⚛️ quantum physics

Towards Quantum Optimised Malware Containment

यह शोध पत्र मैलवेयर रोकथाम के लिए प्रभाव अनुमान और एज रिमूवल ऑप्टिमाइज़ेशन दोनों में क्वाड्रेटिक स्पीडअप प्राप्त करने के लिए क्वांटम एम्प्लीट्यूड एस्टीमेशन और ग्रोवर मिनिमम फाइंडिंग को संयोजित करने वाला एक हाइब्रिड क्वांटम दृष्टिकोण प्रस्तावित करता है, जो वर्तमान हार्डवेयर सीमाओं के बावजूद स्टोकेस्टिक नेटवर्क ऑप्टिमाइज़ेशन को त्वरित करने के लिए एक आशाजनक दीर्घकालिक समाधान प्रदान करता है।

मूल लेखक: Matthew Sutcliffe, Ravindra Mutyamsetty

प्रकाशित 2026-04-30

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Matthew Sutcliffe, Ravindra Mutyamsetty

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

एक कंप्यूटर नेटवर्क की कल्पना एक हलचल भरे शहर के रूप में करें जहाँ कुछ इमारतों में एक खतरनाक वायरस (मालवेयर) फैल गया है। यह वायरस इमारतों के बीच के रास्तों (कनेक्शन) के माध्यम से एक इमारत से दूसरी इमारत में फैलता है। शहर की सुरक्षा टीम को इस वायरस को पूरे शहर पर कब्जा करने से रोकना है, लेकिन वे पूरे शहर को बंद नहीं कर सकते; क्योंकि इससे बहुत अधिक अराजकता पैदा होगी और बहुत पैसा खर्च होगा। उन्हें बस सही रास्तों को बंद करने की जरूरत है ताकि वायरस को रोका जा सके और शहर का कामकाज भी चलता रहे।

यह शोध पत्र इस बारे में विचार करने के लिए एक नया, उच्च-तकनीकी तरीका प्रस्तावित करता है कि वास्तव में किन रास्तों को बंद किया जाना चाहिए। यह सुझाव देता है कि वर्तमान सुपरकंप्यूटरों की तुलना में इस समस्या को बहुत तेज़ी से हल करने के लिए क्वांटम कंप्यूटरों (Quantum Computers) का उपयोग किया जाए।

यहाँ उनके विचार का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

समस्या: "अनुमान लगाओ और जाँच करो" का जाल (The "Guess and Check" Trap)

वर्तमान में, सुरक्षा टीमें "मोंटे कार्लो सिमुलेशन" (Monte Carlo simulation) नामक विधि का उपयोग करती हैं। कल्पना कीजिए कि आप अनुमान लगाने की कोशिश कर रहे हैं कि जंगल में आग कितनी दूर तक फैलेगी। इसे करने के लिए, आप शायद 10,000 बार सिमुलेशन चलाएंगे, जिसमें हर बार हवा की स्थिति थोड़ी अलग होगी, और फिर एक अच्छा अनुमान प्राप्त करने के लिए परिणामों का औसत निकालेंगे।

पुराना तरीका: सबसे अच्छे रास्तों को खोजने के लिए, कंप्यूटर को उन हर एक सड़क के लिए इन 10,000 सिमुलेशन को चलाना पड़ता है जिसे बंद करने पर विचार किया जा रहा है। यदि जाँचने के लिए 1,000 सड़कें हैं, तो यह 10 मिलियन सिमुलेशन हो जाता है। यह धीमा, महंगा और गणनात्मक रूप से भारी है।
समझौता (The Trade-off): सड़क को बंद करने से वायरस रुक जाता है, लेकिन यदि आप एक प्रमुख राजमार्ग को बंद कर देते हैं, तो आप लोगों को काम पर जाने या अस्पतालों तक आपूर्ति पहुँचाने से भी रोक देते हैं। लक्ष्य एक आदर्श संतुलन खोजना है: कम से कम व्यवधान के साथ वायरस को रोकना।

समाधान: एक क्वांटम "सुपर-स्कैनर" (A Quantum "Super-Scanner")

लेखक इस प्रक्रिया को तेज़ करने के लिए दो विशिष्ट क्वांटम तकनीकों का उपयोग करते हुए एक हाइब्रिड दृष्टिकोण का प्रस्ताव देते हैं। इसे एक टॉर्च से अपग्रेड करके एक सुपर-पावर्ड स्कैनर बनाने के रूप में समझें।

