⚛️ quantum physics

Efficient Hamiltonian Engineering for Adiabatic MIS Algorithms

यह शोध पत्र रिडबर्ग परमाणु सरणियों (Rydberg atom arrays) का उपयोग करके मैक्सिमम इंडिपेंडेंट सेट समस्या के लिए एक हाइब्रिड एडियाबेटिक एल्गोरिदम प्रस्तुत करता है, जहाँ कम डिग्री वाले नोड्स को लक्षित करने वाले इंजीनियर स्थानीय नियंत्रण, पारंपरिक वैश्विक नियंत्रणों की तुलना में अभिसरण (convergence) को महत्वपूर्ण रूप से तेज करते हैं, ट्रैप अवस्थाओं को दबाते हैं और सफलता की संभावनाओं में सुधार करते हैं।

मूल लेखक: Guy Karni, Noam Cohen, Adi Pick

प्रकाशित 2026-05-19

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Guy Karni, Noam Cohen, Adi Pick

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 भीड़ भरे कमरे में लोगों के सबसे बड़े संभव समूह को खोजने की कोशिश कर रहे हैं जो बिना एक-दूसरे से टकराए एक साथ खड़े हो सकें। कंप्यूटर विज्ञान की दुनिया में, इसे मैक्सिमम इंडिपेंडेंट सेट (Maximum Independent Set - MIS) समस्या कहा जाता है। यहाँ "कमरा" एक ग्राफ (कनेक्शन का नक्शा) है, "लोग" बिंदु (नोड्स) हैं, और "एक-दूसरे से टकराना" का अर्थ है एक रेखा (एज) द्वारा जुड़े होना। आप एक ऐसा सबसे बड़ा समूह चाहते हैं जहाँ कोई भी दो लोग आपस में जुड़े न हों।

यह शोध पत्र इस पहेली को हल करने का एक नया, स्मार्ट तरीका प्रस्तुत करता है जिसे रिडबर्ग परमाणुओं (Rydberg atoms) का उपयोग करके हल किया जाता है—विशेष परमाणु जो छोटे, अति-संवेदनशील चुंबकों की तरह कार्य करते हैं। जब ये परमाणु उत्तेजित होते हैं, तो वे "रिडबर्ग" परमाणु बन जाते हैं, लेकिन उनका एक नियम है: यदि दो रिडबर्ग परमाणु एक-दूसरे के बहुत करीब आते हैं, तो वे दोनों एक ही समय में उत्तेजित नहीं हो सकते। इसे "ब्लॉकडे" (blockade) कहा जाता है।

लेखकों ने इस प्रक्रिया में सुधार कैसे किया, इसे सरल शब्दों में यहाँ समझाया गया है:

पुराना तरीका: "एक ही आकार सबके लिए" (One-Size-Fits-All) दृष्टिकोण

परंपरागत रूप से, वैज्ञानिकों ने इसे हर परमाणु के साथ बिल्कुल एक जैसा व्यवहार करके हल करने की कोशिश की। वे पूरे कमरे पर एक वैश्विक प्रकाश (कंट्रोल पल्स) चमकाते थे, और परमाणुओं को उत्तेजित अवस्था में जाने के लिए प्रोत्साहित करने हेतु सेटिंग्स को धीरे-धीरे बदलते थे।

इसे एक शिक्षक की तरह समझें जो एक अराजक कक्षा को व्यवस्थित करने की कोशिश कर रहा है और एक ही समय में चिल्लाकर कहता है, "सब लोग खड़े हो जाओ!"

