⚛️ quantum physics

Quantum-Assisted Trainable-Embedding Physics-Informed Neural Networks for Parabolic PDEs

यह शोध पत्र परवलयिक आंशिक अवकल समीकरणों (parabolic partial differential equations) को हल करने के लिए दो हाइब्रिड क्वांटम-क्लासिकल आर्किटेक्चर का प्रस्ताव और मूल्यांकन करता है, जो यह प्रदर्शित करता है कि प्रशिक्षण योग्य एम्बेडिंग रणनीतियाँ—चाहे वे क्वांटम एनकोडिंग के लिए क्लासिकल फीचर मैप्स का उपयोग करती हों या पूर्णतः पैरामीट्रिक क्वांटम सर्किट का—निकट-अवधि के क्वांटम हार्डवेयर की सीमाओं के भीतर फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स के प्रदर्शन को प्रभावी रूप से बढ़ाती हैं।

मूल लेखक: Ban Q. Tran, Nahid Binandeh Dehaghani, Rafal Wisniewski, Susan Mengel, A. Pedro Aguiar

प्रकाशित 2026-02-17

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ban Q. Tran, Nahid Binandeh Dehaghani, Rafal Wisniewski, Susan Mengel, A. Pedro Aguiar

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 यह सिखाने की कोशिश कर रहे हैं कि एक धातु की छड़ या एक चौकोर पैन में गर्मी कैसे फैलती है। यह भौतिकी की एक क्लासिक समस्या है जिसे हीट इक्वेशन (Heat Equation) नामक एक जटिल गणितीय सूत्र द्वारा वर्णित किया गया है।

पारंपरिक रूप से, हम इसे हल करने के लिए शक्तिशाली क्लासिकल कंप्यूटरों (जैसे आपके लैपटॉप में होने वाले कंप्यूटर) का उपयोग करते हैं। लेकिन क्या होगा यदि हम एक क्वांटम कंप्यूटर का उपयोग कर सकें—एक ऐसी मशीन जो क्वांटम भौतिकी के अजीब नियमों का उपयोग करती है? यही इस शोध पत्र के पीछे का बड़ा विचार है।

शोधकर्ताओं ने एक "हाइब्रिड" प्रणाली बनाई: आंशिक रूप से क्लासिकल कंप्यूटर, आंशिक रूप से क्वांटम कंप्यूटर। वे यह देखना चाहते थे कि क्या इन दोनों तकनीकों को मिलाने से भौतिकी की समस्याओं को केवल एक का उपयोग करने की तुलना में अधिक तेज़ी से या अधिक सटीकता से हल किया जा सकता है।

यहाँ उनके प्रयोग का विवरण दिया गया, जिसे सरल उपमाओं के साथ समझाया गया है।

1. समस्या: "रेसिपी" बनाम "रसोइया"

हीट इक्वेशन को एक सख्त रेसिपी की तरह समझें। यह आपको बताता है कि भौतिकी के नियमों के आधार पर गर्मी को वास्तव में कैसे व्यवहार करना चाहिए।

PINNs (फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स): ये एक स्मार्ट शेफ की तरह हैं जो न केवल रेसिपी को याद करते हैं, बल्कि वास्तव में भौतिकी को भी समझते हैं। वे समाधान का अनुमान लगाने की कोशिश करते हैं, और यदि उनका अनुमान भौतिकी के नियमों को तोड़ता है, तो कंप्यूटर उन्हें डांटता है (त्रुटि या "लॉस" बढ़ाकर) और उन्हें फिर से प्रयास करने के लिए कहता है।

2. नया मोड़: क्वांटम सहायक

शोधकर्ता इस शेफ को एक क्वांटम सहायक जोड़कर अपग्रेड करना चाहते थे। लेकिन एक पेंच है: वर्तमान क्वांटम कंप्यूटर "शोर वाले" (noisy) और नाजुक होते हैं (जैसे कि एक नाजुक कांच का उपकरण)। वे अभी अकेले सब कुछ नहीं कर सकते।

इसलिए, उन्होंने शेफ (क्लासिकल भाग) को क्वांटम सहायक से जोड़ने के दो अलग-अलग तरीके बनाए:

दृष्टिकोण A: हाइब्रिड शेफ (FNN-TE-QPINN)
- उपमा: कल्पना कीजिए कि एक मानव शेफ (क्लासिकल न्यूरल नेटवर्क) सामग्री को पूरी तरह से तैयार करता है। वे सब्जियां काटते हैं और मसालों को मापते हैं (यह "एम्बेडिंग" या फीचर मैप है)। फिर, वे तैयार सामग्री को अंतिम, जादुई खाना पकाने के चरण के लिए एक क्वांटम रोबोट को सौंप देते हैं।
- यह कैसे काम करता है: क्लासिकल कंप्यूटर गणितीय समस्या को उस प्रारूप में अनुवादित करता है जिसे क्वांटम कंप्यूटर समझ सके, फिर क्वांटम सर्किट भारी काम करता है।
दृष्टिकोण B: ऑल-क्वांटम शेफ (QNN-TE-QPINN)
- उपमा: यह एक रोबोट शेफ को सब्जियां काटने से लेकर खाना पकाने तक सब कुछ करने के लिए उपयोग करने जैसा है, जिसमें केवल क्वांटम मैकेनिक्स का उपयोग किया जाता है।
- यह कैसे काम करता है: क्वांटम कंप्यूटर गणितीय समस्या का अनुवाद भी करता है और उसे हल भी करता है, बिना शुरुआत में क्लासिकल कंप्यूटर की मदद के।

3. प्रयोग: हीट रेस

टीम ने दो परिदृश्यों पर इन दोनों दृष्टिकोणों का परीक्षण किया:

1D हीट इक्वेशन: एक सीधी रेखा में फैलती गर्मी (जैसे एक पतली तार)।
2D हीट इक्वेशन: एक सतह पर फैलती गर्मी (जैसे एक फ्राइंग पैन)।

उन्होंने अपने नए हाइब्रिड मॉडल की तुलना एक मानक, पूरी तरह से क्लासिकल "शेफ" (एक नियमित PINN) से की।

4. परिणाम: कौन जीता?

विजेता: हाइब्रिड शेफ (FNN-TE-QPINN)

प्रदर्शन: यह मॉडल स्पष्ट विजेता था। इसने उच्चतम सटीकता और सबसे कम त्रुटि के साथ हीट इक्वेशन को हल किया।
क्यों? क्लासिकल कंप्यूटर डेटा को "तैयार" करने में (समस्या को क्वांटम कंप्यूटर के लिए कोणों में अनुवादित करने में) बहुत अच्छा था। इसने क्वांटम भाग को उस काम पर ध्यान केंद्रित करने की अनुमति दी जिसमें वह माहिर है: जटिल पैटर्न खोजना। यह ऐसा था जैसे मानव सामग्री तैयार करता है ताकि क्वांटम रोबोट जादु적인 खाना पकाने पर ध्यान केंद्रित कर सके।

रनर-अप: स्टैंडर्ड शेफ (क्लासिकल PINN)

प्रदर्शन: इसने ठीक-ठाक काम किया, लेकिन यह हाइब्रिड शेफ जितना सटीक नहीं था। इसे सीखने में अधिक समय लगा और इसने थोड़ी अधिक गलतियाँ कीं।

हारने वाला: ऑल-क्वांटम शेफ (QNN-TE-QPINN)

प्रदर्शन: आश्चर्यजनक रूप से, इस मॉडल को सबसे अधिक संघर्ष करना पड़ा। इसमें त्रुटि दर सबसे अधिक थी।
क्यों? क्वांटम कंप्यूटर से सब कुछ (प्रारंभिक अनुवाद सहित) कराने की कोशिश करना वर्तमान तकनीक के लिए बहुत कठिन था। "क्वांटम सामग्री" सही ढंग से तैयार नहीं की गई थी, इसलिए अंतिम व्यंजन थोड़ा गड़बड़ था। शोधकर्ताओं ने नोट किया कि हालांकि दृश्य पैटर्न ठीक लग रहा था, लेकिन संख्याएँ गलत थीं।

5. मुख्य निष्कर्ष

यह शोध पत्र हमें वर्तमान तकनीक (NISQ युग, या "नोइजी इंटरमीडिएट-स्केल क्वांटम" युग) के बारे में एक मूल्यवान सबक सिखाता है:

अभी पूरी तरह से मानव शेफ को बदलने की कोशिश न करें।
इसके बजाय, सबसे अच्छी रणनीति टीम वर्क है।

