⚛️ quantum physics

How Quantum Circuits Actually Learn: A Causal Identification of Genuine Quantum Contributions

यह शोध पत्र एक प्रतितथ्यात्मक कारण मध्यस्थता ढांचे (counterfactual causal mediation framework) को प्रस्तुत करता है जो यह प्रदर्शित करता है कि वर्तमान वेरिएशनल क्वांटम सर्किट अपने प्रदर्शन का विशाल बहुमत वास्तविक क्वांटम संसाधनों के बजाय शास्त्रीय स्थापत्य स्केलिंग (classical architectural scaling) से प्राप्त करते हैं, जो मापने योग्य क्वांटम लाभ को अनलॉक करने के लिए संसाधन-जागरूक डिजाइन की आवश्यकता को रेखांकित करता है।

मूल लेखक: Cyrille Yetuyetu Kesiku, Begonya Garcia-Zapirain

प्रकाशित 2026-03-18

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Cyrille Yetuyetu Kesiku, Begonya Garcia-Zapirain

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 सवाल: क्या जादू असली है, या बस चीज़ें बड़ी हो रही हैं?

कल्पना कीजिए कि आप एक बेहतरीन केक बनाने की कोशिश कर रहे हैं। आपके पास दो बेकर्स (Bakers) हैं:

क्लासिकल बेकर (The Classical Baker): एक मानक रसोई का उपयोग करता है, बहुत सारा आटा और एक बहुत बड़ा मिक्सिंग बाउल इस्तेमाल करता है।
क्वांटम बेकर (The Quantum Baker): एक भविष्यवादी रसोई का उपयोग करता है जिसमें "जादु적인" सामग्रियां (एंटैंगलमेंट, सुपरपोजिशन) और एक विशेष मिक्सिंग बाउल है।

वर्षों से, वैज्ञानिक पूछ रहे हैं: "जब क्वांटम बेकर एक बेहतर केक बनाता है, तो क्या यह इसलिए होता है क्योंकि उन्होंने जादुई सामग्रियों का उपयोग किया, या सिर्फ इसलिए क्योंकि उन्होंने एक बड़ा बाउल और अधिक आटा इस्तेमाल किया?"

यह पेपर एक जासूसी कहानी है। लेखक अनुमान लगाना बंद करना चाहते थे और मापना शुरू करना चाहते थे। उन्होंने यह पता लगाने के लिए कि सफलता का कितना हिस्सा जादू (क्वांटम संसाधनों) से आता है और कितना हिस्सा केवल मशीन को बड़ा बनाने (क्लासिकल स्केलिंग) से आता है, एक नया "कॉज़ल माइक्रोस्कोप" (Causal Microscope) बनाया।

जासूसी उपकरण: "क्या होगा अगर?" मशीन

इसे हल करने के लिए, लेखकों ने काउंटरफैक्चुअल कॉज़ल मीडिएशन (Counterfactual Causal Mediation) की अवधारणा का उपयोग किया। यह "क्या होगा अगर?" जैसे सवाल पूछने का एक फैंसी तरीका है।

कल्पना कीजिए कि एक क्वांटम कंप्यूटर मेडिकल डायग्नोसिस (चिकित्सा निदान) चला रहा है। जैसे-जैसे आप इसके सर्किट में परतें (layers) जोड़ते हैं (बाउल को बड़ा करते हैं), यह और स्मार्ट होता जाता है।

पुराना सवाल: "क्या यह इसलिए स्मार्ट हुआ क्योंकि यह बड़ा हो गया?"
नया सवाल: "यदि हम 'जादू' (एंटैंगलमेंट) को पहले जैसा ही रखते, लेकिन बाउल को बड़ा कर देते, तो क्या यह फिर भी स्मार्ट होता?"

