⚛️ quantum physics

Efficient Complex-Valued State Preparation on Bucket Brigade QRAM

यह शोध पत्र एक उन्नत बकेट ब्रिगेड QRAM आर्किटेक्चर प्रस्तुत करता है जो मेमोरी में रोटेशन एंगल्स और फेजेस को प्रीकंप्यूट करके जटिल-मान वाले क्वांटम स्टेट्स की कुशल, पॉलीलॉगैरिद्मिक-टाइम तैयारी को सक्षम बनाता है, जिससे QPU पर रिवर्सिबल अरिथमेटिक की आवश्यकता समाप्त हो जाती है और $\mathcal{O}(\log_2^2(MN))$ क्वेरी कॉम्प्लेक्सिटी बनी रहती है।

मूल लेखक: Alessandro Berti, Francesco Ghisoni

प्रकाशित 2026-04-29

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Alessandro Berti, Francesco Ghisoni

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 आपके पास शास्त्रीय डेटा (जैसे संख्याओं का एक विशाल स्प्रेडशीट) का एक विशाल पुस्तकालय है और आप इसे एक क्वांटम कंप्यूटर में लोड करना चाहते हैं। लक्ष्य इस डेटा को एक "क्वांटम अवस्था" (quantum state) में बदलना है, जहाँ संख्याएँ विभिन्न संगीत स्वरों के 'वॉल्यूम' (आयाम/amplitude) बन जाती हैं। इसे एम्प्लीट्यूड एनकोडिंग (Amplitude Encoding) कहा जाता है।

समस्या यह है कि इस डेटा को लोड करना आमतौर पर धीमा और बोझिल होता है। यदि लोडिंग प्रक्रिया में बहुत अधिक समय लगता है, तो यह उन सभी गति लाभों को समाप्त कर देता है जो एक क्वांटम कंप्यूटर आपको देने वाला होता है।

यह शोध पत्र इस डेटा को लोड करने का एक नया, अधिक कुशल तरीका प्रस्तुत करता है, जिसमें एक विशिष्ट प्रकार की क्वांटम मेमोरी का उपयोग किया गया है जिसे बकेट ब्रिगेड QRAM (Bucket Brigade QRAM) (इसे एक अत्यधिक व्यवस्थित, स्वचालित गोदाम की तरह समझें) कहा जाता है। लेखक, एलेसांद्रो बर्टी और फ्रांसेस्को घिसोनी ने मौजूदा विधि में दो प्रमुख सुधार किए हैं ताकि इसे तेज़ और अधिक बहुमुखी बनाया जा सके।

इन सुधारों का विवरण सरल उपमाओं का उपयोग करते हुए यहाँ दिया गया है:

1. "प्री-कुक्ड मील" अपग्रेड (कैलकुलेटर को हटाना)

पुराना तरीका:
कल्पना कीजिए कि आप एक केक बनाने की कोशिश कर रहे हैं एक शेफ के रूप में। हर बार जब आपको चीनी की एक विशिष्ट मात्रा जोड़ने की आवश्यकता होती है, तो आपको रुकना पड़ता है, एक तराजू उठाना पड़ता है, चीनी को तौलना पड़ता है, सटीक अनुपात का पता लगाने के लिए कुछ गणित करना पड़ता है, और फिर उसे डालना पड़ता है। पुराने क्वांटम तरीके में, कंप्यूटर को डेटा लोड करते समय जटिल गणित (जोड़, भाग, वर्गमूल और त्रिकोणमिति) करना पड़ता था। यह धीमा था और इसके लिए अतिरिक्त, नाजुक उपकरणों (रिवर्सिबल अरिथमेटिक सर्किट) की आवश्यकता थी।

नया तरीका:
लेखकों ने महसूस किया कि गणित को चलते समय (on the fly) करने की आवश्यकता नहीं है। इसके बजाय, उन्होंने कहा: "आइए हम सारा गणित खाना शुरू करने से पहले ही कर लें।"

उन्होंने सभी आवश्यक "रोटेशन एंगल्स" (चीनी की सटीक मात्रा) को एक नियमित क्लासिकल कंप्यूटर पर पहले ही कैलकुलेट कर लिया।
उन्होंने इन पहले से कैलकुलेट किए गए नंबरों को सीधे क्वांटम गोदाम के मेमोरी सेल्स में स्टोर कर दिया।
अब, जब क्वांटम कंप्यूटर डेटा लोड करता है, तो वह बस पहले से मापी गई सामग्री को उठाता है और उसे डाल देता है। कोई गणित नहीं, कोई तराजू नहीं, किसी अतिरिक्त उपकरण की आवश्यकता नहीं।

