⚛️ quantum physics

Two-Gate Extensions of Free Axis and Free Quaternion Selection for Sequential Optimization of Parameterized Quantum Circuits

यह शोध पत्र टू-गेट फ्रैक्सिस (TGF) और टू-गेट FQS (TGFQS) को प्रस्तुत करता है, जो एक सटीक चतुर्थ (quartic) लागत फलन के माध्यम से दो एकल-क्विबिट गेट्स को एक साथ अपडेट करके मौजूदा अनुक्रमिक ऑप्टिमाइज़र का विस्तार करते हैं, जो माप ओवरहेड में वृद्धि के बावजूद विभिन्न क्वांटम कार्यों में ग्राउंड स्टेट्स की ओर बेहतर अभिसरण (convergence) और कम इन्फिडेलिटी (infidelity) प्रदर्शित करते हैं।

मूल लेखक: Joona V. Pankkonen

प्रकाशित 2026-03-30

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Joona V. Pankkonen

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, जटिल रेडियो को ट्यून करने की कोशिश कर रहे हैं ताकि शोर (static) के समुद्र में से एक अकेला, सटीक स्टेशन खोजा जा सके। इस रेडियो में सैकड़ों डायल (क्वांटम गेट्स) हैं, और आपका लक्ष्य इन डायलों को बिल्कुल सही तरीके से घुमाना है ताकि संगीत (समस्या का समाधान) स्पष्ट रूप से सुनाई दे सके।

यही वेरिएशनल क्वांटम एल्गोरिदम (VQAs) की चुनौती है। आपके पास एक क्वांटम सर्किट (रेडियो) है जिसमें कई समायोज्य नॉब्स (adjustable knobs) हैं। आपको सेटिंग्स का वह सटीक संयोजन खोजना है जिससे सबसे अच्छा परिणाम मिले, जैसे कि किसी अणु की निम्नतम ऊर्जा अवस्था या किसी चुंबकीय सामग्री की ग्राउंड स्टेट खोजना।

पुराना तरीका: एक बार में एक डायल ट्यून करना

लंबे समय तक, इन रेडियो को ट्यून करने का मानक तरीका क्रमिक अनुकूलन (sequential optimization) था। इसे ऐसे समझें कि मैकेनिक्स की एक टीम है जहाँ एक समय में केवल एक ही मैकेनिक को एक ही सिंगल डायल को छूने की अनुमति है।

इनके लिए दो लोकप्रिय विधियाँ थीं जिन्हें Fraxis और FQS कहा जाता था।

ये कैसे काम करते थे: मैकेनिक बाकी सभी डायल को फ्रीज कर देता था, केवल एक डायल के साथ छेड़छाड़ करता था, परिणाम मापता था, और फिर अगले डायल पर बढ़ जाता था।
गणित: क्योंकि वे एक समय में केवल एक ही चीज़ बदल रहे थे, इसलिए गणित अपेक्षाकृत सरल था (जैसे कि एक द्विघात समीकरण को हल करना)। वे एक साधारण मानचित्र को देखकर उस एक डायल के लिए सटीक सेटिंग बहुत तेज़ी से खोज सकते थे।
समस्या: यदि आपके पास 100 डायल हैं, तो आपको बार-बार एक-एक करके उन पर जाना होगा। यह धीमा है, और कभी-कभी आप एक "लोकल वैली" (स्थानीय घाटी) में फंस जाते हैं—एक ऐसा स्थान जो एक पहाड़ी के निचले हिस्से जैसा दिखता है, लेकिन वह वास्तव में पहाड़ का असली निचला हिस्सा नहीं है।

नया विचार: दो मैकेनिक, दो नॉब्स

इस पेपर के लेखक, जूना पांकोनन (Joanna Pankonnen) ने एक साहसी नई रणनीति प्रस्तावित की: क्या होगा अगर दो मैकेनिक एक ही समय में दो डायल ट्यून कर सकें?

