⚛️ quantum physics

A Cyclic Layerwise QAOA Training

यह शोध पत्र Orbit-QAOA का प्रस्ताव करता है, जो एक प्रशिक्षण विधि है जो पैरामीटर अपडेट की सूक्ष्मता (granularity) को अनुकूलित करने के लिए चक्रीय रूप से स्थिर परतों (stabilized layers) का पुनरावलोकन और चुनिंदा रूप से उन्हें फ्रीज करती है, जिससे Multi-angle QAOA के उच्च प्रदर्शन को बनाए रखते हुए प्रशिक्षण चरणों और सन्निकटन त्रुटियों (approximation errors) को महत्वपूर्ण रूप से कम किया जाता है।

मूल लेखक: Enhyeok Jang, Zihan Chen, Dongho Ha, Seungwoo Choi, Yongju Lee, Jaewon Kwon, Eddy Z. Zhang, Yipeng Huang, Won Woo Ro

प्रकाशित 2026-01-29

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Enhyeok Jang, Zihan Chen, Dongho Ha, Seungwoo Choi, Yongju Lee, Jaewon Kwon, Eddy Z. Zhang, Yipeng Huang, Won Woo Ro

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

मुख्य विचार: क्वांटम कंप्यूटरों के साथ पहेलियाँ सुलझाना

कल्पना कीजिए कि आपके पास एक विशाल, जटिल पहेली (एक कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन समस्या) है जिसे हल करने में एक सामान्य कंप्यूटर संघर्ष कर रहा है। आप इस पहेली का सबसे अच्छा समाधान खोजने के लिए एक क्वांटम कंप्यूटर का उपयोग करना चाहते हैं। ऐसा करने के लिए, वैज्ञानिक QAOA नामक एक टूल का उपयोग करते हैं।

QAOA को एक टीम के श्रमिकों के रूप में सोचें जो सबसे स्पष्ट स्टेशन खोजने के लिए एक विशाल, जटिल रेडियो को ट्यून करने की कोशिश कर रहे हैं। इस रेडियो के "नॉब्स" (knobs) को पैरामीटर्स कहा जाता है। लक्ष्य इन नॉब्स को बिल्कुल सही तरीके से घुमाना है ताकि रेडियो एक आदर्श गाना बजा सके (पहेली का सबसे अच्छा समाधान)।

समस्या: बहुत सारे नॉब्स, बहुत अधिक समय

इस रेडियो को ट्यून करने के दो मुख्य तरीके हैं:

तरीका नंबर एक (MA-QAOA): आप प्रत्येक सिंगल नॉब को उसकी अपनी अनूठी सेटिंग देते हैं। यह रेडियो को एक आदर्श स्टेशन खोजने के लिए अविश्वसनीय लचीलापन देता है, भले ही पहेली कठिन क्यों न हो। हालाँकि, क्योंकि इसमें इतने सारे नॉब्स हैं, इसलिए "ट्यूनर" (एक क्लासिकल कंप्यूटर) को यह समझने में बहुत लंबा समय लगता है कि उन सभी को एक साथ कैसे समायोजित किया जाए। यह एक साथ 1,000 डायलों को एडजस्ट करने जैसा है; यह बहुत भारी और धीमा काम है।
"लेयर-दर-लेयर" वाला तरीका (LMA-QAOA): समय बचाने के लिए, वैज्ञानिकों ने एक नया तरीका आजमाया: पहले लेयर के नॉब्स को ट्यून करें, उन्हें एक जगह लॉक कर दें, फिर दूसरी लेयर पर जाएँ, उन्हें लॉक करें, और इसी तरह आगे बढ़ें।
- दोष: कल्पना कीजिए कि आपने एक छोटे रेडियो के लिए पहले लेयर के नॉब्स को पूरी तरह से ट्यून किया। फिर, आप उस रेडियो में एक बड़ा नया एंटीना (एक नई लेयर) जोड़ते हैं। अचानक, पहले लेयर के लिए जो सेटिंग्स आपने लॉक की थीं, वे अब परफेक्ट नहीं रहीं! वे एक छोटी मशीन के लिए ट्यून की गई थीं, बड़ी मशीन के लिए नहीं। अब आपके पास एक ऐसा रेडियो है जो ठीक-ठाक तो सुनाई देता है, लेकिन परफेक्ट नहीं है, क्योंकि आप पहली लेयर को ठीक करने के लिए वापस नहीं जा सकते।

समाधान: Orbit-QAOA (द "राउंड-रॉबिन" ट्यूनर)

