⚛️ quantum physics

A Spectral Gap Informed Parameter Schedule for QAOA

यह शोध पत्र "स्पेक्ट्रल गैप इन्फॉर्म्ड रैम्प्स" (SGIR-QAOA) प्रस्तावित करता है, जो एक ऐसी विधि है जो एक एडियाबेटिक हैमिल्टोनियन के स्पेक्ट्रल गैप का उपयोग करके पैरामीटर शेड्यूल्स को निर्देशित करके क्वांटम एप्रोक्सिमेट ऑप्टिमाइजेशन एल्गोरिदम के प्रदर्शन और दक्षता में सुधार करती है, जो ग्रोवर की समस्या और मैक्सिमम इंडिपेंडेंट सेट समस्या दोनों पर मौजूदा लीनियर रैम्प विधियों पर लाभ प्रदर्शित करती है।

मूल लेखक: Kieran McDowall, Konstantinos Georgopoulos, Petros Wallden

प्रकाशित 2026-04-28

📖 4 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kieran McDowall, Konstantinos Georgopoulos, Petros Wallden

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

क्वांटम कंप्यूटरों के लिए "स्मार्ट स्पीड" रणनीति

कल्पना कीजिए कि आप एक पेशेवर पर्वतारोही हैं जो एक बहुत ही खड़ी, ऊबड़-खाबड़ पहाड़ी की चोटी पर पहुँचने की कोशिश कर रहे हैं (यह एक जटिल गणितीय समस्या का सही उत्तर खोजने का प्रतिनिधित्व करता है)।

ऊंचाई तक पहुँचने के लिए, आपके पास आगे बढ़ने के दो मुख्य तरीके हैं: या तो आप एक समान गति से अंधाधुंध दौड़ लगा सकते हैं, या आप इलाके की कठिनाई के आधार पर अपनी गति की सावधानीपूर्वक योजना बना सकते हैं।

समस्या: "अंधा धावक" (LR-QAOA)

वर्तमान में, कई लोग LR-QAOA नामक पद्धति का उपयोग करते हैं। इसे एक ऐसे पर्वतारोही के रूप में सोचें जिसने निर्णय लिया है, "मैं नीचे से ऊपर तक एक स्थिर, निरंतर गति से चलूँगा, चाहे कुछ भी हो।"

यह समतल जमीन पर ठीक काम करता है। लेकिन जैसे ही पर्वतारोही एक संकरी, ढहती हुई चट्टान (जिसे वैज्ञानिक "स्पेक्ट्रल गैप" कहते हैं) पर पहुँचता है, एक निरंतर गति खतरनाक होती है। यदि वे उस कठिन चट्टान पर बहुत तेज़ चलते हैं, तो वे फिसल जाएंगे, अपना संतुलन खो देंगे और शिखर तक पहुँचने में विफल हो जाएंगे। क्वांटम कंप्यूटिंग में, यह "फिसलन" का अर्थ है कि कंप्यूटर आपको गलत उत्तर देता है।

समाधान: "स्मार्ट नेविगेटर" (SGIR-QAOA)

इस शोध पत्र के लेखकों ने SGIR-QAOA नामक एक नई विधि प्रस्तावित की है। एक निरंतर गति के बजाय, यह पर्वतारोही एक हाई-टेक जीपीएस (GPS) का उपयोग करता है जो भविष्यवाणी करता है कि खतरनाक, संकरी चट्टानें कहाँ हैं।

"स्मार्ट नेविगेटर" एक सरल नियम का पालन करता है: जब रास्ता कठिन हो तो धीमे हो जाएं, और जब रास्ता आसान हो तो तेज़ हो जाएं।

पहाड़ी पर चढ़ना शुरू करने से पहले ही "पहाड़ी के आकार" (समस्या के गणितीय परिदृश्य) को देखकर, वे एक कस्टम "शेड्यूल" तैयार करते हैं। वे समय बचाने के लिए आसान हिस्सों में तेज़ी से आगे बढ़ते हैं, लेकिन जब वे सबसे संकरे, सबसे कठिन हिस्सों में पहुँचते हैं, तो वे बहुत छोटे, सावधानीपूर्ण कदम उठाते हैं।

क्या यह वास्तव में काम करता है?

