⚛️ quantum physics

Pauli Correlation Encoding for mRNA Secondary Structure Prediction: Problem-Aware Decoding for Dense-Constraint QUBOs

यह शोध पत्र mRNA माध्यमिक संरचना भविष्यवाणी के लिए सघन-प्रतिबंधों वाले QUBOs को प्रभावी ढंग से डिकोड करने हेतु पॉली कोरिलेशन एनकोडिंग (Pauli Correlation Encoding) के साथ एक प्रॉब्लम-अवेयर गाइडेड डिकोडर (PAGD) प्रस्तुत करता है, जो यह प्रदर्शित करता है कि प्रशिक्षित प्रायोर (priors) जैविक रूप से प्रासंगिक अनुक्रम आकारों के लिए शोर युक्त सुपरकंडक्टिंग हार्डवेयर पर लगभग इष्टतम समाधान प्राप्त कर सकते हैं।

मूल लेखक: Triet Friedhoff, Mihir Metkar, Wade Davis, Vaibhaw Kumar, Alexey Galda

प्रकाशित 2026-05-20

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Triet Friedhoff, Mihir Metkar, Wade Davis, Vaibhaw Kumar, Alexey Galda

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: अंधेरे में कागज़ का सारस (Paper Crane) मोड़ना

कल्पना कीजिए कि आपके पास कागज़ का एक बहुत लंबा, जटिल टुकड़ा (एक mRNA अणु) है जिसे आपको काम करने के लिए एक विशिष्ट आकार में मोड़ने की आवश्यकता है। यदि आप इसे गलत तरीके से मोड़ते हैं, तो यह काम नहीं कर पाएगा या हानिकारक भी हो सकता है। लक्ष्य उस परफेक्ट फोल्ड (सही मोड़) को खोजना है जिसमें ऊर्जा का सबसे कम उपयोग हो।

कागज़ के छोटे टुकड़ों के लिए, हम कैलकुलेटर की मदद से इसे आसानी से हल कर सकते हैं। लेकिन लंबे, जटिल धागों (जैसे कि चिकित्सा में उपयोग किए जाने वाले) के लिए, इसे मोड़ने के संभावित तरीकों की संख्या इतनी अधिक है कि दुनिया के सबसे तेज़ सुपरकंप्यूटर भी अटक जाते हैं। यह एक ऐसे भूलभुलैया में सबसे अच्छा रास्ता खोजने जैसा है जिसमें रास्तों की संख्या पृथ्वी पर मौजूद रेत के कणों से भी अधिक है।

वैज्ञानिक इसे हल करने के लिए क्वांटम कंप्यूटरों का उपयोग करने की कोशिश कर रहे हैं। ये कंप्यूटर सुपर-पावर्ड खोजकर्ताओं की तरह हैं जो एक साथ कई रास्तों को देख सकते हैं। हालाँकि, उनके साथ एक बड़ी समस्या है: वे छोटे और "शोर वाले" (गलतियों के प्रति संवेदनशील) हैं, और उनके पास पूरे नक्शे को एक साथ रखने के लिए पर्याप्त "कमरे" (qubits) नहीं हैं।

समाधान: "मैजिक कंप्रेशन" (जादुई संपीड़न) तकनीक

शोधकर्ताओं ने पॉली कोरिलेशन एनकोडिंग (PCE) नामक एक चतुर ट्रिक का उपयोग किया।

समस्या: आमतौर पर, 100 वेरिएबल्स (चरों) वाले समस्या को मैप करने के लिए, आपको 100 क्वांटम "कमरों" की आवश्यकता होती है। लेकिन क्वांटम कंप्यूटर के पास केवल लगभग 23 कमरे हैं।
ट्रिक: PCE एक जादुई कंप्रेशन एल्गोरिदम की तरह है। हर वेरिएबल को अपना अलग कमरा देने के बजाय, यह एक ही कमरे में कई वेरिएबल्स को पैक कर देता है, जिससे वे एक विशिष्ट तरीके से एक-दूसरे से "बात" कर सकें (जैसे कि लोगों का एक समूह अलग-अलग विषयों पर चर्चा करने के लिए एक ही फोन लाइन साझा करता है)। यह उन्हें एक बहुत बड़ी समस्या (745 वेरिएबल्स तक) को एक छोटे से क्वांटम कंप्यूटर (23 क्यूबिट्स) में फिट करने की अनुमति देता है।