परिणाम: क्वांटम कंप्यूटर बहुत हल्का और तेज़ हो जाता है क्योंकि इसे काम करते समय जटिल गणित का भारी बोझ नहीं उठाना पड़ता।

2. "रंगीन पेंट" अपग्रेड (कॉम्प्लेक्स नंबर्स को संभालना)

पुराना तरीका:
पिछली विधि केवल "ब्लैक एंड व्हाइट" डेटा (वास्तविक संख्याएं/real numbers) को ही संभाल सकती थी। यदि कोई संख्या ऋणात्मक (negative) थी, तो उसके पास उसे चिह्नित करने के लिए एक सरल ट्रिक थी। लेकिन कई वास्तविक दुनिया की समस्याओं (जैसे अणुओं या रासायनिक प्रतिक्रियाओं का अनुकरण करना) में "कॉम्प्लेक्स" (complex) संख्याओं की आवश्यकता होती है। आप कॉम्प्लेक्स नंबरों को केवल उनके आकार के रूप में ही नहीं, बल्कि एक रंग या फेज (phase) (जैसे एक घूमता हुआ तीर जो एक विशिष्ट दिशा की ओर इशारा कर रहा है) के रूप में भी देख सकते हैं। पुराना तरीका इन रंगों को पेंट नहीं कर सकता था; यह केवल ब्लैक एंड व्हाइट डेटा को संभाल सकता था।

नया तरीका:
लेखकों ने इन "रंगों" को संभालने के लिए सिस्टम का विस्तार किया।

उन्होंने पहले चरण (आकार/मैग्निट्यूड को लोड करना) को बिल्कुल वैसा ही रखा।
उन्होंने दूसरा चरण जोड़ा: एक "फेज एनकोडिंग" चरण। आकार लोड करने के बाद, कंप्यूटर गोदाम की एक और त्वरित यात्रा करता है ताकि प्रत्येक संख्या के लिए "रंग" (फेज) की जानकारी प्राप्त की जा सके।
इसके बाद वह क्वांटम स्टेट पर एक "कलर फिल्टर" लगाता है, जिससे ब्लैक-एंड-व्हाइट डेटा रंगीन डेटा में बदल जाता है।

परिणाम: सिस्टम अब जटिल, घूमते हुए डेटा को संभालने में सक्षम है जिसकी आवश्यकता रसायन विज्ञान और उन्नत भौतिकी के लिए होती है, न कि केवल साधारण धनात्मक और ऋणात्मक संख्याओं की।

बड़ी तस्वीर

लेखकों ने डेटा के आकार के साथ एक्सेस करने की गति की मौलिक सीमा को नहीं बदला है (यह अभी भी डेटा के आकार के साथ लॉगरिदमिक रूप से बढ़ती है), बल्कि उन्होंने इस प्रक्रिया को स्मार्टर बनाया है:

क्वांटम कंप्यूटर को सरल बनाया: कठिन गणित को पहले से ही क्लासिकल कंप्यूटर पर स्थानांतरित करके, क्वांटम हिस्सा अधिक साफ-सुथरा हो गया है और इसमें कम संसाधनों की आवश्यकता है।
कार्यक्षेत्र का विस्तार किया: फेज एनकोडिंग चरण जोड़कर, उन्होंने जटिल डेटा को संभालने की क्षमता अनलॉक की, जो वैज्ञानिक सिमुलेशन के लिए आवश्यक है।

संक्षेप में: उन्होंने एक ऐसे तरीके को लिया जो बॉक्स ले जाते समय गणित करने की कोशिश करने वाले एक अनाड़ी रोबोट जैसा था, और उसे एक सुव्यवस्थित असेंबली लाइन में बदल दिया जहाँ गणित पहले ही कर लिया जाता है, और रोबोट बस कुशलतापूर्वक पहले से लेबल किए गए बॉक्स उठाता है और अंतिम स्पर्श (रंग) जोड़ता है। यह पूरे प्रक्रम को वास्तविक क्वांटम मशीनों के निर्माण के लिए अधिक व्यावहारिक बनाता है।

