ पकड़ता है और उन्हें एक साथ उनके सही स्थानों पर स्लाइड कर देता है।

वे इसे एक "बैच" दृष्टिकोण कहते हैं। काम को समूहों में बांटकर, उन्होंने महंगी प्रक्रियाओं (टोफ़ोली गेट्स) की संख्या को काफी कम कर दिया।

"अनरिस्ट्रिक्टेड" शॉर्टकट (The "Unrestricted" Shortcut)

इस बैच सिस्टम को और भी तेज़ बनाने के लिए, उन्होंने एक चतुर शॉर्टकट पेश किया जिसे "अनरिस्ट्रिक्टेड" (Unrestricted) विधि कहा जाता है।

उपमा: कल्पना करें कि आप घरों की एक पंक्ति को पेंट कर रहे हैं। सख्त नियम (Restricted) कहता है, "आपको केवल घर नंबर 1 से 10 तक पेंट करना चाहिए, और आपको ठीक घर 10 पर रुकना चाहिए।"
शॉर्टकट: लेखकों ने कहा, "क्या होगा यदि हम घर 1 से 10 को पेंट करते हैं, लेकिन हमारा ब्रश गलती से घर 11 पर थोड़ा सा पेंट गिरा देता है? कोई बात नहीं! जब तक हमें पता है कि अगले बैच में जाने पर घर 11 को सही ढंग से पेंट किया जाएगा, हम अभी के लिए इस ड्रिप (बिखराव) को अनदेखा कर सकते हैं।"

यह "अनरिस्ट्रिक्टेड" दृष्टिकोण रोबोट को थोड़ा अव्यवस्थित लेकिन बहुत तेज़ काम करने की अनुमति देता है, जिससे काफी समय और ऊर्जा बचती है। उन्होंने गणितीय रूप से सिद्ध किया कि इससे पिछले सर्वोत्तम तरीकों की तुलना में लगभग आधी मेहनत बचती है।

"वास्तविक" संख्याओं को संभालना (Handling "Real" Numbers)

शोध पत्र ने एक विशिष्ट प्रकार के डेटा के लिए एक विशेष ट्रिक भी खोजी: वास्तविक संख्याएँ (Real Numbers) (बिना काल्पनिक भागों वाली संख्याएँ, जैसे 5.0 या -2.5)।

मानक प्रक्रिया में, रोबोट को अंत में एक अंतिम "साइन चेक" (चिह्न जांच) करना पड़ता है ताकि यह सुनिश्चित हो सके कि संख्याएँ सही ढंग से धनात्मक या ऋणात्मक हैं। यह एक अंतिम गुणवत्ता नियंत्रण निरीक्षण की तरह है।
लेखकों ने महसूस किया कि वे इस अंतिम निरीक्षण चरण को पूरी तरह से छोड़ सकते हैं। इसके बजाय, उन्होंने "साइन चेक" को सीधे बैच-मूविंग प्रक्रिया (चरण 2) में ही शामिल कर दिया। यह इन वास्तविक-संख्या अवस्थाओं के लिए और भी अधिक समय बचाता है।

मुख्य निष्कर्ष (The Bottom Line)

उन्होंने क्या हासिल किया: उन्होंने एक नया एल्गोरिदम बनाया जो पहले की तुलना में काफी कम महंगी प्रक्रियाओं (टोफ़ोली गेट्स) का उपयोग करके विशिष्ट क्वांटम अवस्थाओं को तैयार करता है।
परिणाम: बड़े सिस्टम के लिए, उनकी विधि पिछले सर्वोत्तम तरीकों की तुलना में लगभग आधे संसाधनों का उपयोग करती है। कुछ रैंडम टेस्ट में, यह सैद्धांतिक न्यूनतम के और भी करीब था।
यह क्यों महत्वपूर्ण है: क्वांटम कंप्यूटिंग में, ये "महंगी प्रक्रियाएं" वह बाधा हैं जो सब कुछ धीमा कर देती हैं। इस चरण को तेज़ बनाकर, वे क्वांटम सिमुलेशन और सॉल्वर को भविष्य के लिए अधिक व्यावहारिक बनाने में मदद कर रहे हैं।

