⚛️ quantum physics

Beyond Reinforcement Learning: Fast and Scalable Quantum Circuit Synthesis

यह शोध पत्र एक तेज़ और स्केलेबल क्वांटम सर्किट सिंथेसिस विधि प्रस्तुत करता है जो न्यूनतम विवरण लंबाई (minimum description length) का अनुमान लगाने के लिए एक हल्के पर्यवेक्षित शिक्षण मॉडल को स्टोकेस्टिक बीम सर्च के साथ जोड़ता है, जिससे शून्य-शॉट सामान्यीकरण (zero-shot generalization) और मौजूदा सुदृढीकरण लर्निंग-आधारित दृष्टिकोणों की तुलना में गति और सफलता दर में बेहतर प्रदर्शन प्राप्त होता है।

मूल लेखक: Lukas Theißinger, Thore Gerlach, David Berghaus, Christian Bauckhage

प्रकाशित 2026-02-19

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Lukas Theißinger, Thore Gerlach, David Berghaus, Christian Bauckhage

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 मास्टर आर्किटेक्ट हैं जो एक विशिष्ट, अविश्वसनीय रूप से जटिल मशीन (एक क्वांटम एल्गोरिदम) बनाने की कोशिश कर रहे हैं। आपके पास अंतिम मशीन का एक ब्लूप्रिंट है, लेकिन आपके पास स्वयं वह मशीन नहीं है। इसके बजाय, आपके पास बुनियादी निर्माण खंडों (building blocks) का एक सीमित टूलबॉक्स है: कुछ सरल लीवर (Clifford gates) और कुछ बहुत ही पेचीदा, महंगे पेंच (T gates)।

आपका लक्ष्य यह पता लगाना है कि उस मशीन को बनाने के लिए लीवरों और पेंचों का सटीक क्रम क्या होना चाहिए। यही क्वांटम सर्किट सिंथेसिस (Quantum Circuit Synthesis) की समस्या है।

समस्या: घास के ढेर में सुई ढूँढना

समस्या यह है कि इन ब्लॉकों को व्यवस्थित करने के कितने तरीके हो सकते हैं, यह संख्या खगोलीय है। यह एक ऐसी लाइब्रेरी में एक आदर्श वाक्य खोजने जैसा है जिसमें ब्रह्मांड के हर संभव शब्द का संयोजन मौजूद हो।

पुराने तरीके यादृच्छिक रूप से अनुमान लगाने या कठोर गणितीय नियमों का उपयोग करने की कोशिश करते थे। वे धीमे थे और अक्सर "डेड एंड" (बंद रास्तों) में फंस जाते थे, जिससे ऐसी मशीनें बनती थीं जो ब्लूप्रिंट के समान तो दिखती थीं, लेकिन वास्तव में काम नहीं करती थीं।
नए तरीके "रीइन्फोर्समेंट लर्निंग" (जैसे पुरस्कार/ट्रीट्स के साथ कुत्ते को प्रशिक्षित करना) का उपयोग करते थे। वे छोटे मशीनों के लिए ठीक काम करते थे, लेकिन उन्हें प्रशिक्षित करना महंगा था, इसमें बहुत समय लगता था, और यदि आप उनसे थोड़ी बड़ी मशीन बनाने के लिए कहते, तो वे वह सब कुछ भूल जाते जो उन्होंने सीखा था।

समाधान: "अंतर्ज्ञान" (Intuition) मार्गदर्शिका

लेखक इस समस्या को हल करने का एक नया तरीका प्रस्तावित करते हैं। एक कुत्ते को प्रयास और त्रुटि (trial and error) के माध्यम से सीखने के बजाय, वे एक कंप्यूटर को यह विकसित करने के लिए सिखाते हैं कि वर्तमान डिज़ाइन अंतिम लक्ष्य से कितनी "दूर" है।

उन्होंने इसे कैसे किया, यहाँ कुछ रचनात्मक उपमाओं का उपयोग किया गया है:

1. "मिनिमम डिस्क्रिप्शन लेंथ" (MDL) कंपास

कल्पना कीजिए कि आप घने कोहरे में हाइकिंग कर रहे हैं। आप अपने गंतव्य (लक्ष्य मशीन) को जानते हैं, लेकिन आप उसे देख नहीं सकते।

