⚛️ quantum physics

Neural-powered unit disk graph embedding: qubits connectivity for some QUBO problems

यह शोध पत्र न्यूट्रल एटम क्वांटम हार्डवेयर के लिए कंस्ट्रेंड यूनिट डिस्क ग्राफ एम्बेडिंग समस्या को हल करने के लिए एक न्यूरल नेटवर्क-आधारित दृष्टिकोण प्रस्तावित करता है, जो यह प्रदर्शित करता है कि यह QUBO समस्याओं को भौतिक क्विबिट कॉन्फ़िगरेशन में मैप करने के लिए गुरोबी (Gurobi) सॉल्वर से बेहतर प्रदर्शन करता है।

मूल लेखक: Chiara Vercellino, Paolo Viviani, Giacomo Vitali, Alberto Scionti, Andrea Scarabosio, Olivier Terzo, Edoardo Giusto, Bartolomeo Montrucchio

प्रकाशित 2026-05-07

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Chiara Vercellino, Paolo Viviani, Giacomo Vitali, Alberto Scionti, Andrea Scarabosio, Olivier Terzo, Edoardo Giusto, Bartolomeo Montrucchio

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, लेकिन आपके पास इस बात के लिए बहुत विशिष्ट, विचित्र नियम हैं कि उनके टुकड़े एक साथ कैसे फिट हो सकते हैं। यह उस चुनौती का वर्णन है जिसका सामना वैज्ञानिक एक नए प्रकार के क्वांटम कंप्यूटर के साथ करते हैं जो व्यक्तिगत परमाणुओं (विशेष रूप से, "रिडबर्ग परमाणुओं") को अपने निर्माण खंडों के रूप में उपयोग करता है।

यहाँ इस शोध पत्र का एक सरल विवरण दिया गया है, जिसे रोजमर्रा के उपमाओं (analogies) का उपयोग करके समझाया गया है।

समस्या: "सोशल डिस्टेंसिंग" वाले परमाणु

एक क्वांटम कंप्यूटर को एक डांस फ्लोर के रूप में सोचें जहाँ नर्तक (dancers) परमाणु हैं। इन परमाणुओं के पास एक बहुत ही विशिष्ट सामाजिक नियम है:

"ब्लॉकडे" (Blockade) का नियम: यदि दो परमाणु एक-दूसरे के बहुत करीब आते हैं (एक विशिष्ट "ब्लॉकडे रेडियस" से कम), तो वे "एंटैंगल्ड" (entangled) हो जाते हैं। इसका मतलब है कि वे एक ही समय में "एक्साइटेड" अवस्था में नहीं हो सकते। यह एक ऐसे नियम की तरह है जो कहता है, "यदि आप अपने पड़ोसी के 5 फीट के भीतर खड़े होते हैं, तो आप दोनों एक ही समय में ऊपर नहीं कूद सकते।"
लक्ष्य: वैज्ञानिक परमाणुओं को डांस फ्लोर पर इस तरह व्यवस्थित करना चाहते हैं ताकि उनके "सामाजिक नियम" (कौन किसके करीब है) उस विशिष्ट गणितीय समस्या से पूरी तरह मेल खा सकें जिसे वे हल करना चाहते हैं (जिसे QUO B समस्या कहा जाता है)।

चुनौती:

डांस फ्लोर छोटा है: परमाणुओं को एक बहुत छोटे घेरे के भीतर रहना चाहिए (लगभग रेत के एक कण के आकार का)।
न्यूनतम दूरी: वे बहुत करीब नहीं हो सकते (4 माइक्रोमीटर से कम), अन्यथा मशीन टूट जाएगी।
ज्यामिति (Geometry): समस्या की आवश्यकता है कि यदि दो परमाणु "दोस्त" हैं (गणितीय समस्या में जुड़े हुए हैं), तो उन्हें ब्लॉकडे को ट्रिगर करने के लिए पर्याप्त करीब होना चाहिए। यदि वे "अजनबी" हैं (जुड़े हुए नहीं हैं), तो उन्हें ब्लॉकडे से बचने के लिए पर्याप्त दूर रहना चाहिए।

सैकड़ों परमाणुओं को इस तरह व्यवस्थित करने का तरीका खोजना जो एक साथ इन सभी नियमों को पूरा करे, अविश्वसनीय रूप से कठिन है। यह एक शादी समारोह में मेहमानों को बैठाने की कोशिश करने जैसा है जहाँ कुछ मेहमानों को एक-दूसरे के पास बैठना है, कुछ को दूर रहना है, और उन सभी को एक छोटी गोल मेज पर बिना कोहनियाँ टकराए फिट होना है।