उन्होंने एक प्रयोग सेट किया जहाँ उन्होंने एक छोटे क्वांटम सर्किट (बेसलाइन) की तुलना एक बड़े क्वांटम सर्किट (उन्नत संस्करण) से की। उन्होंने केवल अंतिम स्कोर नहीं देखा; उन्होंने प्रक्रिया के दौरान सर्किट के अंदर मौजूद "सामग्रियों" को देखा।

उन्होंने चार विशिष्ट "क्वांटम सामग्रियों" को ट्रैक किया:

एंटैंगलमेंट एंट्रॉपी (Entanglement Entropy): क्यूबिट्स कितने "उलझे" हुए हैं (जैसे धागे की एक गांठ)।
प्योरिटी (Purity): क्वांटम स्टेट कितनी "साफ" और सुसंगत (coherent) है (जैसे साफ पानी बनाम गंदा पानी)।
लीनियर एंट्रॉपी (Linear Entropy): स्टेट कितनी "मिली-जुली" (mixed up) है।
म्युचुअल इंफॉर्मेशन (Mutual Information): सर्किट के हिस्से आपस में कितनी बातें कर रहे हैं।

चौंकाने वाली खोज: जादू सुप्त अवस्था में है

तीन अलग-अलग डेटासेट्स (मेडिकल डेटा, डायबिटीज डेटा, और रडार सिग्नल) पर हजारों सिमुलेशन चलाने के बाद, परिणाम "जादू" के प्रचार के लिए थोड़े निराशाजनक थे, लेकिन वैज्ञानिक ईमानदारी के लिए एक बड़ी जीत थे।

फैसला:

93% समय, सुधार पूरी तरह से सर्किट को बड़ा और अधिक जटिल बनाने (उस "बड़े बाउल") से आया।
वास्तविक "क्वांटम जादू" (एंटैंगलमेंट, आदि) का सफलता में योगदान 1% से भी कम था।
वास्तव में, अधिकांश सेटअप के लिए, क्वांटम सामग्रियां इतनी कमजोर थीं कि उनका महत्व ही नहीं था।

उपमा (Analogy):
कल्पना कीजिए कि आप मैराथन दौड़ रहे हैं। आप तेज़ हो जाते हैं।

क्लासिकल स्पष्टीकरण: आप इसलिए तेज़ हुए क्योंकि आपने बेहतर जूते खरीदे और कड़ी मेहनत की (अधिक पैरामीटर्स, गहरे सर्किट)।
क्वांटम स्पष्टीकरण: आप इसलिए तेज़ हुए क्योंकि आपने "ड्रैगन की आग" (dragon fire) से सांस लेना शुरू कर दिया।

पेपर ने पाया कि 93% समय, आप बस बेहतर जूतों के साथ दौड़ रहे थे। "ड्रैगन की आग" तो बस हल्की सी टिमटिमा रही थी।

"रेजीम" मैप: हम कहाँ खड़े हैं?

लेखकों ने क्वांटम कंप्यूटरों को वर्गीकृत करने के लिए एक मैप बनाया कि वे कैसे सीखते हैं। उन्होंने पाया कि लगभग सभी वर्तमान क्वांटम कंप्यूटर "न्यूट्रल" (Neutral) या "क्लासिकल-स्केलेबल" (Classical-Scalable) क्षेत्रों में आते हैं।

"क्वांटम एडवांटेज" ज़ोन (The "Quantum Advantage" Zone): (दुर्लभ रूप से पाया जाता) मशीन बेहतर होती है क्योंकि वह जादू के कारण होती है।
"मास्क्ड क्वांटम" ज़ोन (The "Masked Quantum" Zone): जादू वास्तव में मदद कर रहा है, लेकिन मशीन का डिज़ाइन इतना खराब है कि उसकी मदद छिपी हुई है।
"क्लासिकल-डोमिनेटेड" ज़ोन (The "Classical-Dominated" Zone): (जहाँ हम ज्यादातर हैं) मशीन बेहतर होती है, लेकिन केवल इसलिए क्योंकि हमने अधिक परतें जोड़ी हैं, न कि क्वांटम भौतिकी के कारण।

यह क्यों मायने रखता है: "ब्लैक बॉक्स" से "ब्लूप्रिंट" तक

लंबे समय तक, क्वांटम मशीन लर्निंग (QML) एक ब्लैक बॉक्स की तरह था। हमने डेटा डाला, परिणाम प्राप्त किया, और उम्मीद की कि "क्वांटमनेस" अपना काम कर रही है। यदि यह काम करता, तो हम जश्न मनाते। यदि नहीं, तो हमने हार्डवेयर को दोष दिया।

यह पेपर कहता है: "अनुमान लगाना बंद करें। इंजीनियरिंग शुरू करें।"

केवल इस उम्मीद में कि क्वांटम जादू काम करेगा, हमें सर्किट डिजाइन करने के बजाय, हमें ऐसे सर्किट डिजाइन करने की आवश्यकता है जो जादू को होने के लिए मजबूर करें।

