⚛️ quantum physics

Enhanced Maximum Independent Set Preparation with Rydberg Atoms Guided by the Spectral Gap

यह शोध पत्र 'एडजस्टेड डिट्यूनिंग फॉर ग्राउंड-एनर्जी लीकेज ब्लॉकेड' (ADGLB) को प्रस्तुत और प्रयोगात्मक रूप से मान्य करता है, जो एक स्केलेबल, हार्डवेयर-कुशल शेड्यूलिंग इंजीनियरिंग विधि है जो अतिरिक्त हैमिल्टोनियन पदों या पुनरावृत्ति अनुकूलन की आवश्यकता के बिना लीकेज को दबाने के लिए लेजर डिट्यूनिंग को संशोधित करके रिडबर्ग परमाणु प्लेटफार्मों पर मैक्सिमम इंडिपेंडेंट सेट तैयारी को उन्नत करती है।

मूल लेखक: Seokho Jeong, Minhyuk Kim

प्रकाशित 2026-02-23

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Seokho Jeong, Minhyuk 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

एक बड़ी तस्वीर: "सुपर-एटम्स" के साथ पहेलियाँ सुलझाना

कल्पना कीजिए कि आपके पास एक विशाल, जटिल पहेली है। आपका लक्ष्य मैक्सिमम इंडिपेंडेंट सेट (MIS) खोजना है। सरल शब्दों में कहें तो, आपके पास एक पार्टी में लोगों का एक समूह (परमाणु/atoms) है, और उनमें से कुछ एक-दूसरे से नफरत करते हैं (वे एक साथ नहीं बैठ सकते)। आप पार्टी में लोगों का सबसे बड़ा संभव समूह आमंत्रित करना चाहते हैं ताकि कोई भी दो दुश्मन एक साथ न बैठे हों।

वैज्ञानिक इस पहेली को हल करने के लिए रिडबर्ग एटम्स (Rydberg atoms) (अति-उत्तेजित परमाणु) का उपयोग करते हैं। ये परमाणु स्विच की तरह काम करते हैं: या तो वे "ऑफ" (ग्राउंड स्टेट) होते हैं या "ऑन" (रिडबर्ग स्टेट)। रिडबर्ग ब्लॉकेड (Rydberg Blockade) नामक एक नियम के कारण, यदि एक परमाणु "ऑन" होता है, तो उसके पड़ोसी शारीरिक रूप से "ऑफ" रहने के लिए मजबूर हो जाते हैं। यह प्राकृतिक नियम कंप्यूटर को स्वचालित रूप से समाधान खोजने में मदद करता है।

समस्या: "संकरा पुल" (The Narrow Bridge)

कंप्यूटर इस पहेली को एडियाबेटिक क्वांटम कंप्यूटिंग (Adiabatic Quantum Computing) नामक विधि का उपयोग करके हल करता है। इसे एक हाइकर (पगडंडी पर चलने वाले यात्री) के रूप में सोचें जो सबसे अच्छे कैंपसाइट (समाधान) तक पहुँचने के लिए एक पर्वत श्रृंखला को पार करने की कोशिश कर रहा है।

यात्रा: हाइकर एक घाटी के निचले हिस्से (जहाँ सब "ऑफ" हैं) से शुरू करता है और धीरे-धीरे पहाड़ पर चढ़ता है, परिदृश्य (landscape) को बदलता जाता है जब तक कि वह शिखर (समाधान) तक नहीं पहुँच जाता।
जाल: जैसे-जैसे हाइकर ऊपर चढ़ता है, रास्ता संकरा होता जाता है। एक विशिष्ट बिंदु पर, रास्ता एक बहुत छोटा, नाजुक पुल (यह "स्पेक्ट्रल गैप" है) बन जाता है।
गलती: यदि हाइकर बहुत तेज़ चलता है, तो वह पुल से फिसल सकता है और नीचे की किसी निचली घाटी में गिर सकता है (एक गलत उत्तर)। क्वांटम शब्दों में, परमाणु सही अवस्था से "लीक" हो जाते हैं और एक गलत अवस्था में फंस जाते हैं।

