⚛️ quantum physics

Differentiable Logical Programming for Quantum Circuit Discovery and Optimization

यह शोधपत्र एक न्यूरो-सिम्बोलिक ढांचे को प्रस्तुत करता है जो क्वांटम सर्किट डिजाइन को एक अवकलनीय (डिफरेंशिएबल) लॉजिक प्रोग्रामिंग समस्या के रूप में पुनर्गठित करता है, जिसमें तार्किक अभिगृयों (लॉजिकल एक्सिओम्स) को संतुष्ट करने के लिए ग्रेडिएंट डिसेंट के माध्यम से अनुकूलित होने वाले सीखने योग्य निरंतर स्विचों का उपयोग किया जाता है, जिससे ह्यूरिस्टिक या निश्चित-एंसात्ज़ संरचनाओं पर निर्भर किए बिना उच्च-सटीकता वाले क्वांटम सर्किटों की स्वायत्त खोज और हार्डवेयर-जागरूक अनुकूलन सक्षम होता है।

मूल लेखक: Antonin Sulc

प्रकाशित 2026-04-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Antonin Sulc

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 जटिल पहेली को हल करने के लिए एक आदर्श मशीन बनाने की कोशिश कर रहे हैं। क्वांटम कंप्यूटिंग की दुनिया में, यह "मशीन" एक क्वांटम सर्किट (quantum circuit) है—निर्देशों (गेट्स) का एक विशिष्ट क्रम जो क्यूबिट्स (qubits) नामक सूक्ष्म कणों को नियंत्रित करता है।

समस्या यह है कि इन सर्किट्स को डिजाइन करना अविश्वसनीय रूप से कठिन है। यह एक कार के इंजन को तब तक यादृच्छिक रूप से पुर्जे बदलकर बनाने की कोशिश करने जैसा है जब तक कि वह काम न करने लगे, या हर सुर का अनुमान लगाकर एक सिम्फनी लिखने की कोशिश करने जैसा है। वर्तमान विधियाँ अक्सर कठोर होती हैं, जो संरचना का अनुमान लगाने के लिए मानव विशेषज्ञों पर निर्भर करती हैं या परीक्षण-और-त्रुटि (trial-and-error) वाले एल्गोरिदम का उपयोग करती हैं जो गलत रास्तों में फंस जाते हैं।

यह शोध पत्र इन सर्किट्स को डिजाइन करने का एक नया, स्मार्ट तरीका पेश करता है जिसे डिफरेंशिएबल लॉजिकल प्रोग्रामिंग (Differentiable Logical Programming - DLP) कहा जाता है। यह कैसे काम करता है, इसे सरल उपमाओं के माध्यम से यहाँ समझाया गया है।

1. "सुपर-स्कैफोल्ड" (खेल का मैदान)

कल्पना कीजिए कि आपके पास एक विशाल, अव्यवस्थित निर्माण स्थल है। एक विशिष्ट दीवार बनाने के बजाय, आपके पास एक स्कैफोल्ड (scaffold) है जिसमें वे सभी संभावित ईंटें, खिड़कियां, दरवाजे और बीम शामिल हैं जिनकी आपको शायद आवश्यकता हो सकती है। इनमें से कुछ आवश्यक हैं; अधिकांश बेकार हैं।

इस नई विधि में, कंप्यूटर केवल एक पथ नहीं चुनता है। यह एक ही समय में पूरे स्कैफोल्ड को देखता है। लेकिन यहाँ एक तरकीब है: हर एक टुकड़े के लिए "हाँ, यह ईंट उपयोग करो" या "नहीं, इसे फेंक दो" कहने के बजाय, यह एक डिमर स्विच (dimmer switch) का उपयोग करता है।

स्विच 0 पर: टुकड़ा पूरी तरह से बंद है (इसका अस्तित्व नहीं है)।
स्विच 1 पर: टुकड़ा पूरी तरह से चालू है (यह मशीन का हिस्सा है)।
स्विच 0.5 पर: टुकड़ा "आधा चालू" है। यह गेट का एक धुंधला, अस्पष्ट संस्करण है।

2. "स्मार्ट टीचर" (लॉजिकल एक्सिओम्स)

