⚛️ quantum physics

Scaling Laws for Hybrid Quantum Neural Networks: Depth, Width, and Quantum-Centric Diagnostics

यह शोध पत्र हाइब्रिड क्वांटम न्यूरल नेटवर्क के एक नियंत्रित स्केलिंग अध्ययन को प्रस्तुत करता है जो यह जांच करता है कि सर्किट की गहराई और क्वबिट की संख्या बढ़ने के साथ भविष्य कहनेवाला प्रदर्शन (predictive performance) और क्वांटम-विशिष्ट मेट्रिक्स कैसे विकसित होते हैं, जो अंततः नेटवर्क आर्किटेक्चर को अनुकूलित करने के लिए व्यावहारिक दिशा-निर्देश प्रदान करता है और एक सुसंगत मूल्यांकन प्रोटोकॉल स्थापित करता है।

मूल लेखक: Danil Vyskubov, Kirill Vyskubov, Nouhaila Innan, Muhammad Shafique

प्रकाशित 2026-04-08

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Danil Vyskubov, Kirill Vyskubov, Nouhaila Innan, Muhammad Shafique

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

एक बड़ी तस्वीर: एक बेहतर क्वांटम शेफ बनाना

कल्पना कीजिए कि आप ढेर सारे सामग्रियों (इमेज) को छाँटने और यह बताने के लिए एक बेहतरीन क्वांटम शेफ (Quantum Chef) बनाने की कोशिश कर रहे हैं कि वे किस व्यंजन से संबंधित हैं (वर्गीकरण)।

यह "शेफ" एक हाइब्रिड क्वांटम न्यूरल नेटवर्क (Hybrid Quantum Neural Network) है। यह एक टीम वर्क है:

तैयारी करने वाला रसोइया (क्लासिकल कंप्यूटर): कच्ची, बिखरी हुई सामग्रियों (फोटो) को लेता है और उन्हें प्रबंधनीय टुकड़ों में काटता है।
मुख्य शेफ (क्वांटम सर्किट): क्वांटम भौतिकी का उपयोग करके शानदार, जादुई खाना पकाता है।
परोसने वाला (क्लासिकल कंप्यूटर): तैयार व्यंजन को लेता है और उसे लेबल के साथ आपके सामने प्रस्तुत करता है।

शोधकर्ताओं ने जो बड़ा सवाल पूछा था, वह था: "हम इस शेफ को बेहतर कैसे बनाएं?"

AI की दुनिया में, आप आमतौर पर चीज़ों को बेहतर बनाने के लिए अधिक "मांसपेशियां" जोड़ते हैं। लेकिन क्वांटम की दुनिया में, मांसपेशियां जोड़ने के दो तरीके हैं:

चौड़ाई (Width - अधिक क्यूबिट्स): रसोई में अधिक शेफ जोड़ना (अधिक क्वांटम बिट्स)।
गहराई (Depth - अधिक परतें): वर्तमान शेफ को प्रत्येक व्यंजन पर अधिक समय तक और अधिक मेहनत से काम करने के लिए कहना (रेसिपी में अधिक चरण)।

यह पेपर जांच करता है: क्या अधिक शेफ जोड़ने से मदद मिलती है? क्या रेसिपी को लंबा करने से मदद मिलती है? और कब यह नुकसान पहुँचाना शुरू कर देता है?

प्रयोग: "एक समय में एक चीज़" का नियम

शोधकर्ताओं ने केवल अनुमान नहीं लगाया। वे बहुत सख्त वैज्ञानिक थे। उन्होंने एक "नियंत्रित स्केलिंग" (Controlled Scaling) दृष्टिकोण का उपयोग किया।

इसे केक बनाने जैसा समझें:

परीक्षण A (गहराई/Depth): अंडों की संख्या (क्यूबिट्स) को समान रखें, लेकिन यह देखने के लिए कि क्या केक अधिक स्वादिष्ट हो जाता है, फ्रॉस्टिंग की अधिक परतें (क्वांटम लेयर्स) जोड़ने का प्रयास करें।
परीक्षण B (चौड़ाई/Width): फ्रॉस्टिंग की परतों की संख्या को समान रखें, लेकिन यह देखने के लिए कि क्या इससे बेहतरी आती है, बैटर में अधिक अंडे जोड़ें।

उन्होंने तीन अलग-अलग "मेन्यू" (डेटासेट) पर इसका परीक्षण किया:

MNIST: साधारण ब्लैक-एंड-व्हाइट नंबर (जैसे एक बेसिक सैंडविच)।
CIFAR-10: रंगीन, जटिल वस्तुएं जैसे कार और जानवर (जैसे एक गोर्मे (gourmet) स्टेक)।
Intel Images: प्रकृति और इमारतों की वास्तविक दुनिया की तस्वीरें (जैसे एक भव्य दावत)।

निष्कर्ष: वास्तव में क्या हुआ?

1. "अधिक परतें" का जाल (डेप्थ स्केलिंग)

उपमा: कल्पना कीजिए कि एक अकेले शेफ को एक प्याज काटने, फिर एक टमाटर काटने, फिर एक गाजर काटने, फिर सूप चलाने, और फिर एक वेडिंग केक को फ्रॉस्ट करने के लिए कहना—वह भी एक ही बार में।

परिणाम:

शुरुआत में: कुछ और चरण (परतें) जोड़ने से मदद मिलती है। शेफ नए करतब सीखता है।
बहुत अधिक चरण: अंततः, शेफ भ्रमित हो जाता है। वे सामग्रियां गिराने लगते हैं, रेसिपी भूल जाते हैं, या थक जाते हैं।
"बैरन प्लेटो" (Barren Plateau): पेपर में एक डरावना शब्द उल्लेखित है जिसे "बैरन प्लेटो" कहा जाता है। कल्पना कीजिए कि शेफ एक सपाट, फीचरहीन रेगिस्तान में चल रहा है। वे जिस भी दिशा में कदम रखते हैं, वे पहाड़ के शिखर (समाधान) तक पहुँचने का रास्ता नहीं खोज पाते। वे जितने अधिक कदम उठाते हैं, यह जानना उतना ही कठिन हो जाता है कि वे करीब आ रहे हैं या बस गोल-गोल घूम रहे हैं।
निष्कर्ष: क्वांटम सर्किट को गहरा (deeper) बनाना जोखिम भरा है। यह अक्सर अस्थिर परिणामों की ओर ले जाता है जहाँ शेफ एक दिन शानदार प्रदर्शन करता है और अगले दिन बहुत खराब, भले ही प्रशिक्षण समान हो।

2. "अधिक शेफ" की सफलता (विड्थ स्केलिंग)

उपमा: एक शेफ को 100 स्टेप्स करने के बजाय, आप 10 शेफ काम पर रखते हैं। प्रत्येक एक काम का विशिष्ट हिस्सा करता है।

परिणाम:

अच्छी खबर: अधिक क्यूबिट्स (अधिक शेफ) जोड़ने से सिस्टम आम तौर पर अधिक सुचारू और विश्वसनीय बना।
"हिल्बर्ट स्पेस" का विस्तार: "हिल्बर्ट स्पेस" को रसोई के आकार के रूप में सोचें। अधिक क्यूबिट्स जोड़ने से रसोई घातीय (exponentially) रूप से बड़ी हो जाती है। अचानक, टीम अधिक सामग्रियां रख सकती है और एक साथ अधिक जटिल रेसिपी आजमा सकती है।
सीमा: हालाँकि, अधिक शेफ होने के बावजूद, अंततः आपके पास समय या सामग्रियां (प्रशिक्षण बजट) खत्म हो जाते हैं। यदि आप 100 शेफ काम पर रखते हैं लेकिन आपके पास खाना पकाने के लिए केवल 5 मिनट है, तो वे एक-दूसरे के काम में बाधा डालेंगे।
निष्कर्ष: क्वांटम सर्किट को चौड़ा (wider) बनाना आमतौर पर सुरक्षित विकल्प है। यह प्रदर्शन में लगातार सुधार करता है जब तक कि आप उस "सीलिंग" (छत) तक नहीं पहुँच जाते जहाँ अधिक शेफ जोड़ने से कोई लाभ नहीं होता क्योंकि आपका प्रशिक्षण समय समाप्त हो गया है।

