⚛️ quantum physics

Accelerating Quantum Tensor Network Simulations with Unified Path Variations and Non-Degenerate Batched Sampling

यह शोध पत्र एक एकीकृत ढांचे को प्रस्तुत करता है जो त्रुटि-स्वतंत्र पथ विविधताओं (error-independent path variations), गैर-अपभ्रंश बैच सैंपलिंग (non-degenerate batched sampling) और अनुकूलित संकुचन हाइपरपैरामीटर्स (optimized contraction hyperparameters) को संयोजित करता है ताकि पारंपरिक विधियों की तुलना में टेंसर नेटवर्क-आधारित क्वांटम ट्राजेक्टरी सिमुलेशन को $10^8\times$ से अधिक त्वरित किया जा सके, जो प्रभावी रूप से स्टेटवेक्टर और टेंसर नेटवर्क कार्यान्वयन के बीच के प्रदर्शन अंतराल को पाटता है।

मूल लेखक: Taylor Lee Patti, Paavai Pari, Yang Gao, Azzam Haidar, Thien Nguyen, Tom Lubowe, Daniel Lowell, Brucek Khailany

प्रकाशित 2026-04-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Taylor Lee Patti, Paavai Pari, Yang Gao, Azzam Haidar, Thien Nguyen, Tom Lubowe, Daniel Lowell, Brucek Khailany

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, अराजक शहर के लिए मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं। क्वांटम कंप्यूटिंग की दुनिया में, यह "मौसम" क्यूबिट्स (qubits) नामक सूक्ष्म कणों का व्यवहार है।

समस्या यह है कि इन कणों का अनुकरण (simulate) करना अविश्वसनीय रूप से कठिन है। यदि आप एक शोर वाले सिस्टम (जिसमें त्रुटियां होती हैं) के बारे में पूरी तरह से सटीक होना चाहते हैं, तो गणित की जटिलता बहुत बढ़ जाती है। यह शहर के हर परमाणु के लिए एक साथ मौसम की गणना करने जैसा है। यह वह "22n" समस्या है जिसका उल्लेख पेपर में किया गया है: गणित इतनी तेजी से बड़ा होता जाता है कि दुनिया के सबसे तेज़ सुपरकंप्यूटर भी फंस जाते हैं।

इस समस्या को हल करने के लिए, वैज्ञानिक क्वांटम ट्राजेक्टरीज (Quantum Trajectories) नामक एक तकनीक का उपयोग करते हैं। पूरे अस्त-व्यस्त शहर का एक साथ अनुकरण करने के बजाय, वे हजारों "क्या-होता-अगर" (what-if) परिदृश्यों का अनुकरण करते हैं जहाँ त्रुटियाँ अलग-अलग तरीकों से होती हैं। यह लाखों मौसम सिमुलेशन चलाने जैसा है ताकि सबसे संभावित परिणाम देखा जा सके।

हालाँकि, इस ट्रिक के साथ भी, काम करने का पुराना तरीका अविश्वसनीय रूप से धीमा था। शोधकर्ताओं ने तीन प्रमुख बाधाएं (bottlenecks) पाईं और उन्हें ठीक करने के लिए एक "टर्बोचार्जर" बनाया। उन्होंने इसे कैसे किया, यहाँ सरल उपमाओं (analogies) का उपयोग करके बताया गया है:

1. समस्या: हर बार नक्शा फिर से बनाना

पुराना तरीका: कल्पना कीजिए कि आप एक डिलीवरी ड्राइवर हैं। आपके पास 1,000 अलग-अलग पैकेज (त्रुटियां) डिलीवर करने की सूची है। पुराने तरीके में, प्रत्येक पैकेज डिलीवर करने के लिए जाने से पहले, आपको रुकना पड़ता था, एक नक्शा निकालना पड़ता था और शून्य से सबसे अच्छा रास्ता निकालना पड़ता था। फिर आप ड्राइव करते थे, डिलीवर करते थे, रुकते थे, अगले पैकेज के लिए एक नया रास्ता निकालते थे और फिर से ड्राइव करते थे।
बाधा: उस रास्ते की गणना करने में बहुत समय लगता है। इसे 1,000 बार करना ऊर्जा की बर्बादी है।