कंप्यूटर को कैसे पता चलता है कि किन ईंटों को रखना है और किन्हें फेंक देना है? इसे इसके लिए किसी इंसान द्वारा बताने की आवश्यकता नहीं है। इसके बजाय, हम कंप्यूटर को नियमों (logical axioms) का एक सेट देते हैं जो एक सख्त शिक्षक की तरह मशीन का मूल्यांकन करते हैं।

शिक्षक के दो मुख्य नियम हैं:

सटीकता (Correctness): "क्या यह मशीन वास्तव में पहेली को हल करती है?" (यदि उत्तर नहीं है, तो ग्रेड खराब है)।
सरलता (Simplicity): "क्या यह मशीन यथासंभव छोटी और सरल है?" (यदि आपके पास अतिरिक्त ईंटें हैं जो कुछ भी नहीं कर रही हैं, तो ग्रेड कम हो जाता है)।

कंप्यूटर उच्चतम ग्रेड प्राप्त करने के लिए एक साथ सभी डिमर स्विचों को समायोजित करने का प्रयास करता है। यह ग्रेडिएंट डिसेंट (gradient descent) नामक एक गणितीय तकनीक का उपयोग करता है (इसे एक पहाड़ी के ढलान को महसूस करने और सबसे निचले बिंदु तक लुढ़कने के रूप में सोचें) यह पता लगाने के लिए कि कौन से स्विच बंद किए जाने चाहिए और किन्हें चालू किया जाना चाहिए।

3. "फजी लॉजिक" का जादू

आप पूछ सकते हैं, "एक क्वांटम मशीन कैसे काम कर सकती है यदि ईंटें 'आधी चालू' हैं? यह भौतिक रूप से तर्कसंगत नहीं लगता!"

यही सबसे चतुर हिस्सा है। कंप्यूटर केवल एक गणितीय शॉर्टकट के रूप रूप में "आधे चालू" अवस्था का उपयोग सर्वोत्तम पथ खोजने के लिए करता है। यह एक शेफ की तरह है जो खाना पकते समय सूप को चखता है। सूप अभी तैयार नहीं हुआ है, लेकिन शेफ सूप के पूरा होने से पहले नमक को चख सकता है और रेसिपी को ठीक कर सकता है।

एक बार जब कंप्यूटर स्विचों का सही संयोजन खोज लेता है, तो यह स्वाभाविक रूप से उन्हें 0 या 1 पर सेट कर देता है। "धुंधला" मध्य क्षेत्र गायब हो जाता है, जिससे आपके पास वास्तविक, काम करने वाले गेटों से बना एक साफ, भौतिक सर्किट बचता है।

4. यह क्यों एक गेम-चेंजर है

यह शोध पत्र दिखाता है कि यह विधि तीन चीजों में अद्भुत है:

अव्यवस्थित डिजाइनों को साफ करना: कल्पना कीजिए कि आपके पास एक सर्किट है जिसमें 21 गेट हैं, लेकिन एक प्रसिद्ध एल्गोरिदम (क्वांटम फूरियर ट्रांसफॉर्म) के लिए केवल 12 की ही वास्तव में आवश्यकता है। बाकी 9 केवल शोर (noise) हैं। यह विधि शोर को स्वचालित रूप से "छंटनी" (prune) करती है, उन 9 खराब गेट्स को बंद कर देती है और 12 अच्छे गेट्स को रखती है, भले ही वे खराब गेट्स बहुत विश्वसनीय लग रहे हों।
टूटे हुए हार्डवेयर को संभालना: क्वांटम कंप्यूटर नाजुक होते हैं। कभी-कभी एक तार टूट जाता है, या कोई हिस्सा शोर पैदा करने लगता है। अतीत में, यदि कोई हिस्सा टूट जाता था, तो पूरा प्रोग्राम विफल हो जाता था।
- प्रयोग: शोधकर्ताओं ने इसका परीक्षण 156 क्यूबिट्स वाले एक वास्तविक IBM क्वांटम कंप्यूटर पर किया। उन्होंने मशीन के एक हिस्से के टूटने का अनुकरण (simulate) किया। DLP सिस्टम को यह नहीं पता था कि वह टूटा हुआ है; इसने बस परिणाम मापे, देखा कि गुणवत्ता गिर गई है, और तुरंत ट्रैफिक को एक अलग, काम करने वाले पथ पर "री-रूट" कर दिया। इसने वास्तविक समय में खुद को ठीक किया, जैसे कि एक GPS आपको बिना पूछे ही ट्रैफिक जाम के चारों ओर से रास्ता बदल देता है।
नए आकार खोजना: कभी-कभी सबसे अच्छा समाधान एक ऐसा अजीब आकार हो सकता है जिसके बारे में इंसानों ने नहीं सोचा होगा। इस पद्धति ने एक सर्किट संरचना की खोज की जिसने एक विशिष्ट भौतिक समस्या को हल करने के लिए क्यूबिट्स को "त्रिकोण" के आकार में जोड़ा, जिसे मानक उपकरण मिस कर गए क्योंकि वे केवल सीधी रेखाओं को देखते हैं।