लेखकों ने अपने कोड और डिज़ाइन को अन्य वैज्ञानिकों के उपयोग के लिए भी उपलब्ध कराया है, जिससे यह सुनिश्चित होता है कि इस "तेज़ रोबोट लाइब्रेरियन" को तुरंत काम पर लगाया जा सके।

तकनीकी सारांश: बेहतर टोफोली लागत के साथ स्पार्स क्वांटम स्टेट प्रिपरेशन

समस्या विवरण
क्वांटम अवस्थाओं (quantum states) की तैयारी क्वांटम कंप्यूटिंग में एक मौलिक प्रिमिटिव है, जो लीनियर-सिस्टम सॉल्वर और क्वांटम मशीन लर्निंग से लेकर क्वांटम सिमुलेशन तक के अनुप्रयोगों के लिए आवश्यक है। जबकि जेनेरिक स्टेट प्रिपरेशन का व्यापक रूप से अध्ययन किया गया है, स्पार्स क्वांटम स्टेट्स— $n$ क्यूबिट्स पर स्थित ऐसी अवस्थाएँ जिनमें केवल $s \ll 2^n$ नॉन-जीरो कंप्यूटेशनल बेसिस स्टेट्स शामिल हैं—विशेषज्ञ एल्गोरिदम की मांग करती हैं।

फॉल्ट-टोलरेंट क्वांटम कंप्यूटिंग में, प्राथमिक संसाधन मीट्रिक अक्सर टोफोली गेट्स (और T-गेट्स) की संख्या होती है, क्योंकि मैजिक-स्टेट डिस्टिलेशन के ओवरहेड के कारण इन नॉन-क्लिफोर्ड ऑपरेशंस को लागू करना क्लिफोर्ड गेट्स की तुलना में काफी अधिक महंगा होता है। स्पार्स स्टेट प्रिपरेशन के मौजूदा दृष्टिकोण आम तौर पर दो श्रेणियों में आते हैं:

इटरेटिव कंस्ट्रक्शन: अवस्था को $s$ चरणों में बनाना, जहाँ प्रत्येक चरण एक एकल बेसिस स्टेट को तैयार करता है। इसमें आमतौर पर $s \lceil \log(s) \rceil$ से अधिक का टोफोली खर्च होता है।
दो-चरणीय दृष्टिकोण (डेंस प्रिपरेशन + आइसोमेट्री): पहले एक $\lceil \log(s) \rceil$ -क्यूबिट सब-रजिस्टर पर एक डेंस स्टेट तैयार करना, फिर उसे एक आइसोमेट्री के माध्यम से लक्षित स्पार्स स्टेट में मैप करना। पूर्ववर्ती कार्य (जैसे मालवेटी एट अल. द्वारा विकसित विधि) में आइसोमेट्री चरण ऐतिहासिक रूप से बॉटलनेक रहा है, जिसमें $s$ अवस्थाओं के लिए $s(\lceil \log(s) \rceil - 1)$ का वर्स्ट-केस टोफोली खर्च लगता है, जो कुल एल्गोरिदम लागत पर हावी हो जाता है।

कार्यप्रणाली (Methodology)
लेखक एक परिष्कृत दो-चरणीय ढांचे (चित्र 1 में दर्शित) का प्रस्ताव करते हैं जो आइसोमेट्री चरण को अनुकूलित करता है और इसे डेंस स्टेट प्रिपरेशन के साथ एकीकृत करता है:

बैच्ड आइसोमेट्री कंस्ट्रक्शन (Batched Isometry Construction):
इसकी मुख्य नवीनता आइसोमेट्री सर्किट के निर्माण के लिए एक नया क्लासिकल एल्गोरिदम है। प्रत्येक $s$ अवस्थाओं के लिए व्यक्तिगत मल्टी-कंट्रोल्ड-X गेट्स लागू करने के बजाय (जैसा कि मालवेटी एट अल. में किया गया है), लेखक अवस्थाओं को $m$ के आकार के बैच में समूहबद्ध करते हैं, जहाँ $m$ उपलब्ध नॉन-सबस्पेस रजिस्टर में फिट होने वाली दो की सबसे बड़ी घात है ( $m \le n - \lceil \log(s) \rceil$ )।

