⚛️ quantum physics

Tensor network surrogate models for variational quantum computation

यह शोध पत्र प्रदर्शित करता है कि टू-डायमेंशनल (द्वि-आयामी) टेंसर नेटवर्क सरोगेट मॉडल 2D क्यूबिट आर्किटेक्चर पर वेरिएशनल क्वांटम एल्गोरिदम को कुशलतापूर्वक सिम्युलेट और प्रशिक्षित कर सकते हैं, जो पैरामीटर ट्रांसफर रणनीतियों की सीमाओं को उजागर करते हुए QAOA जैसे डीप सर्किट के बेंचमार्किंग और अनुकूलन के लिए एक नियंत्रित ढांचा प्रदान करते हैं।

मूल लेखक: Ryo Watanabe, Dries Sels, Joseph Tindall

प्रकाशित 2026-04-23

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ryo Watanabe, Dries Sels, Joseph Tindall

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 रोबोट को एक विशाल, अविश्वसनीय रूप से जटिल भूलभुलैया सुलझाना सिखाने की कोशिश कर रहे हैं। वह रोबोट एक क्वांटम कंप्यूटर है, और भूलभुलैया एक कठिन गणितीय समस्या है जिसे Ising Spin-Glass कहा जाता है (सोचिए कि यह एक विशाल पहेली है जहाँ आपको हजारों घूमते हुए टॉप्स (spinning tops) को इस तरह व्यवस्थित करना है कि वे ऊर्जा को कम करने के लिए एक साथ पूरी तरह फिट बैठ सकें)।

रोबोट QAOA (क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन एल्गोरिदम) नामक एक विधि का उपयोग करता है। यह भूलभुलैया के माध्यम से अलग-अलग रास्तों को आज़माने, अपने कदमों (पैरामीटर्स) को इस आधार पर समायोजित करने जैसा है कि वह कैसा प्रदर्शन कर रहा है, इस उम्मीद में कि वह सबसे अच्छा निकास ढूंढ लेगा।

हालाँकि, एक समस्या है:

रोबोट त्रुटिपूर्ण है: वर्तमान क्वांटम कंप्यूटर शोर वाले और त्रुटिपूर्ण होते हैं। वे केवल कुछ ही कदम (उथले सर्किट/shallow circuits) उठा सकते हैं इससे पहले कि वे भ्रमित हो जाएं।
इंसान पूरी भूलभुलैया को नहीं देख सकता: यदि हम इस रोबोट को एक सामान्य सुपरकंप्यूटर पर सिम्युलेट करने की कोशिश करते हैं, तो गणित इतना विशाल हो जाता है कि दुनिया के सबसे तेज़ कंप्यूटर भी क्रैश हो जाते हैं जब भूलभुलैया बड़ी हो जाती है (50-60 क्यूबिट्स से अधिक)।

समाधान: "टेन्सर नेटवर्क" सरोगेट (The "Tensor Network" Surrogate)

यह शोध पत्र एक चतुर तरकीब पेश करता है: एक टेन्सर नेटवर्क (TN) सरोगेट मॉडल। इसे एक अत्यधिक कुशल मानव कोच के रूप में सोचें जो रोबोट को देख सकता है और उसके कदमों की भविष्यवाणी कर सकता है, बिना वास्तव में रोबोट के अस्तित्व की आवश्यकता के।

यहाँ बताया गया है कि लेखकों ने इस समस्या को हल करने के लिए इस कोच का उपयोग कैसे किया, जिसे सरल उपमाओं के माध्यम से समझाया गया है:

1. "छोटी कक्षा" वाली तरकीब (पैरामीटर एकाग्रता)

शोधकर्ताओं ने जानना चाहा: यदि हम रोबोट को भूलभुलैया के एक छोटे, आसान संस्करण पर प्रशिक्षित करते हैं, तो क्या वह विशाल, वास्तविक दुनिया के संस्करण को हल करना जान जाएगा?

