⚛️ quantum physics

Stratified Sampling for Quasi-Probability Decompositions

यह शोधपत्र अर्ध-संभाव्यता अपघटन (quasi-probability decompositions) के विन्यास प्रसरण (configuration variance) को कम करने के लिए एक शास्त्रीय डायनेमिक प्रोग्रामिंग दृष्टिकोण के साथ स्तरीकृत नमूनाकरण (stratified sampling) का उपयोग करने वाले एक ढांचे को प्रस्तुत करता है, जो अतिरिक्त क्वांटम संसाधनों की आवश्यकता के बिना क्वांटम एल्गोरिदम के लिए महत्वपूर्ण नमूना लागत बचत प्रदान करता है।

मूल लेखक: Joshua W. Dai, Bálint Koczor

प्रकाशित 2026-02-13

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Joshua W. Dai, Bálint Koczor

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, अराजक स्टेडियम में हर किसी की औसत ऊंचाई का अनुमान लगाने की कोशिश कर रहे हैं। आप हर किसी को माप नहीं सकते, इसलिए आपको एक नमूना (sample) लेना होगा।

क्वांटम कंप्यूटिंग की दुनिया में, वैज्ञानिक इसी तरह की समस्या का सामना करते हैं। वे एक विशिष्ट परिणाम (जैसे, एक अणु की ऊर्जा) की गणना करना चाहते हैं, लेकिन आवश्यक क्वांटम सर्किट बहुत अधिक "शोर वाले" (noisy) या जटिल होते हैं जिन्हें पूरी तरह से चलाना कठिन होता है। इसे ठीक करने के लिए, वे एक चतुर तकनीक का उपयोग करते हैं जिसे क्वासी-प्रोबेबिलिटी डिकंपोजिशन (QPD) कहा जाता है।

यहाँ वर्तमान तकनीक के साथ समस्या है, और वह नया समाधान जो यह पेपर पेश करता है, जिसे सरल भाषा में समझाया गया है।

समस्या: "शोर वाले पासे" की रणनीति (The "Noisy Dice" Strategy)

कल्पना कीजिए कि आपको एक नंबर पाने के लिए एक सटीक, निष्पक्ष पासा (die) फेंकने की आवश्यकता है, लेकिन आपके पास टूटे हुए, वजन वाले पासों का एक बैग है। कुछ पासे भारी हैं, कुछ हल्के, और कुछ "नेगेटिव" (एक अजीब क्वांटम अवधारणा) भी हैं।

सही उत्तर पाने के लिए, आप केवल एक पासा नहीं फेंकते। आप:

एक पासा चुनते हैं जो बैग से यादृच्छिक (random) रूप से निकाला गया हो (यह "कॉन्फ़िगरेशन" है)।
उसे कई बार फेंकते हैं ताकि एक औसत प्राप्त किया जा सके।
परिणाम को एक विशेष "भार" (weight) से गुणा करते हैं (क्योंकि कुछ पासे टूटे हुए हैं)।
अलग-अलग टूटे हुए पासों के साथ इस पूरी प्रक्रिया को हजारों बार दोहराते हैं।

चुनौती:
जबकि यह विधि औसतन सही उत्तर देती है (यह "unbiased" है), यह अविश्वसनीय रूप से शोर भरी (noisy) है। क्योंकि आप हर बार यादृच्छिक रूप से अलग-अलग टूटे हुए पासे चुन रहे हैं, आपके परिणाम बहुत अधिक ऊपर-नीचे होते रहते हैं। एक सटीक उत्तर प्राप्त करने के लिए, आपको पासे लाखों बार फेंकने होंगे, जिसमें बहुत समय लगता है और महंगे कंप्यूटर संसाधनों का उपयोग होता है।

इस "ऊपर-नीचे होने" को कॉन्फ़िगरेशन वेरिएंस (Configuration Variance) कहा जाता है। यह ऐसा है जैसे आप एक ऐसे कमरे में फुसफुसाहट सुनने की कोशिश कर रहे हों जहाँ लोग यादृच्छिक रूप से अलग-अलग चीजें चिल्ला रहे हैं।

