⚛️ quantum physics

Classically Driven Hybrid Quantum Algorithms with Sequential Givens Rotations for Reduced Measurement Cost

यह शोध पत्र एक शास्त्रीय रूप से संचालित हाइब्रिड क्वांटम एल्गोरिदम प्रस्तुत करता है जो अनुक्रमिक गिवेंस रोटेशन (Givens rotations) का उपयोग करके हैमिल्टनियन को क्रमिक रूप से विकर्ण (diagonal) रूप की ओर रूपांतरित करता है, जो शास्त्रीय निम्न-आयामी ब्लॉक विश्लेषण द्वारा निर्धारित होता है, जिससे इलेक्ट्रॉनिक-संरचना सिमुलेशन में माप ओवरहेड कम हो जाता है और क्वांटम सर्किट की गहराई एवं माप संबंधी आवश्यकताओं को न्यूनतम किया जा सके।

मूल लेखक: Benjamin Mokhtar, Noboru Inoue, Takashi Tsuchimochi

प्रकाशित 2026-03-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Benjamin Mokhtar, Noboru Inoue, Takashi Tsuchimochi

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 विशाल, अविश्वसनीय रूप से जटिल जिग्सॉ पज़ल (jigsaw puzzle) को हल करने की कोशिश कर रहे हैं। यह पज़ल एक अणु (जैसे नाइट्रोजन या हाइड्रोजन) में इलेक्ट्रॉन्स के व्यवहार का प्रतिनिधित्व करता है। क्वांटम केमिस्ट्री की दुनिया में, एक आदर्श तस्वीर (न्यूनतम ऊर्जा अवस्था) पाना ही लक्ष्य है।

लंबे समय तक, क्वांटम कंप्यूटर पर इसे हल करने का मानक तरीका इस पज़ल को टुकड़ों में बनाने जैसा रहा है—यह अंदाज़ा लगाना कि प्रत्येक टुकड़ा कहाँ जाएगा, और फिर यह जांचना कि क्या तस्वीर सही दिख रही है। यह धीमा है, इसमें बहुत अधिक "जांच" (मापन/measurements) की आवश्यकता होती है, और यदि आप शुरुआत में गलती करते हैं, तो आपको फिर से शुरू करना पड़ता है।

यह शोध पत्र एक बिल्कुल नई रणनीति पेश करता है जो इस खेल को पूरी तरह बदल देती है। पज़ल के टुकड़ों (इलेक्ट्रॉन्स) को हिलाने के बजाय, वे पूरी मेज को घुमाने का निर्णय लेते हैं जिस पर वह पज़ल रखा है, जब तक कि तस्वीर खुद को पूरी तरह से संरेखित (align) न कर ले।

यहाँ उनके "क्लासिकल रूप से संचालित हाइब्रिड क्वांटम एल्गोरिदम" (Classically Driven Hybrid Quantum Algorithm) का सरल उपमाओं के माध्यम से विवरण दिया गया है:

1. मुख्य विचार: टुकड़ों को नहीं, मेज को घुमाना

अधिकांश क्वांटम एल्गोरिदम (जैसे VQE) "श्रोडिंजर पिक्चर" (Schrödinger picture) में काम करते हैं। कल्पना कीजिए कि आप एक डगमगाती, बिखरी हुई पज़ल पकड़े हुए हैं। आप टुकड़ों को घुमाते और मोड़ते हैं जब तक कि वे फिट न हो जाएं। इसमें बहुत अधिक परीक्षण और त्रुटि (trial and error) की आवश्यकता होती है।

लेखक "हाइजेनबर्ग पिक्चर" (Heisenberg picture) का उपयोग करते हैं। कल्पना कीजिए कि पज़ल के टुकड़े मेज पर चिपके हुए हैं। टुकड़ों को हिलाने के बजाय, आप मेज को घुमाते हैं।