प्रत्येक बैच के लिए, एल्गोरिदम अवस्थाओं को एक ऐसे रूप में बदल देता है जहाँ नॉन-सबस्पेस रजिस्टर में विशिष्ट स्थितियों पर एक एकल $|1\rangle$ होता है (उदाहरण के लिए, $|k\rangle_s |e_0\rangle_r, \dots, |k+m-1\rangle_s |e_{m-1}\rangle_r$ )।
इसके बाद पूरे बैच के लिए संपूर्ण बैच को एक साथ ज़ीरो आउट करने के लिए एक पार्शियल यूनरी इटरेशन (PUI) सर्किट लागू किया जाता है।

पार्शियल यूनरी इटरेशन (PUI) सर्किट्स:
लेखक दो प्रकार के PUI सर्किट्स पेश करते हैं, जो पूर्ण स्पेस के बजाय एड्रेस रजिस्टर के एक विशिष्ट अंतराल $[l, r]$ पर इटरेशन करते हैं:

रिस्ट्रिक्टेड PUI (Restricted PUI): यह गारंटी देता है कि यूनिटरीज केवल लक्षित अंतराल $[l, r]$ के भीतर ही लागू की जाएंगी।
अनरिस्ट्रिक्टेड PUI (Unrestricted PUI): यह सर्किट को उच्च एड्रेस वैल्यू वाले स्टेट्स पर गैर-तुच्छ (non-trivial) यूनिटरीज लागू करने की अनुमति देता है। यह छूट टोफोली काउंट को काफी कम कर देती है। उच्च एड्रेस वैल्यूज पर होने वाले "अवांछित" प्रभावों को क्लासिकली ट्रैक किया जाता है और बाद के चरणों या बैचों में सुधारा जाता है।

डेंस स्टेट प्रिपरेशन के साथ संयुक्त अनुकूलन:
लेखक आइसोमेट्री लागत और डेंस स्टेट प्रिपरेशन लागत के बीच के ट्रेड-ऑफ का विश्लेषण करते हैं। वे डेंस प्रिपरेशन से कुछ उप-कार्यों को आइसोमेट्री सर्किट में "आउटसोर्स" करने का प्रस्ताव देते हैं:

साइन फिक्स (Sign Fixes): डेंस प्रिपरेशन के बाद एंगल रजिस्टर को अनकंप्यूट करने के बजाय (जिसके लिए साइन सुधार के लिए अतिरिक्त टोफोली की आवश्यकता होती है), साइन जानकारी को रिस्ट्रिक्टेड PUI का उपयोग करके सीधे आइसोमेट्री में एनकोड किया जाता है।
रियल स्टेट्स (Real States): शुद्ध रूप से वास्तविक गुणांकों (real coefficients) वाली लक्षित अवस्थाओं के लिए, डेंस प्रिपरेशन के फेज एनकोडिंग चरण को पूरी तरह से हटा दिया जाता है और इसे आइसोमेट्री के भीतर ही संभाला जाता है, जिससे डेंस प्रिपरेशन टोफोली लागत में तीन गुना तक की कमी आ सकती है।

मुख्य योगदान (Key Contributions)

बेहतर आइसोमेट्री एल्गोरिदम: एक नया क्लासिकल एल्गोरिदम (एल्गोरिदम 1) जो निम्नलिखित वर्स्ट-केस टोफोली लागत द्वारा सीमित आइसोमेट्री सर्किट का निर्माण करता है:
$\left\lceil \frac{s}{m} \right\rceil \left( 2m + \frac{\log(\tilde{s}/m)}{2} - 3 \right) + \log(\tilde{s}^2/m)$
जहाँ $\tilde{s} = 2^{\lceil \log(s) \rceil}$ है। यह मालवेटी एट अल. की स्टेट-ऑफ-द-आर्ट विधि की तुलना में लगभग $\log(s)/2$ का सुधार प्रदर्शित करता है।
PUI वेरिएंट्स: रिस्ट्रिक्टेड और अनरिस्ट्रिक्टेड पार्शियल यूनरी इटरेशन सर्किट्स की परिभाषा और लागत विश्लेषण। अनरिस्ट्रिक्टेड संस्करण उच्च एड्रेस वैल्यूज में "लीकेज" की अनुमति देकर कम टोफोली काउंट प्राप्त करता है, जो बैच्ड आइसोमेट्री कंस्ट्रक्शन के संदर्भ में प्रबंधनीय है।
रिसोर्स ट्रेड-ऑफ विश्लेषण: संयुक्त टोफली और क्यूबिट लागतों का एक व्यापक विश्लेषण (तालिका 1), जो दर्शाता है कि आइसोमेट्री को अनुकूलित करने से डेंस प्रिपरेशन लागत को कम करने के लिए एंसिला क्यूबिट्स का बेहतर उपयोग कैसे किया जा सकता है, विशेष रूप से रियल-वैल्यूड स्टेट्स के लिए।
कार्यान्वयन: सर्किट्स को Qualtran फ्रेमवर्क में लागू किया गया है, जिसमें क्लासिकल आइसोमेट्री-फाइंडिंग एल्गोरिदम को SIMD-एक्सेलेरेटेड Rust कोड का उपयोग करके अनुकूलित किया गया है।