उन्होंने दो नई विधियाँ पेश कीं: TGF (टू-गेट फ्रैक्सिस) और TGFQS (टू-गेट FQS)।

एक अकेले डायल को अलग से देखने के बजाय, वे डायल के जोड़ों (pairs) को देखते हैं।

उपमा: कल्पना कीजिए कि आप दो भारी प्लेटों के साथ एक ट्रे को संतुलित करने की कोशिश कर रहे हैं। यदि आप केवल बाएं हाथ से समायोजन करते हैं, तो ट्रे झुक सकती है। यदि आप केवल दाएं हाथ से समायोजन करते हैं, तो वह दूसरी ओर झुक सकती है। लेकिन यदि आप अपने दोनों हाथों को एक साथ चलाने के लिए समन्वय करते हैं, तो आप बहुत तेज़ी से एक आदर्श संतुलन पा सकते हैं।
गणित: यह कठिन है। जब आप एक साथ दो डायल घुमाते हैं, तो सेटिंग्स और परिणाम के बीच का संबंध अब एक सरल वक्र (curve) नहीं रह जाता; यह एक जटिल, ऊबड़-खाबड़ 4D परिदृश्य (एक "क्वार्टिक" फलन) बन जाता है। आप केवल एक साधारण मानचित्र को नहीं देख सकते; आपको इस ऊबड़-खाबड़ इलाके में नेविगेट करने के लिए एक परिष्कृत GPS (एक क्लासिकल कंप्यूटर ऑप्टिमाइज़र) की आवश्यकता होती है।

गुप्त नुस्खा: डायल की जोड़ी बनाना

शोधकर्ताओं ने महसूस किया कि केवल किन्हीं भी दो डायल को एक साथ ट्यून करना पर्याप्त नहीं है। आपको इस बात के बारे में स्मार्ट होना होगा कि आप किन डायल की जोड़ी बनाते हैं। उन्होंने चार रणनीतियों का परीक्षण किया:

लीनियर (Linear): पड़ोसियों की जोड़ी बनाना (डायल 1 के साथ 2, 3 के साथ 4)।
अपोजिट (Opposite): पहले को अंतिम के साथ जोड़ना (डायल 1 के साथ 100)।
रैंडम (Random): किन्हीं दो डायल को बेतरतीब ढंग से चुनना।
हाफ-शिफ्टेड (Half-Shifted): डायल 1 को डायल 51 के साथ, डायल 2 को डायल 52 के साथ, आदि के रूप में जोड़ना।

चौंकाने वाली बात: "रैंडम" और "हाफ-शिफ्टेड" रणनीतियाँ सबसे अच्छा काम करती थीं! यह स्पष्ट है कि डायल को दूर के या बेतरतीब ढंग से जोड़े जाने से सिस्टम उन "लोकल वैलीज़" से बाहर निकलने और वास्तविक ग्लोबल ऑप्टिमम को बहुत तेज़ी से खोजने में मदद करता है।

ट्रेड-ऑफ: बेहतर परिणामों के लिए अधिक काम

एक पेच है। दो डायल को एक साथ ट्यून करने के लिए अधिक माप (measurements) की आवश्यकता होती है।

पुराना तरीका: एक डायल को ट्यून करने के लिए, आपको लगभग 6 से 10 मापों की आवश्यकता थी।
नया तरीका: डायल के एक जोड़े के लिए, आपको लगभग 36 से 100 मापों की आवश्यकता होती है।

यह ऐसा है जैसे नए तरीके में निर्णय लेने से पहले मैकेनिकों को डायल की सेटिंग्स की अधिक तस्वीरें लेने की आवश्यकता होती है। हालाँकि, पेपर दिखाता है कि यह अतिरिक्त प्रयास रंग लाता है। भले ही वे प्रत्येक चरण में अधिक माप लेते हैं, वे बहुत कम चरणों में सटीक समाधान तक पहुँच जाते हैं। कई परीक्षणों में (जैसे अणुओं या चुंबकीय सामग्रियों का अनुकरण करना), नए तरीके ने पुराने "एक-समय-में-एक-डायल" वाले तरीकों की तुलना में बहुत अधिक सटीक उत्तर पाया, जिससे त्रुटि (error) में लगभग 100% तक की कमी आई।