शोधकर्ताओं ने इस "स्मार्ट नेविगेटर" रणनीति का परीक्षण दो मुख्य चुनौतियों पर किया:

भूसे के ढेर में सुई (ग्रोवर की समस्या): यह एक विशाल रेगिस्तान में रेत के एक विशिष्ट कण को खोजने जैसा है। शोधकर्ताओं ने पाया कि "स्मार्ट नेविगेटर" ने निरंतर-गति वाले धावक की तुलना में बहुत अधिक विश्वसनीयता के साथ उस कण को खोजा और इसके लिए बहुत कम "प्रयास" (कम गहराई/समय) की आवश्यकता पड़ी।
सोशल डिस्टेंसिंग पहेली (मैक्सिमम इंडिपेंडेंट सेट): कल्पना कीजिए कि आप एक बहुत बड़ी पार्टी आयोजित कर रहे हैं, लेकिन कुछ मेहमान एक-दूसरे को नापसंद करते हैं और एक ही मेज पर नहीं बैठ सकते। आप बिना किसी झगड़े के अधिक से अधिक लोगों को आमंत्रित करना चाहते हैं। यह कंप्यूटरों के लिए एक अत्यंत कठिन समस्या है। "स्मार्ट नेविगेटर" इस पहेली को हल करने में पुराने तरीके की तुलना में काफी बेहतर था।

यह भविष्य की तकनीक के लिए क्यों महत्वपूर्ण है?

इन तीन कारणों से यह तकनीक रोमांचक है:

यह स्केलेबल (Scalable) है: भले ही "पहाड़" इतने बड़े हो गए कि कंप्यूटर उन्हें पूरी तरह से मैप न कर सके, शोधकर्ताओं ने सटीक रूप से इलाके का "अनुमान" लगाने का एक तरीका खोज निकाला ताकि स्मार्ट रणनीति का उपयोग जारी रखा जा सके।
यह लचीला (Resilient) है: वास्तविक दुनिया के क्वांटम कंप्यूटर "शोर वाले" (noisy) होते हैं—वे त्रुटियों के प्रति संवेदनशील होते हैं, जैसे कि भारी हवा और बारिश से जूझता हुआ एक पर्वतारोही। शोधकर्ताओं ने दिखाया कि इन अव्यवस्थित, शोर वाले हालातों में भी, "स्मार्ट नेविगेटर" ने धावक से बेहतर प्रदर्शन किया।
यह ऊर्जा/समय बचाता है: क्योंकि स्मार्ट विधि कम चरणों का उपयोग करके उत्तर तक पहुँचती है, इसलिए इसके आज के "शोर वाले" क्वांटम कंप्यूटरों पर काम करने की संभावना बहुत अधिक है, जो लंबी और थका देने वाली यात्राओं को संभालने में सक्षम नहीं हैं।

संक्षेप में: अंधे होकर दौड़ने और बेहतर होने की उम्मीद करने के बजाय, यह शोध पत्र क्वांटम कंप्यूटरों को रास्ता "पढ़ना" सिखाता है ताकि वे सटीकता और दक्षता के साथ सबसे कठिन समस्याओं का समाधान कर सकें।

तकनीकी सारांश: QAOA के लिए एक स्पेक्ट्रल गैप सूचित पैरामीटर शेड्यूलिंग

1. समस्या विवरण

क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन एल्गोरिदम (QAOA), कॉम्बिनेटरियल ऑप्टिमाइज़ेशन समस्याओं को हल करने के लिए एक अग्रणी वेरिएशनल क्वांटम एल्गोरिदम है। हालाँकि, इसका प्रदर्शन वेरिएशनल पैरामीटर्स ( $\beta, \gamma$ ) के चयन पर अत्यधिक निर्भर करता है। स्थानीय मिनिमा (local minima) और बैरन प्लेटो (barren plateaus) के कारण इष्टतम पैरामीटर्स खोजना अक्सर एक NP-हार्ड कार्य होता है।

