⚛️ quantum physics

Scalable Quantum Machine Learning via Multi-layer Fully-Connected Variational Quantum Circuits

यह शोध पत्र मल्टी-लेयर फुली-कनेक्टेड वेरिएशनल क्वांटम सर्किट्स (FC-VQC) का प्रस्ताव करता है, जो एक मॉड्यूलर फ्रेमवर्क है जो उच्च-आयामी इनपुट्स को स्थानीय क्वांटम ब्लॉक्स में विभाजित करता है ताकि एक्सप्रेसिविटी-ट्रेनैबिलिटी दुविधा को हल किया जा सके, और विविध कार्यों में मोनोलिथिक VQCs और डीप न्यूरल नेटवर्क दोनों की तुलना में कम प्रशिक्षण योग्य मापदंडों के साथ प्रतिस्पर्धी प्रदर्शन प्राप्त करता है।

मूल लेखक: Howard Su, Chen-Yu Liu, Samuel Yen-Chi Chen, Kuan-Cheng Chen, Huan-Hsin Tseng

प्रकाशित 2026-05-12

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Howard Su, Chen-Yu Liu, Samuel Yen-Chi Chen, Kuan-Cheng Chen, Huan-Hsin Tseng

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 जटिल पहेलियों को हल करने के लिए सिखाने की कोशिश कर रहे हैं, जिसके लिए वह एक विशेष प्रकार के कैलकुलेटर का उपयोग करता है जिसे क्वांटम कंप्यूटर कहा जाता है। "क्वांटम मशीन लर्निंग" की दुनिया में, मानक उपकरण एक वेरिएशनल क्वांटम सर्किट (VQC) है। एक मानक VQC को एक एकल, विशाल, अखंड मशीन के रूप में सोचें।

यहाँ इस विशाल मशीन के साथ एक समस्या है:

यदि यह छोटी है: तो इसे चलाना आसान है, लेकिन यह जटिल पैटर्न सीखने के लिए बहुत सरल है (जैसे एक बच्चा पीएचडी स्तर की गणित की समस्या हल करने की कोशिश कर रहा हो)।
यदि यह बड़ी है: तो यह सीखने के लिए पर्याप्त शक्तिशाली है, लेकिन यह इतनी विशाल है कि इसे चलाने वाला कंप्यूटर क्रैश हो जाता है, या यह इतनी "भ्रमित" हो जाती है कि सीखना पूरी तरह से बंद कर देती है (एक ऐसी समस्या जिसे वैज्ञानिक "बैरन प्लेटो" कहते हैं, जहाँ कंप्यूटर अपना रास्ता भटक जाता है)।

लेखक इस नए समाधान का प्रस्ताव करते हैं जिसे FC-VQC (मल्टी-लेयर फुली-कनेक्टेड वेरिएशनल क्वांटम सर्किट्स) कहा जाता है। एक एकल विशाल मशीन के बजाय, उन्होंने छोटे, विशिष्ट श्रमिकों की एक टीम बनाई है।

मुख्य विचार: "फैक्ट्री असेंबली लाइन" का उदाहरण

कल्पना कीजिए कि आपको 300 अलग-अलग रंगों के मोतियों (एक उच्च-आयामी इनपुट) के एक विशाल ढेर को छाँटने की आवश्यकता है।

पुराना तरीका (मोनोलिथिक VQC):
आप उन सभी 300 मोतियों को एक ही विशाल छँटाई मशीन में डालने की कोशिश करते हैं।

समस्या: उस मशीन को बनाना बहुत कठिन है। यदि आप इसे एक सामान्य कंप्यूटर पर सिम्युलेट करने की कोशिश करते हैं, तो यह इतनी अधिक मेमोरी ले लेती है कि यह क्रैश हो जाता है। यदि आप इसे फिट होने के लिए छोटा बनाते हैं, तो यह रंगों को सही ढंग से नहीं छाँट पाता।

