⚛️ quantum physics

Constrained Counterdiabatic Quantum Approximate Optimization Algorithm for Portfolio Optimization

यह शोध पत्र कंस्ट्रेंड काउंटरडायैबेटिक QAOA (CCD-QAOA) को प्रस्तुत करता है, जो एक नवीन एल्गोरिदम है जो मानक QAOA वेरिएंट्स की तुलना में कंस्ट्रेंड पोर्टफोलियो समस्याओं के लिए बेहतर अनुकूलन प्रदर्शन और सन्निकटन अनुपात प्राप्त करने के लिए एक वेरिएशनल एंसेट में अनुमानित एडियाबेटिक गेज पोटेंशियल को एकीकृत करता है।

मूल लेखक: Jose Falla, Ilya Safro

प्रकाशित 2026-05-11

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jose Falla, Ilya Safro

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

मुख्य चित्र: एक आदर्श पोर्टफोलियो की खोज

कल्पना कीजिए कि आप एक वित्तीय सलाहकार हैं जो एक आदर्श निवेश पोर्टफोलियो बनाने की कोशिश कर रहे हैं। आपके पास 12 अलग-अलग शेयरों की एक सूची है। आपका लक्ष्य उनमें से ठीक 4 को चुनना (आपका "बजट") है जो आपको उच्चतम रिटर्न दे सकें और साथ ही जोखिम (अस्थिरता) को कम रख सकें।

यह एक क्लासिक "पोर्टफोलियो ऑप्टिमाइज़ेशन" समस्या है। यह कठिन है क्योंकि सभी शेयर आपस में जुड़े हुए हैं; यदि एक ऊपर जाता है, तो दूसरा नीचे जा सकता है। 4 शेयर चुनने के लाखों तरीके हैं, लेकिन केवल कुछ ही वास्तव में "सर्वश्रेष्ठ" हैं।

समस्या: क्वांटम कंपास रास्ता भटक रहा है

लेखक इस समस्या को हल करने के लिए एक विशेष प्रकार के कंप्यूटर का उपयोग कर रहे हैं जिसे क्वांटम कंप्यूटर कहा जाता है। वे QAOA (क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन एल्गोरिदम) नामक एल्गोरिदम का उपयोग कर रहे हैं।

QAOA को एक ऐसे हाइकर (हाइकर/पर्वतारोही) के रूप में समझें जो एक विशाल, धुंधले पहाड़ी क्षेत्र ( "ऊर्जा परिदृश्य" या "energy landscape") में सबसे निचले बिंदु को खोजने की कोशिश कर रहा है। हाइकर सबसे निचला बिंदु (सर्वश्रेष्ठ पोर्टफोलio) खोजना चाहता है।

चुनौती: इलाका बहुत पेचीदा है। कई "झूठे निचले बिंदु" (लोकल मिनिमा) हैं जो देखने में तो तल की तरह लगते हैं लेकिन वास्तव में नहीं होते।
प्रतिबंध: हाइकर को केवल एक विशिष्ट पथ पर चलने की अनुमति है जहाँ वे हमेशा ठीक 4 पत्थर (शेयरों का प्रतिनिधित्व करते हुए) पकड़े रहते हैं। यदि वे एक पत्थर गिरा देते हैं या पाँचवाँ उठा लेते हैं, तो वे पथ से बाहर हो जाते हैं और समाधान अमान्य हो जाता है।
विफलता: मानक QAOA अक्सर धुंध में फंस जाता है या पथ से भटक जाता है क्योंकि यह बहुत तेज़ी से चलता है। भौतिकी के शब्दों में, यह "डायबैटिक ट्रांजिशन" (diabatic transitions) करता है—यह सर्वश्रेष्ठ स्थिति में स्थिर होने से पहले ही अवस्थाओं के बीच बहुत तेज़ी से कूद जाता है।

समाधान: "काउंटरडायबैटिक" गाइड (मार्गदर्शक)

लेखक एक नई विधि पेश करते हैं जिसे कन्स्ट्रेंड काउंटरडायबैटिक QAOA (CCD-QAOA) कहा जाता है।