मौजूदा प्रयास जो QAOA को "डी-वेरिएशनलइज़" (de-variationalize) करने की कोशिश करते हैं—अर्थात, अनुकूलन की आवश्यकता को कम करते हैं—उन्होंने लीनियर रैम्प QAOA (LR–QAOA) को पेश किया है। LR–QAOA, क्वांटम एडियाबेटिक एल्गोरिदम (QAA) से प्रेरित पैरामीटर लीनियर शेड्यूल्स का उपयोग करता है। हालाँकि, लीनियर शेड्यूल्स कई समस्याओं (जैसे ग्रोवर सर्च) के लिए उप-इष्टतम (sub-optimal) होते हैं क्योंकि वे स्पेक्ट्रल गैप (spectral gap)—अर्थात, ग्राउंड स्टेट और प्रथम एक्साइटेड स्टेट के बीच न्यूनतम ऊर्जा अंतर—को ध्यान में नहीं रखते हैं। एडियाबेटिक इवोल्यूशन में, सिस्टम को तब धीरे-धीरे विकसित होना चाहिए जब स्पेक्ट्रल गैप छोटा हो, ताकि डायैबेटिक ट्रांजिशन (त्रुटियों) से बचा जा सके।

2. कार्यप्रणाली (Methodology)

लेखक स्पेक्ट्रल गैप इंफॉर्म्ड रैम्प QAOA (SGIR–QAOA) प्रस्तावित करते हैं। एक साधारण लीनियर रैम्प के बजाय, यह विधि एक एडियाबेटिक हैमिल्टनियन के वास्तविक आइगेनवैल्यू स्पेक्ट्रम के आधार पर एक स्मूथ पैरामीटर शेड्यूल व्युत्पन्न करती है।

एडियाबेटिक हैमिल्टनियन निर्माण: लेखक एक एडियाबेटिक हैमिल्टनियन $H_{Ad} = (1-s)H_{mix} + sH_C$ को परिभाषित करते हैं, जहाँ $H_{mix}$ QAOA मिक्सर हैमिल्टनियन है और $H_C$ कॉस्ट हैमिल्टनियन है। यह मिक्सर को शुरुआती बिंदु के रूप में उपयोग करके मानक QAA से भिन्न है।
शेड्यूल व्युत्पत्ति: शेड्यूल $f(s)$ को स्पेक्ट्रल गैप $g(s)$ के भारित संचयी इंटीग्रल (weighted cumulative integral) का उपयोग करके गणना किया जाता है:
$f(s) = \frac{\int_{0}^{s} [g(s') - g_{min}]^\kappa ds'}{\int_{0}^{1} [g(s') - g_{min}]^\kappa ds'}$
जहाँ $\kappa$ एक ट्यूनेबल एक्सपोनेंट (जिसे 2 पर सेट किया गया है) है जो न्यूनतम गैप ( $g_{min}$ ) के आसपास विकास की गति को केंद्रित करता है।
एक्सट्रपलेशन द्वारा स्केलेबिलिटी: चूंकि बड़े सिस्टमों के लिए सटीक स्पेक्ट्रम की गणना करना कम्प्यूटेशनल रूप से महंगा है, लेखकों ने एक एक्सट्रपलेशन तकनीक (extrapolation technique) विकसित की है। वे छोटे समस्या आकार के लिए गैप की गणना करते हैं और उन रुझानों का उपयोग बहुत बड़े पैमानों के लिए शेड्यूल का अनुमान लगाने के लिए करते हैं।
मूल्यांकन मेट्रिक्स: प्रदर्शन को एक स्थिर गहराई $p$ पर ऑप्टिमल सॉल्यूशन प्रोबेबिलिटी ( $P_s$ ) और एक विशिष्ट सफलता थ्रेशोल्ड तक पहुँचने के लिए आवश्यक गहराई $p$ के माध्यम से मापा जाता है।