नया तरीका (FC-VQC):
आप 300 मोतियों को 3-3 के 100 छोटे समूहों में तोड़ देते हैं।

स्थानीय श्रमिक (Local Workers): आप मोतियों के प्रत्येक समूह के 3 को एक छोटी, सरल छँटाई मशीन (एक "लोकल VQC ब्लॉक") को देते हैं। ये नन्ही मशीनें बनाना और चलाना आसान है।
मिक्सर (The Mixer): पहले दौर के बाद, आप छँटे हुए समूहों को अलग नहीं रखते हैं। आप समूह A से एक मोती, समूह B से एक मोती, और समूह C से एक मोती लेते हैं, उन्हें आपस में मिलाते हैं, और उन्हें अगले सेट की नन्ही मशीनों के पास भेज देते हैं।
चेन (The Chain): आप इस प्रक्रिया को दोहराते हैं। नन्ही मशीनें छोटी और प्रबंधनीय रहती हैं, लेकिन क्योंकि वे परतों (layers) में एक-दूसरे को जानकारी पास करती हैं, पूरा सिस्टम पूरे 300-मोतियों वाले पहेली को संभालने के लिए सीख जाता है।

उन्होंने क्या पाया?

शोधकर्ताओं ने इस "श्रमिकों की टीम" वाले दृष्टिकोण का परीक्षण तीन प्रकार के कार्यों पर "विशाल मशीन" और यहाँ तक कि मानक क्लासिकल कंप्यूटर मॉडल (डीप न्यूरल नेटवर्क) के विरुद्ध किया:

सरल टेबल (रिग्रेशन और क्लासिफिकेशन):
- कार्य: कुछ संख्याओं के आधार पर कंक्रीट की मजबूती या वाइन की गुणवत्ता का अनुमान लगाना।
- परिणाम: विशाल क्वांटम मशीन संघर्ष करती रही। नया "टीम" दृष्टिकोण (FC-VQC) विशाल मशीन से बेहतर था और इसने मानक क्लासिकल कंप्यूटर मॉडल को भी पीछे छोड़ दिया, जबकि इसने बहुत कम समायोज्य सेटिंग्स (पैरामीटर्स) का उपयोग किया। यह एक छोटी, कुशल विशेषज्ञ टीम के एक विशाल, बोझिल नौकरशाही से बेहतर प्रदर्शन करने जैसा है।
जटिल समय-स्थान समस्याएँ (PDEs/BSDEs):
- कार्य: जटिल भौतिकी समीकरणों को हल करना जो समय और स्थान के साथ बदलते हैं (जैसे गर्मी कैसे फैलती है या शेयर की कीमतें कैसे बदलती हैं इसका अनुमान लगाना)। ये अत्यंत कठिन हैं क्योंकि डेटा बहुत बड़ा (300 आयामों तक) होता है।
- परिणाम: विशाल क्वांटम मशीन इन कार्यों के लिए कंप्यूटर पर सिम्युलेट भी नहीं की जा सकती थी; यह बहुत बड़ी थी। "टीम" दृष्टिकोण (FC-VQC) ने पूरी तरह से काम किया। यह बिना क्रैश हुए विशाल डेटा आकार को संभालने के लिए स्केल हो गया, और इसने सर्वश्रेष्ठ क्लासिकल कंप्यूटर मॉडल के प्रदर्शन का मुकाबला किया या उन्हें मात दी।

यह एक बड़ी बात क्यों है?

