⚛️ quantum physics

Fair sampling with temperature-targeted QAOA based on quantum-classical correspondence theory

यह शोध पत्र SBO-QAOA का प्रस्ताव करता है, जो क्वांटम-क्लासिकल पत्राचार सिद्धांत (quantum-classical correspondence theory) पर आधारित एक तापमान-लक्षित क्वांटम एल्गोरिदम है, जो एक समान गिब्स वितरण (uniform Gibbs distribution) की ओर अभिसरित होकर अपभ्रष्ट ग्राउंड स्टेट्स (degenerate ground states) का निष्पक्ष नमूनाकरण प्राप्त करता है, जिससे न्यूनतम वेरिएशनल मापदंडों के साथ भी मानक QAOA में निहित पूर्वाग्रहों को दूर किया जा सके।

मूल लेखक: Tetsuro Abe, Shu Tanaka

प्रकाशित 2026-01-23

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Tetsuro Abe, Shu Tanaka

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

बड़ी समस्या: "निष्पक्ष" विजेता को खोजना

कल्पना कीजिए कि आप एक जटिल पहेली के सबसे अच्छे समाधान को खोजने के लिए एक प्रतियोगिता चला रहे हैं। कई मामलों में, केवल एक पूर्ण उत्तर नहीं होता; कई अलग-अलग उत्तर होते हैं जो सभी समान रूप से पूर्ण होते हैं। आइए इन्हें "डिजेनरेट ग्राउंड स्टेट्स" (degenerate ground states) कहें।

वास्तविक दुनिया में, यदि आपके पास पाँच अलग-अलग टीमें हैं जो प्रथम स्थान के लिए बराबरी पर हैं, तो आप उनमें से किसी एक को यादृच्छिक (random) रूप से चुनना चाहेंगे ताकि कोई भी टीम ठगी हुई महसूस न करे। इसे फेयर सैंपलिंग (fair sampling) कहा जाता है। आप चाहते हैं कि कंप्यूटर टीम A, टीम B, या टीम C को समान संभावना के साथ चुने, न कि किसी एक को इसलिए प्राथमिकता दे क्योंकि कंप्यूटर इस तरह से काम करता है।

समस्या यह है कि क्वांटम कंप्यूटरों पर इन पहेलियों को हल करने की वर्तमान अग्रणी विधि (जिसे QAOA कहा जाता है) एक पक्षपाती रेफरी की तरह है। जैसे-जैसे कंप्यूटर अपनी गणना में गहराई तक जाता है (सर्किट डेप्थ बढ़ाना), यह अनजाने में कुछ विशिष्ट विजेता टीमों को दूसरों की तुलना में अधिक प्राथमिकता देने लगता है, भले ही वे सभी गणितीय रूप से समान हों। यह निष्पक्ष नहीं रह जाता।

पुराना तरीका बनाम नया तरीका

शोधकर्ताओं, टेट्सुरो एबे और शु तनाका ने इसे ठीक करने के तरीके पर गौर किया।

पुराना तरीका (स्टैंडर्ड QAOA): इसे एक घाटी के निचले हिस्से को खोजने की कोशिश के रूप में सोचें। कंप्यूटर एक मानक "हिलाने" वाले उपकरण (ट्रांसवर्स-फील्ड मिक्सर) का उपयोग करता है ताकि गेंद घाटी के नीचे लुढ़क सके। समस्या यह है कि यह हिलाने वाला उपकरण गेंद को घाटी के निचले हिस्सों के विशिष्ट स्थानों की ओर धकेलता है, और अन्य समान रूप से गहरे स्थानों को अनदेखा कर देता है। यह एक ऐसी हवा की तरह है जो केवल एक दिशा में बहती है, जिससे गेंद घाटी के फर्श के एक तरफ ढकेल दी जाती है।
नया तरीका (SBO-QAOA): "हिलाने" वाले उपकरण को बदलने के बजाय, शोधकर्ताओं ने घाटी के आकार को ही बदलने का निर्णय लिया। उन्होंने "क्वांटम-क्लासिकल कॉरेस्पोंडेंस" (quantum-classical correspondence) पर आधारित एक चतुर गणितीय तकनीक का उपयोग किया।