इस पेपर के लेखक Orbit-QAOA नामक एक नया तरीका प्रस्तावित करते हैं। उन्होंने महसूस किया कि सबसे अच्छा परिणाम पाने के लिए, आपको हर नॉब को ट्यून करने का लचीलापन चाहिए, लेकिन एक बार में केवल कुछ ही चीज़ों को ट्यून करने की दक्षता भी चाहिए।

यहाँ बताया गया है कि गार्डन एनालॉजी (बगीचे के उदाहरण) का उपयोग करके Orbit-QAOA कैसे काम करता है:

कल्पना कीजिए कि आप एक माली हैं जो फूलों की एक आदर्श पंक्ति (क्वांटम सर्किट) उगाने की कोशिश कर रहे हैं।

पुराना तरीका (LMA): आप पहले फूल को पानी देते हैं, तय करते हैं कि वह हो गया, और फिर उसे कभी नहीं छूते। फिर आप दूसरे फूल पर जाते हैं, उसे पानी देते हैं, और उसे लॉक कर देते हैं। समस्या यह है कि जब आप तीसरा फूल जोड़ते हैं, तो मिट्टी की स्थिति बदल जाती है, और पहले फूल को वास्तव में अपने सर्वश्रेष्ठ रूप में दिखने के लिए थोड़े और पानी की आवश्यकता हो सकती है। लेकिन आप वापस नहीं जा सकते, इसलिए वह थोड़ा मुरझाया हुआ ही रह जाता है।
नया तरीका (Orbit): आप पहले फूल को पानी देते हैं, फिर दूसरे को, फिर तीसरे को। लेकिन रुकने के बजाय, आप पहले फूल की ओर वापस चक्र (cycle) में जाते हैं ताकि यह देख सकें कि क्या अन्य फूलों के बढ़ने के बाद उसे अब और पानी की आवश्यकता है। आप एक घेरे में चलते रहते हैं (राउंड-रॉबिन)।
- "फ्रीज" फीचर: जैसे-जैसे आप चक्र पूरा करते हैं, आप देखते हैं कि कुछ फूल पहले से ही परफेक्ट हैं। उन्हें अब और पानी की ज़रूरत नहीं है। Orbit-QAOA में एक स्मार्ट सेंसर है: यदि कोई फूल (लेयर) पानी देने पर भी बेहतर नहीं होता है, तो सिस्टम कहता है, "यह वाला हो गया," और उसे फ्रीज (freeze) कर देता है। आप उस पर पानी बर्बाद करना बंद कर देते हैं और केवल उन्हीं फूलों पर ध्यान केंद्रित करते हैं जिन्हें ध्यान देने की आवश्यकता है।

इस पेपर की प्रमुख खोजें

एक समय में एक लेयर ही सबसे सटीक है: लेखकों ने परीक्षण किया कि क्या उन्हें एक लेयर के बहुत छोटे हिस्से को ट्यून करना चाहिए या पूरी लेयर को एक साथ। उन्होंने पाया कि एक पूरी लेयर को एक बार में ट्यून करना सबसे कुशल है। इसे छोटे टुकड़ों में करना बहुत धीमा है, और पूरे रेडियो को एक साथ करना बहुत भारी है।
पीछे मुड़कर देखना मददगार होता है: शुरुआती लेयर्स पर वापस चक्र चलाने (राउंड-रॉबिन स्टाइल) से, सिस्टम को बाद में जोड़ी गई नई लेयर्स के अनुकूल होने के लिए शुरुआती सेटिंग्स को ढलने की अनुमति मिलती है। यह "मुरझाए हुए फूल" की समस्या को ठीक करता है और बहुत बेहतर अंतिम समाधान की ओर ले जाता है।
स्मार्ट फ्रीजिंग समय बचाता है: सिस्टम उन फूलों की जाँच करने में समय बर्बाद नहीं करता जो पहले से ही परफेक्ट हैं। "स्थिर" (stabilized) लेयर्स को फ्रीज करके, यह प्रक्रिया को काफी तेज कर देता है।
परिणाम:
- पुराने "लेयर-दर-लेयर" तरीके की तुलना में, Orbit-QAOA ने सिस्टम को प्रशिक्षित करने के लिए आवश्यक चरणों की संख्या को 81.8% तक कम कर दिया।
- इसने पुराने बेहतर संस्करण की तुलना में अंतिम समाधान में त्रुटि (error) को 72 गुना तक कम कर दिया।
- इसने "सब कुछ एक साथ ट्यून करने" वाले तरीके के समान उच्च-गुणवत्ता वाले परिणाम प्राप्त किए, लेकिन यह बहुत तेज़ी से किया।

