Soft-Quantum Algorithms

यहाँ "Soft-Quantum Algorithms" (Kyriacou et al. द्वारा लिखित) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र वर्तमान नोइज़ी इंटरमीडिएट-स्केल क्वांटम (NISQ) उपकरणों और सिम्युलेटर्स पर वेरिएशनल क्वांटम सर्किट्स (VQC), जिन्हें क्वांटम न्यूरल नेटवर्क (QNN) भी कहा जाता है, को प्रशिक्षित करने में आने वाली महत्वपूर्ण बाधाओं को संबोधित करता है।

• प्रशिक्षण लागत (Training Cost): VQCs को प्रशिक्षित करने में आमतौर पर डेटा और मापदंडों (parameters) को गेट-आधारित ऑपरेशन्स में विघटित (decompose) करना पड़ता है। जैसे-जैसे गेट्स की संख्या बढ़ती है, सिमुलेशन का समय अत्यधिक बढ़ जाता है, विशेष रूप से बड़े डेटासेट्स के लिए।
• स्केलेबिलिटी संबंधी मुद्दे (Scalability Issues): VQCs का क्लासिकल सिमुलेशन स्केल करने में संघर्ष करता है क्योंकि इसमें क्यूबिट अवस्थाओं (qubit states) का घातीय विस्तार (exponential scaling) और सर्किट में प्रत्येक गेट द्वारा जोड़ा गया संचयी रनटाइम शामिल होता है।
• एंसात्ज़ बाधाएँ (Ansatz Constraints): मानक VQCs एक विशिष्ट "एंसात्ज़" (सर्किट आर्किटेक्चर) पर निर्भर करते हैं। यह आर्किटेक्चर डेटा प्रवाह को सीमित करता है और इष्टतमता (optimality) की कोई गारंटी नहीं देता है। प्रदर्शन सुधारने के लिए आर्किटेक्चर बदलना अक्सर शून्य से पुन: प्रशिक्षण (re-training) की मांग करता है।
• पिछली सीमाएँ (Previous Limitations): हालांकि पिछले कार्यों (जैसे, Máté et al.) ने गेट डिकंपोज़िशन को बायपास करने के लिए सीधे एक यूनिटरी मैट्रिक्स को प्रशिक्षित करने का प्रयास किया था, लेकिन यह स्क्यू-हर्मिटियन (skew-Hermitian) मैट्रिसेस के मैट्रिक्स एक्सपोनेंशिएशन (matrix exponentiation) पर निर्भर था। यह दृष्टिकोण कम्प्यूटेशनल रूप से महंगा है, विशेष रूप से बैकप्रोपैगेशन के दौरान, क्योंकि ऑप्टिमाइज़र को प्रत्येक पैरामीटर पर एक्सपोनेंशियल मैप के जटिल प्रभावों को ध्यान में रखना पड़ता है।

2. कार्यप्रणाली: सॉफ्ट-क्वांटम एल्गोरिदम (Methodology: Soft-Quantum Algorithms)

लेखक एक दो-चरणीय, एंसैट्ज़-अज्ञेय (ansatz-agnostic) प्रशिक्षण पाइपलाइन का प्रस्ताव करते हैं जो पूरी तरह से मैट्रिक्स एक्सपोनेंशिएशन से बचती है।

चरण 1: सॉफ्ट-यूनिटरी प्रशिक्षण (Soft-Unitary Training)

गेट पैरामीटर्स को प्रशिक्षित करने के बजाय, यह विधि सीधे यूनिटरी मैट्रिक्स ($U$) के तत्वों को प्रशिक्षित करती है।

• प्रत्यक्ष पैरामीटराइजेशन (Direct Parameterization): मैट्रिक्स तत्वों को प्रशिक्षित मापदंडों के रूप में माना जाता है।
• नियमितीकरण (Regularization): यह सुनिश्चित करने के लिए कि मैट्रिक्स यूनिटरी बना रहे (महंगे एक्सपोनेंशिएशन का उपयोग किए बिना), लॉस फंक्शन में एक रेगुलराइजेशन टर्म जोड़ा जाता है:
  $$L_{total} = L_{task} + \lambda \|U^\dagger U - I\|$$
  जहाँ $\lambda$ एक हाइपरपैरामीटर है, $I$ आइडेंटिटी मैट्रिक्स है, और 'norm' यूनिटैरिटी से विचलन को मापता है।
• सॉफ्ट-यूनिटरीज (Soft-Unitaries): परिणामी मैट्रिसेस "सॉफ्ट-यूनिटरीज" हैं—ऐसी वस्तुएं जो यूनिटरी के करीब हैं लेकिन सटीक नहीं हैं। यह तेज़ अनुकूलन (optimization) की अनुमति देता है क्योंकि इसकी लागत गेट्स की संख्या से स्वतंत्र है।

