⚛️ quantum physics

Scalable Preparation of Matrix Product States with Sequential and Brick Wall Quantum Circuits

यह शोध पत्र 19-50 क्विबिट्स के सिस्टम में उच्च-सटीकता वाले स्टेट प्रिपरेशन (state preparation) को प्राप्त करने के लिए हीयुरिस्टिक वॉर्म-स्टार्ट सर्किट (heuristic warm-start circuits) को वेरिएशनल ऑप्टिमाइज़ेशन (variational optimization), एंटैंगलमेंट-आधारित क्विबिट रीऑर्डरिंग (entanglement-based qubit reordering) और लो-लेवल ऑप्टिमाइज़ेशन के साथ जोड़कर, निकट-अवधि क्वांटम उपकरणों पर मैट्रिक्स प्रोडक्ट स्टेट्स (Matrix Product States) तैयार करने के लिए एक स्केलेबल, एंड-टू-एंड फ्रेमवर्क प्रस्तुत करता है।

मूल लेखक: Tomasz Szołdra, Rick Mukherjee, Peter Schmelcher

प्रकाशित 2026-02-13

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Tomasz Szołdra, Rick Mukherjee, Peter Schmelcher

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 रोबोट को एक आदर्श, जटिल उत्कृष्ट कृति (masterpiece) पेंट करना सिखाने की कोशिश कर रहे हैं। आप रोबोट को कैनवास के हर एक पिक्सेल के लिए निर्देशों की एक सूची दे सकते हैं। लेकिन अगर पेंटिंग बहुत बड़ी है, तो वह सूची ब्रह्मांड से भी लंबी होगी, और रोबोट शुरू करने से पहले ही अपनी मेमोरी खत्म कर देगा। यह वही समस्या है जिसका सामना वैज्ञानिक तब करते हैं जब वे क्वांटम कंप्यूटर पर जटिल "क्वांटम अवस्थाओं" (एक विशिष्ट, जटिल पेंटिंग के क्वांटम समकक्ष) को तैयार करने की कोशिश करते हैं।

यह शोध पत्र आपको रोबोट को पेंटिंग सिखाने का एक स्मार्ट, अधिक कुशल तरीका पेश करता है, जिसे मैट्रिक्स प्रोडक्ट स्टेट्स (MPS) कहा जाता है। सोचिए कि MPS पेंटिंग के हर पिक्सेल की सूची नहीं है, बल्कि "ब्रशस्ट्रोक" (तुलिका के प्रहारों) का एक सेट है जो पेंटिंग के आवश्यक पैटर्न को पकड़ता है।

यहाँ उनके नए "पेंटिंग पाइपलाइन" का चरण-दर-चरण विवरण दिया गया है, जिसे रोजमर्रा के उदाहरणों के साथ समझाया गया है:

1. समस्या: बहुत अधिक डेटा

एक यादृच्छिक (random) क्वांटम अवस्था को तैयार करना एक समुद्र तट पर रेत के हर एक कण को याद करने की कोशिश करने जैसा है। इसमें घातीय संसाधन (समय और मेमोरी) लगते हैं और यह बड़े सिस्टम के लिए व्यावहारिक रूप से असंभव है।

समाधान: अधिकांश वास्तविक दुनिया की क्वांटम अवस्थाएं (जैसे किसी अणु की ग्राउंड स्टेट) यादृच्छिक नहीं होती हैं; उनमें एक संरचना होती है। वे एक परिदृश्य (landscape) पेंटिंग की तरह होती हैं जहाँ आकाश नीला है और घास हरी है। आपको हर पिक्सेल का वर्णन करने की आवश्यकता नहीं है; आपको बस परिदृश्य के नियमों को जानने की आवश्यकता है। यही MPS करता है: यह डेटा को एक प्रबंधनीय प्रारूप में संकुचित (compress) कर देता है।

2. पाइपलाइन: चार-चरणीय रेसिपी

लेखकों ने इस संकुचित डेटा को एक कामकाजी क्वांटम सर्किट (रोबोट के लिए निर्देश) में बदलने के लिए एक पूरा "किचन" बनाया है।

चरण 1: रेसिपी को संकुचित करना (SVD और TCI)

कल्पना कीजिए कि आपके पास एक परिदृश्य की एक विशाल, उच्च-रिज़ॉल्यूशन वाली फोटो है। आप इसे छोटा करना चाहते हैं ताकि यह मुख्य विशेषताओं को खोए बिना फोन में फिट हो सके।