यहाँ एलेसांद्रो बर्टी और फ्रांसेस्को घिसोनी के शोध पत्र "Efficient Complex-Valued State Preparation on Bucket Brigade QRAM" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र बड़े क्लासिकल डेटासेट के लिए कुशल क्वांटम स्टेट प्रिपरेशन (efficient quantum state preparation) की महत्वपूर्ण बाधा को संबोधित करता है। क्वांटम मशीन लर्निंग, लीनियर अलजेब्रा और फाइनेंस के क्वांटम एल्गोरिदम में, क्लासिकल डेटा को क्वांटम अवस्थाओं (विशेष रूप से एम्प्लीट्यूड एनकोडिंग) में एनकोड करना आवश्यक होता है ताकि क्वांटम स्पीडअप का लाभ उठाया जा सके।

लक्ष्य: मैट्रिक्स $A \in \mathbb{C}^{M \times N}$ के लिए अवस्था $|A\rangle = \frac{1}{\|A\|_F} \sum_{i,j} a_{i,j} |i\rangle|j\rangle$ को तैयार करना।
चुनौती: पिछले कुशल तरीके (विशेष रूप से संदर्भ [1] में फ्रेमवर्क) बकेट ब्रिगेड QRAM (BBQRAM) और सेगमेंट ट्री (Segment Tree) पर निर्भर थे। हालाँकि, इस दृष्टिकोण की दो महत्वपूर्ण सीमाएँ थीं:
1. रिवर्सिबल अरिथमेटिक ओवरहेड (Reversible Arithmetic Overhead): इसमें प्रत्येक ट्री लेवल पर U2CR (यूनिटरी 2-कंपोनेंट रोटेशन) नामक एक सबरूटीन की आवश्यकता थी। U2CR सबट्री वेट्स को रोटेशन एंगल्स में बदलने के लिए रिवर्सिबल एडिशन, डिवीजन, स्क्वायर रूट और आर्कसाइन ऑपरेशंस करता है। यह महत्वपूर्ण सर्किट डेप्थ, एंसिला क्विबिट्स (ancilla qubits) और जटिलता पेश करता है, जो फॉल्ट-टोलरेंट कार्यान्वयन के लिए एक बाधा है।
2. रियल-वैल्यूड रिस्ट्रिक्शन (Real-Valued Restriction): मूल फ्रेमवर्क केवल रियल-वैल्यूड मैट्रिसेस ( $A \in \mathbb{R}^{M \times N}$ ) का समर्थन करता था। कई अनुप्रयोगों (क्वांटम केमिस्ट्री, डिफरेंशियल इक्वेशन डिस्क्रीटाइजेशन) के लिए कॉम्प्लेक्स-वैल्यूड डेटा की आवश्यकता होती है, जिसे मूल विधि बिना किसी एड-हॉक संशोधनों के स्वाभाविक रूप से हैंडल नहीं कर सकती थी।

2. कार्यप्रणाली (Methodology)

लेखक एक आर्किटेक्चर-अवेयर फ्रेमवर्क प्रस्तावित करते हैं जो BBQRAM हार्डवेयर मॉडल और सेगमेंट ट्री डेटा स्ट्रक्चर को बनाए रखता है, लेकिन अरिथमेटिक को समाप्त करने और कॉम्प्लेक्स नंबर्स को सपोर्ट करने के लिए डेटा लेआउट और क्वांटम प्रक्रिया को मौलिक रूप से बदल देता है।

A. क्लासिकल प्रीकंप्यूटेशन (U2CR को हटाना)

QPU पर रोटेशन एंगल्स को डायनामिक रूप से कंप्यूट करने के बजाय, लेखक देखते हैं कि रोटेशन एंगल्स पूरी तरह से मैट्रिक्स एंट्रीज के स्क्वेर्ड मोडुलस (squared moduli) पर निर्भर करते हैं, जो प्रीप्रोसेसिंग के बाद क्लासिकली ज्ञात होते हैं।

