⚛️ quantum physics

A rigorous hybridization of variational quantum eigensolver and classical neural network

यह शोध पत्र वेरिएशनल क्वांटम आइजनसॉल्वर्स (variational quantum eigensolvers) के लिए मौजूदा न्यूरल पोस्ट-प्रोसेसिंग विधियों में मौलिक सीमाओं, जैसे कि सांख्यिकीय बाधाओं (statistical bottlenecks) और वेरिएशनल विसंगति (variational inconsistency), की पहचान करता है और U-VQNHE नामक एक नवीन, नॉर्मलाइजेशन-मुक्त हाइब्रिड एल्गोरिदम प्रस्तावित करता है जो संख्यात्मक प्रयोगों में बेहतर सटीकता और मजबूती प्रदर्शित करते हुए वेरिएशनल सुरक्षा की गारंटी देता है।

मूल लेखक: Minwoo Kim, Kyoung Keun Park, Kyungmin Lee, Jeongho Bang, Taehyun Kim

प्रकाशित 2026-02-20

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Minwoo Kim, Kyoung Keun Park, Kyungmin Lee, Jeongho Bang, Taehyun Kim

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

मुख्य विचार: धुंधली घाटी में सबसे निचले बिंदु की खोज

कल्पना कीजिए कि आप एक गहरी, धुंधली घाटी (जिसे Ground State कहा जाता है) के बिल्कुल निचले हिस्से को खोजने की कोशिश कर रहे हैं। यह किसी रासायनिक अणु या पदार्थ की सबसे स्थिर, न्यूनतम ऊर्जा वाली अवस्था है।

क्वांटम कंप्यूटिंग की दुनिया में, हम इसे करने के लिए VQE (Variational Quantum Eigensolver) नामक एक एल्गोरिदम का उपयोग करते हैं। VQE को एक दिशा-सूचक यंत्र (compass) के साथ एक पदयात्री (hiker) के रूप में समझें। पदयात्री कदम उठाता है, ऊंचाई की जांच करता है, और ढलान की ओर नीचे उतरने की कोशिश करता है।

स्वर्ण नियम (The Golden Rule): भौतिकी के नियमों (Rayleigh-Ritz सिद्धांत) के कारण, यदि पदयात्री वास्तव में ठोस जमीन पर खड़ा है, तो वह गलती से भी वास्तविक घाटी के तल से कम ऊंचाई रिपोर्ट नहीं कर सकता। यदि वह कहता है, "मैं -500 फीट पर हूँ," जबकि घाटी केवल -400 फीट गहरी है, तो वह जानता है कि उसने कोई गलती की है या वह भ्रमित हो रहा है। यह एक अंतर्निहित "तर्क-जांच" (sanity check) है।

समस्या: वह "जादुई फिल्टर" जिसने नियमों को तोड़ दिया

हाल ही में, वैज्ञानिकों ने इस पदयात्री को और स्मार्ट बनाने के लिए एक न्यूरल नेटवर्क (एक प्रकार का AI) को "पोस्ट-प्रोसेसिंग" चरण के रूप में जोड़ने की कोशिश की।

पुराना विचार (DNP):
कल्पना कीजिए कि पदयात्री इलाके की एक तस्वीर लेता है, लेकिन फोटो थोड़ी धुंधली है। AI उस फोटो को देखता है और कहता है, "अरे, यह पिक्सेल एक गहरा गड्ढा लग रहा है, चलो इसे और भी गहरा बना देते हैं," या "यह पिक्सेल एक पहाड़ी जैसा दिखता है, चलो इसे समतल कर देते हैं।"