विधि: वे सबसे महत्वपूर्ण विवरणों को बनाए रखने और "शोर" (noise) को हटाने के लिए गणितीय युक्तियों (जिन्हें सिंगुलर वैल्यू डिकंपोजिशन और टेंसर क्रॉस इंटरपोलेशन कहा जाता है) का उपयोग करते हैं। यह एक विशाल फ़ाइल को एक संक्षिप्त "रेसिपी" (MPS) में बदल देता है।

चरण 2: सामग्रियों को पुनर्व्यवस्थित करना (Qubit Reordering)

कल्पना कीजिए कि आप स्टू (stew) बना रहे हैं। यदि आप प्याज और गाजर को एक ही बर्तन में डालते हैं, तो वे अच्छी तरह से पकते हैं। लेकिन यदि आप प्याज को रसोई के पीछे और गाजर को सामने रखते हैं, तो आपको बार-बार इधर-उधर दौड़ना पड़ेगा, जिससे समय बर्बाद होगा।

विधि: क्वांटम कंप्यूटरों में, "क्यूबिट्स" (सामग्री) जो मजबूती से जुड़े हुए (entangled) होते हैं, उन्हें पड़ोसी होना चाहिए। यदि वे दूर हैं, तो कंप्यूटर को उन्हें जोड़ने के लिए अतिरिक्त काम करना पड़ता है।
उदाहरण: लेखक इसे एक क्वाड्रेटिक असाइनमेंट प्रॉब्लम (एक फैंसी लॉजिस्टिक्स पहेली) की तरह मानते हैं। वे पूछते हैं: "यदि हमारे पास कारखाने (क्यूबिट्स) हैं जो एक-दूसरे को सामान भेजते हैं, तो हम उन्हें मानचित्र पर कैसे व्यवस्थित करें ताकि शिपिंग की दूरी कम से कम हो?" वे क्यूबिट्स को इस तरह से पुनर्व्यवस्थित करते हैं कि जो आपस में सबसे अधिक बात करते हैं, वे एक-दूसरे के ठीक बगल में बैठें।

चरण 3: कच्चा मसौदा (Heuristic Circuits)

अब, उन्हें रेसिपी को वास्तविक निर्देशों में बदलना होगा। वे दो अलग-अलग "ड्राफ्टिंग" शैलियों का उपयोग करते हैं:

सीढ़ी (SMPD): कल्पना कीजिए कि एक सीढ़ी को एक समय में एक कदम बनाकर, बाएं से दाएं बढ़ते हुए बनाना। यह बहुत सटीक है लेकिन जल्दी ही ऊँची (गहरी) हो सकती है।
ईंट की दीवार (BMPD): कल्पना कीजिए कि ईंटों को दीवार के पैटर्न में बिछाना। आप एक पंक्ति करते हैं, फिर अगली पंक्ति को खिसकाते हैं। यह अक्सर तेज़ (कम गहरी) होता है लेकिन शुरुआत में थोड़ा कच्चा हो सकता है।
"वार्म स्टार्ट" (Warm Start): शून्य से निर्देशों का अनुमान लगाने के बजाय (जो अक्सर विफल हो जाता है), वे इन कच्चे मसौदों को एक शुरुआती बिंदु के रूप में उपयोग करते हैं। यह अंतिम उत्कृष्ट कृति को पेंट करने से पहले एक कच्चा रेखाचित्र (sketch) बनाने जैसा है।

चरण 4: बारीकी से सुधारना (Variational Optimization)

कच्चा मसौदा अच्छा है, लेकिन पूर्ण नहीं है। अब, वे निर्देशों को पॉलिश करने के लिए एक "स्मार्ट संपादक" का उपयोग करते हैं।

संपादक: वे क्वांटम गेट्स (ब्रशस्ट्रोक) को ट्यून करने के लिए दो प्रकार के संपादकों (Evenbly-Vidal और Riemannian optimization) का उपयोग करते हैं। ये संपादक अंतिम पेंटिंग को लक्ष्य के साथ पूरी तरह से मिलाने के लिए बदलाव करते हैं।
जादू: क्योंकि उन्होंने एक अच्छे कच्चे मसौदे (वार्म स्टार्ट) के साथ शुरुआत की थी, इसलिए संपादक भटकता नहीं है। यदि वे शून्य से शुरू करते, तो संपादक धुंध में भटक रहा होता (एक "बैरन प्लेटो") और समाधान कभी नहीं ढूंढ पाता। ड्राफ्ट से शुरुआत करना संपादक को सीधे उत्तर तक ले जाता है।

3. परिणाम: उन्होंने क्या पाया?

