⚛️ quantum physics

A framework to evaluate the performance of Variational Quantum Algorithms

यह शोध पत्र तीन मेट्रिक्स (व्यवहार्यता, गुणवत्ता और पुनरुत्पादकता) और एक गुणवत्ता आरेख को पेश करके NISQ उपकरणों पर वेरिएशनल क्वांटम एल्गोरिदम के बेंचमार्किंग के लिए एक व्यापक ढांचे का प्रस्ताव करता है ताकि QUBO समस्याओं के लिए प्रदर्शन का व्यवस्थित मूल्यांकन किया जा सके और अनुकूली एल्गोरिदम चयन को निर्देशित किया जा सके।

मूल लेखक: Ernesto Mamedaliev, Vladyslav Libov, Albert Nieto-Morales, Oskar Słowik, Arit Kumar Bishwas

प्रकाशित 2026-01-28

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ernesto Mamedaliev, Vladyslav Libov, Albert Nieto-Morales, Oskar Słowik, Arit Kumar Bishwas

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, भ्रमित करने वाली भूलभुलैया (maze) के माध्यम से सबसे अच्छा रास्ता खोजने की कोशिश कर रहे हैं। आपके पास खोजकर्ताओं की एक टीम है (जिसे वेरिएशनल क्वांटम एल्गोरिदम (VQAs) कहा जाता है) जो इस भूलभुलैया को हल करने की कोशिश कर रही है। हालाँकि, ये खोजकर्ता एक विशेष, थोड़े अस्थिर मानचित्र (एक क्वांटम कंप्यूटर) पर काम करते हैं जो स्पष्ट दिशाओं के बजाय धुंधले, यादृच्छिक (random) संकेत देता है। क्योंकि मानचित्र अस्थिर है, यदि आप एक ही खोजकर्ता को दस बार भेजते हैं, तो वे दस थोड़े अलग रास्ते पा सकते हैं, जिनमें से कुछ अच्छे और कुछ बहुत खराब हो सकते हैं।

समस्या यह है: आप यह कैसे तय करेंगे कि कौन सा खोजकर्ता वास्तव में काम करने में अच्छा है?

वर्तमान में, लोग अक्सर केवल एक रन को देखते हैं और कहते हैं, "हे, इसने एक अच्छा रास्ता खोज लिया!" लेकिन यह एक शेफ को उस दिन के भोजन से आंकने जैसा है जब वह थका हुआ था। आपको उन्हें मापने के लिए एक बेहतर तरीके की आवश्यकता है।

यह शोध पत्र इन क्वांटम खोजकर्ताओं का निष्पक्ष रूप से मूल्यांकन करने के लिए एक नया स्कोरकार्ड सिस्टम पेश करता है। केवल अंतिम परिणाम को देखने के बजाय, लेखक तीन विशिष्ट चीजों की जांच करने का प्रस्ताव देते हैं:

1. तीन-भाग वाला स्कोरकार्ड

एक खोजकर्ता का मूल्यांकन करना एक डिलीवरी ड्राइवर को काम पर रखने जैसा है। आप केवल यह नहीं चाहते कि वे अंततः पैकेज वहां पहुंचा दें; आप यह भी जानना चाहते हैं कि क्या वे इसे विश्वसनीय रूपता और कुशलता से कर सकते हैं।