इसे समझने के लिए, कल्पना करें कि हाइकर धुंध के बीच चल रहा है।

मानक QAOA: हाइकर बस आगे बढ़ता है, इस उम्मीद में कि उसे निचला बिंदु मिल जाएगा। कभी-कभी वे एक उथले गड्ढे में फंस जाते हैं और वहीं अटक जाते हैं।
"काउंटरडायबैटिक" ट्रिक: लेखक हाइकर को एक विशेष "गाइड" या "कंपास" देते हैं। यह गाइड जानता है कि हाइकर कहाँ फिसलने वाला है और उसे गिरने से पहले ही धीरे से सही रास्ते पर वापस धकेलता है।
- भौतिकी में, इस गाइड को एडियाबेटिक गेज पोटेंशियल (Adiabatic Gauge Potential) कहा जाता है।
- "काउंटरडायबैटिक" का अर्थ है कि यह सक्रिय रूप से उन गलतियों का मुकाबला करता है जो हाइकर करने ही वाला है।

उन्होंने गाइड कैसे बनाया

लेखकों ने केवल अनुमान नहीं लगाया कि यह गाइड कैसा दिखना चाहिए। उन्होंने इसे खेल के नियमों का उपयोग करके गणितीय रूप से बनाया:

उन्होंने एक विशेष "मिक्सर" (XY मिक्सर) का उपयोग किया जो यह सुनिश्चित करता है कि हाइकर कभी भी एक पत्थर न गिराए और न ही एक अतिरिक्त पत्थर उठाए। यह हाइकर को सख्ती से "4-पत्थर" वाले पथ पर रखता है।
उन्होंने गणना की कि हाइकर को फिसलने से रोकने के लिए, गाइड को थ्री-बॉडी इंटरैक्शन (तीन-शरीर अंतःक्रियाओं) का उपयोग करने की आवश्यकता है।
- उपमा: कल्पना करें कि एक मानक नियम है "यदि आप बाएं चलते हैं, तो दाएं चलें।" लेकिन नया नियम अधिक जटिल है: "यदि आप बाएं चलते हैं और आपका पड़ोसी एक लाल पत्थर पकड़े हुए है, तो आपको घूमना चाहिए।" स्टॉक मार्केट के जोखिम परिदृश्य के घुमावों और मोड़ों को नेविगेट करने के लिए ये जटिल, तीन-भाग वाले नियम आवश्यक हैं।

उन्हें क्या मिला (परिणाम)

लेखकों ने यह देखने के लिए सिमुलेशन चलाया कि क्या उनका नया "गाइडेड" हाइकर पुराने हाइकर की तुलना में बेहतर प्रदर्शन करता है।

बेहतर सटीकता: गाइडेड हाइकर (CCD-QAOA) ने बेहतर पोर्टफोलियो (उच्च "एप्रोक्सिमेशन रेश्यो") खोजे, भले ही उन्हें केवल कुछ ही कदम (उथले सर्किट) लेने की अनुमति दी गई थी।
समझौता (Trade-off):
- अच्छा: नई विधि ने पुराने तरीकों की तुलना में बेहतर समाधान तेजी से खोजे।
- बुरा: गाइड भारी है। इन जटिल "थ्री-बॉडी" नियमों को जोड़ने से क्वांटम सर्किट अधिक जटिल हो गया। इसके लिए अधिक "गेट्स" (क्वांटम लॉजिक ऑपरेशन्स) की आवश्यकता थी और इसे कैलकुलेट करने में अधिक समय लगा।
- लीकेज (Leakage): दिलचस्प बात यह है कि जबकि गाइड को मदद करने के लिए डिज़ाइन किया गया था, जटिल नियमों ने कभी-कभी हाइकर को अनजाने में "4-पत्थर" के पथ से थोड़ा बाहर धकेल दिया। हालांकि, इस छोटी सी त्रुटि के बावजूद, नई विधि पुराने "पेनल्टी" तरीकों (जो हाइकर को वापस पथ पर लाने के लिए भारी दंड देकर मजबूर करने की कोशिश करते हैं) की तुलना में बेहतर प्रदर्शन करती है।

निष्कर्ष

लेखक निष्कर्ष निकालते हैं कि इस विशिष्ट "गाइड" (काउंटरडायबैटिक टर्म) को क्वांटम एल्गोरिदम में जोड़ने से, वे कंप्यूटर को बिना किसी विशाल, गहरे क्वांटम कंप्यूटर की आवश्यकता के बेहतर निवेश पोर्टफोलियो खोजने में मदद कर सकते हैं।