उन्होंने चार अलग-अलग "पेंटिंग्स" पर इस पाइपलाइन का परीक्षण किया:

गौसियन डिस्ट्रीब्यूशन (Gaussian Distribution): एक सरल बेल कर्व (आसान)।
लेवी डिस्ट्रीब्यूशन (Lévy Distribution): एक वक्र जिसकी पूंछ लंबी और भारी है (मध्यम)।
लोरेंज अट्रैक्टर (Lorenz Attractor): एक अराजक मौसम पैटर्न (कठिन)।
S&P 500 स्टॉक कीमतें: वास्तविक वित्तीय डेटा (बहुत जटिल)।

मुख्य निष्कर्ष:

"ईंट की दीवार" (BMPD) आमतौर पर सर्किट बनाने का सबसे तेज़ तरीका है (सबसे कम डेप्थ), जो आज के शोर वाले क्वांटम कंप्यूटरों के लिए बहुत अच्छा है।
"सीढ़ी" (SMPD) आमतौर पर कम कुल निर्देश (कम गेट काउंट) का उपयोग करती है, जो तब बहुत अच्छा है जब आप कुल ऑपरेशन्स की संख्या बचाना चाहते हैं।
संयोजन ही सर्वश्रेष्ठ है: कच्चे मसौदे के साथ स्मार्ट संपादक का उपयोग करना अकेले किसी एक के उपयोग से कहीं बेहतर काम करता है। यह उन्हें 50 क्यूबिट्स तक के सिस्टम पर जटिल अवस्थाओं को तैयार करने की अनुमति देता है, जो पहले बहुत कठिन था।
आश्चर्यजनक खोज: उन्होंने पाया कि "रफ ड्राफ्ट" विधि (SMPD) को बनाने के लिए पहले के वैज्ञानिकों के अनुमान से कम मेमोरी की आवश्यकता होती है। इसका मतलब है कि हम पहले की तुलना में अधिक गहरे और जटिल सर्किट बना सकते हैं।

निचोड़ (The Bottom Line)

यह शोध पत्र क्वांटम अवस्थाओं को तैयार करने के लिए एक स्केलेबल, एंड-टू-एंड टूलकिट प्रदान करता है। यह एक रोबोट को स्केचबुक, अपने कार्यक्षेत्र को पुनर्व्यवस्थित करने के लिए कुशल उपकरण, और अंतिम ड्राइंग को पूर्ण करने के लिए एक स्मार्ट संपादक देने जैसा है। यह हमें आज के अपूर्ण, शोर वाले कंप्यूटरों पर उपयोगी क्वांटम एल्गोरिदम चलाने के बहुत करीब लाता है, जो रसायन विज्ञान, वित्त और मशीन लर्निंग में भविष्य की सफलताओं का मार्ग प्रशस्त करता है।

यहाँ शोध पत्र "Scalable Preparation of Matrix Product States with Sequential and Brick Wall Quantum Circuits" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

निकट-अवधि वाले क्वांटम उपकरणों (near-term quantum devices) पर मनचाहे क्वांटम अवस्थाओं को तैयार करना एक मौलिक चुनौती है क्योंकि इसके लिए आम तौर पर उन संसाधनों की आवश्यकता होती है जो क्यूबिट्स की संख्या के साथ घातांकीय रूप से (exponentially) बढ़ते हैं ( $O(2^N)$ )। जबकि मैट्रिक्स प्रोडक्ट स्टेट्स (MPS) सीमित एंटैंगलमेंट (entanglement) वाली भौतिक रूप से प्रासंगिक अवस्थाओं को कुशलतापूर्वक प्रदर्शित करने का एक तरीका प्रदान करते हैं, उन्हें क्वांटम सर्किट के रूप में तैयार करना कठिन बना हुआ है।

मौजूदा दृष्टिकोण विशिष्ट समझौतों (trade-offs) से ग्रस्त हैं:

ह्यूरिस्टिक विधियाँ (जैसे SMPD, BMPD): ये नियतात्मक (deterministic) और क्लासिकली सिमुलेबल (classically simulable) हैं, लेकिन अक्सर सर्किट लेयर्स की संख्या बढ़ने के साथ फिडेलिटी (fidelity) में तेजी से गिरावट का शिकार होती हैं।
वैरिएशनल ऑप्टिमाइज़ेशन (जैसे Evenbly-Vidal, Riemannian): ये उच्च फिडेलिटी प्राप्त कर सकते हैं, लेकिन रैंडम इनिशियलाइजेशन के कारण "बैरन प्लेटो" (barren plateaus - लुप्त होते ग्रेडिएंट्स) और उच्च कम्प्यूटेशनल जटिलता के कारण सिस्टम साइज के साथ इनका पैमाना खराब हो जाता है।

यह शोध पत्र एक स्केलेबल, एंड-टू-एंड फ्रेमवर्क की आवश्यकता को संबोधित करता है जो ह्यूरिस्टिक विधियों की नियतात्मक दक्षता को वैरिएशनल ऑप्टिमाइज़ेशन की उच्च-फिडेलिटी रिफाइनमेंट के साथ जोड़ता है, विशेष रूप से 19–50 क्यूबिट्स के सिस्टम को लक्षित करता है।

2. कार्यप्रणाली: QSP पाइपलाइन (Methodology: The QSP Pipeline)

लेखक एक एकीकृत पाइपलाइन प्रस्तावित करते हैं (जो पेपर के चित्र 1 में दर्शाई गई है) जिसमें चार मुख्य चरण शामिल हैं:

चरण 1: MPS में संपीड़न (Compression into MPS)

लक्षित अवस्थाओं (या तो भौतिक ग्राउंड स्टेट्स या क्लासिकल डेटासेट्स जिन्हें प्रोबेबिलिटी एम्प्लीट्यूड के रूप में एनकोड किया गया है) को MPS प्रतिनिधित्व में परिवर्तित किया जाता है।

विधियाँ: मानक सिंगुलर वैल्यू डिकंपोजिशन (SVD) या टेन्सर क्रॉस इंटरपोलेशन (TCI)।
दक्षता: TCI केवल $O(N\chi^2)$ क्वेरीज़ का उपयोग करके MPS का निर्माण करने की अनुमति देता है, जिससे सभी $2^N$ एम्प्लीट्यूड को मेमोरी में लोड करने की आवश्यकता नहीं होती।

चरण 2: क्यूबिट पुनर्व्यवस्था (Qubit Reordering)

सर्किट डेप्थ और बॉन्ड डायमेंशन को न्यूनतम करने के लिए, क्यूबिट्स को इस तरह पुनर्व्यवस्थित किया जाता है कि मजबूती से सह-संबंधित (strongly correlated) जोड़े MPS चेन में एक-दूसरे के निकट आ जाएँ।

मेट्रिक: सभी क्यूबिट जोड़ों के बीच क्वांटम म्यूचुअल इंफॉर्मेशन (QMI) की गणना की जाती है।
ऑप्टिमाइज़ेशन: क्यूबिट पुनर्व्यवस्था की समस्या को एक क्वाड्रेटिक असाइनमेंट प्रॉब्लम (QAP) के रूप में तैयार किया जाता है, जो एक NP-hard कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन समस्या है। लेखक इष्टतम क्रम (optimal permutation) खोजने के लिए ह्यूरिस्टिक सॉल्वर (Fast Approximate QAP और 2-opt) का उपयोग करते हैं।

चरण 3: ह्यूरिस्टिक इनिशियलाइजेशन (Warm Start)

पुनर्व्यवस्थित MPS का उपयोग दो अलग-अलग डिसेंटैंगलर आर्किटेक्चर का उपयोग करके एक प्रारंभिक क्वांटम सर्किट बनाने के लिए किया जाता है:

सीक्वेंशियल मैट्रिक्स प्रोडक्ट डिसेंटैंगलर (SMPD): एक स्टेयरकेस जैसी संरचना। लेखक तीन "सुधारों" का उपयोग करते हैं:
1. आइसोमेट्री डिकंपोजिशन (Isometry Decomposition): 2-क्यूबिट यूनिटरीज को 2 CNOTs (3 के बजाय) में कम करना।
2. गेट प्रूनिंग (Gate Pruning): उन बॉन्ड्स पर 2-बॉडी गेट्स को हटाना जो पहले ही डिसेंटैंगल (rank-1) हो चुके हैं।
3. मिक्सड कैनोनिकल गेज (Mixed Canonical Gauge): लेफ्ट/राइट कैनोनिकल फॉर्म की तुलना में सर्किट डेप्थ को 50% तक कम करने के लिए मिक्सड गेज का उपयोग करना।
ब्रिक वॉल मैट्रिक्स प्रोडक्ट डिसेंटैंगलर (BMPD): $\Gamma$ - $\Lambda$ गेज पर आधारित एक ब्रिक-वॉल आर्किटेक्चर। यह लेयर-दर-लेयर रेनी एंट्रॉपी (Rényi entropy) को कम करने के लिए लोकल यूनिटरीज को ऑप्टिमाइज़ करता है, जिससे यह सुनिश्चित होता है कि MPS का स्वरूप बना रहे।