पुराने कंपास आपको कच्चे अंतर (जैसे, "आप 5 मीटर दूर हैं") के संदर्भ में बताते थे कि आप कितने "करीब" हैं। लेकिन क्वांटम दुनिया में, सीधी रेखा में 5 मीटर दूर होने का मतलब यह नहीं है कि आप सही रास्ते पर हैं; आप शायद किसी चट्टान के किनारे पर हो सकते हैं।
नया कंपास (MDL) कुछ स्मार्ट बताता है: "आपको समाप्त करने के लिए कितने और कदम (गेट्स) लेने की आवश्यकता है?"
- यदि कंपास कहता है "10 कदम", तो आप जानते हैं कि आप बहुत दूर हैं।
- यदि यह कहता है "2 कदम", तो आप लगभग पहुँच ही गए हैं।
- महत्वपूर्ण रूप से, यह कंपास केवल दूरी को नहीं, बल्कि पथ की संरचना को समझता है।

2. "लाइटवेट" मस्तिष्क

इस कंपास को काम करने के योग्य बनाने के लिए, शोधकर्ताओं ने एक छोटा, सरल मस्तिष्क (एक न्यूरल नेटवर्क) प्रशिक्षित किया।

आश्चर्य: उन्हें उम्मीद थी कि इन जटिल पैटर्न को समझने के लिए उन्हें एक विशाल, जटिल मस्तिष्क (जैसे कि ट्रांसफॉर्मर, जो उन्नत AI चैटबॉट्स को शक्ति देते हैं) की आवश्यकता होगी।
वास्तविकता: उन्होंने पाया कि एक छोटा, सरल मस्तिष्क (एक मल्टी-लेयर पर्सेप्ट्रॉन) वास्तव में बेहतर और तेज़ था। यह ऐसा था जैसे यह महसूस करना कि शहर में नेविगेट करने के लिए आपको सुपरकंप्यूटर की आवश्यकता नहीं है; एक साधारण, अच्छी तरह से बना नक्शा ही काफी था।
लाभ: इस छोटे मस्तिष्क को केवल 6 घंटे में प्रशिक्षित किया गया, जबकि पिछले तरीकों को प्रशिक्षित करने में 7 दिन लग जाते थे।

3. "ज़ीरो-शॉट" (Zero-Shot) सुपरपावर

आमतौर पर, यदि आप एक रोबोट को 4-ब्लॉक वाली मशीन बनाना सिखाते हैं, तो वह 5-ब्लॉक वाली मशीन बनाने के लिए कहे जाने पर बुरी तरह विफल हो जाता है। आपको उसे फिर से शुरू से प्रशिक्षित करना पड़ता है।

इस पेपर की ट्रिक: उन्होंने अपने छोटे मस्तिष्क को 5-ब्लॉक वाली मशीनों पर प्रशिक्षित किया। फिर, उन्होंने उससे 2, 3, या 4-ब्लॉक वाली मशीनें बनाने के लिए कहा।
परिणाम: इसने बिना किसी अतिरिक्त प्रशिक्षण के पूरी तरह से काम किया! यह एक बच्चे को 100 पन्नों की किताब पढ़ना सिखाने जैसा है, और फिर उन्हें 50 पन्नों की किताब थमा देना—वे तुरंत पढ़ सकते हैं क्योंकि वे शब्दों को नहीं, बल्कि पढ़ने की अवधारणा को समझते हैं। इसे ज़ीरो-शॉट जनरलाइजेशन (Zero-Shot Generalization) कहा जाता है।

4. "स्टोकेस्टिक बीम सर्च" (द स्मार्ट एक्सप्लोरर)

अब जब मस्तिष्क के पास कंपास है, तो हम रास्ता कैसे खोजें?

कल्पना कीजिए कि आप एक भूलभुलैया (maze) की खोज कर रहे हैं। एक "ग्रीडी" (लालची) खोजकर्ता हमेशा उस पथ को चुनता है जो अभी सबसे अच्छा दिखता है। लेकिन वे अक्सर एक बंद गली में फंस जाते हैं।
बीम सर्च: कल्पना कीजिए कि एक साथ 10 खोजकर्ताओं को भेजने के बजाय (एक "बीम"), वे सभी आगे बढ़ते हैं।
ट्विस्ट: शोधकर्ताओं ने इसमें थोड़ा सा "भाग्य" (रैंडमनेस) जोड़ा। कभी-कभी, वे एक खोजकर्ता को ऐसा रास्ता लेने देते हैं जो देखने में थोड़ा खराब लगता है, इस उम्मीद में कि शायद वह किसी छिपे हुए शॉर्टकट की ओर ले जाए।
हर चरण पर, "इंट्यूशन कंपास" (प्रशिक्षित मस्तिष्क) खोजकर्ताओं को बताता है कि किन रास्तों को बनाए रखना है और किन्हें छोड़ देना है। यह खोज को तेज़ रखता है लेकिन उन्हें फंसने से भी बचाता है।