चरण 2: सर्किट अलाइनमेंट (Circuit Alignment)

चूंकि क्वांटम हार्डवेयर को गेट-आधारित ऑपरेशन्स की आवश्यकता होती है, इसलिए प्रशिक्षित सॉफ्ट-यूनिटरी को एक भौतिक सर्किट में संकलित (compile) किया जाना चाहिए।

• वेरिएशनल कंपाइलेशन (Variational Compilation): एक वेरिएशनल क्वांटम कंपाइलर (एक पैरामीटर्ड सर्किट) को लक्षित सॉफ्ट-यूनिटरी ($U_{soft}$) का अनुमान लगाने के लिए प्रशिक्षित किया जाता है।
• अलाइनमेंट लॉस (Alignment Loss): कंपाइलर अपने आउटपुट और लक्ष्य के बीच की दूरी को कम करता है:
  $$L_{alignment} = \frac{1}{2^n M} \sum_{i} \|U_{target, i} - U_{circuit, i}\|$$
• स्वतंत्रता (Independence): यह चरण मूल प्रशिक्षण डेटासेट के आकार ($d$) से स्वतंत्र है, और केवल मैट्रिक्स के आकार ($2^n \times 2^n$) पर निर्भर करता है।

3. मुख्य योगदान (Key Contributions)

• मैट्रिक्स एक्सपोनेंशिएशन का उन्मूलन: यह पेपर लाइ-एल्जेब्रिक (Lie-algebraic) एक्सपोनेंशिएशन के बजाय रेगुलराइजेशन के माध्यम से यूनिटैरिटी लागू करने का तरीका पेश करता है, जिससे बैकप्रोपैगेशन के दौरान कम्प्यूटेशनल ओवरहेड काफी कम हो जाता है।
• डेटा और आर्किटेक्चर का अलगाव: यूनिटरी ऑपरेटर के प्रशिक्षण को गेट डिकंपोज़िशन से अलग करके, यह विधि शोधकर्ताओं को (प्रारंभिक प्रशिक्षण चरण के दौरान) विशिष्ट सर्किट डेप्थ या टोपोलॉजी से बंधे बिना पूर्ण हिल्बर्ट स्पेस (अधिकतम एक्सप्रेसिबिलिटी) का अन्वेषण करने की अनुमति देती है।
• जटिलता में कमी: लेखक प्रदर्शित करते हैं कि दो-चरणीय प्रक्रिया की संयुक्त जटिलता $O(d) + O(g)$ (जहाँ $d$ डेटा पॉइंट्स है और $g$ गेट्स है) के रूप में स्केल करती है, जबकि प्रत्यक्ष VQC प्रशिक्षण $O(d \cdot g)$ के रूप में स्केल करता है। यह बड़े डेटासेट्स के लिए पर्याप्त गति प्रदान करता है।
• हाइब्रिड एकीकरण: यह विधि सुदृढीकरण सीखने (reinforcement learning) के लिए सॉफ्ट-यूनिटरीज को हाइब्रिड क्वांटम-क्लासिकल आर्किटेक्चर में सफलतापूर्वक एकीकृत करती है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने दो अलग-अलग कार्यों पर इस विधि को मान्य किया:

A. सुपरवाइज्ड क्लासिफिकेशन (Top-Hat Function)

• सेटअप: 1,000 डेटा पॉइंट्स के साथ एक 5-क्यूबिट क्लासिफिकेशन टास्क।
• प्रदर्शन:
  • सटीकता (Accuracy): सॉफ्ट-यूनिटरी पाइपलाइन ने सीधे प्रशिक्षित VQC की तुलना में कम बाइनरी क्रॉस-एन्ट्रॉपी लॉस और लक्षित फंक्शन के बेहतर विजुअल फिट प्राप्त किया।
  • गति (Speed): कुल प्रशिक्षण समय 3 मिनट और 42 सेकंड (48s सॉफ्ट-यूनिटरी प्रशिक्षण + 174s अलाइनमेंट) था। इसके विपरीत, प्रत्यक्ष VQC प्रशिक्षण में 2 घंटे से अधिक का समय लगा (लगभग 138 मिनट)।
  • डेप्थ (Depth): अलाइन्ड सर्किट ने प्रभावी रूप से 69 एंटैंगलिंग लेयर्स (सॉफ्ट-यूनिटरी के पैरामीटर काउंट के बराबर) का उपयोग किया, जबकि प्रत्यक्ष VQC समय की सीमाओं के कारण 10 लेयर्स तक ही सीमित था। 69 लेयर्स वाला प्रत्यक्ष VQC प्रशिक्षित करने में ~14 घंटे लगते।