वर्तमान स्थिति: हम बड़े इंजन बना रहे हैं लेकिन फ्यूल इंजेक्शन (ईंधन इंजेक्शन) चालू नहीं कर रहे हैं।
भविष्य का लक्ष्य: हमें विशेष रूप से ऐसे सर्किट डिजाइन करने की आवश्यकता है जो "एंटैंगलमेंट" और "प्योरिटी" को बढ़ा सकें ताकि वे वास्तव में प्रदर्शन को संचालित करें।

निष्कर्ष (The Takeaway)

यह पेपर यह नहीं कहता कि क्वांटम कंप्यूटिंग बेकार है। यह कहता है कि हम वर्तमान में इसका कम उपयोग कर रहे हैं।

हम क्वांटम कंप्यूटरों के साथ बहुत महंगे, थोड़े अजीब क्लासिकल कंप्यूटरों की तरह व्यवहार कर रहे हैं। हमें परिणाम मिल रहे हैं, लेकिन हमें क्वांटम परिणाम नहीं मिल रहे हैं। लेखक इन कंप्यूटरों को डिजाइन करने का एक नया तरीका प्रस्तावित करते हैं: रिसोर्स-अवेयर डिजाइन (Resource-Aware Design)।

इसे इस तरह सोचें: यदि आप उड़ना चाहते हैं, तो आप केवल एक बड़ी कार नहीं बना सकते और उम्मीद नहीं कर सकते कि वह उड़ान भर ले। आपको पंख डिजाइन करने होंगे। यह पेपर हमें बड़ी कारें बनाना बंद करने और ऐसे पंख डिजाइन करने का ब्लूप्रिंट देता है जो वास्तव में क्वांटम भौतिकी की हवा को पकड़ सकें।

संक्षेप में: क्वांटम क्षमता वास्तविक है, लेकिन अभी, वह सो रही है। हमें इसे केवल बड़े सर्किटों से नहीं, बल्कि बेहतर डिजाइन से जगाने की आवश्यकता है।

यहाँ शोध पत्र "How Quantum Circuits Actually Learn: A Causal Identification of Genuine Quantum Contributions" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

क्वांटम मशीन लर्निंग (QML) का लक्ष्य गैर-शास्त्रीय घटनाओं (एंटैंगलमेंट, सुपरपोजिशन, क्वांटम सहसंबंधों) का लाभ उठाकर शास्त्रीय मॉडलों से बेहतर प्रदर्शन करना है। हालाँकि, एक महत्वपूर्ण पद्धतिगत अंतराल मौजूद है: यह स्पष्ट नहीं है कि वेरिएशनल क्वांटम सर्किट्स (VQCs) में प्रदर्शन में सुधार वास्तविक क्वांटम संसाधनों से आता है या केवल शास्त्रीय आर्किटेक्चरल स्केलिंग (जैसे, सर्किट की गहराई, पैरामीटर संख्या और एक्सप्रेसिविटी) से।

वर्तमान दृष्टिकोण अक्सर क्वांटम सर्किट्स को "ब्लैक बॉक्स" के रूप में मानते हैं, और बिना किसी कठोर प्रमाण के सुधारों का श्रेय क्वांटम प्रभावों को देते हैं। इससे अस्पष्टता पैदा होती है: जब एक क्वांटम मॉडल अच्छा प्रदर्शन करता है लेकिन वह शास्त्रीय रूप से सिमुलेबल (simulable) बना रहता है, तो क्या यह क्वांटम कंप्यूटिंग की मौलिक सीमा के कारण है या केवल उपलब्ध क्वांटम संसाधनों के कम उपयोग के कारण? यह शोध पत्र प्रत्यक्ष आर्किटेक्चरल प्रभावों (शास्त्रीय स्केलिंग) और अप्रत्यक्ष क्वांटम-मध्यस्थ प्रभावों (वास्तविक क्वांटम योगदान) के बीच अंतर करने की आवश्यकता को संबोधित करता है।

2. कार्यप्रणाली: काउंटरफैक्चुअल कॉज़ल मीडिएशन फ्रेमवर्क (Methodology: Counterfactual Causal Mediation Framework)

लेखक क्वांटम आर्किटेक्चर के बीच प्रदर्शन के अंतर को विघटित करने के लिए एक काउंटरफैक्चुअल कॉज़ल मीडिएशन फ्रेमवर्क पेश करते हैं। यह दृष्टिकोण प्रश्न को "क्या क्वांटम मदद करता है?" से बदलकर "क्वांटम कैसे योगदान देता है?" पर ले जाता है।