समाधान: स्ट्रैटिफाइड सैंपलिंग (द "स्मार्ट ऑर्गनाइज़र")

इस पेपर के लेखक कहते हैं: "पूरी तरह से यादृच्छिक तरीके से पासे चुनना बंद करें! आइए पहले बैग को व्यवस्थित करें।"

वे स्ट्रैटिफाइड सैंपलिंग (Stratified Sampling) नामक एक विधि पेश करते हैं। यह हमारे स्टेडियम वाले उदाहरण के साथ कैसे काम करता है, यहाँ बताया गया है:

1. एक साधारण तरीका (पुरानी विधि):
आप स्टेडियम में जाते हैं और पूरी तरह से यादृच्छिक रूप से 1,000 लोगों को चुन लेते हैं। हो सकता है कि आप गलती से वीआईपी (VIP) सेक्शन से 500 लोग और सस्ती सीटों से केवल 5 लोग ले लें। आपका औसत बहुत गलत होगा, और त्रुटि को ठीक करने के लिए आपको और अधिक लोगों को चुनना पड़ेगा।

2. स्ट्रैटिफाइड तरीका (नई विधि):
आप स्टेडियम के मानचित्र को देखते हैं। आप जानते हैं कि वहाँ वीआईपी, छात्र और वरिष्ठ नागरिक हैं। आप निर्णय लेते हैं: "मैं ठीक 300 वीआईपी, 500 छात्र और 200 वरिष्ठ नागरिक लूँगा।"

आप उन्हें पूरे भीड़ में से यादृच्छिक रूप से नहीं चुनते।
आप उनके विशिष्ट समूहों के भीतर यादृच्छिक रूप से चुनते हैं।
फिर आप परिणामों को मिलाते हैं।

यह बेहतर क्यों है?
हर समूह का प्रतिनिधित्व करने के लिए नमूने को मजबूर करके, आप एक समूह को गलती से अधिक चुनने (over-sampling) से होने वाले "शोर" को समाप्त कर देते हैं। आप कम लोगों के साथ बहुत अधिक स्थिर, सटीक औसत प्राप्त करते हैं।

इस पेपर का विशिष्ट नवाचार: "गिनती की ट्रिक" (The Counting Trick)

क्वांटम सर्किट में, "समूह" इस बात से परिभाषित होते हैं कि आपने एक विशिष्ट प्रकार के "टूटे हुए पासे" (या क्वांटम गेट) का कितनी बार उपयोग किया है।

लेखकों ने महसूस किया कि कई क्वांटम सर्किट में, गेट्स का क्रम उतना महत्वपूर्ण नहीं है जितना कि उनकी गिनती।

उदाहरण: यदि आप "टाइप A" गेट का 5 बार और "टाइप B" गेट का 3 बार उपयोग करते हैं, तो इससे कोई फर्क नहीं पड़ता कि A पहले आया या B पहले आया। वे समान परिणाम देते हैं।

एल्गोरिदम:

प्री-कंप्यूटेशन (दिमागी काम): क्वांटम कंप्यूटर चलाने से पहले, एक क्लासिकल कंप्यूटर एक स्मार्ट गणितीय प्रोग्राम (डायनामिक प्रोग्रामिंग) चलाता है। यह गिनता है कि विशिष्ट "गिनतियों" (जैसे, 5 टाइप A, 3 टाइप B) को प्राप्त करने के लिए गेट्स को व्यवस्थित करने के कितने तरीके हैं। यह प्रत्येक समूह के "भार" की गणना करता है।
आवंटन (The Allocation): यह तय करता है कि "5 टाइप A / 3 टाइप B" समूह, "4 टाइप A / 4 टाइप B" समूह, आदि को कितनी बार चलाना है।
निष्पादन (The Execution): क्वांटम कंप्यूटर इन विशिष्ट समूहों को ठीक उतनी ही बार चलाता है जितनी बार उनकी आवश्यकता होती है।

परिणाम: समय और पैसे की बचत

पेपर ने दो सामान्य क्वांटम कार्यों पर इसका परीक्षण किया:

