⚛️ quantum physics

Harnessing a 256-qubit Neutral Atom Simulator for Graph Classification

यह शोध पत्र PROTEINS डेटासेट पर ग्राफ वर्गीकरण के लिए क्वांटम इवोल्यूशन कर्नेल फीचर्स की गणना करने हेतु एक 256-क्यूबिट न्यूट्रल एटम सिम्युलेटर (Aquila) का उपयोग करने की प्रभावशीलता को प्रदर्शित करता है, जो हार्डवेयर शोर के बावजूद शास्त्रीय कर्नेल की तुलना में थोड़ा बेहतर प्रदर्शन प्राप्त करता है।

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

प्रकाशित 2026-05-07

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

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

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 प्रोटीन संरचनाओं का एक विशाल, बिखरा हुआ ढेर है। कुछ "एंजाइम" हैं (कोशिका के मेहनती उपकरण) और अन्य "गैर-एंजाइम" (non-enzymes) हैं। आपका काम उन्हें दो ढेरों में छांटना है। कंप्यूटर की दुनिया में, ये प्रोटीन डॉट्स (परमाणुओं) और लाइनों (कनेक्शन) से बने जटिल मानचित्रों की तरह हैं। इन मानचित्रों को छांटना आमतौर पर सामान्य कंप्यूटरों के लिए एक बहुत ही धीमा और कठिन काम होता है क्योंकि ये मानचित्र बहुत बड़े और उलझे हुए हो सकते हैं।

यह शोध पत्र एक प्रयोग का वर्णन करता है जहाँ शोधकर्ताओं ने इस छंटनी के काम को तेज़ी से और बेहतर तरीके से करने के लिए एक विशेष प्रकार के "क्वांटम प्लेग्राउंड" का उपयोग करने की कोशिश की। उन्होंने इसे इस प्रकार किया, जिसे सरल शब्दों में समझाया गया है:

द क्वांटम प्लेग्राउंड: परमाणुओं का एक क्षेत्र

मानक कंप्यूटर चिप्स के बजाय, शोधकर्ताओं ने Aquila नामक एक मशीन का उपयोग किया, जिसे Quera द्वारा बनाया गया है और Amazon के माध्यम से उपलब्ध कराया गया है। Aquila को एक मस्तिष्क के रूप में नहीं, बल्कि एक विशाल, प्रोग्राम करने योग्य बिलियर्ड टेबल के रूप में सोचें।

गेंदें: बिलियर्ड बॉल्स के बजाय, यह टेबल छोटे, तैरते हुए परमाणुओं (रुबिडियम) का उपयोग करती है।
चिमटियाँ (Tweezers): मशीन अदृश्य "ऑप्टिकल ट्वीज़र्स" (लेज़र हाथों की तरह) का उपयोग करती है ताकि इन परमाणुओं को उठाने और उन्हें एक सपाट, 2D ग्रिड में व्यवस्थित करने के लिए उपयोग किया जा सके।
नियम: परमाणुओं के पास एक विशेष ट्रिक है। यदि दो परमाणु एक-दूसरे के बहुत करीब आते हैं, तो वे एक ही समय में "उच्च-ऊर्जा" (high-energy) अवस्था में नहीं रह सकते। इसे रिडबर्ग ब्लॉकेड (Rydberg Blockade) कहा जाता है। यह एक नियम की तरह है जो कहता है, "यदि दो दोस्त एक-दूसरे के बहुत करीब खड़े हैं, तो वे दोनों एक साथ ऊपर नहीं कूद सकते।" यह नियम स्वाभाविक रूप से परमाणुओं के बीच संबंध बनाता है, जो एक ग्राफ की संरचना की नकल करता है।

चुनौती: पहेली के टुकड़ों को फिट करना

उनके डेटासेट (PROTEINS) में प्रोटीन पहेली के टुकड़ों की तरह हैं जिनके आकार अलग-अलग होते हैं। कुछ में 10 डॉट्स हैं, कुछ में 200। Aquila मशीन की एक सीमा है: यह एक बार में केवल 256 परमाणुओं को रख सकती है।

