⚛️ quantum physics

Latent-Conditioned Parameterized Quantum Circuits as Universal Approximators for Distributions over Quantum States

यह शोध पत्र लेटेंट-कंडीशन्ड पैरामीटराइज्ड क्वांटम सर्किट्स (LPQCs) को प्रस्तुत करता है, जो एक हाइब्रिड क्वांटम-क्लासिकल ढांचा है जिसे क्वांटम अवस्थाओं के वितरण के लिए यूनिवर्सल एप्रोक्सिमेटर्स के रूप में सिद्ध किया गया है, जो प्रभावी रूप से बैरन प्लेटो (barren plateaus) को संबोधित करता है और जटिल एन्सेम्बल्स को मॉडल करने में मौजूदा क्वांटम जनरेटिव बेसलाइन्स से बेहतर प्रदर्शन करता है।

मूल लेखक: Quoc Hoan Tran, Koki Chinzei, Yasuhiro Endo, Hirotaka Oshima

प्रकाशित 2026-05-28

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Quoc Hoan Tran, Koki Chinzei, Yasuhiro Endo, Hirotaka Oshima

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

यहाँ सरल भाषा और रचनात्मक उपमाओं (analogies) का उपयोग करके शोध पत्र (paper) की व्याख्या दी गई है।

बड़ी समस्या: "एक-एक करके" वाली बाधा (The "One-at-a-Time" Bottleneck)

कल्पना कीजिए कि आप एक जटिल, बहु-स्वाद वाले सूप को फिर से बनाने की कोशिश कर रहे हैं एक शेफ हैं। क्वांटम कंप्यूटिंग की दुनिया में, यह "सूप" केवल एक व्यंजन नहीं है; यह विभिन्न क्वांटम अवस्थाओं (quantum states) का एक विशाल संग्रह है (जैसे अलग-अलग रेसिपी), जो किसी सिस्टम (जैसे कि एक अणु या पदार्थ) का प्रतिनिधित्व करते हैं।

परंपरागत रूप से, यदि आप इस संग्रह को सीखना चाहते हैं, तो आपको प्रत्येक रेसिपी को एक-एक करके बनाना होगा।

पुराना तरीका: आप रेसिपी A के लिए एक क्वांटम सर्किट को ऑप्टिमाइज़ करते हैं, फिर रेसिपी B के लिए एक पूरी तरह से नया सर्किट शुरू करते हैं, फिर C, और इसी तरह।
समस्या: यह अविश्वसनीय रूप से धीमा और महंगा है। यह एक पूरी लाइब्रेरी की किताबें सीखने के लिए एक पेज पढ़ने, उसे याद करने, अपने मस्तिष्क को मिटाने और फिर अगले पेज के लिए फिर से शुरू करने जैसा है। क्वांटम शब्दों में, इसे "स्टेट-बाय-स्टेट" (state-by-state) तैयारी कहा जाता है, और यह वास्तविक दुनिया के उपयोग के लिए बहुत धीमा है।

समाधान: "स्मार्ट सस-शेफ" (The "Smart Sous-Chef" - LPQC)

लेखक एक नया ढांचा पेश करते हैं जिसे लेटेंट-कंडीशन्ड पैरामीटराइज्ड क्वांटम सर्किट्स (LPQCs) कहा जाता है। इसे एक स्मार्ट सस-शेफ (सहायक शेफ) को काम पर रखने के रूप में सोचें जो न केवल एक रेसिपी का पालन करता है, बल्कि मांग पर कोई भी रेसिपी बनाने का तरीका सीखता है।

LPQC इस प्रकार काम करता है:

गुप्त सामग्री (Latent Variable): एक रैंडम नंबर जनरेटर की कल्पना करें जो एक "फ्लेवर कोड" (लेटेंट वेरिएबल, $z$ ) चुनता है। यह कोड उस विशिष्ट प्रकार के सूप का प्रतिनिधित्व करता है जिसे आप चाहते हैं।
अनुवादक (Neural Network): एक क्लासिकल कंप्यूटर (न्यूरल नेटवर्क) एक अनुवादक के रूप में कार्य करता है। यह उस रैंडम फ्लेवर कोड को लेता है और उसे तुरंत क्वांटम मशीन के लिए निर्देशों (पैरामीटर्स) के एक विशिष्ट सेट में बदल देता है।
क्वांटम मशीन (The Circuit): क्वांटम मशीन उन निर्देशों को लेती है और तुरंत विशिष्ट क्वांटम अवस्था को पकाती है।