पकड़ (The Catch): ऐसा करने के लिए, AI को डेटा को रीवेट (reweight) करना पड़ता है। यह संख्याओं को बदल देता है ताकि "सबसे अच्छे" स्थान और भी बेहतर दिखें।
दोष: गणित को सही रखने के लिए, AI को डेटा को नॉर्मलाइज़ (normalize) करना पड़ता है (यह सुनिश्चित करने के लिए कि सभी वेट्स का योग 100% हो)।
तबाही: वास्तविक दुनिया में, हम अनंत तस्वीरें (मापन) नहीं ले सकते। हमारे पास केवल सीमित संख्या में "शॉट्स" हैं। इस सीमा के कारण, AI एक चाल चलता है। वह कुछ यादृच्छिक (random), अजीब पिक्सेल ढूंढता है जिन्हें किसी और ने नहीं देखा था, उन्हें एक विशाल वेट असाइन करता है, और कहता है, "देखो! घाटी वास्तव में -1,000,000 फीट गहरी है!"
परिणाम: AI "स्वर्ण नियम" को तोड़ देता है। वह एक ऐसी ऊर्जा स्तर रिपोर्ट करता है जो भौतिक रूप से असंभव है (वास्तविक ग्राउंड स्टेट से भी कम)। यह वैसा ही है जैसे पदयात्री दावा करे कि वह जमीन के नीचे है जबकि वह वास्तव में सतह पर है। यह पेपर सिद्ध करता है कि इस चाल को ठीक करने के लिए, आपको घातांकीय (exponential) मात्रा में डेटा (ब्रह्मांड में मौजूद परमाणुओं की संख्या से भी अधिक) की आवश्यकता होगी।

उपमा (Analogy):
कल्पना कीजिए कि एक शिक्षक टेस्ट ग्रेड कर रहा है।

मानक VQE: शिक्षक टेस्ट को निष्पक्ष रूप से ग्रेड करता है। न्यूनतम संभव स्कोर 0 है।
टूटा हुआ AI (DNP): शिक्षक उत्तरों को देखता है, लेकिन क्योंकि उसने केवल कुछ छात्रों के पेपर देखे, वह अनुमान लगाता है कि एक छात्र जिसने कमरे में प्रवेश भी नहीं किया था, उसने पूर्ण अंक प्राप्त किए। फिर वह पूरे क्लास के औसत को उस "भूतिया छात्र" के आधार पर समायोजित करता है। अचानक, क्लास का औसत नकारात्मक हो जाता है! गणित टूट जाता है क्योंकि शिक्षक एक भूतिया छात्र को नॉर्मलाइज़ करने की कोशिश कर रहा है।

समाधान: "फेज शिफ्टर" (U-VQNHE)

लेखकों ने महसूस किया कि अनंत डेटा के बिना "जादुई फिल्टर" को ठीक करने की कोशिश करना असंभव है। इसलिए, उन्होंने एक नया उपकरण बनाया जिसे U-VQNHE कहा जाता है।

इलाके की ऊंचाई बदलने के बजाय (जिसके लिए खतरनाक नॉर्मलाइजेशन की आवश्यकता होती है), उन्होंने इलाके के रंग या फेज (phase) को बदलने का निर्णय लिया।

नया विचार:
कल्पना कीजिए कि पदयात्री अभी भी वही तस्वीरें लेता है। लेकिन बजाय इसके कि वह कहे, "यह गड्ढा और गहरा है," AI कहता है, "यह गड्ढा उतनी ही गहराई का है, लेकिन इसमें एक नीली चमक (blue glow) है।"

यह क्यों काम करता है: क्वांटम मैकेनिक्स में, आप कण के कुल प्रायिकता (कुल वेट) को बदले बिना उसके "फेज" (नीली चमक) को बदल सकते हैं।
सुरक्षा: क्योंकि AI केवल "चमक" को बदल रहा है न कि "वेट" को, इसलिए प्रायिकताओं का कुल योग स्वतः ही 100% रहता है। कोई जटिल गणित नहीं, कोई "नॉर्मलाइजेशन" चरण नहीं, और AI द्वारा भूतिया छात्र दिखाने का कोई जोखिम नहीं।
लाभ: पदयात्री अभी भी इन "चमकों" का उपयोग करके घाटी में नीचे उतरने के लिए बेहतर रास्ता खोज सकता है (जैसे पानी की लहरें खराब रास्तों को रद्द करने के लिए एक-दूसरे के साथ इंटरफेयर करती हैं), लेकिन वह कभी भी भौतिक नियमों को नहीं तोड़ सकता। वह कभी भी असंभव ऊर्जा स्तर रिपोर्ट नहीं कर सकता।