रचनात्मक उपमा: तापमान-लक्षित मानचित्र (The Temperature-Targeted Map)

कल्पना कीजिए कि आप एक कमरे में लोगों की भीड़ का अनुकरण (simulate) करना चाहते हैं।

स्टैंडर्ड QAOA एक कमरे में सभी को सबसे आरामदायक कुर्सी में बैठाने की कोशिश करने जैसा है। यह काम तो करता है, लेकिन यह सभी को एक ही जगह पर मजबूर करता है, या एक कुर्सी को दूसरी कुर्सी की तुलना में अधिक प्राथमिकता देने में फंस जाता है।
SBO-QAOA कमरे के तापमान को सेट करने जैसा है।
- यदि कमरा बहुत ठंडा है (कम तापमान), तो हर कोई सबसे अच्छी सीटों पर बैठना चाहता है।
- यदि कमरा गर्म है (उच्च तापमान), तो लोग अधिक सहज होते हैं और फैले हुए होते हैं, और विभिन्न अच्छी सीटों पर उस संभावना के साथ बैठते हैं जो उनकी सुविधा से मेल खाती है।

शोधकर्ताओं ने एक नया "मानचित्र" (जिसे SBO Hamiltonian कहा जाता है) डिज़ाइन किया जो इस तापमान की अवधारणा को सीधे क्वांटम कंप्यूटर के नियमों में समाहित करता है। केवल सबसे निचले ऊर्जा बिंदु की तलाश करने के बजाय, कंप्यूटर को स्वाभाविक रूप से एक ऐसे वितरण (distribution) में स्थिर होने के लिए प्रोग्राम किया गया है जो एक गर्म कमरे की तरह दिखता है जहाँ सभी के पास किसी भी "सर्वश्रेष्ठ" सीट पर बैठने का समान अवसर होता है।

उन्होंने क्या किया (प्रयोग)

इसका परीक्षण करने के लिए, उन्होंने केवल 5 स्पिन (जैसे 5 छोटे चुंबक) वाला एक छोटा "टॉय मॉडल" उपयोग किया। यह मॉडल इस तरह बनाया गया था कि इसमें छह अलग-अलग समाधान थे जो सभी समान रूप से अच्छे थे (छह-गुना टाई)।

उन्होंने दो प्रकार के सिमुलेशन चलाए:

स्टैंडर्ड QAOA: उन्होंने जटिलता (सर्किट डेप्थ) को बढ़ाया ताकि देखा जा सके कि क्या यह विजेताओं को खोज सकता है।
SBO-QAOA: उन्होंने अपने नए "तापमान-लक्षित" मानचित्र का उपयोग किया।

परिणाम

स्टैंडर्ड QAOA: जैसे-जैसे उन्होंने गणना को गहरा किया, कंप्यूटर ने विजेता समाधानों को बहुत बार पाया (लगभग 100% समय)। हालाँकि, यह अनुचित था। यह लगातार दो विशिष्ट विजेता समाधानों को चुनता रहा और अन्य चार को अनदेखा कर दिया। "रेफरी" पक्षपाती था।
SBO-QAOA: कंप्यूटर ने विजेता समाधानों को लगभग 83% बार पाया (जो कि भौतिकी के अनुसार उस विशिष्ट "तापमान" पर एक गर्म कमरे के लिए सटीक है)। महत्वपूर्ण रूप से, जब भी इसने कोई विजेता पाया, इसने सभी छह समाधानों को समान संभावना के साथ चुना। यह पूरी तरह से निष्पक्ष था।

इससे भी बेहतर, उन्होंने अपने नए तरीके का एक "सरलीकृत" संस्करण परीक्षण किया जहाँ उन्होंने कंप्यूटर को ट्यून करने के लिए सेटिंग्स की संख्या घटाकर केवल चार नॉब (knobs) कर दी। इस सरल सेटअप के साथ भी, कंप्यूटर निष्पक्ष और तापमान-लक्षित बना रहा।