उपमा: कल्पना कीजिए कि आप एक छात्र को शतरंज खेलना सिखा रहे हैं। आप उन्हें 4x4 के मिनी-बोर्ड से शुरू करते हैं। एक बार जब वे वहां चालें सीख लेते हैं, तो आप उन्हें एक पूर्ण 8x8 बोर्ड थमा देते हैं।
निष्कर्ष: लेखकों ने पाया कि कुछ विशेष प्रकार की भूलभुलैयाओं (विशेष रूप से IBM द्वारा उपयोग किए जाने वाले "हैवी-हेक्सागोनल") के लिए, छोटे बोर्ड पर सीखी गई "चालें" (पैरामीटर्स) बड़े बोर्ड पर भी काम करती हैं। रोबोट को सब कुछ फिर से सीखने की आवश्यकता नहीं है; उसे बस वही स्थानांतरित करने की आवश्यकता है जो उसने सीखा है।
सावधानी: यह एक बिंदु तक ही काम करता है। यदि रोबोट को बड़ी भूलभुलैया को हल करने के लिए 100 कदम उठाने की आवश्यकता है, तो छोटा-बोर्ड प्रशिक्षण लगभग 50 कदमों के बाद मददगार होना बंद हो जाता है। रोबोट एक "सीलिंग" (छत) से टकरा जाता है जहाँ छोटा प्रशिक्षण उसे गहरे स्तरों के लिए आवश्यक जटिल दीर्घकालिक रणनीतियों को सिखाने के लिए पर्याप्त गहरा नहीं होता है।

2. "कोच" बड़ा होता जाता है (बड़े सिस्टम पर प्रशिक्षण)

चूंकि छोटे-बोर्ड प्रशिक्षण की एक सीमा थी, इसलिए शोधकर्ताओं ने पूछा: क्या होगा यदि हम रोबोट को एक मध्यम आकार के बोर्ड पर प्रशिक्षित करें?

समस्या: एक मध्यम बोर्ड एक सामान्य कंप्यूटर के लिए सिम्युलेट करना भी बहुत कठिन है।
समाधान: उन्होंने अपने टेन्सर नेटवर्क कोच का उपयोग किया। यह कोच इतना स्मार्ट है कि वह मध्यम आकार के बोर्ड को कुशलतापूर्वक सिम्युलेट कर सकता है, भले ही एक सामान्य कंप्यूटर क्रैश हो जाए।
परिणाम: इन "मध्यम" बोर्डों पर अपने टेन्सर नेटवर्क कोच का उपयोग करके रोबोट को प्रशिक्षित करने से, उन्हें विशाल बोर्डों के लिए बेहतर समाधान मिले। यह ऐसा था जैसे छात्र बड़े 8x8 बोर्ड पर हाथ आज़माने से पहले 6x6 बोर्ड पर अभ्यास करता है। वे "लोकल मिनिमा" (एक अच्छे-पर-बहुत-अच्छे-से-कम समाधान में फंस जाना) से बच गए और वास्तविक ग्लोबल ऑप्टिममम को ढूंढ लिया।

3. "एंटैंगलमेंट" की सीमा (यह अभी भी प्रबंधनीय क्यों है)

क्वांटम मैकेनिक्स में, कण "एंटैंगल्ड" हो जाते हैं, जिसका अर्थ है कि वे इतने जुड़े हुए होते हैं कि एक का वर्णन करने के लिए सभी का वर्णन करना आवश्यक होता है। आमतौर पर, यह जुड़ाव इतनी तेज़ी से बढ़ता है कि यह किसी भी सिमुलेशन को तोड़ देता है।

उपमा: नर्तकों के एक समूह की कल्पना करें। शुरू में, वे केवल अपने पड़ोसियों का हाथ पकड़ते हैं। जैसे-जैसे नृत्य अधिक जटिल होता जाता है, वे कमरे में मौजूद सभी लोगों का हाथ पकड़ने लगते हैं। अंततः, हाथों का जाल इतना उलझ जाता है कि कोई भी हिल नहीं पाता।
निष्कर्ष: लेखकों ने पाया कि इन विशिष्ट QAOA समस्याओं के लिए, "नृत्य" (एंटैंगलमेंट) बहुत अधिक उलझता नहीं है, भले ही सर्किट गहरे हों। टेन्सर नेटवर्क कोच इस जटिलता को संभाल सकता है क्योंकि नर्तक (क्यूबिट्स) अपेक्षाकृत व्यवस्थित रहते हैं। इसका मतलब है कि सिमुलेशन क्लासिकल कंप्यूटरों पर व्यवहार्य रहता है।

4. वर्गाकार बनाम षटकोणीय चुनौती (Square vs. Hexagon Challenge)