निष्कर्ष

इसे क्वांटम सर्किटों को हाथ से बनाने के बजाय उन्हें उगाने के रूप में देखें।

एक मानव इंजीनियर के रूप में एक आदर्श ब्लूप्रिंट का अनुमान लगाने के बजाय, हम कंप्यूटर को सभी संभावित भागों का एक बगीचा और एक सेट नियम देते हैं कि एक "अच्छा" बगीचा कैसा दिखता है। फिर कंप्यूटर "उगाता" है, खरपतवार को हटाकर फूलों को रखता है, और साथ ही मौसम (हार्डवेयर) बदलने पर खुद को अनुकूलित करता है।

यह दृष्टिकोण एक कठिन, अनुमान लगाने वाले खेल को एक सुचारू, गणितीय अनुकूलन समस्या में बदल देता है, जिससे भविष्य के शक्तिशाली क्वांटम कंप्यूटरों को बनाना बहुत आसान हो जाता है।

यहाँ एंटोनिन सुल्क के शोध पत्र "Differentiable Logical Programming for Quantum Circuit Discovery and Optimization" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

उच्च-सटीकता (high-fidelity) वाले क्वांटम सर्किट डिजाइन करना एक अत्यंत कठिन कॉम्बिनेटोरियल सर्च समस्या है, विशेष रूप से 'नॉइजी इंटरमीडिएट-स्केल क्वांटम' (NISQ) युग में जहाँ हार्डवेयर की सीमाएँ (गेट एरर, कोहेरेंस समय, कनेक्टिविटी) बहुत गंभीर हैं। वर्तमान दृष्टिकोण महत्वपूर्ण सीमाओं का सामना करते हैं:

मैनुअल डिज़ाइन: मानव-व्युत्पन्न सर्किट (जैसे QFT) नवीन समस्याओं जैसे कि मनमाने आणविक हैमिल्टोनियन (molecular Hamiltonians) के लिए सामान्यीकरण योग्य नहीं हैं।
वेरिएशनल क्वांटम एल्गोरिदम (VQAs): ये निश्चित, ह्यूरिस्टिक "एंसात्ज़" (ansatzes) पर निर्भर करते हैं। खराब चुनाव 'बैरन प्लेटो' (vanishing gradients) या समाधान अवस्था को व्यक्त करने में असमर्थता की ओर ले जाते हैं।
क्वांटम कंपाइलर: ये पूर्व-निर्धारित पहचानों (identities) तक सीमित नियम-आधारित ग्राफ रीराइटिंग का उपयोग करते हैं।
मौजूदा खोज विधियाँ: इवोल्यूशनरी एल्गोरिदम और SAT सॉल्वर ग्रेडिएंट-आधारित दक्षता का अभाव रखते हैं। डिफरेंशिएबल क्वांटम आर्किटेक्चर सर्च (DQAS) विधियाँ (जैसे QuantumDARTS) मोंटे कार्लो सैंपलिंग या संभावabilistic गेट चयन पर निर्भर करती हैं, जो सैंपल-अक्षम हो सकती हैं और शोर (noise) के तहत अस्थिरता से ग्रस्त हो सकती हैं।