स्केलेबिलिटी (Scalability): आप व्यक्तिगत श्रमिकों को बड़ा बनाए बिना, अधिक छोटे श्रमिक जोड़कर सिस्टम को बड़ा बना सकते हैं। इसका मतलब है कि आप उन विशाल समस्याओं से निपट सकते हैं जिन्हें पहले क्वांटम कंप्यूटरों के लिए सिम्युलेट करना असंभव था।
दक्षता (Efficiency): उन्होंने इन परिणामों को प्राप्त करने के लिए काफी कम "प्रशिक्षण योग्य पैरामीटर्स" (वे नॉब्स और डायल जिन्हें कंप्यूटर सीखने के लिए समायोजित करता है) का उपयोग करके हासिल किया। कई मामलों में, उन्होंने समान या बेहतर परिणाम प्राप्त करने के लिए क्लासिकल कंप्यूटर मॉडल की तुलना में 10 से 77 गुना कम पैरामीटर्स का उपयोग किया।
प्रशिक्षण क्षमता (Trainability): क्योंकि व्यक्तिगत सर्किट छोटे हैं, वे "भ्रमित" नहीं होते या सीखने की अपनी क्षमता नहीं खोते (बैरन प्लेटो समस्या से बचना)। ग्रेडिएंट (वह संकेत जो कंप्यूटर को बताता है कि कैसे सुधार करना है) मजबूत बना रहता है।

सीमाएँ (जो उन्होंने दावा नहीं किया)

लेखक अपने परिणामों को बढ़ा-चढ़ाकर पेश करने में सावधानी बरतते हैं:

केवल सिमुलेशन: ये प्रयोग क्वांटम व्यवहार को सिम्युलेट करने वाले क्लासिकल कंप्यूटरों पर चलाए गए थे, न कि वास्तविक क्वांटम हार्डवेयर पर।
शोर (Noise): उन्होंने "शोर" के साथ एक छोटा परीक्षण किया (एक शोर वाले, अपूर्ण क्वांटम कंप्यूटर को सिम्युलेट करना), और सिस्टम ने काफी अच्छा प्रदर्शन किया, लेकिन वे स्वीकार करते हैं कि यह केवल एक पहला कदम है। वास्तविक दुनिया का हार्डवेयर अधिक जटिल होता है।
जादू नहीं: वे यह दावा नहीं कर रहे हैं कि क्वांटम कंप्यूटर हर चीज़ में बेहतर हैं। वे दावा कर रहे हैं कि इस विशिष्ट प्रकार के कार्यों के लिए यह विशिष्ट "मॉड्यूलर" आर्किटेक्चर, पुराने "विशाल मशीन" दृष्टिकोण की तुलना में बेहतर तरीका है।

सारांश

यह पेपर क्वांटम मशीन लर्निंग मॉडल बनाने का एक नया तरीका पेश करता है: एक विशाल मस्तिष्क न बनाएं; छोटे, जुड़े हुए मस्तिष्क का एक नेटवर्क बनाएं। यह दृष्टिकोण क्वांटम मॉडल को विशाल, जटिल डेटा को संभालने, अधिक कुशलता से सीखने और पुराने क्वांटम तरीकों और कुछ मानक क्लासिकल कंप्यूटरों दोनों से बेहतर प्रदर्शन करने की अनुमति देता है, और वह भी कम संसाधनों का उपयोग करके।

तकनीकी सारांश: मल्टी-लेयर फुली-कनेक्टेड वेरिएशनल क्वांटम सर्किट्स के माध्यम से स्केलेबल क्वांटम मशीन लर्निंग

1. समस्या विवरण

वेरिएशनल क्वांटम सर्किट्स (VQC), जिन्हें क्वांटम न्यूरल नेटवर्क भी कहा जाता है, निकट-अवधि (near-term) क्वांटम मशीन लर्निंग (QML) के लिए एक प्रमुख ढांचा हैं। हालाँकि, मानक मोनोलिथिक (monolithic) VQC आर्किटेक्चर एक मौलिक एक्सप्रेसिविटी-ट्रेनैबिलिटी द्वंद्व (expressivity–trainability dilemma) का सामना करते हैं:

निम्न-आयामी सेटिंग्स (Low-dimensional settings): छोटे, उथले VQCs को सिम्युलेट और ऑप्टिमाइज़ करना आसान है, लेकिन उनमें अक्सर प्रतिस्पर्धी प्रतिनिधित्व सीखने के लिए पर्याप्त प्रशिक्षित पैरामीटरों की कमी होती है (अल्प-पैरामीटराइजेशन)।
उच्च-आयामी सेटिंग्स (High-dimensional settings): एक्सप्रेसिविटी में सुधार के लिए सर्किट की चौड़ाई या गहराई बढ़ाने से हिल्बर्ट स्पेस का घातांकीय विस्तार ( $d$ क्विबिट्स के लिए $O(2^d)$ ) होता है, जिससे प्रत्यक्ष सिमुलेशन असंभव हो जाता है। इसके अलावा, पर्याप्त गहरे या एक्सप्रेसिव मोनोलिथिक सर्किट्स अक्सर बैरन प्लेटो (barren plateaus) से ग्रस्त होते हैं, जहाँ ग्रेडिएंट तेजी से लुप्त हो जाते हैं, जिससे अनुकूलन (optimization) बाधित होता है।

मौजूदा मॉड्यूलर दृष्टिकोण, जैसे कि फेडरेटेड QML, टेंसर-नेटवर्क विधियाँ, या एन्सेम्बल-शैली के सर्किट, अक्सर प्रतिनिधित्व सीखने को क्लासिकल फ्रंट-एंड पर स्थानांतरित कर देते हैं, स्ट्रक्चरल रैंक प्रतिबंधों पर निर्भर करते हैं, या पर्याप्त वैश्विक फीचर इंटरैक्शन प्रदान करने में विफल रहते हैं। एक ऐसे स्केलेबल क्वांटम आर्किटेक्चर की आवश्यकता है जो एक एकल बड़े मोनोलिथिक सर्किट का निर्माण किए बिना या प्रशिक्षित क्लासिकल एनकोडर्स पर निर्भर हुए बिना मॉडल क्षमता को बढ़ा सके।

2. कार्यप्रणाली: FC-VQC

लेखक मल्टी-लेयर फुली-कनेक्टेड वेरिएशनल क्वांटम सर्किट्स (FC-VQC) का प्रस्ताव करते हैं, जो एक मॉड्यूलर ढांचा है जिसे इनपुट आयाम के साथ क्वांटम पैरामीटर्स को रैखिक रूप से स्केल करने के लिए डिज़ाइन किया गया है, जबकि व्यक्तिगत क्वांटम गणनाओं को स्थानीय और सुलभ बनाए रखा जाता है।

मुख्य आर्किटेक्चर

FC-VQC उच्च-आयामी इनपुट को निश्चित आकार के स्थानीय $q$ -qubit VQC ब्लॉक्स में विभाजित करता है। ये ब्लॉक्स डिटरमिनिस्टिक, पैरामीटर-मुक्त ब्लॉक-मिक्सिंग नियमों के माध्यम से जुड़े होते हैं।