प्रोबेबिलिस्टिक एरर कैंसलेशन (PEC): कंप्यूटर की त्रुटियों को ठीक करना।
प्रोबेबिलिस्टिक एंगल इंटरपोलेशन (PAI): सटीक रोटेशन बनाना।

परिणाम:

"ओरेकल" परिदृश्य में (जहाँ हम बुनियादी क्वांटम शोर को नजरअंदाज करते हैं और केवल रैंडमाइजेशन शोर को देखते हैं): उन्होंने वेरिएंस (ऊपर-नीचे होने) को 60% से 80% तक कम कर दिया। इसका मतलब है कि वे बहुत कम काम करके वही उत्तर प्राप्त कर सकते हैं।
"वास्तविक दुनिया" के परिदृश्य में (जहाँ बुनियादी क्वांटम शोर भी मौजूद है): उन्होंने अभी भी 10% सुधार देखा। क्वांटम कंप्यूटिंग की दुनिया में, 10% की बचत बहुत बड़ी होती क्योंकि इसका मतलब है कि आप अपने एल्गोरिदम को तेज़ी से चला सकते हैं या छोटे, सस्ते मशीनों पर चला सकते हैं।

मुख्य निष्कर्ष (The Bottom Line)

यह पेपर एक नया क्वांटम कंप्यूटर या त्रुटियों को ठीक करने का नया तरीका नहीं बना रहा है। इसके बजाय, यह काम को व्यवस्थित करने का एक स्मार्ट तरीका बनाता है।

इसे इस तरह सोचें:

पुराना तरीका: आँखों पर पट्टी बांधकर बोर्ड पर निशाना लगाना और उम्मीद करना कि अंततः आप केंद्र में हिट करेंगे।
नया तरीका: बोर्ड को सेक्शन में विभाजित करना, प्रत्येक सेक्शन के लिए एक विशिष्ट संख्या के थ्रो (throws) के साथ लक्ष्य साधना, और फिर स्कोर को मिलाना।

आपको अभी भी समान कौशल (क्वांटम हार्डवेयर) की आवश्यकता है, लेकिन आप कम प्रयासों में बेहतर परिणाम प्राप्त करते हैं। यह क्वांटम एल्गोरिदम को निकट भविष्य के लिए अधिक व्यावहारिक बनाता है, जिससे हम बिना सुपरकंप्यूटर के इंतजार किए समस्याओं को हल कर सकते हैं।

यहाँ जोशुआ डब्ल्यू. दाई और बालिंट कोकोर के शोध पत्र "Stratified Sampling for Quasi-Probability Decompositions" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

क्वासी-प्रोबेबिलिटी डिकम्पोजिशन (QPDs) क्वांटम कंप्यूटिंग में कठिन क्वांटम प्रक्रियाओं के अनुकरण (simulation), त्रुटि शमन (जैसे, प्रोबेबिलिस्टिक एरर कैंसिलेशन, PEC), और प्रोबेबिलिस्टिक सिंथेसिस करने के लिए आवश्यक उपकरण हैं। एक QPD लक्षित यूनिटरी चैनल को "आसान" कार्यान्वित किए जाने वाले चैनलों के एक समूह (ensemble) से बदल देता है, जो क्वासी-प्रोबेबिलिटीज़ (जो ऋणात्मक भी हो सकती हैं) द्वारा भारित (weighted) होते हैं।

हालाँकि QPDs अवलोकनों (observables) के निष्पक्ष अनुमान (unbiased estimation) की अनुमति देते हैं, वे एक महत्वपूर्ण ओवरहेड पेश करते हैं: कॉन्फ़िगरेशन वेरिएंस (configuration variance)।