यह एक हाइकर को धुंध में GPS देने जैसा है। GPS सेटअप करना थोड़ा अधिक जटिल बनाता है, लेकिन यह सुनिश्चित करता है कि आप वास्तव में गंतव्य तक पहुँचें बजाय इसके कि आप किसी उथली घाटी में खो जाएँ। यह दृष्टिकोण विशेष रूप से वित्तीय समस्याओं के लिए काम करता है जहाँ आपके पास सख्त नियम (जैसे एक निश्चित बजट) और संपत्तियों के बीच जटिल संबंध होते हैं।

तकनीकी सारांश: पोर्टफोलियो अनुकूलन के लिए बाधित काउंटरडायैबेटिक क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन एल्गोरिदम (Constrained Counterdiabatic Quantum Approximate Optimization Algorithm)

समस्या विवरण
यह शोध पत्र निकट-अवधि (near-term) क्वांटम हार्डवेयर पर बाधित संयोजी अनुकूलन समस्याओं (constrained combinatorial optimization problems) को हल करने की चुनौती को संबोधित करता है, जो विशेष रूप से पोर्टफोलियो अनुकूलन (portfolio optimization) पर केंद्रित है। मार्कविट्ज़ मीन-वेरिएंस फ्रेमवर्क (Markowitz mean-variance framework) में, लक्ष्य अपेक्षित रिटर्न और जोखिम (कोवेरियंस) के बीच संतुलन बनाना है, जबकि एक कठिन बजट बाधा (कुल $N$ संपत्तियों में से ठीक $B$ संपत्तियों का चयन करना) को संतुष्ट करना है।

मानक क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन एल्गोरिदम (QAOA) के कार्यान्वयन इस क्षेत्र में महत्वपूर्ण बाधाओं का सामना करते हैं:

बाधा प्रबंधन (Constraint Handling): मानक ट्रांसवर्स-फील्ड मिक्सर हैमिंग वेट (हैमिंग वेट - चुनी गई संपत्तियों की संख्या) को संरक्षित नहीं करते हैं, जिससे एल्गोरिदम हिल्बर्ट स्पेस के अमान्य क्षेत्रों की खोज करने लगता है। जबकि दंड-आधारित (penalty-based) विधियाँ बाधाओं को लागू करती हैं, वे ऊर्जा स्पेक्ट्रम को विकृत करती हैं और छोटे प्रभावी अंतराल (effective gaps) उत्पन्न करती हैं, जिससे अभिसरण (convergence) में बाधा आती है।
डायैबेटिक ट्रांजिशन (Diabatic Transitions): उथले सर्किट (कम गहराई $p$ ) में, मिक्सर और कॉस्ट हैमिल्टोनियन के बीच इंटरपोलेशन गैर-एडियाबेटिक होता है। इससे डायैबेटिक ट्रांजिशन होते हैं जो तैयार अवस्था (prepared state) और वास्तविक ग्राउंड स्टेट के बीच ओवरलैप को कम कर देते हैं, विशेष रूप से घने इंटरेक्शन ग्राफ (कोवेरियंस मैट्रिसेस) और प्रतिस्पर्धी ऊर्जा पैमानों वाली समस्याओं में।
ऑप्टिमाइज़ेशन लैंडस्केप्स: बाधित समस्याओं के लिए वेरिएशनल लैंडस्केप अक्सर नेविगेट करने में कठिन होता है, जो बैरन प्लेटो (barren plateaus) और धीमी क्लासिकल ऑप्टिमाइज़र कन्वर्जेंस से ग्रस्त होता है।

कार्यप्रणाली (Methodology)
लेखक कन्स्ट्रेंड काउंटरडायैबेटिक QAOA (CCD-QAOA) का प्रस्ताव करते हैं, जो डायैबेटिक ट्रांजिशन को दबाने और बाधा संतुष्टि बनाए रखने के लिए QAOA ढांचे में काउंटरडायैबेटिक (CD) ड्राइविंग को एकीकृत करता है।