क्लासिकल कंप्यूटर को डेटा की तैयारी और अनुवाद का भारी काम करने दें।
क्वांटम कंप्यूटर को उन विशिष्ट, जटिल परिवर्तनों को करने दें जो उसे बढ़त देते हैं।

एक वाक्य में सारांश

आज जटिल भौतिकी समस्याओं को हल करने के लिए, सबसे अच्छा दृष्टिकोण 100% क्वांटम होना नहीं है, बल्कि एक हाइब्रिड टीम का उपयोग करना है जहाँ एक क्लासिकल कंप्यूटर डेटा को पूरी तरह से तैयार करता है ताकि एक क्वांटम कंप्यूटर सुपर-प्रिसिजन के साथ पहेली को हल कर सके।

यहाँ शोध पत्र "Quantum-Assisted Trainable-Embedding Physics-Informed Neural Networks for Parabolic PDEs" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र पैरबोलिक आंशिक अंतर समीकरणों (Parabolic Partial Differential Equations - PDEs), विशेष रूप से एक और दो आयामों में ऊष्मा समीकरण (Heat equation) को हल करने की चुनौती को संबोधित करता है, जिसके लिए फिजिक्स-इन्फॉर्मड न्यूरल नेटवर्क्स (PINNs) का उपयोग किया जाता है। जबकि मानक PINNs प्रभावी हैं, वे पूरी तरह से शास्त्रीय आर्किटेक्चर पर निर्भर करते हैं। लेखक नोइजी इंटरमीडिएट-स्केल क्वांटम (NISQ) युग में प्रतिनिधित्व क्षमता (representational capacity) को बढ़ाने के लिए क्वांटम मशीन लर्निंग (QML) के एकीकरण की जांच करते हैं।

मुख्य समस्या एक क्वांटम-असिस्टेड ट्रेनएबल-एम्बेडिंग (TE-QPINN) ढांचे के भीतर इष्टतम एम्बेडिंग रणनीति (embedding strategy) निर्धारित करना है। विशेष रूप से, अध्ययन यह पता लगाने का प्रयास करता है कि:

इनपुट निर्देशांकों (स्थानिक $x$ और समय $t$ ) को क्वांटम अवस्थाओं में एनकोड करने की विधि, समाधान की सटीकता और अभिसरण (convergence) को कैसे प्रभावित करती है?
क्या एक हाइब्रिड दृष्टिकोण (शास्त्रीय एम्बेडिंग + क्वांटम प्रोसेसिंग) एक पूर्णतः क्वांटम दृष्टिकोण (क्वांटम एम्बेडिंग + क्वांटम प्रोसेसिंग) की तुलना में पैरबोलिक PDEs के लिए बेहतर प्रदर्शन करता है?

2. कार्यप्रणाली (Methodology)

लेखक एक क्वांटम-असिस्टेड ट्रेनएबल-एम्बेडिंग PINN (TE-QPINN) ढांचा प्रस्तावित करते हैं। समाधान $\tilde{u}(x,t)$ को एक हर्मिटियन ऑब्जर्वेबल $O$ के एक्सपेक्टेशन वैल्यू द्वारा अनुमानित किया जाता है:
$\tilde{u}(x,t) = \langle \psi(x,t) | O | \psi(x,t) \rangle$
जहाँ अवस्था को $|\psi(x,t)\rangle = U_{var}(\theta_{var}) U_{enc}(x,t; \theta_{emb}) |0\rangle^{\otimes n}$ के माध्यम से तैयार किया जाता है।

अध्ययन दो अलग-अलग आर्किटेक्चर की तुलना करता है जो एक ही वेरिएशनल सर्किट ( $U_{var}$ ) और लॉस फंक्शन साझा करते हैं, लेकिन उनके एम्बेडिंग तंत्र ( $U_{enc}$ ) में भिन्न होते हैं:

A. हाइब्रिड क्लासिकल एम्बेडिंग (FNN-TE-QPINN)

तंत्र: एक क्लासिकल फीड-फॉरवर्ड न्यूरल नेटवर्क (FNN) इनपुट निर्देशांकों $(x,t)$ को रोटेशन एंगल्स $\Gamma(x,t)$ के एक वेक्टर में मैप करता है।
एनकोडिंग: ये कोण क्वांटम सर्किट में सिंगल-क्यूबिट $R_y$ रोटेशन को पैरामीटराइज करते हैं।
लाभ: क्वांटम प्रोसेसिंग से पहले कुशल ग्रेडिएंट गणना और नॉन-लीनियर प्रीप्रोसेसिंग के लिए क्लासिकल ऑटोमैटिक डिफरेंशिएशन का लाभ उठाता है।

