⚛️ quantum physics

Solving a Linear System of Equations on a Quantum Computer by Measurement

यह शोध पत्र फॉल्ट-टोलरेंट क्वांटम कंप्यूटरों के लिए एक वेरिएशनल मेजरमेंट-आधारित एल्गोरिदम प्रस्तुत करता है जो फेज एस्टीमेशन के माध्यम से टार्गेट फिडेलिटी को पुनरावृत्ति से अनुकूलित करके रैखिक प्रणालियों (लिनियर सिस्टम्स) को हल करता है, जिससे पाउली डिकम्पोजिशन, कंडीशन नंबर निर्भरता और मेजरमेंट स्केलिंग के संबंध में पिछली विधियों की सीमाओं को दूर किया जा सके।

मूल लेखक: Alain Giresse Tene, Thomas Konrad

प्रकाशित 2026-04-30

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Alain Giresse Tene, Thomas Konrad

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, जटिल पहेली को हल करने की कोशिश कर रहे हैं। गणित की दुनिया में, यह पहेली एक रैखिक समीकरणों का निकाय (system of linear equations) है। इसे एक विशाल रेसिपी की तरह समझें जहाँ आपके पास सामग्री की एक सूची (एक मैट्रिक्स में नंबर) है और एक अंतिम व्यंजन है जिसे आप बनाना चाहते हैं (उत्तर)। आमतौर पर, उस सटीक रेसिपी को खोजना बहुत समय लेता है, खासकर यदि सामग्रियों की सूची बहुत बड़ी और अव्यवस्थित (जिसे गणितज्ञ "डेंस" मैट्रिक्स कहते हैं) हो।

यह शोध पत्र क्वांटम कंप्यूटरों के लिए इन पزشलियों को हल करने का एक नया तरीका पेश करता है। मानक, धीमी विधियों के बजाय, लेखक एक तकनीक प्रस्तावित करते हैं जिसे वे "मेजरमेंट टेस्ट एल्गोरिदम" (Measurement Test Algorithm) कहते हैं।

यह कैसे काम करता है, यहाँ सरल उपमाओं के माध्यम से समझाया गया है:

1. लक्ष्य: "गोल्डन स्टेट" को खोजना

एक क्वांटम कंप्यूटर में, जानकारी क्यूबिट्स (qubits) में संग्रहीत होती है, जो एक ही समय में कई अवस्थाओं में हो सकते हैं। यहाँ लक्ष्य एक विशिष्ट अवस्था (क्यूबिट्स की एक विशिष्ट व्यवस्था) को खोजना है जो गणितीय समस्या के सही उत्तर का प्रतिनिधित्व करती है।

क्वांटम कंप्यूटर को एक रेडियो ट्यूनर की तरह समझें। आप एक विशिष्ट फ्रीक्वेंसी (सही उत्तर) पर रेडियो ट्यून करना चाहते हैं। अभी रेडियो में शोर (static) भरा हुआ है और वह केवल शोर बजा रहा है। एल्गोरिदम का काम उन नॉब्स (knobs) को घुमाना है जब तक कि शोर साफ न हो जाए और आपको एकदम स्पष्ट सिग्नल सुनाई न देने लगे।

2. पुराना तरीका बनाम नया तरीका

पुराना तरीका (वेरिएशनल क्वांटम एल्गोरिदम):
पिछली विधियाँ उस रेडियो को एक-एक करके हर स्टेशन चेक करके ट्यून करने की कोशिश करने जैसी थीं। ऐसा करने के लिए, कंप्यूटर को समस्या को छोटे, सरल टुकड़ों (जिन्हें "पॉली स्ट्रिंग्स" कहा जाता है) में तोड़ना पड़ता था। यदि समस्या जटिल थी (एक "डेंस" मैट्रिक्स), तो चेक करने के लिए बहुत अधिक टुकड़े होते थे। यह समुद्र के किनारे रेत के हर एक कण को गिनने की कोशिश करने जैसा था ताकि एक विशिष्ट कण को खोजा जा सके—इसमें बहुत समय लगता था और यह अक्षम था।

नया तरीका (मेजरमेंट टेस्ट एल्गोरिदम):
लेखकों की नई विधि इस उबाऊ टुकड़े-दर-टुकड़े गिनती को छोड़ देती है। इसके बजाय, यह एक प्रत्यक्ष माप (direct measurement) का उपयोग करती है।

