⚛️ quantum physics

Resource-Efficient Digitized Adiabatic Quantum Factorization

यह शोध पत्र एक संसाधन-कुशल डिजिटाइज़्ड एडियाबेटिक क्वांटम फैक्टराइजेशन एल्गोरिदम प्रस्तावित करता है जो समाधानों को कर्नेल सबस्पेस में एनकोड करता है ताकि समस्या को क्वाड्रेटिक अनकन्स्ट्रेंड बाइनरी ऑप्टिमाइजेशन (QUBO) फॉर्मूलेशन में परिवर्तित किया जा सके, जिससे 8 बिट्स तक के पूर्णांकों के लिए मानक ग्राउंड-स्टेट-आधारित PUBO विधियों की तुलना में सर्किट जटिलता काफी कम हो जाती है और फिडेलिटी में सुधार होता है।

मूल लेखक: Felip Pellicer, Juan José García-Ripoll, Alan C. Santos

प्रकाशित 2026-02-05

📖 4 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Felip Pellicer, Juan José García-Ripoll, Alan C. Santos

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 आपके पास एक विशाल, लॉक की हुई तिजोरी है (एक बड़ी संख्या) और आप जानते हैं कि इसे दो छोटी, विशिष्ट चाबियों (दो अभाज्य संख्याओं/prime numbers) को एक साथ जोड़कर बनाया गया था। आपका लक्ष्य यह पता लगाना है कि वे दो चाबियाँ क्या हैं। इसे "फैक्टरइज़ेशन" (factorization) कहा जाता है, जो एक गणितीय पहेली है जिसे हल करना सामान्य कंप्यूटरों के लिए बहुत कठिन है।

यह शोध पत्र पेश करता है कि भविष्य के क्वांटम कंप्यूटरों के लिए इस पहेली को सुलझाने का एक नया, स्मार्ट तरीका क्या है। यहाँ सरल उपमाओं (analogies) का उपयोग करके इसका विवरण दिया गया है:

पुराना तरीका: भारी, बोझिल सीढ़ी (PUBO)

पहले, वैज्ञानिकों ने इसे PUBO (पॉलीनोमियल अनकन्स्ट्रेंड बाइनरी ऑप्टिमाइज़ेशन) नामक विधि का उपयोग करके हल करने की कोशिश की थी।

उपमा: कल्पना कीजिए कि सही चाबी खोजने के लिए एक सीढ़ी चढ़ने की कोशिश कर रहे हैं, लेकिन वह सीढ़ी ऐसी है जिसके डंडे (rungs) भारी और अजीब हैं जो एक साथ तीन या चार लोगों को जोड़ते हैं। इस सीढ़ी को वास्तविक क्वांटम कंप्यूटर पर बनाने के लिए, आपको इसे थामे रखने के लिए बहुत से अतिरिक्त औजारों (गेट्स) का उपयोग करना पड़ता है।
समस्या: क्योंकि सीढ़ी के "डंडे" इतने जटिल और भारी हैं, इसलिए सीढ़ी डगमगा जाती है और आसानी से टूट जाती है। कंप्यूटर भ्रमित हो जाता है, गलतियाँ करता है, और अक्सर सही चाबियाँ खोजने में विफल रहता है, खासकर जब तिजोरी बड़ी हो।

नया तरीका: चिकनी, दो-चरणीय सीढ़ी (QUBO)

इस शोध पत्र के लेखक QUBO (क्वाड्रेटिक अनकन्स्ट्रेंड बाइनरी ऑप्टिमाइज़ेशन) नामक एक नई विधि प्रस्तावित करते हैं।

उपमा: उस भारी, बहु-व्यक्ति वाली सीढ़ी के बजाय, उन्होंने एक चिकनी, सरल सीढ़ी बनाई है जहाँ प्रत्येक चरण केवल दो लोगों को जोड़ता है। यह बहुत हल्की और बनाने में आसान है।
ट्रिक: आमतौर पर, इन क्वांटम पहेलियों में, आपको ऊर्जा की पहाड़ी के बिल्कुल निचले हिस्से (ground state) से शुरू करने और ऊपर जाने के लिए कहा जाता है। लेखकों ने महसूस किया कि आपको बिल्कुल नीचे से शुरू करने की आवश्यकता नहीं है। आप पहाड़ी के मध्य (kernel subspace) से भी शुरू कर सकते हैं और फिर भी समाधान तक पहुँच सकते हैं।
परिणाम: क्योंकि सीढ़ी सरल है (केवल दो-चरणीय जुड़ाव), कंप्यूटर को इसे बनाने के लिए कम औजारों की आवश्यकता होती है। यह तेज़ चलता है, कम गलतियाँ करता है, और सही चाबियाँ खोजने में बहुत अधिक सक्षम होता है।

