तकनीकी सारांश: डिवाइड-एंड-कॉन्कर QAOA में लैंडस्केप-समानता-निर्देशित अनुकूलन

1. समस्या विवरण

क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन एल्गोरिदम (QAOA), नॉइज़ी इंटरमीडिएट-स्केल क्वांटम (NISQ) उपकरणों पर निकट-अवधि क्वांटम लाभ प्रदर्शित करने के लिए एक प्रमुख उम्मीदवार है। हालाँकि, मानक QAOA गहरे सर्किटों की आवश्यकता करता है जो गंभीर त्रुटि संचय (error accumulation) से ग्रस्त होते हैं, जिससे प्रदर्शन कम हो जाता है। इसे कम करने के लिए, डिवाइड-एंड-कॉन्कर (D&C) रणनीतियाँ, जैसे कि "FrozenQubits" तकनीक, उच्च-डिग्री वाले नोड्स के एक उपसमुच्चय को क्लासिकल अवस्थाओं में स्थिर (freeze) करके बड़े इंटरेक्शन ग्राफ को विभाजित करती हैं। यह समस्या को छोटे, हार्डवेयर-अनुकूल उप-समस्याओं में बदल देता है।

सर्किट की गहराई को कम करने के बावजूद, मानक D&C दृष्टिकोण एक महत्वपूर्ण क्लासिकल ट्रेनिंग बॉटलनेक पेश करते हैं। $m$ बाउंड्री नोड्स को फ्रीज़ करके ग्राफ को विभाजित करने से $2^m$ विशिष्ट उप-समस्याएं उत्पन्न होती हैं, जिनमें अद्वितीय प्रेरित रैखिक बायस (local magnetic fields) होते हैं। मौजूदा पद्धतियां इन $2^m$ इंस्टेंसों को स्वतंत्र अनुकूलन कार्यों के रूप में मानती हैं। इसके परिणामस्वरूप $2^m$ प्रशिक्षण सत्रों का घातीय प्रसार ($O(2^m \cdot N_{shots} \cdot N_{iter})$) होता है, जो कम्प्यूटेशनल बाधा को क्वांटम फिडेलिटी से हटाकर क्लासिकल रिसोर्स एग्जॉशन (संसाधन समाप्ति) की ओर ले जाता है, जिससे यह दृष्टिकोण मध्यम $m$ के लिए भी अव्यवहार्य हो जाता है।

2. कार्यप्रणाली: DO-QAOA

लेखक डबली ऑप्टिमाइज्ड QAOA (DO-QAOA) प्रस्तावित करते हैं, जो एक ऐसा ढांचा है जो घातीय प्रशिक्षण ओवरहेड को कम करने के लिए वेरिएशनल लैंडस्केप की ज्यामितीय सार्वभौमिकता का लाभ उठाता है।

2.1 लैंडस्केप समानता परिकल्पना (Landscape Similarity Hypothesis)

मुख्य अंतर्दृष्टि यह है कि जबकि नोड्स को फ्रीज़ करना स्थानीय रैखिक विक्षोभ (perturbations) पेश करता है, QAOA ऊर्जा लैंडस्केप की वैश्विक ज्यामिति (global geometry) मुख्य रूप से अपरिवर्तित द्विघाती इंटरेक्शन टर्म्स (ग्राफ कनेक्टिविटी) द्वारा नियंत्रित होती है। लेखक परिकल्पना करते हैं कि $2^m$ कम की गई उप-समस्याएं स्वतंत्र लैंडस्केप नहीं रखती हैं, बल्कि वे कुछ सार्वभौमिक लैंडस्केप वर्गों ($K = O(1)$, अक्सर केवल एक वर्ग $K=1$) में समाहित हो जाती हैं।

2.2 समानता को मापना: ऑर्डर पैरामीटर $q$

इसकी पुष्टि करने के लिए, लेखक स्पिन-ग्लास भौतिकी से रेप्लिका-ओवरलैप फ्रेमवर्क को अनुकूलित करते हैं। वे विभिन्न फ्रीज़ कॉन्फ़िगरेशन के ऊर्जा लैंडस्केप के बीच ज्यामितीय सहसंबंध को मापने के लिए एक लैंडस्केप-ओवरलैप ऑर्डर पैरामीटर, $q$ को परिभाषित करते हैं।