1. क्वांटम एम्प्लीट्यूड एस्टिमेशन (QAE): "सुपर-सैंपल"

उपमा: कल्पना कीजिए कि आप एक विशाल जार में लाल मार्बल्स (कंचों) का प्रतिशत अनुमान लगाने की कोशिश कर रहे हैं।
- क्लासिकल विधि (Classical Method): आप हाथ अंदर डालते हैं, एक मार्बल निकालते हैं, उसे देखते हैं, उसे वापस रखते हैं, और एक अच्छा औसत प्राप्त करने के लिए इसे 10,000 बार दोहराते हैं।
- क्वांटम विधि (Quantum Method - QAE): क्वांटम कंप्यूटर एक जादुई जार की तरह काम करता है जो आपको एक ही बार में पूरे जार को "महसूस" करने देता है। एक-एक करके मार्बल्स निकालने के बजाय, यह एक ही जटिल गति में अनुपात का अनुमान लगाने के लिए क्वांटम भौतिकी का उपयोग करता है।
परिणाम: शोध पत्र का दावा है कि यह सटीकता प्राप्त करने के लिए "पुलों" (सिमुलेशन) की संख्या को 10,000 से घटाकर केवल 100 कर देता है। संक्रमण कितना बुरा होगा, इसका अनुमान लगाने के लिए यह एक बड़ी गति वृद्धि है।

2. ग्रोवर मिनिमम फाइंडिंग (GMF): "जादुई खोज"

उपमा: कल्पना कीजिए कि आपके पास 1,000 संदिग्धों की एक सूची है, और आपको वह व्यक्ति ढूंढना है जिसका "अपराध स्कोर" सबसे कम है।
- क्लासिकल विधि: आपको संदिग्ध #1, फिर #2, फिर #3, और #1,000 तक चेक करना होगा। सबसे खराब स्थिति में, आप हर किसी की जाँच करते हैं।
- क्वांटम विधि (Quantum Method - GMF): क्वांटम कंप्यूटर "सुपरपोजिशन" (एक साथ कई अवस्थाओं में होना) में सभी संदिग्धों को एक साथ देख सकता है। यह हस्तक्षेप (interference) का उपयोग करता है (जैसे तरंगों का एक-दूसरे को रद्द करना) ताकि सबसे अच्छे संदिग्ध के "अपराध स्कोर" को बढ़ाया जा सके और बाकी को शांत किया जा सके।
परिणाम: 1,000 संदिग्धों को एक-एक करके जाँचने के बजाय, क्वांटम कंप्यूटर लगभग 30 चरणों में (1,000 का वर्गमूल) सबसे अच्छे को खोज लेता है। यह सबसे अच्छे सड़क को खोजने की प्रक्रिया को बहुत तेज़ बनाता है।

सबको एक साथ जोड़ना

शोध पत्र इन दोनों उपकरणों को मिलाने का सुझाव देता है:

यह अनुमान लगाने के लिए कि यदि एक विशिष्ट सड़क को बंद कर दिया जाए तो वायरस कितना फैलेगा, QAE का उपयोग करें।
सभी संभावित सड़कों में से सबसे तेज़ खोज करने के लिए GMF का उपयोग करें जो न्यूनतम लागत पर सर्वोत्तम सुरक्षा प्रदान करती है।

वास्तविकता की जाँच: "फ्यूचर-प्रूफ" तकनीक

लेखक वर्तमान तकनीक की स्थिति के बारे में बहुत ईमानदार हैं। वे स्वीकार करते हैं कि हालांकि गणित कागज पर एकदम सही दिखता है, लेकिन हम अभी बड़े पैमाने पर ऐसा नहीं कर सकते।

"शोर वाला" हार्डवेयर (The "Noisy" Hardware): वर्तमान क्वांटम कंप्यूटर बहुत अधिक 'स्टैटिक' (शोर) वाले रेडियो की तरह हैं। वे "नॉइजी" (noisy) हैं। यदि आप आज उन पर कोई जटिल गणना चलाने की कोशिश करते हैं, तो स्टैटिक (त्रुटियां) परिणाम को बिगाड़ देता है।
प्रयोग: लेखकों ने वास्तविक क्वांटम हार्डवेयर पर छोटे परीक्षण चलाए (एक छोटा नेटवर्क जिसमें 2-10 नोड्स थे) और बाकी को क्लासिकल कंप्यूटरों पर सिम्युलेट किया। छोटे परीक्षणों ने दिखाया कि क्वांटम विधि ने भविष्यवाणी के अनुसार काम किया, लेकिन केवल बहुत छोटे पैमाने पर।
निष्कर्ष: यह एक प्रूफ ऑफ कॉन्सेप्ट (Proof of Concept) है। यह दिखाता है कि यदि हम भविष्य में "फॉल्ट-टॉलरेंट" (दोष-सहिष्णु) क्वांटम कंप्यूटर बनाते हैं (ऐसी मशीनें जो शोर से भ्रमित नहीं होती हैं), तो यह विधि मालवेयर को रोकने के तरीके में क्रांति ला सकती है। फिलहाल, यह एक दीर्घकालिक दिशा है, न कि कोई ऐसा उपकरण जिसे आप कल ही अपने आईटी विभाग में उपयोग कर सकें।