समस्या: कुछ छात्रों (परमाणुओं) के पास कई दोस्त (उच्च डिग्री/कई कनेक्शन) होते हैं, जबकि अन्य के पास बहुत कम होते हैं (कम डिग्री)। यदि आप सभी को एक ही निर्देश चिल्लाकर देते हैं, तो बहुत से दोस्तों वाले छात्र भ्रमित हो सकते हैं और सही ढंग से खड़े नहीं हो पाते, या वे एक "जाल" में फंस सकते हैं जहाँ वे खड़े तो हो जाते हैं लेकिन वे सबसे अच्छे समूह का हिस्सा नहीं होते।
परिणाम: यह प्रक्रिया धीमी है, और जैसे-जैसे कमरा बड़ा होता जाता है, सही समूह को खोजना बहुत कठिन होता जाता है।

नया तरीका: "लोकल डिग्री" (Local Degree) दृष्टिकोण

लेखकों, जी. कार्नी, एन. कोहेन और ए. पिक ने एक चतुर तरकीब निकाली। उन्होंने महसूस किया कि किसी भी ग्राफ में, कम दोस्तों (कम डिग्री) वाले लोग अंतिम विजेता समूह का हिस्सा होने की बहुत अधिक संभावना रखते हैं। अधिक दोस्तों (उच्च डिग्री) वाले लोग संघर्ष पैदा करने की अधिक संभावना रखते हैं।

इसलिए, सभी को एक ही निर्देश देने के बजाय, उन्होंने प्रत्येक परमाणु को उसके पड़ोसियों की संख्या के आधार पर व्यक्तिगत निर्देश दिए।

उपमा: कल्पना कीजिए कि शिक्षक कमरे में घूमता है और प्रत्येक छात्र को विशिष्ट निर्देश फुसफुसाता है। उस शांत छात्र के लिए जिसके पास कोई दोस्त नहीं है, वह कहता है, "तुरंत खड़े हो जाओ!" उस लोकप्रिय छात्र के लिए जिसके दस दोस्त हैं, वह कहता है, "थोड़ा इंतज़ार करें, देखते हैं क्या होता है।"
तंत्र (Mechanism): उन्होंने "डिट्यूनिंग" (लेजर की एक विशिष्ट सेटिंग) को इस तरह से इंजीनियर किया कि कम पड़ोसियों वाले परमाणु तेजी से और आसानी से उत्तेजित हो जाते हैं। अधिक पड़ोसियों वाले परमाणुओं को थोड़ा रोक कर रखा जाता है।

यह क्यों काम करता है: "जालों" से बचना

पुराने तरीके में, सिस्टम अक्सर एक "ट्रैप स्टेट" (जाल वाली स्थिति) में फंस जाता है। यह उन लोगों के समूह जैसा है जो खड़े तो दिख रहे हैं, लेकिन वे एक वैध समूह हैं, फिर भी वे सबसे बड़े संभव समूह नहीं हैं। वे इसलिए फंस जाते हैं क्योंकि सिस्टम उन्हें बेहतर समाधान खोजने के लिए आसानी से पुनर्गठित नहीं कर पाता।

"लो-डिग्री" परमाणुओं को प्राथमिकता देकर, नया तरीका:

जालों की ऊर्जा को बढ़ाता है: यह "गलत" समूहों को ऊर्जावान रूप से महंगा बना देता है, जिससे सिस्टम स्वाभाविक रूप से उनसे बचता है।
अच्छे समूहों की ऊर्जा को कम करता है: यह "सही" समूहों (मैक्सिमम इंडिपेंडेंट सेट) को सबसे आरामदायक स्थान बनाता है।
गति बढ़ाता है: क्योंकि सिस्टम मृत अंत (dead ends) खोजने में समय बर्बाद नहीं करता, इसलिए यह समाधान तेजी से खोज लेता है।

परिणाम

शोधकर्ताओं ने कंप्यूटर सिमुलेशन का उपयोग करके हजारों यादृच्छिक "कमरों" (ग्राफ) पर इसका परीक्षण किया।

सफलता दर: उनके नए तरीके ने पुराने "एक ही आकार सबके लिए" वाले तरीके की तुलना में सही समूह को अधिक बार खोजा।
गति: जैसे-जैसे समस्याएँ कठिन हुईं (जटिल ग्राफ), उनका तरीका पुराने तरीके की तुलना में उतना धीमा नहीं हुआ। उन्होंने देखा कि समस्या कठिन होने पर समाधान की गुणवत्ता घटने की दर में 25% की कमी आई।
दक्षता: इन व्यक्तिगत निर्देशों को सेट करने के लिए आवश्यक गणित बहुत तेज़ (पॉलीनोमियल टाइम) है, जिसका अर्थ है कि प्रयोग शुरू करने से पहले "व्यक्तिगत शिक्षक" को तैयार करने में बहुत अधिक समय नहीं लगता।

