⚛️ quantum physics

NNQA: Neural-Native Quantum Arithmetic for End-to-End Polynomial Synthesis

यह शोध पत्र न्यूरल-नेटिव क्वांटम अरिथमेटिक (NNQA) प्रस्तुत करता है, जो एक ऐसी विधि है जो उच्च-सटीक बहुपद संश्लेषण (पॉलीनोमियल सिंथेसिस) को न्यूनतम त्रुटि के साथ प्राप्त करने के लिए क्लासिकली सीखे गए न्यूरल नेटवर्क्स को सटीक क्वांटम अरिथमेटिक सर्किट में संकलित करती है, जैसा कि IBM और IonQ क्वांटम प्रोसेसरों पर अनुभवजन्य परिणामों द्वारा प्रमाणित किया गया है।

मूल लेखक: Ziqing Guo, Jie Li, Yong Chen, Ziwen Pan

प्रकाशित 2026-03-31

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ziqing Guo, Jie Li, Yong Chen, Ziwen Pan

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 आपके पास एक शानदार गणितज्ञ (एक क्लासिकल न्यूरल नेटवर्क) है जो जटिल पहेलियों को सुलझाने में अविश्वसनीय रूप से कुशल है, जैसे कि एक गेंद कैसे उछलेगी या एक रासायनिक प्रतिक्रिया कैसे होगी, इसका अनुमान लगाना। यह गणितज्ञ समाधान को संख्याओं से बनी एक विशाल, जटिल रेसिपी (एक बहुपद/पॉलीनोमियल) के रूप में लिखता है।

अब, कल्पना कीजिए कि आप इस रेसिपी को एक क्वांटम कंप्यूटर पर चलाना चाहते हैं। समस्या यह है कि क्वांटम कंप्यूटर किसी विदेशी शेफ (alien chefs) की तरह हैं; वे सीधे "मानवीय गणित" नहीं बोलते। आमतौर पर, उन्हें यह व्यंजन पकाने के लिए कहने के लिए, आपको मानवीय गणितज्ञ और उस विदेशी शेफ के बीच हजारों बार रेसिपी को वापस और आगे भेजना पड़ता है, और हर बार सामग्री में थोड़ा बदलाव करना पड़ता है जब तक कि व्यंजन सही न लगने लगे। यह प्रक्रिया धीमी, महंगी है, और निरंतर संचार और अनुमान के कारण अक्सर भोजन थोड़ा जल जाता है।

NNQA (न्यूरल-नेटिव क्वांटम अरिथमेटिक) एक नया आविष्कार है जो खेल को पूरी तरह बदल देता है। यह कैसे काम करता है, इसके कुछ सरल उदाहरण यहाँ दिए गए हैं:

1. समस्या: "अनुवादक" की बाधा (The "Translator" Bottleneck)

पुराने तरीके में (जिसे वेरिएशनल क्वांटम एल्गोरिदम कहा जाता था), यह एक शोर भरे कमरे में खेले जाने वाले "टेलीफोन" गेम की तरह है।

गणितज्ञ रेसिपी का अनुमान लगाता है।
वह इसे क्वांटम शेफ को भेजता है।
शेफ उसे पकाने की कोशिश करता है और इंसान को बताता है, "यह थोड़ा ज्यादा नमकीन है।"
इंसान रेसिपी में सुधार करता है और इसे वापस भेजता है।
वे इसे सैकड़ों बार दोहराते हैं।
समस्या: हर बार जब वे बात करते हैं, तो देरी (लेटेंसी) होती है, और हर बार जब शेफ अनुमान लगाता है, तो त्रुटि (एप्रोक्सिमेशन एरर) की संभावना होती है। जब तक व्यंजन तैयार होता है, तब तक शायद वह मूल रेसिपी जैसा बिल्कुल भी नहीं रह जाता।

2. समाधान: "सीधा अनुवाद" मशीन (The "Direct Translation" Machine)