मुख्य चुनौती एक एकीकृत, डिफरेंशिएबल फ्रेमवर्क के भीतर डिस्क्रीट स्ट्रक्चरल सर्च (कौन से गेट शामिल करने हैं) और कंटीन्यूअस पैरामीटर ऑप्टिमाइजेशन (रोटेशन एंगल्स) के बीच के अंतर को पाटना है, जो शोर और हार्डवेयर बाधाओं के प्रति सुदृढ़ हो।

2. कार्यप्रणाली: डिफरेंशिएबल लॉजिकल प्रोग्रामिंग (DLP)

लेखक एक न्यूरो-सिंबोलिक फ्रेमवर्क प्रस्तावित करते हैं जो सर्किट डिजाइन को एक डिफरेंशिएबल लॉजिक प्रोग्रामिंग समस्या के रूप में पुनर्गठित करता है।

A. डिफरेंशिएबल स्कैफोल्ड (The Differentiable Scaffold)

डिस्क्रीट सेट से गेट चुनने के बजाय, मॉडल उम्मीदवार गेट्स का एक "स्कैफोल्ड" $S = \{G_1, \dots, G_N\}$ परिभाषित करता है।

लर्नेबल स्विचेस (Learnable Switches): प्रत्येक गेट $G_i$ एक सीखने योग्य स्ट्रक्चरल लॉजिट $\lambda_i$ से जुड़ा होता है। इसे सिग्मॉइड फंक्शन के माध्यम से एक निरंतर "स्विच" $s_i \in [0, 1]$ में मैप किया जाता है: $s_i = \sigma(\lambda_i)$ ।
कंटीन्यूअस रिलैक्सेशन: प्रभावी गेट $\tilde{G}_i$ , आइडेंटिटी ( $I$ ) और लक्षित गेट $G_i$ के बीच एक इंटरपोलेशन है। पेपर मुख्य रूप से लीनियर रिलैक्सेशन का उपयोग करता है:
$\tilde{G}_i(s_i) = (1 - s_i)I + s_i G_i$
नोट: हालांकि मध्यवर्ती अवस्थाएँ नॉन-यूनिटरी (non-unitary) होती हैं, लेकिन ऑप्टिमाइजेशन $s_i$ को 0 या 1 की ओर ले जाता है, जिससे अभिसरण (convergence) पर वैध यूनिटरी गेट प्राप्त होते हैं।
यूनिटरी कंस्ट्रक्शन: कुल सीखा गया यूनिटरी $U_{learned}$ इन प्रभावी गेट्स का क्रमित उत्पाद (ordered product) है।

B. लॉजिकल एक्सिओम्स के रूप में लॉस फंक्शन्स (Logical Axioms as Loss Functions)

मॉडल को उपयोगकर्ता-परिभाषित डिफरेंशिएबल लॉजिकल एक्सिओम्स (प्रेडिकेट्स $T_k \in [0, 1]$ ) को संतुष्ट करने के लिए प्रशिक्षित किया जाता है। कुल लॉस विरोधाभासों (contradictions) का एक भारित योग है ( $L_k = 1 - T_k$ ):

सटीकता (Fidelity): सिंथेसिस कार्यों के लिए, यह लक्षित यूनिटरी $U_{target}$ के विरुद्ध ट्रेस फिडेलिटी को अधिकतम करता है।
सटीकता (Energy): VQE/QAOA के लिए, यह एक्सपेक्टेशन वैल्यू $\langle \psi | H | \psi \rangle$ को कम करता है।
सरलता (Simplicity): यह गेट्स की संख्या या विशिष्ट गेट लागतों (जैसे नॉन-नेटिव कनेक्शन) को दंडित करता है।
सुदृढ़ता (Robustness): अतिरिक्त एक्सिओम्स शोर प्रतिरोध (noise resilience) को लागू कर सकते हैं।

यह फ्रेमवर्क को विभिन्न एक्सिओम्स को संयोजित करके एक कंपाइलर, VQE डिजाइनर, या एक सुदृढ़ ऑप्टिमाइज़र के रूप में कार्य करने की अनुमति देता है।