मशीन का उपयोग करने के लिए, शोधकर्ताओं को प्रोटीन मानचित्रों को मशीन के कनेक्शन को तोड़े बिना उसके ग्रिड पर "सपाट" करना पड़ा। उन्होंने एक स्मार्ट AI टूल (एक न्यूरल नेटवर्क) का उपयोग किया ताकि परमाणुओं को इस तरह से पुनर्व्यवस्थित किया जा सके कि वह नक्शा मशीन के भौतिक नियमों का सम्मान करते हुए मशीन के "बिलियर्ड टेबल" पर पूरी तरह से फिट हो जाए।

प्रयोग: क्वांटम नृत्य (The Quantum Dance)

एक बार जब परमाणुओं को प्रोटीन की तरह दिखने के लिए व्यवस्थित कर दिया गया, तो शोधकर्ताओं ने केवल उन्हें देखा नहीं; उन्होंने उन्हें "नचाया"।

पल्स (The Pulse): उन्होंने परमाणुओं पर लेज़र पल्स का एक विशिष्ट क्रम चलाया। यह पियानो पर एक विशिष्ट गाना बजाने जैसा है। परमाणु उस गाने के प्रति प्रतिक्रिया करते हुए अपनी ऊर्जा अवस्थाओं को बदलते हैं।
मापन (The Measurement): नृत्य के बाद, उन्होंने एक स्नैपशॉट लिया। उन्होंने गिना कि कितने परमाणु "उच्च ऊर्जा" अवस्था में थे और कितने "निम्न ऊर्जा" अवस्था में थे।
फिंगरप्रिंट (The Fingerprint): इस गिनती ने उस विशिष्ट प्रोटीन के लिए एक अद्वितीय "फिंगरप्रिंट" (संभाव्यता वितरण/probability distribution) बनाया।

जादू: क्वांटम कर्नेल (The Quantum Kernel)

शोधकर्ताओं ने क्वांटम इवोल्यूशन कर्नेल (QEK) नामक एक गणितीय ट्रिक का उपयोग किया। इसे दो फिंगरप्रिंट्स के बीच की समानता को मापने के तरीके के रूप में समझें।

यदि दो प्रोटीनों के "डांस मूव्स" (ऊर्जा पैटर्न) बहुत समान हैं, तो मशीन कहती है कि वे संभवतः एक ही प्रकार के हैं (दोनों एंजाइम या दोनों गैर-एंजाइम)।
यदि उनका नृत्य बिल्कुल अलग है, तो मशीन कहती है कि वे अलग हैं।

उन्होंने इन फिंगरप्रिंट्स को अंतिम निर्णय लेने के लिए एक मानक कंप्यूटर प्रोग्राम (सपोर्ट वेक्टर मशीन) में डाला।

परिणाम: क्या क्वांटम मशीन जीती?

शोधकर्ताओं ने दो समूहों के डेटा पर इसका परीक्षण किया:

छोटा समूह (12 परमाणु): उन्होंने सबसे अच्छा "लेज़र गाना" (पल्स पैरामीटर्स) प्राप्त करने के लिए पहले एक छोटे उपसमुच्चय पर इस पद्धति का परीक्षण किया। उन्होंने पाया कि पुराने संस्करणों की तुलना में एक नया, अनुकूलित गाना बेहतर काम करता है।
बड़ा समूह (256 परमाणु): इसके बाद उन्होंने वास्तविक Aquila मशीन के साथ बड़े डेटासेट के साथ पूर्ण प्रयोग चलाया।

परिणाम:

क्वांटम पद्धति ने इन प्रोटीनों को छांटने के लिए पारंपरिक कंप्यूटर विधियों के बराबर ही प्रदर्शन किया।
वास्तव में, छोटे डेटासेट पर, अनुकूलित क्वांटम पद्धति ने पारंपरिक पद्धति से थोड़ा बेहतर प्रदर्शन किया।
भले ही क्वांटम मशीन "नॉइजी" (noisy) है (यह छोटी गलतियाँ करती है, जैसे कि थोड़ा डगमगाता हुआ बिलियर्ड टेबल), फिर भी परिणाम मजबूत थे।