B. फुली क्वांटम एम्बेडिंग (QNN-TE-QPINN)

तंत्र: एक उथला (shallow), पैरामीटराइज्ड क्वांटम न्यूरल नेटवर्क (QNN) एम्बेडिंग लेयर के रूप में कार्य करता है।
एनकोडिंग: QNN मुख्य वेरिएशनल सर्किट के लिए रोटेशन एंगल्स उत्पन्न करने के लिए इनपुट्स को प्रोसेस करता है।
// सैद्धांतिक रूप से क्वांटम एक्सप्रेसिविटी को अधिकतम करता है, हालांकि इसे ग्रेडिएंट मूल्यांकन और शोर (noise) की चुनौतियों का सामना करना पड़ता है।

C. प्रशिक्षण और अनुकूलन (Training and Optimization)

लॉस फंक्शन: एक कंपोजिट लॉस PDE रेसिडुअल ( $L_{PDE}$ ), बाउंड्री कंडीशंस ( $L_{BC}$ ), और इनिशियल कंडीशंस ( $L_{IC}$ ) को कम करता है।
अनुकूलन: L-BFGS ऑप्टिमाइज़र का उपयोग किया जाता है। वेरिएशनल पैरामीटर्स के लिए ग्रेडिएंट्स पैरामीटर-शिफ्ट नियम (parameter-shift rule) के माध्यम से कंप्यूट किए जाते हैं, जबकि एम्बेडिंग ग्रेडिएंट्स क्लासिकली (FNN के लिए) या क्वांटम नियमों (QNN के लिए) के माध्यम से कंप्यूट किए जाते हैं।
हार्डवेयर/सॉफ्टवेयर: सिमुलेशन PennyLane और PyTorch का उपयोग करके NVIDIA H100 GPUs पर चलाए गए थे। वेरिएशनल सर्किट्स के लिए हार्डवेयर-एफिशिएंट एंसेट्स (HEA) का उपयोग किया गया था।

3. मुख्य योगदान (Key Contributions)

एम्बेडिंग का व्यवस्थित तुलनात्मक अध्ययन: यह शोध पत्र एक एकीकृत PINN ढांचे के भीतर हाइब्रिड बनाम फुली क्वांटम एम्बेडिंग रणनीतियों का नियंत्रित मूल्यांकन प्रदान करता है, जिसमें एम्बेडिंग घटक को ही चर (variable) के रूप में अलग किया गया है।
पैरबोलिक PDEs पर बेंचमार्किंग: यह स्पैटियोटेम्पोरल लर्निंग के लिए मौलिक बेंचमार्क, 1D और 2D हीट इक्वेशंस के लिए पिछले कार्यों का विस्तार करता है।
प्रदर्शन विश्लेषण: अध्ययन अभिसरण गति (convergence speed), समाधान सटीकता ( $L_2$ और $L_\infty$ एरर), और NISQ बाधाओं के तहत पैरामीटर दक्षता का विश्लेषण करता है।
आर्किटेक्चरल अंतर्दृष्टि: यह प्रदर्शित करता है कि एम्बेडिंग तंत्र एक महत्वपूर्ण बाधा (bottleneck) है; केवल शास्त्रीय घटकों को क्वांटम से बदलने से बिना सावधानीपूर्वक डिजाइन के बेहतर प्रदर्शन की गारंटी नहीं मिलती है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने 1D और 2D हीट इक्वेशंस पर अपने मॉडलों का परीक्षण किया, और एक बेसलाइन क्लासिकल PINN (4 हिडन लेयर्स, 50 न्यूरॉन्स) के साथ तुलना की।