चरण 4: वैरिएशनल ऑप्टिमाइज़ेशन (Variational Optimization)

ह्यूरिस्टिक सर्किट "वार्म स्टार्ट" के रूप में कार्य करते हैं ताकि अवस्था की फिडेलिटी को रिफाइन किया जा सके।

एल्गोरिदम:
- Evenelly-Vidal (EV): यह एनवायरनमेंट टेन्सर के SVD का उपयोग करके एक समय में एक गेट को ऑप्टिमाइज़ करने के लिए गेट्स के माध्यम से स्वीप करता है। यह MPS के स्वरूप को बनाए रखता है, जिससे गहरे सर्किट संभव होते हैं।
- Riemannian Optimization: यूनिटरी मैनिफोल्ड पर यूनिटरी गेट्स के मैट्रिक्स एलिमेंट्स को सीधे ग्रेडिएंट डिसेंट (Adam optimizer) का उपयोग करके ऑप्टिमाइज़ करता है। यह एक ग्लोबल ऑप्टिमाइज़र है लेकिन टेन्सर कॉन्ट्रैक्शन लागतों के कारण गहरे सर्किट के लिए कम्प्यूटेशनल रूप से महंगा है।
रणनीति: पाइपलाइन दोनों "वन-शॉट" ऑप्टिमाइज़ेशन (पूरे प्री-बिल्ट सर्किट को ऑप्टिमाइज़ करना) और "इंटरलीव्ड" ऑप्टिमाइज़ेशन (एक लेयर जोड़ना, ऑप्टिमाइज़ करना, फिर अगली लेयर जोड़ना, आदि) का समर्थन करती है।

3. मुख्य योगदान (Key Contributions)

एंड-टू-एंड फ्रेमवर्क: MPS तैयारी के लिए क्रमिक (sequential - SMPD) और ब्रिक-वॉल (BMPD) ह्यूरिस्टिक्स को दोनों EV और Riemannian ऑप्टिमाइज़र के साथ जोड़ने वाला पहला व्यापक पाइपलाइन।
QAP के माध्यम से क्यूबिट पुनर्व्यवस्था: बॉन्ड्स के माध्यम से एंटैंगलमेंट एंट्रॉपी को कम करने के लिए QMI का उपयोग करते हुए, क्यूबिट पुनर्व्यवस्था को क्वाड्रेटिक असाइनमेंट प्रॉब्लम (QAP) में सटीक रूप से मैप करना।
SMPD में घातांकीय स्केलिंग का खंडन: लेखक पिछले निष्कर्षों (Ref. [29]) को चुनौती देते हैं जो सुझाव देते थे कि SMPD को $L$ लेयर्स के लिए घातांकीय रूप से बड़े बॉन्ड डायमेंशन ( $\tilde{\chi} \sim O(2^L)$ ) की आवश्यकता होती है। वे प्रदर्शित करते हैं कि $\tilde{\chi} \sim O(\chi)$ (जहाँ $\chi$ लक्षित बॉन्ड डायमेंशन है) पर्याप्त है, जिससे गहरे SMPD सर्किट क्लासिकली सिमुलेबल बन जाते हैं।
गेट काउंट और डेप्थ में कमी: विशिष्ट सुधारों (आइसोमेट्री डिकंपोजिशन, मिक्सड गेज) का कार्यान्वयन जो CNOT काउंट को ~33% और सर्किट डेप्थ को 50% तक कम करता है।
वास्तविक डेटा पर बेंचमार्किंग: चार विविध डेटासेट्स पर मूल्यांकन:
- गॉसियन (Gaussian) और लेवी (Lévy) प्रोबेबिलिटी डिस्ट्रीब्यूशन (स्मूथ फंक्शन्स)।
- लोरेंज़ अट्रैक्टर (Lorenz attractor - अराजकालिक टाइम-सीरीज)।
- S&P 500 स्टॉक कीमतें (वित्तीय टाइम-सीरीज)।

4. परिणाम (Results)