समाधान: यूनिफाइड पाथ वेरिएशंस (Unified Path Variations - UPV)
शोधकर्ताओं ने महसूस किया कि जबकि पैकेज (त्रुटियां) बदलते हैं, सड़कें (क्वांटम सर्किट संरचना) काफी हद तक समान रहती हैं।

उपमा: हर पैकेज के लिए नया रास्ता निकालने के बजाय, उन्होंने एक बार एक आदर्श रास्ता निकाला और उसे सुरक्षित कर लिया। जब नया पैकेज आता है, तो वे बस उसे मौजूदा नक्शे पर रख देते हैं। नक्शा नहीं बदलता; केवल कार्गो बदलता है।
परिणाम: उन्होंने लाखों बार नक्शा दोबारा बनाने में समय बर्बाद करना बंद कर दिया। अकेले इसी से समय की भारी बचत हुई।

2. समस्या: एक बार में एक पैकेज डिलीवर करना

पुराना तरीका: कल्पना कीजिए कि आपके पास एक ट्रक है जिसमें 1,000 बॉक्स आ सकते हैं। लेकिन पुराने सॉफ्टवेयर ने आपको केवल एक बॉक्स ले जाने, एक बॉक्स छोड़ने, वापस गोदाम जाने, अगला बॉक्स लोड करने और फिर से जाने की अनुमति दी। आप 1,000 बॉक्सों के लिए 1,000 चक्कर लगा रहे थे।
बाधा: इसे "सीक्वेंशियल सैंपलिंग" (sequential sampling) कहा जाता है। यह अविश्वसनीय रूप से अक्षम है।

समाधान: नॉन-डीजेनरेट बैच सैंपलिंग (Non-Degenerate Batched Sampling - NBS)
नया तरीका यह समझता है कि ट्रक बहुत बड़ा है और एक साथ बहुत कुछ संभाल सकता है।

उपमा: अब, आप एक ही बार में 1,000 बॉक्स ट्रक में लोड करते हैं। आप मार्ग पर चलते हैं, और एक बॉक्स छोड़ने के बजाय, आप एक ही यात्रा में सभी 1,000 बॉक्स छोड़ देते हैं।
ट्विस्ट: उन्होंने यात्रा के बिल्कुल अंतिम स्टॉप से "अतिरिक्त" डेटा प्राप्त करने का एक तरीका भी खोजा, जिसके लिए आपको वापस जाने की आवश्यकता नहीं थी। यह ऐसा है जैसे यह महसूस करना कि अंतिम गंतव्य पर, आप ढेर सारे अतिरिक्त बॉक्स उठा सकते हैं जिन्हें पाने के लिए आपको वहां तक गाड़ी चलाने की भी ज़रूरत नहीं पड़ी।
परिणाम: वे उतना ही डेटा प्राप्त करने के लिए 1,000 चक्करों के बजाय केवल एक चक्कर में पहुँच गए।

3. समस्या: गलत आकार के ट्रक का उपयोग करना

पुराना तरीका: पुराने सॉफ्टवेयर ने सभी को एक निश्चित आकार के ट्रक (मान लीजिए 24 बॉक्स) का उपयोग करने के लिए मजबूर किया, चाहे सड़क संकीर्ण हो या चौड़ी। कभी-कभी एक छोटी वैन अधिक तेज़ होती, लेकिन सॉफ्टवेयर आपको स्विच करने नहीं देता था।
बाधा: आप एक अक्षम वाहन के आकार में फंसे हुए थे।

समाधान: फ्लेक्सिबल इंटरफेस (Flexible Interface)
शोधकर्ताओं ने एक नया सिस्टम बनाया जो आपको हर यात्रा के लिए सही ट्रक का आकार चुनने की अनुमति देता है।

उपमा: यदि सड़क संकीर्ण है, तो वे एक छोटी वैन का उपयोग करते हैं। यदि सड़क चौड़ी है, तो वे एक विशाल सेमी-ट्रक का उपयोग करते हैं। उन्होंने "बैच" (एक साथ प्रोसेस किए जाने वाले क्यूबिट्स का समूह) के आकार को अनुकूलित किया ताकि वह विशिष्ट कार्य के लिए सबसे कुशल हो सके।
परिणाम: उन्होंने एक गलत चीज़ को जबरदस्ती फिट करने की कोशिश करना बंद कर दिया, जिससे पूरी प्रक्रिया बहुत सहज हो गई।

ग्रैंड फिनाले: तेज़ का मतलब क्या है?

