Fourier extensions for matrix-function block encodings with error-independent subnormalization bounds

कल्पना कीजिए कि आप एक विशाल, असंभव पहेली को हल करने की कोशिश कर रहे हैं, लेकिन लकड़ी के टुकड़ों के बजाय, आप क्वांटम मैकेनिक्स के अजीब, टिमटिमाते नियमों का उपयोग कर रहे हैं। यह क्वांटम कंप्यूटिंग की दुनिया है, जहाँ वैज्ञानिक परमाणुओं की शक्ति का उपयोग उन समस्याओं को हल करने के लिए करने की कोशिश करते हैं जिन्हें हल करने में सुपरकंप्यूटरों को हजारों साल लग सकते हैं। इस टूलबॉक्स में सबसे महत्वपूर्ण उपकरणों में से एक है जिसे "मैट्रिक्स फंक्शन" कहा जाता है। एक मैट्रिक्स को संख्याओं के एक विशाल स्प्रेडशीट के रूप में सोचें जो एक सिस्टम का वर्णन करता है, जैसे कि एक परमाणु के ऊर्जा स्तर या किसी शहर में यातायात का प्रवाह। एक "मैट्रिक्स फंक्शन" उस स्प्रेडशीट को बदलने का एक तरीका है—शायद उसे उल्टा करना (इनवर्जन) या उसका वर्ग करना—ताकि एक नया उत्तर प्राप्त हो सके।

पेचीदा हिस्सा यह है कि क्वांटम कंप्यूटर बहुत नाजुक होते हैं। वे केवल कुछ विशिष्ट प्रकार के ऑपरेशन्स को पूरी तरह से कर सकते हैं, जैसे कि एक सिक्के को घुमाना जो या तो चित (heads) या पट (tails) हो सकता है। लेकिन वास्तविक दुनिया की समस्याओं को हल करने के लिए, हमें अक्सर ऐसी चीजें करने की आवश्यकता होती है जो पूर्ण स्पिन नहीं हैं; हमें डेटा को ऐसे तरीकों से "खींचने" या "सिकोड़ने" की आवश्यकता होती है जो नियमों में फिट नहीं बैठते। इसे करने के लिए, वैज्ञानिक एक चतुर ट्रिक का उपयोग करते हैं जिसे "ब्लॉक एनकोडिंग" कहा जाता है। कल्पना कीजिए कि आप एक विशाल, अनियमित आकार के सोफे (जटिल गणितीय समस्या) को एक छोटे, पूरी तरह से वर्गाकार बॉक्स (क्वांटम कंप्यूटर के सख्त नियमों) में फिट करने की कोशिश कर रहे हैं। आप उसे बस जबरदस्ती अंदर नहीं डाल सकते, इसलिए आप सोफे को एक विशेष, थोड़े बड़े कंबल में लपेट देते हैं। यह कंबल "सबनॉर्मलाइजेशन" (subnormalization) है। यह एक सुरक्षा मार्जिन है जो सुनिश्चित करता है कि सोफा फिट हो जाए, लेकिन कंबल जितना बड़ा होगा, बाद में सोफे को ढूंढना उतना ही कठिन होगा। यदि कंबल बहुत बड़ा है, तो सिग्नल शोर (noise) में खो जाएगा, और पूरा प्रयोग विफल हो जाएगा।

लंबे समय तक, गणितीय सोफों को लपेटने के सबसे अच्छे तरीके ऐसे कंबल वाले थे जो बहुत बड़े थे, खासकर जब समस्या कठिन थी। यह शोध पत्र एक बहुत अधिक स्मार्ट तरीका पेश करता है, जिसे "फूरियर एक्सटेंशन" (Fourier extensions) कहा जाता है, जो यह अनुमति देता है कि आप सोफे को बिल्कुल सही आकार के कंबल में लपेट सकें—जितना आवश्यक हो उससे अधिक नहीं—जबकि उत्तर भी अविश्वसनीय रूप से तेजी से प्राप्त किया जा सके। वे दिखाते हैं कि गणितीय समस्या को एक गाने की तरह व्यवहार करके जिसे एक थोड़े बड़े मंच पर बजाया जाना है, वे नोट्स (गुणांकों/coefficients) को ट्यून कर सकते हैं ताकि "कंबल" छोटा रहे, भले ही वह गाना बहुत जटिल क्यों न हो। इसका मतलब है कि क्वांटम कंप्यूटर बहुत कम बर्बाद प्रयास के साथ इन कठिन समस्याओं को हल कर सकते हैं और सफलता की बहुत अधिक संभावना रखते हैं।

समस्या: "बहुत बड़ा कंबल"