एंगल ट्री ( $\Theta$ ): वे "एंगल ट्री" नामक एक व्युत्पन्न डेटा स्ट्रक्चर का निर्माण करते हैं। सेगमेंट ट्री के प्रत्येक इंटरनल नोड के लिए, वे क्लासिकली रोटेशन एंगल $\theta_z = 2 \arcsin\left(\sqrt{\frac{T_R}{T_L + T_R}}\right)$ को प्रीकंप्यूट करते हैं।
मेमोरी लेआउट: ये प्रीकंप्यूटेड एंगल्स सीधे BBQRAM मेमोरी सेल्स में स्टोर किए जाते हैं।
परिणाम: क्वांटम प्रक्रिया को अब एडर (adders), डिवाइडर (dividers), स्क्वायर रूट या आर्कसाइन फंक्शन की आवश्यकता नहीं है। यह केवल प्रीकंप्यूटेड एंगल को प्राप्त करता है और कंट्रोल्ड रोटेशन गेट्स के एक कैस्केड को लागू करता है।

B. कॉम्प्लेक्स-वैल्यूड मैट्रिसेस का विस्तार

$A \in \mathbb{C}^{M \times N}$ को हैंडल करने के लिए, लेखक प्रत्येक एंट्री को पोलर फॉर्म में डिकंपोज करते हैं: $a_{z} = |a_z| e^{i\phi_z}$ ।

मैग्निट्यूड प्रिपरेशन (Magnitude Preparation): यह एंगल्स ( $\Theta$ ) का उपयोग करके $|a_z|$ को ठीक वैसे ही तैयार करता है जैसे रियल-वैल्यूड केस में किया जाता है।
फेज एनकोडिंग (Phase Encoding): एक अलग फेज लेयर ( $\Phi$ ) प्रत्येक लीफ एंट्री के लिए फेज एंगल्स $\phi_z$ (modulo $2\pi$ ) को स्टोर करती है। मैग्निट्यूड प्रिपरेशन के बाद, एक अतिरिक्त BBQRAM क्वेरी इन फेजेस को प्राप्त करती है, और कंट्रोल्ड फेज गेट्स ( $P$ gates) का एक कैस्केड प्रत्येक बेसिस स्टेट पर सही फेज लागू करता है।
रियल-वैल्यूड स्पेशलाइजेशन: रियल मैट्रिसेस के लिए, फेज लेयर एक सिंगल साइन बिट ($0 $पॉजिटिव के लिए,$ \pi$ नेगेटिव के लिए) में सिमट जाती है, जो स्वाभाविक रूप से रियल-वैल्यूड केस को समाहित करती है।

3. मुख्य योगदान (Key Contributions)

रिवर्सिबल अरिथमेटिक का उन्मूलन: रोटेशन एंगल्स की गणना को क्लासिकल प्रीप्रोसेसिंग में स्थानांतरित करके, QPU प्रक्रिया को BBQRAM रिट्रीवल और कंट्रोल्ड-रोटेशन कैस्केड्स तक सीमित कर दिया गया है। यह जटिल रिवर्सिबल अरिथमेटिक सर्किट्स (एडर/डिवाइडर/स्क्वायर रूट/आर्कसाइन) और उनके संबंधित एंसिला क्विबिट्स की आवश्यकता को समाप्त करता है।
स्पष्ट कॉम्प्लेक्स-वैल्यूड कंस्ट्रक्शन: यह पेपर कॉम्प्लेक्स एम्प्लीट्यूड को एनकोड करने के लिए एक कठोर, आर्किटेक्चर-अवेयर विधि प्रदान करता है। यह एक विशिष्ट मेमोरी लेआउट (एंगल ट्री + फेज लेयर) और एक दो-चरणीय क्वांटम एल्गोरिदम को परिभाषित करता है जो रियल-वैल्यूड वर्जन की समान एसिम्प्टोटिक क्वेरी कॉम्प्लेक्सिटी बनाए रखता है।
रिसोर्स ऑप्टिमाइजेशन: यह दृष्टिकोण प्रति इटरेशन QPU रिसोर्स काउंट (क्विबिट्स और गेट डेप्थ) को काफी कम करता है, जबकि पोलिलॉगैरिथमिक क्वेरी टाइम बाउंड को सुरक्षित रखता है।

4. परिणाम और कॉम्प्लेक्सिटी एनालिसिस (Results and Complexity Analysis)

लेखक अपने मेथड की दक्षता के संबंध में औपचारिक गारंटी (Theorem 18) प्रदान करते हैं:

क्वेरी टाइम: BBQRAM में पाइपलाइन्ड रूटिंग के माध्यम से, क्वेरी टाइम $O(\log^2_2(MN))$ बना रहता है, जो पिछले स्टेट-ऑफ-द-आर्ट के बराबर है।
QPU रिसोर्स:
- क्विबिट्स: इसके लिए $O(\log_2(MN))$ क्विबिट्स की आवश्यकता होती है (विशेष रूप से कॉम्प्लेक्स डेटा के लिए $k + 2t + 1$ , जहाँ $k=\log_2(MN)$ और $t$ प्रिसिजन है)।
- गेट्स: प्रक्रिया में $O(\log_2(MN))$ इटरेशन शामिल हैं, जिनमें से प्रत्येक में एक BBQRAM रिट्रीवल और $O(t)$ डेप्थ वाला कंट्रोल्ड-रोटेशन कैस्केड शामिल है।
- कोई रिवर्सिबल अरिथमेटिक नहीं: QPU शून्य रिवर्सिबल अरिथमेटिक ऑपरेशंस करता है (कोई एडर/डिवाइडर नहीं)।
मेमोरी: $O(MN)$ BBQRAM मेमोरी सेल्स की आवश्यकता है।
- कॉम्प्लेक्स डेटा के लिए: प्रति सेल $2t$ बिट्स (एक $t$ -बिट एंगल, एक $t$ -bit फेज)।
- रियल डेटा के लिए: प्रति सेल $t+1$ बिट्स (एक $t$ -बिट एंगल, एक साइन बिट)।
क्लासिकल प्रीप्रोसेसिंग: ट्री बनाने और मेमोरी लिखने के लिए $O(MN \cdot \text{poly}(t))$ समय की आवश्यकता होती है। यह लागत बार-बार होने वाले स्टेट प्रिपरेशन में एमोर्टाइज (amortized) की जाती है।

5. महत्व (Significance)

व्यावहारिक व्यवहार्यता (Practical Feasibility): भारी रिवर्सिबल अरिथमेटिक सर्किट्स (U2CR) को हटाकर, प्रस्तावित एल्गोरिदम फॉल्ट-टोलेंट क्वांटम इम्प्लीमेंटेशन के लिए बहुत अधिक अनुकूल है। रिवर्सिबल अरिथमेटिक T-गेट ओवरहेड और एंसिला आवश्यकताओं का एक प्रमुख स्रोत है; इसे हटाना स्टेट प्रिपरेशन स्टेप को काफी हल्का बनाता है।
व्यापक प्रयोज्यता (Broad Applicability): कॉम्प्लेक्स नंबर्स के लिए विस्तार क्वांटम केमिस्ट्री और क्वांटम सिमुलेशन जैसे क्षेत्रों के लिए महत्वपूर्ण है, जहाँ डेटा स्वाभाविक रूप से कॉम्प्लेक्स होता है। पिछले हार्डवेयर-अवेयर तरीके रियल नंबर्स तक ही सीमित थे।
आर्किटेक्चर-अवेयर डिज़ाइन: यह पेपर विशेष मेमोरी आर्किटेक्चर (BBQRAM) के साथ क्वांटम एल्गोरिदम के को-डिज़ाइन (co-design) के महत्व को पुख्ता करता है। यह दर्शाता है कि क्लासिकल प्रीप्रोसेसिंग और मेमोरी लेआउट को ऑप्टिमाइज़ करके, हम रूटिंग कॉस्ट को नजरअंदाज करने वाले एब्स्ट्रैक्ट ऑरेकल मॉडल पर निर्भर हुए बिना कुशल स्टेट प्रिपरेशन प्राप्त कर सकते हैं।
भविष्य की दिशाएं: लेखक नोट करते हैं कि हालांकि क्वेरी कॉम्प्लेक्सिटी हार्डवेयर मॉडल के लिए इष्टतम है, BBQRAM का भौतिक क्रियान्वयन एक इंजीनियरिंग चुनौती बना हुआ है। भविष्य के कार्य स्पार्स मैट्रिक्स लेआउट, एडेप्टिव प्रिसिजन और डायनेमिक अपडेट्स का पता लगा सकते हैं।

संक्षेप में, यह कार्य BBQRAM-आधारित स्टेट प्रिपरेशन फ्रेमवर्क को परिष्कृत करता है, जिससे यह अरिथमेटिक-फ्री बनता है और कॉम्प्लेक्स-वैल्यूड डेटा के लिए यूनिवर्सली एप्लीकेबल हो जाता है, जिससे डेटा-इंटेंसिव अनुप्रयोगों में व्यावहारिक क्वांटम एडवांटेज के लिए एक बड़ी बाधा दूर हो जाती है।