पुराना तरीका: "ब्रूट फोर्स" सॉल्वर

पारंपरिक रूप से, वैज्ञानिकों ने इन सटीक बैठने की व्यवस्थाओं की गणना करने के लिए शक्तिशाली क्लासिकल कंप्यूटरों (जैसे कि उल्लेखित Gurobi सॉल्वर) का उपयोग किया है।

समस्या: जैसे-जैसे मेहमानों (परमाणुओं) की संख्या बढ़ती है, गणित इतना जटिल हो जाता है कि सबसे तेज़ सुपरकंप्यूटर भी फंस जाते हैं। वे घंटों या दिनों तक चल सकते हैं और फिर भी एक वैध व्यवस्था खोजने में विफल हो सकते हैं। यह एक रूबिक क्यूब को हर एक चाल का अनुमान लगाकर हल करने की कोशिश करने जैसा है; अंततः आपके पास समय समाप्त हो जाएगा।

नया समाधान: "न्यूरल नेटवर्क आर्किटेक्ट" (GEAN)

लेखकों ने एक नए दृष्टिकोण का प्रस्ताव दिया है जो न्यूरल नेटवर्क (AI का एक प्रकार) का उपयोग करता है। वे अपने सिस्टम को GEAN (ग्राफ एम्बेडिंग ऑटोएनकोडर नेटवर्क) कहते हैं।

GEAN को एक कैलकुलेटर के रूप में नहीं, बल्कि एक रचनात्मक वास्तुकार (architect) या एक डांस कोरियोग्राफर के रूप में सोचें:

शुरुआती बिंदु: आप AI को परमाणुओं की एक अव्यवस्थित, यादृच्छिक (random) व्यवस्था देते हैं। इससे कोई फर्क नहीं पड़ता कि शुरुआत में वे एक-दूसरे से टकरा रहे हैं या बहुत दूर हैं।
प्रशिक्षण (Training): AI व्यवस्था को देखता है और एक "स्कोर" (लॉस फंक्शन) की गणना करता है।
- पेनल्टी 1: क्या कोई परमाणु बहुत करीब आ गया? (बहुत करीब = बुरा)।
- पेनल्टी 2: क्या कोई परमाणु बहुत दूर चला गया? (बहुत दूर = बुरा)।
- पेनल्टी 3: क्या "दोस्त" बातचीत करने के लिए पर्याप्त करीब रहे?
- पेनल्टी 4: क्या "अजनबी" बातचीत से बचने के लिए पर्याप्त दूर रहे?
समायोजन (Adjustment): AI परमाणुओं को थोड़ा सा हिलाने या बदलने का उपयोग करता है, जिससे पेनल्टी स्कोर कम हो सके। यह इसे एक सेकंड के हजारवें हिस्से में हजारों बार करता है।
परिणाम: फंसने के बजाय, AI तेजी से परमाणुओं को एक आदर्श, वैध व्यवस्था में व्यवस्थित करना सीख जाता है जो क्वांटम मशीन के सभी भौतिक नियमों को पूरा करता है।

उन्होंने क्या पाया

लेखकों ने इस "AI कोरियोग्राफर" का परीक्षण कई प्रकार की पहेलियों (जैसे शहर में एंटेना व्यवस्थित करना या प्रोटीन फोल्डिंग) पर किया।

गति: AI ने बहुत बड़े और जटिल समस्याओं के लिए भी 2 मिनट से कम समय में वैध व्यवस्थाएं ढूंढ लीं।
सफलता दर: कई मामलों में जहाँ पारंपरिक "ब्रूट फोर्स" कंप्यूटर (Guroi) हार मान गया या समय सीमा के भीतर समाधान खोजने में विफल रहा, वहां AI सफल रहा।
3D क्षमता: AI अंतरिक्ष में 3D में भी परमाणुओं को व्यवस्थित कर सकता है (जैसे एक गोले में उन्हें स्टैक करना), जो और भी अधिक जटिल समस्याओं को हल करने की अनुमति देता है।

मुख्य निष्कर्ष

यह पेपर यह दावा नहीं करता है कि यह ब्रह्मांड के अंतिम रहस्य को हल कर रहा है। इसके बजाय, यह एक व्यावहारिक उपकरण प्रदान करता है जो एक सैद्धांतिक गणितीय समस्या और क्वांटम कंप्यूटर की भौतिक वास्तविकता के बीच के अंतर को पाटता है।