उन्होंने दो प्रकार की "भूलभुलैया" पर इसका परीक्षण किया:

हैवी-हेक्सागन (IBM का डिज़ाइन): कोच ने शानदार काम किया। रोबोट ने अच्छी तरह सीखा, और सिमुलेशन तेज़ था।
स्क्वायर ग्रिड (वर्गाकार ग्रिड): यह एक अधिक सघन, अधिक भीड़भाड़ वाली भूलभुलैया है। कोच को तालमेल बनाए रखने के लिए बहुत अधिक मेहनत (अधिक कंप्यूटिंग पावर और GPU का उपयोग) करनी पड़ी, लेकिन फिर भी यह काम कर गया। इसने साबित किया कि यह विधि मजबूत है, भले ही इसे चलाना अधिक महंगा हो।

मुख्य निष्कर्ष (The Big Picture Takeaway)

यह शोध पत्र क्लासिकल कंप्यूटरों द्वारा क्वांटम कंप्यूटरों की मदद करने की जीत है।

पूर्ण, त्रुटि-मुक्त क्वांटम मशीनों (जो शायद दशकों दूर हैं) की प्रतीक्षा करने के बजाय, लेखकों ने दिखाया कि हम स्मार्ट क्लासिकल सिमुलेशन (टेन्सर नेटवर्क) का उपयोग करके क्या कर सकते हैं:

यह बेंचमार्क करने के लिए कि क्वांटम एल्गोरिदम वास्तव में कितना अच्छा प्रदर्शन कर रहे हैं।
क्वांटम एल्गोरिदम को बेहतर उत्तर खोजने के लिए प्रशिक्षित करने के लिए।
सैकड़ों क्यूबिट्स वाले क्वांटम कंप्यूटरों के व्यवहार की भविष्यवाणी करने के लिए, इससे बहुत पहले कि हम उन्हें भौतिक रूप से बना सकें।

संक्षेप में: उन्होंने क्वांटम कंप्यूटरों के लिए एक "फ्लाइट सिम्युलेटर" बनाया है। भले ही असली विमान (क्वांटम कंप्यूटर) अभी निर्माणाधीन है और थोड़ा डगमगा रहा है, यह सिम्युलेटर इंजीनियरों को गहरे, जटिल उड़ान पथों का परीक्षण करने और नियंत्रणों को अनुकूलित करने की अनुमति देता है, जिससे यह सुनिश्चित होता है कि जब वास्तविक विमान अंततः उड़ता है, तो उसे पता होता है कि अपने गंतव्य तक कैसे पहुँचना है।

यहाँ वतनाबे (Watanabe), सेल्स (Sels), और टिंडाल (Tindall) के शोध पत्र "Tensor network surrogate models for variational quantum computation" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र वर्तमान शोर वाले इंटरमीडिएट-स्केल क्वांटम (NISQ) हार्डवेयर पर वैरिएशनल क्वांटम एल्गोरिदम (VQAs), विशेष रूप से क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन एल्गोरिदम (QAOA) के बेंचमार्किंग और प्रशिक्षण की चुनौती को संबोधित करता है।

हार्डवेयर सीमाएँ: वर्तमान सुपरकंडक्टिंग क्वांटम प्रोसेसर (जैसे IBM का हेवी-हेक्सागोनल आर्किटेक्चर) शोर से सीमित हैं, जो प्रयोगों को उथले सर्किट डेप्थ ( $p$ ) तक ही सीमित कर देते हैं। जटिल कॉम्बिनेटरियल ऑप्टिमाइज़ेशन समस्याओं को प्रभावी ढंग से हल करने के लिए गहरे सर्किटों की आवश्यकता होती है, लेकिन वे वर्तमान में घातीय स्केलिंग (exponential scaling) के कारण हार्डवेयर और सटीक शास्त्रीय सिमुलेशन (स्टेट-वेक्टर विधियों) दोनों की पहुँच से बाहर हैं।
अंतराल (The Gap): एक सटीक शास्त्रीय सरोगेट (surrogate) की आवश्यकता है जो 2D लैटिस पर गहरे QAOA सर्किटों का अनुकरण (simulate) कर सके ताकि:
1. वर्तमान सीमाओं से परे क्वांटम हार्डवेयर के व्यवहार की भविष्यवाणी की जा सके।
2. सिस्टम के आकार को स्टेट-वेक्टर विधि द्वारा प्रबंधनीय आकार से बड़े बनाने के लिए QAOA पैरामीटर्स को अनुकूलित किया जा सके।
3. पैरामीटर कंसंट्रेशन (parameter concentration) (वह घटना जहाँ छोटे उदाहरणों पर प्रशिक्षित पैरामीटर्स बड़े उदाहरणों पर सामान्यीकरण करते हैं) की प्रभावकारिता की जांच की जा सके।