इनपुट लेयर: इनपुट वेक्टर $x \in \mathbb{R}^d$ को $q$ आकार के $B$ ब्लॉक्स में विभाजित किया जाता है (जहाँ $d = Bq $)। यदि$ d$, $q$ से विभाज्य नहीं है, तो ज़ीरो-पैडिंग लागू की जाती है। कम-आयामी कार्यों के लिए जहाँ $B$ छोटा है, विभाजन से पहले ब्लॉक्स की संख्या बढ़ाने के लिए एक डिटरमिनिस्टिक फीचर एक्सपेंशन (जैसे बहुपद या रूट ट्रांसफॉर्मेशन) लागू किया जाता है।
VQC ब्लॉक्स: प्रत्येक ब्लॉक एक $q$ -qubit मैप $f_\Theta: \mathbb{R}^q \to \mathbb{R}^{n_{out}}$ है। यह रोटेशन एनकोडिंग के बाद $K$ लेयर्स के स्ट्रॉन्गली एंटैंगलिंग लेयर्स (सामान्य सिंगल-क्विबिट यूलर रोटेशन और CNOT पैटर्न) का उपयोग करता है। आउटपुट को पाउली-Z एक्सपेक्टेशन वैल्यू से प्राप्त किया जाता है।
हिडन लेयर्स (ब्लॉक मिक्सिंग): प्रत्येक लेयर $l$ $l$ पर, अगले स्थानीय VQC ब्लॉक्स में फीड करने से पहले पिछले लेयर के ब्लॉक्स के आउटपुट को डिटरमिनिस्टिक मैप्स $g^{(l)}_b$ $g_{b}^{(l)}$ का उपयोग करके मिश्रित किया जाता है।
- स्लाइडिंग-विंडो मिक्सिंग (प्राथमिक): प्रत्येक ब्लॉक एक आकार $r$ के स्थानीय रिंग पड़ोस से जानकारी प्राप्त करता है। यह गहराई बढ़ने के साथ पूरे इनपुट आयाम में सूचना प्रसारित करने की अनुमति देता है ( $R^{(L)}(b) \approx 2Lr + 1$ )।
- फुल्ली-कनेक्टेड मिक्सिंग: एक वैकल्पिक तरीका जहाँ प्रत्येक ब्लॉक पिछले सभी ब्लॉक्स से एकत्रित जानकारी प्राप्त करता है, जो एक ही चरण में ग्लोबल डिपेंडेंसी को सक्षम बनाता है।
आउटपुट लेयर: यह डाइमेंशन-प्रिजर्विंग मैप्स (BSDE/PDE सॉल्वर के लिए) या स्टेज्ड डाइमेंशनलिटी रिडक्शन (टेबुलर रिग्रेशन/क्लासिफिकेशन के लिए) का समर्थन करता है, जिसमें प्रति ब्लॉक कम ऑब्जर्वेबल्स को मापा जाता है।

सैद्धांतिक प्रेरणा

यह आर्किटेक्चर तीन सैद्धांतिक अंतर्दृष्टियों पर आधारित है:

नॉइज़ एक्यूमुलेशन (Noise Accumulation): ब्लॉक्स के बीच मेजरमेंट और री-एनकोडिंग इंटरफेस (टाइप 2 आर्किटेक्चर) डालकर, यह मॉडल एंड-टू-एंड कोहेरेंट नॉइज़ एक्यूमुलेशन को कम करता है। गहरे कोहेरेंट सर्किट्स के विशिष्ट घातांकीय सिग्नल संकुचन ( $\lambda^D$ ) के बजाय, त्रुटि प्रसार लेयर काउंट के साथ रैखिक होता है, जो प्रति-ब्लॉक बायस और फाइनाइट-शॉट नॉइज़ द्वारा सीमित होता है।
रिसेप्टिव फील्ड एक्सपेंशन (Receptive Field Expansion): ब्लॉक मिक्सिंग डिपेंडेंसी सपोर्ट को बढ़ाता है। जबकि समानांतर ब्लॉक्स अलग (separable) होते हैं, स्लाइडिंग-विंडो मिक्सिंग स्थानीय ब्लॉक्स को ऐसे क्रॉस-ब्लॉक इंटरैक्शन कैप्चर करने की अनुमति देती है जो गहराई के साथ बढ़ते हैं, और फुल्ली-कनेक्टेड मिक्सिंग तुरंत ग्लोबल डिपेंडेंसी प्राप्त करती है।
सपोर्ट मिसमैच (Support Mismatch): सैद्धांतिक सीमाएँ दिखाती हैं कि प्रतिबंधित इंटरैक्शन सपोर्ट (सेपरेबल मॉडल) उन लक्ष्यों पर अपरिहार्य त्रुटि उत्पन्न करता है जिनमें क्रॉस-ब्लॉक इंटरैक्शन की आवश्यकता होती है। FC-VQC मिक्सिंग के माध्यम से प्रतिनिधित्व योग्य फलनों के स्ट्रक्चरल परिवार को विस्तारित करके इस त्रुटि को कम करता है।

