⚛️ quantum physics

Scalable Tensor Network Simulation for Quantum-Classical Dual Kernel

यह शोध पत्र एक स्केलेबल टेंसर नेटवर्क फ्रेमवर्क प्रस्तुत करता है जो 784-क्यूबिट क्वांटम-क्लासिकल ड्यूल कर्नेल के सिमुलेशन को सक्षम बनाता है, जो यह प्रदर्शित करता है कि यह हाइब्रिड दृष्टिकोण उच्च आयामों पर प्रदर्शन को स्थिर करने के लिए क्लासिकल घटकों का लाभ उठाते हुए और निचले स्तरों पर क्वांटम लाभों को बनाए रखते हुए, शुद्ध क्वांटम और क्लासिकल बेसलाइन से लगातार बेहतर प्रदर्शन करता है।

मूल लेखक: Mei Ian Sam, Tai-Yu Li

प्रकाशित 2026-02-03

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mei Ian Sam, Tai-Yu Li

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 कंप्यूटर को ब्लैक-एंड-व्हाइट तस्वीरों से अलग-अलग प्रकार के कपड़े (जैसे शर्ट, जूते या ड्रेस) पहचानना सिखाने की कोशिश कर रहे हैं। यह एक क्लासिक कार्य है जिसे "मशीन लर्निंग" कहा जाता है।

यह शोध पत्र इस बारे में है कि दो अलग-अलग "मस्तिष्कों" को मिलाकर एक कंप्यूटर को सिखाने का एक नया तरीका कैसे विकसित किया गया: एक क्लासिकल ब्रेन (वह प्रकार का कंप्यूटर जिसका हम आज उपयोग करते हैं) और एक क्वांटम ब्रेन (एक भविष्यवादी, सुपर-पावरफुल कंप्यूटर जो भौतिकी के अजीब नियमों का उपयोग करता है)।

यहाँ शोधकर्ताओं ने क्या किया, इसका सरल विवरण दिया गया है:

1. समस्या: "बहुत बड़ा" जाल

शोधकर्ता यह देखना चाहते थे कि क्या क्वांटम ब्रेन का उपयोग करने से कंप्यूटर अधिक स्मार्ट बन सकता है। उन्होंने कंप्यूटर को कपड़ों के बारे में अधिक से अधिक विवरण देने की कोशिश की, जो 784 छोटे विवरणों (क्वांटम की दुनिया में जिन्हें "क्यूबिट्स" कहा जाता है) तक पहुँच गए।

क्लासिकल ब्रेन: यह स्थिर था। जैसे-जैसे उन्होंने इसे अधिक विवरण दिए, यह कपड़ों को पहचानने में बेहतर होता गया, लेकिन यह भ्रमित नहीं हुआ।
क्वांटम ब्रेन: शुरुआत में, यह बहुत बढ़िया था! लेकिन जैसे ही उन्होंने विवरण जोड़े (128 से अधिक), क्वांटम ब्रेन घबरा गया। संभावनाओं की भारी संख्या से अभिभूत होकर, यह इतना परेशान हो गया कि इसने बेतरतीब ढंग से अनुमान लगाना शुरू कर दिया। तकनीकी शब्दों में, "सिग्नल" "शोर" (noise) में खो गया, और कंप्यूटर भूल गया कि शर्ट और जूते के बीच अंतर कैसे किया जाए।

2. समाधान: "हाइब्रिड टीम"

दोनों में से किसी एक को चुनने के बजाय, शोधकर्ताओं ने एक डुअल-कर्नेल टीम बनाई।

इसे एक नेविगेशन सिस्टम की तरह समझें:

क्वांटम ब्रेन एक हाई-टेक GPS की तरह है जो जंगल के माध्यम से उन शॉर्टकट देख सकता है जिन्हें एक सामान्य मानचित्र नहीं देख सकता। यह बहुत अभिव्यंजक और शक्तिशाली है।
क्लासिकल ब्रेन एक भरोसेमंद, पुराने जमाने के कागज के मानचित्र की तरह है। यह बहुत फैंसी नहीं है, लेकिन यह कभी रास्ता नहीं भटकता और हमेशा मुख्य सड़कों को जानता है।

शोधकर्ताओं ने एक ऐसा सिस्टम बनाया जहाँ ये दोनों मिलकर काम करते हैं। उन्होंने केवल उन्हें बहस करने के लिए नहीं छोड़ा; उन्होंने एक "मिक्सिंग नॉब" (जिसे $\alpha$ कहा जाता है) बनाया।

यदि वे नॉब को पूरा क्वांटम की ओर घुमाते, तो सिस्टम खो जाता (ठीक वैसे ही जैसे अकेला क्वांटम ब्रेन)।
यदि वे इसे पूरा क्लासिकल की ओर घुमाते, तो यह सुरक्षित तो था लेकिन इसमें शानदार शॉर्टकट छूट जाते।
स्वीट स्पॉट (सही संतुलन): जब उन्होंने नॉब को एक मिश्रण (ज्यादातर क्लासिकल, थोड़ा सा क्वांटम) पर सेट किया, तो सिस्टम दोनों दुनियाओं का सबसे अच्छा हिस्सा बन गया। क्लासिकल मैप ने क्वांटम GPS को भटकने से रोका, जबकि क्वांटम GPS ने बेहतर रास्ते खोजने के लिए अतिरिक्त बुद्धिमत्ता जोड़ी।

3. गुप्त हथियार: "टेन्सर नेटवर्क" सिम्युलेटर

आप सोच सकते हैं कि यदि उनके पास 784 क्यूबिट्स वाला असली क्वांटम कंप्यूटर नहीं है, तो उन्होंने इसका परीक्षण कैसे किया?

असली क्वांटम कंप्यूटर वर्तमान में बहुत छोटे और शोर वाले होते हैं। इस विशाल विचार का परीक्षण करने के लिए, शोधकर्ताओं ने टेन्सर नेटवर्क सिमुलेशन नामक एक चतुर ट्रिक का उपयोग किया।

कल्पना कीजिए कि आप समुद्र तट पर अरबों चींटियों के पथ की गणना करने की कोशिश कर रहे हैं। उन्हें एक-एक करके करने में बहुत समय लगेगा। लेकिन यदि आप महसूस करते हैं कि चींटियाँ व्यवस्थित रेखाओं में चलती हैं, तो आप उन्हें समूह में डाल सकते हैं और एक साथ पूरी रेखा की गणना कर सकते हैं।

शोधकर्ताओं ने इस "समूहीकरण" गणितीय ट्रिक का सुपरकंप्यूटरों (कई ग्राफिक्स कार्डों का एक साथ उपयोग करके) पर उपयोग किया।
इसने उन्हें बिना किसी वास्तविक हार्डवेयर के शोर के, 784 क्यूबिट्स वाले क्वांटम कंप्यूटर का पूरी तरह से अनुकरण (simulate) करने की अनुमति दी, ताकि यह देखा जा सके कि "हाइब्रिड टीम" वास्तव में कैसा प्रदर्शन करेगी।

4. उन्होंने क्या पाया

मिक्स जीतता है: हाइब्रिड टीम (क्वांटम + क्लासिकल) लगातार शुद्ध क्लासिकल टीम और शुद्ध क्वांटम टीम दोनों से बेहतर रही।
स्थिरता: जैसे-जैसे समस्या बड़ी होती गई (अधिक विवरण), क्वांटम टीम विफल हो गई, लेकिन हाइब्रिड टीम मजबूत बनी रही।
संतुलन: सबसे अच्छे परिणाम तब मिले जब क्लासिकल हिस्सा "एंकर" (सिस्टम को स्थिर रखने वाला) था और क्वांटम हिस्सा "स्पार्क" (अतिरिक्त शक्ति) प्रदान कर रहा था। यदि क्वांटम हिस्सा पूरी तरह से हावी हो जाता, तो सिस्टम क्रैश हो जाता।