यह क्यों महत्वपूर्ण है

यह पेपर क्वांटम कंप्यूटरों को प्रशिक्षित करने का एक स्मार्ट तरीका पेश करता है। यह गति (speed) और सटीकता (accuracy) के बीच के संतुलन को हल करता है।

पुराना स्पीड मेथड: शुरू करने में तेज़, लेकिन अंतिम उत्तर अक्सर औसत होता है क्योंकि आप शुरुआती गलतियों को सुधार नहीं सकते।
पुराना एक्यूरेसी मेथड: बहुत सटीक, लेकिन बहुत समय लेता है क्योंकि आपको एक साथ सब कुछ एडजस्ट करना पड़ता है।
Orbit-QAOA: यह दोनों का सबसे अच्छा संगम है। यह प्रशिक्षण को तेज़ रखता है क्योंकि यह एक बार में केवल कुछ ही चीज़ों को एडजस्ट करता है, लेकिन यह सटीकता को भी उच्च रखता है क्योंकि यह सिस्टम को पहेली बड़ी होने पर शुरुआती सेटिंग्स को "ठीक करने के लिए वापस जाने" की अनुमति देता है।

संक्षेप में, Orbit-QAOA एक स्मार्ट माली की तरह है जो जानता है कि कब पौधे को पानी देना है और कब रुकना है, जिससे यह सुनिश्चित होता है कि पूरा बगीचा बिना पानी की एक भी बूंद बर्बाद किए पूरी तरह से खिल उठे।

तकनीकी सारांश: Orbit-QAOA

1. समस्या विवरण

क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन एल्गोरिदम (QAOA), कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन के लिए एक प्रमुख हाइब्रिड क्वांटम-क्लासिकल दृष्टिकोण है। जबकि मल्टी-एंगल QAOA (MA-QAOA), स्टैंडर्ड सिंगल-एंगल QAOA की तुलना में बेहतर है क्योंकि यह प्रत्येक हैमिल्टोनियन टर्म को स्वतंत्र वेरिएशनल पैरामीटर्स असाइन करता है (जो एक्सप्रेसिबिलिटी को बढ़ाता है), यह पैरामीटर्स की संख्या में होने वाली अत्यधिक वृद्धि के कारण एक महत्वपूर्ण क्लासिकल कंप्यूटेशनल बोझ भी पैदा करता है।

इसे कम करने के लिए, लेयरवाइज MA-QAOA (LMA-QAOA) प्रस्तावित किया गया था, जो एक समय में एक लेयर के आधार पर सर्किट को क्रमिक रूप से प्रशिक्षित करता है और पहले से अनुकूलित पैरामीटर्स को फ्रीज कर देता है। हालाँकि, यह कार्य LMA-QAOA दृष्टिकोण में एक गंभीर दोष की पहचान करता है: उथले (shallow) सर्किटों में अनुकूलित पैरामीटर्स अक्सर गहरे सर्किटों के लिए प्रभावी "वार्म स्टार्ट" के रूप में काम नहीं करते हैं। जैसे-जैसे नई लेयर्स जोड़ी जाती हैं, अंतर्निहित ऑप्टिमाइज़ेशन लैंडस्केप बदल जाता है, जिससे पहले से फिक्स्ड पैरामीटर्स उप-इष्टतम (suboptimal) हो जाते हैं। फलस्वरूप, LMA-QAOA को स्टैंडर्ड MA-QAOA के समान एप्रोक्सिमेशन रेशियो तक पहुँचने के लिए काफी अधिक ट्रेनिंग स्टेप्स (मूल्यांकित परिदृश्यों में 82.1% तक अधिक) की आवश्यकता होती है, जो इसके प्रति-स्टेप दक्षता लाभों को निष्प्रभावी कर देता है।

लेखक इस अक्षमता को दूर करने के लिए दो केंद्रीय प्रश्न पूछते हैं:

प्रति एपोक (epoch) पैरामीटर अपडेट के लिए इष्टतम ग्रैनुलैरिटी (granularity) क्या है?
केवल प्रति एपोक आंशिक रूप से पैरामीटर अपडेट करके सटीक अंतिम कॉस्ट फंक्शन परिणाम कैसे प्राप्त किए जा सकते हैं?