गुप्त सॉस: क्वांटम डायग्नोस्टिक्स

शोधकर्ताओं ने केवल अंतिम स्कोर (सटीकता/Accuracy) नहीं देखा। उन्होंने क्वांटम सर्किट के अंदर क्या हो रहा है, यह देखने के लिए तीन विशेष मेट्रिक्स का उपयोग करके "एक्स-रे चश्मे" पहने:

अभिव्यक्ति क्षमता (Expressibility - QCE): शेफ कितना रचनात्मक है?
- चौड़ाई (Width): अधिक क्यूबिट्स जोड़ने से शेफ बहुत अधिक रचनात्मक हो गए। वे अधिक स्वादों का पता लगा सकते थे।
- गहराई (Depth): अधिक परतें जोड़ने से वे वास्तव में अधिक रचनात्मक नहीं हुए; वे बस एक ही चीज़ को बार-बार दोहराते रहे।
एंटैंगलमेंट (Entanglement - EEE): शेफ आपस में कितनी अच्छी तरह बात करते हैं?
- चौड़ाई (Width): अधिक क्यूबिट्स जोड़ने से एक मजबूत "टीम भावना" पैदा हुई। शेफ गहराई से जुड़े हुए और समन्वित थे।
- गहराई (Depth): टीम भावना जल्दी ही अपने चरम पर पहुँच गई थी। अधिक चरण जोड़ने से वे आपस में बेहतर तरीके से बात नहीं कर सके।
ग्रेडिएंट नॉर्म (Gradient Norm - QGN): क्या शेफ भ्रमित हो रहा है?
- गहराई (Depth): जैसे-जैसे रेसिपी लंबी होती गई, शेफ को सुधारने के लिए संकेत देने वाला "सिग्नल" कमजोर और शोर भरा होता गया। यह तूफान में फुसफुसाहट सुनने की कोशिश करने जैसा था।
- चौड़ाई (Width): अधिक शेफ होने के बावजूद सिग्नल स्पष्ट और मजबूत बना रहा।

मुख्य सीख: अपना क्वांटम AI कैसे बनाएं

यदि आप एक हाइब्रिड क्वांटम न्यूरल नेटवर्क बनाना चाहते हैं, तो यहाँ पेपर से दी गई सलाह है:

इसे केवल गहरा न बनाएं: अधिक परतें जोड़ने का मतलब है किसी पहेली को लंबे समय तक घूरकर हल करने की कोशिश करना। यह अक्सर भ्रम और अस्थिरता की ओर ले जाता है।
पहले इसे चौड़ा बनाएं: अधिक क्यूबिट्स जोड़ना अधिक लोगों को काम पर रखने जैसा है। यह आमतौर पर आपको प्रदर्शन में अधिक बड़ा और विश्वसनीय उछाल देता है।
अपने डेटासेट को जानें:
- सरल कार्यों के लिए (जैसे हस्तलिखित नंबर पहचानना), आपको एक बड़ी रसोई की आवश्यकता नहीं है। एक छोटा दल और एक सरल रेसिपी सबसे अच्छा काम करती है।
- जटिल कार्यों के लिए (जैसे ट्रैफिक में कारों को पहचानना), आपको एक बड़ी रसोई (अधिक क्यूबिट्स) की आवश्यकता होती है, इससे पहले कि आप एक सीमा तक पहुँचें।
संकेतों पर नज़र रखें: यदि आपकी "रचनात्मकता" (Expressibility) और "टीम भावना" (Entanglement) बढ़ना बंद हो जाती है, लेकिन आपका "भ्रम" (Gradient noise) बढ़ने लगता है, तो स्केलिंग रोक दें। आप घटते प्रतिफल (diminishing returns) के बिंदु पर पहुँच गए हैं।