2. कार्यप्रणाली (Methodology)

लेखक एक ढांचा प्रस्तावित करते हैं जो टेंसर नेटवर्क (TN) विधियों को बाउंड्री मैट्रिक्स प्रोडक्ट स्टेट (MPS) सैंपलिंग तकनीकों के साथ जोड़ता है।

A. टेंसर नेटवर्क एंसेट (Ansatz) और सिमुलेशन

कनेक्टिविटी-अवेयर TN: वे एक विशिष्ट 2D TN एंसेट का उपयोग करते हैं जो लक्षित लैटिस (हेवी-हेक्सागोनल और स्क्वायर लैटिस) की विशिष्ट क्वबिट कनेक्टिविटी के अनुरूप है।
बलीफ प्रोपेगेशन (BP) सन्निकटन: गेट अनुप्रयोगों के दौरान बॉन्ड डायमेंशन ( $\chi$ ) के ट्रंकेशन (truncation) को संभालने के लिए, वे एक BP सन्निकटन का उपयोग करते हैं। BP संदेश्स (messages) ट्रंकेटेड और अनट्रंकेटेड अवस्थाओं के बीच ओवरलैप को अधिकतम करने के लिए 'सिंगुलर वैल्यू डिकंपोजिशन' (SVD) के माध्यम से इष्टतम ट्रंकेशन निर्धारित करने हेतु स्थानीय परिवेश के रूप में कार्य करते हैं।
इंटरेक्शन को संभालना: यह विधि तीन-बॉडी इंटरेक्शन (जो हेवी-हेक्सागोनल आइसिंग स्पिन-ग्लास मॉडल में मौजूद हैं) को सिंगल-क्विबिट रोटेशन और दो-क्विबिट CNOT गेट्स में विघटित करती है जो TN संरचना के अनुकूल हैं।

B. सैंपलिंग रणनीति (Sampling Strategy)

बाउंड्री MPS सैंपलिंग: TN अवस्था से बिटस्ट्रिंग समाधान (सैंपलिंग) निकालने के लिए, वे किसी भी मनमाने प्लेनर टोपोलॉजी के लिए अनुकूलित बाउंड्री MPS तकनीक का उपयोग करते हैं।
इम्पॉर्टेंस सैंपलिंग (Importance Sampling): यह विधि एक अनुमानित वितरण $Q(z)$ $Q (z)$ से नमूने उत्पन्न करती है और महत्व भार (importance weights) $\omega = P(z)/Q(z)$ $ω = P (z) / Q (z)$ असाइन करती है, जहाँ $P(z)$ $P (z)$ लक्षित प्रायिकता है।
- एम्प्लीट्यूड MPS ( $R_m$ ): स्टेट वेक्टर का अनुमान लगाता है।
- नॉर्म MPS ( $R_M$ ): स्टेट के नॉर्म (norm) का अनुमान लगाता है।
- भारों (weights) का वेरिएंस सैंपलिंग की सटीकता के लिए एक नैदानिक (diagnostic) के रूप में कार्य करता है।

C. पैरामीटर अनुकूलन रणनीति (Parameter Optimization Strategy)

पैरामीटर कंसंट्रेशन और ट्रांसफर: पैरामीटर्स को छोटे "प्रशिक्षण" उदाहरणों ( $n'$ ) पर अनुकूलित किया जाता है और उन्हें बड़े "लक्ष्य" उदाहरणों ( $n$ ) पर स्थानांतरित किया जाता है।
इंटरपोलेशन शेड्यूलिंग: गहरे सर्किटों को संभालने के लिए, पैरामीटर्स को सर्किट शेड्यूल के ऊपर बेसिस फंक्शन्स (चेबिशेव पॉलिनोमिअल्स) के रैखिक संयोजन के रूप में व्यक्त किया जाता है, जिससे अनुकूलन की विमा (dimensionality) कम हो जाती है।
TN-आधारित अनुकूलन: उन सिस्टम आकारों के लिए प्रशिक्षण के लिए जहाँ स्टेट-वेक्टर सिमुलेशन असंभव है ( $n' \gtrsim 30$ ), लेखक स्थानीय कॉन्ट्रैक्शन्स (local contractions) के माध्यम से कॉस्ट फंक्शन एक्सपेक्टेशन की गणना करके सीधे TN सिम्युलेटर का उपयोग करके पैरामीटर अनुकूलन करते हैं।