यह कहता है: "हमारे पास क्वांटम चिप पर परमाणुओं को व्यवस्थित करने का एक नया तरीका है जो पुराने तरीकों की तुलना में तेज़ और अधिक विश्वसनीय है।" एक न्यूरल नेटवर्क का उपयोग करके एक स्मार्ट, तेज़-मूविंग कोरियोग्राफर के रूप में, वे परमाणुओं को सही स्थिति में ला सकते हैं ताकि क्वांटम कंप्यूटर वास्तव में अपना काम शुरू कर सके।

तकनीकी सारांश: QUBO समस्याओं के लिए न्यूरल-पावर्ड यूनिट डिस्क ग्राफ एम्बेडिंग

समस्या विवरण
यह शोध पत्र न्यूट्रल एटम-आधारित क्वांटम सिम्युलेटर्स, विशेष रूप से रिडबर्ग परमाणुओं (जैसे कि पास्कल चाडोक2 प्रोटोटाइप) का उपयोग करने वाले उपकरणों पर क्वाड्रेटिक अनकन्स्ट्रेंड बाइनरी ऑप्टिमाइजेशन (QUBO) समस्याओं को मैप करने की महत्वपूर्ण चुनौती को संबोधित करता है। गेट-आधारित क्वांटम कंप्यूटरों या फिक्स्ड-टोपोलॉजी एनीलर्स (जैसे कि D-D-Wave) के विपरीत, न्यूट्रल एटम डिवाइस 2D या 3D स्पेस में क्वबिट्स के मनमाने प्लेसमेंट की अनुमति देते हैं। हालाँकि, इन क्वबिट्स के बीच भौतिक अंतःक्रियाएं रिडबर्ग ब्लॉकेड प्रभाव द्वारा नियंत्रित होती हैं: एक विशिष्ट ब्लॉकेड त्रिज्या ( $r_b$ ) से कम दूरी पर स्थित क्वबिट्स को एक साथ उत्तेजित नहीं किया जा सकता है, जो एक यूनिट डिस्क (UD) ग्राफ के समान एडजसेंसी पैटर्न बनाता है।

मुख्य कठिनाई यूनिट डिस्क ग्राफ एम्बेडिंग समस्या में निहित है: क्वबिट्स के लिए भौतिक निर्देशांक (coordinates) खोजना ताकि:

लक्षित QUBO ग्राफ में आसन्न (adjacent) क्वबिट्स ब्लॉकेड त्रिज्या ( $d_{ij} \leq \tilde{r}_b$ ) के भीतर हों।
गैर-आसन्न (non-adjacent) क्वबिट्स ब्लॉकेड त्रिज्या से बाहर हों ( $d_{hk} > \tilde{r}_b$ )।
सभी क्वबिट्स भौतिक रजिस्टर बाधाओं (जैसे कि 50 $\mu$ m त्रिज्या वाला गोलाकार डोमेन) के भीतर फिट हों और ओवरलैप से बचने के लिए न्यूनतम पृथक्करण सीमाओं (जैसे कि 4 $\mu$ m) का सम्मान करें।

लेखक उल्लेख करते हैं कि जबकि निर्देशांकों से एडजसेंसी की गणना करना सरल है, लेकिन एक विशिष्ट एडजसेंसी मैट्रिक्स को संतुष्ट करने वाले निर्देशांक खोजना एक NP-hard समस्या है। क्लासिकल सॉल्वर अक्सर जटिल या बड़े पैमाने की QUBO इंस्टेंस के लिए उचित समय सीमा के भीतर व्यवहार्य (feasible) एम्बेडिंग खोजने में विफल रहते हैं।

कार्यप्रणाली: GEAN (ग्राफ एम्बेडिंग ऑटोएन्कोडर नेटवर्क)
लेखक GEAN का प्रस्ताव करते हैं, जो एक न्यूरल नेटवर्क-आधारित ह्यूरिस्टिक है जिसे एक प्रारंभिक, अक्सर अव्यवहार्य क्वबिट कॉन्फ़िगरेशन को एक वैध UD एम्बेडिंग में बदलने के लिए डिज़ाइन किया गया है। यह दृष्टिकोण एम्बेडिंग कार्य को एक मानक भविष्यवाणी कार्य के बजाय एक डोमेन ट्रांसफॉर्मेशन समस्या के रूप में मानता है।