इन तीनों सुधारों को मिलाकर, शोधकर्ताओं ने कुछ अविश्वसनीय हासिल किया:

"नॉन-प्रोपोर्शनल" सैंपलिंग के लिए (AI ट्रेनिंग के लिए अधिक से अधिक डेटा एकत्र करना): उन्होंने सिमुलेशन को 100,000,000 गुना (10^8) तेज़ बना दिया।
- कल्पना कीजिए: यदि पुराने तरीके को एक सिमुलेशन पूरा करने में 3 साल लगते, तो नए तरीके से यह एक सेकंड से भी कम समय में पूरा हो जाता है।
"प्रोपोर्शनल" सैंपलिंग के लिए (सख्त सटीक सांख्यिकीय डेटा): उन्होंने इसे 1,000 गुना तेज़ बना दिया।
- कल्पना कीजिए: एक कार्य जिसमें 100 दिन लगते थे, अब एक दिन से भी कम समय में पूरा हो जाता है।

यह क्यों मायने रखता है?

यह केवल गति के बारे में नहीं है; यह संभावनाओं के बारे में है।

क्वांटम के लिए AI: आर्टिफिशियल इंटेलिजेंस को सीखने के लिए भारी मात्रा में डेटा की आवश्यकता होती है कि क्वांटम कंप्यूटरों को कैसे ठीक किया जाए। यह नया तरीका उन्हें तुरंत डेटा प्रदान करता है, जिससे AI वास्तविक समय में त्रुटियों को ठीक करना सीख सकता है।
बेहतर कंप्यूटरों का डिज़ाइन: इंजीनियर अब जटिल क्वांटम उपकरणों का बहुत तेज़ी से अनुकरण कर सकते हैं, जिससे उन्हें वर्षों तक प्रतीक्षा किए बिना बेहतर हार्डवेयर डिजाइन करने में मदद मिलती है।

संक्षेप में, इस पेपर ने एक ऐसी प्रक्रिया को लिया जो देश के एक छोर से दूसरे छोर तक एक-एक कदम चलकर जाने जैसी थी, और उसे एक हाई-स्पीड बुलेट ट्रेन में बदल दिया, जिससे वैज्ञानिकों के लिए क्वांटम दुनिया को उस पैमाने पर एक्सप्लोर करना संभव हो गया जो पहले असंभव था।

यहाँ शोध पत्र "Accelerating Quantum Tensor Network Simulations with Unified Path Variations and Non-Degenerate Batched Sampling" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

शोर वाले (noisy) क्वांटम सिस्टम का अनुकरण करना गणनात्मक रूप से अत्यधिक कठिन है। जबकि आदर्श क्वांटम सिस्टम को स्टेटवेक्टर्स ( $2^n$ प्रविष्टियों) द्वारा दर्शाया जा सकता है, शोर वाले सिस्टम को डेंसिटी मैट्रिसेस ( $2^{2n}$ प्रविष्टियाँ) की आवश्यकता होती है, जिससे बड़े $n$ के लिए सटीक अनुकरण (exact simulation) अव्यवहार्य हो जाता है।

