📊 statistics

Quantum Amplitude Estimation for Catastrophe Insurance Tail-Risk Pricing: Empirical Convergence and NISQ Noise Analysis

यह शोध पत्र यह प्रदर्शित करता है कि जहाँ क्वांटम एम्प्लीट्यूड एस्टिमेशन (Quantum Amplitude Estimation) कैटास्ट्रोफी इंश्योरेंस टेल रिस्क की प्राइसिंग के लिए एक सैद्धांतिक द्विघातीय त्वरण (quadratic speedup) प्रदान करता है, वहीं NISQ-युग के अनुभवजन्य सिमुलेशन यह प्रकट करते हैं कि इसका व्यावहारिक लाभ अनुमान संबंधी अक्षमताओं के बजाय विविक्तीकरण त्रुटियों (discretization errors) और शास्त्रीय विश्लेषणात्मक बेसलाइन के बेहतर प्रदर्शन द्वारा वर्तमान में सीमित है।

मूल लेखक: Alexis Kirke

प्रकाशित 2026-03-18

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Alexis Kirke

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 बीमा कंपनी हैं जो यह पता लगाने की कोशिश कर रही है कि सदी में एक बार आने वाले तूफान से बचने के लिए आपको अपनी तिजोरी में कितने पैसे रखने की आवश्यकता है। यह "टेल रिस्क" (tail risk) है: वह दुर्लभ, विनाशकारी घटना जहाँ नुकसान बहुत बड़ा होता है।

समस्या यह है कि ये घटनाएँ इतनी दुर्लभ हैं कि यदि आप एक मानक कंप्यूटर (जैसे कि आज हम उपयोग करते हैं) का उपयोग करके इनका अनुकरण (simulation) करने का प्रयास करते हैं, तो आपको कुछ ही "आपदा" परिदृश्यों को खोजने के लिए लाखों सिमुलेशन चलाने होंगे। यह समुद्र तट पर रेत के एक विशिष्ट कण को खोजने जैसा है जिसे आप एक बार में एक कण उठाकर खोजने की कोशिश कर रहे हैं। आप एक जीवनकाल तक रेत चुनने में बिता सकते हैं और फिर भी उस एक कण को मिस कर सकते हैं जो सबसे महत्वपूर्ण है।

यह शोध एक बड़ा सवाल पूछता है: क्या क्वांटम कंप्यूटर इस "भूसे के ढेर में सुई" (needle in a haystack) वाली समस्या को तेज़ी से हल कर सकते हैं?

यहाँ शोध का विवरण सरल भाषा में दिया गया है:

1. पुराना तरीका बनाम क्वांटम तरीका

पुराना तरीका (क्लासिकल मोंटे कार्लो): कल्पना कीजिए कि आप एक शहर में लोगों की औसत ऊंचाई का अनुमान लगाने के लिए सड़क पर मौजूद यादृच्छिक (random) लोगों से पूछ रहे हैं। यदि आप अत्यधिक सटीक उत्तर प्राप्त करना चाहते हैं, तो आपको बहुत सारे लोगों से पूछना होगा। यदि आप दोगुना सटीक होना चाहते हैं, तो आपको चार गुना अधिक लोगों से पूछना होगा। यह धीमा और महंगा है।
क्वांटम तरीका (एम्प्लीट्यूड एस्टीमेशन): कल्पना कीजिए कि आपके पास एक जादुई आवर्धक लेंस (magnifying glass) है (एक क्वांटम कंप्यूटर) जो एक ही बार में पूरी भीड़ को देख सकता है और दुर्लभ, लंबे लोगों के संकेत (signal) को "प्रवर्धित" (amplify) कर सकता है। सैद्धांतिक रूप से, यह आपको चार गुना कम सवालों के साथ वही सटीकता प्राप्त करने की अनुमति देता है। गणितीय शब्दों में, यदि पुराने तरीके में 1,000,000 प्रयास लगते हैं, तो क्वांटम तरीके में शायद केवल 1,000 की आवश्यकता होगी।