आर्किटेक्चर:
- इनपुट/आउटपुट: नेटवर्क $n$ क्वबिट्स के लिए प्रारंभिक 2D या 3D निर्देशांक $(x_i, y_i, z_i)$ लेता है और रूपांतरित निर्देशांक $(x'_i, y'_i, z'_i)$ आउटपुट करता है।
- ऑटोएन्कोडर घटक: एक सिमेट्रिकल, फुली-कनेक्टेड नेटवर्क (इनपुट $\to$ हिडन लेयर्स $\to$ आउटपुट) निर्देशांकों को रूपांतरित करता है। आउटपुट लेयर भौतिक डोमेन ( $\pm 50$ $\mu$ m) तक स्केल किया गया एक tanh एक्टिवेशन उपयोग करता है।
- डिफरेंशिएबल डिस्टेंस लेयर: एक विशेष, नॉन-ट्रेनेबल स्पार्स लेयर रूपांतरित निर्देशांकों के आधार पर सभी क्वबिट्स के जोड़ों के बीच यूक्लिडियन दूरी की गणना करती है। यह नेटवर्क को प्रशिक्षण के दौरान ज्यामितीय बाधाओं को "देखने" की अनुमति देता है।
लॉस फंक्शन (Loss Function): प्रशिक्षण का उद्देश्य भविष्यवाणी त्रुटि को कम करना नहीं है, बल्कि चार भौतिक बाधाओं को एक साथ संतुष्ट करना है। लॉस फंक्शन चार पेनल्टी टर्म्स का योग है:
1. ग्लोबल बाउंड्री: अधिकतम रजिस्टर त्रिज्या (100 $\mu$ m) से अधिक होने वाले जोड़ों को दंडित करता है।
2. न्यूनतम पृथक्करण: न्यूनतम भौतिक दूरी (4 $\mu$ m) से कम दूरी वाले जोड़ों को दंडित करता है।
3. एडजसेंसी कंस्ट्रेंट: बहुत दूर ( $> \tilde{r}_b$ ) स्थित आसन्न क्वबिट्स को दंडित करता है।
4. नॉन-एडजसेंसी कंस्ट्रेंट: गैर-आसन्न क्वबिट्स को बहुत करीब ( $\leq \tilde{r}_b + \epsilon$ ) होने पर दंडित करता है।
ऑप्टिमाइज़ेशन: मॉडल को AdamW ऑप्टिमाइज़र का उपयोग करके प्रशिक्षित किया जाता है। प्रशिक्षण सेट एक एकल सैंपल (विशिष्ट QUBO इंस्टेंस) है, और नेटवर्क एक ऐसा निर्देशांक सेट खोजने के लिए पुनरावृत्त (iterate) होता है जो लॉस को कम करता है, जो प्रभावी रूप से उस विशिष्ट ग्राफ के लिए एम्बेडिंग समस्या को हल करता है।

प्रमुख योगदान

NP-Hard एम्बेडिंग के लिए न्यूरल ह्यूरिस्टिक: यह पेपर सटीक क्लासिकल सॉल्वर्स की सीमाओं को दरकिनॉल करते हुए, जटिल या बड़े पैमाने के ग्राफों के लिए बाधित यूनिट डिस्क ग्राफ एम्बेडिंग समस्या को हल करने के लिए ऑटोएन्कोडर्स के एक नवीन अनुप्रयोग को पेश करता है।
भौतिक बाधाओं का एकीकरण: कार्यप्रणाली न्यूरल नेटवर्क के लॉस फंक्शन और आर्किटेक्चर में सीधे न्यूट्रल एटम हार्डवेयर की भौतिक सीमाओं (ब्लॉकेड त्रिज्या, न्यूनतम पृथक्करण और रजिस्टर आकार) को शामिल करती है।
आयामी लचीलापन (Dimensional Flexibility): इस दृष्टिकोण को 2D और 3D दोनों में प्रदर्शित किया गया है। लेखक दिखाते हैं कि नेटवर्क को 3D तक विस्तारित करने से उच्च कनेक्टिविटी (बड़े क्लीक और डिग्री) वाले ग्राफों को एम्बेड करने की अनुमति मिलती है, जो ज्यामितीय पैकिंग सीमाओं के कारण 2D में असंभव हैं।
सैद्धांतिक सीमाएँ: पेपर थ्यूज़ प्रमेय (Thue's Theorem) के आधार पर 2D एम्बेडडेबिलिटी के लिए आवश्यक शर्तों की पहचान करता है, जो सर्कल पैकिंग के संबंध में है, जिससे विशिष्ट मशीन मापदंडों ( $\tilde{r}_b \approx 10.26$ $\mu$ m) के तहत अधिकतम क्लीक साइज 7 और अधिकतम डिग्री 18 स्थापित होती है।

परिणाम
लेखकों ने तीन प्रकार के QUBO इंस्टेंस पर Gurobi सॉल्वर (एक अत्याधुनिक क्लासिकल क्वाड्रेटिक सॉल्वर) के विरुद्ध GEAN का मूल्यांकन किया:

QUBO MIS एंटेना: ट्यूरिन में एंटीना स्थितियों से प्राप्त वास्तविक डेटा। GEAN सफलतापूर्वक कनेक्टेड कंपोनेंट्स (3D में 87 क्वबिट्स तक) को एम्बेड करने में सफल रहा, जहाँ Guroi Gurobi 2 मिनट की समय सीमा के भीतर कोई व्यवहार्य समाधान खोजने में विफल रहा।
प्रोटीन फोल्डिंग: मैक्सिमम इंडिपेंडेंट सेट समस्याओं के रूप में मॉडल किए गए इंस्टेंस। GEAN ने परीक्षण किए गए सभी इंस्टेंस के लिए व्यवहार्य एम्बेडिंग खोजे, जबकि Gurobi $G_{17,7}$ इंस्टेंस पर विफल रहा।
ग्राफ कलरिंग: एक 21-क्वबिट ग्राफ पर मैप की गई 3-कलिंग समस्या। GEAN ने 767 इपोच में एक व्यवहार्य 3D एम्बेडिंग पाया, जबकि Gurobi अभिसरण (converge) करने में विफल रहा।

प्रदर्शन मेट्रिक्स:

गति: GEAN ने सबसे जटिल 87-क्वबिट 3D इंस्टेंस के लिए भी मानक कंज्यूमर हार्डवेयर पर लगातार 2 मिनट के भीतर समाधान खोजे।
व्यवहार्यता (Feasibility): उन मामलों में जहाँ Gurobi समय सीमा के भीतर कोई भी व्यवहार्य एम्बेडिंग खोजने में विफल रहा, GEAN सफल रहा।
गुणवत्ता: रूपांतरित निर्देशांकों ने सभी भौतिक बाधाओं (न्यूनतम दूरी, अधिकतम दूरी और ब्लॉकेड त्रिज्या पृथक्करण) को संतुष्ट किया, जिससे "अव्यवहार्य" प्रारंभिक कॉन्फ़िगरेशन (जो अक्सर फ्रुचटरमैन-रिंगल्ड FR लेआउट से प्राप्त होते हैं) को वैध हार्डवेयर-रेडी लेआउट में प्रभावी ढंग से परिवर्तित किया गया।

महत्व और दावे
यह पेपर दावा करता है कि GEAN सैद्धांतिक QUBO फॉर्मूलेशन और न्यूट्रल एटम क्वांटम हार्डवेयर की भौतिक वास्तविकता के बीच एक व्यावहारिक सेतु प्रदान करता है। न्यूरल नेटवर्क का लाभ उठाकर क्वबिट प्लेसमेंट को अनुकूलित करके, यह पद्धति:

क्लासिकल सीमाओं को पार करती है: यह जटिल ग्राफों के लिए व्यवहार्य एम्बेडिंग खोजने में पारंपरिक सटीक सॉल्वर्स (जैसे कि Gurohi) से बेहतर प्रदर्शन करती है।
संसाधन ओवरहेड को कम करती है: सहायक "वायर" परमाणुओं या फिक्स्ड लैटिस संरचनाओं की आवश्यकता वाले दृष्टिकोणों के विपरीत, GEAN रजिस्टर की पूर्ण लचीलेपन का उपयोग करता है, जिसमें समस्या के लिए आवश्यक न्यूनतम भौतिक क्वबिट्स की आवश्यकता होती है।
स्केलेबिलिटी सक्षम करती है: इन एम्बेडिंग समस्याओं को जल्दी से हल करने की क्षमता शोधकर्ताओं को वर्तमान हार्डवेयर पर गैर-तुच्छ (non-trivial) QUBO समस्याओं का परीक्षण करने की अनुमति देती है, जो एम्बेडिंग प्रक्रिया द्वारा बाधित नहीं होते हैं।

लेखक निष्कर्ष निकालते हैं कि हालांकि मॉडल वर्तमान में विशिष्ट मशीन मापदंडों के लिए ट्यून किया गया है, लेकिन यह ढांचा अन्य हार्डवेयर बाधाओं के लिए अनुकूलनीय है और केवल एम्बेडिंग से परे व्यापक श्रेणियों के अनुकूलन समस्याओं को हल करने का मार्ग प्रशस्त कर सकता है। भविष्य के कार्य में व्यवहार्य UD एम्बेडिंग की सीमाओं को और अधिक स्पष्ट करना और इन निष्कर्षों को वास्तविक क्वांटम हार्डवेयर पर मान्य करना प्रस्तावित है।