3. मुख्य योगदान

द्वंद्व का समाधान: FC-VQC एक एकल व्यापक/गहरे मोनोलिथिक सर्किट के बजाय कई छोटे स्थानीय ब्लॉक्स के माध्यम से प्रशिक्षित क्वांटम क्षमता बढ़ाकर एक्सप्रेसिविटी-ट्रेनैबिलिटी ट्रेड-ऑफ को हल करता है।
स्केलेबिलिटी: एक निश्चित ब्लॉक आकार $q$ के लिए, क्वांटम पैरामीटर्स की संख्या इनपुट आयाम $d$ के साथ रैखिक रूप से स्केल होती है। यह उच्च-आयामी समस्याओं (जैसे $d=300$ ) के सिमुलेशन को सक्षम बनाता है जो मोनोलिथिक VQCs ( $O(2^{300})$ ) के लिए असंभव है।
पैरामीटर दक्षता: FC-VQC, संरचना-मिलान वाले डीप न्यूरल नेटवर्क्स (DNNs) के सापेक्ष प्रतिस्पर्धी या बेहतर प्रदर्शन प्राप्त करता है, जबकि काफी कम प्रशिक्षित पैरामीटर्स का उपयोग करता है।

4. प्रयोगात्मक परिणाम

ढांचे का तीन श्रेणियों में मूल्यांकन किया गया: टेबुलर रिग्रेशन, टेबुलर क्लासिफिकेशन, और स्पैटियो-टेम्पोरल BSDE/PDE एप्रोक्सिमेशन।

प्रेडिक्टिव परफॉरमेंस

टेबुलर टास्क: कंक्रीट स्ट्रेंथ रिग्रेशन टास्क ( $d=8$ ) पर, FC-VQC ने 0.8928 का टेस्ट $R^2$ प्राप्त किया, जिसने मोनोलिथिक VQC (0.6768) और संरचना-मिलान वाले DNN (0.8486) दोनों को पीछे छोड़ दिया। वाइन क्वालिटी क्लासिफिकेशन ( $d=11$ ) पर, FC-VQC ने 63.6% सटीकता प्राप्त की, जो DNN बेसलाइन (58.4%) से अधिक है।
स्पैटियो-टेम्पोरल PDEs: ब्लैक-स्कोल्स, बर्गर्स और ऑसिलेटरी PDEs के लिए FC-VQC का परीक्षण स्थानिक आयाम $d=36$ $d = 36$ और $d=300$ $d = 300$ के साथ किया गया।
- ब्लैक-स्कोल्स ( $d=300$ ) पर, FC-VQC ने रिलेटिव MAE को DNN (0.0189) से घटाकर 0.0098 कर दिया।
- ऑसिलेटरी PDE ( $d=300$ ) पर, इसने त्रुटि को 0.5699 से घटाकर 0.4650 कर दिया।
- बर्गर्स PDE (सबसे कठिन नॉन-लीनियर केस) पर, FC-VQC का प्रदर्शन DNN के तुलनीय रहा, $d=300$ पर थोड़ा अधिक त्रुटि (0.8842 बनाम 0.8737) के साथ, जो कार्य-निर्भर प्रदर्शन सीमाओं को दर्शाता है।

स्केलेबिलिटी और कॉम्प्लेक्सिटी

सिमुलेशन व्यवहार्यता: स्टेट-वेक्टर साइज बाधाओं के कारण मोनोलिथिक VQC बेसलाइन को $d=36$ या $d=300$ के लिए सिम्युलेट नहीं किया जा सका। FC-VQC ने, स्थानीय सर्किट आकार $q=3$ का उपयोग करते हुए, रैखिक स्केलिंग कॉम्प्लेक्सिटी $O(d)$ के साथ इन उच्च-आयामी कार्यों को सफलतापूर्वक सिम्युलेट किया।
पैरामीटर दक्षता: FC-VQC ने 7.1× से 77.2× कम प्रशिक्षित पैरामीटर्स के साथ DNN प्रदर्शन के बराबर या बेहतर प्रदर्शन किया। उच्च-आयामी PDEs ( $d=300$ ) के लिए, यह कमी 77× से अधिक थी।