A. प्रयोगात्मक डिज़ाइन (Experimental Design)

पेयर्ड डिज़ाइन (Paired Design): प्रत्येक परीक्षण नमूने के लिए, दो आर्किटेक्चर का मूल्यांकन किया जाता है:
- बेसलाइन ( $t=0$ ): एक उथला सर्किट (1 लेयर)।
- एनहैंस्ड ( $t=1$ ): एक गहरा, अधिक एंटैंगल करने वाला सर्किट (3 या 6 लेयर्स) जो ठीक उसी पैरामीट्रिक ब्लॉक को दोहराकर बनाया गया है।
चर (Variables):
- ट्रीटमेंट ( $t$ ): आर्किटेक्चरल हस्तक्षेप (गहराई)।
- आउटकम ( $Y$ ): दिशात्मक भविष्य कहनेवाला प्रदर्शन (सही वर्गीकरण की संभावना)।
- मीडिएटर्स ( $M$ ): प्रशिक्षित क्वांटम अवस्थाओं से पोस्ट-हॉक गणना किए गए क्वांटम सूचना-सैद्धांतिक अवलोकनीय (observables):
  1. एंटैंगलमेंट एंट्रॉपी ( $S_A$ ): सबसिस्टम नॉन-सेपरेबिलिटी।
  2. प्योरिटी ( $\gamma_A$ ): स्टेट कोहेरेंस।
  3. लीनियर एंट्रॉपी ( $L_A$ ): मिक्सनेस।
  4. क्वांटम म्यूचुअल इंफॉर्मेशन ( $I(A:B)$ ): कुल सहसंबंध।

B. स्ट्रक्चरल कॉज़ल मॉडल (SCM)

लेखक डेटा-जनरेटिंग प्रक्रिया को रैखिक संरचनात्मक समीकरणों का उपयोग करके मॉडल करते हैं:

मीडिएटर समीकरण: $M_{s,t} = \alpha_0 + \alpha t + \epsilon^{(M)}_s$ (आर्किटेक्चर क्वांटम गुणों को कैसे प्रभावित करता है)।
आउटकम समीकरण: $Y_{s,t} = \tau_0 + \tau t + \beta^\top M_{s,t} + \epsilon^{(Y)}_s$ (आर्किटेक्चर और क्वांटम गुण प्रदर्शन को कैसे प्रभावित करते हैं)।

कॉज़ल डिकंपोजिशन (थ्योरम 1):
सर्किट की गहराई बढ़ाने के औसत कुल प्रभाव (ATE) को योगात्मक रूप से विघटित किया जाता है:
$\text{ATE} = \underbrace{\tau}_{\text{Direct Effect (DE)}} + \underbrace{\sum_{k} \alpha_k \beta_k}_{\text{Indirect Effect (IDE)}}$

डायरेक्ट इफेक्ट ( $\tau$ ): वह प्रदर्शन लाभ जो क्वांटम गुणों (एंटैंगलमेंट, प्योरिटी आदि) से स्वतंत्र, केवल आर्किटेक्चरल स्केलिंग (पैरामीटर काउंट, ऑप्टिमाइज़ेशन ज्योमेट्री) के कारण है।
इनडायरेक्ट इफेक्ट ( $\sum \alpha_k \beta_k$ ): वह प्रदर्शन लाभ जो विशेष रूप से क्वांटम संसाधनों (एंटैंगलमेंट, प्योरिटी आदि) में परिवर्तन के माध्यम से मध्यस्थता (mediate) किया गया है।

C. आइडेंटिफिकेशन धारणाएँ (Identification Assumptions)

यह फ्रेमवर्क तीन धारणाओं पर निर्भर करता है जो प्रयोगात्मक डिज़ाइन द्वारा संतुष्ट होती हैं:

सीक्वेंशियल इग्नोरैबिलिटी (Sequential Ignorability): ट्रीटमेंट असाइनमेंट नियत (deterministic) है; मीडिएटर्स को निश्चित प्रशिक्षित मॉडलों से पोस्ट-हॉक गणना की जाती है, जिससे कन्फाउंडिंग समाप्त हो जाती है।
नो ट्रीटमेंट-मीडिएटर इंटरैक्शन: क्वांटम मीडिएटर्स का प्रदर्शन पर प्रभाव विभिन्न आर्किटेक्चरल व्यवस्थाओं में अपरिवर्तित रहता है (प्रायोगिक रूप से परीक्षित)।
कंसिस्टेंसी/SUTVA: देखे गए परिणाम संभावित परिणामों के समान हैं; नमूनों के बीच कोई हस्तक्षेप नहीं है।