चुनौती: "धुंधली फोटो"

जब क्वांटम कंप्यूटर अपना काम पूरा कर लेता है, तो वह स्पष्ट "हाँ" या "नहीं" में उत्तर नहीं देता है। इसके बजाय, यह समाधान की एक धुंधली फोटो देता है—संभावनाओं की एक सूची (जैसे, "70% संभावना कि यह इस तरह मुड़ेगा, 30% कि उस तरह")।

एक वास्तविक उत्तर प्राप्त करने के लिए, आपको इस धुंधली फोटो को एक स्पष्ट, ब्लैक-एंड-व्हाइट निर्णय में बदलना होता है। इसे डिकोडिंग (Decoding) कहा जाता है।

पुराना तरीका: कल्पना कीजिए कि आप एक धुंधली फोटो देख रहे हैं और यदि वह थोड़ी गहरी दिखती है तो "हाँ" और यदि थोड़ी हल्की दिखती है तो "नहीं" मानकर अनुमान लगा रहे हैं। इससे अक्सर गलतियाँ होती हैं, जैसे कि कागज़ को इस तरह मोड़ना जिससे वह फट जाए (नियमों का उल्लंघन हो)।
नया तरीका (PAGD): लेखकों ने एक नया डिकोडर बनाया जिसे प्रॉब्लम-अवेयर गाइडेड डिकोडर (PAGD) कहा जाता है। इसे एक स्मार्ट गाइड के रूप में समझें जिसने पहले से ही नक्शा पढ़ लिया है।
1. यह क्वांटम कंप्यूटर से मिली धुंधली फोटो को देखता है।
2. यह पहेली के नियमों (कन्स्ट्रेंट्स) की जाँच करता है।
3. यह एक निर्णय लेता है, लेकिन यदि यह फंस जाता है, तो यह थोड़े अलग दृष्टिकोण (एक "रीस्टार्ट") के साथ फिर से प्रयास करता है।
4. यह तब तक प्रयास करता रहता है जब तक कि इसे ऐसा मोड़ न मिल जाए जो सभी नियमों का पालन करता हो और एकदम सटीक (परफेक्ट) के बहुत करीब हो।