लेखकों ने एक यूनिवर्सल ट्रांसलेटर (NNQA) बनाया है जो अनुमान लगाने के खेल को पूरी तरह खत्म कर देता है।

चरण 1: इंसान सीखता है (क्लासिकल ट्रेनिंग): गणितज्ञ पहले एक सामान्य कंप्यूटर पर पहेली को हल करता है। वे रेसिपी के लिए सटीक नंबरों (गुणांक/कोएफिशिएंट्स) का पता लगाते हैं। यह हिस्सा तेज़ और सटीक है क्योंकि सामान्य कंप्यूटर इसमें बहुत माहिर होते हैं।
चरण 2: जादुई रूपांतरण (कंपाइलेशन): रेसिपी को बार-बार भेजने के बजाय, NNQA उन सटीक नंबरों को तुरंत क्वांटम शेफ के लिए एक ब्लूप्रिंट (खाका) में अनुवादित कर देता है। यह एक लिखित रेसिपी को तुरंत निर्देशों के सेट में प्रिंट करने जैसा है जो कहता है, "नॉब A को 30 डिग्री घुमाएं, स्विच B को पलटें, फिर हिलाएं।"
- महत्वपूर्ण बात: यह अनुवाद गणितीय रूप से पूर्ण है। इसमें कोई अनुमान नहीं है। ब्लूप्रिंट एकदम सटीक है।
चरण 3: क्वांटम शेफ खाना पकाता है (एग्जीक्यूशन): क्वांटम कंप्यूटर को वह ब्लूप्रिंट मिलता है और वह व्यंजन को एक ही बार में पका देता है। उसे मदद मांगने या कुछ भी एडजस्ट करने की आवश्यकता नहीं होती। वह बस निर्देशों का पालन करता है।

3. यह एक बड़ी बात क्यों है?

यह शोध पत्र सिद्ध करता है कि यह विधि त्रुटिहीन है (केवल एक छोटी सी चीज़ को छोड़कर)।

कोई "जला हुआ" व्यंजन नहीं: क्योंकि ब्लूप्रिंट सटीक है, इसलिए अंतिम परिणाम के थोड़े अलग होने का एकमात्र कारण शॉट नॉइज़ (Shot Noise) है।
- उदाहरण: कल्पना कीजिए कि क्वांटम शेफ अंतिम स्वाद तय करने के लिए सिक्का उछाल रहा है। यदि आप इसे 10 बार उछालते हैं, तो आपको 7 हेड और 3 टेल मिल सकते हैं, जो बिल्कुल 50/50 नहीं है। यदि आप इसे 10,000 बार उछालते हैं, तो यह लगभग पूरी तरह से 50/50 होगा।
- NNQA में, एकमात्र त्रुटि इस बात से आती है कि हम कितनी बार "सिक्का उछालते" हैं (परिणाम को मापते हैं)। यदि हम इसे पर्याप्त बार उछालते हैं, तो परिणाम गणितीय रूप से पूर्ण होता है।
गति: चूंकि हमें संदेशों को बार-बार भेजने की आवश्यकता नहीं है, इसलिए यह प्रक्रिया अविश्वसनीय रूप से तेज़ है।
स्केलेबिलिटी: शोधकर्ताओं ने वास्तविक क्वांटम कंप्यूटरों (IBM और IonQ) पर इसका परीक्षण किया। उन्होंने 99.5% से अधिक सटीकता के साथ डिग्री 35 (बहुत जटिल गणित!) तक की रेसिपी सफलतापूर्वक बनाई।

4. "सीक्रेट सॉस" (गणितीय जादू)

वे एक मानवीय नंबर को क्वांटम निर्देश में कैसे बदलते हैं?