परिणाम: तेज़ और स्मार्ट

जब उन्होंने इस नए सिस्टम का परीक्षण किया:

गति: इसने जटिल सर्किटों को सेकंडों में बनाया, जबकि पुराने तरीके घंटों तक चलते रहते थे या विफल हो जाते थे।
सफलता दर: इसने सफलतापूर्वक उन जटिल मशीनों को बनाया जिन्हें अन्य तरीके बनाने में विफल रहे थे।
दक्षता: इसने काम पूरा करने के लिए कम निर्माण खंडों (गेट्स) का उपयोग किया, जिससे ऊर्जा और संसाधनों की बचत हुई।

निचोड़ (The Bottom Line)

यह पेपर क्वांटम कंप्यूटर बनाने के एक धीमे, महंगे और कठोर तरीके को एक तेज़, सस्ते और सहज तरीके से बदलने के बारे में है। एक छोटे AI को केवल उत्तर रटने के बजाय समस्या के "आकार" को समझने के लिए प्रशिक्षित करके, उन्होंने एक ऐसा उपकरण बनाया जो तुरंत नई चुनौतियों के अनुकूल हो सकता है, जिससे शक्तिशाली क्वांटम कंप्यूटरों का मार्ग बहुत स्पष्ट हो गया है।

यहाँ शोध पत्र "Beyond Reinforcement Learning: Fast and Scalable Quantum Circuit Synthesis" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या की परिभाषा: क्वांटम यूनिटरी सिंथेसिस (QUS)

मुख्य समस्या जिसे संबोधित किया गया है वह है क्वांटम यूनिटरी सिंथेसिस (QUS): एक अमूर्त लक्ष्य यूनिटरी मैट्रिक्स ( $U^\star$ ) को विशिष्ट गेट सेट (जैसे, Clifford+T) से हार्डवेयर-निष्पादन योग्य क्वांटम गेट्स के अनुक्रम में अनुवादित करने का कार्य।

चुनौती: गेट अनुक्रमों के लिए खोज स्थान (search space) क्यूबिट्स की संख्या और सर्किट गहराई के साथ तेजी से (exponentially) बढ़ता है।
मौजूदा विधियों की सीमाएँ:
- सटीक अनुकूलन (Exact Optimization): मिक्स्ड-इंटीजर प्रोग्रामिंग (जैसे, QuantumCircuitOpt) जैसी विधियाँ संयोजन विस्फोट (combinatorial explosion) के कारण बड़े सर्किट्स के लिए गणनात्मक रूप से अव्यवहार्य हैं।
- अनुमानी खोज (Heuristic Search): सिमुलेटेड एनीलिंग या जेनेटिक एल्गोरिदम अक्सर जटिल परिदृश्यों में स्केलेबिलिटी और इष्टतम समाधान खोजने में संघर्ष करते हैं।
- सुदृढीकरण शिक्षण (Reinforcement Learning - RL): हालिया RL-आधारित दृष्टिकोण (जैसे, AlphaZero वेरिएंट) आशाजनक हैं लेकिन उच्च प्रशिक्षण लागत, विभिन्न क्यूबिट काउंट के बीच खराब सामान्यीकरण (प्रत्येक $n$ के लिए पुन: प्रशिक्षण की आवश्यकता), और उच्च T-काउंट सर्किट्स के लिए अनुकूलन में कठिनाई से ग्रस्त हैं।
- उद्देश्य बेमेल (Objective Mismatch): मानक संख्यात्मक दूरी मेट्रिक्स (जैसे, हिल्बर्ट-श्मिट दूरी) सर्किट की "प्रतीकात्मक" (symbolic) कठिनाई के साथ अच्छी तरह से सहसंबंध नहीं रखते हैं, जिससे उप-इष्टतम खोज मार्गदर्शन होता है।

2. कार्यप्रणाली (Methodology)

लेखक एक Reinforcement Learning-free दृष्टिकोण प्रस्तावित करते हैं जो Supervised Learning (SL) को Stochastic Beam Search के साथ जोड़ता है, जो Minimum Description Length (MDL) सिद्धांत द्वारा निर्देशित है।

A. MDL ढांचा

संख्यात्मक त्रुटि को कम करने के बजाय, यह विधि संश्लेषण को एक अवशिष्ट यूनिटरी (residual unitary) को प्रदर्शित करने के लिए गेट्स के सबसे छोटे अनुक्रम (न्यूनतम विवरण लंबाई) को खोजने के रूप में फ्रेम करती है।