कल्पना कीजिए कि आपके पास एक बंद बॉक्स है जिसके अंदर एक अकेली सुनहरी चाबी है।
बॉक्स के माध्यम से चाबी के आकार को महसूस करने की कोशिश करने के बजाय (जो कठिन और गलत हो सकता है), आप एक विशेष स्कैनर (फेज एस्टिमेशन एल्गोरिदम) का उपयोग करते हैं जो आपको ठीक-ठीक बताता है कि चाबी कैसी दिखती है।
एल्गोरिदम एक "अनुमान" (एक क्वांटम अवस्था) तैयार करता है और फिर यह स्कैनर चलाता है।
यदि स्कैनर कहता है, "हाँ, यह वही सुनहरी चाबी है!" (अर्थात माप का परिणाम शून्य है), तो बहुत अच्छा!
यदि यह कहता है, "नहीं," तो कंप्यूटर नॉब्स (पैरामीटर्स) को थोड़ा बदलता है और फिर से प्रयास करता है।

3. "ट्यूनिंग" की प्रक्रिया

कंप्यूटर केवल एक बार अनुमान नहीं लगाता। यह एक लूप (loop) चलाता है:

अनुमान (Guess): कंप्यूटर समायोज्य सेटिंग्स (पैरामीटर्स) के आधार पर एक क्वांटम अवस्था बनाता है।
माप (Measure): यह देखने के लिए कि अनुमान वास्तविक उत्तर के कितने करीब है, यह "स्कैनर" चलाता है।
सीखना (Learn): एक क्लासिकल कंप्यूटर (क्वांटम मशीन के बाहर का मस्तिष्क) परिणाम को देखता है। यदि "सिग्नल" एकदम सही नहीं था, तो वह अगले अनुमान को बेहतर बनाने के लिए नॉब्स को एडजस्ट करता है।
दोहराना (Repeat): यह तब तक चलता रहता है जब तक कि सही उत्तर मिलने की संभावना 100% के जितना संभव हो सके करीब न पहुँच जाए।

4. यह एक बड़ी बात क्यों है

शोध पत्र इस नई विधि के तीन प्रमुख लाभों पर प्रकाश डालता है:

यह "अव्यवस्थित" समस्याओं को संभालता है: पुरानी विधियाँ जटिल, "डेंस" पहेलियों के साथ संघर्ष करती थीं क्योंकि उन्हें बहुत सारे छोटे टुकड़ों में तोड़ना पड़ता था। यह नई विधि पूरे बिखरे हुए हिस्से को एक साथ संभालने के लिए पूरी पहेली को बिना तोड़े इस्तेमाल कर सकती है। यह एक जिगसॉ पहेली को हल करने जैसा है जहाँ आप हर टुकड़े को अलग ढेर में डालने के बजाय पूरी तस्वीर को देखते हैं।
यह "कठिनाई" से नहीं रुकता: आमतौर पर, कुछ गणितीय समस्याएं दूसरों की तुलना में कठिन होती हैं (जिसे "कंडीशन नंबर" द्वारा मापा जाता है)। पुराने क्वांटम तरीके समस्या जितनी कठिन होती गई, उतने ही धीमे और कम सटीक होते गए। यह नया तरीका कहता है, "जब तक हमारे पास शोर से उत्तर को अलग करने के लिए पर्याप्त मेमोरी (क्यूबिट्स) है, तब तक समस्या की कठिनाई हमें धीमा नहीं करेगी।"
यह अधिक प्रयासों के साथ अधिक सटीक होता है: उत्तर की सटीकता इस बात पर निर्भर करती है कि आप माप को कितनी बार चलाते हैं। यदि आप परीक्षण को अधिक बार (अधिक "शॉट्स") चलाते हैं, तो उत्तर अधिक स्पष्ट होता जाता है। शोध पत्र दिखाता है कि जैसे-जैसे आप मापों की संख्या बढ़ाते हैं, त्रुटि (error) पूर्वानुमानित रूप से कम होती जाती है, जिससे बहुत उच्च स्तर की सटीकता प्राप्त होती है।

5. कमी: इसे एक "परफेक्ट" कंप्यूटर की आवश्यकता है

लेखक इसकी एक सीमा के बारे में बहुत स्पष्ट हैं: इस एल्गोरिदम के लिए एक फॉल्ट-टोलरेंट (त्रुटि-सहिष्णु) क्वांटम कंप्यूटर की आवश्यकता होती है।

वर्तमान क्वांटम कंप्यूटरों को "शोर वाले" प्रोटोटाइप की तरह समझें। वे प्रयोगों के लिए महान हैं लेकिन गलतियाँ आसानी से करते हैं।
यह नया एल्गोरिदम एक उच्च-सटीक सर्जिकल उपकरण की तरह है; इसे काम करने के लिए एक स्वच्छ, पूर्ण ऑपरेटिंग रूम (एक फॉल्ट-टोलरेंट कंप्यूटर) की आवश्यकता होती है। इसे आज उपलब्ध वर्तमान, शोर वाले मशीनों पर नहीं चलाया जा सकता है।