बाधा-संरक्षण मिक्सर (Constraint-Preserving Mixer): एल्गोरिदम एक XY मिक्सर ( $H_{XY}^M = \sum_{i<j} (X_i X_j + Y_i Y_j)$ ) का उपयोग करता है और सिस्टम को एक डिके स्टेट (Dicke state) (हैमिंग वेट $B$ वाले सभी स्टेट्स के समान सुपरपोजिशन) में इनिशियलाइज़ करता है। यह सुनिश्चित करता है कि डायनेमिक्स वैध पोर्टफोलियो के व्यवहार्य उप-स्थान (feasible subspace) के भीतर ही रहे।
वेरिएशनल काउंटरडायैबेटिक ड्राइविंग: उथले सर्किट की गहराई (finite-depth evolution) में निहित गैर-एडियाबेटिक ट्रांजिशन का मुकाबला करने के लिए, लेखक एक अनुमानित एडियाबेटिक गेज पोटेंशियल (Adiabatic Gauge Potential - AGP) का निर्माण करते हैं।
- सटीक, नॉन-लोकल AGP के बजाय, वे नेस्टेड कम्यूटेटर्स (nested commutators) पर आधारित एक वेरिएशनल एंसेट (ansatz) का उपयोग करते हैं, जो कॉस्ट हैमिल्टोनियन ( $H_C$ ) और मिक्सर ( $H_{XY}^M$ ) के बीच आधारित है।
- कम्यूटेटर $[H_C, H_{XY}^M]$ स्वाभाविक रूप से थ्री-बॉडी पाउली स्ट्रिंग्स (जैसे, $X_i Y_j Z_k - Y_i X_j Z_k$ ) उत्पन्न करता है।
- परिणामी गेज पोटेंशियल एंसेट ( $A_\lambda^*$ ) में दोनों टू-बॉडी टर्म्स (XY बीजगणित से) और कम्यूटेटर विस्तार से प्राप्त थ्री-बॉडी टर्म्स शामिल हैं।
सर्किट निर्माण: CCD-QAOA एंसेट मानक QAOA लेयर्स को बढ़ाता है। गहराई $p$ के लिए, अवस्था को इस प्रकार तैयार किया जाता है:
$|\psi_{CD}\rangle = \prod_{k=1}^p e^{-i\eta_k H_{CD}} e^{-i\beta_k H_{XY}^M} e^{-i\gamma_k H_C} |D_B^N\rangle$
यहाँ, $H_{CD}$ को ट्रंकेटेड गेज पोटेंशियल ऑपरेटर्स द्वारा जनरेट किया गया है और $\eta_k$ नए वेरिएशनल पैरामीटर्स हैं जिन्हें क्लासिकली ऑप्टिमाइज़ किया जाता है।
ऑप्टिमाइज़ेशन: गेज पोटेंशियल के गुणांकों को ऑपरेटर $G(A_\lambda) = \partial_\lambda H + i[A_\lambda, H]$ के फ्रोबेनियस नॉर्म (Frobenius norm) को न्यूनतम करके निर्धारित किया जाता है। उच्च-गुणवत्ता वाले समाधानों पर ध्यान केंद्रित करने के लिए कंडीशनल वैल्यू-एट-रिस्क (CVaR) को ऑब्जेक्टिव फंक्शन के रूप में उपयोग करते हुए, वेरिएशनल पैरामीटर्स ( $\gamma, \beta, \eta$ ) को कॉस्ट हैमिल्टोनियन के एक्सपेक्टेशन वैल्यू को कम करने के लिए ऑप्टिमाइज़ किया जाता है।

प्रमुख योगदान

CD ऑपरेटर्स का व्यवस्थित निर्माण: लेख में यह दिखाया गया है कि कैसे बाधा-संरक्षण मिक्सर और कॉस्ट हैमिल्टोनियन के बीच संरचित ऑपरेटर बीजगणित (operator algebra) का लाभ उठाकर कुशल काउंटरडायैबेटिक एंसेट बनाए जा सकते हैं, जो केवल ह्यूरिस्टिक डिजाइन से आगे बढ़ते हैं।
ट्रंकेशन रणनीति (Truncation Strategy): लेखक प्रदर्शित करते हैं कि गेज पोटेंशियल को थ्री-बॉडी टर्म्स तक सीमित करना, एक्सप्रेसिबिलिटी (expressibility) और सर्किट जटिलता के बीच एक अनुकूल संतुलन प्रदान करता है। वे दिखाते हैं कि ये टर्म्स XY मिक्सर और घने आइसोइंग इंटरेक्शन द्वारा प्रेरित सह-संबंधित आधार रोटेशन (correlated basis rotation) को संभालने के लिए आवश्यक लीडिंग-ऑर्डर सुधारों को कैप्चर करते हैं।
परफॉरमेंस बेंचमार्किंग: यह कार्य CCD-QAOA को मानक XY-मिक्सर QAOA, ग्रोवर-मिक्सर QAOA और पेनल्टी-आधारित QAOA फॉर्मुलेशन के विरुद्ध बेंचमार्क करता है।