क्वांटम एल्गोरिदम की दुनिया में, सटीकता और दक्षता के बीच एक निरंतर संघर्ष होता है। जब वैज्ञानिक एक मैट्रिक्स को बदलना चाहते हैं (जैसे समीकरणों के सिस्टम को हल करने के लिए मैट्रिक्स का व्युत्क्रम/inverse खोजना), तो उन्हें गणित को चरणों की एक श्रृंखला का उपयोग करके अनुमानित करना होता है। करने का मानक तरीका "यूनिटरीज का लीनियर कॉम्बिनेशन" (Linear Combination of Unitaries - LCU) का उपयोग करता है। इसे सरल, पूर्ण लेगो (Lego) ब्लॉक्स से एक जटिल मशीन बनाने के रूप में सोचें। आप इन ब्लॉक्स को विशिष्ट तरीकों से जोड़कर उस जटिल आकार की नकल करते हैं जिसकी आपको आवश्यकता है।

हालाँकि, एक पेच है। लेगो मशीन को उस जटिल आकार जैसा दिखाने के लिए, आपको अक्सर इसे थामे रखने के लिए अतिरिक्त, डमी ब्लॉक्स जोड़ने पड़ते हैं। क्वांटम शब्दों में, ये डमी ब्लॉक्स "सबनॉर्मलाइजेशन" को बढ़ा देते हैं। यदि सबनॉर्मलाइजेशन उच्च है, तो यह एक ऐसे घास के ढेर में सुई खोजने जैसा है जो एक पहाड़ के आकार का है। क्वांटम कंप्यूटर को सही सिग्नल को बढ़ाने के लिए बहुत अधिक मेहनत करनी पड़ती है, और यदि पहाड़ बहुत बड़ा है, तो सुई प्रभावी रूप से अदृश्य हो जाती है। पिछले तरीकों ने, जैसे कि प्रसिद्ध HHL एल्गोरिदम या शुरुआती फूरियर दृष्टिकोण, अक्सर इन "पहाड़ के आकार" के कंबलों का परिणाम दिया, विशेष रूप से जब समस्या "इल-कंडीशन्ड" (ill-conditioned) थी (अर्थात, मैट्रिक्स में संख्याएं बहुत फैली हुई थीं, जैसे कि कुछ बहुत छोटी संख्याएं और कुछ बहुत बड़ी संख्याएं होना)।

नया समाधान: मंच को फैलाना

इस शोध पत्र के लेखकों ने महसूस किया कि जिस तरह से वे सोफे को लपेट रहे थे वह बहुत कठोर था। उन्होंने मंच को बदलने का निर्णय लिया जिस पर प्रदर्शन होता है। फलन (मैथ फंक्शन) को उसके मूल, छोटे अंतराल में पूरी तरह से फिट करने के बजाय, उन्होंने अंतराल को फैलाने का निर्णय लिया। यही "फूरियर एक्सटेंशन" का मूल विचार है।

कल्पना कीजिए कि आप कागज के एक छोटे टुकड़े पर बिल्ली का चित्र बनाने की कोशिश कर रहे हैं। यदि आप इसे ठीक सीमाओं के भीतर बनाने की कोशिश करते हैं, तो आपको इसे सिकोड़ना पड़ सकता है या इसकी पूंछ काटनी पड़ सकती है। लेकिन यदि आप बिल्ली को बहुत बड़े कागज पर बनाते हैं, तो आपके पास विवरणों को सही ढंग से बनाने के लिए पर्याप्त जगह होती है। एक बार जब ड्राइंग बन जाती है, तो आप छवि को आवश्यक आकार में क्रॉप कर सकते हैं। कागज का "अतिरिक्त" स्थान आपको लचीलापन देता है। गणित के शब्दों में, यह अतिरिक्त स्थान "रिडंडेंट कोएफिशिएंट्स" (redundant coefficients) बनाता है। ये गणना में अतिरिक्त संख्याएं हैं जो अंतिम उत्तर को नहीं बदलती हैं लेकिन वैज्ञानिकों को ऐसी संख्याएं चुनने के लिए अधिक स्वतंत्रता देती हैं जो "कंबल" (सबनॉर्मलाइजेशन) को छोटा रखती हैं।

कंबल को मोड़ने के तीन तरीके

यह शोध पत्र केवल एक तरीका नहीं देता है; यह तीन अलग-अलग रणनीतियां प्रदान करता है, जिनमें से प्रत्येक के पास अपनी सुपरपावर है, जो इस बात पर निर्भर करती है कि आप किस प्रकार की गणितीय समस्या को हल कर रहे हैं।

1. "रिफलेक्टेड" विधि (परफेक्ट फिट, धीरे-धीरे)
पहली रणनीति एक दर्पण में देखने की तरह है। यदि आपके पास एक फलन है जो अच्छी तरह से मुड़ता है (जैसे एक उत्तल/convex आकार), तो लेखक अंतराल के किनारों पर इसे परावर्तित (reflect) करने का सुझाव देते हैं, जैसे कि एक त्रिकोणीय तरंग। यह एक ऐसा आकार बनाता है जो निरंतर और पर्याप्त चिकना है जिसे फूरियर श्रृंखला द्वारा पूरी तरह से दर्शाया जा सकता है।