सफलता का सारांश

समस्या: पिछले तरीकों ने बेहतर उत्तर खोजने के लिए डेटा को "खींचने" (stretch) की कोशिश की। लेकिन चूंकि हम सब कुछ पूरी तरह से नहीं माप सकते, इसलिए AI ने धोखाधड़ी की और असंभव, बहुत कम ऊर्जा वाले नंबर रिपोर्ट किए। इसे रोकने के लिए, आपको अनंत डेटा की आवश्यकता थी।
खोज: लेखकों ने सिद्ध किया कि यह "खींचने" वाला तरीका बड़े सिस्टम के लिए मौलिक रूप से टूटा हुआ है।
समाधान: उन्होंने एक नया तरीका (U-VQNHE) बनाया जो डेटा को "खींचने" के बजाय केवल उसे "टिंट" (रंग देना/फेज बदलना) करने के लिए AI का उपयोग करता है।
परिणाम: यह नया तरीका सुरक्षित, सटीक है और इसे असंभव मात्रा में डेटा की आवश्यकता नहीं है। यह "सेंटी-चेक" (तर्क-जांच) को बरकरार रखते हुए क्वांटम कंप्यूटर को स्मार्ट बनाता है।

संक्षेप में, यह पेपर कहता है, "रबर बैंड को तब तक खींचने की कोशिश न करें जब तक वह टूट न जाए; इसके बजाय, बस उसे घुमाएं (twist)। आप बिना विस्फोट के वैसी ही लचीलापन प्राप्त कर लेंगे।"

यहाँ शोध पत्र "A rigorous hybridization of variational quantum eigensolver and classical neural network" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

वेरिएशनल क्वांटम आइजनसोल्वर (VQE) क्वांटम केमिस्ट्री और कंडेंस्ड मैटर फिजिक्स में ग्राउंड-स्टेट ऊर्जा (ground-state energies) का अनुमान लगाने के लिए एक प्रमुख निकट-अवधि (near-term) एल्गोरिदम है। इसका प्राथमिक लाभ रेले-रिट्ज़ वेरिएशनल सिद्धांत (Rayleigh–Ritz variational principle) है, जो यह गारंटी देता है कि किसी भी सामान्यीकृत ट्रायल स्टेट (normalized trial state) की मापी गई ऊर्जा वास्तविक ग्राउंड-स्टेट ऊर्जा का एक ऊपरी आउंड (upper bound) होती है ( $E \ge E_{gs}$ )। यह अनुकूलन (optimization) के लिए एक अंतर्निहित "सेंटी चेक" प्रदान करता है।

हाल के दृष्टिकोणों ने क्लासिकल न्यूरल नेटवर्क पोस्ट-प्रोसेसिंग परतों को जोड़कर VQE को बढ़ाने का प्रयास किया है। विशेष रूप से, डायगोनल नॉन-यूनिटरी पोस्ट-प्रोसेसिंग (DNP) (जैसे, VQNHE) बिट स्ट्रिंग्स के मापन परिणामों को पुन: भारित (reweight) करने के लिए एक न्यूरल नेटवर्क का उपयोग करता है ताकि संभाव्यता वितरण (probability distribution) को नया आकार दिया जा सके, जिसका उद्देश्य उथले क्वांटम सर्किट (shallow quantum circuits) की अभिव्यंजना शक्ति (expressiveness) में सुधार करना है।

मुख्य मुद्दा:
लेखक पहचानते हैं कि DNP एक मौलिक सांख्यिकीय अस्थिरता (statistical instability) उत्पन्न करता है। DNP ऊर्जा का मूल्यांकन एक सामान्यीकृत अनुपात अनुमानक (normalized ratio estimator) के रूप में करता है:
$E_f = \frac{\langle \psi | D_f^\dagger H D_f | \psi \rangle}{\langle \psi | D_f^\dagger D_f | \psi \rangle}$
जहाँ $D_f$ एक डायगोनल, नॉन-यूनिटरी ऑपरेटर है जिसे न्यूरल नेटवर्क के वेट्स $f(x)$ द्वारा परिभाषित किया गया है।