परिणाम: सिमुलेशन से वास्तविक हार्डवेयर तक

टीम ने अलग-अलग लंबाई के छह अलग-अलग "कागज़ के धागों" पर इसका परीक्षण किया।

एक सिम्युलेटर पर (वर्चुअल कंप्यूटर):
- मध्यम आकार के धागों के लिए, उनके नए तरीके (PAGD) ने 75% से 100% समय में लगभग सटीक समाधान खोजा।
- पुराने तरीके (धुंधली फोटो के आधार पर अनुमान लगाना) ने लगभग पूरी तरह से विफलता दिखाई, जहाँ वह केवल 0-30% बार ही एक अच्छा समाधान ढूंढ पाया।
- उन्होंने साबित किया कि क्वांटम कंप्यूटर द्वारा की गई "ट्रेनिंग" वास्तव में मददगार थी। जब उन्होंने एक ऐसा कंप्यूटर इस्तेमाल किया जिसे प्रशिक्षित नहीं किया गया था, तो परिणाम बहुत खराब थे।
वास्तविक हार्डवेयर पर (IBM क्वांटम कंप्यूटर):
- उन्होंने अपने सबसे अच्छे सेटअप को लिया और इसे न्यूयॉर्क और जर्मनी में स्थित वास्तविक, भौतिक क्वांटम कंप्यूटरों (IBM हेरॉन प्रोसेसर) पर चलाया।
- उन्होंने तीन बहुत लंबे धागों (लग लगभग 100 न्यूक्लियोटाइड्स लंबे, लगभग 700 वेरिएबल्स के साथ) का सामना किया।
- परिणाम: एक विशिष्ट धागे पर, वास्तविक क्वांटम कंप्यूटर ने थोड़े समय तक चलने के बाद सटीक परफेक्ट समाधान (0% त्रुटि) खोज लिया। अन्य पर, इसने ऐसे समाधान खोजे जो वर्चुअल सिम्युलेटर के अनुमान से भी बेहतर थे।
- यह एक बड़ी बात है क्योंकि यह साबित करता है कि "शोर वाले" वास्तविक हार्डवेयर के साथ भी, क्वांटम कंप्यूटर को मिलने वाली "ट्रेनिंग" उसे यात्रा में जीवित रहने और अच्छे उत्तर खोजने में मदद करती है।

निष्कर्ष (The Takeaway)

यह पेपर दिखाता है कि आप बड़े, जटिल फोल्डिंग पहेलियों को छोटे क्वांटम कंप्यूटरों पर हल कर सकते हैं यदि आप:

समस्या को स्मार्ट तरीके से कंप्रेस (संकुचित) करें (PCE)।
कंप्यूटर को पहेली के विशिष्ट नियमों को समझने के लिए ट्रेन (प्रशिक्षित) करें (एक विशेष "लॉस फंक्शन" का उपयोग करके)।
परिणामों को एक स्मार्ट गाइड के साथ डिकोड करें जो नियमों को जानता हो (PAGD)।

उन्होंने सफलतापूर्वक एक वास्तविक क्वांटम मशीन पर इसका प्रदर्शन किया, और एक जैविक अणु के लिए सबसे अच्छा मोड़ खोजा जो वास्तविक दुनिया की चिकित्सा के लिए प्रासंगिक है, जिससे यह साबित होता है कि यह दृष्टिकोण तब भी काम करता है जब हार्डवेयर परफेक्ट न हो।

तकनीकी सारांश: mRNA द्वितीयक संरचना भविष्यवाणी के लिए पाउली कोरिलेशन एनकोडिंग (Pauli Correlation Encoding)

समस्या विवरण

mRNA की न्यूनतम मुक्त ऊर्जा (MFE) द्वितीयक संरचना का पूर्वानुमान लगाना चिकित्सीय डिजाइन के लिए महत्वपूर्ण है, क्योंकि फोल्डिंग पैटर्न अनुवाद दक्षता (translation efficiency), प्रतिरक्षाजन्यता (immunogenicity) और स्थिरता को निर्धारित करते हैं। हालांकि डायनेमिक प्रोग्रामिंग लघु अनुक्रमों के लिए इसे सटीक रूप से हल करती है, लेकिन स्यूडोनॉट्स (pseudoknots) का समावेश चिकित्सीय रूप से प्रासंगिक लंबाई (सैकड़ों से हजारों न्यूक्लियोटाइड्स) के लिए इस समस्या को NP-hard बना देता है।

हाल के क्वांटम दृष्टिकोणों ने इसे एक क्वाड्रेटिक अनकन्स्ट्रेंड बाइनरी ऑप्टिमाइज़ेशन (QUBO) समस्या के रूप में तैयार किया है। हालांकि, मानक "एक-चर-प्रति-क्यूबिट" मैपिंग लगभग $L^{2.2}$ (जहाँ $L$ न्यूक्लियोटाइड्स की संख्या है) के रूप में स्केल करती है, जो निकट-अवधि हार्डवेयर के क्यूबिट काउंट को तेजी से पार कर जाती है। इसके अलावा, mRNA फोल्डिंग में घने प्रतिबंध (विशेष रूप से, गैर-क्रॉसिंग बेस पेयरिंग) ऐसे ऊर्जा परिदृश्य (energy landscapes) बनाते हैं जहाँ शिथिल निरंतर समाधान (relaxed continuous solutions) व्यवहार्य बाइनरी समाधानों से काफी भिन्न हो जाते हैं, जिससे मानक डिकोडिंग रणनीतियाँ अप्रभावी हो जाती हैं।