वे एंगल एनकोडिंग (Angle Encoding) नामक एक विशेष तकनीक का उपयोग करते हैं। संख्या 0.5 को केवल एक मान के रूप में नहीं, बल्कि घड़ी के चेहरे पर एक कोण के रूप में देखें।
उनके पास "लेगो ब्लॉक्स" (क्वांटम अरिथमेटिक प्रिमिटिव्स) का एक सेट है जो इन कोणों को पूरी तरह से गुणा और जोड़ सकता है।
NNQA सिस्टम बस इन लेगो ब्लॉक्स को उसी क्रम में जोड़ता है जिसकी आवश्यकता मानव की रेसिपी बनाने के लिए होती है।

सारांश

NNQA एक मास्टर आर्किटेक्ट (न्यूरल नेटवर्क) को एक इमारत डिजाइन करने के लिए नियुक्त करने और फिर एक 3D प्रिंटर (कंपाइलर) का उपयोग करके रोबोट बिल्डर (क्वांटम कंप्यूटर) के लिए तुरंत सटीक ब्लूप्रिंट प्रिंट करने जैसा है।

पुराना तरीका: आर्किटेक्ट और रोबोट वॉकी-टॉकी पर घंटों तक ब्लूप्रिंट के बारे में बहस करते हैं, और रोबोट बार-बार गलतियाँ करता रहता है।
NNQA: आर्किटेक्ट योजना बनाता है, प्रिंटर उसे तुरंत परिवर्तित करता है, और रोबोट एक ही बार में उसे पूरी तरह से बनाता है।

यह सफलता का अर्थ है कि हम अंततः जटिल गणित और सिमुलेशन (जैसे मौसम की भविष्यवाणी करना या नई दवाओं को डिजाइन करना) करने के लिए क्वांटम कंप्यूटरों का उपयोग कर सकते हैं, बिना हमारे क्लासिकल कंप्यूटर और क्वांटम हार्डवेयर के बीच धीमी और त्रुटिपूर्ण संचार में फंसे। यह क्वांटम कंप्यूटर को एक "अनुमान लगाने वाली मशीन" से एक "सटीक कैलकुलेटर" में बदल देता है।

यहाँ "NNQA: Neural-Native Quantum Arithmetic for End-to-End Polynomial Synthesis" शोध पत्र का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र हाइब्रिड क्लासिकल-क्वांटम लर्निंग (Hybrid Classical-Quantum Learning) में, विशेष रूप से संख्यात्मक गणना (numerical computation) और ऑपरेटर मूल्यांकन के संदर्भ में, महत्वपूर्ण बाधाओं को संबोधित करता है। वर्तमान प्रमुख फ्रेमवर्क, जैसे कि वेरिएशनल क्वांटम एल्गोरिदम (VQAs) और क्वांटम न्यूरल नेटवर्क (QNNs), तीन मुख्य सीमाओं से ग्रस्त हैं:

कम्युनिकेशन ओवरहेड (Communication Overhead): पुनरावृत्ति हाइब्रिड लूप्स के लिए क्लासिकल और क्वांटुअल प्रोसेसर के बीच बार-बार संचार की आवश्यकता होती है, जिससे लेटेंसी (latency) और बैंडविड्थ की बाधाएं उत्पन्न होती हैं।
अनुमान त्रुटियां (Approximation Errors): जेनेरिक वेरिएशनल एंसेटस (variational ansatzes) रोटेशन गेट्स के माध्यम से अंकगणितीय संचालन को अप्रत्यक्ष रूप से दर्शाते हैं, जिससे हार्डवेयर शोर (hardware noise) पर विचार करने से पहले ही अनुमान त्रुटियां उत्पन्न हो जाती हैं।
प्रशिक्षण संबंधी समस्याएं (Trainability Issues): VQAs में ऑप्टिमाइज़ेशन लैंडस्केप अक्सर बैरन प्लेटो (barren plateaus) (घातांकीय रूप से लुप्त होते ग्रेडिएंट्स) और नॉन-कॉन्वेक्स ऑप्टिमाइज़ेशन से ग्रस्त होते हैं, जिससे अभिसरण (convergence) कठिन और संसाधन-गहन हो जाता है।