क्लासिकल डेटासेट्स: पाइपलाइन ने 19 से 50 क्यूबिट्स के सिस्टम के लिए अवस्थाओं को सफलतापूर्वक तैयार किया, जिनकी इनफिडेलिटी (infidelity) $10^{-7}$ (गॉसियन) से $10^{-2}$ (S&P 500 जैसे जटिल डेटासेट) के बीच रही।
SMPD बनाम BMPD:
- SMPD आम तौर पर कम CNOT गेट काउंट प्राप्त करता है और सरल अवस्थाओं (Gaussian, Lévy) के लिए बेहतर है।
- BMPD आम तौर पर कम CNOT सर्किट डेप्थ प्राप्त करता है, जिससे यह गहरे सर्किट और जटिल अवस्थाओं (Lorenz, S&P 500) के लिए अधिक उपयुक्त बनता है।
ऑप्टिमाइज़ेशन प्रदर्शन:
- Evenbly-Vidal (EV) ने गहरे सर्किट के लिए फिडेलिटी के मामले में Riemannian ऑप्टिमाइज़ेशन से बेहतर प्रदर्शन किया। EV $L=200$ लेयर्स तक संभाल सकता है क्योंकि यह MPS संरचना को बनाए रखता है, जबकि Riemannian ऑप्टिमाइज़ेशन टेन्सर कॉन्ट्रैक्शन के कारण घातांकीय मेमोरी वृद्धि के कारण $L \approx 10-15$ लेयर्स तक सीमित है।
- वार्म स्टार्ट्स (Warm Starts): ह्यूरिस्टिक सर्किट के साथ वैरिएशनल ऑप्टिमाइज़ेशन को शुरू करने से बैरन प्लेटो काफी हद तक कम हो जाते हैं और अभिसरण (convergence) तेज हो जाता है।
क्यूबिट पुनर्व्यवस्था:
- गॉसियन और लेवी वितरणों के लिए, मानक क्रम पहले से ही इष्टतम था।
- S&P 500 डेटासेट के लिए, पुनर्व्यवस्था ने कॉस्ट फंक्शन को ~28% कम किया और अधिकतम बॉन्ड एंटैंगलमेंट को 20% तक कम कर दिया, हालांकि इस विशिष्ट डेटासेट के लिए अंतिम अवस्था तैयारी की फिडेलिटी पर इसका प्रभाव मामूली था।
सुधार (Enhancements): आइसोमेट्री को 2 CNOTs (3 के बजाय) में बदलने से बिना फिडेलिटी खोए गेट काउंट कम हो गया, जो विशेष रूप से उथले (shallow) सर्किटों के लिए फायदेमंद है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह कार्य निकट-अवधि वाले क्वांटम उपकरणों (NISQ) पर मैट्रिक्स प्रोडक्ट स्टेट्स तैयार करने के लिए एक सिद्धांतिक और स्केलेबल प्रोटोकॉल प्रदान करता है। नियतात्मक ह्यूरिस्टिक निर्माण और वैरिएशनल ऑप्टिमाइज़ेशन के बीच के अंतर को पाटकर, लेखक प्रदर्शित करते हैं कि 50+ क्यूबिट्स के सिस्टम के लिए उच्च-फिडेलिटी अवस्था तैयारी संभव है, बशर्ते एंटैंगलमेंट संरचना को सही ढंग से प्रबंधित किया जाए।

निष्कर्ष बताते हैं कि:

हाइब्रिड दृष्टिकोण आवश्यक हैं: ह्यूरिस्टिक्स बैरन प्लेटो से बचने के लिए एक आवश्यक "वार्म स्टार्ट" प्रदान करते हैं।
आर्किटेक्चर का चुनाव मायने रखता है: SMPD गेट-काउंट सीमित उपकरणों के लिए बेहतर है, जबकि BMPD डेप्थ-सीमित उपकरणों के लिए बेहतर है।
क्लासिकल सिमुलेबिलिटी: गहरे डिसेंटैंगलर सर्किट पहले की तुलना में अधिक क्लासिकली सिमुलेबल हैं, जिससे क्वांटम हार्डवेयर पर तैनाती से पहले मजबूत सत्यापन संभव होता है।

यह फ्रेमवर्क क्वांटम केमिस्ट्री, ऑप्टिमाइज़ेशन और मशीन लर्निंग जैसे उपयोगिता-स्तर (utility-scale) के अनुप्रयोगों का समर्थन करता है जहाँ कुशल अवस्था तैयारी एक पूर्व शर्त है।