2. शोधकर्ताओं ने क्या किया

लेक्सिस किर्क के नेतृत्व में टीम ने इस सिद्धांत का परीक्षण करने के लिए विशेष रूप से बीमा आपदाओं के लिए एक सिमुलेशन बनाया।

उन्होंने एक "क्वांटम ओरैकल" (Quantum Oracle) बनाया: इसे एक ब्लैक बॉक्स के रूप में सोचें जो सभी संभावित तूफानी नुकसानों का नक्शा रखता है।
इसमें उन्होंने पिछले तूफानों के बारे में NOAA (नेशनल ओशनिक एंड एटमॉस्फेरिक एडमिनिस्ट्रेशन) से वास्तविक डेटा और बनावटी डेटा डाला।
उन्होंने इसे एक "सिम्युलेटेड" क्वांटम कंप्यूटर पर चलाया (चूंकि वास्तविक क्वांटम कंप्यूटर अभी भी बहुत शोर वाले और त्रुटिपूर्ण हैं) यह देखने के लिए कि यह पुराने तरीकों की तुलना में कितनी अच्छी तरह काम करता है।

3. तीन बड़ी खोजें

A. "ब्लैक बॉक्स" का लाभ वास्तविक है

जब कंप्यूटर एक "ब्लैक बॉक्स" की तरह कार्य करता है (जिसका अर्थ है कि उसे तूफानों के पीछे का गणितीय सूत्र नहीं पता है, वह केवल डेटा देखता है), तो क्वांटम विधि वास्तव में तेज़ होती है।

उपमा: कल्पना कीजिए कि आप एक छिपी हुई वस्तु के वजन का अनुमान लगाने की कोशिश कर रहे हैं। यदि आपके पास एक सूत्र है कि वस्तु कैसे बनाई गई थी, तो आप इसकी गणना तुरंत कर सकते हैं। लेकिन यदि आपके पास केवल एक तराजू है और वस्तु छिपी हुई है, तो आपको अनुमान लगाना होगा।
परिणाम: "ब्लैक बॉक्स" परिदृश्य में, क्वांटम विधि समान कंप्यूटिंग शक्ति के लिए सबसे अच्छे क्लासिकल अनुमान लगाने वाले तरीके की तुलना में 2 से 3 गुना अधिक सटीक थी। बीमा के लिए यह एक बड़ी जीत है, क्योंकि तूफान के नुकसान का "सूत्र" अक्सर इतना जटिल होता है कि उसे कागज पर लिखना कठिन होता है।

B. "फॉर्मूला" नकल करता है (चीटिंग करता है)

हालाँकि, यदि कंप्यूटर को गणितीय सूत्र पता है (जैसे कि यह जानना कि तूफान एक विशिष्ट "लॉग-नॉर्मल" वक्र का पालन करते हैं), तो क्लासिकल कंप्यूटर के पास एक गुप्त हथियार होता है।

उपमा: यदि आप जानते हैं कि वस्तु एक मानक बॉलिंग बॉल है, तो आपको उसका वजन करने की आवश्यकता नहीं है; आप बस उसे एक कैटलॉग में देख सकते हैं।
परिणाम: जब शोधकर्ताओं ने क्लासिकल कंप्यूटर को सूत्र दिया, तो उसने क्वांटम कंप्यूटर को पछाड़ दिया। यह बहुत तेज़ और अधिक सटीक था।
सीख: क्वांटम कंप्यूटर तब चमकते हैं जब समस्या जटिल होती है और आपके पास कोई साफ-सुथरा सूत्र नहीं होता। यदि आपके पास पहले से ही सूत्र है, तो आपको क्वांटम जादू की आवश्यकता नहीं है।

C. "पिक्सेलेटेड मैप" की समस्या (द बॉटलनेक)

यह सबसे महत्वपूर्ण खोज है। शोधकर्ताओं ने पाया कि क्वांटम कंप्यूटर इसलिए विफल नहीं हो रहा था क्योंकि गणित गलत था; बल्कि इसलिए विफल हो रहा था क्योंकि नक्शा बहुत धुंधला था।