C. बैरन प्लेटो को संबोधित करना (Addressing Barren Plateaus)

बैरन प्लेटो समस्या (जहाँ क्यूबिट की संख्या के साथ ग्रेडिएंट तेजी से लुप्त हो जाते हैं) को कम करने के लिए, लेखक बायस्ड इनिशियलाइजेशन का उपयोग करते हैं। स्ट्रक्चरल लॉजिट्स को इस तरह इनिशियलाइज किया जाता है कि $s_i \approx 0$ (आइडेंटिटी के करीब) हो। यह सुनिश्चित करता है कि ऑप्टिमाइजेशन गैर-लुप्त होने वाले ग्रेडिएंट्स वाले क्षेत्र से शुरू हो, जो प्रभावी रूप से आवश्यक होने पर ही सर्किट की जटिलता को "बढ़ाता" है।

D. स्केलेबिलिटी: हायरार्किकल सिंथेसिस (HS)

फुल-स्टेट सिमुलेशन ( $O(2^N)$ ) की एक्सपोनेंशियल स्केलिंग से निपटने के लिए, फ्रेमवर्क "डिवाइड-एंड-कंकर" रणनीति का उपयोग करता है:

मोटिफ डिस्कवरी (Motif Discovery): एक छोटे $n$ -क्यूबिट सब-सर्किट को ऑप्टिमाइज़ करें।
कंपोजिशन: डिस्कवर्ड मोटिफ को फ्रीज करें और इसे एक बड़े स्कैफोल्ड में एक नए गेट के रूप में मानें।
पुनरावृत्ति (Iteration): जब तक पूरा सिस्टम निर्मित न हो जाए, तब तक दोहराएं।

3. मुख्य योगदान (Key Contributions)

एकीकृत फ्रेमवर्क: एक एकल मॉडल जो मानक बैकप्रोपैगेशन के माध्यम से डिस्क्रीट सर्किट स्ट्रक्चर (गेट समावेश) और कंटीन्यूअस पैरामीटर्स (एंगल्स) को एक साथ ऑप्टिमाइज़ करता है, जिससे DQAS की सैंपलिंग अक्षमता से बचा जा सकता है।
सैद्धांतिक सूत्रीकरण: निरंतर तर्क (T-norms के माध्यम से) और यूनिटरी इवोल्यूशन के बीच एक कठोर सेतु, यह सिद्ध करते हुए कि लीनियर रिलैक्सेशन एक वैध ऑप्टिमाइजेशन सरोगेट के रूप में कार्य करता है।
हार्डवेयर-अवेयरनेस: लॉस फंक्शन में सीधे हार्डवेयर बाधाओं (जैसे कनेक्टिविटी मैप्स) को कॉस्ट-वेटेड एक्सिओम्स के माध्यम से शामिल करने की क्षमता, जो पोस्ट-हॉक रूटिंग के बिना "हार्डवेयर-नेटिव" सर्किटों की खोज को सक्षम बनाती है।
ऑनलाइन एडैप्टेशन: केवल मेजरमेंट-ड्रिवन ग्रेडिएंट अपडेट का उपयोग करके भौतिक हार्डवेयर पर वास्तविक समय में सर्किट अनुकूलन का एक तंत्र, जिसमें कोई हार्डवायर्ड पथ प्राथमिकता नहीं है।

4. प्रयोगात्मक परिणाम (Experimental Results)

फ्रेमवर्क को छह प्रयोगों में मान्य किया गया:

ट्रोटर-स्टेप ऑप्टिमाइजेशन: इसने 21 गेट्स के "पोल्यूटेड" स्कैफोल्ड को उच्च शोर ( $\sigma=0.5$ ) के तहत भी इष्टतम 3-गेट सेकंड-ऑर्डर ट्रोटर डीकंपोजिशन तक सफलतापूर्वक कम किया।
QFT डिस्कवरी: 21 गेट्स (जिसमें भ्रामक आइडेंटिटी पेयर्स और जंक गेट्स शामिल थे) वाले स्कैफोल्ड से स्वायत्त रूप से मानक 12-गेट 4-क्यूबिट क्वांटम फूरियर ट्रांसफॉर्म की खोज की।
नॉइज़ रेजिलिएंस बेंचमार्क (QuantumDARTS बनाम DLP): LiH अणु सिमुलेशन पर, DLP ने शॉट नॉइज़ के तहत QuantumDARTS की तुलना में 98.8x कम वेरिएंस हासिल किया। इसने सभी शोर व्यवस्थाओं में केमिकल एक्यूरेसी (< 5 mEh) बनाए रखी, जबकि QuantumDARTS कम शॉट काउंट पर अस्थिरता दिखा रहा था।
स्केलेबल टोपोलॉजी डिस्कवरी: हाइरार्किकल सिंथेसिस का उपयोग करके फ्रस्ट्रेटेड J1-J2 हाइजनबर्ग मॉडल (20 क्यूबिट) को हल किया। मॉडल ने ज्यामितीय फ्रस्ट्रेशन को हल करने के लिए नॉन-लोकल (ट्रायंगल) कनेक्टिविटी की आवश्यकता को स्वायत्त रूप से खोजा, जो ग्लोबल ऑप्टिमाइजेशन के लिए कठिन कार्य है।
हार्डवेयर-अवेयर ऑप्टिमाइजेशन: एक सिम्युलेटेड लीनियर टोपोलॉजी पर, हार्डवेयर-अवेयर DLP ने नॉन-नेटिव गेट्स से बचने के लिए थोड़े से सैद्धांतिक ऊर्जा का त्याग किया (100% ग्राउंड स्टेट ओवरलैप के मुकाबले 96.7%)। इसके परिणामस्वरूप SWAP ओवरहेड को कम करके वास्तविक हार्डवेयर फिडेलिटी में 12% सुधार (0.957 बनाम 0.853) हुआ।
IBM Fez (156 क्यूबिट) पर एडेप्टिव रूटिंग:
- ग्रैजुअल ड्रिफ्ट: राउटर ने शोर स्तर पार होने पर स्वायत्त रूप से पथ बदला, जिससे स्टैटिक बेसलाइन की तुलना में +24.2 प्रतिशत पॉइंट (pp) का सुधार हुआ।
- कैटास्ट्रोफिक फेलियर: जब पसंदीदा पथ विफल हो गया, तो राउटर ने ग्रेडिएंट्स के माध्यम से गिरावट का पता लगाया और पुन: रूट किया, जिससे स्टैटिक बेसलाइन की तुलना में पोस्ट-फिडेलिटी में +46.7 pp सुधार प्राप्त हुआ।

5. महत्व (Significance)

यह कार्य क्वांटम सर्किट डिजाइन में एक प्रतिमान बदलाव (paradigm shift) का प्रतिनिधित्व करता है। सर्किट सिंथेसिस को एक डिफरेंशिएबल लॉजिक समस्या के रूप में मानकर, यह ह्यूरिस्टिक, फिक्स्ड-एंसात्ज़ दृष्टिकोणों से हटकर एक लचीले, ग्रेडिएंट-आधारित पद्धति की ओर बढ़ता है।

सामान्यीकरण (Generality): यह कम्पाइलेशन, एल्गोरिदम डिस्कवरी और एरर मिटिगेशन को एक ही फ्रेमवर्क के तहत एकीकृत करता है।
व्यावहारिकता (Practicality): IBM Fez प्रोसेसर पर वास्तविक हार्डवेयर शोर और विफलताओं के अनुकूल होने की प्रदर्शित क्षमता "सेल्फ-हीलिंग" क्वांटम सॉफ्टवेयर की ओर एक व्यवहार्य मार्ग का सुझाव देती है।
स्केलेबिलिटी (Scalability): हाइरार्किकल सिंथेसिस दृष्टिकोण जटिल, मैक्रोस्कोपिक क्वांटम सर्किटों के डिजाइन को संभव बनाने के लिए एक्सपोनेंशियल स्केलिंग बाधा का समाधान प्रदान करता है।

पेपर निष्कर्ष निकालता है कि डिफरेंशिएबल लॉजिकल प्रोग्रामिंग NISK और प्रारंभिक फॉल्ट-टोलरेंट युगों में "प्रदर्शित उपयोग के मामलों की कमी" के लिए एक शक्तिशाली पद्धतिगत उत्तर प्रदान करता है, जो ऐसे एल्गोरिदम की खोज को सक्षम बनाता है जो सैद्धांतिक रूप से सुदृढ़ और भौतिक रूप से व्यवहार्य दोनों हैं।