वास्तविक दुनिया के परीक्षण

टीम ने इनका परीक्षण किया:

फर्मी-हुबर्ड मॉडल (Fermi-Hubbard Model): इलेक्ट्रॉनों के एक ग्रिड में घूमने (इलेक्ट्रॉनों के लिए म्यूजिकल चेयर्स के खेल की तरह) का अनुकरण करना।
आइसिंग मॉडल (Ising Model): चुंबकीय सामग्रियों का अनुकरण करना।
अणु (Molecules): लिथियम हाइड्राइड और बेरिलियम हाइड्राइड की ऊर्जा की गणना करना (रसायन विज्ञान के लिए महत्वपूर्ण)।
स्टेट प्रिपरेशन (State Preparation): शून्य से एक विशिष्ट क्वांटम अवस्था बनाने की कोशिश करना।

लगभग हर मामले में, "टू-गेट" विधियों (TGF और TGFQS) ने सही पेयरिंग रणनीति (रैंडम या हाफ-शिफ्टेड) के साथ दौड़ जीत ली। उन्होंने पुराने "एक-डायल-एक-समय" वाले तरीकों की तुलना में बहुत कम शोर (त्रुटि) के साथ और अधिक तेज़ी से "परफेक्ट स्टेशन" खोज लिया।

निचोड़

यह पेपर क्वांटम कंप्यूटरों के लिए "ट्यूनिंग" प्रक्रिया को अपग्रेड करने के बारे में है। दो मापदंडों को एक साथ अनुकूलित करने की अनुमति देकर और यह जानकर कि किन जोड़ों को मिलाना है, हम जटिल क्वांटम समस्याओं को अधिक सटीकता से हल कर सकते हैं। यह कुछ ऐसा है जैसे यह महसूस करना कि हालांकि एक समय में एक गिटार के तार को ट्यून करना ठीक है, लेकिन दो तारों को सामंजस्य में एक साथ ट्यून करने से आपको सही कॉर्ड बहुत तेज़ी से मिल जाता है, भले ही इसमें दोनों के लिए सटीक घुमाव का पता लगाने में कुछ अतिरिक्त मिनट लगें।

यहाँ शोध पत्र "Two-Gate Extensions of Free Axis and Free Quaternion Selection for Sequential Optimization of Parameterized Quantum Circuits" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

वैरिएशनल क्वांटम एल्गोरिदम (VQAs), पैरामीटराइज्ड क्वांटम सर्किट्स (PQCs) पर निर्भर करते हैं जिन्हें हाइब्रिड क्वांटम-क्लासिकल लूप के माध्यम से अनुकूलित (optimize) किया जाता है। PQC अनुकूलन में एक प्रमुख बाधा बैरन प्लेटो (Barren Plateau) की समस्या है, जहाँ क्यूबिट संख्या बढ़ने के साथ ग्रेडिएंट्स तेजी से लुप्त हो जाते हैं, जिससे प्रशिक्षण कठिन हो जाता है। इसके अतिरिक्त, बड़े सर्किटों को अनुकूलित करने की NP-hard प्रकृति और उच्च मापन ओवरहेड (शॉट नॉइज़) महत्वपूर्ण चुनौतियाँ पेश करते हैं।