मुख्य निष्कर्ष (The Takeaway)

पेपर का दावा है कि निष्पक्ष परिणाम प्राप्त करने के लिए आपको एक जटिल नया "हिलाने" वाला उपकरण आविष्कार करने की आवश्यकता नहीं है। इसके बजाय, यदि आप उस लक्ष्य को बदल देते हैं जिसे कंप्यूटर निशाना बना रहा है (SBO Hamiltonian का उपयोग करके), तो कंप्यूटर स्वाभाविक रूप से सभी जुड़ी हुई विजेताओं को निष्पक्ष रूप से चुनने के लिए सीख जाता है, ठीक वैसे ही जैसे लोग एक निश्चित तापमान पर कमरे में फैल जाते हैं।

यह तब भी काम करता है जब आप सेटिंग्स को सरल (लीनियर शेड्यूल) रखते हैं, जो बताता है कि निष्पक्ष सैंपलिंग संभव है बिना क्वांटम कंप्यूटर के सर्किट को अत्यधिक जटिल बनाए। लेखक नोट करते हैं कि हालांकि यह छोटे सिमुलेशन पर बहुत अच्छा काम करता है, अगला कदम यह पता लगाना है कि वास्तविक, बड़े पैमाने की क्वांटम मशीनों पर इसे कुशलतापूर्वक कैसे बनाया जाए, क्योंकि नया "मानचित्र" जटिल इंटरैक्शन को शामिल करता है जिन्हें भौतिक रूप से बनाना कठिन है।

तकनीकी सारांश: तापमान-लक्षित QAOA के साथ निष्पक्ष नमूनाकरण (Fair Sampling)

समस्या विवरण
अपभ्रष्ट ग्राउंड स्टेट्स (degenerate ground states) द्वारा अभिलक्षित कॉम्बिनेटरियल ऑप्टिमाइज़ेशन समस्याओं में, सभी अपभ्रष्ट समाधानों पर एक समान वितरण प्राप्त करने की क्षमता—जिसे निष्पक्ष नमूनाकरण (fair sampling) कहा जाता है—अत्यंत महत्वपूर्ण है। जबकि क्वांटम एनीलिंग (QA) और क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन एल्गोरिदम (QAOA) इन समस्याओं के लिए आशाजनक मेटाहेयुरिस्टिक्स हैं, मानक कार्यान्वयन जो ट्रांसवर्स-फील्ड मिक्सर का उपयोग करते हैं, अक्सर निष्पक्ष नमूनाकरण करने में विफल रहते हैं। सैद्धांतिक और प्रयोगात्मक साक्ष्य बताते हैं कि जैसे-जैसे सर्किट की गहराई (depth) बढ़ती है, मानक QAOA अपभ्रष्ट अवस्थाओं के बीच पूर्वाग्रह (bias) उत्पन्न करता है, जिससे विशिष्ट समाधानों को प्राथमिकता मिलती है, भले ही एप्रोक्सिमेशन रेश्यो (approximation ratio) एकता (unity) की ओर अभिसरित हो रहा हो। मौजूदा समाधान, जैसे कि विशेष मिक्सर या हाइब्रिड पोस्ट-प्रोसेसिंग, अक्सर सर्किट की जटिलता को बढ़ाते हैं या अतिरिक्त क्लासिकल कम्प्यूटेशनल चरणों की आवश्यकता पैदा करते हैं।

कार्यप्रणाली (Methodology)
लेखक SBO-QAOA का प्रस्ताव करते हैं, जो QAOA का एक रूपांतर है जो मिक्सर को संशोधित करके नहीं, बल्कि क्वांटम-क्लासिकल पत्राचार सिद्धांत (quantum–classical correspondence theory) के आधार पर लक्षित (target) हैमिल्टोनियन को पुनर्गठित करके नमूनाकरण पूर्वाग्रह को संबोधित करता है।