परिणाम
घने कोवेरियंस मैट्रिसेस के साथ यादृच्छिक रूप से जनरेट किए गए पोर्टफोलियो इंस्टेंस ( $N=12, B=4$ ) पर संख्यात्मक सिमुलेशन से निम्नलिखित प्राप्त हुआ:

बेहतर एप्रोक्सिमेशन रेश्यो (Approximation Ratios): एक निश्चित सर्किट गहराई $p$ के लिए, CCD-QAOA दृष्टिकोण लगातार मानक XY-मिक्सर QAOA, ग्रोवर-मिक्सर QAOA और पेनल्टी-आधारित विधियों की तुलना में उच्च एप्रोक्सिमेशन रेश्यो प्राप्त करता है।
सफलता की संभावना (Success Probability): हालांकि थ्री-बॉडी CD टर्म्स को शामिल करने से अमान्य उप-स्थान में मामूली लीकेज होता है (जो शुद्ध XY-मिक्सर QAOA की तुलना में सफलता की संभावना को कम करता है, जो 1.0 पर रहती है), फिर भी CCD-QAOA सफलता की संभावना के मामले में पेनल्टी-आधारित दृष्टिकोणों से बेहतर प्रदर्शन करता है।
ट्रेड-ऑफ (Trade-offs): बेहतर प्रदर्शन बढ़ी हुई सर्किट जटिलता के साथ आता है। CD दृष्टिकोण के लिए अतिरिक्त वेरिएशनल पैरामीटर्स की आवश्यकता होती है और इसके परिणामस्वरूप मानक QAOA की तुलना में अधिक CNOT गेट काउंट और ट्रांसपाइल्ड सर्किट डेप्थ होती है। हालांकि, यह ग्रोवर-मिक्सर दृष्टिकोणों की तुलना में अधिक स्केलेबल है।
CVaR संवेदनशीलता: परिणाम संकेत देते हैं कि छोटे CVaR मान (वितरण के टेल पर ध्यान केंद्रित करते हुए) सभी विधियों में बेहतर एप्रोक्सिमेशन रेश्यो प्रदान करते हैं।

महत्व और दावे
लेखक दावा करते हैं कि उनका कार्य संरचित ऑप्टिमाइज़ेशन लैंडस्केप में QAOA प्रदर्शन को बढ़ाने के लिए एक एकीकृत ढांचा (unifying framework) स्थापित करता है। प्राथमिक महत्व इस बात में है कि यह प्रदर्शित करना है कि:

बाधित समस्याओं में संरचित ऑपरेटर बीजगणित (structured operator algebras) होते हैं जिनका उपयोग कुशल काउंटरडायैबेटिक एंसेट बनाने के लिए किया जा सकता है, जो केवल ह्यूरिस्टिक डिजाइन से परे जाता है।
काउंटरडायैबेटिक सुधार डायैबेटिक ट्रांजिशन को दबाकर, विशेष रूप से उथले-सर्किट शासन (shallow-circuit regime) में एप्रोक्सिमेशन रेश्यो में व्यवस्थित रूप से सुधार कर सकते हैं, भले ही बाधाओं को मिक्सर के माध्यम से सख्ती से लागू किया गया हो।
एडियाबेटिक गेज पोटेंशियल और वेरिएशनल क्वांटम सर्किट्स के बीच का संबंध यह पहचानने के लिए एक मार्ग प्रदान करता है कि कौन से सबसे प्रासंगिक भौतिक जनरेटर (इस मामले में, थ्री-बॉडी टर्म्स) की आवश्यकता है, ताकि अत्यधिक गहरे सर्किट की आवश्यकता के बिना जटिल ऊर्जा लैंडस्केप को नेविगेट किया जा सके।

लेख यह निष्कर्ष निकालता है कि हालांकि यह विधि क्लासिकल और क्वांटम ओवरहेड पेश करती है, पोर्टफोलियो अनुकूलन के लिए समाधान की गुणवत्ता में व्यवस्थित सुधार यह सुझाव देता है कि यह निकट-अवधि उपकरणों पर बेहतर क्वांटम अनुकूलन के लिए एक व्यवहार्य पथ है, विशेष रूप से वार्म-स्टार्टिंग या एडेप्टिव ऑपरेटर चयन जैसी रणनीतियों के साथ संयोजन में।