लक्ष्य: आप मेज को तब तक घुमाना चाहते हैं जब तक कि "शोर" (पज़ल के बिखरे हुए, ऑफ-डायगोनल हिस्से) गायब न हो जाए, जिससे केवल स्पष्ट, डायगोनल तस्वीर (उत्तर) शेष रह जाए।
उपकरण: वे "गिवेंस रोटेशन" (Givens Rotations) का उपयोग करते हैं। इन्हें मेज के सूक्ष्म, सटीक घुमावों के रूप में समझें। प्रत्येक घुमाव पज़ल के दो हिस्सों के बीच के विशिष्ट मिसअलाइनमेंट को ठीक करता है।

2. हाइब्रिड टीम: मस्तिष्क बनाम हाथ

यह एल्गोरिदम एक क्लासिकल कंप्यूटर (मस्तिष्क) और एक क्वांटम कंप्यूटर (हाथों) के बीच एक टीम वर्क है।

मस्तिष्क (क्लासिकल कंप्यूटर): यह योजना बनाने का भारी काम करता है। यह पज़ल की वर्तमान स्थिति को देखता है और गणना करता है: "ठीक है, यदि मैं मेज को थोड़ा सा बाईं ओर घुमाता हूँ, तो मैं इस विशिष्ट गड़बड़ी को ठीक कर सकता हूँ।" यह गणितीय ट्रिक्स (जैसे अनुमान और "क्यूमुलेन्ट्स") का उपयोग करता है ताकि हर बार क्वांटम कंप्यूटर से मदद मांगे बिना सबसे अच्छे कदम का अनुमान लगाया जा सके। यह बहुत सारा समय बचाता है।
हाथ (क्वांटम कंप्यूटर): क्वांटम कंप्यूटर का काम अब बहुत सरल है। इसे अंदाज़ा लगाने या अनुकूलन (optimize) करने की आवश्यकता नहीं है। इसे बस वही विशिष्ट रोटेशन करना है जो मस्तिष्क ने इसे करने के लिए कहा है और यह पुष्टि करने के लिए दो विशिष्ट नंबर मापने हैं कि रोटेशन सफल रहा।
परिणाम: क्वांटम कंप्यूटर बहुत कम काम करता है, जो बहुत अच्छा है क्योंकि वर्तमान क्वांटम कंप्यूटर नाजुक होते हैं और गलतियाँ आसानी से करते हैं।

3. राक्षस को वश में करना: ट्रंकेशन (Truncation) और कंप्रेशन (Compression)

जैसे-जैसे आप मेज को घुमाते हैं, पज़ल का वर्णन करने वाली गणितीय प्रक्रिया विशाल और अनियंत्रित हो सकती है (जैसे निर्देशों की एक ऐसी सूची जो दस लाख पन्नों तक बढ़ जाती है)।

ट्रंकेशन (Truncation): लेखक कहते हैं, "आइए उन निर्देशों को अनदेखा करें जो बहुत छोटे हैं और महत्व नहीं रखते।" यदि रोटेशन का कोण बहुत छोटा है, तो वे उसे हटा देते हैं। यह निर्देशों की सूची को छोटा रखने में मदद करता है।
एंगल मर्जिंग (Angle Merging): कल्पना कीजिए कि आपको मेज को 0.001 डिग्री, फिर 0.002 डिग्री, फिर 0.001 डिग्री घुमाना है। अलग-अलग तीन घुमाव करने के बजाय, एल्गोरिदम कहता है, "आइए एक बड़ा घुमाव 0.004 डिग्री का करें।" यह छोटे कदमों को एक बड़े कदम में विलय (merge) कर देता है, जिससे अंतिम सर्किट (नुस्खा) बहुत छोटा और चलाने में तेज़ हो जाता है।

4. "फँस जाने" के जाल से बचना

कभी-कभी मस्तिष्क फँस जाता है। यह बार-बार एक ही सूक्ष्म रोटेशन का सुझाव देता रहता है क्योंकि इसका गणित एक अनुमान है।