सैद्धांतिक ढांचा (Theoretical Framework): शास्त्रीय आइसिंग हैमिल्टोनियन $\hat{H}_0$ के ग्राउंड स्टेट को लक्षित करने के बजाय, SBO-QAOA एक प्रभावी हैमिल्टोनियन $\hat{H}_S(T)$ के ग्राउंड स्टेट को लक्षित करता है, जिसे सोमा एट अल (Somma et al.) द्वारा व्युत्पन्न किया गया है। यह हैमिल्टोनियन इस प्रकार निर्मित किया गया है कि इसका अद्वितीय ग्राउंड स्टेट एक क्वांटम अवस्था $|\psi_{Gibbs}(T)\rangle$ के अनुरूप होता है, जहाँ प्रायिकता आयाम (probability amplitudes) एक विशिष्ट तापमान $T$ पर शास्त्रीय प्रणाली के बोल्ट्ज़मैन कारकों (Boltzmann factors) के वर्गमूल होते हैं।
हैमिल्टोनियन निर्माण: SBO हैमिल्टोनियन को इस प्रकार परिभाषित किया गया है:
$\hat{H}_S(T) = -e^{-\alpha/T} \sum_{i=1}^N \left( \hat{\sigma}_i^x - e^{\hat{H}_i/T} \right)$
जहाँ $\hat{H}_i$ , $\hat{H}_0$ के स्थानीय पदों (local terms) को दर्शाता है जो स्पिन $i$ पर निर्भर हैं, और $\alpha$ एक स्केलिंग कारक है जो $T \to 0$ होने पर विचलन (divergence) को रोकता है। SBO-QAOA में, $\hat{H}_C$ को $\hat{H}_S(T)$ के रूप में सेट किया गया है, जबकि मानक ट्रांसवर्स-फील्ड मिक्सर $\hat{H}_X$ को बरकरार रखा गया है।
पैरामीट्राइजेशन स्कीम्स (Parameterization Schemes): अध्ययन वेरिएशनल कोणों $\{\gamma_k, \beta_k\}$ ${γ_{k}, β_{k}}$ के लिए दो रणनीतियों का मूल्यांकन करता है:
1. फुल-पैरामीटर (Full-parameter): सर्किट गहराई $p$ के लिए $2p$ स्वतंत्र चर।
2. लीनियराइज्ड (Linearized): एक न्यूनीकरण योजना जहाँ कोण गहराई सूचकांक के रैखिक फलन (linear functions) होते हैं, जो गहराई के बावजूद वेरिएशनल चरों को केवल चार ( $\gamma_{slope}, \gamma_{intcp}, \beta_{slope}, \beta_{intcp}$ ) तक कम कर देते हैं।
प्रायोगिक सेटअप: संख्यात्मक सिमुलेशन छह-गुना ग्राउंड-स्टेट डिजेनेरेसी वाले एक 5-स्पिन फ्रस्ट्रेटेड आइसिंग टॉय मॉडल पर किए गए। सिस्टम का सटीक रूप से (फुल मैट्रिक्स इवोल्यूशन के माध्यम से) अनुकरण किया गया ताकि विभिन्न सर्किट गहराइयों ( $p=1$ से $100$) और तापमानों के विरुद्ध मानक QAOA और SBO-QAOA की तुलना की जा सके।