मौजूदा विधियाँ जैसे कि न्यूरल क्वांटम स्टेट्स (NQS) वेवफंक्शन के प्रतिनिधित्व को सीखती हैं, लेकिन उनमें वेरिएशनल कन्वर्जेंस के बिना इन्हें सीधे हार्डवेयर-एक्जीक्यूटेबल सर्किट में बदलने की प्रत्यक्ष क्षमता का अभाव है। लेखक "ट्रेन-अ-सर्किट" (train-a-circuit) के बजाय एक "कंपाइल-देन-एक्जीक्यूट" (compile-then-execute) दृष्टिकोण के लिए तर्क देते हैं जो संपूर्ण हाइब्रिड ऑप्टिमाइज़ेशन लूप को समाप्त कर देता है।

2. कार्यप्रणाली: NNQA (Methodology: NNQA)

लेखक न्यूरल-नेटिव क्वांटम अरिथमेटिक (Neural-Native Quantum Arithmetic - NNQA) का प्रस्ताव करते हैं, जो क्लासिकली सीखे गए नॉनलीनियर रिप्रजेंटेशन (पॉलीनोमियल्स) को नेटिव यूनिटरी ब्लॉक्स से बने सटीक क्वांटम अंकगणितीय सर्किट में संकलित (compile) करता है। यह प्रक्रिया तीन विशिष्ट चरणों से मिलकर बनी है:

चरण 1: क्लासिकल ट्रेनिंग (Phase 1: Classical Training)

एक क्लासिकल न्यूरल नेटवर्क को एक लक्षित फलन $F(x)$ को पॉलीनोमियल रिप्रजेंटेशन $P_d(x) = \sum a_k x^k$ का उपयोग करके अनुमानित करने के लिए प्रशिक्षित किया जाता है।
यह प्रशिक्षण क्लासिकल हार्डवेयर (GPUs) पर मानक बैकप्रोपेगेशन का उपयोग करता है, जो कॉन्वेक्स ऑप्टिमाइज़ेशन सुनिश्चित करता है और बैरन प्लेटो से बचाता है।
आउटपुट सीखे गए पॉलीनोमियल गुणांकों (coefficients) का एक सेट $\{a_k\}$ है।

चरण 2: डिटरमिनिस्टिक कंपाइलेशन (Phase 2: Deterministic Compilation)

क्वांटम पैरामीटर्स को ऑप्टिमाइज़ करने के बजाय, NNQA क्लासिकल गुणांकों $\{a_k\}$ को सीधे क्वांटम रोटेशन कोणों $\{\alpha_k\}$ में बदलने के लिए एक क्लोज्ड-फॉर्म मैपिंग (closed-form mapping) का उपयोग करता है।
नॉर्मलाइजेशन (Normalization): गुणांकों को एक स्थिरांक $C$ द्वारा नॉर्मलाइज़ किया जाता है ताकि पॉलीनोमियल मान $[-1, 1]$ के भीतर रहे, जो क्वांटम एनकोडिंग बाधाओं को पूरा करता है।
मैपिंग (Mapping): नॉर्मलाइज्ड गुणांक 'वेटेड समेशन' (weighted summation) के लिए वेट्स और रोटेशन गेट्स के लिए कोण निर्धारित करते हैं। यह चरण पूरी तरह से क्लासिकल और डिटरमिनिस्टिक ( $O(d)$ कॉम्प्लेक्सिटी) है, जिसमें किसी क्वांटम क्वेरी की आवश्यकता नहीं होती।

चरण 3: क्वांटम एक्जीक्यूशन (Phase 3: Quantum Execution)