मुख्य निष्कर्ष (The Bottom Line)

यह शोध पत्र सिद्ध करता है कि आप जटिल ग्राफ समस्याओं (जैसे प्रोटीन को छांटना) को 256-परमाणु क्वांटम सिम्युलेटर पर मैप कर सकते हैं और उपयोगी परिणाम प्राप्त कर सकते हैं। यह एक "प्रूफ ऑफ कॉन्सेप्ट" है जो दिखाता है कि वर्तमान, अपूर्ण क्वांटम हार्डवेयर के साथ भी, हम वास्तविक दुनिया की ग्राफ समस्याओं को हल करना शुरू कर सकते हैं जो सामान्य कंप्यूटरों के लिए कठिन हैं।

उन्होंने यह दावा नहीं किया कि यह कल बीमारियों का इलाज कर देगा या सभी कंप्यूटरों की जगह ले लेगा। उन्होंने केवल यह दिखाया कि "क्वांटम डांस" इन विशिष्ट प्रोटीन मानचित्रों को छांटने के लिए पर्याप्त अच्छी तरह से काम करता है, जो भविष्य के अधिक शक्तिशाली प्रयोगों के लिए मार्ग प्रशस्त करता है।

तकनीकी सारांश: ग्राफ वर्गीकरण के लिए 256-क्विबिट न्यूट्रल एटम सिम्युलेटर का उपयोग

समस्या विवरण
ग्राफ वर्गीकरण एक गणनात्मक रूप से गहन कार्य है जिसके जीव विज्ञान, दूरसंचार और सामाजिक विज्ञान में अनुप्रयोग हैं। जबकि क्वांटम मशीन लर्निंग (QML) हिल्बर्ट स्पेस के घातीय आकार के कारण संभावित लाभ प्रदान करता है, वास्तविक हार्डवेयर पर इन एल्गोरिदम को लागू करना चुनौतीपूर्ण है। विशेष रूप से, न्यूट्रल एटम प्लेटफॉर्म, जो रिडबर्ग अवस्थाओं (Rydberg states) का उपयोग करते हुए एनालॉग मोड में संचालित होते हैं, विशिष्ट बाधाएं प्रस्तुत करते हैं। यूनिवर्सल गेट-आधारित क्वांटम कंप्यूटरों के विपरीत, ये सिम्युलेटर अक्सर ग्लोबल पल्स पर निर्भर करते हैं और इनकी कनेक्टिविटी रिडबर्ग ब्लॉकेड त्रिज्या (Rydberg blockade radius) द्वारा परिभाषित होती है, जो स्वाभाविक रूप से यूनिट-डिस्क (UD) ग्राफों से मेल खाती है। इसके अतिरिक्त, सार्वजनिक रूप से उपलब्ध क्वांटम हार्डवेयर की कमी और वर्तमान उपकरणों में निहित शोर (noise) के कारण, क्वांटम इवोल्यूशन कर्नेल (QEK) के माध्यम से फीचर निकालने जैसे QML कार्यों को लागू करना गैर-मामूली है।

कार्यप्रणाली
लेखक PROTEINS डेटासेट (एंजाइम या गैर-एंजाइम के रूप में लेबल किया गया) से प्रोटीन ग्राफ को वर्गीकृत करने के लिए एक हाइब्रिड क्वांटम-क्लासिकल वर्कफ़्लो का प्रस्ताव करते हैं, जो AWS Braket के माध्यम से उपलब्ध 256-क्बिट एक्विला (Aquila) न्यूट्रल एटम सिम्युलेटर का उपयोग करता है।