मुख्य परिणाम

मानक QAOA पूर्वाग्रह (Standard QAOA Bias): मानक QAOA (लक्ष्य $\hat{H}_0$ ) में, सर्किट गहराई $p$ बढ़ाने से कुल ग्राउंड-स्टेट प्रायिकता ( $P_{GS}$ ) एकता (unity) की ओर बढ़ती है। हालाँकि, अपभ्रष्ट सबस्पेस (degenerate subspace) के भीतर वितरण पक्षपाती रहता है; विशिष्ट अवस्था युग्म (state pairs) प्रभावी हो जाते हैं जबकि अन्य दब जाते हैं, चाहे फुल या लीनियर पैरामीटर्स का उपयोग किया जाए।
SBO-QAOA निष्पक्षता (SBO-QAOA Fairness): जब $\hat{H}_S(T)$ $\hat{H}_{S} (T)$ को लक्षित किया जाता है, तो SBO-QAOA मौलिक रूप से भिन्न व्यवहार प्रदर्शित करता है:
- तापमान लक्ष्यीकरण (Temperature Targeting): कुल ग्राउंड-स्टेट प्रायिकता $P_{GS}$ एकता की ओर नहीं बढ़ती है, बल्कि निर्दिष्ट तापमान $T$ पर गिब्स वितरण (Gibbs distribution) की प्रायिकता के अनुरूप एक मान पर संतृप्त (saturate) हो जाती है (जैसे, $T=1$ के लिए $\approx 0.83$ )।
- समान नमूनाकरण (Uniform Sampling): जैसे-जैसे $p$ बढ़ता है, अपभ्रष्ट ग्राउंड स्टेट्स के बीच प्रायिकता वितरण समान (uniform) हो जाता है। विशिष्ट अवस्था युग्मों की प्रायिकताएं समान मूल्यों पर अभिसरित होती हैं, जो निष्पक्ष नमूनाकरण की पुष्टि करती हैं।
- टोटल वेरिएशन डिस्टेंस (TVD): आउटपुट वितरण और लक्षित गिब्स वितरण के बीच का TVD $p$ के बढ़ने के साथ घटता है, जो शून्य के करीब अभिसरित होता है। यह पुष्टि करता है कि एल्गोरिदम पूर्ण परिमित-तापमान (finite-temperature) वितरण को पुनरुत्पादित करता है, न कि केवल ग्राउंड स्टेट्स को।
पैरामीटर न्यूनीकरण के प्रति मजबूती (Robustness to Parameter Reduction): लीनियराइज्ड स्कीम के तहत भी, जहाँ वेरिएशनल पैरामीटर्स की संख्या $2p$ से घटाकर केवल चार कर दी गई है, SBO-QAOA के निष्पक्ष नमूनाकरण और तापमान-लक्ष्यीकरण गुणों को संरक्षित रखा गया है।

महत्व और दावे
यह शोध दावा करता है कि QAOA में निष्पक्ष नमूनाकरण को मिक्सर की जटिलता बढ़ाकर या अतिरिक्त क्लासिकल पोस्ट-प्रोसेसिंग चरण जोड़कर प्राप्त किया जा सकता है। लक्ष्य हैमिल्टोनियन को SBO हैमिल्टोनियन से बदलकर, एल्गोरिदम स्वाभाविक रूप से गिब्स वितरण को अपने ग्राउंड स्टेट के रूप में एनकोड करता है। लेखक प्रदर्शित करते हैं कि यह दृष्टिकोण निम्नलिखित की अनुमति देता है:

निष्पक्ष नमूनालिंग (Fair Sampling): अपभ्रष्ट ग्राउंड स्टेट्स पर एक समान वितरण प्राप्त करना।
तापमान लक्ष्यीकरण (Temperature Targeting): पैरामीटर $T$ के माध्यम से नमूनाकरण वितरण को नियंत्रित करना।
दक्षता (Efficiency): इन गुणों को न्यूनतम वेरिएशनल पैरामीटर्स (चार) के साथ बनाए रखना, जो इस दृष्टिकोण को ऑप्टिमाइज़ेशन जटिलता के संदर्भ में संभावित रूप से स्केलेबल बनाता है।

लेखक नोट करते हैं कि हालांकि वर्तमान कार्य सटीक विकर्ण आरेखण (exact diagonalization) के माध्यम से एक छोटे सिस्टम पर इन गुणों को मान्य करता है, भविष्य के कार्यों को स्केलेबिलिटी को संबोधित करना होगा। विशेष रूप से, गेट-आधारित उपकरणों पर $\hat{H}_S(T)$ को लागू करने के लिए कुशल पाउली-स्ट्रिंग एक्सपेंशन (Pauli-string expansions) और सर्किट डिकंपोजिशन की आवश्यकता होगी, क्योंकि हैमिल्टोनियन सामान्यतः कई-निकाय अंतःक्रियाओं (many-body interactions) को प्रेरित करता है।