D. मेट्रिक्स (Metrics)

मीन एब्सोल्यूट मीडिएटेड कॉन्ट्रिब्यूशन (MAMC): एक मीडिएर के कॉज़ल प्रभाव के औसत परिमाण ( $|\alpha_k \beta_k|$ ) को मापता है, जो संकेत (sign) को अनदेखा कर प्रभाव की शक्ति को पकड़ता है।
रिलेटिव क्वांटम कॉन्ट्रिब्यूशन (RQC): कुल मीडिएटेड प्रभाव के भीतर एक मीडिएर का आनुपातिक महत्व।
कॉज़ल रेजीम्स (Causal Regimes): संकेतों और परिमाणों के आधार पर वर्गीकरण प्रणाली (जैसे, "क्वांटम-एडवांटेज", "क्लासिकल-डोमिनेटेड", "न्यूट्रल")।

3. मुख्य योगदान (Key Contributions)

पद्धतिगत नवाचार: क्वांटम संसाधनों के वास्तविक उपयोग को शास्त्रीय आर्किटेक्चरल स्केलिंग से अलग करने के लिए काउंटरफैक्चुअल कॉज़ल मीडिएशन विश्लेषण का पहला अनुप्रयोग।
मात्रात्मक विघटन: प्रदर्शन लाभों को जेनेरिक सर्किट डेप्थ के बजाय विशिष्ट क्वांटम गुणों (एंटैंगलमेंट बनाम कोहेरेंस) को जोड़ने के लिए एक गणितीय रूप से ठोस तरीका प्रदान करता है।
रेजीम वर्गीकरण: सीखने के व्यवहार का एक वर्गीकरण (जैसे, "मास्क्ड-क्वांटम" जहाँ क्वांटम लाभ खराब आर्किटेक्चर द्वारा छिपे होते हैं; "क्लासिकल-स्केलेबल" जहाँ लाभ पूरी तरह से शास्त्रीय होते हैं)।
संसाधन-जागरूक डिज़ाइन: ह्यूरिस्टिक सर्च से मैकेनिस्टिक रूप से सूचित सर्किट डिज़ाइन की ओर बदलाव का प्रस्ताव करता है, जहाँ आर्किटेटेक्चर को कार्य-प्रासंगिक क्वांटम पथों को बढ़ाने के लिए इंजीनियर किया जाता है।

4. परिणाम (Results)

इस फ्रेमवर्क को 5 सर्किट टोपोलॉजी (डीप, फुल, लीनियर, रिंग, पेयरवाइज) और 3 बेंचमार्क डेटासेट (ब्रेस्ट कैंसर, डायबिटीज, आयनोस्फीयर) पर लागू किया गया, जिसमें कुल 43 वैध कॉन्फ़िगरेशन शामिल थे।

डायरेक्ट इफेक्ट्स का प्रभुत्व: सभी कॉन्फ़िगरेशन में, डायरेक्ट आर्किटेक्चरल योगदान व्यवस्थित रूप से क्वांटम-मीडिएटेड प्रभावों से अधिक थे।
- औसत अनुपात: डायरेक्ट : इनडायरेक्ट = 13.1 : 1।
- औसत इनडायरेक्ट योगदान: प्रदर्शन भिन्नता का केवल 0.82% ही क्वांटम संसाधनों द्वारा मध्यस्थ (mediated) था।
रेजीम वितरण:
- 93% न्यूट्रल: दोनों डायरेक्ट और इनडायरेक्ट प्रभाव महत्व की दहलीज (significance threshold) से नीचे थे (जो अंडर-पैरामीट्राइजेशन या ऑप्टिमाइज़ेशन समस्याओं को दर्शाता है)।
- 7% क्लासिकल-स्केलेबल: पूरी तरह से डायरेक्ट आर्किटेक्चरल स्केलिंग द्वारा संचालित महत्वपूर्ण प्रदर्शन लाभ, जिसमें नगण्य क्वांटम मीडिएशन था।
- 0% क्वांटम-एडवांटेज: कोई भी कॉन्फ़िगरेशन ऐसा नहीं था जहाँ क्वांटम-मीडिएटेड प्रभाव सांख्यिकीय रूप से महत्वपूर्ण और सकारात्मक थे।
मीडिएटर विशिष्टता:
- प्योरिटी ( $\gamma_A$ ) ब्रेस्ट कैंसर और डायबिटीज कार्यों में प्रमुख मीडिएर था, जो बताता है कि NISQ कार्यान्वयन में एंटैंगलमेंट की तुलना में कोहेरेंस का संरक्षण वर्तमान में अधिक प्रभावशाली है।
- एंटैंगलमेंट एंट्रॉपी ( $S_A$ ) आयनोस्फीयर डेटासेट में एकमात्र मापने योग्य मीडिएर था, लेकिन इसका योगदान न्यूनतम था।
- पेयरवाइज टोपोलॉजी लगातार महत्वपूर्ण प्रभाव उत्पन्न करने में विफल रही, जो पुष्टि करती है कि इन कार्यों के लिए स्थानीयकृत बाइपार्टाइट एंटैंगलमेंट अपर्याप्त है।