ग्राफ एम्बेडिंग: चूंकि एक्विला मूल रूप से UD ग्राफों को लागू करता है, इसलिए सामान्य प्रोटीन ग्राफों को परमाणुओं के 2D रजिस्टर में एम्बेड किया जाना चाहिए। लेखक विशिष्ट हार्डवेयर बाधाओं (एक $75\mu m \times 76\mu m$ रजिस्टर क्षेत्र और $4\mu m$ की डिस्क्रीट रो स्पेसिंग) का पालन करते हुए, व्यवहार्य UD एम्बेडिंग खोजने के लिए एक न्यूरल-एन्हांस्ड DEN मॉडल का उपयोग करते हैं।
क्वांटम इवोल्यूशन कर्ल (QEK): मुख्य एल्गोरिदम में वैकल्पिक मिक्सिंग ( $\hat{H}_\theta$ $\hat{H}_{θ}$ ) और आइसिंग ( $\hat{H}_G$ $\hat{H}_{G}$ ) पदों से बने समय-निर्भर हैमिल्टोनियन के तहत एक क्वांटम अवस्था को विकसित करना शामिल है। यह विकास पैरामीटर सेट $\Lambda = \{\theta_0, t_0, \theta_1, t_1, \theta_2\}$ $Λ = {θ_{0}, t_{0}, θ_{1}, t_{1}, θ_{2}}$ द्वारा पैरामीटराइज्ड है।
- सिस्टम विकसित होता है, और कम्प्यूटेशनल बेसिस में माप लिए जाते हैं।
- पोस्ट-प्रोसेसिंग मापन बिटस्ट्रिंग्स को ऊर्जा वितरण (energy distributions) में परिवर्तित करती है।
- इन वितरणों को प्रोबेबिलिटी वेक्टर्स बनाने के लिए बिन किया जाता है।
- दो ग्राफों के बीच कर्नेल दूरी उनके प्रोबेबिलिटी डिस्ट्रीब्यूशन के जेन्सन-शैनन (JS) डाइवर्जेंस का उपयोग करके निकाली जाती है: $K_\mu(G, G') = e^{-\mu JS(P, P')}$ ।
अनुकूलन (Optimization): F1 स्कोर को अधिकतम करने के लिए इष्टतम वेवफॉर्म पैरामीटर्स ( $\Lambda_{BO}$ ) खोजने के लिए एक बायेसियन ऑप्टिमाइजेशन प्रक्रिया का उपयोग किया जाता है। क्वांटम शॉट्स की उच्च लागत से बचने के लिए, यह अनुकूलन Bloqade फ्रेमवर्क के माध्यम से क्लासिकल इम्यूलेशन का उपयोग करके एक छोटे सबसेट (PROTEINS12, अधिकतम 12 नोड्स) पर किया जाता है।
वर्गीकरण: परिणामी कर्नेल मैट्रिक्स को क्लास-वेटेड हाइपरपैरामीटर्स के साथ एक सपोर्ट वेक्टर मशीन (SVM) में फीड किया जाता है ताकि डेटासेट असंतुलन को संभाला जा सके।

प्रमुख योगदान

प्रथम वास्तविक-विश्व कार्यान्वयन: यह कार्य एक वास्तविक, शोर वाले न्यूट्रल एटम सिम्युलेटर (एक्विला) पर एक QEK-आधारित ग्राफ वर्गीकरण पाइपलाइन का पहला कार्यान्वयन प्रस्तुत करता है जिसमें 256 क्विबिट तक क्षमता है।
हार्डवेयर-अवेयर एम्बेडिंग: लेखकों ने एक्विला प्लेटफॉर्म (ग्लोबल पल्स, डिस्क्रीट रोज़) की विशिष्ट भौतिक बाधाओं को पूरा करने के लिए DEN एम्बेडिंग मॉडल को अनुकूलित किया है, जिससे हार्डवेयर की नेटिव कनेक्टिविटी के लिए मनमाने ग्राफों का मानचित्रण संभव हो सका।
पैरामीटर अनुकूलन: बायेसियन ऑप्टिमाइजेशन के माध्यम से, लेखकों ने नए वेवफॉर्म पैरामीटर्स ( $\Lambda_{BO}$ ) प्राप्त किए जो पहले से प्रकाशित पैरामीटर्स ( $\Lambda_a$ ) की तुलना में कुल प्रोटोकॉल अवधि को लगभग 33% कम करते हैं, जिससे डिकोहेरेंस (decoherence) प्रभावों को कम किया जा सके।
बेंचमार्किंग: अध्ययन एक कठोर बेंचमार्क प्रदान करता है जो क्लासिकल शॉर्टेस्ट पाथ कर्नेल (SPK) और विभिन्न पैरामीटर सेट्स के विरुद्ध क्वांटम दृष्टिकोण की तुलना इम्यूलेटेड और वास्तविक हार्डवेयर दोनों वातावरणों में करता है।