समस्या: मानक QPD प्रोटोकॉल "नाइव" (naïve) सैंपलिंग का उपयोग करते हैं, जहाँ सर्किट कॉन्फ़िगरेशन एक प्रोडक्ट डिस्ट्रीब्यूशन से स्वतंत्र और समान रूप से वितरित (i.i.d.) रूप से खींचे जाते हैं। यह जन्म-नियम शोर (Born-rule noise) के ऊपर एक शास्त्रीय विचरण घटक (classical variance component) पेश करता है।
परिणाम: एक लक्षित परिशुद्धता (precision) प्राप्त करने के लिए, कुल सर्किट निष्पादन ( $N$ ) की संख्या QPD 1-नॉर्म ( $\|g\|_1^2$ ) के वर्ग के साथ स्केल करनी चाहिए। यह घातीय स्केलिंग (exponential scaling) अक्सर QPD-आधारित विधियों को गहरे सर्किटों के लिए अव्यवहारिक बना देती है।
अंतराल (Gap): मौजूदा कार्य $\|g\|_1$ को कम करने के लिए QPD के डिज़ाइन को अनुकूलित करने पर केंद्रित हैं। हालाँकि, एक निश्चित QPD के लिए, वेरिएंस के कॉन्स्टेंट प्रीफैक्टर्स को कम करने के लिए स्वयं सैंपलिंग रणनीति की दक्षता को व्यवस्थित रूप से अनुकूलित नहीं किया गया है।

2. कार्यप्रणाली (Methodology)

लेखक स्ट्रैटिफाइड सैंपलिंग (Stratified Sampling) पर आधारित एक ढांचा प्रस्तावित करते हैं, जो क्लासिकल सांख्यिकी की एक तकनीक है, जिसे प्रोडक्ट-फॉर्म QPDs के लिए अनुकूलित किया गया है।

A. वेरिएंस डिकम्पोजिशन (Variance Decomposition)

लेखक QPD एस्टीमेटर को दो-स्तरीय मोंटे कार्लो प्रक्रिया के रूप में मॉडल करते हैं:

कॉन्फ़िगरेशन स्तर: एक सर्किट वेरिएंट $\ell$ को वितरण $p(\ell)$ से सैंपल करना।
शॉट स्तर: जन्म-नियम शोर को औसत करने के लिए एक निश्चित $\ell$ के लिए माप को $R$ बार दोहराना।

लॉ ऑफ टोटल वेरिएंस (Law of Total Variance) का उपयोग करते हुए, वे एस्टीमेटर के कुल वेरिएंस को निम्नानुसार विभाजित करते हैं:
$\text{Var}(Y) = \underbrace{\mathbb{E}[\text{Var}(Y|\ell)]}_{\text{Born-rule noise}} + \underbrace{\text{Var}(\mathbb{E}[Y|\ell])}_{\text{Configuration variance}}$
स्ट्रैटिफाइड सैंपलिंग लक्षित अपेक्षा (expectation) या जन्म-नियम शोर को बदले बिना दूसरे पद (configuration variance) को लक्षित करती है।

B. स्ट्रैटिफाइड सैंपलिंग रणनीति (Stratified Sampling Strategy)

कॉन्फ़िगरेशन को i.i.d. रूप से खींचने के बजाय, लेखक एक नियतात्मक सांख्यिकी $S(\ell)$ के आधार पर कॉन्फ़िगरेशन स्पेस को स्ट्रेटा (strata) में विभाजित करते हैं।

अनुपातिक आवंटन (Proportional Allocation): वे प्रत्येक स्ट्रैटम $s$ को उसके संभाव्यता द्रव्यमान $w_s$ के अनुपात में नमूनों की एक निश्चित संख्या $K_s$ आवंटित करते हैं (अर्थात, $K_s \approx K \cdot w_s$ )।
सैद्धांतिक गारंटी: वे सिद्ध करते हैं कि थ्योरम 1: आदर्श अनुपातिक आवंटन के तहत, स्ट्रैटिफाइड एस्टीमेटर का वेरिएंस नाइव सैंपलिंग से कभी भी खराब नहीं होता है। वेरिएंस में कमी बिल्कुल "बिटवीन-स्ट्रैटम" वेरिएंस (स्ट्रैटम माध्यों का वेरिएंस) के बराबर होती है।
$\text{Var}_{\text{naïve}} - \text{Var}_{\text{strat}} = \frac{1}{K} \sum_s w_s (\mu_s - \bar{\mu})^2 \geq 0$