फाइनाइट सैंपलिंग बॉटलनेक (Finite Sampling Bottleneck): व्यवहार में, अंश (numerator) और हर (denominator) को अलग-अलग, सीमित माप शॉट्स (finite sets of measurement shots) से अनुमानित किया जाता है।
सपोर्ट मिसमैच (Support Mismatch): यदि न्यूरल नेटवर्क उन बिट स्ट्रिंग्स को उच्च भार देता है जो अंश में तो दिखाई देते हैं (विशिष्ट पाउली टर्म मापन के कारण) लेकिन जिन्हें डिनोमिनेटर (एन्सेत्ज़ सैंपलिंग) में नहीं देखा गया है, तो डिनोमिनेटर इन योगदानों को सामान्य (normalize) करने में विफल रहता है।
परिणाम: ऑप्टिमाइज़र इस "लूपहोल" का लाभ उठाकर अनदेखी स्ट्रिंग्स पर वेट्स को चरम मानों तक ले जा सकता है, जिससे अनुमानित ऊर्जा वास्तविक ग्राउंड-स्टेट ऊर्जा से नीचे (sub-variational) गिर जाती है। यह एल्गोरिदम के भौतिक सिद्धांत का उल्लंघन करता है और गैर-भौतिक परिणाम देता है।

शोध पत्र पूछता है: क्या एक डेटा-संचालित न्यूरल पोस्ट-प्रोसेसिंग लेयर एक साथ (i) स्व-निहित (कोई पूर्व ग्राउंड-स्टेट ज्ञान नहीं), (ii) स्केलेबल (पॉलिनोमियल संसाधन), और (iii) वेरिएशनल कंसिस्टेंट (भौतिक रूप से सार्थक) हो सकती है?

2. कार्यप्रणाली और सैद्धांतिक विश्लेषण (Methodology and Theoretical Analysis)

लेखक DNP की सीमाओं का कठोर विश्लेषण करते हैं और एक नया आर्किटेक्चर, U-VQNHE प्रस्तावित करते हैं।

A. DNP के लिए "नो-गो" प्रमेय (The "No-Go" Theorem for DNP)

लेखक सिद्ध करते हैं कि DNP फाइनाइट सैंपलिंग के तहत तीनों वांछित गुणों को एक साथ संतुष्ट नहीं कर सकता है:

सपोर्ट मिसमैच और अस्थिरता:
- वे "सपोर्ट इंक्लूजन" (support inclusion) की स्थिति को परिभाषित करते हैं: अंश में योगदान देने वाले बिट स्ट्रिंग्स का सेट उन स्ट्रिंग्स का उपसमुच्चय (subset) होना चाहिए जो डिनोमिनेटर में देखे गए हैं।
- प्रपोजिशन 1: यदि यह स्थिति बाधित होती है (जो पॉलिनोमियल सैंपलिंग के तहत उच्च संभावना के साथ होता है), तो एम्पिरिकल ऑब्जेक्टिव (empirical objective) नीचे की ओर अनबाउंडेड होता है। न्यूरल नेटवर्क अनदेखी कॉन्फ़िगरेशन पर वेट्स को बढ़ाकर ऊर्जा को $-\infty$ तक ले जा सकता है।
- प्रपोजिशन 2 (कूपन कलेक्टर प्रॉब्लम): उच्च संभावना के साथ सपोर्ट इंक्लूजन की गारंटी देने के लिए, आवश्यक शॉट्स की संख्या क्यूबिट्स की संख्या के साथ एक्सपोनेंशियल रूप से बढ़ती है ( $O(2^n)$ )।
एक्सपोनेंशियल रीवेटिंग रेंज (Exponential Reweating Range):
- भले ही कोई न्यूरल नेटवर्क आउटपुट को एक सीमित रेंज $[1/r, r]$ में प्रतिबंधित करे, लेखक सिद्ध करते हैं कि सटीक ग्राउंड स्टेट को पुन: उत्पन्न करने के लिए, रेंज पैरामीटर $r$ को सिस्टम साइज के साथ एक्सपोनेंशियल रूप से बढ़ना होगा।
- थ्योरम 1 (कांस्टेंट-डेप्थ सर्किट्स): कांस्टेंट-डेप्थ एन्सेत्ज़ के लिए, एन्सेत्ज़ वितरण और ग्राउंड स्टेट के बीच ओवरलैप (भट्टाचार्या गुणांक) तेजी से घटता है। इसे रीवेटिंग के माध्यम से ठीक करने के लिए एक्सपोनेंशियल डायनेमिक रेंज की आवश्यकता होती है।
- थinya 2 (लीनियर-डेप्थ/2-डिज़ाइन सर्किट्स): लीनियर-डेप्थ सर्किट्स (जो यूनिटरी 2-डिज़ाइन बनाते हैं) के लिए, किसी भी निश्चित लक्ष्य अवस्था के साथ ओवरलैप भी एक्सपोनेंशियल रूप से घटता है ( $O(2^{-n/2})$ ), जिसके लिए फिर से एक्सपोनेंशियल रीवेटिंग रेंज की आवश्यकता होती है।
- निष्कर्ष: चूंकि आवश्यक मेजरमेंट शॉट्स रीवेटिंग रेंज के साथ स्केल करते हैं (पेपर में समीकरण 15), DNP सटीकता प्राप्त करने के लिए एक्सपोनेंशियल संसाधनों की मांग करता है, जो इसे नॉन-स्केलेबल बनाता है।