संक्षेप में: क्वांटम AI को बेहतर बनाने के लिए, इसे अधिक काम करने (depth) के बजाय साँस लेने के लिए अधिक जगह (width) दें।

यहाँ शोध पत्र "Scaling Laws for Hybrid Quantum Neural Networks: Depth, Width, and Quantum-Centric Diagnostics" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

हाइब्रिड क्वांटम न्यूरल नेटवर्क (QNNs), नोइजी इंटरमीडिएट-स्केल क्वांटम (NISQ) युग में क्वांटम मशीन लर्निंग (QML) के लिए एक प्रमुख प्रतिमान (paradigm) हैं। ये मॉडल क्लासिकल न्यूरल नेटवर्क को पैरामीटराइज्ड क्वांटम सर्किट्स (PQCs) के साथ जोड़ते हैं। क्वांटम घटक की क्षमता को दो वास्तुशिल्प आयामों द्वारा परिभाषित किया जाता है:

चौड़ाई (Width - $Q$ ): क्वबिट्स की संख्या, जो सुलभ हिल्बर्ट स्पेस ( $2^Q$ ) का तेजी से विस्तार करती है।
गहराई (Depth - $L$ ): वेरिएशनल लेयर्स की संख्या, जो प्रशिक्षण योग्य रूपांतरणों (trainable transformations) और एंटैंगलिंग ऑपरेशन्स की संख्या को बढ़ाती है।

मुख्य चुनौती: जबकि $Q$ या $L$ को बढ़ाने से सैद्धांतिक रूप से मॉडल की क्षमता बढ़ती है, यह बेहतर सामान्यीकरण (generalization) की गारंटी नहीं देता है। गहरे सर्किट अक्सर ऑप्टिमाइजेशन संबंधी समस्याओं जैसे कि बैरन प्लेटो (barren plateaus) (लुप्त होते ग्रेडिएंट्स) से ग्रस्त होते हैं, जबकि चौड़े सर्किट पैरामीटर की संख्या और शोर (noise) के प्रति संवेदनशीलता को बढ़ाते हैं। वर्तमान साहित्य में अक्सर नियंत्रित अध्ययनों का अभाव होता है जो इन चरों (variables) को अलग कर सकें, क्योंकि वे अक्सर कई कारकों को एक साथ बदलते हैं या केवल भविष्य कहने वाले मेट्रिक्स (जैसे सटीकता) पर निर्भर रहते हैं बिना अंतर्निहित क्वांटम व्यवहार (expressibility, entanglement, trainability) का विश्लेषण किए।

अनुसंधान प्रश्न:

जब एक निश्चित चौड़ाई ( $Q$ ) पर गहराई ( $L$ ) बढ़ाई जाती है, तो भविष्य कहनेवाला प्रदर्शन (predictive performance) कैसे बदलता है?
जब एक निश्चित गहराई ( $L$ ) पर चौड़ाई ( $Q$ ) बढ़ाई जाती है, तो भविष्य कहनेवाला प्रदर्शन कैसे बदलता है?
क्वांटम-केंद्रित डायग्नोस्टिक्स (expressibility, entanglement, gradient norms) इन व्यवस्थाओं (regimes) के तहत कैसे विकसित होते हैं, और वे भविष्य कहने वाले प्रदर्शन के साथ कैसे सह-संबंधित (correlate) होते हैं?