परिणाम

क्लासिकल इम्यूलेशन (PROTEINS12): अनुकूलित पैरामीटर्स ( $\Lambda_{BO}$ ) ने साहित्य के पैरामीटर्स ( $\Lambda_a$ ) और क्लासिकल SPK की तुलना में F1 स्कोर (46.3% बनाम SPK के लिए 44.1%) और प्रिसिजन (precision) के मामले में बेहतर प्रदर्शन किया, बावजूद इसके कि डेटासेट छोटा था और क्लास असंतुलित थी।
वास्तविक हार्डवेयर (एक्विला):
- PROTEINS12: एक्विला पर निष्पादित अनुकूलित QEK ने 49% का F1 स्कोर और 63.7% की सटीकता प्राप्त की, जिसने क्लासिकल SPK (F1 44.1%) और इम्यूलेटेड परिणामों दोनों को पीछे छोड़ दिया। कम प्रोटोकॉल अवधि ( $\Lambda_{BO}$ ) ने $\Lambda_a$ प्रोटोकॉल की तुलना में बेहतर परिणाम दिए, जो शोर के प्रभाव में कमी का सुझाव देता है।
- PROTEINS256: बड़े डेटासेट (अधिकतम 256 नोड्स) पर, अनुकूलित QEK ने 65.6% का F1 स्कोर और 65.4% की सटीकता प्राप्त की, जो क्लासिकल SPK (F1 65.3%) के तुलनीय है।
शॉट दक्षता (Shot Efficiency): एक सांख्यिकीय विश्लेषण से पता चला कि माप शॉट्स की संख्या को 1,000 से घटाकर 100 करने से प्रदर्शन में केवल ~1% की गिरावट आई, जबकि 10 तक कम करने से महत्वपूर्ण गिरावट आई।

महत्व और दावे
यह शोध वर्तमान न्यूट्रल एटम प्लेटफॉर्मों पर सैकड़ों नोड्स और मनमाने कनेक्टिविटी वाले ग्राफ समस्याओं के लिए QML वर्कलोड चलाने की व्यवहार्यता को प्रदर्शित करने का दावा करता है। लेखक इस बात पर जोर देते हैं कि शोर और सीमित क्विबिट संख्या के बावजूद, अनुकूलित QEK विधि क्लासिकल कर्नेल के मुकाबले प्रतिस्पर्धी प्रदर्शन प्राप्त करती है। उनका तर्क है कि जैसे-जैसे न्यूट्रल एटम आर्किटेक्चर में क्विबिट की संख्या और फिडेलिटी (fidelity) बढ़ेगी, उनकी अंतर्निहित कनेक्टिविटी मैपिंग ग्राफ एनालिटिक्स के लिए विशिष्ट लाभ प्रदान कर सकती है। यह कार्य व्यावहारिक मशीन लर्निंग कार्यों के लिए इन विशिष्ट क्वांटम सिम्युलेटरों का लाभ उठाने के लिए एक "प्रथम प्रूफ-ऑफ-कांसेप्ट" के रूप में कार्य करता है, जो हार्डवेयर बाधाओं (जैसे ग्लोबल पल्स सीमाएं और एम्बेडिंग आवश्यकताएं) के साथ एल्गोरिदम को सह-डिज़ाइन (co-design) करने के महत्व को रेखांकित करता है।