B. प्रस्तावित समाधान: U-VQNHE

इन बाधाओं को दूर करने के लिए, लेखक यूनिटरी वेरिएशनल क्वांटम-न्यूरल हाइब्रिड आइजनसोल्वर (U-VQNHE) का प्रस्ताव करते हैं।

मूल सिद्धांत: निर्माण द्वारा नॉर्म संरक्षण (Norm preservation by construction) को लागू करना। नॉन-यूनिटरी एम्पलीट्यूड (जिन्हें नॉर्मलाइज़ेशन की आवश्यकता होती है) सीखने के बजाय, न्यूरल नेटवर्क एक डायगोनल यूनिटरी ट्रांसफॉर्मेशन (एक फेज-ओनली ट्रांसफॉर्मेशन) सीखता है।
तंत्र:
- पोस्ट-प्रोसेसिंग ऑपरेटर $U_g = \sum_x e^{ig(x)} |x\rangle\langle x|$ है, जहाँ $g(x)$ न्यूरल नेटवर्क का रियल-वैल्यूड आउटपुट है।
- क्योंकि $U_g$ यूनिटरी है, अवस्था $|\psi_u\rangle = U_g |\psi\rangle$ स्वतः ही नॉर्मलाइज्ड रहती है ( $\langle \psi_u | \psi_u \rangle = 1$ )।
- कोई स्पष्ट नॉर्मलाइज़ेशन नहीं: ऊर्जा अनुमानक एक ट्रांसफॉर्म की गई अवस्था पर एक लीनियर एक्सपेक्टेशन वैल्यू बन जाता है, जिससे रेशियो एस्टीमेटर और उससे जुड़ी सांख्यिकीय बाधा समाप्त हो जाती है।
वेरिएशनल सुरक्षा: थ्योरम 3 के अनुसार, चूंकि अवस्था नॉर्मलाइज्ड रहती है, रेले-रिट्ज़ बाउंड निर्माण द्वारा सुरक्षित रहता है। अनुमानित ऊर्जा कभी भी वास्तविक ग्राउंड-स्टेट से नीचे नहीं गिर सकती।

3. मुख्य योगदान (Key Contributions)

एकीकृत एब्स्ट्रैक्शन और वांछित गुण: डायगोनल न्यूरल पोस्ट-प्रोसेसिंग के लिए एक कठोर ढांचा तैयार किया और तीन आवश्यक मानदंड स्थापित किए: स्व-निहित प्रशिक्षण, पॉलिनोमियल संसाधन, और वेरिएशनल कंसिस्टेंसी।
DNP विफलता का प्रमाण: गणितीय रूप से सिद्ध किया कि DNP-प्रकार के तरीके स्केलेबल अनुप्रयोगों के लिए इन मानदंडों को एक साथ पूरा करने में विफल रहते हैं। उन्होंने सिद्ध किया कि फाइनाइट सैंपलिंग से सपोर्ट मिसमैच (जो सब-वेरिएशनल ऊर्जा का कारण बनता है) होता है और सटीक ग्राउंड-स्टेट पुनर्निर्माण के लिए एक्सपोनेंशियल संसाधनों (शॉट्स या डायनेमिक रेंज) की आवश्यकता होती है।
U-VQNHE एल्गोरिदम: डायगोनल यूनिटरी पोस्ट-प्रोसेसिंग का उपयोग करके एक नॉर्मलाइजेशन-मुक्त हाइब्रिड एल्गोरिदम पेश किया। यह विधि वेरिएशनल सुरक्षा सुनिश्चित करते हुए सीखने योग्य लेयर की लचीलापन बनाए रखती है।
संख्यात्मक सत्यापन: ट्रांसवर्स-फील्ड आइज़िंग मॉडल (TFIM) पर प्रदर्शित किया कि:
- DNP (VQNHE) अक्सर सिस्टम साइज बढ़ने या शॉट्स सीमित होने पर वास्तविक ग्राउंड-स्टेट से नीचे गैर-भौतिक ऊर्जा उत्पन्न करता है। न्यूरल नेटवर्क अनदेखी बिट स्ट्रिंग्स पर चरम वेट असाइन करना सीख जाता है, जिससे भौतिक निरंतरता टूट जाती है।
- U-VQNHE लगातार भौतिक बाउंड के भीतर रहता है और सटीकता एवं मजबूती में मानक VQE से बेहतर प्रदर्शन करता है।