सारांश

यह शोध पत्र जटिल गणितीय समीकरणों को हल करने के लिए क्वांटम कंप्यूटरों के लिए एक नई "ट्यूनिंग" रणनीति प्रस्तुत करता है। समस्या को छोटे, धीमे टुकड़ों में तोड़ने के बजाय, यह सही उत्तर को "सुनने" के लिए एक प्रत्यक्ष माप तकनीक का उपयोग करता है। बार-बार अनुमान लगाकर, मापकर और सुधार करके, कंप्यूटर सबसे जटिल, अव्यवस्थित समीकरणों का भी समाधान पा सकता है, बशर्ते उसके पास इसे चलाने के लिए एक पूर्ण, त्रुटि-मुक्त क्वांटम मशीन हो।

यहाँ एलेन गिरसे टेने और थॉमस कोनराड के शोध पत्र "Solving a Linear System of Equations on a Quantum Computer by Measurement" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र क्वांटम कंप्यूटरों पर रैखिक समीकरणों ($Mx = b$) को हल करने की चुनौती को संबोधित करता है, विशेष रूप से सघन (dense/non-sparse) मैट्रिसेस को लक्षित करते हुए।

मौजूदा विधियों की सीमाएँ: वर्तमान वेरिएशनल क्वांटम एल्गोरिदम (VQAs), जैसे कि वेरिएशनल क्वांटम लीनियर सॉल्वर (VQLS), कॉस्ट फंक्शन ऑब्जर्वेबल को पॉली स्ट्रिंग्स (Pauli strings) में विघटित करने पर निर्भर करते हैं। सघन मैट्रिसेस के लिए, पॉली स्ट्रिंग्स की संख्या क्यूबिट्स की संख्या के साथ तेजी से (exponentially) बढ़ती है। इसके कारण निम्नलिखित समस्याएं होती हैं:
- अत्यधिक मेजरमेंट ओवरहेड (शॉट नॉइज़ संचय)।
- नॉन-कम्यूटेटिविटी (non-commutativity) के कारण अक्षमता।
- सामान्य सघन मैट्रिसेस को उचित समय सीमा के भीतर संभालने में असमर्थता।
रीडआउट बॉटलनेक (Readout Bottleneck): मानक एम्प्लिट्यूड एनकोडिंग (amplitude encoding) घातीय भंडारण क्षमता प्रदान करती है, लेकिन एम्प्लिट्यूड्स के प्रत्यक्ष मापन के लिए घातीय चरणों की आवश्यकता होती है। VQAs पैरामीटर्स को अनुकूलित करके इसे बायपास करने का प्रयास करते हैं, लेकिन वे अभी भी सघन प्रणालियों के लिए ऑब्जेक्टिव फंक्शन के मूल्यांकन के लिए संघर्ष करते हैं।

2. कार्यप्रणाली: मेजरमेंट टेस्ट एल्गोरिदम (Methodology: The Measurement Test Algorithm)

लेखक एक नया वेरिएशनल एल्गोरिदम प्रस्तावित करते हैं जिसे मेजरमेंट टेस्ट एल्गोरिदम कहा जाता है। पारंपरिक VQAs के विपरीत, जो ज्ञात ऑब्जर्वेबल्स के एक्सपेक्टेशन वैल्यू के आधार पर कॉस्ट फंक्शन को कम करते हैं, यह एल्गोरिदम क्वांटम मेजरमेंट के माध्यम से सीधे टारगेट फिडेलिटी (target fidelity) (सिस्टम को समाधान अवस्था में प्रोजेक्ट करने की प्रायिकता) को अधिकतम करता है।

मुख्य अवधारणाएं (Core Concepts)