कार्यप्रणाली (Methodology)

लेखक एक पाइपलाइन प्रस्तावित करते हैं जो क्यूबिट की कमी और घने प्रतिबंधों को संबोधित करने के लिए पाउली कोरिलेशन एनकोडिंग (PCE) को एक नवीन प्रशिक्षण हानि (training loss) और एक प्रॉब्लम-अवेयर गाइडेड डिकोडर (PAGD) के साथ एकीकृत करती है।

1. पाउली कोरिलेशन एनकोडिंग (PCE)

PCE $m$ बाइनरी चरों को $n = O(m^{1/k})$ क्यूबिट्स पर संकुचित करता है (जहाँ संपीड़न क्रम $k \ge 2$ है) द्वारा चरों को एक छोटे रजिस्टर पर कम्यूटिंग पाउली कोरिलेटर्स (जैसे, $XX, YY, ZZ $) में मैप करके। यह हजारों चरों को$ \sim 20$ क्यूबिट्स पर एनकोड करने की अनुमति देता है। सर्किट निरंतर प्रत्याशा मान (expectation values - EVs) $[-1, 1]$ उत्पन्न करता है जिन्हें बाइनरी समाधानों में डिकोड किया जाना चाहिए।

2. समस्या-सूचित अनसात्ज़ (Informed-k)

जेनेरिक टोपोलॉजी (जैसे निकटतम-पड़ोसी या पूर्णतः कनेक्टेड) के बजाय, लेखक QUBO संरचना के आधार पर एक अनसात्ज़ टोपोलॉजी का निर्माण करते हैं:

महत्व स्कोरिंग (Importance Scoring): QUBO कपलिंग को उनके ऊर्जा परिदृश्य में योगदान के आधार पर भारित किया जाता है।
कनेक्टिविटी: एक क्रुस्कल मैक्सिमम-स्पैनिंग-ट्री एल्गोरिदम इन महत्व स्कोर के आधार पर शीर्ष- $k$ क्यूबिट जोड़ों का चयन करता है।
हार्डवेयर जागरूकता: QPU पर तैनाती के लिए, चयन को डिवाइस ग्राफ के नेटिव किनारों (native edges) तक सीमित किया गया है ताकि SWAP गेट्स से बचा जा सके, जिसके लिए "SWAP-डिस्काउंटेड" महत्व स्कोर का उपयोग किया जाता है।

3. प्रशिक्षण हानि: QUBO-स्पेस सिग्मॉइड

लेखक घने-प्रतिबंध वाले QUBO के लिए मानक आइसिंग-स्पेस हानियों में एक "लीनियर-बायस समस्या" की पहचान करते हैं, जहाँ दंड पद (penalty terms) लीनियर बायस में जमा हो जाते हैं जो ऑप्टिमाइज़र को ट्रिवियल समाधानों की ओर ले जाते हैं।

समाधान: वे एक QUBO-स्पेस सिग्मॉइड लॉस पेश करते हैं। सॉफ्ट बाइनरी चर $\tilde{x}_i = \sigma(-\alpha e_i)$ के रूप में परिभाषित हैं। हानि $L_{QUBO} = \tilde{x}^T Q \tilde{x}$ है।
तंत्र: यह सुनिश्चित करता है कि जब विरोधी साथी निष्क्रिय हों तो दंड ग्रेडिएंट शून्य हो जाएं, जिससे ऑप्टिमाइज़र ऊर्जा-अनुकूल सक्रियणों की खोज कर सके बिना निरंतर लीनियर बायस से अभिभूत हुए।