उन्होंने वास्तव में क्या किया

शोधकर्ताओं ने इस नई "सीढ़ी" विधि का परीक्षण पुराने "लौडर" (ladder) विधि के विरुद्ध किया:

छोटे परीक्षण: उन्होंने एक छोटी संख्या (25) को तोड़ने की कोशिश की। नई विधि ने पुराने तरीके की तुलना में चार गुना कम जटिल चरणों (gates) का उपयोग किया।
बड़े परीक्षण: उन्होंने बड़ी संख्याओं (143 तक) को तोड़ने की कोशिश की।
- पुराना तरीका (PUBO) विफल होने लगा, भ्रमित हो गया और स्पष्ट रूप से सही उत्तर चुनने में असमर्थ रहा।
- नया तरीका (QUBO) स्पष्ट और आत्मविश्वासी बना रहा, इन बड़ी संख्याओं के लिए भी सही कारकों (factors) की सफलतापूर्वक पहचान की।

यह बेहतर क्यों काम करता है

शोध पत्र बताता है कि पुराना तरीका समाधान के पास संभावनाओं का एक "भीड़भाड़ वाला कमरा" बनाता है। यह एक स्टेडियम में किसी विशिष्ट व्यक्ति को खोजने की तरह है जहाँ हर कोई बिल्कुल एक जैसा दिखता है; इसमें खो जाना आसान है।

नया तरीका एक "शांत गलियारा" बनाता है। सही उत्तर स्पष्ट रूप से उभर कर आता है क्योंकि इसके आसपास कम "एक जैसे दिखने वाले" भटकाव होते हैं। इससे कंप्यूटर के लिए बिना भ्रमित हुए सही समाधान पर ध्यान केंद्रित करना बहुत आसान हो जाता है।

मुख्य बात (The Bottom Line)

यह शोध पत्र यह दावा नहीं करता कि यह आज वास्तविक दुनिया के एन्क्रिप्शन कोड को तोड़ देता है। इसके बजाय, यह सिद्ध करता है कि गणितीय पहेली को लिखने के तरीके को बदलकर (भारी "लौडर" से हल्की "सीढ़ी" में बदलकर), हम क्वांटम कंप्यूटरों को फैक्टरइज़ेशन समस्याओं को हल करने में बहुत अधिक कुशल और सटीक बना सकते हैं। यह भविष्य में बेहतर, कम त्रुटिपूर्ण क्वांटम एल्गोरिदम बनाने का एक ब्लूप्रिंट है।

तकनीकी सारांश: संसाधन-कुशल डिजिटाइज़्ड एडियाबेटिक क्वांटम फैक्टराइजेशन

समस्या विवरण
यह शोध पत्र डिजिटाइज़्ड (गेट-आधारित) क्वांटम कंप्यूटरों पर कुशल एडियाबेटिक क्वांटम फैक्टराइजेशन को लागू करने की चुनौती को संबोधित करता है। मानक दृष्टिकोण, जैसे कि पेंग एट अल. [1] द्वारा प्रस्तावित विधि, पूर्णांक गुणनखंडन (integer factorization) को एक पॉलीनोमियल अनकन्स्ट्रेंड बाइनरी ऑप्टिमाइजेशन (PUBO) फ़ंक्शन से व्युत्पन्न समस्या हैमिल्टनियन के ग्राउंड-स्टेट सर्च के रूप में तैयार करते हैं। यह सूत्रीकरण एक ऐसा हैमिल्टनियन परिणाम स्वरूप देता है जिसमें गैर-स्थानीय तीन- और चार-क्यूबिट इंटरेक्शन टर्म्स ( $Z^3$ और $Z^4$ ) शामिल होते हैं। डिजिटाइज़्ड उपकरणों पर, इन उच्च-क्रम के इंटरेक्शन को कई नेटिव टू-क्यूबिट गेट्स (जैसे, CNOTs) में विघटित करने की आवश्यकता होती है, जिससे उच्च गेट काउंट वाले गहरे सर्किट (deep circuits) बनते हैं। यह जटिलता एल्गोरिदम की फिडेलिटी (fidelity) और स्केलेबिलिटी को गंभीर रूप से सीमित करती है, जिससे 91 से बड़ी संख्याओं के लिए सफलता की संभावना नाटकीय रूप से गिर जाती है, भले ही मशीन लर्निंग तकनीकों का उपयोग किया गया हो।

कार्यप्रणाली (Methodology)
लेखक एक नवीन डिजिटाइज़्ड एडियाबेटिक एल्गोरिदम का प्रस्ताव करते हैं जो एक क्वाड्रेटिक अनकन्स्ट्रेंड बाइनरी ऑप्टिमाइजेशन (QUBO) ढांचे का उपयोग करके गुणनखंडन समस्या को पुनर्गठित करता है। मुख्य पद्धतिगत बदलाव दो प्रमुख परिवर्तनों में निहित है:

कर्नेल सबस्पेस एनकोडिंग (Kernel Subspace Encoding): एक स्क्वेर्ड फंक्शन $F^2$ के ग्राउंड स्टेट (शून्य ऊर्जा न्यूनतम) के रूप में समाधान को एनकोड करने के बजाय, लेखक समस्या हैमिल्टनियन $\hat{H}_{LP}$ को स्वयं रैखिक फंक्शन $F(N, \hat{p}', \hat{q}')$ के रूप में परिभाषित करते हैं। इस सूत्रीकरण में, समाधान हैमिल्टनियन के शून्य-ऊर्जा आइजनस्टेट (कर्नेल सबस्पेस) के अनुरूप होता है, जो वैश्विक स्पेक्ट्रम के सापेक्ष एक एक्साइटेड स्टेट (excited state) है, न कि ग्राउंड स्टेट।
QUBO सूत्रीकरण: रैखिक फंक्शन का उपयोग करके, परिणामी हैमिल्टनियन में केवल टू-बॉडी इंटरेक्शन होते हैं, जो इसे एक QUBO समस्या के रूप में वर्गीकृत करता है। यह उन NP-हार्ड पॉलीनोमियल रिडक्शन और ऑक्सिलरी वेरिएबल्स की आवश्यकता को समाप्त करता है जो आमतौर पर PUBO समस्याओं को QUBO में मैप करने के लिए आवश्यक होते हैं।

एल्गोरिदम को एक वेरिएशनल क्वांटम एल्गोरिदम (विशेष रूप से QAOA) का उपयोग करके लागू किया गया है। प्रोटोकॉल सिस्टम को एक यूनिफॉर्म सुपरपोजिशन स्टेट (विशेष रूप से $|+\rangle|-\rangle\dots$ ताकि $\hat{H}_{LP}$ के नल-सबस्पेस के साथ संरेखित हो सके) में इनिशियलाइज़ करता है और इसे कॉस्ट हैमिल्टनियन ( $\hat{H}_{LP}$ ) और मिक्सिंग हैमिल्टनियन ( $\hat{H}_M$ ) से प्राप्त वैकल्पिक यूनिटरीज का उपयोग करके विकसित करता है। क्लासिकल ऑप्टिमाइज़र द्वारा मिनिमाइज किया जाने वाला कॉस्ट फंक्शन हैमिल्टनियन के एब्सोल्यूट वैल्यू के एक्सपेक्टेशन वैल्यू, $C_{LP} = \langle |\hat{H}_{LP}| \rangle$ द्वारा परिभाषित किया गया है, ताकि शून्य-आइजनवैल्यू समाधान की ओर अभिसरण (convergence) सुनिश्चित किया जा सके।

प्रमुख योगदान

सर्किट सरलीकरण: प्रस्तावित QUBO दृष्टिकोण समस्या हैमिल्टनियन को टू-बॉडी इंटरेक्शन तक कम कर देता है। यह जटिल मल्टी-क्यूबिट गेट्स को विघटित करने की आवश्यकता को समाप्त करता है, जिससे सर्किट डेप्थ में काफी कमी आती है।
नई एनकोडिंग रणनीति: यह शोध पत्र प्रदर्शित करता है कि एडियाबेटिक फैक्टराइजेशन को ग्राउंड स्टेट के बजाय कर्नेल सबस्पेस (शून्य-ऊर्जा एक्साइटेड स्टेट) को लक्षित करके सफलतापूर्वक किया जा सकता है, जो PUBO सूत्रीकरण की सीमाओं को दरकिनार करता है।
रोबस्टनेस विश्लेषण: लेखक हैमिल्टोनायन्स के स्पेक्ट्रल डेंसिटी का विश्लेषण करते हैं, यह दिखाते हुए कि QUBO सूत्रीकरण PUBO सूत्रीकरण की तुलना में समाधान सबस्पेस के आसपास अवस्थाओं का कम घना घनत्व (sparser density of states) प्रदान करता है, जो अनुकूलन के दौरान लोकल मिनिमा और बैरन प्लेटो (barren plateaus) से बचने में मदद करता है।

परिणाम
लेखकों ने 8 बिट तक के पूर्णांकों (विशेष रूप से $N=25, 119, 143$ ) के गुणनखंडन के लिए अपने QUBO-आधारित एल्गोरिदम का मानक PUBO दृष्टिकोण के विरुद्ध बेंचमार्किंग किया।