व्यवहार्यता (Feasibility) ("क्या वे पहुँच पाएंगे?" परीक्षण):
कल्पना कीजिए कि आपने एक नियम बनाया: "ड्राइवर को एक ऐसा रास्ता खोजना चाहिए जो सभी संभावित रास्तों में शीर्ष 10% में हो।" व्यवहार्यता (Feasibility) पूछती है: "100 बार इस ड्राइवर को भेजने पर, वे कितनी बार इतना अच्छा रास्ता खोज पाते हैं?" यदि वे 100 में से केवल 10 बार सफल होते हैं, तो वे व्यवहार्य नहीं हैं। यदि वे 90 बार सफल होते हैं, तो वे अत्यधिक व्यवहार्य हैं।
गुणवत्ता (Quality) ("दक्षता" परीक्षण):
मान लीजिए कि दो ड्राइवरों ने दोनों एक बेहतरीन रास्ता खोज लिया। ड्राइवर A ने इसे खोजने में 100 प्रयास किए। ड्राइवर B ने इसे केवल 5 प्रयासों में खोज लिया। गुणवत्ता (Quality) इस तालमेल (trade-off) को मापती है। यह पूछता है: "उस अच्छे परिणाम को प्राप्त करने के लिए आपको कितनी मेहनत (समय और कंप्यूटर शक्ति) खर्च करनी पड़ी?" सबसे अच्छा ड्राइवर वह है जो कम से कम बर्बाद हुई मेहनत के साथ सबसे अच्छा रास्ता खोज लेता है।
पुनरुत्पादकता (Reproducibility) ("निरंतरता" परीक्षण):
कल्पना कीजिए कि आपने एक ड्राइवर को काम पर रखा जो सोमवार को एक शानदार रास्ता खोजता है, लेकिन मंगलवार को, वह रास्ता भटक जाता है और एक बहुत खराब रास्ता ले लेता है। यह बुरा है। पुनरुत्पादकता (Reproducibility) पूछती है: "यदि मैं इस ड्राइवर को बिल्कुल समान निर्देशों के साथ फिर से भेजता हूँ, तो क्या वे एक समान परिणाम प्राप्त करेंगे?" लेखक इसके लिए "एन्ट्रॉपी" (जिसे वे 'अराजकता के माप' के रूप में देखते हैं) नामक एक गणितीय अवधारणा का उपयोग करते हैं ताकि यह देखा जा सके कि परिणाम कितने फैले हुए हैं। यदि परिणाम सभी एक साथ क्लस्टर में हैं, तो ड्राइवर सुसंगत (कम अराजकता) है। यदि परिणाम हर जगह बिखरे हुए हैं, तो ड्राइवर अविश्वसनीय (उच्च अराजकता) है।

2. "क्वालिटी डायग्राम" (प्रदर्शन का मानचित्र)

इसे विज़ुअलाइज़ करने के लिए, लेखकों ने एक विशेष मानचित्र बनाया जिसे क्वालिटी डायग्राम कहा जाता है।

कल्पना कीजिए कि एक ग्राफ है जहाँ नीचे-बाएँ कोना "होली ग्रेल" (पूर्ण सफलता, शून्य प्रयास) है।
हर बार जब आप एल्गोरिदम चलाते हैं, तो यह इस मानचित्र पर एक बिंदु (dot) के रूप में दिखाई देता है।
क्योंकि क्वांटम कंप्यूटर यादृच्छिक (random) है, आपको केवल एक बिंदु नहीं मिलता; आपको बिंदुओं का एक बादल (cloud) मिलता है।
एक "अच्छा" एल्गोरिदम इस मानचित्र पर "होली ग्रेल" के पास एक सघन बादल बनाता है। एक "खराब" एल्गोरिदम लक्ष्य से दूर एक बिखरा हुआ, अस्त-व्यस्त बादल बनाता है।

3. प्रयोग: स्कोरकार्ड को काम में लगाना

लेखकों ने एक विशिष्ट पहेली (QUBO समस्या जिसमें 16 वेरिएबल्स हैं, जो एक छोटी लेकिन जटिल भूलभुलैया की तरह है) पर इस सिस्टम का परीक्षण किया। उन्होंने दो "नॉब्स" (knobs) को बदलकर क्वांटम एल्गोरिदम के विभिन्न संस्करणों का परीक्षण किया:

"शॉट" काउंट (The "Shot" Count): कितनी बार उन्होंने क्वांटम कंप्यूटर को मानचित्र देखने के लिए कहा (अधिक शॉट्स = अधिक डेटा, लेकिन इसमें अधिक समय लगता है)।
"CVaR" पैरामीटर: एक सेटिंग जो यह बदल देती है कि एल्गोरिदम "सबसे खराब-मामले" (worst-case) बनाम "सबसे अच्छे-मामले" (best-case) के परिदृश्यों को कितना महत्व देता है।

उन्होंने क्या पाया:

अधिक शॉट्स ने आम तौर पर मदद की: "शॉट" नॉब को बढ़ाने से खोजकर्ता एक अच्छा रास्ता खोजने में अधिक सक्षम (उच्च व्यवहार्यता) और उसे अधिक कुशलता से खोजने (उच्च गुणवत्ता) में सक्षम हुए।
"CVaR" नॉब महत्वपूर्ण था: इस नॉब की कुछ सेटिंग्स अन्य की तुलना में बहुत बेहतर काम करती थीं।
निरंतरता (Consistency) कठिन थी: दिलचस्प बात यह है कि केवल अधिक डेटा डालने से परिणाम हमेशा अधिक सुसंगत नहीं हुए। कभी-कभी, एल्गोरिदम एक बार भाग्यशाली होता था और अगली बार दुर्भाग्यपूर्ण, चाहे वे कितना भी डेटा का उपयोग क्यों न करें।