3. मुख्य योगदान (Key Contributions)

गहरा सर्किट सिमुलेशन: 127-क्विबिट हेवी-हेक्सागोनल लैटिस पर $p=100$ गहराई तक के QAOA सर्किटों को सिम्युलेट करने की क्षमता प्रदर्शित की गई, जो पहले सटीक शास्त्रीय सिमुलेशन के लिए दुर्गम था।
पैरामीटर ट्रांसफर की सीमा: पैरामीटर कंसंट्रेशन की एक मौलिक सीमा की पहचान की गई। जबकि छोटे सिस्टम ( $n'=16$ ) से पैरामीटर्स को ट्रांसफर करना गहराई बढ़ने के साथ प्रदर्शन में सुधार करता है, यह तब संतृप्त (saturate) हो जाता है जब छोटा सिस्टम अपने इष्टतम समाधान तक पहुँच जाता है। यह संतृप्ति बड़े सिस्टमों के लिए और अधिक सुधार को रोकती है, जो यह संकेत देती है कि छोटे-सिस्टम प्रशिक्षण बड़े पैमाने की समस्याओं के लिए वैश्विक इष्टतमता (global optimality) की गारंटी नहीं दे सकता है।
प्रशिक्षण के लिए TN एक सरोगेट के रूप में: यह दिखाया गया कि बड़े "प्रशिक्षण" सिस्टमों पर पैरामीटर अनुकूलन करने के लिए (TN सिमुलेशन का उपयोग करके) छोटे सिस्टमों द्वारा पाए गए लोकल मिनिमा से बाहर निकलना संभव है, जिससे लक्षित बड़े सिस्टमों के लिए बेहतर ऊर्जा वितरण प्राप्त होता है।
एंटैंगलमेंट विश्लेषण: यह सिद्ध किया गया कि अनुकूलित QAOA अवस्थाएं (optimized QAOA states) इन लैटिसों पर सीमित एंटैंगलमेंट ग्रोथ प्रदर्शित करती हैं, जो गहरे डेप्थ पर भी, बॉन्ड डायमेंशन के साथ TN सन्निकटन की व्यवहार्यता को प्रमाणित करती है।
स्क्वायर लैटिस विस्तार: फ्रेमवर्क को स्क्वायर लैटिस (जो सरफेस कोड के लिए प्रासंगिक है) तक विस्तारित किया गया, यह पुष्टि करते हुए कि पैरामीटर कंसंट्रेशन बना रहता है, लेकिन यह उच्च कम्प्यूटेशनल लागत और उच्च बॉन्ड डायमेंशन की आवश्यकता को भी उजागर करता है क्योंकि शॉर्ट लूप्स BP सन्निकटन को कमजोर करते हैं।

4. मुख्य परिणाम (Key Results)