सारांश

यह शोध पत्र यह दावा नहीं करता कि यह ब्रह्मांड की हर समस्या को हल कर देगा या चिकित्सा निदान पर काम करेगा। यह केवल यह दिखाता है कि प्रत्येक परमाणु के "स्थानीय पड़ोस" (उसके कनेक्शन की संख्या) को सुनकर और उनके साथ अलग तरह से व्यवहार करके, आप न्यूट्रल परमाणुओं से बने क्वांटम कंप्यूटर पर एक विशिष्ट प्रकार की ग्राफ पहेली (मैक्सिमम इंडिपेंडेंट सेट) को बहुत अधिक कुशलता से हल कर सकते हैं। यह "सब पर चिल्लाने" की रणनीति से "अनुकूलित सलाह" की रणनीति की ओर एक बदलाव है।

तकनीकी सारांश: एडियाबेटिक MIS एल्गोरिदम के लिए कुशल हैमिल्टोनियन इंजीनियरिंग

समस्या विवरण
मैक्सिमम इंडिपेंडेंट सेट (MIS) समस्या में एक ग्राफ में गैर-समीपवर्ती शीर्षों (non-adjacent vertices) के सबसे बड़े उपसमुच्चय को खोजना शामिल है। इस समस्या को रिडबर्ग परमाणु सरणी (Rydberg atom array) को अधिकतम उत्तेजनाओं (excitations) वाली अवस्था में तैयार करने के रूप में मैप किया जा सकता है, जहाँ रिडबर्ग ब्लॉकेड पड़ोसी परमाणुओं के एक साथ उत्तेजित होने को रोकता है। हालाँकि MIS को हल करने के लिए रिडबर्ग सरणियों पर एडियाबेटिक क्वांटम कंप्यूटेशन (AQC) को सफलतापूर्वक लागू किया गया है, लेकिन इसकी स्केलेबिलिटी सिस्टम के आकार के साथ घटते स्पेक्ट्रल गैप (spectral gap) के कारण सीमित है। यह गैप में कमी आवश्यक विकास समय (evolution times) को बढ़ा देती है और त्रुटियों के प्रति संवेदनशीलता को भी बढ़ा देती है। इसके अतिरिक्त, पारंपरिक AQC प्रोटोकॉल अक्सर "ट्रैप स्टेट्स" (trap states) से ग्रस्त होते हैं—जो कि $|MIS|-1$ आकार के स्वतंत्र सेट हैं जो वास्तविक MIS समाधान से विच्छेदित (disconnected) होते हैं—जो अभिसरण (convergence) में बाधा डालते हैं।

कार्यप्रणाली: लोकल-डिग्री एडियाबेटिक क्वांटम कंप्यूटेशन (LD-AQC)
लेखक एक हाइब्रिड एडियाबेटिक एल्गोरिदम प्रस्तावित करते हैं जिसे "लोकल-डिग्री एडियाबेटिक क्वांटम कंप्यूटेशन" (LD-AQC) कहा जाता है। पारंपरिक दृष्टिकोणों के विपरीत, जो वैश्विक, सजातीय डिट्यूनिंग फील्ड (global, homogeneous detuning fields) लागू करते हैं, LD-AQC ग्राफ की टोपोलॉजी के आधार पर स्थानीय नियंत्रण क्षेत्रों (local control fields) को इंजीनियर करता है।