वर्तमान समाधान: क्वांटेंट ट्राजेक्टरी विधियाँ एक डेंसिटी मैट्रिक्स के बजाय $m$ स्टेटवेक्टर्स ( $2^n$ ) के समूह (ensemble) का नमूना लेकर शोर वाले सिस्टम का अनुमान लगाती हैं।
बाधा (The Bottleneck): हालिया Pre-Trajectory Sampling with Batched Execution (PTSBE) की प्रगति ने स्टेटवेक्टर सिमुलेशन को $10^6\times$ तक त्वरित किया है। हालाँकि, टेंसर नेटवर्क (TN) सिमुलेशन पर PTSBE को लागू करने से केवल $\sim15\times$ की मामूली गति में वृद्धि हुई।
अक्षमता के मूल कारण:
1. कॉन्ट्रैक्शन पाथ पुनर्गणना (Contraction Path Recalculation): पारंपरिक TN विधियाँ प्रत्येक विशिष्ट त्रुटि सेट ( $K_i$ ) और अक्सर प्रत्येक शॉट के लिए इष्टतम कॉन्ट्रैक्शन पाथ को फिर से कंप्यूट करती हैं, जो एक महंगी CPU-बाउंड प्रक्रिया है।
2. क्रमिक नमूनाकरण (Sequential Sampling): शॉट्स को एक-एक करके एकत्र किया जाता है, जिससे मध्यवर्ती कॉन्ट्रैक्शन परिणामों का पुन: उपयोग करने में बाधा आती है।
3. अलची हाइपरपैरामीटर (Inflexible Hyperparameters): मौजूदा कार्यान्वयन टेंसर कॉन्ट्रैक्शन के लिए निश्चित, उप-इष्टतम बैच आकारों का उपयोग करते हैं, जो विशिष्ट सर्किट गहराई या हार्डवेयर बाधाओं के लिए अनुकूलित होने में विफल रहते हैं।

2. कार्यप्रणाली (Methodology)

लेखक एक अनुकूलित टेंसर नेटवर्क PTSBE फ्रेमवर्क प्रस्तावित करते हैं जो उपरोक्त तीन बाधाओं को तीन मुख्य नवाचारों के माध्यम से संबोधित करता है:

A. यूनिफाइड पाथ वेरिएशंस (Unified Path Variations - UPV)

अवधारणा: प्रत्येक त्रुटि सेट $K_i$ के लिए एक अद्वितीय कॉन्ट्रैक्शन पाथ खोजने के बजाय, UPV यह मानता है कि त्रुटियाँ समान आकार और स्थान वाले गेट्स के निकट होती हैं।
तंत्र: एल्गोरिदम एक एकल "शोरहीन" (noiseless) टेंसर नेटवर्क टोपोलॉजी ( $D$ ) का निर्माण करता है। प्रत्येक त्रुटि सेट $K_i$ के लिए, त्रुटि ऑपरेटरों को निकटतम कोहेरेंट गेट टेंसरों में टेंसर मर्ज (tensor merged) (कॉन्ट्रैक्ट) किया जाता है।
परिणाम: यह ऑपरेशन नेटवर्क की टोपोलॉजी (आकार, रैंक और ऑपरेंड संख्या) को सुरक्षित रखता है। फलस्वरूप, एक एकल, पूर्व-निर्धारित कॉन्ट्रैक्शन पाथ ( $P_j$ ) का उपयोग सभी त्रुटि सेटों और सभी शॉट्स के लिए किया जा सकता है। यह बार-बार होने वाली, महंगी CPU-आधारित पाथ फाइंडिंग को समाप्त करता है।

B. नॉन-डिजेनरेट बैचड सैंपलिंग (Non-Degenerate Batched Sampling - NBS)

अवधारणा: यह मध्यवर्ती बिटस्ट्रिंग्स के क्रमिक, सिंगल-शॉट नमूनाकरण से हटकर बैच प्रोसेसिंग की ओर बढ़ता है।
तंत्र:
- अनुपातिक नमूनाकरण (Proportional Sampling): क्वांटम सांख्यिकी को सुरक्षित रखता है। यह प्रत्येक बैच में कंडीशनल मार्जिनल डिस्ट्रीब्यूशन से $m_i$ शॉट्स का नमूना लेता है। महत्वपूर्ण रूप से, यह साझा बिटस्ट्रिंग प्रीफिक्स $(s_1, ..., s_{j-1})$ के लिए आंशिक कॉन्ट्रैक्शन परिणामों का पुन: उपयोग करता है, जिससे अनावश्यक कॉन्ट्रैक्शन से बचा जा सकता है।
- गैर-अनुपातिक नमूनाकरण (Non-Proportional Sampling): मशीन लर्निंग डेटा संग्रह के लिए डिज़ाइन किया गया है। यह अंतिम बैच ( $B_f$ ) से भारी मात्रा में डेटा निकालता है। चूंकि अंतिम बैच को बाद के कॉन्ट्रैक्शन की आवश्यकता नहीं होती है, इसलिए सिस्टम व्यापक नमूनाकरण (सभी उच्च-संभावना वाली प्रविष्टियों को निकालना) या सीधे जनसंख्या वेक्टर (population vector) से नमूना लेने का कार्य कर सकता है, जिससे नगण्य अतिरिक्त लागत के साथ लाखों शॉट्स उत्पन्न होते हैं।