उपमा: कल्पना कीजिए कि आप केवल 8 पिक्सेल वाले मानचित्र का उपयोग करके एक पर्वत की ऊंचाई मापने की कोशिश कर रहे हैं। चाहे आपका रूलर कितना भी अच्छा क्यों न हो, आप सटीक माप प्राप्त नहीं कर सकते क्योंकि मानचित्र स्वयं बहुत ब्लॉक वाला (blocky) है। त्रुटि मापने वाले उपकरण से नहीं, बल्कि "पिक्सेल" (बिन) से आती है।
परिणाम: त्रुटि का सबसे बड़ा स्रोत क्वांटम एल्गोरिदम नहीं था, बल्कि यह था कि उन्होंने डेटा को कैसे विभाजित किया। उन्होंने पाया कि डेटा को विभाजित करने का एक स्मार्ट तरीका (जैसे कि "लॉग-स्पेस" बिन का उपयोग करना जो दुर्लभ, बड़े तूफानों पर ज़ूम करता है) उपयोग करने से त्रुटियों को 10 गुना तक कम किया जा सकता है।

4. "नॉइज़" (शोर) का वास्तविकता परीक्षण

पेपर में यह भी परीक्षण किया गया कि यदि आप इसे आज के एक वास्तविक क्वांटम कंप्यूटर पर चलाते हैं (जो वर्तमान में बहुत शोर वाला है, जैसे कि स्टेटिक के साथ रेडियो)।

परिणाम: शोर ने लाभ को पूरी तरह से नष्ट कर दिया। क्वांटम कंप्यूटर ने उत्तर को इतना गलत कर दिया कि वह बेकार हो गया।
सबक: हमें इस तकनीक का वास्तविक दुनिया में उपयोग करने से पहले "फॉल्ट-टॉलरेंट" (त्रुटि-सहिष्णु) क्वांटम कंप्यूटरों (ऐसी मशीनें जो अपनी गलतियों को सुधार सकें) की आवश्यकता है। अभी, यह बिना पहियों वाली कार में फेरारी इंजन रखने जैसा है।

सारांश: इसका आपके लिए क्या अर्थ है?

यह पेपर बीमा के इर्द-गिर्द फैले प्रचार (hype) के लिए एक "रियलिटी चेक" है।

हाँ, यह सिद्धांत रूप में काम करता है: क्वांटम कंप्यूटर इन दुर्लभ आपदा समस्याओं को क्लासिकल कंप्यूटरों की तुलना में बहुत तेज़ी से हल कर सकते हैं, लेकिन केवल तभी जब समस्या जटिल हो और उसका कोई सरल सूत्र न हो।
नहीं, यह अभी तैयार नहीं है: वर्तमान क्वांटम कंप्यूटर बहुत शोर वाले हैं ताकि उपयोगी हो सकें।
असली समाधान बेहतर डेटा स्लाइसिंग है: इससे पहले कि हम क्वांटम हार्डवेयर तक पहुँचें, हमें डेटा को बेहतर ढंग से व्यवस्थित करने के तरीके खोजने होंगे ताकि "नक्शा" धुंधला न हो।

मुख्य बात: बीमा के लिए क्वांटम कंप्यूटिंग एक आशाजनक भविष्य की तकनीक है जो दुर्लभ आपदाओं की अधिक सटीक भविष्यवाणी करके अरबों बचा सकती है। लेकिन अभी, यह अभी भी "लैब चरण" में है, और इससे पहले कि यह आज के कंप्यूटरों की जगह ले सके, हमें बेहतर हार्डवेयर और बेहतर डेटा संगठन की आवश्यकता है।

यहाँ एलेक्सिस किर्के के शोध पत्र "Quantum Amplitude Estimation for Catastrophe Insurance: Tail-Risk Pricing, Empirical Convergence and NISQ Noise Analysis" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