समाधान: उन्होंने "मोंटे कार्लो सैंपलिंग" (Monte Carlo Sampling) पेश किया है। कल्पना कीजिए कि मस्तिष्क एक जुआरी है। हमेशा "सबसे सुरक्षित" दांव लगाने के बजाय, यह कभी-कभी जोखिम लेता है और संभावना के आधार पर थोड़ा कम स्पष्ट विकल्प चुनता है। यह एल्गोरिदम को पज़ल के नए क्षेत्रों को खोजने और लूप में फँसने से बचने में मदद करता है।

5. परिणाम: तेज़, सस्ता और मजबूत

उन्होंने $N_2$ (नाइट्रोजन) और हाइड्रोजन श्रृंखलाओं जैसे अणुओं पर इसका परीक्षण किया।

मापन बचत (Measurement Savings): सबसे बड़ी जीत यह है कि उन्हें अन्य तरीकों की तुलना में बहुत कम बार क्वांटम कंप्यूटर को "देखने" (मापने) की आवश्यकता पड़ी। यह महत्वपूर्ण है क्योंकि हर बार "देखना" समय लेता है और शोर (noise) पैदा करता है।
स्ट्रॉन्ग कोरिलेशन (Strong Correlations): उन्होंने "स्ट्रॉन्गली कोरिलेटेड" सिस्टम (जहाँ इलेक्ट्रॉन बहुत उलझे हुए और एक-दूसरे पर निर्भर होते हैं) को मानक तरीकों की तुलना में बहुत बेहतर तरीके से संभाला।
सर्किट डेप्थ (Circuit Depth): छोटे घुमावों को मर्ज करके, उन्होंने अंतिम नुस्खे को इतना छोटा रखा कि यह भविष्य के अधिक शक्तिशाली क्वांटम कंप्यूटरों के लिए यथार्थवादी बना रहे।

बड़ी तस्वीर की उपमा

एक आणविक समस्या को हल करना एक बड़े, बेसुरा पियानो को ट्यून करने जैसा है।

पुराना तरीका (VQE): आप पियानो के सामने बैठते हैं और एक-एक करके कुंजियों (keys) को दबाने, सुनने, सुधार करने, फिर से दबाने और फिर से सुनने और सुधार करने की कोशिश करते हैं। इसमें बहुत समय लगता है और आप थक जाते हैं (मापन लागत)।
नया तरीका (यह शोध पत्र): आप एक मास्टर ट्यूनर (क्लासिकल कंप्यूटर) को काम पर रखते हैं जो पियानो को सुनता है और गणना करता है कि प्रत्येक तार को बिल्कुल कितना कसना है। ट्यूनर फिर एक रोबोट (क्वांटम कंप्यूटर) को भेजता है जो योजना के अनुसार केवल तारों को कसने का काम करता है। रोबोट को सुनने या अंदाज़ा लगाने की ज़रूरत नहीं है; उसे बस योजना को लागू करना है। परिणाम एक पूरी तरह से ट्यून किया गया पियानो है, जिसमें बहुत कम प्रयास और कम गलतियों के साथ काम होता है।

संक्षेप में: यह शोध पत्र रसायन विज्ञान के लिए क्वांटम कंप्यूटरों का उपयोग करने का एक स्मार्ट तरीका प्रस्तावित करता है। यह कठिन सोच को क्लासिकल कंप्यूटर पर स्थानांतरित करता है और क्वांटम कंप्यूटर का उपयोग केवल विशिष्ट, आवश्यक कार्यों के लिए करता है, जिससे यह प्रक्रिया तेज़, सस्ती और त्रुटियों के प्रति अधिक मजबूत हो जाती है।

यहाँ शोध पत्र "Classically Driven Hybrid Quantum Algorithms with Sequential Givens Rotations for Reduced Measurement Cost" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

हाइब्रिड क्वांटम-क्लासिकल एल्गोरिदम, जैसे कि वेरिएशनल क्वांटम आइजनसोल्वर (VQE), वर्तमान में बड़े आणविक हैमिल्टोनियन्स (molecular Hamiltonians) के एक्सपेक्टेशन वैल्यू (expectation values) का अनुमान लगाने के लिए आवश्यक मेजरमेंट ओवरहेड (measurement overhead) के कारण बाधित हैं।