4. निष्कर्ष

शोध पत्र यह निष्कर्ष निकालता है कि आप क्वांटम एल्गोरिदम को आंकने के लिए केवल एक एकल संख्या को नहीं देख सकते। आपको पूरी तस्वीर देखने के लिए इस तीन-भाग वाले स्कोरकार्ड (व्यवहार्यता, गुणवत्ता, पुनरुत्पादकता) की आवश्यकता है।

इस ढांचे का उपयोग करके, शोधकर्ता यह अनुमान लगाने के बजाय कि कौन सा एल्गोरिदम सबसे अच्छा है, डेटा-संचालित निर्णय लेना शुरू कर सकते हैं। वे कह सकते हैं, "यदि हमारे पास सीमित समय है, तो हमें एल्गोरिदम X चुनना चाहिए क्योंकि यह सुसंगत है। यदि हमारे पास असीमित समय है, तो हमें एल्गोरिदम Y चुनना चाहिए क्योंकि यह सबसे अच्छा रास्ता खोजता है, भले ही इसमें कुछ अधिक प्रयास लगें।"

संक्षेप में, यह शोध पत्र वर्तमान "शोर वाले" (noisy) कंप्यूटरों के युग में क्वांटम एल्गोरिदम को परखने के लिए एक मानकीकृत नियम पुस्तिका प्रदान करता है, जिससे यह सुनिश्चित होता है कि हम काम के लिए सही उपकरणों को उनकी विश्वसनीयता, दक्षता और निरंतरता के आधार पर चुनें।

तकनीकी सारांश: वेरिएशनल क्वांटम एल्गोरिदम के प्रदर्शन का मूल्यांकन करने के लिए एक ढांचा

1. समस्या विवरण

वेरिएशनल क्वांटम एल्गोरिदम (VQAs), विशेष रूप से नॉइज़ी इंटरमीडिएट-स्केल क्वांटम (NISQ) उपकरणों पर क्वाड्रेटिक अनकन्स्ट्रेंड बाइनरी ऑप्टिमाइज़ेशन (QUBO) जैसे कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन समस्याओं को हल करने के लिए एक अग्रणी दृष्टिकोण हैं। हालाँकि, VQAs का बेंचमार्किंग चुनौतीपूर्ण बना हुआ है क्योंकि इसमें अंतर्निहित स्टोकेस्टिक प्रकृति और मानकीकृत प्रदर्शन मानदंडों का अभाव है। मौजूदा अध्ययन अक्सर सीमित माप शॉट्स (measurement shots) और नॉइज़ी कॉस्ट इवैल्यूएशन द्वारा पेश की गई परिवर्तनशीलता को स्पष्ट रूप से संबोधित किए बिना एकल-रन मेट्रिक्स रिपोर्ट करते हैं। फलस्वरूप, संसाधन बाधाओं के तहत विशिष्ट QUBO इंस्टेंस को हल करने के लिए VQAs की उपयुक्तता के आधार पर वर्गीकरण करने के लिए कोई सार्वभौमिक रूप से स्वीकृत मानदंड नहीं है।

2. कार्यप्रणाली

लेखक QUBO समस्याओं पर लागू होने वाले VQAs के मूल्यांकन के लिए एक सामान्य ढांचे का प्रस्ताव करते हैं। कार्यप्रणाली बाइनरी स्पेस पर प्रायिकता वितरण (probability distributions) के रूप में क्वांटम सर्किटों की व्याख्या करने और इन वितरणों से प्राप्त सांख्यिकीय मापों के माध्यम से VQA प्रदर्शन को चरित्रित करने पर आधारित है।

A. सैद्धांतिक ढांचा

यह ढांचा एक VQA को टुपल $VQA := (U, [C, s, A]) $के रूप में परिभाषित करता है, जिसमें एक एंसेट ($ U $), एक कॉस्ट फंक्शन ($ C $), शॉट्स की संख्या ($ s $), और एक क्लासिकल ऑप्टिमाइज़र ($ A $) शामिल है। प्रदर्शन को एक **क्वालिटी डायग्राम** ($ D \subset \mathbb{R}^2$) में विज़ुअलाइज़ किया जाता है, जहाँ प्रत्येक बिंदु एक VQA निष्पादन को दर्शाता है जो निम्नलिखित द्वारा परिभाषित है:

सामान्यीकृत संसाधन खपत (Normalized Resource Consumption): अधिकतम सीमा ( $n_{max}$ ) के सापेक्ष सर्किट इवैल्यूएशन की संख्या ( $n_{calls}$ )।
सफलता की प्रायिकता (Success Probability): ग्लोबल मिनिममम को मापने की प्रायिकता ( $p_{min}$ ), जिसे $1 - p_{min}$ के रूप में रूपांतरित किया गया है।

आदर्श समाधान बिंदु $(0,0)$ के अनुरूप होता है, जो ग्लोबल मिनिममम खोजने के लिए एक एकल फंक्शन कॉल और 1 की प्रायिकता को दर्शाता है। स्टोकेस्टिसिटी के कारण, बार-बार किए गए रन $D$ पर बिंदुओं ( $\rho$ ) का एक वितरण उत्पन्न करते हैं।

B. तीन मुख्य मेट्रिक्स

ढांचा $\rho$ से प्राप्त तीन पूरक मेट्रिक्स का उपयोग करके VQAs का मूल्यांकन करता है:

व्यवहार्यता (Feasibility - $F$ ): एक पूर्व-निर्धारित थ्रेशोल्ड ( $p_{threshold}$ ) से ऊपर $p_{min}$ के साथ समाधान खोजने में एल्गोरिदम की 'ए प्रायर' (a priori) प्रायिकता। इसकी गणना वितरण $\rho$ के उस क्षेत्र के इंटीग्रल के रूप में की जाती है जहाँ $p_{min} \geq p_{threshold}$ है।
गुणवत्ता (Quality - $Q$ ): एक स्केलर मान जो खोज प्रक्रिया की दक्षता को मात्रात्मक रूप देता है, जो सफलता की प्रायिकता और संसाधन खपत के बीच संतुलन बनाता है। इसे एक गुणवत्ता फलन $q(n_{calls}, p_{min})$ के अपेक्षित मान के रूप में परिभाषित किया गया है, जो $p_{min} < p_{threshold}$ होने पर शून्य गुणवत्ता प्रदान करता है और अन्यथा आदर्श बिंदु $(0,0)$ से भारित यूक्लिडियन दूरी की गणना करता है।
पुनरुत्पादकता (Reproducibility - $R$ ): परिणामों की निश्चितता का एक माप, जिसे शैनन एंट्रॉपी ( $S[\rho]$ ) का उपयोग करके औपचारिक रूप दिया गया है। पुनरुत्पादकता $R[\rho] = 1 - \frac{S[\rho]}{S_{max}}$ के रूप में परिभाषित है, जहाँ 1 का मान एक पूर्णतः केंद्रित वितरण (उच्च निश्चितता) को दर्शाता है और 0 का मान एक समान फैलाव (उच्च अनिश्चितता) को दर्शाता है।

C. चयन मानदंड

ढांचा थ्रेशोल्ड $(F_0, Q_0, R_0)$ के आधार पर एल्गोरिदम चयन के लिए एक निर्णय प्रक्रिया स्थापित करता है। एक VQA को तभी "सुयोग्य सॉल्वर" माना जाता है यदि वह क्रमिक रूप से इन शर्तों को पूरा करता है:

$F[\rho] \geq F_0$
$Q[\rho] \geq Q_0$
$R[\rho] \geq R_0$

3. प्रयोगात्मक परिणाम

एक प्रूफ ऑफ कॉन्सेप्ट के रूप में, लेखकों ने सिमुलेशन का उपयोग करके एक 16-qubit रैंडम QUBO इंस्टेंस पर इस ढांचे को लागू किया। उन्होंने कई VQA कॉन्फ़िगरेशन का मूल्यांकन किया, जिसमें CVaR पैरामीटर ( $\alpha \in \{0.15, 0.25, 0.50, 0.75, 1.00\}$ ) और शॉट्स की संख्या ( $s \in \{1,000 \dots 100,000\}$ ) को बदला गया, जिसमें RealAmplitudes एंसेट और COBYLA ऑप्टिमाइज़र का उपयोग किया गया। प्रत्येक कॉन्फ़िगरेशन का 400 ऑप्टिमाइज़ेशन रन के ऊपर परीक्षण किया गया।

मुख्य निष्कर्ष:

व्यवहार्यता (Feasibility): व्यवहार्यता आम तौर पर उच्च $\alpha$ मानों और उच्च शॉट काउंट्स ( $s$ ) दोनों के साथ बढ़ी, और अंततः संतृप्ति (saturation) तक पहुँची। उदाहरण के लिए, $\alpha=1.00$ के साथ, $s=60,000$ पर व्यवहार्यता 0.95 तक पहुँच गई।
गुणवत्ता (Quality): व्यवहार्यता के समान, गुणवत्ता उच्च $\alpha$ और $s$ के साथ सुधरी। हालाँकि, $\alpha=0.25$ के अपवाद के साथ, अधिकांश मामलों में $s=20,000$ के बाद संतृप्ति देखी गई।
पुनरुत्पादकता (Reproducibility): अन्य मेट्रिक्स के विपरीत, पुनरुत्पादकता $s$ और $\alpha$ में बदलाव के प्रति काफी हद तक असंवेदनशील थी। कम $\alpha$ और $s$ के मान कभी-कभी उच्च पुनरुत्पादकता प्रदान करते थे, संभवतः इसलिए क्योंकि एल्गोरिदम विविध समाधानों की खोज किए बिना जल्दी समाप्त हो गया था।
इष्टतम कॉन्फ़िगरेशन (Optimal Configurations): चयन मानदंडों ( $F_0=0.70, Q_0=1.20, R_0=0.60$ ) के आधार पर, सबसे उपयुक्त VQA कॉन्फ़िगरेशन वे पहचाने गए जिनमें उच्च $\alpha$ (विशेष रूप से 0.75 और 1.00) और उच्च शॉट काउंट्स (10,000 से 100,000 के बीच) थे।

4. प्रमुख योगदान

एकीकृत मूल्यांकन ढांचा: व्यवस्थित VQA बेंचमार्किंग में अंतराल को दूर करने के लिए व्यवहार्यता, गुणवत्ता और पुनरुत्पादकता को संयोजित करने वाली एक संरचित कार्यप्रणाली पेश करता है।
स्टोकेस्टिक लक्षण वर्णन: VQA प्रदर्शन को एक प्रायिकता वितरण के रूप में मानकर और पुनरुत्पादकता को मात्रात्मक रूप देने के लिए शैनन एंट्रॉपी का उपयोग करके एकल-रन मेट्रिक्स से आगे बढ़ता है।
क्वालिटी डायग्राम: सफलता की प्रायिकता और संसाधन खपत के बीच ट्रेड-ऑफ को कैप्चर करने के लिए एक दृश्य और गणितीय उपकरण प्रस्तावित करता है।
निर्णय मानदंड: संसाधन बाधाओं के तहत इष्टतम VQA कॉन्फ़िगरेशन की पहचान करने के लिए एक औपचारिक, थ्रेशोल्ड-आधारित चयन प्रक्रिया प्रदान करता है।

5. महत्व और दावे

लेखक दावा करते हैं कि यह कार्य NISQ युग में VQAs की तुलना करने के लिए एक सिद्धांत-आधारित दृष्टिकोण में योगदान देता है। वेरिएशनल एल्गोरिदम की स्टोकेस्टिक प्रकृति को स्पष्ट रूप से ध्यान में रखकर, यह ढांचा हाइब्रिड क्वांटम-क्लासिकल वर्कफ़्लो में अधिक विश्वसनीय एल्गोरिदम चयन को सक्षम बनाता है।

यह शोध अपने परिणामों को एक प्रूफ ऑफ कॉन्सेप्ट के रूप में विनम्रतापूर्वक प्रस्तुत करता है। यह अपनी सीमाओं को स्वीकार करता है, जिसमें उल्लेख है कि विश्लेषण एक एकल QUBO इंस्टेंस, एक एंसेट और एक ऑप्टिमाइज़र तक सीमित था, जिसका मूल्यांकन सिमुलेशन के माध्यम से किया गया था। लेखक कहते हैं कि यह ढांचा भविष्य के अनुसंधान के लिए एक आधार प्रदान करता है, जिसमें वास्तविक हार्डवेयर पर सत्यापन, विविध एंसेट्स की खोज और बड़े पैमाने की समस्याओं के लिए अनुकूलित चयन मानदंडों का विकास शामिल है। वे सभी संदर्भों में विशिष्ट एल्गोरिदम की तत्काल श्रेष्ठता का दावा नहीं करते हैं, बल्कि किसी दिए गए समस्या इंस्टेंस और संसाधन बजट के लिए सबसे अच्छा प्रदर्शन करने वाले एल्गोरिदम को व्यवस्थित रूप से पहचानने के लिए इस ढांचे की उपयोगिता का दावा करते हैं।