कैटास्ट्रोफी (विपत्ति) बीमा मूल्य निर्धारण चरम घटनाओं (जैसे तूफान, भूकंप) के अपेक्षित अतिरिक्त नुकसान (tail risk) के उच्च पर्सेंटाइल (जैसे 95वाँ, 97वाँ) के अनुमान पर निर्भर करता है।

क्लासिकल बॉटलनेक (The Classical Bottleneck): मानक मोंटे कार्लो (MC) विधियाँ $O(1/\sqrt{N})$ की दर से अभिसरित (converge) होती हैं। ऊपरी-पूंछ (upper-tail) के पर्सेंटाइल को हल करने के लिए जहाँ केवल 3% से कम नमूने योगदान देते हैं, क्लासिकल MC को अत्यधिक बड़े सिमुलेशन बजट की आवश्यकता होती है। इससे जोखिम अनुमानों में उच्च विचलन (variance) होता है, जिससे गलत मूल्य निर्धारण और दिवालियापन की संभावना बढ़ जाती है।
क्वांटम वादा (The Quantum Promise): क्वांटम एम्प्लीट्यूड एस्टीमेशन (QAE), जो ग्रोवर एल्गोरिदम पर आधारित है, सैद्धांतिक रूप से एक द्विघाती गति (quadratic speedup) प्रदान करता है, जो $O(1/N)$ की दर से अभिसरित होता है। यह बहुत कम क्वेरीज़ के साथ उच्च-रिज़ॉल्यूशन टेल एस्टीमेशन की अनुमति देगा।
अंतराल (The Gap): जबकि QAE का अध्ययन वित्तीय डेरिवेटिव्स (विकल्प, VaR) के लिए किया गया है, कैटास्ट्रोफी इंश्योरेंस में इसका अनुप्रयोग अभी भी कम खोजा गया है। महत्वपूर्ण रूप से, बीमा हानि वितरण अक्सर जटिल, बहु-चरणीय भौतिक सिम्युलेटर (hazard $\to$ vulnerability $\to$ financial loss) से प्राप्त होते हैं, न कि सरल पैरामीट्रिक मॉडल से, जो उन्हें "ब्लैक-बॉक्स" ऑरेकल बनाते हैं जहाँ क्लासिकल वेरिएंस-रिडक्शन तकनीकें (जैसे इम्पॉर्टेंस सैंपलिंग) सीधे लागू नहीं की जा सकती हैं।

2. कार्यप्रणाली (Methodology)

लेखकों ने एक पूर्ण पाइपलाइन का निर्माण किया जो कैटास्ट्रोफी लॉस डिस्ट्रीब्यूशन को क्वांटम ऑरेकल में एनकोड करती है और QAE की विभिन्न क्लासिकल बेसलाइनों के विरुद्ध तुलना करती है।