बाधा (The Bottleneck): सेकंड-क्वांटाइज्ड रिप्रजेंटेशन में, इलेक्ट्रॉनिक हैमिल्टोनियन्स विस्तृत पाउली स्ट्रिंग्स (Pauli strings) के योगों में मैप होते हैं। इनका अनुमान लगाने के लिए क्वांटम सर्किट के विशाल संख्या में निष्पादन (shots) की आवश्यकता होती है, जिससे रनटाइम अधिक होता है और महत्वपूर्ण शॉट नॉइज़ (shot noise) उत्पन्न होती है।
वर्तमान विधियों की सीमाएँ:
- VQE/UCCSD: यह वेव फंक्शन मापदंडों (parameters) के पुनरावृत्ति वेरिएशनल ऑप्टिमाइज़ेशन पर निर्भर करता है। इसके लिए बार-बार ग्रेडिएंट मूल्यांकन (अक्सर पैरामीटर-शिफ्ट नियम के माध्यम से) की आवश्यकता होती है, जो मेजरमेंट लागत को कई गुना बढ़ा देता है।
- NISQ बाधाएं: वर्तमान हार्डवेयर में सीमित क्विबिट्स, कम कोहेरेंस समय और उच्च गेट एरर होते हैं, जो गहरे सर्किट (जैसे फेज एस्टीमेशन में उपयोग होने वाले) को अव्यवहारिक बनाते हैं।
- स्ट्रॉन्ग कोरिलेशन (Strong Correlation): मानक सिंगल-रेफरेंस एन्सैट्स (जैसे UCCSD) अक्सर बॉन्ड डिसोसिएशन या ट्रांजिशन मेटल्स में पाए जाने वाले स्ट्रॉन्ग स्टैटिक कोरिलेशन को कैप्चर करने में विफल रहते हैं।

2. कार्यप्रणाली: क्वांटम जैकोबी (QJ) फ्रेमवर्क

लेखक एक डायगोनलाइजेशन-ड्रिवन फ्रेमवर्क (diagonalization-driven framework) प्रस्तावित करते हैं जो कंप्यूटेशनल भार को क्वांटम पैरामीटर ऑप्टिमाइज़ेशन से हटाकर क्लासिकल हैमिल्टोनियन ट्रांसफॉर्मेशन की ओर स्थानांतरित करता है।

मुख्य दर्शन: हाइजेनबर्ग पिक्चर (Heisenberg Picture)

VQE (श्रोडिंगर पिक्चर) के विपरीत, जहाँ वेव फंक्शन विकसित होता है और हैमिल्टोनियन स्थिर रहता है, यह दृष्टिकोण हाइजेनबर्ग पिक्चर को अपनाता है:

हैमिल्टोनियन को पुनरावृत्ति के साथ तब तक रूपांतरित किया जाता है ( $\bar{H} = \hat{U}^\dagger \hat{H} \hat{U}$ ) जब तक कि वह स्लैटर-डिटरमिनेंट बेसिस (Slater-determinant basis) में डायगोनल (या ब्लॉक-डायगोनल) न हो जाए।
वेव फंक्शन स्थिर रहता है (आमतौर पर हार्ट्री-फॉक डिटरमिनेंट $|\Phi_0\rangle$ )।
लक्ष्य एक ऐसी यूनिटरी $\hat{U}$ खोजना है जो $|\Phi_0\rangle$ और एक्साइटेड डिटरमिनेंट्स के बीच ऑफ-डायगोनल कपलिंग को शून्य कर दे।

एल्गोरिद्मिक वर्कफ़्लो (Algorithmic Workflow)

एल्गोरिदम सीक्वेंशियल गिवेंस रोटेशन्स (Sequential Givens Rotations) का उपयोग करके पुनरावृत्ति के साथ आगे बढ़ता है:

जेनेरेटर चयन (क्लासिकल):
- एल्गोरिदम वर्तमान हैमिल्टोनियन के माध्यम से $|\Phi_0\rangle$ के साथ सबसे मजबूती से जुड़े हुए डिटरमिनेंट $|\Phi_{\bar{\mu}}\rangle$ की पहचान करता है।
- यह एक रेसिडुअल वेक्टर (residual vector) $|r\rangle = (\hat{H} - E)|\Phi_0\rangle$ का मूल्यांकन करके किया जाता है।
- अनुमान रणनीति (Approximation Strategy): हैमिल्टोनियन टर्म्स के घातीय विकास (exponential growth) से बचने के लिए, लेखक क्लासिकल कंप्यूटरों पर एक अनुमानित बेकर-कैंपबेल-हौसबॉस (BCH) विस्तार का उपयोग करते हैं। वे ट्रंकेशन (truncation) (एक थ्रेशोल्ड $\epsilon$ से नीचे के टर्म्स को हटाना) और क्यूमलेंट डिकंपोजिशन (cumulant decomposition) (लोअर-ऑर्डर कोरिलेशन का उपयोग करके हाई-रैंक ऑपरेटर्स का अनुमान लगाना) का उपयोग करते हैं ताकि हैमिल्टोनियन को प्रबंधनीय रखा जा सके।
- स्टोकेस्टिक चयन (Stochastic Selection): जब एक ही जेनेरेटर बार-बार चुना जाने से स्टैग्नेशन (stagnation) की स्थिति उत्पन्न होती है, तो इसे रोकने के लिए एक मोंटे कार्लो सैंपलिंग (Monte Carlo sampling) रणनीति पेश की गई है, जो रेसिडुअल वेट्स के आधार पर संभाव्यता के साथ उम्मीदवारों का चयन करती है।
एंगल निर्धारण (हाइब्रिड):
- एक बार जेनेरेटर $\hat{\mu}$ चुने जाने के बाद, $|\Phi_0\rangle$ और $|\Phi_{\bar{\mu}}\rangle$ द्वारा स्पैन किए गए सबस्पेस में एक 2x2 प्रभावी हैमिल्टोनियन बनाया जाता है।
- इस 2x2 ब्लॉक के मैट्रिक्स एलिमेंट्स को क्वांटम कंप्यूटर पर मापा जाता है। महत्वपूर्ण रूप से, इसके लिए प्रति इटरेशन केवल दो एक्सपेक्टेशन वैल्यूज की आवश्यकता होती है, जो पूर्ण ग्रेडिएंट मूल्यांकन की तुलना में मेजरमेंट लागत को काफी कम कर देता है।
- अनुकूल रोटेशन एंगल $\theta$ को इस 2x2 मैट्रिक्स को डायगोनलाइज करके क्लासिकल रूप से कैलकुलेट किया जाता है।
हैमिल्टोनियन अपडेट:
- हैमिल्टोनियन को सटीक यूनिटरी ट्रांसफॉर्मेशन $\hat{H}^{(k+1)} = \hat{u}^\dagger \hat{H}^{(k)} \hat{u}$ के माध्यम से अपडेट किया जाता है।
- गेट मर्जिंग (Gate Merging): सर्किट डेप्थ को कम करने के लिए, समान जेनेरेटर के बार-बार होने वाले छोटे-कोण वाले रोटेशन्स को एक सिंगल गेट में मर्ज किया जाता है, जिससे सर्किट काफी कंप्रेस हो जाता है।

ऑपरेटर बेसिस (Operator Bases)

पेपर जेनेरेटर्स के लिए दो रिप्रजेंटेशन की तुलना करता है:

पाउली-आधारित (PQJ): पाउली स्ट्रिंग्स का उपयोग करता है। यह सरल है लेकिन पार्टिकल-नंबर और स्पिन सिमेट्री को तोड़ देता है, जिससे स्ट्रॉन्ग कोरिलेटेड रिजीम में कन्वर्जेंस धीमा हो जाता है।
फर्मिओनिक-आधारित (FQJ/CFQJ): एंटी-हर्मिटियन फर्मिओनिक एक्साइटेशन ऑपरेटर्स का उपयोग करता है। यह सिमेट्री को बनाए रखता है और तेजी से कन्वर्ज होता है। क्यूमलेंट-फर्मिओनिक (CFQJ) वेरिएंट हाई-रैंक टर्म्स को कंप्रेस करने के लिए क्यूमलेंट डिकंपोजिशन का उपयोग करता है।

3. प्रमुख योगदान (Key Contributions)

मेजरमेंट एफिशिएंसी: एल्गोरिदम क्वांटम वर्कलोड को एक निश्चित, छोटे सेट के मैट्रिक्स-एलिमेंट मेजरमेंट्स (प्रति इटरेशन दो) तक कम कर देता है, जो VQE द्वारा आवश्यक व्यापक ग्रेडिएंट मूल्यांकन के बजाय है।
क्लासिकल प्रीप्रोसेसिंग: ऑपरेटर सिलेक्शन और एंगल कैलकुलेशन को क्लासिकल डोमेन (अनुमानित BCH का उपयोग करके) में ले जाकर, यह विधि क्वांटम सर्किट डेप्थ और जटिलता को न्यूनतम करती है।
सिमेट्री प्रिजर्वेशन: फर्मिओनिक फॉर्म्युलेशन (FQJ/CFQJ) स्वाभाविक रूप से पार्टिकल नंबर और स्पिन सिमेट्री को बनाए रखता है, जो मल्टी-रेफरेंस सिस्टम में पाउली-आधारित दृष्टिकोणों से बेहतर प्रदर्शन करता है।
सर्किट कंप्रेशन: एंगल-मर्जिंग प्रक्रिया का परिचय बार-बार होने वाले छोटे-कोण रोटेशन्स को समेकित करता है, जिससे सटीकता से समझौता किए बिना सर्किट डेप्थ को कई गुना कम किया जाता है।
नॉइज़ के प्रति मजबूती: यह विधि de-gradient लैंडस्केप के बजाय फाइन सैंपलिंग (शॉट नॉइज़) के तहत बेहतर स्थिरता प्रदर्शित करती है, क्योंकि यह ग्रेडिएंट नॉइज़ के प्रति कम संवेदनशील है।

4. परिणाम और बेंचमार्क (Results and Benchmarks)

फ्रेमवर्क को STO-6G बेसिस का उपयोग करके $N_2$ , $H_8$ , और स्ट्रॉन्गली कोरिलेटेड $H_6$ चेन्स पर बेंचमार्क किया गया।