C. काउंट्स-वेक्टर स्ट्रैटिफिकेशन (Counts-Vector Stratification)

इसे प्रोडक्ट-फॉर्म QPDs के लिए एल्गोरिदम के रूप में स्पष्ट बनाने के लिए, वे एक विशिष्ट सांख्यिकी पेश करते हैं: काउंट्स वेक्टर (Counts Vector)।

परिभाषा: गहराई $\nu$ और स्थानीय चौड़ाई $d$ वाले सर्किट के लिए, एक कॉन्फ़िगरेशन एक स्ट्रिंग $\ell = (\ell_1, \dots, \ell_\nu)$ है। काउंट्स वेक्टर $M = (M_1, \dots, M_d)$ क्रम (order) को अनदेखा करते हुए प्रत्येक स्थानीय प्रिमिटिव इंडेक्स की आवृत्ति को रिकॉर्ड करता है।
दक्षता: जबकि कुल कॉन्फ़िगरेशन $O(d^\nu)$ हैं, अलग-अलग काउंट्स वेक्टर्स (स्ट्रेटा) की संख्या केवल $O(\nu^{d-1})$ है, जो निश्चित चौड़ाई के लिए गहराई में केवल बहुपद (polynomial) है।
डायनेमिक प्रोग्रामिंग (DP):
- फॉरवर्ड पास (Forward Pass): प्रत्येक काउंट्स वेक्टर के लिए सटीक संभाव्यता भार ( $w_m$ ) का उपयोग करके एक पॉइसन-मल्टीनोमियल डिस्ट्रीब्यूशन DP का उपयोग करता है। जटिलता: $O(d \nu^d)$ ।
- बैकवर्ड पास (Backward Pass): एक लक्षित काउंट्स वेक्टर $M=m$ दिए जाने पर एक कॉन्फ़िगरेशन $\ell$ के सटीक सशर्त सैंपलिंग (conditional sampling) को सक्षम बनाता है। जटिलता: प्रति सैंपल $O(\nu d)$ ।
रेसिड्यूल हैंडलिंग (Residual Handling): चूंकि सैंपल काउंट पूर्णांक होने चाहिए, इसलिए लेखक एक रेसिड्यूल-अवेयर हैमिल्टन अपोर्शनमेंट (Residual-Aware Hamilton Apportionment) योजना का उपयोग करते हैं। यह सुनिश्चित करता है कि जब आदर्श अनुपातिक कोटा पूर्णांक न हो, तब भी सटीक निष्पक्षता बनी रहे, जिसमें "बचे हुए" स्ट्रेटा को एक रेसिड्यूल बकेट में एकत्रित किया जाता है।

3. मुख्य योगदान (Key Contributions)

सैद्धांतिक ढांचा: स्थापित किया कि स्ट्रैटिफाइड सैंपलिंग एक निष्पक्ष, वेरिएंस-कम करने वाला प्रिमिटिव है, जिसका कठोर प्रमाण है कि यह नाइव सैंपलिंग से कभी खराब नहीं होता है।
एल्गोरिदम निर्माण: काउंट्स वेक्टर्स का उपयोग करके एक सार्वभौमिक, क्रम-अपरिवर्तनीय (permutation-invariant) स्ट्रैटिफिकेशन विकसित किया, जो वेट गणना और सशर्त सैंपलिंग के लिए कुशल डायनेमिक प्रोग्रामिंग द्वारा समर्थित है।
व्यावहारिक कार्यान्वयन: नाइव QPD सैंपलिंग के लिए एक पूर्ण "ड्रॉप-इन" रिप्लेसमेंट प्रदान किया, जिसके लिए अतिरिक्त क्वांटम संसाधनों की आवश्यकता नहीं है, केवल क्लासिकल प्री-प्रोसेसिंग और पोस्ट-प्रोसेसिंग की आवश्यकता है।
वेरिएंस रिडक्शन विश्लेषण: प्रदर्शित किया कि विधि प्रभावी रूप से कॉन्फ़िगरेशन स्पेस के "व्याख्या योग्य वेरिएंस" (explained variance) को हटा देती है, विशेष रूप से उन रेजीमों में जहाँ शॉट शोर कम होता है।

4. संख्यात्मक परिणाम (Numerical Results)