टोपोलॉजिकल अंतर्दृष्टि: यह विधि इस अवलोकन पर आधारित है कि कम डिग्री (कम पड़ोसी) वाले शीर्ष सांख्यिकीय रूप से MIS का हिस्सा होने की अधिक संभावना रखते हैं। इस प्रवृत्ति को $P(i \in MIS) \approx (1 - |MIS|/N)^{d_i}$ संबंध द्वारा परिमाणित किया जाता है, जहाँ $d_i$ नोड $i$ की डिग्री है।
हैमिल्टोनियन इंजीनियरिंग: एल्गोरिदम प्रत्येक परमाणु के लिए एक डिग्री-निर्भर स्थानीय डिट्यूनिंग प्रोफाइल, $\Delta_i(t)$ का निर्माण करता है। डिट्यूनिंग को इस तरह डिज़ाइन किया गया है कि कम डिग्री वाले परमाणुओं के लिए उनके डिट्यूनिंग प्रोफाइल में अधिक ढलान (slope) हो, जो उन्हें प्राथमिकता के साथ उत्तेजित होने के अनुकूल बनाता है।
एल्गोरिदम 0 (पैरामीटर निर्धारण): यह सुनिश्चित करने के लिए कि अंतिम हैमिल्टोनियन का ग्राउंड स्टेट MIS समाधान बना रहे और उत्तेजित अवस्थाओं की डिजेनरेसी (degeneracy) को दूर किया जा सके, लेखक एक क्लासिकल प्रीप्रोसेसिंग एल्गोरिदम (Alg. 0) पेश करते हैं। यह एल्गोरिदम:
- शीर्षों को बढ़ते क्रम (ascending degree) में सॉर्ट करता है।
- डिट्यूनिंग वेट्स के लिए एक मोनोटोनिक फंक्शन $f_i(a)$ को परिभाषित करता है।
- एक क्रिटिकल पैरामीटर $a^*$ की गणना करता है ताकि सभी उत्तेजना मैनिफोल्ड्स $k$ के लिए ऊर्जा अंतर फंक्शन $D_k(a^*) > 0$ हो। यह स्थिति सुनिश्चित करती है कि $k-1$ उत्तेजनाओं वाली किसी भी अवस्था की ऊर्जा $k$ उत्तेजनाओं वाली किसी भी अवस्था से अधिक हो, जो प्रभावी रूप से "ट्रैप स्टेट्स" (विच्छेदित स्वतंत्र सेट) को दंडित करती है जबकि MIS को ग्राउंड स्टेट के रूप में सुरक्षित रखती है।
- Alg. 0 की क्लासिकल जटिलता $O(N^2)$ तक सीमित है, जो एक बहुपद ओवरहेड (polynomial overhead) का प्रतिनिधित्व करती है।

मुख्य योगदान

डिग्री-निर्भर डिट्यूनिंग: स्थानीय डिट्यूनिंग प्रोफाइल का परिचय जो विच्छेदित स्वतंत्र सेटों (ट्रैप स्टेट्स) को ऊर्जा के माध्यम से दंडित करने के लिए वर्टेक्स डिग्री के साथ स्केल करता है, बिना MIS ग्राउंड स्टेट को बदले।
सामान्यीकृत हार्डनेस पैरामीटर ( $HP_{LD}$ ): लेखक एक नया मेट्रिक, $HP_{LD}$ परिभाषित करते हैं जो स्थानीय डिट्यूनिंग से प्राप्त ऊर्जा भार को शामिल करके पारंपरिक हार्डनेस पैरामीटर को सामान्यीकृत करता है। यह पैरामीटर न्यूनतम स्पेक्ट्रल गैप और एल्गोरिदम की सफलता की संभावना के साथ मजबूती से सह-संबंधित है।
सब-लीनियर स्पीडअप: सैद्धांतिक और संख्यात्मक विश्लेषण प्रदर्शित करता है कि LD-AQC पारंपरिक ग्लोबल-ड्राइव AQC की तुलना में सब-लीनियर स्पीडअप प्राप्त करता है।

परिणाम
संख्यात्मक सिमुलेशन हजारों डिसऑर्डर्ड किंग्स ग्राफ (disordered King's graphs) पर किए गए जिनमें रैंडम होल वितरण (आकार $N=11$ से $12$) थे।