पहेली जितनी बड़ी होगी (अधिक परमाणु), यह पुल उतना ही संकरा और खतरनाक होता जाएगा। मानक तरीके पूरे समय धीरे चलने की कोशिश करते हैं, लेकिन इसमें बहुत समय लगता है, और परमाणु खत्म होने से पहले ही थक जाते हैं (अपना क्वांटम जादू खो देते हैं)।

समाधान: "स्मार्ट पेसिंग" रणनीति (ADGLB)

लेखकों ने उस पुल को पार करने का एक नया तरीका ईजाद किया है। वे इसे ADGLB (Adjusted Detuning for Ground-Energy Leakage Blockade) कहते हैं।

यहाँ इसकी उपमा दी गई है:
कल्पore कीजिए कि आप एक खड़ी, घुमावदार सड़क पर कार चला रहे हैं जिसके बीच में एक बहुत ही संकरा, बर्फीला हिस्सा है।

पुराना तरीका (Standard Schedule): आप पूरे रास्ते एक स्थिर, धीमी गति से गाड़ी चलाते हैं। आप बर्फीले हिस्से पर सुरक्षित हैं, लेकिन आप आसान, चौड़े हिस्सों पर धीरे गाड़ी चलाकर बहुत सारा समय बर्बाद करते हैं।
नया तरीका (ADGLB): आप नक्शा देखते हैं। आपको ठीक पता है कि बर्फीला हिस्सा कहाँ है।
- सड़क के आसान, चौड़े हिस्सों पर, आप गति बढ़ाते हैं।
- बर्फीले हिस्से से टकराने से ठीक पहले, आप नाटकीय रूप से गति धीमी कर देते हैं ताकि आप रेंगने लगें।
- बर्फ को पार करने के बाद, आप फिर से गति बढ़ाते हैं।

यह "स्मार्ट पेसिंग" नया कार बनाने (कोई नया हार्डवेयर नहीं) या अतिरिक्त इंजन जोड़ने की आवश्यकता नहीं रखता है। यह केवल सड़क के आकार के आधार पर आपके गैस पेडल को नियंत्रित करने के तरीके (लेजर डिट्यूनिंग) को बदल देता है।

उन्होंने लैब में क्या किया

शोधकर्ताओं ने इसे एक वास्तविक क्वांटम कंप्यूटर (QuEra का "Aquoli") पर वास्तविक परमाणुओं का उपयोग करके टेस्ट किया।

टेस्ट रन: उन्होंने एक छोटी, कठिन पहेली (10 परमाणु) के साथ शुरुआत की।
- परिणाम: मानक विधि लगभग 28% बार सही उत्तर प्राप्त करती है।
- सुधार: उनके "स्मार्ट पेसिंग" (ADGLB) का उपयोग करके, उन्हें 38% बार सही उत्तर मिला। क्वांटम कंप्यूटिंग की दुनिया में यह एक बहुत बड़ी छलांग है!
बड़ी छलांग: सबसे शानदार बात क्या है? उन्होंने जो "पेसिंग शेड्यूल" छोटे 10-परमाणु वाले पहेली के लिए डिज़ाइन किया था, उसे बिना कुछ पुनर्गणना (re-calculating) किए बहुत बड़ी पहेलियों (25 और 37 परमाणु) पर लागू किया।
- भले ही नई पहेलियाँ बड़ी और अधिक जटिल थीं, वही "धीमे चलो जब पुल आए" वाली रणनीति पूरी तरह से काम कर गई।
- उन्होंने इसमें थोड़ा बदलाव भी किया (एक छोटा "ह्यूरिस्टिक ऑफसेट" जोड़कर, जैसे कि अपनी गति को एक मील प्रति घंटे के अंश से समायोजित करना) ताकि और भी कठिन पहेलियों को संभाला जा सके, और यह अभी भी काम कर गया।

यह क्यों महत्वपूर्ण है

यह पेपर एक बड़ी सफलता है क्योंकि यह बिना किसी महंगे नए हार्डवेयर की आवश्यकता के क्वांटम कंप्यूटिंग की एक बड़ी बाधा को हल करता है।