डेटा स्रोत (Data Sources):
- सिंथेटिक: हेवी-टेल्ड पारेटो (Pareto) वितरण ( $N=20,000$ )।
- वास्तविक: 58,028 NOAA स्टॉर्म इवेंट्स रिकॉर्ड (2020–2024) जिसमें संपत्ति का नुकसान $\ge$ $1,000 है।
- दोनों डेटासेट को ऑरेकल निर्माण के लिए लॉग-नॉर्मल वितरणों में फिट किया गया था, हालांकि प्रयोग 7 में कच्चे एम्पिरिकल हिस्टोग्राम का उपयोग किया गया था।
क्वांटम ऑरेकल निर्माण (Quantum Oracle Construction):
- एम्प्लीट्यूड एनकोडिंग (Amplitude Encoding): फिट किए गए वितरण को कस्टम बाइनरी ट्री ऑफ कंट्रोल्ड- $R_y$ रोटेशन का उपयोग करके क्वबिट एम्प्लीट्यूड में लोड किया जाता है (मानक Qiskit स्टेट प्रिपरेशन से बचने के लिए ताकि सिम्युलेटर क्रैश न हो)।
- पेऑफ एनकोडिंग (Payoff Encoding): एक एंसिला क्वबिट को अतिरिक्त हानि फलन $f(x) = \max(0, x-M)$ के आधार पर रोटेट किया जाता है।
- मुख्य डिज़ाइन: एनकोडिंग यह सुनिश्चित करती है कि एंसिला को अवस्था $|1\rangle$ में मापने की प्रायिकता ( $P(|1\rangle)$ ) बहुत कम (0.002–0.05) हो। यह महत्वपूर्ण है क्योंकि ग्रोवर एम्प्लीफिकेशन तभी सुरक्षित और प्रभावी होता है जब $P(|1\rangle)$ छोटा हो, जिससे बिना एंगल एलियासिंग (angle aliasing) के कई इटरेशन ( $k$ ) संभव हो सकें।
ग्रोवर एम्प्लीफिकेशन (Grover Amplification): एल्गोरिदम लक्ष्य एम्प्लीट्यूड को बढ़ाने के लिए ग्रोवर ऑपरेटर $Q = A S_0 A^\dagger S_\chi$ के $k$ इटरेशन लागू करता है। ओवर-रोटेशन को रोकने के लिए अधिकतम सुरक्षित इटरेशन $k_{max}$ को गतिशील रूप से गणना किया जाता है।
प्रायोगिक डिज़ाइन (Experimental Design): Qiskit Aer सिम्युलेटर का उपयोग करके सात प्रयोग किए गए:
1. नोइलेस कन्वर्जेंस (Noiseless Convergence): $k$ को 0 से 6 तक स्केल करना।
2. NISQ नॉइज़: डिपोलराइजिंग नॉइज़ मॉडल (लो, मीडियम, हाई) का परीक्षण।
3. टेल स्वीप (Tail Sweep): 90वें, 95वें और 97वें पर्सेंटाइल का परीक्षण।
4. रियल डेटा वैलिडेशन: NOAA डेटा पर विधि को लागू करना।
5. फेयर बजट तुलना: समान क्वेरी बजट पर QAE की तुलना मजबूत क्लासिकल बेसलाइनों (कंडीशनल टेल MC, इम्पॉर्टेंस सैंपलिंग, सोबोल सीक्वेंस के साथ क्वासी-मोंटे कार्लो) से करना।
6. डिसक्रेटाइजेशन बनाम एस्टीमेशन: त्रुटि स्रोतों को अलग करने के लिए क्वबिट काउंट ( $n=3$ से $8$) को स्वीप करना।
7. एम्पिरिकल PMF: बिना पैरामीट्रिक फिटिंग के कच्चे NOAA डेटा पर परीक्षण।

3. मुख्य योगदान (Key Contributions)

बीमा में पहला कठोर एम्पिरिकल मूल्यांकन: यह पेपर क्वांटम फाइनेंस थ्योरी और कैटास्ट्रोफी मॉडलिंग के बीच के अंतर को पाटता है, जो वास्तविक और सिंथेटिक कैटास्ट्रोफी डेटा का उपयोग करके टेल-रिस्क प्राइसिंग के लिए पहला एंड-टू-एंड पाइपलाइन प्रदान करता है।
ऑरेकल-मॉडल बनाम एनालिटिकल-मॉडल का अंतर: लेखक दो व्यवस्थाओं के बीच स्पष्ट अंतर करते हैं:
- ऑरेकल मॉडल (ब्लैक-बॉक्स): वितरण को केवल एक सर्किट के माध्यम से एक्सेस किया जाता है। यहाँ, QAE वास्तविक लाभ दिखाता है।
- एनालिटिकल मॉडल (व्हाइट-बॉक्स): वितरण का एक ज्ञात क्लोज्ड-फॉर्म CDF होता है। यहाँ, क्लासिकल विधियाँ (QMC, इम्पॉर्टेंस सैंपलिंग) हावी रहती हैं।
त्रुटि अपघटन (Error Decomposition): अध्ययन एस्टिमेशन एरर (सैंपलिंग से सांख्यिकीय शोर) और डिसक्रेटाइजेशन एरर (बिनिंग से बायस) को अलग करता है। यह पहचानता है कि डिसक्रेटाइजेशन ही वर्तमान प्राथमिक बाधा है, न कि स्वयं क्वांटम एल्गोरि।
बिनिंग स्ट्रैजी विश्लेषण: पेपर प्रदर्शित करता है कि लॉग-स्पेस बिनिंग समान-चौड़ाई वाली बिनिंग की तुलना में डिसक्रेटाइजेशन एरर को $10\times$ कम कर सकती है, जबकि ग्रोवर एम्प्लीफिकेशन के लिए आवश्यक छोटा $P(|1\rangle)$ बनाए रखती है।