संक्षेप में: शोध पत्र कहता है, "हमारे पास एक क्वांटम सुपर-टूल का गणितीय ब्लूप्रिंट है जो आज की तुलना में कंप्यूटर वायरस को 100 गुना तेज़ी से रोक सकता है। हमने एक बहुत छोटे पैमाने पर इसके ब्लूप्रिंट का परीक्षण किया है और वे काम करते हैं, लेकिन वास्तविक चीज़ बनाने से पहले हमें बेहतर हार्डवेयर की आवश्यकता है।"

यहाँ मैथ्यू सुटक्लिफ़ और रविंद्र मुत्यामसेट्टी के शोध पत्र "Towards Quantum Optimised Malware Containment" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या की परिभाषा (Problem Definition)

यह शोध पत्र मालवेयर कंटेनमेंट समस्या (Malware Containment Problem) को संबोधित करता, जिसे नेटवर्क इन्फ्लुएंस मिनिमाइजेशन (Network Influence Minimisation) कार्य के रूप में स्वरूपित किया गया है।

संदर्भ: एक नेटवर्क ग्राफ $G=(V, E)$ में, मालवेयर संचार चैनलों (एजेस) के माध्यम से विशिष्ट सक्रियण संभावनाओं ( $p$ ) के साथ संक्रमित "सीड" नोड्स ( $S$ ) के एक सेट से स्टोकेस्टिक (stochastic) रूप से फैलता है।
उद्देश्य: उन एजेस ( $E'$ $E^{'}$ ) के एक सेट की पहचान करना जिन्हें हटाना (डिसेबल करना) है ताकि एक संयुक्त उद्देश्य फलन (objective function) को न्यूनतम किया जा सके:
$\lambda \sigma(S; G \setminus E', p \setminus E') + (1 - \lambda) OI(S; E', i)$
जहाँ:
- $\sigma$ : हटाने के बाद संक्रमित नोड्स की अपेक्षित संख्या (प्रभाव/इन्फ्लुएंस) है।
- $OI $: हटाने वाले एजेस के परिचालन प्रभाव (लागत) को दर्शाता है, जिसे उनके महत्व ($ i$) द्वारा भारित (weighted) किया गया है।
- $\lambda$ : सुरक्षा बनाम परिचालन निरंतरता को संतुलित करने वाला एक वेटिंग गुणांक (weighting coefficient) है।
क्लासिकल बॉटलनेक (Classical Bottleneck): पारंपरिक समाधान प्रभाव का अनुमान लगाने के लिए मोंटे कार्लो (MC) सिमुलेशन (विशेष रूप से इंडिपेंडेंट केसकेड मॉडल) के साथ मिलकर एक ग्रीडी एल्गोरिदम (Greedy Algorithm) का उपयोग करते हैं। यह दृष्टिकोण उच्च कम्प्यूटेशनल ओवरहेड से ग्रस्त है क्योंकि:
1. एक एकल एज हटाने के लिए प्रभाव का अनुमान लगाने के लिए $\epsilon$ एडिटिव एरर हेतु $O(1/\epsilon^2)$ MC सैंपल्स की आवश्यकता होती है।
2. ग्रीडी सर्च को उम्मीदवार एजेस की संख्या $O(|E_C|)$ का मूल्यांकन करने की आवश्यकता होती है, जिससे लागत बढ़ जाती है।

2. कार्यप्रणाली: हाइब्रिड क्वांटम दृष्टिकोण (Methodology: Hybrid Quantum Approach)