परिणाम (Results)

सैद्धांतिक सीमाएँ (Theoretical Bounds): आइसोमेट्री के लिए वर्स्ट-केस टोफोली खर्च $O(s \log s)$ से घटकर पर्याप्त बड़े $n$ के लिए लगभग $O(s)$ हो जाता है। विशेष रूप से, रैंडम स्टेट्स पर संख्यात्मक बेंचमार्क में, लागत $s$ के प्रति 1 के करीब पहुँच जाती है, जबकि पिछला सर्वश्रेष्ठ लगभग $s \log s$ था।
संख्यात्मक बेंचमार्क:
- रैंडम $s$ -स्पार्स स्टेट्स के लिए, प्रति $s$ टोफली की संख्या $n$ बढ़ने पर 1 के करीब पहुँच जाती है (चित्र 2, दाएँ)।
- शुद्ध रूप से रियल स्टेट्स के लिए, संयुक्त अनुकूलन जेनेरिक कॉम्प्लेक्स स्टेट्स की तुलना में कुल टोफली काउंट को काफी कम कर देता है (चित्र 9)।
- क्लासिकल एल्गोरिदम कुशलतापूर्वक चलता है, जो मानक CPU हार्डवेयर पर $s=10^7$ स्टेट्स के लिए आइसोमेट्री को लगभग 10-20 मिनट में खोज लेता है।
तुलना: प्रस्तावित विधि समान या कम क्यूबिट ओवरहेड बनाए रखते हुए टोफली काउंट के मामले में मौजूदा साहित्य ([4, 14, 20, 21]) से बेहतर प्रदर्शन करती है।

महत्व और दावे (Significance and Claims)
पेपर का दावा है कि यह टोफली और क्यूबिट काउंट के मामले में साहित्य में सबसे कुशल स्पार्स स्टेट प्रिपरेशन सर्किट प्रस्तुत करता है। इसका महत्व निम्नलिखित में निहित है:

बॉटलनेक रिमूवल: आइसोमेट्री लागत को डोमिनेंट फैक्टर से घटाकर डेंस प्रिपरेशन के स्तर के तुल्य बनाकर, समग्र एल्गोरिदम अधिक कुशल हो जाता है।
स्केलेबिलिटी: यह दृष्टिकोण $n$ क्यूबिट्स के साथ अनुकूल रूप से स्केल करता है, जो इसे बड़े पैमाने के फॉल्ट-टोलरेंट क्वांटम एल्गोरिदम के लिए उपयुक्त बनाता है जहाँ $s$ बड़ा है लेकिन $s \ll 2^n$ है।
व्यावहारिकता: यह विधि मौजूदा फॉल्ट-टोलरेंट रिसोर्स एस्टीमेशन फ्रेमवर्क (जो टोफली काउंट पर ध्यान केंद्रित करते हैं) के साथ संगत है और एक मॉड्यूलर सॉफ्टवेयर फ्रेमवर्क (Qualtran) में कार्यान्वित है।

लेखक भविष्य के निहितार्थों के संबंध में विनम्र रहते हैं, यह नोट करते हुए कि हालांकि टोफली काउंट वर्तमान मानक मीट्रिक है, मैजिक-स्टेट जनरेशन (कल्टीवेशन/डिस्टिलेशन) में प्रगति भविष्य में फोकस को रनटाइम मेट्रिक्स की ओर स्थानांतरित कर सकती है। वे यह प्रश्न भी खुला छोड़ते हैं कि क्या सीमित एंसिल रिसोर्सेज के साथ $s$ में सब-लीनियर टोफली लागत प्राप्त की जा सकती है।