निचोड़

यह शोध पत्र यह दावा नहीं करता कि क्वांटम कंप्यूटर कल आपके लैपटॉप को बदलने के लिए तैयार हैं। इसके बजाय, यह दिखाता है कि दोनों को मिलाना एक स्मार्ट रणनीति है।

एक भरोसेमंद क्लासिकल कंप्यूटर का उपयोग करके एक शक्तिशाली लेकिन नाजुक क्वांटम कंप्यूटर को "स्थिर" करने से, हम अकेले किसी एक का उपयोग करने की तुलना में बेहतर परिणाम प्राप्त कर सकते हैं। यह एक प्रतिभाशाली लेकिन चंचल कलाकार (क्वांटम) के साथ एक स्थिर, व्यवस्थित संपादक (क्लासिकल) के मिलकर काम करने जैसा है, ताकि एक ऐसी उत्कृष्ट कृति बनाई जा सके जिसे वे अकेले नहीं बना सकते थे।

तकनीकी सारांश: क्वांटम-क्लासिकल ड्यूल कर्नेल के लिए स्केलेबल टेंसर नेटवर्क सिमुलेशन

समस्या विवरण
क्वांटम कर्नेल विधियाँ, विशेष रूप से क्वांटम सपोर्ट वेक्टर मशीनें (QSVMs), नोइजी इंटरमीडिएट-स्केल क्वांटम (NISQ) युग में महत्वपूर्ण बाधाओं का सामना करती हैं। जबकि उच्च-आयामी हिल्बर्ट स्पेस में डेटा को एनकोड करना संभावित अभिव्यंजकता (expressivity) प्रदान करता है, इन दृष्टिकोणों को दो प्राथमिक चुनौतियों का सामना करना पड़ता है:

स्केलेबिलिटी और सिमुलेशन सीमाएँ: बड़े क्यूबिट काउंट (जैसे, सैकड़ों) के लिए कर्नेल मैट्रिसेस का निर्माण क्लासिकल स्टेटवेक्टर सिम्युलेटर्स के लिए कम्प्यूटेशनल रूप से निषेधात्मक है, क्योंकि इसमें घातीय (exponential) मेमोरी और कंप्यूट लागत आती है।
प्रदर्शन गिरावट: जैसे-जैसे क्यूबिट की संख्या बढ़ती है, क्वांटम कर्नेल अक्सर "एक्सपोनेंशियल कंसन्ट्रेशन" (exponential concentration) प्रदर्शित करते हैं, जहाँ अलग-अलग इनपुट्स के बीच समानताएं स्थिर मानों की ओर गिर जाती हैं, जिससे कर्नेल की विभाज्यता (separability) कम हो जाती है। इसके अलावा, शोर (noise) और सीमित मेजरमेंट शॉट्स अनिश्चितता को बढ़ाते हैं, जिससे हाई-डायमेंशनल रिजीम में ओवरफिटिंग और खराब सामान्यीकरण (generalization) होता है।

कार्यप्रणाली
लेखक 784 क्यूबिट तक QSVMs का मूल्यांकन करने के लिए टेंसर नेटवर्क (TN) सिमुलेशन को क्वांटम-क्लासिकल ड्यूल कर्नेल दृष्टिकोण के साथ संयोजित करने वाला एक स्केलेबल फ्रेमवर्क प्रस्तावित करते हैं।