2. कार्यप्रणाली: Orbit-QAOA

लेखक Orbit-QAOA (rOund RoBin layewIse mulTi-angle QAOA) प्रस्तावित करते हैं, जो एक ऐसा ट्रेनिंग फ्रेमवर्क है जिसे लेयरवाइज अपडेट की कम्प्यूटेशनल दक्षता और फुल-सर्किट ट्रेनिंग की कन्वर्जेंस गुणवत्ता के बीच संतुलन बनाने के लिए डिज़ाइन किया गया है।

मुख्य तंत्र (Core Mechanisms)

राउंड-रॉबिन लेयरवाइज ट्रेनिंग: LMA-QAOA के विपरीत, जो लेयर्स को एकदिशीय (unidirectionally) रूप से जोड़ता है और उन्हें स्थायी रूप से फ्रीज कर देता है, Orbit-QAOA चक्रीय रूप से सभी लेयर्स पर राउंड-रॉबिन क्रम में वापस जाता है। प्रत्येक ट्रेनिंग स्टेप में, केवल एक लेयर के पैरामीटर्स को अपडेट किया जाता है जबकि अन्य को स्थिर रखा जाता है। यह शुरुआती लेयर्स को बाद में जोड़ी गई या अपडेट की गई लेयर्स द्वारा उत्पन्न परिवर्तनों के अनुकूल गतिशील रूप से ढलने की अनुमति देता है, जिससे विकसित होते पैरामीटर लैंडस्केप को ट्रैक करना प्रभावी हो जाता है।
इष्टतम ग्रैनुलरिटी (Optimal Granularity): पेपर इस बात की जांच करता है कि क्या सब-लेयर्स (बारीक ग्रैनुलरिटी) को अपडेट करना या कई लेयर्स (मोटा ग्रैनुलरिटी) को अपडेट करना लाभ प्रदान करता है। प्रयोगों से पता चलता है कि प्रति स्टेप एक पूर्ण लेयर को अपडेट करना इष्टतम ग्रैनुलरिटी है। सब-लेयर्स को अपडेट करने से ग्रेडिएंट असंतुलन के कारण कन्वर्जेंस धीमा हो जाता है, जबकि एक साथ कई लेयर्स को अपडेट करने से सिंगल-लेयर अपडेट की तुलना में कोई महत्वपूर्ण गति नहीं मिलती, बल्कि क्लासिकल ओवरहेड बढ़ जाता है।
चयनात्मक लेयर फ्रीजिंग (Selective Layer Freezing): रेडंडेंसी को और कम करने के लिए, Orbit-QAOA स्थिर हो चुकी लेयर्स की पहचान करने और उन्हें बाहर करने के लिए एक तंत्र लागू करता है। एल्गोरिदम एक लेयर को अपडेट करने के बाद कॉस्ट फंक्शन में परिवर्तन ( $\Delta C$ ) की निगरानी करता है। यदि सुधार एक विशिष्ट थ्रेशोल्ड ( $\epsilon$ ) से नीचे गिर जाता है, तो उस लेयर को कन्वर्ज माना जाता है और आगामी राउंड के लिए सक्रिय सेट से हटा दिया जाता है। यह थ्रेशोल्ड सैंपलिंग रेजोल्यूशन ( $1/S$ , जहाँ $S$ शॉट्स की संख्या है) द्वारा प्रेरित न्यूनतम क्वांटाइज्ड परिवर्तन से थोड़ा ऊपर सेट किया गया है ताकि सांख्यिकीय शोर के कारण समय से पहले फ्रीजिंग न हो।

एल्गोरिदम प्रवाह (Algorithm Flow)

सभी पैरामीटर्स को रैंडमली इनिशियलाइज़ करें।
"एक्टिव" लेयर्स का एक सेट बनाए रखें।
सॉर्टेड (क्रमिक) या रैंडम ऑर्डर में एक्टिव लेयर्स के माध्यम से पुनरावृत्ति (iterate) करें।
चयनित लेयर के लिए, अन्य सभी को फ्रीज करते हुए एक सिंगल ऑप्टिमाइज़र स्टेप करें।
कॉस्ट फंक्शन में सुधार की गणना करें। यदि $|\Delta C| < \epsilon$ , तो लेयर को एक्टिव सेट से हटा दें।
जब तक एक्टिव सेट खाली न हो जाए, तब तक दोहराएं।

3. मुख्य परिणाम

लेखकों ने विविध ग्राफ बेंचमार्क (Path, Power-Law, Erdős–Rényi, Barabási–Albert, Sherrington-Kirkton) और विभिन्न सर्किट डेप्थ केAcross Orbit-QAOA का मानक MA-QAOA, LMA-QAOA और एक उन्नत LMA वेरिएंट (LMA+) के विरुद्ध मूल्यांकन किया।