आइगेनवैल्यू समस्या के रूप में पुनर्गठन: रैखिक प्रणाली $Mx = b $को एक सेल्फ-एडजॉइंट ऑपरेटर$ A$ के शून्य-आइगेनस्टेट (zero-eigenstate) को खोजने में परिवर्तित किया जाता है:
$A = \hat{M}^\dagger (I - |b\rangle\langle b|) \hat{M}$
समाधान $|y\rangle$ (जिससे $x$ प्राप्त किया जाता है) इस प्रकार संतुष्ट करता है: $A|y\rangle = 0$ ।
वेरिएशनल एन्सैट्ज़ (Variational Ansatz): एक पैरामीटराइज्ड क्वांटम सर्किट $V(\alpha)$ एक ट्रायल स्टेट $|\psi(\alpha)\rangle = V(\alpha)|0\rangle$ तैयार करता है। लक्ष्य ऐसे पैरामीटर्स $\alpha$ खोजना है जिससे $|\psi(\alpha)\rangle$ , टारगेट आइजनस्टेट $|y\rangle$ की ओर अभिसरित (converge) हो सके।
फेज एस्टिमेशन के माध्यम से क्वांटम मेजरमेंट: ऑब्जर्वेबल $A$ के एक्सपेक्टेशन वैल्यूज को मापने के बजाय, यह एल्गोरिदम फेज एस्टिमेशन एल्गोरिदम (PEA) का उपयोग करके $A$ के वॉन न्यूमैन मेजरमेंट (Von Neumann measurement) को लागू करता है:
- एक इनपुट रजिस्टर एन्सैट्ज़ स्टेट को धारण करता है।
- एक आउटपुट रजिस्टर (एंसिल) का उपयोग $A$ के आइगेनवैल्यू को स्टोर करने के लिए किया जाता है।
- कंट्रोल्ड यूनिटरी ऑपरेशंस $U = \exp(2\pi i A)$ लागू किए जाते हैं।
- आउटपुट रजिस्टर पर एक इनवर्स क्वांटम फूरियर ट्रांसफॉर्म (QFT) बाइनरी प्रतिनिधित्व में आइगेनवैल्यू $\lambda$ प्रदान करता है।
ऑप्टिमाइजेशन लूप:
- एल्गोरिदम प्रत्येक इटरेशन में $N$ बार सर्किट चलाता है।
- यह आइगेनवैल्यू $\lambda = 0$ (जिसे आउटपुट रजिस्टर में सभी ज़ीरो के रूप में दर्शाया गया है) को मापने की आवृत्ति $N_0$ को गिनता है।
- मेरिट फंक्शन (Merit function) सापेक्ष आवृत्ति $p(0) = N_0/N$ है, जो फिडेलिटी $F_T = |\langle y | \psi(\alpha) \rangle|^2$ का अनुमान लगाती है।
- एक क्लासिकल ऑप्टिमाइज़र (विशेष रूप से Rotosolve) पैरामीटर्स $\alpha$ को $p(0)$ को अधिकतम करने के लिए समायोजित करता है।

3. प्रमुख योगदान (Key Contributions)

यह शोध पत्र पिछले VQAs की तुलना में तीन प्रमुख प्रगति पेश करता है:

सघन मैट्रिसेस को संभालना (Handling Dense Matrices): यह एल्गोरिदम पॉली स्ट्रिंग डिकम्पोजिशन पर निर्भर नहीं है। यह फेज एस्टिमेशन के माध्यम से पूरे ऑब्जर्वेबल $A$ को एक इकाई के रूप में मानता है। यह इसे पॉली टर्म्स के घातीय ओवरहेड के बिना सघन मैट्रिसेस के लिए आइजनवेक्टर्स की गणना करने की अनुमति देता है।
कंडीशन नंबर स्वतंत्रता (Accuracy Scaling के संदर्भ में): हालांकि आउटपुट रजिस्टर के लिए आवश्यक क्यूबिट्स की संख्या कंडीशन नंबर $\kappa$ को पहचानने के लिए लॉगरिदमिक रूप से स्केल करती है ( $m \ge 2 \log_2 \kappa$ ), समाधान की सटीकता (accuracy) $\kappa$ द्वारा सीमित नहीं है।
- इसके विपरीत, VQLS जैसे तरीकों में $\kappa$ बढ़ने के साथ सटीकता में गिरावट आती है।
- यहाँ, सटीकता पूरी तरह से मापन (shots) की संख्या द्वारा निर्धारित होती है।
Heisenberg Scaling के साथ सटीकता: प्रति इटरेशन $N$ मेजरमेंट्स के साथ टारगेट फिडेलिटी $F_T = 1 - \epsilon$ का स्केल होता है:
$\epsilon \propto \frac{1}{N}$
यह हाइजेनबर्ग स्केलिंग (Heisenberg scaling) (क्वांटम मेट्रोलॉजी के लिए इष्टतम स्केलिंग) का प्रतिनिधित्व करता है, जबकि मानक सैंपलिंग अक्सर $1/\sqrt{N}$ के रूप में स्केल होती है। यह एल्गोरिदम विशिष्ट परिणाम $\lambda=0$ की प्रायिकता का सीधा अनुमान लगाकर इसे प्राप्त करता है।