लेखक एक हाइब्रिड क्वांटम वर्कफ़्लो प्रस्तावित करते हैं जो दो सबसे महंगे क्लासिकल घटकों को क्वांटम एल्गोरिदम द्वारा प्रतिस्थापित करता है, जिससे अनुमान (estimation) और खोज (search) दोनों में क्वाड्रेटिक स्पीडअप (quadratic speedups) प्राप्त होता है।

A. प्रभाव अनुमान के लिए क्वांटम एम्प्लीट्यूड एस्टीमेशन (QAE)

भूमिका: यह मोंटे कार्लो सिमुलेशन को प्रतिस्थापित करता है।
तंत्र:
- एक यूनिटरी ऑपरेटर $A$ का निर्माण किया जाता है जो स्टोकेस्टिक डिफ्यूजन प्रक्रिया को एक क्वांटम स्टेट में एनकोड करता है।
- अपेक्षित प्रभाव (संक्रमण प्रसार की संभावना) को एक विशिष्ट "सफलता" स्टेट ( $|1\rangle$ ) के एम्प्लीट्यूड में मैप किया जाता है।
- QAE, फेज एस्टीमेशन और एम्प्लीट्यूड एम्प्लीफिकेशन का उपयोग करके इस संभावना का अनुमान लगाता है।
जटिलता में सुधार: यह लक्ष्य एडिटिव एरर $\epsilon$ के लिए सैंपलिंग जटिलता को $O(1/\epsilon^2)$ (क्लासिकल) से घटाकर $O(1/\epsilon)$ (क्वांटम) कर देता है।

B. एज चयन के लिए ग्रोवर मिनिमम फाइंडिंग (GMF)

भूमिका: यह उम्मीदवार एजेस पर क्लासिकल लीनियर सर्च को प्रतिस्थापित करता है।
तंत्र:
- एल्गोरिदम उस एज को खोजने का प्रयास करता है जिसे हटाने से उद्देश्य फलन (objective function) न्यूनतम हो जाता है।
- यह अनसॉर्टेड लिस्ट में न्यूनतम मान खोजने के लिए ड्यूर-होयर एल्गोरिदम (Dürr-Høyer algorithm) (ग्रोवर सर्च का एक संस्करण) का उपयोग करता है।
- महत्वपूर्ण रूप से, GMF में प्रयुक्त ओरैकल (oracle) को प्रभाव मानों को सुसंगत (coherently) रूप से प्रदान करने के लिए QAE सबरूटीन का उपयोग करना होता है।
जटिलता में सुधार: यह उम्मीदवार मूल्यांकनों की संख्या को $O(|E_C|)$ (क्लासिकल लीनियर सर्च) से घटाकर $O(\sqrt{|E_C|})$ (क्वांटम) कर देता है।

C. तालमेल (Synergy)

दोनों एल्गोरिदम आपस में जुड़े हुए हैं: GMF तब तक अपना स्पीडअप प्राप्त नहीं कर सकता जब तक कि प्रत्येक उम्मीदवार का मान (प्रभाव) सुसंगत रूप से क्वेरी न किया जाए। QAE यह सुसंगत क्वेरी तंत्र प्रदान करता है, जिससे समग्र वर्कफ़्लो अनुमान संबंधी बाधा और खोज संबंधी बाधा दोनों को एक साथ हल करने में सक्षम होता है।

3. मुख्य योगदान (Key Contributions)

औपचारिक समस्या निरूपण: मालवेयर कंटेनमेंट को संक्रमण प्रसार और परिचालन व्यवधान को संतुलित करने वाली एक वेटेड ऑप्टिमाइजेशन समस्या के रूप में परिभाषित किया।
एल्गोरिद्मिक फ्रेमवर्क: प्रस्तावित किया कि एक नया संयोजन QAE और GMF का उपयोग करता है जो विशेष रूप से स्टोकेस्टिक नेटवर्क ऑप्टिमाइज़ेशन के लिए तैयार किया गया है।
जटिलता विश्लेषण: यह सैद्धांतिक प्रमाण प्रदान किया कि हाइब्रिड दृष्टिकोण एरर स्केलिंग ( $1/\epsilon$ बनाम $1/\epsilon^2$ ) और सर्च स्पेस स्केलिंग ( $\sqrt{N}$ बनाम $N$ ) दोनों में क्वाड्रेेटिक सुधार प्रदान करता है।
ओरेकल निर्माण: ग्राफ डिफ्यूजन प्रक्रियाओं और परिचालन लागतों को एनकोड करने के लिए आवश्यक क्वांटम ओरैकल्स के सैद्धांतिक निर्माण का वर्णन किया।
अनुभवजन्य सत्यापन (Empirical Validation): छोटे पैमाने के नेटवर्कों पर क्लासिकल सिमुलेशन और वास्तविक क्वांटम हार्डवेयर (IBM 'Fez') पर GMF के निष्पादन के माध्यम से अपने दृष्टिकोण का परीक्षण किया।