मौजूदा अनुक्रमिक अनुकूलक (sequential optimizers), जैसे कि फ्री एक्सिस सिलेक्शन (Fraxis) और फ्री क्वार्टरनियन सिलेक्शन (FQS), एक समय में एक सिंगल-क्यूबिट गेट को अनुकूलित करके इन समस्याओं का समाधान करते हैं। वे सर्किट मूल्यांकन के आधार पर एक क्वाड्रेटिक (quadratic) स्थानीय लागत फलन (cost function) का निर्माण करते हैं और इसे मैट्रिक्स डायगोनलाइजेशन के माध्यम से विश्लेषणात्मक रूप से हल करते हैं। हालाँकि, ये विधियाँ गेटों को स्वतंत्र रूप से मानती हैं, जिससे संभावित रूप से उन सहसंबंधों (correlations) को अनदेखा किया जा सकता है जो अभिसरण (convergence) को तेज कर सकते हैं या स्थानीय मिनिमा (local minima) से बाहर निकलने में मदद कर सकते हैं।

2. कार्यप्रणाली (Methodology)

लेखक टू-गेट फ्राक्सिस (TGF) और टू-गेट FQS (TGFQS) प्रस्तावित करते हैं, जो दो पैरामीटराइज्ड सिंगल-क्यूबिट गेट्स को एक साथ अपडेट करने के लिए अनुक्रमिक अनुकूलन ढांचे का विस्तार करते हैं।

मुख्य गणितीय सूत्रीकरण (Core Mathematical Formulation)

क्वाटर्टिक कॉस्ट फंक्शन (Quartic Cost Function): सिंगल-गेट अनुकूलकों के क्वाड्रेटिक कॉस्ट फंक्शन्स के विपरीत, दो गेटों ( $R_d$ $R_{d}$ और $R_k$ $R_{k}$ ) को एक साथ अनुकूलित करने से एक क्वाटर्टिक (चौथे क्रम का) स्थानीय कॉस्ट फंक्शन प्राप्त होता है।
- FQS के लिए, गेट्स यूनिट क्वार्टरनियन्स ( $q \in \mathbb{R}^4$ ) द्वारा पैरामीटराइज्ड होते हैं। कॉस्ट फंक्शन दो क्वार्टरनियन्स ( $q_d, q_k$ ) के घटकों के संदर्भ में एक क्वार्टिक बहुपद बन जाता है।
- Fraxis के लिए, रोटेशन एंगल स्थिर ( $\theta = \pi$ ) है, जो दो रोटेशन एक्सिस को अनुकूलित करने की समस्या को कम करता है, जो कि TGFQS का एक विशेष मामला है।
सटीक गुणांक निर्माण (Exact Coefficient Construction): लेखक सर्किट मूल्यांकनों का उपयोग करके इस क्वार्टिक कॉस्ट फंक्शन को निर्मित करने के लिए एक सटीक विधि व्युत्पन्न करते हैं। वे एक सेट गुणांक ( $A_{\mu\nu\alpha\beta}$ $A_{μν α β}$ ) परिभाषित करते हैं जो हैमिल्टोनियन के एक्सपेक्टेशन वैल्यूज से प्राप्त होते हैं। पोलराइजेशन आइडेंटिटीज़ (समान रूप से सिंगल-गेट विधियों में उपयोग की जाने वाली) का उपयोग करते हुए, वे इन गुणांकों को विशिष्ट ऑपरेटर इंसर्शन के साथ सर्किट मूल्यांकनों के रैखिक संयोजन के माध्यम से व्यक्त करते हैं।
- TGFQS को गेट के जोड़े को अपडेट करने के लिए 100 सर्किट मूल्यांकनों की आवश्यकता होती है (प्रति गेट औसतन 50)।
- TGF को एक जोड़े को अपडेट करने के लिए 36 सर्किट मूल्यांकनों की आवश्यकता होती है (प्रति गेट औसतन 18)।
क्लासिकल ऑप्टिमाइजेशन (Classical Optimization): चूंकि कॉस्ट फंक्शन क्वार्टिक है, इसलिए एक विश्लेषणात्मक क्लोज्ड-फॉर्म समाधान (जैसे आइजनवैल्यू डीकंपोजिशन) आम तौर पर उपलब्ध नहीं होता है। लेखक यूनिट नॉर्म कॉन्स्ट्रेंट ( $|q|=1$ ) के अधीन इष्टतम क्वार्टरनियन्स खोजने के लिए प्रतिबंधित क्लासिकल ऑप्टिमाइज़र (विशेष रूप से SLSQP) का उपयोग करते हैं।