• फेज ट्रांजिशन (Phase Transition): एक पर्कोलेशन-टाइप कंट्रोल पैरामीटर $s$ (जो कनेक्टिविटी क्षय का प्रतिनिधित्व करता है) का उपयोग करते हुए, वे एक तीव्र फेज ट्रांजिशन देखते हैं।
  • फ्रैगमेंटेड फेज ($s < s_c$): लंबी दूरी के कनेक्शन हावी होते हैं; विक्षोभ वैश्विक स्तर पर प्रसारित होते हैं, जिससे विशिष्ट, सैंपल-विशिष्ट लैंडस्केप बनते हैं।
  • सेल्फ-एवरेजिंग फेज ($s > s_c$): अल्प-दूरी के कनेक्शन हावी होते हैं; विक्षोभ सर्किट लाइट कोन के भीतर सीमित रहते हैं। इस शासन (regime) में, उप-समस्याएं एक सार्वभौमिक बेसिन संरचना साझा करती हैं, और $q \approx 1$ होता है।
• अनुभवजन्य साक्ष्य (Empirical Evidence): सिंथेटिक (पावर-लॉ, अर्दोस-रेनी) और वास्तविक दुनिया के ग्राफों पर संख्यात्मक प्रयोगों से पता चलता है कि प्रेरित रैखिक गुणांकों के साथ भी, लैंडस्केप के बीच सहसंबंध अत्यंत उच्च रहता है (मद $m=1$ के लिए पियर्सन सहसंबंध $r > 0.99$), और अनुकूलन बेसिन के ज्यामितीय केंद्र स्थिर रहते हैं।

2.3 DO-QAOA पाइपलाइन

DO-QAOA एल्गोरिदम दो चरणों में कार्य करता है:

1. प्रतिनिधि चयन (Representative Selection): ग्राफ को $m$ उच्च-डिग्री नोड्स को फ्रीज़ करके विभाजित किया जाता है। इष्टतम पैरामीटर्स $\theta^*_{rep} = (\gamma^*, \beta^*)$ खोजने के लिए एक एकल प्रतिनिधि उप-समस्या का चयन किया जाता है।
2. बायस-अवेयर ट्रांसफर (Bias-Aware Transfer): शेष $2^m - 1$ उप-समस्याओं में इष्टतम पैरामीटर्स को एक बायस-अवेयर ट्रांसफर नियम का उपयोग करके स्थानांतरित किया जाता है:
   • सिस्टम प्रतिनिधि और लक्षित (target) दोनों उप-समस्याओं के लिए प्रेरित स्थानीय चुंबकीय क्षेत्रों (B) के कुल परिमाण की गणना करता है।
   • यदि बायस विरूपण (distortion) $\Delta B = |B_{target} - B_{rep}|$ एक थ्रेशोल्ड (प्रायोगिक रूप से 0.3 निर्धारित) से नीचे है, तो डायरेक्ट ट्रांसफर लागू किया जाता है (बिना पुन: प्रशिक्षण के पैरामीटर्स की प्रतिलिपि बनाना)।
   • यदि $\Delta B > 0.3$ है, तो एक वार्म-स्टार्ट रणनीति का उपयोग किया जाता है: लक्ष्य को $\theta^*_{rep}$ के साथ इनिशियलाइज़ किया जाता है और शिफ्ट हुए लैंडस्केप के अनुकूल होने के लिए एक संक्षिप्त फाइन-ट्यूनिंग चरण (जैसे, 10 эпоक) से गुजरना पड़ता है।

3. मुख्य योगदान

• लैंडस्केप सार्वभौमिकता की खोज: यह पेपर इस बात का पहला अनुभवजन्य और सैद्धांतिक प्रमाण प्रदान करता है कि QAOA में ग्राफ डेसिमेशन द्वारा उत्पन्न $2^m$ उप-समस्याएं उच्च लैंडस्केप सहसंबंध प्रदर्शित करती हैं, जो $K \ll 2^m$ प्रभावी वर्गों में समाहित हो जाती हैं।
• DO-QAOA फ्रेमवर्क: एक अनुकूल पाइपलाइन का परिचय जो एक एकल प्रतिनिधि इंस्टेंस पर अनुकूलन करके और पैरामीटर ट्रांसफर करके प्रशिक्षण जटिलता को घातीय ($O(2^m)$) से निरंतर ($O(K)$, आमतौर पर $O(1)$) में कम कर देता है।
• बायस-अवेयर ट्रांसफर नियम: एक भौतिकी-आधारित तंत्र जो प्रेरित रैखिक बायस के माध्यम से लैंडस्केप विरूपण को मापता है, और आवश्यकतानुसार हल्के फाइन-ट्यूनिंग को ट्रिगर करता है ताकि मजबूती सुनिश्चित की जा सके।
• फेज ट्रांजिशन विश्लेषण: ग्राफ कनेक्टिविटी द्वारा संचालित लैंडस्केप-समानता फेज ट्रांजिशन का लक्षण वर्णन, जो यह पहचानता है कि पैरामीटर ट्रांसफर कहाँ सबसे प्रभावी है।