4. परिणाम और प्रयोग (Results and Experiments)

लेखकों ने दो अलग-अलग प्रयोगात्मक चरणों के माध्यम से अपने दृष्टिकोण को सत्यापित किया:

QAE मूल्यांकन (क्लासिकल सिमुलेशन):
- सेटअप: 20-नोड रैंडम ग्राफ पर परीक्षण किया गया।
- निष्कर्ष: 99.5% सटीकता ( $\epsilon = 0.005$ ) प्राप्त करने के लिए, क्लासिकल MC विधि को ~16,000 इटरेशन की आवश्यकता थी (जो केवल 99.31% सटीकता तक पहुँच सकी), जबकि QAE ने केवल 50 ओरैकल कॉल्स में 99.86% सटीकता प्राप्त की।
- स्केलिंग: यह इटरेशन में ~320x की कमी को दर्शाता है, जो सैद्धांतिक भविष्यवाणी (200x सुधार, $O(1/\epsilon^2)$ बनाम $O(1/\epsilon)$ ) के करीब है।
GMF मूल्यांकन (वास्तविक हार्डवेयर):
- सेटअप: 2–10 नोड्स और 1–16 उम्मीदवार एजेस वाले ग्राफ के साथ IBM के 'Fez' क्वांटम प्रोसेसर पर परीक्षण किया गया।
- निष्कर्ष: ग्रोवर-आधारित खोज ने क्लासिकल लीनियर सर्च की तुलना में चरणों (ओरैकल कॉल्स) की संख्या में स्पष्ट कमी प्रदर्शित की।
- सीमा: NISQ (Noisy Intermediate-Scale Quantum) उपकरणों में शोर के कारण, प्रयोग बहुत छोटे पैमाने तक सीमित थे। वर्तमान में रनटाइम लाभ सैद्धांतिक है, क्योंकि एक एकल गहरे क्वांटम ओरैकल कॉल की लागत क्लासिकल सिमुलेशन की तुलना में अधिक है।

5. महत्व और भविष्य की राह (Significance and Outlook)

सैद्धांतिक क्षमता: यह शोध पत्र स्थापित करता है कि क्वांटम कंप्यूटिंग स्टोकेस्टिक नेटवर्क ऑप्टिमाइज़ेशन समस्याओं को हल करने के लिए एक आशाजनक दीर्घकालिक दिशा है, जो साइबर सुरक्षा रक्षा मॉडलों को बदल सकती है।
वर्तमान सीमाएँ: फॉल्ट-टोलरेंट क्वांटम कंप्यूटर (FTQC) की कमी के कारण व्यावहारिक कार्यान्वयन वर्तमान में अव्यावहारिक है। QAE सर्किट की गहराई और शोर के प्रति GMF की संवेदनशीलता उन्हें बड़े पैमाने पर NISQ हार्डवेयर के लिए अनुपयुक्त बनाती है।
भविष्य की दिशा: यह कार्य एक प्रूफ ऑफ कॉन्सेप्ट (Proof of Concept) के रूप में कार्य करता है। जैसे-जैसे हार्डवेयर फॉल्ट टॉलरेंस की ओर बढ़ेगा, प्रदर्शित क्वाड्रेेटिक स्पीडअप वास्तविक समय में बड़े पैमाने पर मालवेयर कंटेनमेंट रणनीतियों को सक्षम कर सकते हैं, जो वर्तमान में कम्प्यूटेशनल रूप से अत्यधिक कठिन हैं।

संक्षेप में, यह शोध पत्र दर्शाता है कि क्वांटम एम्प्लीट्यूड एस्टीमेशन और ग्रोवर मिनिमम फाइंडिंग का लाभ उठाकर, मालवेयर प्रसार को कम करने की कम्प्यूटेशनल जटिलता को क्वाड्रेेटिक रूप से कम किया जा सकता है, जो क्लासिकल ग्रीडी दृष्टिकोणों पर एक महत्वपूर्ण सैद्धांतिक लाभ प्रदान करता है, बशर्ते कि भविष्य का हार्डवेयर आवश्यक सुसंगतता (coherence) और त्रुटि सुधार (error correction) का समर्थन कर सके।