ट्रेनैबिलिटी और रोबस्टनेस

ग्रेडिएंट डायनेमिक्स: कंक्रीट स्ट्रेंथ बेंचमार्क पर अनुभवजन्य विश्लेषण से पता चला कि संकीर्ण मोनोलिथिक VQCs ग्रेडिएंट वेरिएंस कोलैप्स का सामना करते हैं। FC-Vك विभिन्न गहराइयों और लेयर्स के बीच स्वस्थ ग्रेडिएंट डायनेमिक्स बनाए रखता है, जो इस दावे का समर्थन करता है कि मॉड्यूलर स्केलिंग ट्रेनिंग को सुरक्षित रखती है।
NISQ रोबस्टनेस: डिपोलराइजिंग नॉइज़ ( $p=0.001, 0.01$ ) के साथ प्रारंभिक परीक्षणों ने केवल मामूली गिरावट (0.01–0.02 $R^2$ की कमी) दिखाई, जो सुझाव देता है कि मेजर-एंड-री-एनकोड संरचना कोहेरेंट नॉइज़ एक्यूमुलेशन को कम करती है।

5. महत्व और दावे

यह पेपर FC-VQC को सभी क्लासिकल मॉडलों पर सार्वभौमिक क्वांटम लाभ के दावे के रूप में नहीं, बल्कि एक स्केलेबल मॉड्यूलर आर्किटेक्चर के रूप में प्रस्तुत करता है जो निम्न-आयामी क्षेत्र से परे VQC-शैली के मॉडलों की व्यावहारिक उपयोगिता को बढ़ाता है।

अनुभवजन्य योगदान: यह कार्य प्रदर्शित करता है कि घने क्लासिकल ट्रेन करने योग्य मॉड्यूल को मॉड्यूलर FC-VQC ब्लॉक्स से बदलकर, काफी कम पैरामीटर्स के साथ संरचना-मिलान वाले DNN प्रदर्शन के बराबर या उससे बेहतर प्रदर्शन किया जा सकता है।
आर्किटेक्चरल औचित्य: सैद्धांतिक परिणाम एक औपचारिक आधार प्रदान करते हैं कि क्यों ब्लॉक मिक्सिंग और मेजरमेंट/री-एनकोडिंग, गहरे कोहेरेंट सर्किट्स की तुलना में एक्सप्रेसिविटी और नॉइज़ रेजिलिएंस में सुधार करते हैं।
सीमाएं: लेखक स्वीकार करते हैं कि मुख्य प्रयोग क्लासिकल स्टेट-वेक्टर सिमुलेशन पर निर्भर हैं, और नॉइज़ विश्लेषण एक पूर्ण हार्डवेयर मूल्यांकन के बजाय एक प्रारंभिक जांच है। ग्रेडिएंट डायनेमिक्स विश्लेषण अनुभवजन्य है और बैरन-प्लेटो उन्मूलन का औपचारिक प्रमाण नहीं है। पैरामीटर दक्षता का लाभ संरचना-मिलान वाले DNNs के सापेक्ष दिखाया गया है, न कि आवश्यक रूप से सभी विशेष क्लासिकल आर्किटेक्चरों (जैसे स्पार्स नेटवर्क या ट्री एन्सेम्बल) के विरुद्ध।

निष्कर्षतः, FC-VQC एक व्यवहार्य मार्ग प्रदान करता है जो समस्या को प्रबंधनीय स्थानीय क्वांटम गणनाओं में तोड़कर और उन्हें डिटरमिनिस्टिक क्लासिकल मिक्सिंग से जोड़कर, उच्च-आयामी समस्याओं तक क्वांटम मशीन लर्निंग को स्केल करने में मदद करता है, जिससे एक्सप्रेसिविटी, ट्रेनैबिलिटी और कम्प्यूटेशनल व्यवहार्यता के बीच संतुलन बनता है।