संकलित कोणों का उपयोग विशिष्ट नेटिव अरिथमेटिक प्रिमिटिव्स (native arithmetic primitives) का उपयोग करके एक क्वांटम सर्किट बनाने के लिए किया जाता है:
- एंगल एनकोडिंग (Angle Encoding): इनपुट $x$ को $R_y(\arccos(x))$ के माध्यम से एनकोड किया जाता है ताकि $\langle Z \rangle = x$ हो सके।
- गुणा (Multiplication - $U_{mult}$ ): यह उत्पादों ( $\langle Z_0 \rangle \cdot \langle Z_1 \rangle$ ) की गणना करने के लिए CNOT और $R_z$ गेट्स का उपयोग करता है।
- वेटेड समेशन (Weighted Summation - $U_{sum}$ ): यह एक्सपेक्टेशन वैल्यूज के लीनियर कॉम्बिनेशन की गणना करने के लिए $R_y$ रोटेशन और CNOTs का उपयोग करता है।
सर्किट आउटपुट क्यूबिट के एक्सपेक्टेशन वैल्यू पर सीधे पॉलीनोमियल मान की गणना करता है।
त्रुटि स्रोत (Error Source): आदर्श परिणाम से एकमात्र विचलन शॉट नॉइज़ (shot noise) (सांख्यिकीय सैंपलिंग त्रुटि) है, क्योंकि सर्किट निर्माण स्वयं शून्य अनुमान त्रुटि (zero approximation error) पेश करता है।

3. मुख्य योगदान (Key Contributions)

सैद्धांतिक ढांचा (Theoretical Framework): लेखक NNQA के लिए एक यूनिवर्सल एप्रोक्सिमेशन थ्योरम (Universal Approximation Theorem) सिद्ध करते हैं। वे प्रदर्शित करते हैं कि किसी भी निरंतर फलन (continuous function) का पॉलीनोमियल द्वारा अनुमान लगाया जा सकता है, जिसे फिर एक क्वांटम सर्किट पर सटीक रूप से दर्शाया जा सकता है। कुल त्रुटि को इस प्रकार विभाजित किया गया है:
$|F(x) - \hat{P}_d(x)| \le \underbrace{\|F - P_d\|_\infty}_{\text{क्लासिकल एप्रोक्सिमेशन}} + \underbrace{O(1/\sqrt{N})}_{\text{शॉट नॉइज़}}$
महत्वपूर्ण रूप से, VQAs में पाई जाने वाली ऑप्टिमाइज़ेशन त्रुटि ( $\epsilon_{opt}$ ) और एंसेट एक्सप्रेसिबिलिटी एरर ( $\epsilon_{ansatz}$ ) को समाप्त कर दिया गया है।
क्लोज्ड-फॉर्म मैपिंग (Closed-Form Mapping): न्यूरल नेटवर्क गुणांकों से क्वांटम रोटेशन कोणों तक एक डिटरमिनिस्टिक मैपिंग का व्युत्पन्न, जो हाइब्रिड ऑप्टिमाइज़ेशन लूप के बिना सर्किट निर्माण को सक्षम बनाता है।
त्रुटि लक्षण वर्णन (Error Characterization): यह पहचानना कि आदर्श पॉलीनोमियल मूल्यांकन केवल माप (measurement) के शॉट नॉइज़ द्वारा सीमित है, जो डिग्री के स्वतंत्र है, बशर्ते कि सर्किट डेप्थ को प्रबंधित किया जाए।
हार्डवेयर वैलिडेशन (Hardware Validation): बिना किसी वेरिएशनल फाइन-ट्यूनिंग के अत्याधुनिक NISQ डिवाइसेस (IBM Heron3, IonQ Forte) पर सफल परिनियोजन।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने IBM Quantum Heron3 (सुपरकंडक्टिंग) और IonQ Forte (ट्रैप्ड-आयन) प्रोसेसर पर NNQA को मान्य किया।