4. परिणाम (Results)

DNP व्यवहार: 7–14 क्यूबिट TFIM मॉडल पर सिमुलेशन ने दिखाया कि व्यावहारिक शॉट बजट (पॉलिनोमियल) के तहत, DNP ट्रेनिंग ट्रेजेक्टरीज अक्सर डाइवर्ज (diverge) हो जाती हैं या वास्तविक ग्राउंड स्टेट से काफी कम ऊर्जा पर स्थिर हो जाती हैं। न्यूरल नेटवर्क लॉस को कम करने के लिए अनदेखी बिट स्ट्रिंग्स को अत्यधिक वेट देने के लिए सीखता है, जिससे भौतिक निरंतरता भंग हो जाती है।
U-VQNHE प्रदर्शन:
- U-VQNHE ने वेरिएशनल बाउंड का उल्लंघन किए बिना मानक VQE परिणामों में सुधार किया।
- इसने शॉट नॉइज़ के खिलाफ मजबूती प्रदर्शित की, और जैसे-जैसे क्यूबिट्स की संख्या बढ़ी, भौतिक वैधता बनाए रखी।
- इस पद्धति ने वैनिला VQE और कंस्ट्रेंड DNP वेरिएंट दोनों की तुलना में बेहतर सटीकता हासिल की, जो यह सिद्ध करता है कि एम्पलीट्यूड रीवेटिंग की अस्थिरता के बिना एक फेज लैंडस्केप (phase landscape) सीखना एन्सेत्ज़ की कमियों को ठीक करने के लिए पर्याप्त है।

5. महत्व (Significance)

यह कार्य हाइब्रिड क्वांटम-क्लासिकल एल्गोरिदम के क्षेत्र में एक महत्वपूर्ण सैद्धांतिक सुधार प्रदान करता है।

आर्किटेक्चरल अंतर्दृष्टि: यह रेखांकित करता है कि "वेरिएशनल सुरक्षा" केवल क्वांटम सर्किट का गुण नहीं है, बल्कि पूरे हाइब्रिड लूप का गुण है। नॉन-यूनिटरी, नॉर्मलाइजेशन-डिपेंडेंट पोस्ट-प्रोसेसिंग पेश करना यथार्थवादी (फाइनाइट-शॉट) स्थितियों के तहत वेरिएशनल गारंटी को मौलिक रूप से तोड़ देता है।
डिज़ाइन सिद्धांत: यह पेपर "निर्माण द्वारा नॉर्म संरक्षण" को स्केलेबल, भौतिक रूप से सार्थक हाइब्रिड एल्गोरिदम के लिए एक अनिवार्य डिज़ाइन सिद्धांत के रूप में स्थापित करता है।
भविष्य की दिशा: यह ध्यान "एम्पलीट्यूड रीवेटिंग" (जो सांख्यिकीय रूप से नाजुक है) से हटाकर "फेज लर्निंग" (जो सांख्यिकीय रूप से मजबूत है) की ओर स्थानांतरित करता है, जो एक्सपोनेंशियल संसाधनों की आवश्यकता के बिना NISQ हार्डवेयर पर VQE को बढ़ाने का एक व्यवहार्य मार्ग प्रदान करता है।

संक्षेप में, शोध पत्र सिद्ध करता है कि लोकप्रिय DNP दृष्टिकोण स्केलेबल अनुप्रयोगों के लिए मौलिक रूप से त्रुटिपूर्ण है और एक कठोर, यूनिटरी विकल्प (U-VQNHE) प्रदान करता है जो अभिव्यक्ति और भौतिक निरंतरता के बीच के ट्रेड-ऑफ को हल करता है।