⚛️ quantum physics

Learning Cut Distributions with Quantum Optimization

यह शोध पत्र एक QAOA-आधारित एंसेट (ansatz) का उपयोग करते हुए एक क्वांटम अनुकूलन दृष्टिकोण प्रस्तावित करता है, जो सीमित परतों के साथ बिटस्ट्रिंग्स पर किसी भी वितरण को कैप्चर करने में सक्षम सिद्ध हुआ है, ताकि फेयर कट कवर (Fair Cut Cover) समस्या को प्रभावी ढंग से हल किया जा सके और विशिष्ट ग्राफ संरचनाओं पर शास्त्रीय सन्निकटन (classical approximations) से बेहतर प्रदर्शन किया जा सके।

मूल लेखक: Bao Bach, Cameron Ibrahim, Reuben Tate, Jad Salem, Stephan Eidenbenz, Ilya Safro

प्रकाशित 2026-04-17

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Bao Bach, Cameron Ibrahim, Reuben Tate, Jad Salem, Stephan Eidenbenz, Ilya Safro

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

यहाँ "Learning Cut Distributions with Quantum Optimization" पेपर का सरल भाषा और रचनात्मक उपमाओं (analogies) के साथ विवरण दिया गया है।

मुख्य विचार: "एक सबसे अच्छे उत्तर" से "एक निष्पक्ष मिश्रण" तक

कल्प-िए कि आप एक शहर के योजनाकार (city planner) हैं जो सड़कों के नेटवर्क पर गड्ढों को ठीक करने की कोशिश कर रहे हैं।

पुराना तरीका (क्लासिकल ऑप्टिमाइज़ेशन): आप मानचित्र देखते हैं और कहते हैं, "ठीक है, अगर मैं इन विशिष्ट सड़कों के सेट को ठीक करता हूँ, तो हमें सबसे अच्छा औसत परिणाम मिलेगा।" आप एक ही समाधान चुनते हैं और उसी पर टिके रहते हैं।
समस्या: क्या होगा यदि वह एक समाधान किसी विशिष्ट पड़ोस को पूरी तरह से उपेक्षित छोड़ दे? शायद औसत अच्छा है, लेकिन एक गली अभी भी बदहाल है। वास्तविक दुनिया में, हम अक्सर निष्पक्षता (fairness) और मजबूती (robustness) की परवाह करते हैं। हम यह सुनिश्चित करना चाहते हैं कि सिस्टम का सबसे खराब स्थिति वाला हिस्सा जितना संभव हो सके उतना बेहतर हो।

यह पेपर इस समस्या को हल करने का एक नया तरीका प्रस्तावित करता है: एक आदर्श समाधान खोजने के बजाय, हम समाधानों के मिश्रण के लिए एक रेसिपी खोजते हैं। हम एक ऐसा वितरण (प्रोबेबिलिटी मिक्स) चाहते हैं जहाँ नेटवर्क का हर एक हिस्सा "ठीक" होने का एक निष्पक्ष अवसर प्राप्त करे।

उपमा: "कट" (काटने का) खेल

गणित को समझने के लिए, आइए केक काटने के खेल का उपयोग करें।

कल्पना कीजिए कि एक ग्राफ (बिंदुओं और रेखाओं का एक नेटवर्क) एक केक है।
एक "कट" (cut) केक को दो टुकड़ों में काटना है।
लक्षक्य: हम केक को कई अलग-अलग तरीकों से काटना चाहते हैं ताकि केक का हर एक कण (edge) कम से कम एक बार कटा जा सके।
ट्विस्ट: हम इसे केवल एक बार नहीं काटना चाहते। हम काटने की रणनीतियों का एक मेनू बनाना चाहते हैं। यदि हम अपने मेनू से यादृच्छिक रूप से (randomly) एक रणनीति चुनते हैं, तो हम गारंटी देना चाहते है कि चाहे आप जिस भी कण को देखें, उसके कटने की उच्च संभावना हो। हम सबसे कम भाग्यशाली कण के "कटे होने" (sliced-ness) को अधिकतम करना चाहते हैं।

क्वांटम लाभ: जादुई पासे (The Magic Dice)