3. मुख्य योगदान

SGIR–QAOA का परिचय: एक नई पैरामीटर शेड्यूलिंग विधि जो समस्या के भौतिक गुणों (स्पेक्ट्रल गैप) का उपयोग करके एल्गोरिदम को निर्देशित करती है।
LR–QAOA पर श्रेष्ठता का प्रदर्शन: यह सिद्ध करना कि स्पेक्ट्रल-सूचित शेड्यूल्स, लीनियर रैम्प की तुलना में सफलता की संभावना और सर्किट गहराई दक्षता दोनों में बेहतर प्रदर्शन करते हैं।
स्केलेबिलिटी फ्रेमवर्क: एक ऐसी विधि प्रदान करना जिससे उन बड़े पैमाने की समस्याओं के लिए इन सूचित शेड्यूल्स को लागू किया जा सके जहाँ सटीक स्पेक्ट्रल गणना असंभव है।
नॉइज़ रोबस्टनेस विश्लेषण: यह दिखाना कि यह विधि डिपोलराइजिंग नॉइज़ (depolarizing noise) के तहत भी अपने लाभ बनाए रखती है।

4. परिणाम

लेखकों ने दो प्राथमिक बेंचमार्क पर अपने तरीके को मान्य किया:

ग्रोवर सर्च प्रॉब्लम:
- SGIR–QAOA ने LR–QAOA और रैंडम पैरामीटर गेस की तुलना में स्थिर गहराई पर उच्च ऑप्टिमल सॉल्यूशन प्रोबेबिलिटी ( $P_s$ ) प्राप्त की।
- महत्वपूर्ण रूप से, जैसे-जैसे समस्या का आकार $n$ बढ़ता गया, SGIO–QAOA को सफलता थ्रेशोल्ड 0.1 तक पहुँचने के लिए काफी कम सर्किट गहराई $p$ की आवश्यकता पड़ी।
मैक्सिमम इंडिपेंडेंट सेट (MIS) प्रॉब्लम:
- 3-रेगुलर स्पार्स ग्राफ पर, SGIR–QAOA ने LR–QAOA ( $2^{-(0.56 \pm 0.02)n}$ ) की तुलना में $2^{-(0.41 \pm 0.02)n}$ की बेहतर एक्सपोनेंशियल स्केलिंग दिखाई।
- एक्सट्रपलेशन तकनीक ने बड़े समस्या आकारों के लिए इस लाभ को सफलतापूर्वक बनाए रखा जहाँ सटीक गैप की गणना नहीं की जा सकती थी।
नॉइज़ परफॉरमेंस: डिपोलराइजिंग नॉइज़ के तहत, SGIR–QAOA ने शोर रहित (noiseless) LR–QAOA की तुलना में कम गहराई पर उच्च पीक सफलता दर प्राप्त की, जो यह सुझाव देता है कि यह निकट-अवधि (NISQ) हार्डवेयर के लिए अधिक व्यावहारिक है।

5. महत्व

यह कार्य QAOA पैरामीटर चयन के प्रतिमान को ह्यूरिस्टिक ऑप्टिमाइज़ेशन से फिजिक्स-इंफॉर्म्ड शेड्यूलिंग की ओर स्थानांतरित करता है। स्पेक्ट्रल गैप को शामिल करके, SGIR–QAOA डायैबेटिक ट्रांजिशन के जोखिम को कम करता है, जिससे उथले (shallower) सर्किट के साथ उच्च सफलता दर प्राप्त होती है। यह NISK युग के लिए अत्यधिक महत्वपूर्ण है, जहाँ सर्किट की गहराई डिकोहेरेंस और नॉइज़ द्वारा सख्ती से सीमित होती है। इन शेड्यूल्स को एक्सट्रपलेट करने की क्षमता इस पद्धति को बड़े, अधिक जटिल वास्तविक दुनिया की समस्याओं के लिए स्केलिंग करने हेतु एक व्यवहार्य उम्मीदवार बनाती है।