C. लचीला इंटरफेस और अनुकूलन (Flexible Interface and Optimization)

अवधारणा: लेखकों ने एक सिमुलेशन इंटरफ़ेस विकसित किया है जो उपयोगकर्ताओं को प्रत्येक कॉन्ट्रैक्शन चरण के लिए कस्टम बैच आकार ( $b_j$ ) परिभाषित करने की अनुमति देता है, न कि केवल एक एकल निश्चित डिफॉल्ट पर निर्भर रहने की।
तंत्र: यह लचीलापन हाइपरपैरामीटर के अनुकूलन को सक्षम बनाता है ताकि प्रति क्वबिट कॉन्ट्रैक्शन समय को न्यूनतम करने वाला बैच आकार पाया जा सके। अध्ययन में पाया गया कि मानक डिफॉल्ट (जैसे CUDA-Q में उपयोग किए जाने वाले $b=24$ ) के बजाय छोटे बैच आकार (जैसे $b=10$ ) अक्सर काफी अधिक कुशल होते हैं।

3. प्रमुख योगदान (Key Contributions)

यूनिफाइड पाथ वेरिएशंस (UPV): एक फ्रेमवर्क जो कॉन्ट्रैक्शन पाथ फाइंडिंग को त्रुटि नमूनाकरण से अलग करता है, जिससे एक एकल पाथ हजारों से लाखों ट्राजेक्टरी सिमुलेशन के लिए काम आ सकता है।
नॉन-डिजेनरेट बैचड सैंपलिंग (NBS): एक नमूनाकरण रणनीति जो मध्यवर्ती परिणामों को बैच करने और उच्च-मात्रा डेटा निष्कर्षण के लिए अंतिम बैच का लाभ उठाकर डिजेनरेट (दोहराए गए) कॉन्ट्रैक्शन को समाप्त करती है।
अनुकूलित सैंपलिंग इंटरफेस: एक लचीला फ्रेमवर्क जो बैच-साइज हाइपरपैरामीटर को उजागर करता है, जिससे उपयोगकर्ता विशिष्ट सर्किट टोपोलॉजी और हार्डवेयर के लिए प्रदर्शन को ट्यून कर सकते हैं।
कार्यान्वयन: इन विधियों को NVIDIA के cuQuantum cuTensorNet, CuPy, और Qiskit (IR जनरेशन के लिए) का उपयोग करके NVIDIA H100 GPUs पर लागू किया गया।

4. परिणाम (Results)

लेखकों ने रैंडम क्वांटम सर्किट्स ( $n \in \{50, 75, 100, 150, 200\}$ क्विबिट्स और विभिन्न गेट काउंट्स के साथ) के माध्यम से अपने अनुकूलित TN PTSBE का पारंपरिक CUDA-Q टेंसर नेटवर्क सिम्युलेटर के विरुद्ध बेंचमार्क किया।