क्लासिकल कंप्यूटर (SDP दृष्टिकोण):
क्लासिकल कंप्यूटर इस समस्या को "सेमीडेफिनेट प्रोग्रामिंग" (SDP) नामक एक परिष्कृत गणितीय तकनीक का उपयोग करके हल करने का प्रयास करते हैं। इसे एक बहुत ही स्मार्ट, लेकिन कठोर नियम पुस्तिका की तरह समझें।

सीमा: यह नियम पुस्तिका बेहतरीन है, लेकिन यह एक जटिल, घूमती हुई आकाशगंगा को केवल एक सीधी स्केल और वर्गाकार सांचे (square stencil) का उपयोग करके पेंट करने जैसा है। यह करीब तो पहुँच सकती है, लेकिन यह आकार की हर सूक्ष्मता को नहीं पकड़ सकती। पेपर सिद्ध करता है कि कुछ सममित आकारों (जैसे एक पूर्ण नेटवर्क जहाँ हर कोई सभी से जुड़ा है) के लिए, क्लासिकल नियम पुस्तिका वास्तव में सबसे निष्पक्ष मिश्रण नहीं खोज सकती। यह एक स्थानीय जाल (local trap) में फंस जाती है।

क्वांटम कंप्यूटर (QAOA दृष्टिकोण):
क्वांटम कंप्यूटर अलग होते हैं। वे केवल एक उत्तर की गणना नहीं करते; वे स्वाभाविक रूप से सुपरपोजिशन (एक साथ कई अवस्थाओं में होना) की स्थिति में होते हैं।

जादू: लेखकों ने एक विशिष्ट क्वांटम सर्किट डिज़ाइन किया है जिसे D-QAOA कहा जाता है।
उपमा: कल्पना कीजिए कि क्लासिकल कंप्यूटर केवल लाल, नीले और पीले रंग का उपयोग करके रंग मिलाने की कोशिश कर रहा है। क्वांटम कंप्यूटर के पास एक जादुई पेंटब्रश है जो तुरंत कल्पना की जा सकने वाले किसी भी रंग को मिला सकता है, जिसमें वे शेड्स भी शामिल हैं जो मानक पैलेट में मौजूद नहीं हैं।
परिणाम: पेपर दिखाता है कि पर्याप्त "परतों" (रेसिपी के चरणों) के साथ, क्वांटम कंप्यूटर काटने के किसी भी संभावित मिश्रण को उत्पन्न कर सकता है। यह पूर्णतः निष्पक्ष वितरण की सटीक नकल कर सकता है, जबकि क्लासिकल कंप्यूटर कुछ ग्राफ़ के लिए गणितीय रूप से ऐसा करने में असमर्थ है।

मुख्य निष्कर्ष (सरल अंग्रेजी में)

क्वांटम वह कर सकता है जो क्लासिकल नहीं कर सकता:
उच्च सममित नेटवर्क के लिए (जैसे दोस्तों का एक समूह जहाँ हर कोई सभी का दोस्त है), क्लासिकल विधि एक सीमा (ceiling) से टकरा जाती है। यह सबसे निष्पक्ष वितरण नहीं खोज सकती। क्वांटम विधि, हालांकि, उस छत के ऊपर चढ़ सकती है और पूर्ण समाधान पा सकती है।
यह केवल सिद्धांत नहीं है, यह काम करता है:
शोधकर्ताओं ने केवल कागज पर गणित नहीं किया। उन्होंने सिमुलेशन चलाए और यहाँ तक कि अपने एल्गोरिदम का परीक्षण वास्तविक क्वांटम हार्डवेयर (Quantinuum से) पर भी किया।

परिणाम: कई परीक्षण मामलों में, क्वांटम एल्गोरिदम ने कुछ ही चरणों के साथ सबसे अच्छे क्लासिकल एल्गोरिदम की तुलना में अधिक "निष्पक्ष" समाधान खोजा।

"बैरन प्लेटो" (Barren Plateau) की समस्या (प्रशिक्षण का संघर्ष):
क्वांटम कंप्यूटर को प्रशिक्षित करना एक धुंधले पहाड़ी क्षेत्र में घाटी के निचले हिस्से को खोजने जैसा है। कभी-कभी, जमीन इतनी सपाट (एक "बैरन प्लेटो") होती है कि आप यह नहीं बता सकते कि नीचे जाने का रास्ता किस ओर है। लेखकों को एक "स्मूथिंग" तकनीक (LogSumExp का उपयोग करके) का आविष्कार करना पड़ा ताकि परिदृश्य (landscape) को नेविगेट करना आसान हो सके ताकि कंप्यूटर सही उत्तर सीख सके।

आपको इसकी परवाह क्यों करनी चाहिए?