4. प्रॉब्लम-अवेयर गाइडेड डिकोडर (PAGD)

निरंतर EVs को व्यवहार्य बाइनरी समाधानों में डिकोड करने के लिए, लेखक प्रस्तावित करते हैं कि PAGD, जो शास्त्रीय ग्रीडी ह्यूरिस्टिक्स को प्रशिक्षित क्वांटम प्रायर (prior) के साथ जोड़ता है:

स्कोरिंग: प्रत्येक उम्मीदवार चर के लिए, एक स्कोर की गणना की जाती है जो मार्जिनल QUBO ऊर्जा न्यूनीकरण ( $-\Delta_i$ ) और प्रशिक्षित EV प्रायर ( $\tilde{x}_i^\beta$ ) का गुणनफल है।
प्रतिबंध-जागरूक छंटनी (Constraint-Aware Pruning): चरों को उनके स्कोर के आधार पर ग्रीडी तरीके से प्रतिबद्ध (commit) किया जाता है, और सभी प्रतिबंध-उल्लंघन करने वाले चरों को तुरंत हटा दिया जाता है।
रीस्टार्ट्स (PAGD-K): स्थानीय इष्टतम (local optima) से बचने के लिए, प्रक्रिया को EV वेक्टर में छोटे गॉसियन परटर्बेशन (perturbations) जोड़ने के साथ $K$ बार दोहराया जाता है।

मुख्य योगदान

समस्या-सूचित अनसात्ज़: "Informed-k" टोपोलॉजी, जो क्यूबिट जोड़ों को QUBO महत्व द्वारा रैंक करती है, घने-प्रतिबंध वाले उदाहरणों पर, विशेष रूप से बड़े समस्या आकार के लिए, निकटतम-पड़ोसी और पूर्णतः कनेक्टेड टोपोलॉजी की तुलना में बेहतर प्रदर्शन करती है।
PAGD डिकोडर: एक डिकोडिंग योजना जो ग्रीडी कमिटमेंट्स को पुनर्व्यवस्थित करने के लिए प्रशिक्षित EVs को एक प्रायर के रूप में उपयोग करती है, जो साइन-राउंडिंग और लोकल सर्च बेसलाइन से काफी बेहतर प्रदर्शन करती है।
प्रशिक्षित प्रायर का सत्यापन: अनुभवजन्य प्रमाण कि PCE प्रशिक्षण संरचनात्मक जानकारी को एनकोड करता है। $m=240$ के उदाहरण पर, प्रशिक्षित PAGD ने $K=200$ पर 50% निकट-इष्टतम रिकवरी ( $P(\text{gap}<1\%)$ ) प्राप्त की, जो अनट्रेन्ड सर्किटों को 10 प्रतिशत अंक और रैंडम EV बेसलाइन को 40 अंक से पीछे छोड़ देती है।
हार्डवेयर-स्केल प्रदर्शन: तीन mRNA अनुक्रमों ( $\sim 100$ न्यूक्लियोटाइड्स, $m=694\text{--}745$ चर, $n=23$ क्यूबिट्स) के लिए IBM Heron प्रोसेसरों पर सफल तैनाती। सर्किट को 480 नेटिव टू-क्यूबिट गेट्स तक SWAP-मुक्त रूप से ट्रांसपाइल किया गया था।