सफलता की संभावना (Success Probability): LD-AQC सभी सिम्युलेटेड प्रोटोकॉल ड्यूरेशन के दौरान पारंपरिक AQC की तुलना में लगातार बेहतर प्रदर्शन करता है।
स्केलिंग व्यवहार: सफलता संभाव्यता मेट्रिक ( $SPM \equiv -\log(1 - P_{MIS})$ ) हार्डनेस पैरामीटर के साथ स्केल करता है। LD-AQC एक स्केलिंग एक्सपोनेंट $b \approx -1.24$ प्रदर्शित करता है, जबकि पारंपरिक AQC के लिए $b \approx -1.38$ है।
फिडेलिटी डिके (Fidelity Decay): परिणाम संकेत देते हैं कि समस्या की कठोरता बढ़ने के साथ फिडेलिटी डिके रेट के स्केलिंग एक्सपोनेंट में 25% की कमी आती है।
त्रुटि में कमी: सांख्यिकीय विश्लेषण से पता चलता है कि औसत लॉगरिदमिक एरर रेश्यो 0.47 है, जिसका अर्थ है कि पारंपरिक दृष्टिकोण की तुलना में LD प्रोटोकॉल के लिए औसत त्रुटि दर में लगभग तीन गुना कमी आई है।
मजबूती (Robustness): प्रदर्शन में सुधार डिट्यूनिंग प्रोफाइल के विभिन्न कार्यात्मक रूपों (लीनियर, एक्सपोनेंशियल और पावर-लॉ) में मजबूत है, जिसमें विशिष्ट उपसमुच्चयों के लिए पावर-लॉ प्रोफाइल इष्टतम प्रदर्शन दिखाते हैं।

महत्व और दावे
यह शोध दावा करता है कि LD-AQC ग्राफ समस्याओं के लिए स्थानीय नियंत्रण के माध्यम से ग्राफ टोपोलॉजी का लाभ उठाकर एडियाबेटिक क्वांटम ऑप्टिमाइजेशन को तेज करने का एक व्यावहारिक तरीका प्रदान करता है। इसका महत्व इस प्रकार है:

कुशल प्रीप्रोसेसिंग: यह विधि ग्राफ जानकारी (वर्टेक्स डिग्री) का उपयोग एक प्रीप्रोसेसिंग चरण के माध्यम से करती है जो बहुपद ( $O(N^2)$ ) के रूप में स्केल करती है, जिससे यह बड़े सिस्टम के लिए व्यवहार्य हो जाता है।
ट्रैप स्टेट सप्रेशन: विच्छेदित स्वतंत्र सेटों को ऊर्जा के माध्यम से दंडित करके, यह एल्गोरिदम मानक AQC के विफलता के प्राथमिक स्रोत को कम करता है।
स्केलेबिलिटी: यह दृष्टिकोण प्रासंगिक स्पेक्ट्रल गैप्स को प्रभावी ढंग से "इन्फ्लेट" (बढ़ाता) करता है, जिससे उच्च-फिडेलिटी समाधानों तक पहुँचने के लिए आवश्यक समय जटिलता कम हो जाती है।

लेखक नोट करते हैं कि हालांकि सिमुलेशन 11-12 परमाणु सिस्टम तक सीमित थे, फिर भी यह फ्रेमवर्क टेंसर नेटवर्क सिमुलेशन या वास्तविक क्वांटम हार्डवेयर के माध्यम से बड़े सिस्टम के लिए लागू करने योग्य है। वे यह भी सुझाव देते हैं कि यह विधि अन्य कॉम्बिनेटरियल ऑप्टिमाइजेशन समस्याओं, जैसे MAX-cut, तक विस्तारित हो सकती है और न्यूट्रल एटम के अलावा अन्य क्यूबिट प्लेटफॉर्म पर भी लागू हो सकती है। यह कार्य NP-हार्ड समस्याओं को बहुपद समय में हल करने का दावा नहीं करता है, बल्कि मौजूदा एडियाबेटिक प्रोटोकॉल के एक ह्यूरिस्टिक त्वरण (heuristic acceleration) की पेशकश करता है।

पुराना तरीका: "एक ही आकार सबके लिए" (One-Size-Fits-All) दृष्टिकोण

नया तरीका: "लोकल डिग्री" (Local Degree) दृष्टिकोण

यह क्यों काम करता है: "जालों" से बचना

परिणाम

सारांश

इसी तरह के और पेपर