स्केलेबल सिमुलेशन: स्टेटवेक्टर सिमुलेशन के बजाय, यह पेपर क्वांटम सर्किट को कॉन्ट्रैक्टेबल टेंसर ग्राफ के रूप में दर्शाने के लिए TNs का उपयोग करता है। ब्लॉक प्रोडक्ट स्टेट (BPS) शैली के सर्किटों का उपयोग करके—जिसमें सिंगल-क्यूबिट डेटा-एनकोडिंग लेयर्स को स्थानीय रूप से प्रतिबंधित, ब्लॉक-स्ट्रक्चर्ड एंटैंगलिंग लेयर्स के साथ इंटरलीव किया जाता है—लेखक सटीक टेंसर कॉन्ट्रैक्शन को सक्षम करते हैं। यह दृष्टिकोण, मल्टी-GPU पैरेललिज्म द्वारा त्वरित, पूर्ण स्टेटवेक्टर सिमुलेशन के घातीय ओवरहेड के बिना सीधे क्वांटम कर्नेल मैट्रिक्स तत्वों ( $K_q$ ) की गणना करने की अनुमति देता है।
डेटा प्रीप्रोसेसिंग: अध्ययन फैशन-MNIST डेटासेट (28×28 ग्रेस्केल इमेज जिसे 784 आयामों में फैलाया गया है) का उपयोग करता है। फीचर्स को स्टैंडर्डाइज, डिकोरिलेट (PCA के माध्यम से) और $[0, 1]$ तक रीस्केल किया गया है। प्रयोग व्यवस्थित रूप से रिटेन्ड प्रिंसिपल कंपोनेंट्स की संख्या ( $n$ ) को 2 से 784 तक बदलते हैं ताकि इसे क्यूबिट्स की संख्या से मिलाया जा सके।
ड्यूल कर्नेल फ्रेमवर्क: मुख्य नवाचार एक लीनियरली मिक्स किया गया कर्नेल है जिसे $K_{q-c} = \alpha^* K_q + (1 - \alpha^*) K_c$ के रूप में परिभाषित किया गया है, जहाँ $K_q$ क्वांटम कर्नेल है और $K_c$ क्लासिकल रेडियल बेसिस फंक्शन (RBF) कर्नेल है। वेटिंग कोएफिशिएंट $\alpha$ को 5-फोल्ड क्रॉस-वैलिडेशन के माध्यम से अनुकूलित किया जाता है। इस हाइब्रिड मॉडल को एक मानक SVM ड्यूल ऑप्टिमाइजेशन स्कीम में एकीकृत किया जाता है।
प्रायोगिक सेटअप: यह फ्रेमवर्क 45 पेयरवाइज क्लास कॉम्बिनेशन में बाइनरी क्लासिफिकेशन और फैशन-MNIST पर मल्टी-क्लास क्लासिफिकेशन (10 क्लासेस) का मूल्यांकन करता है। अध्ययन तीन मॉडलों की तुलना करता है: शुद्ध क्लासिकल SVM, शुद्ध क्वांटम SVM (QSVM), और ड्यूल-कर्नेल SVM।