यह पेपर क्वांटम एडवांटेज की ओर एक मील का पत्थर है।

वर्तमान स्थिति: अधिकांश लोग सोचते हैं कि क्वांटम कंप्यूटर केवल एक एकल सबसे अच्छा उत्तर खोजने के लिए "तेज़ कैलकुलेटर" हैं।
इस पेपर का योगदान: यह दिखाता है कि क्वांटम कंप्यूटर स्वाभाविक रूप से वितरण (distributions) सीखने में बेहतर होते हैं। वे "निष्पक्षता" और "परिवर्तनीयता" को बेहतर ढंग से समझते हैं क्योंकि उनका मूल स्वभाव ही संभाव्य (probabilistic) है।

निष्कर्ष:
यदि आपको ऐसी समस्या को हल करने की आवश्यकता है जहाँ "सबसे खराब स्थिति" (worst-case scenario) सबसे अधिक मायने रखती है (जैसे यह सुनिश्चित करना कि बिजली ग्रिड किसी एक विशेष शहर में विफल न हो, या यह सुनिश्चित करना कि डिलीवरी नेटवर्क सबसे गरीब पड़ोस की सेवा करे), तो क्वांटम कंप्यूटर ही वह एकमात्र उपकरण हो सकता है जो वास्तव में निष्पक्ष समाधान खोजने में सक्षम है। यह केवल तेज़ होने के बारे में नहीं है; यह एक ऐसे समाधान को देखने के बारे में है जिसे क्लासिकल गणित वास्तव में कल्पना भी नहीं कर सकता।

यहाँ शोध पत्र "Learning Cut Distributions with Quantum Optimization" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या की परिभाषा

यह शोध पत्र मैक्सिमिन फेयरनेस (maximin fairness) समस्याओं के एक विशिष्ट वर्ग को संबोधित करता है, जो कॉम्बिनेटरियल ऑप्टिमाइज़ेशन (combinatorial optimization) की श्रेणी में आती हैं। मानक अनुकूलन (optimization) के विपरीत, जो एक औसत उद्देश्य (जैसे MaxCut) को अधिकतम करने वाले एकल समाधान की खोज करता है, यह समस्या समाधानों पर एक संभाव्यता वितरण (probability distribution) खोजने का प्रयास करती है जो सबसे खराब स्थिति (worst-case outcome) के परिणाम को अधिकतम करता है।

मुख्य समस्या: फेयर कट कवर (Fair Cut Cover) समस्या।
- दिए गए ग्राफ $G=(V, E)$ के लिए, लक्ष्य सभी संभावित कट्स (cuts) पर एक संभाव्यता वितरण $p$ खोजना है जिससे न्यूनतम एज-कट संभावना (minimum edge-cut probability) को अधिकतम किया जा सके।
- गणितीय रूप से: $\bar{\eta}(G) = \max_p \min_{e \in E} P_e(p)$ , जहाँ $P_e(p)$ वह संभावना है कि वितरण $p$ के तहत किनारा (edge) $e$ कट जाएगा।
- यह फ्रैक्शनल कट कवर (Fractional Cut Cover) समस्या का संभावabilistic द्वैत (probabilistic dual) है (जो प्रत्येक किनारे को कम से कम एक बार कवर करने के लिए कट्स के कुल भार को न्यूनतम करता है)।
चुनौती: एक इष्टतम वितरण का सपोर्ट (support) घातांकीय (exponential) आकार का हो सकता है, जिससे इसे शास्त्रीय (classical) विधियों का उपयोग करके स्पष्ट रूप से प्रस्तुत करना असंभव हो जाता है। शास्त्रीय दृष्टिकोण आमतौर पर सेमीडेफिनिट प्रोग्रामिंग (SDP) रिलैक्सेशन और उसके बाद रैंडमाइज्ड हाइपरप्लेन राउंडिंग (randomized hyperplane rounding) पर निर्भर करते हैं। हालाँकि, यह शोध पत्र तर्क देता है कि SDP + राउंडिंग द्वारा उत्पन्न वितरणों का स्थान सीमित है और यह कुछ ग्राफ संरचनाओं (जैसे पूर्ण ग्राफ/complete graphs) के लिए इष्टतम वितरण को कैप्चर नहीं कर सकता है।