4. परिणाम

लेखकों ने 6,000 से अधिक सर्किटों पर सिंथेटिक पावर-लॉ/रेगुलर ग्राफ और वास्तविक दुनिया के डेटासेट (AIDS, Linux, IMDb) पर DO-QAOA का मूल्यांकन किया।

• दक्षता लाभ (Efficiency Gains): DO-QAOA ने मानक डिवाइड-एंड-कॉन्कर बेसलाइन (FrozenQubits) की तुलना में कुल क्वांटम शॉट काउंट को 280× से 385× तक और वॉल-क्लॉक रनटाइम को 10× से 15× तक कम कर दिया। उदाहरण के लिए, $m=3$ वाले पावर-लॉ ग्राफों पर, DO-QAOA को $65.5 \times 10^6$ शॉट्स की तुलना में केवल $0.17 \times 10^6$ शॉट्स की आवश्यकता थी।
• समाधान की गुणवत्ता (Solution Quality): DO-QAOA ने एक प्रतिस्पर्धी एप्रोक्सिमेशन रेशियो गैप (ARG) बनाए रखा, जो पूर्ण वेरिएशनल ऑप्टिमाइज़ेशन और मानक FrozenQubits के बराबर या उससे बेहतर है।
  • स्पार्स, स्थानीय रूप से जुड़े ग्राफों (Power-Law, 3-regular, Linux, AIDS) पर, DO-QAв ने पर्याप्त सटीकता सुधार हासिल किया, $m=3$ पर FrozenQubits के सापेक्ष ARG को 40% तक कम कर दिया।
  • अत्यधिक जुड़े हुए ग्राफों (Sherrington-Kirkpatrick मॉडल, IMDb) पर, जहाँ लैंडस्केप फ्रैगमेंटेड फेज ($s < s_c$) में है, DO-QAOA ने स्पार्स ग्राफों की तुलना में थोड़ा कम समाधान गुणवत्ता दिखाई लेकिन फिर भी प्रतिस्पर्धी तरीकों से काफी बेहतर प्रदर्शन किया।
• स्केलेबिलिटी: यह विधि कम्प्यूटेशनल रूप से अव्यवहार्य विभाजन गहराई को हल करने योग्य कार्यों में प्रभावी ढंग से परिवर्तित करती है, जिससे गहरे विभाजनों ($m=3$) का उपयोग संभव हो जाता है जो संसाधन समाप्ति के कारण अन्यथा असंभव होता।

5. महत्व और दावे

लेखक दावा करते हैं कि DO-QAOA ब्लाइंड ऑप्टिमाइज़ेशन से फिजिक्स-गाइडेड इन्फरेंस की ओर एक पैराडाइम शिफ्ट का प्रतिनिधित्व करता है। यह पहचानकर कि लैंडस्केप का प्रमुख वक्रता (curvature) अपरिवर्तित द्विघातीय पदों द्वारा नियंत्रित होता है, यह विधि उप-समस्याओं के बीच बिना समाधान की गुणवत्ता से समझौता किए पैरामीटर पुन: उपयोग को सक्षम बनाती है।

लेखक इस बात पर जोर देते हैं कि निकट-अवधि वेरिएशनल एल्गोरिदम के लिए प्राथमिक बाधा केवल सर्किट की गहराई नहीं है, बल्कि डिवाइड-एंड-कॉन्कर रणनीतियों में निहित ऑप्टिमाइज़ेशन ओवरहेड है। DO-QAOA इन रणनीतियों की लागत संरचना को मौलिक रूप से बदल देता है, जिससे स्केलिंग लॉ को घातीय से लगभग निरंतर में बदल दिया जाता है। यह बड़े पैमाने के डिवाइड-एंड-कॉन्कर QAOA को NISQ उपकरणों के लिए व्यवहार्य बनाता है।

पेपर विनम्रतापूर्वक नोट करता है कि जबकि यह विधि सेल्फ-एवरेजिंग शासन ($K=1$) में इष्टतम प्रदर्शन करती है, इसे $K$ अलग-अलग समूहों में क्लस्टर करके फ्रैगमेंटेड शासन तक विस्तारित किया जा सकता है। इसके अलावा, लेखक $m=3$ से अधिक क्विबिट्स को फ्रीज़ करने पर घटते रिटर्न (diminishing returns) देखते हैं, जो एक व्यावहारिक ऑपरेटिंग पॉइंट का सुझाव देता है जो सर्किट सरलीकरण और लैंडस्केप स्थिरता के बीच संतुलन बनाता है।