2. कार्यप्रणाली (Methodology)

लेखकों ने तीन इमेज क्लासिफिकेशन बेंचमार्क पर एक नियंत्रित स्केलिंग अध्ययन किया: MNIST (ग्रेस्केल), CIFAR-10 (RGB), और Intel Image Classification (RGB)।

A. आर्किटेक्चर (Architecture)

हाइब्रिड मॉडल एक मानक टेम्पलेट का अनुसरण करता है (पेपर में चित्र 2):

क्लासिकल फ्रंटएंड (Classical Frontend): एक हल्का क्लासिकल नेटवर्क (ग्रेस्केल के लिए MLP, RGB के लिए CNN) उच्च-आयामी छवियों को $Q$ -आयामी फीचर वेक्टर में मैप करता है।
क्वांटम कोर (Quantum Core - PQC):
- एनकोडिंग (Encoding): $Y$ -एक्सिस रोटेशन ( $R_Y$ ) के साथ एंगल एम्बेडिंग।
- एन्सेट (Ansatz): $L$ बार दोहराए गए वेरिएशनल लेयर्स। प्रत्येक लेयर में प्रशिक्षण योग्य सिंगल-क्विबिट रोटेशन ( $R_Y, R_Z$ ) और उसके बाद एक फिक्स्ड नियरस्ट-नेबर रिंग ऑफ CNOT गेट्स (एंटैंगलमेंट) शामिल हैं।
- मेजरमेंट (Measurement): सभी क्वबिट्स पर पाउली- $Z$ एक्सपेक्टेशन वैल्यूज।
क्लासिकल रीडआउट (Classical Readout): एक छोटा क्लासिकल हेड (लीनियर लेयर या शैलो MLP) मेजरमेंट स्टैटिस्टिक्स को क्लास लॉजिट्स (logits) में मैप करता है।

B. नियंत्रित स्केलिंग प्रोटोकॉल (Controlled Scaling Protocol)

चरों को अलग करने के लिए, अध्ययन ने दो अलग-अलग स्वैप (sweeps) का उपयोग किया, जबकि प्रशिक्षण बजट (epochs, batch size, optimizer) और सर्किट टोपोलॉजी को स्थिर रखा गया:

डेप्थ स्वैप (Depth Sweep): निश्चित $Q=4$ , बदलते $L \in \{2, \dots, 10\}$ ।
विड्थ स्वैप (Width Sweep): निश्चित $L$ (डेटासेट-विशिष्ट, जैसे MNIST के लिए $L=6$ ), बदलते $Q \in \{2, \dots, 10\}$ ।

C. मूल्यांकन मेट्रिक्स (Evaluation Metrics)

अध्ययन ने दोहरी-मेट्रिक पद्धति का उपयोग किया:

भविष्य कहने वाले मेट्रिक्स (Predictive Metrics): सटीकता (Accuracy), प्रिसिजन (Precision), रिकॉल (Recall), F1-स्कोर, और PR-AUC।
क्वांटम-केंद्रित डायग्नोस्टिक्स (Quantum-Centric Diagnostics):
- क्वांटम सर्किट एक्सप्रेसिबिलिटी (QCE): यह मापता है कि सर्किट हिल्बर्ट स्पेस को कितनी व्यापकता से एक्सप्लोर करता है (स्टेटवेक्टर फिडेलिटी के आधार पर)।
- इफेक्टिव एंटैंगलमेंट एंट्रॉपी (EEE): सबसिस्टम्स के बीच एंटैंगलमेंट को मापता है (वॉन न्यूमैन एंट्रॉपी)।
- क्वांटम ग्रेडिएंट नॉर्म (QGN): प्रशिक्षण के दौरान क्वांटम पैरामीटर्स के ग्रेडिएंट्स के परिमाण को मापता है (ट्रेनिबिलिटी/बैरन प्लेटो का संकेतक)।

3. मुख्य परिणाम (Key Results)