2. कार्यप्रणाली (Methodology)

लेखक इन वितरणों को सीधे सीखने के लिए क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन एल्गोरिदम (QAOA) पर आधारित एक क्वांटम वेरिएशनल एल्गोरिदम का प्रस्ताव करते हैं।

A. क्वांटम सूत्रीकरण (Quantum Formulation)

नेटिव डिस्ट्रीब्यूशन (Native Distribution): एक क्वांटम अवस्था $|\psi(\theta)\rangle$ कंप्यूटेशनल बेसिस में माप (measurement) करने पर बिटस्ट्रिंग्स (कट्स) पर स्वाभाविक रूप से एक संभाव्यता वितरण प्रेरित करती है।
उद्देश्य फलन (Objective Function): लक्ष्य न्यूनतम एज कट संभावना को अधिकतम करना है। किनारे $e=(u,v)$ के लिए, कट संभावना $P_e = \frac{1 - \langle \psi | Z_u Z_v | \psi \rangle}{2}$ है।
अनुकूलन (Optimization): समस्या को एक वेरिएशनल ऑप्टिमाइज़ेशन के रूप में फ्रेम किया गया है:
$\max_{\theta} \min_{e \in E} \frac{1 - \langle \psi(\theta) | Z_u Z_v | \psi(\theta) \rangle}{2}$
स्मूथ एप्रोक्सिमेशन (Smooth Approximation): चूँकि $\min$ फलन एक नॉन-स्मूथ लॉस लैंडस्केप बनाता है (जो ग्रेडिएंट-आधारित ऑप्टिमाइज़ेशन में बाधा डालता है), लेखक उद्देश्य को स्मूथ करने के लिए LogSumExp (SoftMin) एप्रोक्सिमेशन का उपयोग करते हैं, जिससे ग्रेडिएंट-आधारित ऑप्टिमाइज़र (जैसे Adam) और क्वांटम हार्डवेयर पर ग्रेडिएंट अनुमान के लिए पैरामीटर-शिफ्ट रूल्स का उपयोग संभव हो पाता है।

B. D-QAOA एंसेट (The D-QAOA Ansatz)

यह सुनिश्चित करने के लिए कि क्वांटम सर्किट किसी भी प्रासंगिक वितरण को दर्शा सके, लेखक डिस्ट्रिब्यूशनल QAOA (D-QAOA) पेश करते हैं, जो मल्टी-एंगल QAOA (ma-QAOA) का एक रूपांतर है:

एक्सप्रेसिबिलिटी (Expressibility): मानक QAOA कुछ ग्राफ टोपोलॉजी (जैसे पाथ या साइकिल) के लिए पूर्ण वितरण स्थान तक पहुँचने में विफल हो सकता है।
संशोधन: D-QAOA यदि ग्राफ डिस्कनेक्टेड, पाथ, या साइकिल है, तो फेज सेपरेटर और मिक्सर यूनिटरीज में एंसिला क्वबिट्स (ancilla qubits) और विशिष्ट कपलिंग टर्म्स (जैसे $Z_v Z_A$ ) जोड़ता है।
सैद्धांतिक गारंटी: यह संशोधन सुनिश्चित करता है कि सर्किट का सुलभ यूनिटरी ग्रुप (reachable unitary group) प्रासंगिक सबस्पेस पर ट्रांजिटिवली कार्य करता है, जिससे पर्याप्त लेयर्स मिलने पर सर्किट किसी भी $Z_2$ -सिमेट्रिक कट डिस्ट्रीब्यूशन को मनचाही सटीकता के साथ सन्निकट (approximate) कर सकता है।