5. महत्व और निहितार्थ (Significance and Implications)

क्वांटम एडवांटेज का पुनर्निर्धारण: यह शोध पत्र तर्क देता है कि वर्तमान QML मॉडल क्वांटम शक्ति की कमी के कारण नहीं, बल्कि क्वांटम संसाधनों के कम उपयोग के कारण विफल हो रहे हैं। "क्वांटम एडवांटेज" एक अंतर्निहित गुण नहीं है, बल्कि एक डिज़ाइन लक्ष्य है जिसे व्यवस्थित अनुकूलन के माध्यम से प्राप्त किया जा सकता है।
वर्तमान सीमाओं का निदान: "न्यूट्रल" और "क्लासिकल-स्केलेबल" रेजीम की व्यापकता यह सुझाव देती है कि वर्तमान NISQ सर्किट अपने सैद्धांतिक क्षमता के बहुत नीचे काम कर रहे हैं। प्रदर्शन लाभ वर्तमान में शास्त्रीय एक्सप्रेसिविटी (अधिक पैरामीटर) द्वारा संचालित हैं, न कि क्वांटम मैकेनिक्स द्वारा।
कार्यवाही योग्य डिज़ाइन दिशानिर्देश:
- शोधकर्ताओं को "डीपर इज़ बेटर" से आगे बढ़कर मीडिएटर एम्प्लीफिकेशन (जैसे, ऐसे एंसेट्स डिज़ाइन करना जो विशेष रूप से कार्य के लिए प्रासंगिक प्योरिटी या एंटैंगलमेंट को बढ़ाते हैं) पर ध्यान केंद्रित करना चाहिए।
- यह फ्रेमवर्क "मास्क्ड-क्वांटम" रेजीम की पहचान करने की अनुमति देता है, जहाँ गुप्त क्वांटम लाभ मौजूद होते हैं लेकिन उप-इष्टतम (suboptimal) सर्किट डिज़ाइन या ऑप्टिमाइज़ेशन डायनेमिक्स द्वारा दबा दिए जाते हैं।
भविष्य की दिशाएं: लेखक ह्यूरिस्टिक ब्लैक-बॉक्स ट्यूनिंग से मैकेनिस्टिक रूप से सूचित डिज़ाइन की ओर संक्रमण का आह्वान करते हैं, जो शास्त्रीय डीप लर्निंग (ग्रेडिएंट फ्लो, इंडक्टिव बायस) के विकास के समान है। यह फ्रेमवर्क अनसुपरवाइज्ड लर्निंग, रिइन्फोर्समेंट लर्निंग और क्वांटम ऑप्टिमाइज़ेशन के लिए सामान्यीकरण योग्य है।

निष्कर्षतः, यह कार्य पहला कठोर कॉज़ल प्रमाण प्रदान करता है कि वर्तमान वेरिएशनल क्वांटम सर्किट काफी हद तक भेष बदले हुए शास्त्रीय फंक्शन एप्रोक्सिमेटर्स हैं, और वास्तविक क्वांटम लाभ प्राप्त करने के लिए विशिष्ट क्वांटम सूचना-सैद्धांतिक गुणों को स्पष्ट रूप से उपयोग करने और बढ़ाने के लिए सर्किट डिज़ाइन के तरीके में मौलिक बदलाव की आवश्यकता है।