परिणाम

सिमुलेशन बेंचमार्क

निकट-इष्टतम रिकवरी: $m=152$ तक के अनुक्रमों के लिए, PAGD-K100 ने 75–100% निकट-इष्टतम रिकवरी ( $P(\text{gap}<1\%)$ ) प्राप्त की। इसके विपरीत, Sign+Local Search बेसलाइन ने 0–30% प्राप्त किया।
सर्किट डेप्थ: इष्टतम प्रदर्शन छोटे $m$ के लिए गहराई $p=2$ से बढ़कर बड़े $m$ ($195, 240 $) के लिए$ p=6$ हो गया, जो इंगित करता है कि जैसे-जैसे संपीड़न बढ़ता है, अधिक अभिव्यक्तता (expressivity) की आवश्यकता होती है।
डिकोडर प्रदर्शन: $m=240$ पर, PAGD-K100 ने 15–40% निकट-इष्टतम रिकवरी प्राप्त की, जो रीस्टार्ट बजट द्वारा सीमित थी, जबकि Sign+LS पूरी तरह से विफल रहा (0%)।

हार्डवेयर परिणाम (IBM Heron)

अनुक्रम: 102–105 न्यूक्लियोटाइड्स के तीन अनुक्रम ( $m=694, 715, 745$ ) को $n=23$ क्यूबिट्स पर चलाया गया।
प्रदर्शन:
- seq_694: एक एकल 100-इटरेशन QPU रन के साथ PAGD-K200 ने CPLEX ऑप्टिमम को सटीक रूप से (0.0% गैप) रिकवर किया। $K=10$ पर, गैप 7.4% था।
- seq_715 और seq_745: $K=200$ पर, QPU ने क्रमशः 5.9% और 18.0% के गैप प्राप्त किए, जो दोनों ही समान सर्किटों के लिए औसत सिम्युलेटर परिणामों से बेहतर थे।
निष्कर्ष: प्रशिक्षित PCE प्रायर शोर वाले सुपरकंडक्टिंग हार्डवेयर में भी बना रहा, जो शोर रहित सिमुलेशन के तुलनीय या बेहतर समाधान गुणवत्ता बनाए रखता है।

महत्व और दावे

यह पेपर दावा करता है कि बाधित समस्याओं पर कॉम्पैक्ट क्वांटम एनकोडिंग का प्रदर्शन प्रशिक्षण हानि (training loss), समस्या संरचना (problem structure) और डिकोडर के बीच संरेखण पर महत्वपूर्ण रूप से निर्भर करता है।

स्केल पर व्यवहार्यता: यह कार्य प्रदर्शित करता है कि PCE जैविक रूप से प्रासंगिक समस्या आकारों (लगभग ~745 चर 23 क्यूबिट्स पर) को संभाल सकता है जो एक-चर-प्रति-क्यूबिट मैपिंग के लिए अगम्य हैं।
प्रायर की उपयोगिता: यह स्थापित करता है कि QUBO-स्पेस हानियों पर वेरिएशनल सर्किट को प्रशिक्षित करने से ऐसी प्रत्याशा मान (expectation values) प्राप्त होते हैं जो डिकोडिंग के लिए एक सार्थक प्रायर के रूप में कार्य करते हैं, यहाँ तक कि हार्डवेयर शोर की उपस्थिति में भी।
सीमित दायरा: लेखक अपने हार्डवेयर परिणामों को एक "व्यवहार्यता प्रदर्शन" के रूप में फ्रेम करते हैं, न कि क्वांटम लाभ के दावे के रूप में। वे नोट करते हैं कि यह विधि इंस्टेंस-डिपेंडेंट है, जहाँ सबसे बड़ा लाभ मध्यम कठिनाई स्तरों पर देखा जाता है जहाँ शास्त्रीय ग्रीडी तरीके फंस जाते हैं लेकिन प्रशिक्षित प्रायर उन्हें बाहर निकलने में मार्गदर्शन कर सकता है।
भविष्य की दिशाएं: पेपर में उल्लेख किया गया है कि बड़े पैमाने पर देखी गई रीस्टार्ट-काउंट बाधा एक सीमित कारक हो सकती है और इस प्रशिक्षण-डिकोडिंग पाइपलाइन को अन्य घने-प्रतिबंध वर्गों (जैसे शेड्यूलिंग, ग्राफ कलरिंग) पर लागू करने का प्रस्ताव करता है।