3. मुख्य योगदान

डिस्ट्रीब्यूशन स्पेस में क्वांटम-क्लासिकल पृथक्करण:
- यह शोध पत्र सिद्ध करता है कि SDP + हाइपरप्लेन राउंडिंग द्वारा प्राप्त वितरणों का स्थान ( $D_{hr}$ ), सभी $Z_2$ -सिमेट्रिक कट डिस्ट्रीब्यूशन ( $D$ ) के स्थान का एक कठोर उपसमुच्चय (strict subset) है।
- विशेष रूप से, पूर्ण ग्राफ $K_n$ ( $n \geq 4$ ) के लिए, इष्टतम Fair Cut Cover वितरण को SDP राउंडिंग द्वारा पुनरुत्पादित नहीं किया जा सकता है।
- थ्योरम 2: पूर्ण ग्राफों के लिए, यहाँ तक कि 1-लेयर स्टैंडर्ड QAOA ( $Q^1_{std}$ ) भी सर्वश्रेष्ठ संभव SDP + राउंडिंग ( $SDP_{HR}$ ) की तुलना में बेहतर एप्रोक्सिमेशन रेशियो प्राप्त करता है।
D-QAOA की सार्वभौमिकता (Universality):
- लेखक एक सार्वभौमिकता परिणाम (Corollary 1) स्थापित करते हैं जो न्यूरल नेटवर्क के यूनिवर्सल एप्रोक्सिमेशन थ्योरम के समान है। वे सिद्ध करते हैं कि पर्याप्त लेयर्स के साथ, D-QAOA किसी भी ग्राफ $G$ पर किसी भी $Z_2$ -सिमेट्रिक कट डिस्ट्रीब्यूशन को सन्निकट कर सकता है।
मोनोटोनिसिटी गुण (Monotonicity Properties):
- शोध पत्र उद्देश्य की मोनोटोनिसिटी का विश्लेषण करता है। जबकि SDP समाधान सबग्राफ के संबंध में मोनोटोनिक होते हैं, मानक QAOA तब तक मोनोटोनिक होने की गारंटी नहीं देता जब तक कि सर्किट की गहराई पर्याप्त न हो। D-QAOA पर्याप्त गहरी सर्किट्स के लिए इस गुण को बहाल करता है।
नॉन-स्मूथनेस को संभालना:
- LogSumExp ऑब्जेक्टिव फंक्शन का परिचय प्रभावी ढंग से QAOA पैरामीटर्स को प्रशिक्षित करने की अनुमति देता है, जो रॉ $\min$ -फंक्शन से जुड़ी "बैरेन प्लेटो" (barren plateau) और नॉन-डिफरेंशिएबिलिटी समस्याओं को दूर करता है।

4. परिणाम

सैद्धांतिक परिणाम

सेपरेशन गैप (Separation Gap): सिद्ध किया गया कि $K_n$ ( $n \geq 4$ ) के लिए, $Q^1_{std}(K_n) > SDP_{HR}(K_n)$ ।
अपर बाउंड्स (Upper Bounds): मैक्सिमम क्लीक साइज $\omega(G)$ और वर्टिस की संख्या $|V|$ के आधार पर SDP वैल्यू के लिए नए अपर बाउंड्स प्राप्त किए गए।

संख्यात्मक सिमुलेशन (Numerical Simulations)

परीक्षण किए गए ग्राफ: मैक्स क्लीक साइज 4 और 5 वाले रैंडम ग्राफ (Erdos-Renyi), और अत्यधिक सिमेट्रिक ग्राफ (Petersen, Clebsh, Paley, Shrikhande)।
प्रदर्शन:
- D-QAOA के 2-3 लेयर्स ने लगातार SDP + हाइपरप्लेन राउंडिंग बेसलाइन से बेहतर प्रदर्शन किया।
- Petersen ग्राफ पर, इष्टतम मान $0.8$ है। SDP+HR ने $\approx 0.732$ प्राप्त किया, जबकि 2-लेयर D-QAOA ने $\geq 0.740$ तक पहुँच बनाई, और 5-लेयर ने $\geq 0.798$ तक पहुँच बनाई।
- Clebsh और Paley ग्राफ पर भी इसी तरह के सुधार देखे गए।