• अच्छी खबर: यह विधि सबसे छोटा संभव कंबल बनाती है। सबनॉर्मलाइजेशन "इष्टतम" (optimal) है, जिसका अर्थ है कि यह भौतिकी द्वारा संभव न्यूनतम है। यह सबसे सटीक फिट है।
• कैच (Catch): यह धीरे-धीरे अभिसरण (converge) करती है। "कन्वर्जेंस" का अर्थ है कि आप कितनी तेजी से एक सटीक उत्तर प्राप्त करते हैं। यह विधि एक घोंघे की तरह है; यह वहां पहुँचती है, लेकिन अत्यधिक सटीक परिणाम प्राप्त करने के लिए इसे कई चरणों (algebraic convergence) की आवश्यकता होती है। यह तब बहुत अच्छी है जब आपको अत्यधिक सटीकता की आवश्यकता नहीं होती, लेकिन यदि आपको इसकी आवश्यकता है, तो इसमें बहुत समय लग सकता है।

2. "आर्क्सिन-टेयलर" विधि (तेज धावक, थोड़ा बड़ा कंबल)
दूसरी रणनीति थोड़ी जादुई है। यह आर्क्सिन फलन और टेयलर श्रृंखला (वक्रों को बहुपदों के साथ अनुमानित करने का एक तरीका) से जुड़ी एक गणितीय ट्रिक का उपयोग करती है। चर (variables) को चतुराई से बदलकर, वे फलन को एक चिकनी लहर की तरह बना सकते हैं जो बड़े मंच पर पूरी तरह से फिट बैठती है।

• अच्छी खबर: यह विधि अविश्वसनीय रूप से तेज है। यह "एक्सपोनेंशियल" (exponential) रूप से अभिसरण करती है, जिसका अर्थ है कि हर बार जब आप थोड़ा सा और गणित जोड़ते हैं, तो त्रुटि (error) एक बड़े कारक से कम हो जाती है। यह एक रॉकेट शिप की तरह है।
• कैच (Catch): कंबल पहले तरीके की तुलना में थोड़ा बड़ा है। यह पूर्ण न्यूनतम से थोड़ा अधिक है, लेकिन कई फलनों के लिए, यह अभी भी बहुत कुशल है। यह उन फलनों के लिए सबसे अच्छा काम करता है जो "एंटायर" (हर जगह चिकने, जैसे $e^x$) हैं, लेकिन जिन फलनों में तीखे कोने या पोल (poles) होते हैं (जैसे $1/x$), उनके लिए आपको सावधानी बरतनी होगी कि आप मंच को कितना फैलाते हैं।

3. "सोबोलेव-रेगुलराइज्ड" विधि (स्मार्ट बैलेंसर)
तीसरी रणनीति सबसे परिष्कृत है। केवल एक आकार चुनने के बजाय, लेखक समस्या को एक संतुलन (balancing act) के रूप में देखते हैं। वे एक तकनीक का उपयोग करते हैं जिसे "रेगुलराइजेशन" कहा जाता है, जो कि एक नियम जोड़ने जैसा है जो खिलाड़ियों को धोखाधड़ी करने से रोकता है। वे एक गणितीय समीकरण सेट करते हैं जो त्रुटि (उत्तर कितना गलत है) और कंबल के आकार (सबनॉर्मलाइजेशन) दोनों को एक साथ कम करने की कोशिश करता है।

• अच्छी खबर: यह विधि सबसे बहुमुखी है। यह लगभग किसी भी फलन को संभाल सकती है, यहाँ तक कि उन जटिल पोल या ब्रांच कट्स (जैसे वर्गमूल या मैट्रिक्स के व्युत्क्रम जिनमें धनात्मक और ऋणात्मक दोनों संख्याएं होती हैं) को भी। यह "नियर-एक्सपोनेंशियल" कन्वर्जेंस प्राप्त करती है, जिसका अर्थ है कि यह रॉकेट शिप जितनी ही तेज है, लेकिन यह कंबल के आकार को नियंत्रण में रखती है।
• कैच (Catch): इसके लिए थोड़े अधिक सेटअप की आवश्यकता होती है। आपको कुछ मापदंडों (जैसे रेगुलराइजेशन का "भार") को ट्यून करना होगा, लेकिन एक बार ट्यून होने के बाद, यह खूबसूरती से काम करता है।