कोई नया हार्डवेयर नहीं: उन्हें बेहतर लेजर या ठंडे फ्रिज बनाने की आवश्यकता नहीं थी। उन्होंने बस उनके पास मौजूद लेजर के लिए एक स्मार्ट सॉफ्टवेयर शेड्यूल लिखा।
स्केलेबल (Scalable): यह विधि छोटी पहेलियों के लिए काम करती है और बड़ी पहेलियों तक भी बढ़ती है।
कुशल (Efficient): यह केवल तभी धीमा होकर समय और ऊर्जा बचाता है जब वास्तव में आवश्यक हो।

संक्षेप में: शोधकर्ताओं ने यह पता लगाया कि एक खतरनाक पहाड़ी दर्रे से क्वांटम कार कैसे चलाई जाए, यह जानकर कि कब ब्रेक लगाना है और कब एक्सीलेटर दबाना है। यह कंप्यूटर को बहुत अधिक बार सबसे अच्छा समाधान खोजने में सक्षम बनाता है, जो हमें लॉजिस्टिक्स, फाइनेंस और ड्रग डिस्कवरी जैसी वास्तविक दुनिया की समस्याओं के लिए क्वांटम कंप्यूटरों का उपयोग करने के एक कदम और करीब लाता है।

यहाँ सेखो हो जियोंग और मिनह्युक किम के शोध पत्र "Enhanced Maximum Independent Set Preparation with Rydberg Atoms Guided by the Spectral Gap" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन समस्याओं, विशेष रूप से मैक्सिमम इंडिपेंडेंट सेट (MIS) समस्या को हल करने के लिए रिडबर्ग परमाणु (Rydberg atom) प्लेटफॉर्म पर एडियाबेटिक क्वांटम कंप्यूटेशन (AQC) की मौलिक प्रदर्शन सीमाओं को संबोधित करता है।

मुख्य समस्या: AQC की सफलता इस बात पर निर्भर करती है कि सिस्टम पूरे विकास (evolution) के दौरान ग्राउंड स्टेट में बना रहे। हालांकि, जैसे-जैसे सिस्टम का आकार और कनेक्टिविटी बढ़ती है, ग्राउंड स्टेट और पहले एक्साइटेड स्टेट के बीच का न्यूनतम स्पेक्ट्रल गैप ( $g_{min}$ ) कम होता जाता है (अक्सर सुपर-एक्सपोनेंशियल रूप से)।
परिणाम: सीमित-समय विकास (finite-time evolution) के दौरान, यह संकुचित होता गैप, ग्राउंड स्टेट से एक्साइटेड स्टेट्स में पॉपुलेशन लीकेज (population leakage) का कारण बनता है, जिससे सही MIS समाधान खोजने की संभावना काफी कम हो जाती है।
मौजूदा समाधानों की सीमाएं:
- काउंटरडायैबेटिक ड्राइविंग (Counterdiabatic driving): इसके लिए जटिल, अक्सर नॉन-लोकल हैमिल्टोनियन टर्म्स जोड़ने की आवश्यकता होती है जो वर्तमान हार्डवेयर पर लागू करना कठिन है।
- वैरिएशनल/बायेसियन ऑप्टिमाइज़ेशन (Variational/Bayesian optimization): इसके लिए व्यापक सैंपलिंग और बार-बार सर्किट निष्पादन की आवश्यकता होती है, जिससे उच्च हार्डवेयर ओवरहेड और लंबी कैलिब्रेशन समय लगता है।
- मानक शेड्यूल्स (Standard schedules): लीनियर या सरल पॉलीनोमियल डिट्यूनिंग स्वीप्स, न्यूनतम गैप के पास विकास को पर्याप्त रूप से धीमा करने में विफल रहते हैं, जिससे त्रुटियां होती हैं।

2. कार्यप्रणाली: ADGLB

लेखक एक नवीन, हार्डवेयर-कुशल विधि प्रस्तावित करते हैं जिसे एडजस्टेड डिट्यूनिंग फॉर ग्राउंड-एनर्जी लीकेज ब्लॉकेड (ADGLB) कहा जाता है। यह विधि नए हैमिल्टोनियन टर्म्स या पुनरावृत्ति (iterative) ऑप्टिमाइज़ेशन लूप पेश किए बिना लेजर डिट्यूनिंग शेड्यूल को संशोधित करती है।