अवशिष्ट यूनिटरी (Residual Unitary): एक आंशिक सर्किट प्रीफिक्स $C_{1:t}$ के साथ यूनिटरी $U_{1:t}$ दिए जाने पर, अवशिष्ट $R_t = U_{1:t}^\dagger U^\star$ है।
लक्ष्य: $R_t$ को आइडेंटिटी (identity) तक संश्लेषित करने के लिए आवश्यक शेष गेट गणना की भविष्यवाणी करना। यह एक ह्यूरिस्टिक वैल्यू फंक्शन के रूप में कार्य करता है।

B. MDL भविष्यवाणी के लिए सुपरवाइज्ड लर्निंग

मॉडल आर्किटेक्चर: एक हल्का Multi-Layer Perceptron (MLP) (हिडन डाइमेंशन 1024, 512, 128)। आश्चर्यजनक रूप से, इसने इस विशिष्ट कार्य में ट्रांसफॉर्मर आर्किटेक्चर से बेहतर प्रदर्शन किया।
इनपुट प्रतिनिधित्व: अवशिष्ट यूनिटरी मैट्रिक्स को रियल और इमेजिनरी भागों को स्टैक करके एक रियल-वैल्यूड टेंसर में परिवर्तित किया जाता है। महत्वपूर्ण रूप से, अनऑब्जर्वेबल ग्लोबल फेजेस के प्रति इनवेरिएंस सुनिश्चित करने के लिए एक ग्लोबल फेज नॉर्मलाइजेशन लागू किया जाता है।
प्रशिक्षण डेटा जनरेशन:
- सिंथेटिक डेटा रैंडम Clifford+T सर्किट्स के रिजेक्शन सैंपलिंग के माध्यम से उत्पन्न किया जाता है।
- करिकुलम लर्निंग (Curriculum Learning): डेटासेट को रणनीतिक रूप से नॉन-क्लिफोर्ड स्ट्रक्चर पॉइंट्स पर सर्किट को काटकर "कठिन" अवस्थाओं (उच्च T-काउंट) की ओर झुकाया गया है ताकि विविध अवशिष्ट लक्ष्य बनाए जा सकें।
- लेबल: "ग्राउंड ट्रुथ" लेबल सर्किट के ह्यूरिस्टिक-ऑप्टिमाइज्ड सफिक्स (suffix) की गेट काउंट है, जो वास्तविक MDL के प्रॉक्सी के रूप में कार्य करता है।
प्रशिक्षण लागत: RL बेसलाइन्स की तुलना में काफी कम; मानक हार्डवेयर (30 CPU कोर, 4GB GPU) पर लगभग ~6 घंटे लेता है, जबकि RL के लिए कई दिन लग सकते हैं।

C. अनुमान (Inference): स्टोकेस्टिक बीम सर्च

खोज रणनीति: प्रशिक्षित MLP एक वैल्यू फंक्शन ( $V^*(R_t) \approx -f_\theta(R_t)$ ) के रूप में कार्य करता है जो बीम सर्च को निर्देशित करता है।
स्टोकेस्टिक चयन: लोकल ऑप्टिमा में फंसने से बचने के लिए, विधि Gumbel-top-B sampling का उपयोग करती है। यह शीर्ष $B$ उम्मीदवारों को चुनने से पहले चुने गए नेगेटिव प्रेडिक्टेड MDL स्कोर में Gumbel शोर (noise) जोड़ती है। यह जटिल RL प्रशिक्षण के बिना एक्सप्लोरेशन और एक्सप्लोइटेशन के बीच संतुलन बनाता है।
जीरो-शॉट सामान्यीकरण (Zero-Shot Generalization): $n=5$ क्यूबिट्स पर प्रशिक्षित एक एकल मॉडल का उपयोग सभी मूल्यांकनों के लिए किया जाता है। $n < 5$ के लिए, लक्ष्य यूनिटरी को आइडेंटिटी मैट्रिसेस ( $U_{pad} = U \otimes I$ ) के साथ पैड किया जाता है। मॉडल बिना पुन: प्रशिक्षण के प्रभावी ढंग से सामान्यीकरण करता है।