गेट पेयरिंग रणनीतियाँ (Gate Pairing Strategies)

एक महत्वपूर्ण घटक यह है कि गेट्स को एक साथ अनुकूलित करने के लिए कैसे जोड़ा जाता है। शोध पत्र चार रणनीतियों की जांच करता है:

लीनियर (Linear): आसन्न गेट्स $(1,2), (3,4), \dots$
रैंडम (Random): यादृच्छिक रूप से क्रमबद्ध जोड़े।
अपोजिट (Opposite): सर्किट के विपरीत सिरों पर स्थित गेट्स $(1, D), (2, D-1), \dots$
हाफ-शिफ्टेड (Half-Shifted): सर्किट की गहराई के आधे हिस्से द्वारा अलग किए गए गेट्स $(1, D/2+1), \dots$

3. मुख्य योगदान (Key Contributions)

एल्गोरिद्मिक विस्तार: दो गेट्स के एक साथ अपडेट के लिए Fraxis और FQS का पहला विस्तार, जो स्थानीय अनुकूलन समस्या को क्वाड्रेटिक से क्वार्टिक में बदल देता है।
सटीक कॉस्ट फंक्शन व्युत्पत्ति: केवल एक्सपेक्टेशन वैल्यूज का उपयोग करके क्वार्टिक कॉस्ट फंक्शन गुणांकों की एक कठोर व्युत्पत्ति, जो पूर्ण स्टेट टोमोग्राफी की आवश्यकता को समाप्त करती है।
पेयरिंग रणनीति विश्लेषण: एक व्यवस्थित अध्ययन जो यह दर्शाता है कि गेट पेयरिंग का चयन अभिसरण को महत्वपूर्ण रूप से प्रभावित करता है, जिसमें रैंडम और हाफ-शिफ्टेड रणनीतियाँ आमतौर पर लीनियर और अपोजिट पेयरिंग से बेहतर प्रदर्शन करती हैं।
अनुभवजन्य सत्यापन (Empirical Validation): शोर रहित (noiseless) और सीमित-शॉट (finite-shot) दोनों स्थितियों के तहत विविध कार्यों (स्पिन मॉडल, आणविक हैमिल्टोनियन और स्टेट प्रिपरेशन) पर व्यापक बेंचमार्किंग।

4. परिणाम (Results)

इन विधियों का परीक्षण फर्मी-हबर्ड मॉडल, ट्रांसवर्स-फील्ड आइसोइंग मॉडल (TFIM), LiH और BeH2 आणविक हैमिल्टोनियन, और एक क्वांटम स्टेट प्रिपरेशन कार्य पर किया गया।