सैद्धांतिक आधार: यह विधि एडियाबेटिक थ्योरम पर आधारित है, जो कहती है कि पॉपुलेशन लीकेज स्पेक्ट्रल गैप की व्युत्क्रम शक्ति (inverse power), $(\Delta E_{01})^{-j}$ द्वारा सीमित होता है। लीकेज को रोकने के लिए, जब स्पेक्ट्रल गैप छोटा हो, तो हैमिल्टोनियन के परिवर्तन की दर ($dH/dt$) को कम किया जाना चाहिए।
कार्यान्वयन रणनीति:
1. डिट्यूनिंग पर ध्यान केंद्रित करना: रबी फ्रीक्वेंसी $\Omega(t)$ मानक शेड्यूल का पालन करती है। केवल केंद्रीय विकास चरण (जहाँ $\Omega$ अपने अधिकतम पर है) के दौरान लेजर डिट्यूनिंग $\delta(t)$ को संशोधित किया जाता है।
2. गैप-गाइडेड इंटरपोलेशन: डिट्यूनिंग पाथ को एक सामान्यीकृत इंटरपोलेशन फंक्शन $\zeta_j(t)$ का उपयोग करके बनाया जाता है जो स्पेक्ट्रल गैप $\Delta E_{01}(t)$ को घात $j$ तक raise करता है:
  $\frac{d\delta}{dt} \propto (\Delta E_{01}(t))^j$
3. शेड्यूल निर्माण: समय अंतराल को $t_{min}$ (जहाँ गैप न्यूनतम है) पर विभाजित किया जाता है। डिट्यूनिंग को इस तरह इंटरपोलेट किया जाता है कि विकास $t_{min}$ के पास महत्वपूर्ण रूप से धीमा हो जाए और अन्य स्थानों पर तेज हो जाए।
4. पैरामीटर $j$ : एक ट्यूनेबल पैरामीटर ( $1 \le j \le 2$ ) "स्लोडाउन" की तीव्रता को नियंत्रित करता है। लेखकों ने पाया कि धीमेपन और कुल विकास समय के बीच संतुलन बनाने के लिए $j \approx 1.5$ इष्टतम है।

3. मुख्य योगदान

हार्डवेयर-कुशल शेड्यूल इंजीनियरिंग: ADGLB शुद्ध रूप से कंट्रोल पल्स (डिट्यूनिंग) को नया आकार देकर प्रदर्शन में सुधार लाता है, जिससे जटिल काउंटरडायैबेटिक टर्म्स या व्यापक क्लासिकल ऑप्टिमाइज़ेशन लूप की आवश्यकता नहीं होती।
स्केलेबिलिटी और हस्तांतरणीयता (Transferability): शोध पत्र प्रदर्शित करता है कि एक छोटे इंस्टेंस ( $N=10$ ) के लिए अनुकूलित शेड्यूल को सीधे बड़े, अधिक जटिल 2D लैटिस ( $N=25, 37$ ) पर सीधे लागू किया जा सकता है, बशर्ते समस्या की "कठिनाई" (hardness) समान हो।
कठिन इंस्टेंस के लिए ह्यूरिस्टिक विस्तार: उन मामलों के लिए जिनमें काफी अधिक हार्डनेस पैरामीटर होते हैं (जहाँ प्रत्यक्ष डायगोनालाइजेशन असंभव है), लेखक न्यूनतम गैप पर डिट्यूनिंग मान के लिए एक ह्यूरिस्टिक ऑफसेट ( $\nu_d$ ) पेश करते हैं। यह छोटे-सिस्टम के अनुकूलित शेड्यूल को बड़े, कठिन सिस्टम के लिए अनुकूलित करने की अनुमति देता है।

4. प्रयोगात्मक परिणाम

इस पद्धति को Amazon Braket के माध्यम से QuEra के Aquila न्यूट्रल-एटम प्रोसेसर (256-qubit) का उपयोग करके मान्य किया गया।