3. मुख्य योगदान

MDL-निर्देशित संश्लेषण: QUS को MDL का उपयोग करके शेष इष्टतम गेट लागत का अनुमान लगाने के रूप में तैयार करता है, जो एक संख्यात्मक दूरी मेट्रिक की तुलना में अधिक संरचनात्मक रूप से सार्थक ह्यूरिस्टिक प्रदान करता है।
हल्का और कुशल: यह प्रदर्शित करता है कि एक सरल MLP पर्याप्त है और जटिल ट्रांसफॉर्मर या RL एजेंटों की तुलना में तेज़ है, जो प्रशिक्षण ओवरहेड को काफी कम कर देता है।
जीरो-शॉट स्केलेबिलिटी: एक ही मॉडल का उपयोग करके विभिन्न क्यूबिट काउंट ( $n=2$ से $5$) के लिए सामान्यीकरण प्राप्त करता है, जिससे पूर्व RL विधियों के लिए आवश्यक प्रति-क्यूबिट-काउंट पुन: प्रशिक्षण की आवश्यकता समाप्त हो जाती है।
स्टेट-ऑफ-द-आर्ट प्रदर्शन: जटिल, उच्च-T-काउंट सर्किट्स के लिए सफलता दर और वॉल-क्लॉक समय दोनों में मौजूदा क्लासिकल और RL-आधारित बेसलाइन्स को पीछे छोड़ देता है।

4. प्रयोगात्मक परिणाम

विधि का मूल्यांकन सिंथेटिक डेटा और QAS-Bench (क्वांटम एल्गोरिदम सिंथेसिस बेंचमार्क) सूट पर किया गया।

सफलता दर:
- उच्च T-काउंट (20 तक) वाले 4 और 5-क्यूबिट इंस्टेंस पर, प्रस्तावित विधि उच्च सफलता दर बनाए रखती है, जबकि RL बेसलाइन काफी गिर जाती है और सिमुलेटेड एनीलिंग अधिकांश कठिन मामलों में विफल हो जाती है।
- QAS-Bench पर, विधि ने लगभग हर बकेट (विभिन्न क्यूबिट काउंट और लेयर डेप्थ) में 15/15 सफलता प्राप्त की, जो ब्रूट फोर्स, जेनेटिक एल्गोरिदम और डिफरेंशिएबल सर्च (DQAS) से बेहतर है।
रनटाइम और दक्षता:
- वॉल-क्लॉक टाइम: प्रति इंस्टेंस औसतन ~22 सेकंड का रनटाइम प्राप्त किया (8,000 परीक्षणों के निश्चित बजट के साथ)।
- तुलना: Synthetiq (सिमुलेटेड एनीलिंग) से बेहतर प्रदर्शन किया जो अधिक समय लेता था और बड़े सर्किट बनाता था, और QuantumCircuitOpt से भी बेहतर जो सभी परीक्षण किए गए इंस्टेंस पर टाइम-आउट (>1 घंटा) हो गया।
- समाधान की गुणवत्ता: लगातार सबसे छोटी गेट काउंट लौटाता है, जहाँ ब्रूट फोर्स इष्टतम संभव है, और जहाँ ब्रूट फोर्स अव्यवहार्य है वहाँ कॉम्पैक्ट सर्किट बनाता है।
जीरो-शॉट क्षमता: 5 क्यूबिट के लिए प्रशिक्षित मॉडल ने बिना किसी फाइन-ट्यूनिंग के 2, 3, और 4 क्यूबिट के लिए सर्किट को सफलतापूर्वक संश्लेषित किया।

5. महत्व और प्रभाव

प्रतिमान परिवर्तन (Paradigm Shift): यह महंगे सुदृढीकरण शिक्षण (Reinforcement Learning) प्रशिक्षण से हटकर ह्यूरिस्टिक जनरेशन के लिए कुशल सुपरवाइज्ड लर्निंग की ओर बढ़ता है।
स्केलेबिलिटी: यह क्वांटम सर्किट संश्लेषण को बड़े क्यूबिट काउंट और गहरे सर्किट्स तक स्केल करने की महत्वपूर्ण बाधा को संबोधित करता है, जो व्यावहारिक दोष-सहिष्णु (fault-tolerant) क्वांटम कंप्यूटिंग के लिए एक पूर्व शर्त है।
व्यावहारिकता: एक हल्के प्रेडिक्टर और स्टोकेस्टिक बीम सर्च का संयोजन एक व्यावहारिक, तैनात करने योग्य ह्यूरिस्टिक प्रदान करता है जो सर्किट जनरेशन की गति और गुणवत्ता दोनों में सुधार करता है, जिससे यह स्वचालित क्वांटम कंपाइलर डिज़ाइन के लिए एक व्यवहार्य उपकरण बन जाता है।

सीमाएँ: यह विधि अभी भी घने मैट्रिक्स प्रतिनिधित्व ( $\Theta(4^n)$ मेमोरी) पर निर्भर करती है, जो छोटे-से-मध्यम क्यूबिट काउंट ( $n \le 5$ ) तक व्यावहारिक अनुप्रयोग को सीमित करती है। हालाँकि, इस दायरे के भीतर, यह मौजूदा स्टेट-ऑफ-द-आर्ट विधियों की तुलना में दक्षता में काफी सुधार करती है।