4. परिणाम (Results)

लेखकों ने संख्यात्मक सिमुलेशन के माध्यम से एल्गोरिदम को सत्यापित किया:

टेस्ट केस: गैर-शून्य डिटर्मिनेंट वाले सघन, रैंडम, रियल-वैल्यूड $16 \times 16$ मैट्रिसेस।
अभिसरण (Convergence): टारगेट फिडेलिटी संतृप्ति (saturation) तक पहुंचने तक इटरेशन की संख्या के साथ तेजी से बढ़ी।
सटीकता सत्यापन (Accuracy Verification):
- $N = 2 \times 10^4$ शॉट्स के साथ, फिडेलिटी $F_T \approx 1 - 2 \times 10^{-4}$ पर संतृप्त हुई।
- शॉट्स को बढ़ाकर $N = 2 \times 10^6$ करने से फिडेलिटी $F_T \approx 1 - 2 \times 10^{-6}$ तक सुधर गई।
- इसने इस सैद्धांतिक भविष्यवाणी की पुष्टि की कि $\epsilon \approx a^2/N$ (जहाँ $a$ ऑप्टिमाइज़र के स्टॉपिंग क्राइटेरिया से संबंधित एक स्थिरांक है)।
VQLS के साथ तुलना:
- सिमुलेशन ने दिखाया कि मेजरमेंट टेस्ट एल्गोरिदम में एस्टिमेटर का सापेक्ष मानक विचलन (relative standard deviation) पॉली स्ट्रिंग्स की संख्या के बावजूद स्थिर रहा।
- इसके विपरीत, VQLS के लिए सापेक्ष मानक विचलन पॉली स्ट्रिंग्स की संख्या के साथ रैखिक रूप से बढ़ा, जिससे $16 \times 16$ सिस्टम के लिए 256 पॉली स्ट्रिंग्स की आवश्यकता के कारण VQLS सघन मैट्रिसेस के लिए अव्यवहारिक हो गया।

5. महत्व और निहितार्थ (Significance and Implications)

फॉल्ट-टोलरेंट आवश्यकता (Fault-Tolerant Requirement): फेज एस्टिमेशन एल्गोरिदम (PEA) को विश्वसनीय रूप से लागू करने के लिए इस एल्गोरिदम को फॉल्ट-टोलरेंट क्वांटम कंप्यूटिंग की आवश्यकता है। यह वर्तमान NISQ (Noisy Intermediate-Scale Quantum) उपकरणों के लिए डिज़ाइन नहीं किया गया है।
नया प्रतिमान (New Paradigm): यह एक "क्वांटिक एल्गोरिदम बिना क्लासिकल एनालॉग के" का प्रस्ताव करता है जहाँ एल्गोरिदम एक ज्ञात कॉस्ट फंक्शन के बजाय एक अज्ञात ऑब्जर्वेबल (समाधान अवस्था पर प्रोजेक्टर) के एक्सपेक्टेशन वैल्यू को ऑप्टिमाइज़ करता है।
स्केलेबिलिटी (Scalability): सटीकता को मैट्रिक्स कंडीशन नंबर से अलग करके और पॉली डिकम्पोजिशन से बचकर, यह विधि सघन मैट्रिसेस के साथ उच्च-आयामी रैखिक प्रणालियों को हल करने के लिए एक व्यवहार्य मार्ग प्रदान करती है, जो वर्तमान मानक VQAs के लिए कठिन कार्य है।
भविष्य के अनुप्रयोग: इस फ्रेमवर्क को अन्य कार्यों में विस्तारित किया जा सकता है जिनमें सेल्फ-एडजॉइंट ऑपरेटर्स का अनुकूलन शामिल है, जैसे कि वेरिएशनल क्वांटम आइजनवैल्यू सॉल्वर (VQE) में ग्राउंड स्टेट एनर्जी खोजना।

निष्कर्ष:
मेजरमेंट टेस्ट एल्गोरिदम क्वांटम लीनियर अल्जेब्रा में एक महत्वपूर्ण सैद्धांतिक कदम है। यह वर्तमान वेरिएशनल विधियों की "पॉली स्ट्रिंग बॉटलनेक" को दूर करता है, और सघन रैखिक प्रणालियों को हल करने का एक मार्ग प्रदान करता है जहाँ सटीकता मैट्रिक्स गुणों के बजाय केवल मेजरमेंट सांख्यिकी (शॉट नॉइज़) द्वारा सीमित होती है, बशर्ते फॉल्ट-टोलरेंट हार्डवेयर उपलब्ध हो।