सिस्टम 1: क्वाजी-1D चेन ( $N=10$ , $Q1D,10$ )
- कठिनाई (Hardness): उच्च ( $H_P = 6.5$ )।
- परिणाम: MIS तैयारी की प्रायिकता ( $P_{MIS}$ ) स्टैंडर्ड शेड्यूल के 28% से बढ़कर ADGLB ( $j=1.8$ के साथ) में 38% हो गई।
- अवलोकन: संख्यात्मक सिमुलेशन ने और भी अधिक लाभ ( $>94\%$ ) का अनुमान लगाया था, लेकिन प्रयोगात्मक खामियों (SPAM त्रुटियां, डिकोहेरेंस) ने पूर्ण फिडेलिटी को सीमित कर दिया, हालांकि सापेक्ष सुधार स्पष्ट था।
सिस्टम 2: 2D ट्राइएंगुलर लैटिस ( $N=25$ और $N=37$ )
- कठिनाई: $N=10$ चेन के समान ( $H_P \approx 5.4 - 6.2$ )।
- परिणाम: $N=10$ $N = 10$ के अनुकूलित शेड्यूल को सीधे लागू किया गया।
  - $N=25$ : $P_{MIS}$ 17.7% से बढ़कर 24.2% हो गया।
  - $N=37$ : $P_{MIS}$ 3.0% से बढ़कर 5.6% हो गया।
- महत्व: यह सिद्ध करता है कि शेड्यूल केवल सिस्टम साइज के बजाय समस्या की हार्डनेस के संरचनात्मक लक्षणों को कैप्चर करता है।
सिस्टम 3: उच्च कठिनाई वाला इंस्टेंस ( $N=23$ , $Q'_{1D,23}$ )
- कठिनाई: बहुत उच्च ( $H_P = 34.2$ )।
- विधि: $N=10$ शेड्यूल को बेस के रूप में उपयोग किया गया, जिसमें न्यूनतम गैप पर डिट्यूनिंग पर एक ह्यूरिस्टिक ऑफसेट $\nu_d$ लागू किया गया ( $\delta'_{min} = \delta_{min} + \nu_d$ )।
- परिणाम: $\nu_d = 2\pi \times 0.2$ MHz के इष्टतम ऑफसेट के साथ, $P_{MIS}$ 2.54% तक पहुँच गया, जो स्टैंडर्ड शेड्यूल (1.45%) और अनमॉडिफाइड ADGLB शेड्यूल (1.1%) से बेहतर है।

5. महत्व और निष्कर्ष

स्केलेबिलिटी: ADGLB न्यूट्रल-एटम प्लेटफॉर्म पर AQC को बढ़ाने के लिए एक स्केलेबल रणनीति प्रदान करता है। इसके लिए विकास समय (जो कोहेरेंस द्वारा सीमित है) बढ़ाने या जटिल कंट्रोल टर्म्स जोड़ने की आवश्यकता नहीं है।
सामान्यीकरण (Generalizability): यह निष्कर्ष कि छोटे-सिस्टम के शेड्यूल्स बड़े सिस्टम में स्थानांतरित होते हैं, निकट-अवधि क्वांटम लाभ (near-term quantum advantage) के लिए महत्वपूर्ण है, क्योंकि यह बड़े पैमाने की समस्याओं के लिए कैलिब्रेशन ओवरहेड को कम करता है।
हार्डवेयर दक्षता: हार्डवेयर स्तर पर रॉ प्रोबेबिलिटी डिस्ट्रीब्यूशन में सुधार करके, यह विधि क्लासिकल पोस्ट-प्रोसेसिंग और एरर मिटिगेशन रणनीतियों में भी सहायता करती है, जिससे समग्र क्वांटम ऑप्टिमाइज़ेशन पाइपलाइन अधिक प्रभावी बनती है।

संक्षेप में, यह शोध पत्र प्रदर्शित करता है कि स्पेक्ट्रल-गैप-गाइडेड शेड्यूल इंजीनियरिंग एडियाबेटिक लीकेज को कम करने के लिए एक शक्तिशाली, लो-ओवरहेड तकनीक है, जो कठिन कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन समस्याओं पर रिडबर्ग एटम प्रोसेसर के प्रदर्शन को महत्वपूर्ण रूप से बढ़ाती है।