गैर-अनुपातिक नमूनाकरण (ML/डेटा संग्रह):
- पारंपरिक ट्राजेक्टरी विधियों की तुलना में $>10^8\times$ की डेटा संग्रह गति में वृद्धि प्राप्त की।
- यह गति सर्किट की गहराई ( $g$ ) और क्वबिट की संख्या ( $n$ ) के साथ स्केल करती है, क्योंकि गहरे सर्किट अंतिम बैच में अधिक अवस्थाओं को भरते हैं, जिससे NBS अधिक अद्वितीय शॉट्स निकालने में सक्षम होता है।
- अंतिम बैच आकार ( $b_f$ ) को 24 से बढ़ाकर 28 क्वबिट करने से थ्रूपुट में और वृद्धि हुई, क्योंकि अंतिम बैच आकार अधिकतम निष्कर्षण योग्य अद्वितीय शॉट्स ( $\propto 2^{b_f}$ ) को सीमित करता है।
अनुपातिक नमूनाकरण (सांख्यिकीय सटीकता):
- क्वांटम सांख्यिकी का कड़ाई से पालन करते हुए $\sim1000\times$ की गति में वृद्धि प्राप्त की।
- यह गति काफी हद तक शॉट्स की संख्या ( $m_i$ ) से स्वतंत्र है लेकिन सर्किट मापदंडों पर अत्यधिक निर्भर है।
- मुख्य चालक: पाथ-फाइंडिंग ओवरहेड (UPV) का उन्मूलन और बैच आकारों का अनुकूलन (उदाहरण के लिए, $b=24$ के बजाय $b=10$ का उपयोग करने से प्रति क्वबिट कॉन्ट्रैक्शन समय ~90ms से घटकर ~3.5ms हो गया)।
ओवरहेड विश्लेषण:
- अन-ऑप्टिमाइज्ड विधियों में, पाथ-फाइंडिंग का समय अक्सर कॉन्ट्रैक्शन समय से कई गुना अधिक होता है (जैसे, <1 सेकंड के मुकाबले सैकड़ों सेकंड)।
- UPV के साथ, पाथ-फाइंडिंग नगण्य हो जाती है, जिससे बाधा पूरी तरह से GPU-त्वरित कॉन्ट्रैक्शन पर स्थानांतरित हो जाती है।

5. महत्व (Significance)

स्केलेबिलिटी (Scalability): यह कार्य शोर वाले क्वांटम सिस्टम के अनुकरण के लिए प्राथमिक कम्प्यूटेशनल बाधाओं को दूर करता है, जो निकट-अवधि (near-term) क्वांटम डिवाइस डिजाइन और एरर करेक्शन के लिए प्रासंगिक है।
AI एकीकरण: गैर-अनुपातिक नमूनाकरण में भारी गति वृद्धि ( $10^8\times$ ) क्वांटम एरर करेक्शन और डिवाइस ऑप्टिमाइज़ेशन के लिए AI मॉडल को प्रशिक्षित करने हेतु आवश्यक बड़े, उच्च-गुणवत्ता वाले डेटासेट तैयार करना संभव बनाती है।
सामान्य प्रयोजन (General Applicability): गैर-अनुपातिक नमूनाकरण के लिए अनुकूलित होने के बावजूद, ये तकनीकें (UPV और लचीला बैचिंग) किसी भी टेंसर नेटवर्क ट्राजेक्टरी सिमुलेशन के लिए एक सामान्य त्वरण ढांचा प्रदान करती हैं, जिसमें सख्त सांख्यिकीय निष्ठा (statistical fidelity) की आवश्यकता वाले सिमुलेशन भी शामिल हैं।
हार्डवेयर दक्षता: आधुनिक HPC इंफ्रास्ट्रक्चर (जैसे NVIDIA H100 क्लस्टर्स) का अधिकतम उपयोग करने के लिए CPU-बाउंड पाथ फाइंडिंग को समाप्त करके और GPU-समानांतरता का लाभ उठाकर, यह विधि इसे प्रभावी बनाती है।

निष्कर्षतः, यह शोध पत्र प्रदर्शित करता है कि कॉन्ट्रैक्शन पाथ को एकीकृत करके और नमूनाकरण रणनीतियों को अनुकूलित करके, टेंसर नेटवर्क सिमुलेशन को कई गुना तेज किया जा सकता है, जो सैद्धांतिक क्वांटम सिमुलेशन और व्यावहारिक, डेटा-संचालित क्वांटम इंजीनियरिंग के बीच के अंतर को पाटता है।