लेखकों ने दो मानक QPD स्कीमों का उपयोग करके ट्रांसवर्स-फील्ड आइसिंग मॉडल (TFIM) सर्किट पर अपने तरीके का परीक्षण किया:

प्रोबेबिलिस्टिक एंगल इंटरपोलेशन (PAI): निरंतर रोटेशन को असतत हार्डवेयर कोणों के साथ अनुमानित करना।
प्रोबेबिलिस्टिक एरर कैंसिलेशन (PEC): डिपोलराइजिंग शोर को कम करना।

मुख्य निष्कर्ष:

ओरेकल रेजीम (शॉट शोर कम, $R \to \infty$ ): स्ट्रैटिफिकेशन ने 60–80% की भारी वेरिएंस कमी हासिल की। यह इंगित करता है कि काउंट्स वेक्टर आदर्श सर्किट आउटपुट में कॉन्फ़िगरेशन-टू-कॉन्फ़िगरेशन भिन्नता के एक बड़े हिस्से को कैप्चर करता है।
सिंगल-शॉट रेजीम ( $R=1$ ): प्रमुख जन्म-नियम शोर की उपस्थिति में, कमी मामूली लेकिन मजबूत थी, लगभग 10%।
स्केलेबिलिटी: विधि मध्यम गहराई (जैसे, $\nu \approx 100$ ) और छोटी स्थानीय चौड़ाई ( $d=3$ PAI के लिए, $d=4$ PEC के लिए) के लिए व्यावहारिक रहती है। प्रीप्रोसेसिंग लागत बहुपद (polynomial) है, और प्रति-सैंपल जनरेशन लागत एक स्थिरांक कारक तक नाइव सैंपलिंग के बराबर है।

5. महत्व और प्रभाव (Significance and Impact)

संसाधन बचत: वेरिएंस में कॉन्स्टेंट प्रीफैक्टर को कम करके, यह विधि लक्षित परिशुद्धता तक पहुँचने के लिए आवश्यक कुल सर्किट निष्पादनों की संख्या को प्रभावी ढंग से कम करती है। यह QPDs की व्यावहारिक उपयोगिता को बढ़ाता है जहाँ शॉट बजट सीमित होते हैं।
QPD डिज़ाइन के साथ ऑर्थोगोनैलिटी: यह दृष्टिकोण बेहतर QPDs डिजाइन करने (न्यूनतम $\|g\|_1$ ) के मौजूदा कार्य का पूरक है। यह किसी भी निश्चित प्रोडक्ट-फॉर्म QPD पर कार्य करता है, जो मूल क्वांटम सर्किट या शोर मॉडल को बदले बिना "मुफ्त" वेरिएंस रिडक्शन प्रदान करता है।
सामान्यीकरण (Generalizability): हालांकि यह प्रोडक्ट-फॉर्म QPDs पर केंद्रित है, इसका वैचारिक ढांचा (कॉन्फ़िगरेशन वेरिएंस को शॉट शोर से अलग करना और स्ट्रैटिफिकेशन का उपयोग करना) अन्य यादृच्छिक क्वांटम एल्गोरिदम जैसे कि रैंडमाइज्ड कंपाइलिंग, ट्विरलिंग और क्लासिकल शैडो पर व्यापक रूप से लागू होता है।
तत्काल प्रयोज्यता: इसके लिए किसी नए क्वांटम हार्डवेयर क्षमता की आवश्यकता नहीं है; यह विशुद्ध रूप से सैंपलिंग प्रोटोकॉल का एक क्लासिकल अनुकूलन है, जो इसे वर्तमान क्वांटम सॉफ्टवेयर स्टैक में तुरंत तैनात करने योग्य बनाता है।

संक्षेप में, यह शोध पत्र QPDs में "कॉन्फ़िगरेशन वेरिएंस" की बाधा के लिए एक कठोर, एल्गोरिदम-आधारित समाधान प्रदान करता है, यह सिद्ध करते हुए कि बुद्धिमान सैंपलिंग डिज़ाइन क्वांटम एरर मिटिगेशन और सिमुलेशन के लिए पर्याप्त, प्रमाणित संसाधन बचत प्रदान कर सकता है।