$N_2$ (इक्विलिब्रियम और स्ट्रेच्ड):
- कन्वर्जेंस: CFQJ और FQJ ने UCCSD और ADAPT-VQE की तुलना में केमिकल एक्यूरेसी ($1$ mHartree) तेजी से प्राप्त की।
- हैमिल्टोनियन ग्रोथ: जबकि सटीक BCH एक्सपेंशन $10^5$ से अधिक टर्म्स तक बढ़ गया, ट्रंकेशन और क्यूमलेंट डिकंपोजिशन (CFQણમાં) ने हैमिल्टोनियन साइज को प्रबंधनीय (UCCSD के तुल्य) रखा और उच्च सटीकता बनाए रखी।
- रेसिड्यू एनालिसिस: स्ट्रॉन्गली कोरिलेटेड रिजीम में, रेसिड्यू डिस्ट्रीब्यूशन व्यापक हो गया। डिटर्मिनिस्टिक सिलेक्शन के कारण होने वाले स्टैग्नेशन से बचने के लिए स्टोकेस्टिक सिलेक्शन रणनीति आवश्यक साबित हुई।
$H_8$ (ज्यामिति निर्भरता):
- एल्गोरिदम ने ज्योमेट्री-डिपेंडेंट कन्वर्जेंस दिखाया। क्यूबिक ज्योमेट्री (लोकलाइज्ड रेसिड्यूल्स) रैखिक या रिंग ज्योमेट्री (डिलोकलाइज्ड रेसिड्यूल्स) की तुलना में तेजी से कन्वर्ज हुई।
- फिडेलिटी: CFQJ ने सभी ज्योमेट्री में लगभग एक-समान फिडेलिटी प्राप्त की, जबकि UCCSD रिंग ज्योमेट्री में उच्च फिडेलिटी प्राप्त करने में विफल रहा।
$H_6$ चेन (सर्किट कॉम्प्लेक्सिटी):
- ट्रेड-ऑफ: रॉ QJ सर्किट डेप्थ शुरू में बहुत अधिक ( $>10^7$ CNOTs) थी। हालांकि, गेट-मर्जिंग तकनीक ने इसे कई गुना कम कर दिया, जिससे यह SPQE के स्तर पर आ गया और इसे अर्ली फॉल्ट-टोलरेंट क्वांटम कंप्यूटर्स (FTQC) के लिए व्यवहार्य बना दिया।
- तुलना: केमिकल एक्यूरेसी तक पहुँचने के लिए CFQJ को ADAPT-VQE ( $>2 \times 10^4$ ) की तुलना में काफी कम एक्सपेक्टेशन वैल्यूज ( $<2.5 \times 10^3$ ) की आवश्यकता थी।
फाइनाइट सैंपलिंग नॉइज़:
- वास्तविक शॉट बजट ( $10^5$ और $10^6$ शॉट्स) के तहत, CFQJ और PQJ ने UCCSD की तुलना में अधिक स्थिर कन्वर्जेंस और छोटे ऊर्जा उतार-चढ़ाव दिखाए। इसकी संरचनात्मक विशेषता, जो प्रत्येक चरण में केवल सबसे महत्वपूर्ण एक्साइटेशन को अपडेट करती है, इसे ग्रेडिएंट नॉइज़ के प्रति कम संवेदनशील बनाती है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह पेपर वेव-फंक्शन ऑप्टिमाइज़ेशन से हैमिल्टोनियन डायगोनलाइजेशन की ओर बढ़कर हाइब्रिड क्वांटम एल्गोरिदम के लिए एक प्रतिमान परिवर्तन (paradigm shift) प्रस्तुत करता है।

लक्ष्य हार्डवेयर: यह विधि विशेष रूप से अर्ली फॉल्ट-टोलरेंट क्वांटम कंप्यूटर्स (FTQC) के लिए डिज़ाइन की गई है। यह गहरे सर्किटों को सहन करती है (जिन्हें FTQC संभाल सकता है) लेकिन मेजरमेंट ओवरहेड को काफी कम करती है, जो फॉल्ट-टोलरेंट रिजीम में भी एक महत्वपूर्ण बाधा बनी रहती है।
स्केलेबिलिटी: क्लासिकल एप्रोक्सिमेशन (ट्रंकेशन, क्यूमलेंट्स) और स्टोकेस्टिक सैंपलिंग का लाभ उठाकर, यह विधि उन स्ट्रॉन्गली कोरिलेटेड सिस्टम्स के लिए प्रभावी ढंग से स्केल करती है जहाँ पारंपरिक VQE एन्सैट्स संघर्ष करते हैं।
भविष्य का दृष्टिकोण: लेखक सुझाव देते हैं कि यह फ्रेमवर्क उच्च-गुणवत्ता वाले "जीरो-ऑर्डर" स्टेट्स के लिए एक उत्कृष्ट प्रदाता के रूप में कार्य करता है, जिसे बाद में पर्टर्बेटिव करेक्शन या फेज एस्टीमेशन द्वारा और अधिक परिष्कृत किया जा सकता है। यह कम क्वांटम रिसोर्स आवश्यकताओं के साथ जटिल रासायनिक प्रणालियों के अनुकरण के लिए एक मार्ग खोलता है।