4. मुख्य परिणाम (Key Results)

A. ऑरेकल-मॉडल लाभ (सैद्धांतिक और एम्पिरिकल)

कन्वर्जेंस रेट: ऑरेकल मॉडल में (मैच किए गए क्लासिकल MC के विरुद्ध), QAE समान क्वेरी बजट पर 2.0–2.5 $\times$ कम RMSE प्राप्त करता है।
स्केलिंग: लॉग-लॉग रिग्रेशन पुष्टि करता है कि QAE $O(1/N)$ के करीब दर से अभिसरित होता है (ढलान $\approx -1.07$ ), जबकि क्लासिकल MC $O(1/\sqrt{N})$ (ढलान $\approx -0.54$ ) पर अभिसरित होता है।
रियल डेटा: यह लाभ सिंथेटिक पारेटो डेटा और वास्तविक NOAA तूफान डेटा दोनों के लिए बना रहता है।

B. "स्ट्रॉन्ग बेसलाइन" रियलिटी चेक

जब वितरण के CDF तक विश्लेषणात्मक पहुंच उपलब्ध होती है (जैसे फिट किया गया लॉग-नॉर्मल), तो क्वासी-मोंटे कार्लो (QMC) (सोबोल सीक्वेंस के साथ) और कंडीशनल टेल MC जैसी क्लासिकल विधियाँ QAE को बहुत पीछे छोड़ देती हैं।
QMC 1D में लगभग $O(1/N)$ कन्वर्जेंस प्राप्त करता है, जो QAE की सैद्धांतिक दर से मेल खाता है, और इन परिदृश्यों में QAE की तुलना में कम RMSE उत्पन्न करता है।
महत्वपूर्ण अंतर्दृष्टि: क्वांटम लाभ केवल तब प्राप्त होता है जब वितरण एक "ब्लैक बॉक्स" हो (जैसे कि एक जटिल कैटास्ट्रोफी सिम्युलेटर का आउटपुट), जहाँ क्लासिकल वेरिएंस-रिडक्शन तकनीकों को सीधे लागू नहीं किया जा सकता है।

C. बॉटलनेक: डिसक्रेटाइजेशन

प्रमुख त्रुटि: 3–8 क्वबिट्स पर, कुल त्रुटि डिसक्रेटाइजेशन एरर (लगभग \ $500–\$ 600) द्वारा संचालित होती है, जो समान-चौड़ाई वाली बिनिंग में 99.9वें पर्सेंटाइल पर टेल ट्रंकेशन के कारण होती है।
समाधान: लॉग-स्पेस बिनिंग पर स्विच करने से डिसक्रेटाइजेशन एरर $10\times$ कम हो गया (उदाहरण के लिए, $n=5$ पर \ $578 से \$ 54 तक) और अधिकतम सुरक्षित ग्रोवर इटरेशन ( $k_{max}$ ) को बढ़ा दिया, जिससे समग्र एंड-टू-एंड सटीकता में सुधार हुआ।