A. डेप्थ स्केलिंग ( $L \uparrow$ , Fixed $Q$ )

प्रदर्शन (Performance): गहराई बढ़ाने से गैर-मोनोटोनिक (non-monotonic) परिणाम मिलते हैं। प्रदर्शन उथले (shallow) से मध्यम गहराई तक सुधरता है, लेकिन गहरी लेयर्स पर अनियमित, उतार-चढ़ाव वाला या घटता हुआ हो जाता है।
- उदाहरण: CIFAR-10 $L=8$ के आसपास शिखर (peak) पर था, जबकि MNIST में मध्यवर्ती गहराइयों ( $L=4, 8$ ) पर तीव्र गिरावट देखी गई।
डायग्नोस्टिक्स (Diagnostics):
- QCE और EEE: ये मेट्रिक्स कम गहराई पर ही संतृप्त (saturate) हो गए। लेयर्स जोड़ने से एक्सप्लोर्ड स्टेट स्पेस या एंटैंगलमेंट क्षमता में महत्वपूर्ण विस्तार नहीं हुआ।
- QGN: ग्रेडिएंट नॉर्म्स गहराई के साथ अत्यधिक परिवर्तनशील हो गए, जो ऑप्टिमाइजेशन डायनेमिक्स के प्रति बढ़ी हुई संवेदनशीलता और संभावित अस्थिरता का संकेत देते हैं।
निष्कर्ष: एक डेटासेट-विशिष्ट थ्रेशोल्ड के बाद लेयर्स जोड़ने से मुख्य रूप से प्रशिक्षण स्थिरता प्रभावित होती है, न कि प्रतिनिधित्व क्षमता (representational capacity)।

B. विड्थ स्केलिंग ( $Q \uparrow$ , Fixed $L$ )

प्रदर्शन (Performance): चौड़ाई बढ़ाने से अधिक सुचारू (smoother) और अनुमानित (predictable) लाभ मिलते हैं। प्रदर्शन छोटे से मध्यम चौड़ाई तक तेजी से बढ़ता है और फिर संतृप्ति (saturation) की स्थिति में प्रवेश करता है।
- उदाहरण: MNIST का प्रदर्शन $Q \approx 5$ पर चरम पर था; CIFAR-10 का प्रदर्शन $Q=8$ पर चरम पर था।
डायग्नोस्टिक्स (Diagnostics):
- QCE और EEE: दोनों मेट्रिक्स $Q$ के साथ लगातार बढ़े, जो सुलभ हिल्बर्ट स्पेस और एंटैंगलमेंट क्षमता के व्यवस्थित विस्तार को दर्शाते हैं।
- QGN: चौड़ाई केAcross अपेक्षाकृत स्थिर रहा, जिससे पता चलता है कि क्वबिट्स बढ़ाने से प्रशिक्षण सिग्नल समान रूप से कमजोर नहीं होता (डेप्थ के विपरीत)।
निष्कर्ष: विड्थ स्केलिंग सीधे हाइपोथीसिस क्लास का विस्तार करती है। प्रदर्शन में लाभ क्षमता वृद्धि के अनुरूप होता है जब तक कि निश्चित प्रशिक्षण बजट बड़े पैरामीटर स्पेस को अनुकूलित करने में असमर्थ न हो जाए।

C. प्रदर्शन-डायग्नोस्टिक संरेखण (Performance–Diagnostic Alignment)

स्पियरमैन रैंक कोरिलेशन (Spearman rank correlations) का उपयोग करते हुए, लेखकों ने पाया:

मजबूत सकारात्मक सहसंबंध (Strong Positive Correlation): विड्थ स्केलिंग के दौरान PR-AUC और दोनों QCE एवं EEE के बीच। उच्च क्षमता (अधिक क्वबिट्स) ने लगातार बेहतर रैंकिंग प्रदान की।
कमजोर/कोई सहसंबंध नहीं (Weak/No Correlation): QGN के साथ PR-AUC के बीच। ग्रेडिएंट परिमाण ने प्रदर्शन रैंकिंग की भविष्यवाणी नहीं की।
डेप्थ में डिकपलिंग (Decoupling in Depth): डेप्थ स्केलिंग में एक्सप्रेसिबिलिटी/एंटैंगलमेंट और प्रदर्शन के बीच बहुत कम संरेखण दिखा, जो पुष्टि करता है कि गहरी लेयर्स प्रतिनिधित्व सुधारने के बजाय ऑप्टिमाइजेशन को बाधित करती हैं।