A. एक-आयामी (1D) हीट इक्वेशन

सेटअप: 6 क्यूबिट्स, 150 ट्रेनिंग एपोच।
प्रदर्शन:
- FNN-TE-QPINN (हाइब्रिड): सबसे कम लॉस ( $4.87 \times 10^{-6}$ ) और सबसे तेज़ अभिसरण (40 एपोच) प्राप्त किया। अधिकतम एब्सोल्यूट एरर: $4.54 \times 10^{-7}$ ।
- क्लासिकल PINN: मध्यम प्रदर्शन (लॉस: $8.95 \times 10^{-6}$ )।
- QNN-TE-QPINN (फुली क्वांटम): उच्चतम लॉस ( $1.34 \times 10^{-4}$ ) और उच्चतम एरर ( $5.50 \times 10^{-6}$ )।
अवलोकन: हालांकि फुली क्वांटम मॉडल में संख्यात्मक त्रुटि अधिक थी, लेकिन इसका लॉस कर्व अधिक स्मूथ था, जो कम ओवरफिटिंग का सुझाव देता है, लेकिन यह हाइब्रिड मॉडल की सटीकता से मेल खाने में विफल रहा।

B. दो-आयामी (2D) हीट इक्वेशन

सेटअप: 4 क्यूबिट्स, 10 लेयर्स, 125,000 कोलोकेशन पॉइंट्स।
प्रदर्शन:
- FNN-TE-QPINN: $1.20 \times 10^{-4}$ के लॉस और 0.00135 के मैक्सिमम एब्सोल्यूट एरर के साथ अन्य सभी से काफी बेहतर प्रदर्शन किया।
- क्लासिकल PINN: लॉस $3.97 \times 10^{-3}$ ; मैक्स एरर 0.0576।
- QNN-TE-QPINN: लॉस $1.63$ (प्रभावी ढंग से अभिसरण करने में विफल रहा); मैक्स एरर 0.054।
पैरामीटर दक्षता: फुली क्वांटम मॉडल में सबसे कम पैरामीटर (96) थे, हाइब्रिड (8,114) और क्लासिकल (271) मॉडलों की तुलना में, फिर भी इसने सबसे खराब प्रदर्शन किया, जो शुद्ध क्वांटम एम्बेडिंग को अनुकूलित करने की कठिनाई को उजागर करता है।

5. महत्व और निष्कर्ष (Significance and Conclusions)

हाइब्रिड श्रेष्ठता: अध्ययन निष्कर्ष निकालता है कि NISQ युग में पैरबोलिक PDEs को हल करने के लिए हाइब्रिड क्वांटम-क्लासिकल आर्किटेक्चर (विशेष रूप से FNN-TE-QPINN) वर्तमान में बेहतर हैं। क्लासिकल एम्बेडिंग एक स्थिर, कुशल फीचर मैप प्रदान करती है जिसे क्वांटम सर्किट प्रभावी ढंग से प्रोसेस कर सकता है।
शुद्ध क्वांटम एम्बेडिंग की सीमाएं: फुली क्वांटम एम्बेडिंग रणनीतियाँ (QNN-TE-QPINN) वर्तमान में अनुकूलन और शोर के साथ संघर्ष कर रही हैं, जिसके परिणामस्वरूप कम सटीकता होती है, भले ही उनमें पैरामीटर कम हों। यह सुझाव देता है कि क्लासिकल डेटा और क्वांटम अवस्थाओं के बीच का इंटरफेस एक महत्वपूर्ण बाधा है।
भविष्य की दिशाएं: लेखक क्वांटम सर्किट्स के लिए डेटा को "प्री-प्रोसेस" करने के लिए क्लासिकल डीप लर्निंग तकनीकों का उपयोग करके एम्बेडिंग लेयर को अनुकूलित करने के लिए निरंतर अनुसंधान की वकालत करते हैं। यह दृष्टिकोण क्लासिकल डेटा दक्षता और क्वांटम रिप्रेजेंटेशनल पावर के बीच के अंतर को पाटता है, जो अधिक जटिल नॉन-लीनियर PDEs को हल करने का मार्ग प्रशस्त करता है।

संक्षेप में, यह शोध पत्र प्रमाणित करता है कि यद्यपि क्वांटम सर्किट PDE समाधान के लिए आशाजनक हैं, लेकिन इनपुट एम्बेडिंग का डिज़ाइन सर्वोपरि है। एक हाइब्रिड दृष्टिकोण जो फीचर एक्सट्रैक्शन के लिए क्लासिकल न्यूरल नेटवर्क का लाभ उठाता है, आज डिफ्यूजन समस्याओं के लिए सबसे मजबूत और सटीक परिणाम देता है।