D. NISQ नॉइज़ सीमाएँ

शोर के तहत पूर्ण विफलता: प्रयोग 2 में, प्रतिनिधि NISC नॉइज़ स्तरों (डिपोलराइजिंग एरर्स) को पेश करने से क्वांटम लाभ पूरी तरह से नष्ट हो गया।
बायस बनाम वेरिएंस: शोर ने भारी व्यवस्थित बायस (मीन एस्टीमेट दोगुना हो गया) पेश किया, जिससे नॉइलेस केस की तुलना में RMSE 66 $\times$ बढ़ गया।
निष्कर्ष: वर्तमान हार्डवेयर (NISQ) सार्थक एम्प्लीफिकेशन के लिए आवश्यक सर्किट डेप्थ ( $\sim$ 700+ गेट्स $k=3$ के लिए) का समर्थन नहीं कर सकता है। फॉल्ट-टोलरेंट हार्डवेयर या उन्नत एरर मिटिगेशन अनिवार्य है।

5. महत्व और भविष्य का दृष्टिकोण (Significance and Future Outlook)

व्यावहारिक प्रासंगिकता: यह पेपर स्थापित करता है कि QAE कैटास्ट्रोफी प्राइसिंग के लिए एक व्यवहार्य मार्ग है, लेकिन केवल "ब्लैक-बॉक्स" कैटास्ट्रोफी सिम्युलेटर के संदर्भ में। इस विशिष्ट डोमेन में, QAE ने नेटिव क्लासिकल सैंपलिंग की तुलना में 2–4 $\times$ कम एस्टीमेशन एरर का प्रमाण दिया है।
डिप्लॉयमेंट का रोडमैप: लेखक व्यावहारिक डिप्लॉयमेंट के लिए तीन बाधाओं को रेखांकित करते हैं:
1. फॉल्ट टॉलरेंस: वर्तमान शोर स्तर ग्रोवर-एम्प्लीफाइड सर्किट को बेकार बना देते हैं।
2. डिसक्रेटाइजेशन इंजीनियरिंग: बायस को कम करने के लिए समान-चौड़ाई वाली बिनिंग से लॉग-स्पेस या क्वांटाइल-आधारित बिनिंग पर जाना आवश्यक है।
3. स्टेट प्रिपरेशन: उच्च-आयामी कैटास्ट्रोफी डिस्ट्रीब्यूशन को कुशलतापूर्वक एनकोड करना (जिसके लिए $n > 8$ क्वबिट्स की आवश्यकता होती है) एक चुनौती बनी हुई है; वर्तमान $O(2^n)$ गेट कॉम्प्लेक्सिटी को बदलने के लिए qGAN या QROM जैसे तरीकों की आवश्यकता है।
आकांक्षी परिदृश्य (Aspirational Scenario): लेखक अनुमान लगाते हैं कि फॉल्ट-टोलरेंट हार्डवेयर के साथ, एक क्वांटम ऑरेकल टेल-रिस्क समस्या को सेकंडों में हल कर सकता है जिसे वर्तमान में क्लासिकल सुपरकंप्यूटर घंटों में लेते हैं (एक संभावित 30,000 $\times$ वॉल-क्लॉक स्पीडअप), बशर्ते कि मल्टी-स्टेज सिम्युलेटर के लिए ऑरेकल कंपाइलेशन समस्या हल हो जाए।

निष्कर्ष: यह पेपर एक सूक्ष्म, अनुभवजन्य रूप से आधारित मूल्यांकन प्रदान करता है: क्वांटम एम्प्लीट्यूड एस्टीमेशन ब्लैक-बॉक्स कैटास्ट्रोफी सिम्युलेटर के विशिष्ट संदर्भ में टेल-रिस्क प्राइसिंग के लिए एक वास्तविक, प्रमाणिक लाभ प्रदान करता है, लेकिन यह लाभ वर्तमान में डिसक्रेटाइजेशन एरर द्वारा छिपा हुआ है और वर्तमान हार्डवेयर शोर द्वारा पूरी तरह से शून्य कर दिया गया है। आगे का रास्ता बेहतर बिनिंग रणनीतियों और फॉल्ट-टोलरेंट क्वांटम कंप्यूटरों के आगमन पर निर्भर है।