4. मुख्य योगदान (Key Contributions)

नियंत्रित स्केलिंग अध्ययन: हाइब्रिड QNNs में डेप्थ बनाम विड्थ प्रभावों का एक कठोर अलगाव, जो पूर्व साहित्य में सामान्य भ्रमित चरों (confounding variables) से बचता है।
एकीकृत मूल्यांकन प्रोटोकॉल: क्वांटम-विशिष्ट डायग्नोस्टिक्स (QCE, EEE, QGN) के साथ मानक भविष्य कहने वाले मेट्रिक्स को जोड़ने वाला एक ढांचा, जो यह व्याख्या करता है कि स्केलिंग क्यों काम करती है या क्यों विफल होती है।
परिदृश्यों का अनुभवजन्य लक्षण वर्णन (Empirical Characterization): डेटासेट-निर्भर संतृप्ति बिंदुओं और गैर-मोनोटोनिक व्यवहारों की पहचान, जो डेप्थ स्केलिंग के "अस्थिर" लाभों के विपरीत विड्थ स्केलिंग के "सुचारू" लाभों को दर्शाती है।
डायग्नोस्टिक-प्रदर्शन ट्रेडऑफ़ विश्लेषण: मात्रात्मक साक्ष्य कि क्षमता-संबंधी डायग्नोस्टिक्स (QCE/EEE) विड्थ स्केलिंग के दौरान प्रदर्शन को ट्रैक करते हैं, जबकि ऑप्टिमाइजेशन डायनेमिक्स (QGN) डेप्थ स्केलिंग व्यवहार पर हावी होते हैं।

5. महत्व और व्यावहारिक सुझाव (Significance and Practical Takeaways)

यह कार्य NISQ युग में स्केलेबल हाइब्रिड QNNs को डिजाइन करने के लिए महत्वपूर्ण मार्गदर्शन प्रदान करता है:

डेप्थ के बजाय विड्थ को प्राथमिकता दें: निश्चित प्रशिक्षण बजट के तहत अधिक अनुमानित प्रदर्शन लाभ के लिए, क्वबिट्स की संख्या ( $Q$ ) बढ़ाना आमतौर पर सर्किट गहराई ( $L$ ) बढ़ाने से बेहतर है।
डेटासेट संवेदनशीलता: सरल डेटासेट (जैसे MNIST) मध्यम क्षमता के साथ जल्दी संतृप्त हो जाते हैं, जबकि जटिल डेटासेट (जैसे CIFAR-10) घटते प्रतिफल (diminishing returns) तक पहुँचने से पहले वाइडर सर्किट्स से लाभान्वित होते हैं।
डायग्नोस्टिक मॉनिटरिंग: क्षमता संतृप्ति का पता लगाने के लिए QCE और EEE को, और ऑप्टिमाइजेशन अस्थिरता का पता लगाने के लिए QGN को मॉनिटर करना चाहिए। यदि QCE/EEE स्थिर हो जाते हैं और QGN अनिश्चित हो जाता है, तो आगे का स्केलिंग विश्वसनीय सुधार नहीं ला पाएगा।
डिज़ाइन रणनीति: प्रभावी स्केलिंग के लिए क्षमता वृद्धि (QCE/EEE द्वारा ट्रैक की गई) और ऑप्टिमाइजेशन स्थिरता (QGN द्वारा ट्रैक की गई) के बीच संतुलन बनाना आवश्यक है।

संक्षेप में, यह शोध पत्र स्थापित करता है कि हाइब्रिड QNNs में विड्थ विश्वसनीय क्षमता वृद्धि का प्राथमिक चालक है, जबकि डेप्थ ऑप्टिमाइजेशन अस्थिरता का एक स्रोत है, जो क्वांटम मशीन लर्निंग में "डीपर इज ऑलवेज बेटर" (गहरा होना हमेशा बेहतर है) की धारणा को चुनौती देता है।