उन्होंने क्या पाया: परिणाम

लेखकों ने कई सामान्य गणितीय फलनों पर इन तीन विधियों का परीक्षण किया: आइडेंटिटी फंक्शन (केवल $x$), एक्सपोनेंशियल फंक्शन ($e^x$), इनवर्स फंक्शन ($1/x$), और स्क्वायर रूट ($\sqrt{x}$)।

उन्होंने पाया कि आइडेंटिटी और एक्सपोनेंशियल फलनों के लिए, तीनों विधियाँ अच्छी तरह से काम करती हैं, लेकिन "रिफलेक्टेड" विधि सबसे छोटा कंबल देती है, जबकि "आर्क्सिन-टेयलर" विधि सबसे तेज थी।

इनवर्स फंक्शन (जो रैखिक समीकरणों को हल करने के लिए महत्वपूर्ण है, "HHL" समस्या) के लिए, परिणाम विशेष रूप से रोमांचक थे। पिछले तरीकों में सबनॉर्मलाइजेशन कंडीशन नंबर के वर्गमूल के साथ बढ़ता था (जो समस्या की कठिनाई का एक माप है)। यह नया "सोबोलेव-रेगुलराइज्ड" विधि उस वृद्धि को काफी कम कर देती है। वास्तव में, इनवर्स फंक्शन के लिए, सबनॉर्मलाइजेशन कंडीशन नंबर $\kappa$ के साथ इष्टतम रूप से स्केल करता है, जिसका अर्थ है कि कंबल का आकार कठिनाई के साथ रैखिक रूप से बढ़ता है, जो कि सबसे अच्छा है जो आप उम्मीद कर सकते हैं। उन्होंने दिखाया कि सटीक उत्तर प्राप्त करने के लिए आवश्यक चरणों की संख्या पहले की तुलना में बहुत कम है, जिससे एक परेशान करने वाला "लॉगारिदमिक" कारक हट गया है जो उनकी गति को धीमा कर रहा था।

स्क्वायर रूट फंक्शन के लिए, जो शून्य पर चिकना नहीं होने के कारण थोड़ा कठिन है, "सोबोलेव" विधि अभी भी काम करती है, हालांकि कंबल थोड़ा बड़ा था ( $\kappa^{1/4}$ के साथ स्केल करता है)। यह उन पिछले तरीकों की तुलना में एक बड़ा सुधार है जिनके पास ऐसा स्पष्ट बाउंड नहीं था।

यह क्यों मायने रखता है

इस शोध पत्र की सुंदरता यह है कि यह दो चीजों को अलग कर देता है जो पहले आपस में जुड़ी हुई थीं: सटीकता और लागत। पहले, यदि आप बहुत सटीक उत्तर चाहते थे, तो आपको "कंबल के आकार" (सबनॉर्मलाइजेशन) के रूप में एक बड़ी कीमत चुकानी पड़ती थी, जिससे क्वांटम कंप्यूटर अक्षम हो जाता था। अब, फूरियर एक्सटेंशन के साथ, आप लागत को बढ़ाए बिना उच्च सटीकता प्राप्त कर सकते हैं।

लेखक विकल्पों का एक "मेन्यू" प्रदान करते हैं। यदि आपको सबसे छोटा कंबल चाहिए और आप प्रतीक्षा कर सकते हैं, तो "रिफलेक्टेड" विधि का उपयोग करें। यदि आपको गति चाहिए और आपका फलन चिकना है, तो "आर्क्सिन-टेयलर" का उपयोग करें। यदि आपके पास एक जटिल फलन है और आपको गति और दक्षता के बीच संतुलन की आवश्यकता है, तो "सोबोलेव-रेगुलराइज्ड" विधि का उपयोग करें।

यह कार्य केवल एक सैद्धांतिक सुधार नहीं है; यह बेहतर क्वांटम एल्गोरिदम बनाने के लिए एक व्यावहारिक टूलकिट प्रदान करता है। इन "ब्लॉक एनकोडिंग" को अधिक कुशलता से बनाने का तरीका दिखाकर, लेखक रसायन विज्ञान, वित्त और इंजीनियरिंग में वास्तविक दुनिया की समस्याओं को हल करने के लिए क्वांटम कंप्यूटरों के मार्ग को साफ करने में मदद कर रहे हैं। उन्होंने दुनिया की हर समस्या को हल नहीं किया है, लेकिन उन्होंने क्वांटम समुदाय को सबसे महत्वपूर्ण समस्याओं से निपटने के लिए बेहतर उपकरणों का एक सेट सौंपा है। यह शोध पत्र गणितीय रूप से सिद्ध करता है कि ये विधियाँ काम करती हैं और यह गणना करने के लिए सूत्र प्रदान करता है कि एक क्वांटम कंप्यूटर को कितने चरणों की आवश्यकता होगी, जिससे शोधकर्ताओं को भविष्य के लिए एक स्पष्ट रोडमैप मिलता है।