B. सुदृढीकरण सीखना (Reinforcement Learning - Cartpole)

• सेटअप: कार्टपोल बैलेंसिंग समस्या को हल करने के लिए एक हाइब्रिड क्वांटम-क्लासिकल एजेंट (पैरेलल हाइब्रिड नेटवर्क), जिसकी तुलना शुद्ध क्लासिकल 3-लेयर MLP से की गई।
• आर्किटेक्चर: क्वांटम ब्रांच ने बड़े पैमाने की संरचनाओं को कैप्चर करने के लिए फूरियर न्यूरल ऑपरेटर के रूप में कार्य करने वाले 3-क्यूबिट सॉफ्ट-यूनिटरीज का उपयोग किया, जबकि क्लासिकल ब्रांच ने सूक्ष्म विवरणों (fine-grained details) को संभाला।
• प्रदर्शन:
  • हाइब्रिड एजेंट ने क्लासिकल बेसलाइन की तुलना में बहुत तेज़ी से अधिकतम एपिसोड अवधि (500 स्टेप्स) प्राप्त की।
  • औसत अवधि (Mean Duration): 340 एपिसोड के ऊपर, हाइब्रिड मॉडल ने 417.0 की औसत अवधि प्राप्त की, जबकि क्लासिकल नेटवर्क की अवधि 232.9 थी।
  • अभिसरण (Convergence): हाइब्रिड मॉडल ने अंतिम 71 एपिसोड में अधिकतम अवधि प्राप्त की, जो बेहतर स्थिरता और सीखने की क्षमता को प्रदर्शित करता है।
  • फिडेलिटी (Fidelity): अंतिम यूनिटरी लॉस $10^{-4}$ था, और अलाइनमेंट लॉस 0.07 था, जो पुष्टि करता है कि सॉफ्ट-यूनिटरीज वास्तविक क्वांटम ऑपरेशन्स के लगभग समान थे।

5. महत्व और सीमाएँ (Significance and Limitations)

महत्व:

• अनुसंधान उपकरण: सॉफ्ट-यूनिटरीज शोधकर्ताओं को एक विशिष्ट सर्किट आर्किटेक्चर के प्रति प्रतिबद्ध हुए बिना हिल्बर्ट स्पेस की "एक्सप्रेसिव लिमिट" को जांचने का एक तरीका प्रदान करते हैं। वे एक भौतिक सर्किट डिजाइन करने से पहले सैद्धांतिक प्रदर्शन की सीमा निर्धारित करने में मदद करते हैं।
• दक्षता: यह विधि छोटे-क्यूबिट, बड़े-डेटासेट समस्याओं के लिए प्रशिक्षण समय में >100x की गति प्रदान करती है, जिससे गहरे क्वांटम मॉडल्स का क्लासिकल सिमुलेशन अधिक व्यवहार्य हो जाता है।
• हाइब्रिड क्षमता: यह प्रदर्शित करता है कि हाइब्रिड आर्किटेक्चर में क्वांटम घटक, कम क्यूबिट काउंट के बावजूद, शुद्ध क्लासिकल बेसलाइन से बेहतर प्रदर्शन कर सकते हैं।

सीमाएँ:

• स्केलेबिलिटी: यह विधि कम-क्यूबिट समस्याओं तक सीमित है। मैट्रिक्स का आकार $4^n$ (जहाँ $n$ क्यूबिट्स की संख्या है) के रूप में स्केल करता है, जिसका अर्थ है कि $n > 10-12$ के लिए मेमोरी और कंप्यूट आवश्यकताओं में भारी उछाल आता है।
• बैरन प्लेटो (Barren Plateaus): चूंकि सॉफ्ट-यूनिटरीज में अधिकतम एक्सप्रेसिबिलिटी होती है (पूरे यूनिटरी ग्रुप को कवर करती हैं), इसलिए गहरे सर्किटों के लिए लॉस लैंडस्केप में "बैरन प्लेटो" (लुप्त होते ग्रेडिएंट्स) होने की गारंटी है, जो अनुकूलन (optimization) में बाधा डाल सकता है।
• अनुमान (Approximation): अंतिम चरण के लिए एक "सॉफ्ट" मैट्रिक्स को गेट-आधारित सर्किट में संकलित करने की आवश्यकता होती है, जिससे एक छोटा अनुमान त्रुटि (approximation error) उत्पन्न होता है, हालांकि प्रयोगों में यह नगण्य पाया गया।

निष्कर्षतः, "सॉफ्ट-क्वांटम एल्गोरिदम" NISQ युग के लिए एक शक्तिशाली मध्यवर्ती तकनीक के रूप में प्रस्तुत होता है, जो गेट-आधारित प्रशिक्षण और मैट्रिक्स एक्सपोनेंशिएशन की कम्प्यूटेशनल बाधाओं को बायपास करके इष्टतम क्वांटम मॉडल और हाइब्रिड आर्किटेक्चर की खोज को तेज़ करता है।