गेट कॉम्प्लेक्सिटी: QAOA सर्किट के एक सिंगल लेयर के लिए, QUBO दृष्टिकोण में काफी कम CNOT गेट्स की आवश्यकता होती है। उदाहरण के लिए, $N=25$ के लिए गुणनखंडन हेतु QUBO विधि के लिए प्रति लेयर 8 CNOTs की आवश्यकता होती है, जबकि PUBO विधि (3- और 4-क्यूबिट गेट्स के विघटन के बाद) के लिए 34 CNOTs की आवश्यकता होती है।
फिडेलिटी और कॉन्फिडेंस: QUBO एल्गोरिदम सही कारकों की पहचान करने में काफी उच्च फिडेलिटी प्रदर्शित करता है। $N=119$ और $N=143$ जैसी बड़ी संख्याओं के लिए, PUBO दृष्टिकोण सही समाधान पर प्रोबेबिलिटी एम्प्लीट्यूड को केंद्रित करने में विफल रहता है, जिसके परिणामस्वरूप कम कॉन्फिडेंस स्कोर और उच्च शैनन एंट्रॉपी (Shannon entropy) प्राप्त होती है। इसके विपरीत, QUBO दृष्टिकोण सही समाधान अवस्थाओं को सफलतापूर्वक पॉपुलेट करता है।
कॉस्ट फंक्शन कन्वर्जेंस: QUBO एल्गोरिदम PUBO दृष्टिकोण (3 ऑर्डर तक) की तुलना में कॉस्ट फंक्शन में अधिक गहरा न्यूनीकरण (अपत: $N=143$ के लिए 3 ऑर्डर तक) प्राप्त करता है, जो अधिक प्रभावी अनुकूलन को दर्शाता है।
स्पेक्ट्रल विश्लेषण: ऊर्जा स्पेक्ट्रा का विश्लेषण प्रकट करता है कि PUBO हैमिल्टनियन में समाधान के पास अवस्थाओं का उच्च घनत्व होता है, जो एक "फ्लैट" लैंडस्स्केप बनाता है जो क्लासिकल ऑप्टिमाइज़र को बाधित करता है। QUBO हैमिल्टनियन कर्नेल सबस्पेस के पास बड़े ऊर्जा अंतराल के साथ अधिक व्यापक रूप से फैला हुआ स्पेक्ट्रम प्रदर्शित करता है, जो बेहतर स्टेट प्रिपरेशन की सुविधा प्रदान करता है।

महत्व और दावे
यह शोध पत्र दावा करता है कि यह कार्य डिजिटाइज़्ड एडियाबेटिक क्वांटम फैक्टराइजेशन के लिए एक संसाधन-कुशल मार्ग प्रदान करता है। इसकी प्राथमिक महत्ता सर्किट जटिलता में पर्याप्त कमी और संबंधित एल्गोरिथमिक फिडेलिटी में वृद्धि में निहित है, जिससे निकट-अवधि (near-term) उपकरणों पर बड़े पूर्णांकों का गुणनखंडन संभव हो जाता है।

लेखक इस बात पर जोर देते हैं कि हालांकि ग्राउंड-स्टेट डिकोहेरेंस प्रोटेक्शन की कमी के कारण क्वांटम एनीलर्स के लिए एक एक्साइटेड स्टेट (कर्नेल) को लक्षित करना चुनौतीपूर्ण है, लेकिन यह डिजिटाइज़्ड क्वांटम एनीलर्स के लिए फायदेमंद है। गेट-आधारित सिस्टम में, जहाँ डिकोहेरेंस अक्सर स्थानीय सिंगल-क्यूबिट डिके (decay) द्वारा नियंत्रित होता है, QUBO दृष्टिकोण का कम गेट काउंट कुल रनटाइम और त्रुटियों के जोखिम को कम करता है। परिणाम बताते हैं कि QUBO-आधारित सूत्रीकरण QAOA-आधारित ऑप्टिमाइजेशन में PUBO-आधारित सूत्रीकरणों की तुलना में बेहतर प्रदर्शन कर सकते हैं, जो उस पिछले साहित्य को चुनौती देते हैं जिसने माना था कि कुछ समस्या संरचनाओं के लिए PUBO आवश्यक या श्रेष्ठ है। यह कार्य व्यापक संख्या-सिद्धांत संबंधी समस्याओं और जटिल हैमिल्टोनियन्स के लिए विस्तृत एडियाबेटिक प्रोटोकॉल के अन्वेषण को प्रेरित करता है।

पुराना तरीका: भारी, बोझिल सीढ़ी (PUBO)

नया तरीका: चिकनी, दो-चरणीय सीढ़ी (QUBO)

उन्होंने वास्तव में क्या किया

यह बेहतर क्यों काम करता है

मुख्य बात (The Bottom Line)

इसी तरह के और पेपर