प्रदर्शन सुधार: TGF और TGFQS ने अपने सिंगल-गेट समकक्षों (Fraxis और FQS) की तुलना में लगातार कम अंतिम सापेक्ष त्रुटियां (ग्राउंड स्टेट ऊर्जा के करीब) और कम इन्फिडेलिटी प्राप्त की।
- फर्मी-हबर्ड मॉडल में, रैंडम पेयरिंग के साथ TGF/TGFQS ने Fraxis की तुलना में सापेक्ष त्रुटि को कई गुना कम कर दिया।
- आणविक हैमिल्टोनियन (LiH, BeH2) में, दो-गेट विधियों ने उच्च मापन लागत के बावजूद काफी बेहतर अभिसरण प्राप्त किया।
गेट पेयरिंग का प्रभाव:
- अधिकांश बेंचमार्क में रैंडम और हाफ-शिफ्टेड पेयरिंग सबसे प्रभावी रणनीतियाँ थीं।
- लीनियर और अपोजिट पेयरिंग अक्सर सिंगल-गेट बेसलाइन के समान या उससे केवल मामूली रूप से बेहतर प्रदर्शन करती हैं, जो यह सुझाव देता है कि गेट्स का स्थानिक सहसंबंध (spatial correlation) से अधिक उनकी पेयरिंग की विविधता मायने रखती है।
फाइनाइट-शॉट मजबूती (Finite-Shot Robustness): सीमित मापन सटीकता (4k, 8k, 16k शॉट्स) का अनुकरण करने वाले प्रयोगों में, TGF/TGFQS (विशेष रूप से रैंडम/हाफ-शिफ्टेड पेयरिंग के साथ) का लाभ बना रहा, विशेष रूप से उथले सर्किट ( $L=2$ ) में। हालाँकि, TGFQS ने TGF की तुलना में शॉट नॉइज़ के प्रति अधिक संवेदनशीलता दिखाई।
ग्रेडिएंट-आधारित विधियों के साथ तुलना: समान सर्किट मूल्यांकनों के लिए समायोजित Adam ऑप्टिमाइज़र (पैरामीटर-शिफ्ट नियमों का उपयोग करते हुए) की तुलना में, अनुकूलतम पेयरिंग रणनीतियों के साथ TGF और TGFQS ने बेहतर अभिसरण और कम अंतिम त्रुटियां प्राप्त कीं।

5. महत्व और ट्रेड-ऑफ (Significance and Trade-offs)

ट्रेड-ऑफ: TGF/TGFQS की प्राथमिक लागत इसका मापन ओवरहेड है। दो गेटों को अपडेट करने के लिए सिंगल-गेट अपडेट (Fraxis के लिए 6x, FQS के लिए 10x) की तुलना में काफी अधिक सर्किट मूल्यांकन (TGF के लिए 18x, TGFQS के लिए 50x प्रति गेट) की आवश्यकता होती है।
शमन (Mitigation): लेखक नोट करते हैं कि आवश्यक सर्किट मूल्यांकन परस्पर स्वतंत्र (mutually independent) हैं, जिसका अर्थ है कि उन्हें कई क्वांटम डिवाइस या शॉट्स के माध्यम से समानांतर (parallel) में निष्पादित किया जा सकता है, जिससे वॉल-क्लॉक टाइम पेनल्टी को कम किया जा सकता है।
निहितार्थ: परिणाम बताते हैं कि स्थानीय मल्टी-पैरामीटर अनुकूलन VQAs के लिए एक शक्तिशाली रणनीति है। गेट्स के बीच सहसंबंधों को कैप्चर करके, ये विधियाँ एकल-गेट अनुक्रमिक अपडेट की तुलना में अधिक प्रभावी ढंग से अनुकूलन परिदृश्य (optimization landscape) को नेविगेट कर सकती हैं, जो NISQ उपकरणों में बैरन प्लेटो को कम करने और ग्राउंड स्टेट अनुमान में सुधार करने का एक व्यवहार्य मार्ग प्रदान करती हैं, बशर्ते मापन ओवरहेड को प्रबंधित किया जा सके।

निष्कर्ष (Conclusion)

यह शोध पत्र स्थापित करता है कि दो गेटों को एक साथ अपडेट करने के लिए अनुक्रमिक अनुकूलकों का विस्तार करने से समाधान की गुणवत्ता में पर्याप्त लाभ मिलता है। हालांकि मापन लागत अधिक है, लेकिन बेहतर समाधान खोजने की क्षमता और समानांतर निष्पादन की संभावना (कम गेट अपडेट के संदर्भ में) TGF और TGFQS को जटिल पैरामीटराइज्ड क्वांटम सर्किटों को अनुकूलित करने के लिए आशाजनक उम्मीदवार बनाती है। भविष्य के कार्य $m$ -गेट अपडेट तक विस्तार करने या मापन पदों के घातीय स्केलिंग को कम करने के लिए सन्निकटन (approximation) रणनीतियों को विकसित करने की खोज कर सकते हैं।