हार्डवेयर प्रयोग

डिवाइस: प्रयोग Quantinuum H2-2 (56 आयन) और Helios-1 (98 आयन) ट्रैप्ड-आयन डिवाइसेज पर किए गए।
इंस्टेंस: 60-नोड पूर्ण ग्राफ और छोटे ग्राफ (10-15 नोड्स)।
निष्कर्ष:
- हार्डवेयर परिणामों ने नॉइलेस सिमुलेशन की तुलना में अधिकतम 4.1% की गिरावट दिखाई।
- महत्वपूर्ण रूप से, लेखक इस गिरावट का मुख्य कारण डिवाइस नॉइज़ के बजाय अपर्याप्त सैंपलिंग (शॉट नॉइज़) को मानते हैं, क्योंकि अधिक शॉट्स के साथ एप्रोक्सिमेशन रेशियो में सुधार हुआ।
- 60-नोड पूर्ण ग्राफ प्रयोग ने इस दृष्टिकोण की स्केलेबिलिटी को प्रदर्शित किया, हालांकि इष्टतम कट डिस्ट्रीब्यूशन के लिए $10^{16.772}$ कट्स की खगोलीय संख्या की आवश्यकता होती है, जो वितरण को सूचीबद्ध करने के बजाय उसे सीखने की आवश्यकता को रेखांकित करता है।

5. महत्व और प्रभाव

स्केलर ऑप्टिमाइज़ेशन से परे: यह कार्य क्वांटम ऑप्टिमाइज़ेशन के प्रतिमान को एक एकल "सर्वश्रेष्ठ" समाधान खोजने से बदलकर संरचित संभाव्यता वितरणों को सीखने की ओर ले जाता है। यह निष्पक्षता (fairness), मजबूती (robustness) या कवरेज के लिए आवश्यक अनुप्रयोगों के लिए महत्वपूर्ण है, जहाँ औसत से अधिक 'वर्स्ट-केस' प्रदर्शन मायने रखता है।
प्रमाणित क्वांटम लाभ (Provable Quantum Advantage): यह शोध पत्र ऑप्टिमाइज़ेशन में एक क्वांटम लाभ के पहले कठोर प्रमाणों में से एक प्रदान करता है जो केवल ऑब्जेक्टिव वैल्यू के बारे में नहीं है, बल्कि समाधान स्थान की एक्सप्रेसिबिलिटी (expressibility of the solution space) के बारे में है। यह प्रदर्शित करता है कि क्वांटम सर्किट उन क्षेत्रों (कट डिस्ट्रीब्यूशन) तक पहुँच सकते हैं जो शास्त्रीय SDP रिलैक्सेशन के लिए मौलिक रूप से अगम्य हैं।
निकट-अवधि प्रयोज्यता (Near-Term Applicability): यह दिखाकर कि उथले सर्किट (2-3 लेयर्स) विशिष्ट ग्राफ परिवारों पर क्लासिकल स्टेट-ऑफ-द-आर्ट एप्रोक्सिमेशन को मात दे सकते हैं, यह शोध पत्र सुझाव देता है कि नॉइजी इंटरमीडिएट-स्केल क्वांटम (NISQ) डिवाइसेज पहले से ही डिस्ट्रिब्यूशनल ऑप्टिमाइज़ेशन कार्यों में मूल्य प्रदान कर सकते हैं।
इंडक्टिव बायस (Inductive Biases): लेखक D-QAOA और कन्वोल्यूशनल न्यूरल नेटवर्क्स (CNN) के बीच समानता खींचते हैं, यह सुझाव देते हुए कि भविष्य के शोध को बैरेन प्लेटो को कम करने और ट्रेनिबिलिटी में सुधार करने के लिए QAOA एंसेट में बेहतर इंडक्टिव बायस को एनकोड करने पर ध्यान केंद्रित करना चाहिए, ठीक वैसे ही जैसे CNN ने इमेज प्रोसेसिंग में क्रांति ला दी थी।

संक्षेप में, यह शोध पत्र स्थापित करता है कि क्वांटम वेरिएशनल एल्गोरिदम केवल स्केलर उद्देश्यों के लिए ह्यूरिस्टिक सॉल्वर नहीं हैं, बल्कि शक्तिशाली जेनरेटिव मॉडल हैं जो निष्पक्षता-महत्वपूर्ण कॉम्बिनेटरियल समस्याओं के लिए इष्टतम वितरणों को सीखने में सक्षम हैं, जो शास्त्रीय रिलैक्सेशन तकनीकों पर एक प्रमाणित लाभ प्रदान करते हैं।