कन्वर्जेंस एफिशिएंसी: Orbit-QAOA, LMA-QAOA की तुलना में कन्वर्जेंस के लिए आवश्यक ट्रेनिंग स्टेप्स को 81.8% तक कम करता है और स्टैंडर्ड MA-QAOA की तुलना में औसतन 25.4% कम करता है।
एप्रोक्सिमेशन एक्यूरेसी: Orbit-QAOA, स्टैंडर्ड MA-QAOA (जैसे, 0.999) के समकक्ष एप्रोक्सिमेटेड कट रेशियो (ACR) प्राप्त करता है, जो LMA-QAOA से काफी बेहतर है, जो समय से पहले पैरामीटर फ्रीजिंग के कारण सटीकता में गिरावट (लगभग 3% कम) से जूझता है।
रनटाइम: सिमुलेशन के लिए फुल सर्किट डेप्थ का उपयोग करने के बावजूद, कुल ट्रेनिंग स्टेप्स में कमी और प्रति स्टेप हल्के क्लासिकल ऑप्टिमाइज़ेशन लोड (केवल एक लेयर को अपडेट करना) के परिणामस्वरूप, MA-QAOA की तुलना में औसतन 35% की कुल रनटाइम कमी आती है।
ग्रेडिएंट इम्प्रूवमेंट: Orbit-QAOA उच्च ग्रेडिएंट इम्प्रूवमेंट पर स्टेप (GIPS) (0.12 बनाम MA-QAOA के लिए 0.09) प्रदर्शित करता है, जो प्रति इटरेशन अधिक कुशल कॉस्ट फंक्शन मिनिमाइजेशन को दर्शाता है।
स्केलेबिलिटी: Orbit-QAOA के दक्षता लाभ सर्किट डेप्थ के साथ बढ़ते हैं। गहरे सर्किटों के लिए, यह विधि समान ACR बनाए रखते हुए औसतन 25.5% (59.3% तक) ट्रेनिंग स्टेप्स को कम करती है।
जनरलाइजेबिलिटी (Generalizability): इस दृष्टिकोण को क्वांटम अल्टरनेटिंग ऑपरेटर एन्सैट्ज़ (विभिन्न मिक्सर्स के साथ QAOA) और सिंगल-एंगल QAOA तक सफलतापूर्वक विस्तारित किया गया, जिसने समान प्रदर्शन सुधार बनाए रखे।

4. महत्व और दावे

पेपर का दावा है कि Orbit-QAOA, पैरामीटर-समृद्ध MA-QAOA सर्किट को प्रशिक्षित करने से जुड़े क्लासिकल कम्प्यूटेशनल ओवरहेड को कम करने के लिए एक व्यावहारिक ऑप्टिमाइज़ेशन रणनीति प्रदान करता है। इसका प्राथमिक महत्व मल्टी-एंगल पैरामीट्राइज़ेशन की एक्सप्रेसिबिलिटी और ऑप्टिमाइज़ेशन प्रक्रिया की सुगमता (tractability) के बीच के ट्रेड-ऑफ को हल करने में निहित है।

यह प्रदर्शित करके कि चक्रीय रूप से लेयर्स पर वापस जाने से फुल-सर्किट साइमल्टेनियस अपडेट के दंड के बिना डायनेमिक एडैप्टेशन की अनुमति मिलती है, यह कार्य सुझाव देता है कि लेयरवाइज रणनीतियों को समाधान की सटीकता से समझौता किए बिना अत्यधिक कुशल बनाया जा सकता है। लेखक तर्क देते हैं कि यह विधि अधिक स्केलेबल हाइब्रिड क्वांटम-क्लासिकल वर्कफ़्लो में योगदान देती है, विशेष रूप से निकट-अवधि (near-term) परिदृश्यों में जहाँ क्वांटम अनुप्रयोगों का समर्थन करने के लिए उच्च-प्रदर्शन वाले क्लासिकल संसाधन उपलब्ध हैं, और जहाँ सर्किट डेप्थ हार्डवेयर शोर द्वारा सीमित है। यह कार्य यह भी रेखांकित करता है कि गहरे सर्किट कभी-कभी इस फ्रेमवर्क में तेजी से कन्वर्ज हो सकते हैं, जो इस अंतर्ज्ञान को चुनौती देता है कि बढ़ी हुई डेप्थ हमेशा वेरिएशनल एल्गोरिदम में धीमा कन्वर्जेंस लाती है।