हेवी-हेक्सागोनल लैटिस (IBM आर्किटेक्चर):
- ट्रांसफर लिमिट्स: $n'=16$ पर प्रशिक्षित पैरामीटर्स ने $p \approx 50$ तक परिणामों में सुधार किया, लेकिन उसके बाद संतृप्त हो गए। $n=127$ के लिए, ये पैरामीटर्स ग्लोबल ऑप्टिमम तक पहुँचने में विफल रहे।
- TN अनुकूलन सफलता: TN सिमुलेशन का उपयोग करके बड़े सिस्टमों ( $n'=35$ ) पर प्रशिक्षण करने से $n'=16$ और $n'=27$ से जुड़े लोकल मिनिमा से सफलतापूर्वक बाहर निकलने में मदद मिली, जिससे लक्षित $n=127$ के लिए कम-ऊर्जा वाले नमूने प्राप्त हुए।
- सैंपलिंग गुणवत्ता: मध्यम बॉन्ड डायमेंशन ( $R_M=1$ से $32$) के लिए महत्व भार (importance weights) कम वेरिएंस के साथ एकता (unity) के करीब रहे, जो सैंपलिंग की विश्वसनीयता की पुष्टि करता है।
- एंटैंगलमेंट: बाइपार्टाइट एंटैंगलमेंट एंट्रॉपी ( $S_{cut}$ ) गहरे डेप्थ पर संतृप्त हो गई और बॉड डायमेंशन ( $\chi=32$ ) द्वारा निर्धारित सैद्धांतिक सीमा से काफी नीचे रही, जिससे संख्यात्मक स्थिरता सुनिश्चित हुई।
स्क्वायर लैटिस:
- पैरामीटर कंसंट्रेशन प्रभावी था, लेकिन शॉर्ट लूप्स के कारण BP सन्निकटन कम विश्वसनीय था।
- सटीक सैंपलिंग के लिए काफी बड़े नॉर्म-MPS रैंक ( $R_M$ ) और कम्प्यूटेशनल संसाधनों की आवश्यकता थी (GPU एक्सेलेरेशन का उपयोग किया गया था)।
- उच्च लागत के बावजूद, फ्रेमवर्क ने गहरे सर्किटों को सफलतापूर्वक सिम्युलेट किया और लो-एनर्जी समाधानों की पहचान की।

5. महत्व और निहितार्थ (Significance and Implications)

बेंचमार्किंग टूल: प्रस्तावित TN फ्रेमवर्क आधुनिक 2D क्वांटम हार्डवेयर पर VQAs के बेंचमार्किंग के लिए एक नियंत्रित, कुशल और स्केलेबल उपकरण प्रदान करता है, जिससे शोधकर्ता उन "डीप शेड्यूल" (deep schedule) क्षेत्रों की जांच कर सकते हैं जो वर्तमान में भौतिक उपकरणों की पहुँच से बाहर हैं।
प्रशिक्षण रणनीति: यह कार्य स्थापित करता है कि शास्त्रीय सरोगेट्स (TNs) न केवल फॉरवर्ड सिमुलेशन के लिए बल्कि सटीक डायगोनलाइजेशन से बड़े सिस्टम के लिए VQA पैरामीटर्स को प्रशिक्षित करने के लिए भी आवश्यक हैं। यह सुझाव देता है कि बड़े पैमाने की समस्याओं को हल करने के लिए, हमें केवल छोटे-इंस्टेंस ट्रांसफर पर निर्भर रहने के बजाय प्रतिनिधि सिस्टम आकारों पर प्रशिक्षण लेना चाहिए।
क्वांटम उपयोगिता (Quantum Utility): निष्कर्षों से पता चलता है कि स्थानिक रूप से स्थानीय (spatially local) स्पिन-ग्लास समस्याओं के लिए, शास्त्रीय TN विधियां (इमेजरी-टाइम इवोल्यूशन या TN सैंपलिंग के माध्यम से) अभी भी अत्यधिक प्रतिस्पर्धी हैं। यह उन विशिष्ट समस्या परिवारों की पहचान करने के महत्व को रेखांकित करता है जहाँ QAOA मजबूत शास्त्रीय एल्गोरिदम पर वास्तविक लाभ प्रदान करता है।
स्केलेबिलिटी: यह प्रदर्शन कि अनुकूलित QAOA सर्किटों में एंटैंगलमेंट सीमित रहता है, यह सुझाव देता है कि ये एल्गोरिदम शास्त्रीय सिमुलेशन और एरर मिटिगेशन के लिए अधिक अनुकूल हो सकते हैं, बशर्ते पैरामीटर्स अच्छी तरह से अनुकूलित हों।

निष्कर्षतः, यह शोध पत्र 2D लैटिस पर गहरे QAOA सर्किटों को सिम्युलेट करने और प्रशिक्षित करने के लिए एक मजबूत कार्यप्रणाली प्रस्तुत करता है, जो पैरामीटर ट्रांसफर रणनीतियों की क्षमता और उनकी मौलिक सीमाओं दोनों को प्रकट करता है, साथ ही निकट-अवधि क्वांटम कंप्यूटिंग के लिए शक्तिशाली सरोगेट मॉडल के रूप में टेंसर नेटवर्क की व्यवहार्यता को भी प्रदर्शित करता है।