सटीकता (Accuracy): डिग्री 35 तक के पॉलीनोमियल्स के लिए >99.5% सटीकता प्राप्त की।
स्केलेबिलिटी (Scalability): IonQ हार्डवेयर पर 36 क्यूबिट्स और 70 सर्किट डेप्थ तक स्केलेबिलिटी प्रदर्शित की।
त्रुटि मेट्रिक्स (Error Metrics):
- RMSE: IonQ पर नगण्य रूट मीन स्क्वायर एरर (Root Mean Square Error) 0.005 तक पहुँचा।
- डिग्री स्वतंत्रता (Degree Independence): VQAs के विपरीत, जहाँ सर्किट डेप्थ के साथ त्रुटि बढ़ती है, NNQA ने डिग्री 1 से 35 तक सुसंगत RMSE (~0.015) दिखाया, जो पुष्टि करता है कि त्रुटियां सर्किट सिंथेसिस एप्रोक्सिमेशन के बजाय शॉट नॉइज़ द्वारा हावी हैं।
संसाधन दक्षता (Resource Efficiency):
- सर्किट डेप्थ: $3d + 1$ (डिग्री के रैखिक/linear में)।
- क्यूबिट्स: $d + 1$ ।
- ऑप्टिमाइज़ेशन: 0 क्वांटम इटरेशन (1 क्लासिकल ट्रेनिंग फेज)।
- तुलना: NNQA ने सटीकता (0.024 RMSE बनाम 0.05–0.10) और पास रेट (74% बनाम 30–60%) में काफी बेहतर प्रदर्शन किया, जबकि बहुत कम क्वांटम संसाधनों का उपयोग किया।

5. महत्व और प्रभाव (Significance and Impact)

पैराडाइम शिफ्ट (Paradigm Shift): NNQA "न्यूरल-नेटिव" (Neural-Native) कंप्यूटेशन का एक नया प्रतिमान स्थापित करता है, जहाँ न्यूरल नेटवर्क केवल पैरामीटराइज्ड मॉडल के रूप में ही नहीं, बल्कि क्वांटम अरिथमेटिक के कंपाइलर के रूप में कार्य करते हैं।
हाइब्रिड लूप्स का उन्मूलन (Elimination of Hybrid Loops): क्लासिकल-क्वांटम ऑप्टिमाइज़ेशन लूप को हटाकर, NNQA संचार विलंबता (communication latency) को काफी कम करता है और बैरन प्लेटो से बचता है, जिससे यह वर्तमान NISQ डिवाइसेस के लिए अत्यधिक उपयुक्त बन जाता है।
भविष्य के अनुप्रयोग (Future Applications): यह दृष्टिकोण नॉनलीनियर डिफरेंशियल इक्वेशंस के प्रत्यक्ष क्वांटम सिमुलेशन, नेटिव क्वांटम मॉडल्स और भौतिक क्वांटम कंप्यूटेशन के लिए मार्ग प्रशस्त करता है जहाँ सटीक अंकगणित की आवश्यकता होती है।
मजबूती (Robustness): यह विधि सिद्ध करती है कि यदि सर्किट को स्टोकैस्टिक रूप से सीखने के बजाय क्लासिकल लर्निंग के आधार पर डिटरमिनिस्टिक रूप से बनाया जाता है, तो शोर वाले हार्डवेयर पर भी उच्च-निष्ठा (high-fidelity) वाली संख्यात्मक गणना संभव है।

संक्षेप में, NNQA क्लासिकल डीप लर्निंग और क्वांटम कंप्यूटिंग के बीच के अंतर को पाटता है, जो सटीक क्वांटम सर्किट को सिंथेसाइज़ करने के लिए अंकगणितीय इंडक्टिव बायस (inductive bias) का लाभ उठाता है, और वेरिएशनल क्वांटम एल्गोरिदम के लिए एक स्केलेबल, उच्च-सटीक विकल्प प्रदान करता है।