मुख्य परिणाम

स्केलेबिलिटी: TN-आधारित पाइपलाइन ने 784 क्यूबिट्स तक के फीचर डायमेंशन्स के लिए कर्नेल मैट्रिसेस का निर्माण और SVM ट्रेनिंग सफलतापूर्वक पूरी की, जो मानक सिमुलेशन विधियों के लिए पहले अप्राप्य था।
जनरलाइजेशन स्थिरता:
- ट्रेनिंग: सभी मॉडलों ने डायमेंशनलिटी बढ़ने के साथ बढ़ती ट्रेनिंग एक्यूरेसी दिखाई, जो उच्च फीचर स्पेस अभिव्यंजकता को दर्शाती है।
- टेस्टिंग: शुद्ध क्वांटम कर्नेल ने $n=128$ क्यूबिट्स से शुरू होकर महत्वपूर्ण एक्यूरेसी गिरावट और ओवरफिटिंग प्रदर्शित की। इसके विपरीत, क्लासिकल कर्नेल स्थिर रहा, और ड्यूल-कर्नेल मॉडल ने पूरे डायमेंशन रेंज में दोनों बेसलाइन्स से लगातार बेहतर प्रदर्शन किया।
मल्टी-क्लास प्रदर्शन: $n=64$ पर, ड्यूल-कर्नेल SVM ने 0.824 की एक्यूरेसी प्राप्त की, जो क्लासिकल SVM (0.822) के तुलनीय है और शुद्ध QSVM (0.754) से काफी बेहतर है। QSVM ने पर्याप्त इंटर-क्लास कन्फ्यूजन दिखाया, जबकि ड्यूल-कर्नेल और क्लासिकल मॉडल्स ने कन्फ्यूजन मैट्रिसेस में मजबूत डायगोनल डोमिनेंस बनाए रखा।
मिक्सिंग वेट विश्लेषण: अनुकूलित वेटिंग कोएफिशिएंट $\alpha$ एक इंटरमीडिएट रेंज में पाया गया। क्वांटम योगदान 128 फीचर्स से नीचे प्रदर्शन पर हावी रहा, जबकि 128 फीचर्स के बाद क्लासिकल योगदान तेजी से महत्वपूर्ण हो गया। जब $\alpha$ 1 (शुद्ध क्वांटम) के करीब पहुँचा, तो प्रदर्शन गिर गया, जो पुष्टि करता है कि क्लासिकल घटक कंसन्ट्रेशन प्रभावों और शोर के विरुद्ध एक स्टेबलाइजिंग एंकर के रूप में कार्य करता है।

महत्व और दावे
पेपर का दावा है कि केवल क्यूबिट डायमेंशनिटी बढ़ाने से क्वांटम कर्नेल विधियों के लिए बेहतर जनरलाइजेशन की गारंटी नहीं मिलती है। इसके बजाय, अध्ययन क्वांटम-क्लासिकल ड्यूल कर्नेल को एक लो-ओवरहेड स्टेबिलाइजेशन रणनीति के रूप में प्रस्तुत करता है। एक डेटा-डिपेंडेंट क्वांटम कर्नेल को एक रोबस्ट क्लासिकल कर्नेल के साथ लीनियरली मिक्स करके, यह फ्रेमवर्क शुद्ध क्वांटम मॉडल्स में देखे गए स्केल-प्रेरित क्षरण को कम करता है और कम डायमेंशन पर क्वांटम लाभ को सुरक्षित रखता है।

लेखक इस बात पर जोर देते हैं कि उनका कार्य बड़े पैमाने के क्वांटम कर्नेल्स का एक रिप्रोड्यूसिबल और लगभग शोर-मुक्त मूल्यांकन प्रदान करता है, जो एल्गोरिथमिक सीमाओं को हार्डवेयर शोर से अलग करता है। परिणाम बताते हैं कि निकट-अवधि अनुप्रयोगों के लिए, क्लासिकल घटक उन हाई-डायमेंशनल रिजीम में 'लर्नबिलिटी' बनाए रखने के लिए एक आवश्यक "स्टेबलाइजिंग एंकर" के रूप में कार्य करता है जहाँ अकेले क्वांटम कर्नेल नाजुक हो जाते हैं। भविष्य के कार्य के लिए एडेप्टिव कर्नेल कॉम्बिनेशन और स्पष्ट नॉइज़ मॉडलिंग का पता लगाने का सुझाव दिया गया है, लेकिन वर्तमान योगदान हाइब्रिड कर्नेल्स के लिए स्केलेबल क्वांटम मशीन लर्निंग की व्यवहार्यता को स्थापित करता है।

1. समस्या: "बहुत बड़ा" जाल

2. समाधान: "हाइब्रिड टीम"

3. गुप्त हथियार: "टेन्सर नेटवर्क" सिम्युलेटर

4. उन्होंने क्या पाया

निचोड़

इसी तरह के और पेपर