जादू: हर नए सूप के लिए मशीन को फिर से प्रशिक्षित करने के बजाय, आप बस उसमें एक नया रैंडम फ्लेवर कोड फीड करते हैं, और वह तुरंत जान जाता है कि उस विशिष्ट व्यंजन को कैसे पकाना है। यह एक बार में पूरी रेसिपी लाइब्रेरी को सीख लेता है।

बड़ा दावा: "यूनिवर्सल एप्रोक्सिमेशन" (Universal Approximation)

यह शोध पत्र एक साहसी गणितीय दावा करता है: यह सिस्टम किसी भी संभावित "क्वांटम सूप" के वितरण को सीखने में सक्षम है।

गणितीय शब्दों में, उन्होंने सिद्ध किया है कि चाहे लक्षित क्वांटम अवस्थाओं का संग्रह कितना भी जटिल या अजीब क्यों न हो, यह "स्मार्ट सस-शेफ" इसे पूरी तरह से अनुमानित (approximate) कर सकता है। वे इसे "यूनिवर्सल एप्रोक्सिमेटर" कहते हैं। यह कहने जैसा है कि, "हमें एक रैंडम नंबर दें, और हमारा सिस्टम किसी भी पैटर्न के अनुरूप क्वांटम अवस्था उत्पन्न कर सकता है जिसकी आप कल्पना कर सकते हैं।"

"फ्लैट डेजर्ट" (Barren Plateaus) से निपटना

क्वांटम कंप्यूटिंग में सबसे बड़ी समस्याओं में से एक "बैरेन प्लेटो" (Barren Plateau) है।

उपमा: एक विशाल, सपाट रेगिस्तान में घाटी के निचले हिस्से (एक आदर्श रेसिपी) को खोजने की कोशिश करने की कल्पना करें। यदि आप एक कदम लेते हैं, तो जमीन हर दिशा में बिल्कुल एक जैसी महसूस होती है। आपको कोई अंदाजा नहीं होता कि नीचे जाने का रास्ता किस ओर है। क्वांटम सर्किटों में, इसका मतलब है कि कंप्यूटर "फँस" जाता है क्योंकि गणित उसे बेहतर समाधान की ओर ले जाने के लिए कोई संकेत नहीं देता है।
समाधान: लेखकों ने पाया कि अपने "स्मार्ट सस-शेफ" (न्यूरल नेटवर्क जो रैंडम कोड को निर्देशों में मैप करता है) का उपयोग करके, वे इस "फ्लैट डेजर्ट" से बच जाते हैं। न्यूरल नेटवर्क शुरुआती बिंदु को उन क्षेत्रों की ओर झुकाता है जहाँ ज़मीन ढलान वाली होती है, जिससे सबसे अच्छा समाधान ढूंढना बहुत आसान हो जाता है। यह शेफ को एक मानचित्र देने जैसा है जो कहता है, "सपाट रेगिस्तान से शुरू न करें; ढलान वाली पहाड़ी से शुरू करें जहाँ आप वास्तव में नीचे जाने वाला रास्ता देख सकते हैं।"

वास्तविक दुनिया के परीक्षण: क्लस्टर्स से लेकर मॉलिक्यूल्स तक

टीम ने इस विचार का दो मुख्य तरीकों से परीक्षण किया:

"क्लस्टर" टेस्ट: उन्होंने एक सिंथेटिक डेटासेट बनाया जिसमें चार अलग-अलग "क्लस्टर्स" (क्वांटम अवस्थाओं के चार अलग प्रकार के सूप) थे।
- परिणाम: LPQC ने सफलतापूर्वक सभी चार प्रकारों को सीखना सफल किया। जब उन्होंने एक "मल्टीमॉडल" दृष्टिकोण का उपयोग किया (सिस्टम को बताया कि सीखने के लिए चार अलग-अलग फ्लेवर हैं), तो यह पुराने तरीकों की तुलना में और भी बेहतर और तेज़ रहा।
"मॉलिक्यूल" टेस्ट (QM9): उन्होंने इसे वास्तविक रसायन विज्ञान डेटा (QM9 डेटासेट) पर लागू किया, जिसमें हजारों अलग-अलग कार्बनिक अणु (organic molecules) शामिल हैं।
- लक्ष्य: अणुओं की ऐसी 3D संरचनाएं उत्पन्न करना जो वास्तविक अणुओं जैसी दिखें।
- परिणाम: LPQC वास्तविक अणुओं की तरह दिखने वाली वैध आणविक संरचनाएं उत्पन्न करने में सक्षम था। इसने अन्य क्वांटम विधियों की तुलना में बेहतर प्रदर्शन किया और क्लासिकल कंप्यूटर विधियों के साथ प्रतिस्पर्धी रहा, लेकिन इसके पास एक बड़ा लाभ है: यह वास्तविक क्वांटम अवस्थाएं उत्पन्न करता है जिन्हें क्वांटम कंप्यूटर द्वारा उपयोग करने के लिए तैयार किया जा सकता है, जबकि क्लासिकल विधियां केवल संख्याओं की एक सूची बनाती हैं जिसे बाद में बदलना पड़ता है।

सारांश

समस्या: क्वांटम अवस्थाओं के जटिल संग्रह को एक-एक करके सीखना बहुत धीमा है।
नवाचार: एक हाइब्रिड सिस्टम जहाँ एक क्लासिकल AI रैंडम "फ्लेवर कोड" को क्वांटम निर्देशों में बदल देता है, जिससे सिस्टम संग्रह की किसी भी अवस्था को तुरंत उत्पन्न कर सकता है।
प्रमाण: उन्होंने गणितीय रूप से सिद्ध किया कि यह सिस्टम क्वांटम अवस्थाओं के किसी भी वितरण को सीख सकता है।
लाभ: यह "फ्लैट डेजर्ट" (बैरेन प्लेटो) की समस्या को हल करता है जो आमतौर पर क्वांटम कंप्यूटरों को सीखने से रोकती है, जिससे प्रशिक्षण प्रक्रिया बहुत अधिक कुशल हो जाती है।
परिणाम: यह जटिल डेटा जैसे कि आणविक संरचनाओं को उत्पन्न करने के लिए वर्तमान क्वांटम विधियों से बेहतर काम करता है, जो जेनेरेटिव मॉडलिंग के लिए क्वांटम कंप्यूटरों का उपयोग करने का एक व्यावहारिक मार्ग प्रदान करता है।

तकनीकी सारांश: क्वांटम अवस्थाओं के वितरणों के लिए सार्वभौमिक सन्निकटनक के रूप में लेटेंट-कंडीशन्ड पैरामीटराइज्ड क्वांटम सर्किट

1. समस्या विवरण

क्वांटम सिमुलेशन, क्वांटम केमिस्ट्री और क्वांटम मशीन लर्निंग (QML) के कई अनुप्रयोगों के लिए केवल एक एकल क्वांटम अवस्था की नहीं, बल्कि एक अवस्थाओं के समूह (घनत्व ऑपरेटरों पर एक वितरण) की आवश्यकता होती है ताकि सिस्टम की विषमता को दर्शाया जा सके। उदाहरणों में परिमित-तापमान गिब्स एन्सेम्बल (finite-temperature Gibbs ensembles), विशिष्ट ज्यामिति वाले अणुओं के डेटासेट, और विसंगति का पता लगाने (anomaly detection) के लिए प्रशिक्षण डेटा शामिल हैं।

ऐसे एन्सेम्बल को तैयार करने के वर्तमान दृष्टिकोण महत्वपूर्ण बाधाओं का सामना करते हैं:

वैरिएशनल विधियाँ (Variational Methods): VQE जैसे दृष्टिकोणों के लिए प्रत्येक नए लक्षित अवस्था के लिए एक नए अनुकूलन लूप (optimization loop) की आवश्यकता होती है, जो गणनात्मक रूप से अत्यधिक खर्चीला है।
फॉल्ट-टोलरेंट विधियाँ (Fault-Tolerant Methods): क्वांटम फेज एस्टिमेशन (QPE) या ब्लॉक-एनकोडेड स्टेट प्रिपरेशन पर आधारित तकनीकों के लिए गहरे सर्किट और प्रति अवस्था पर्याप्त अनिसिला ओवरहेड की आवश्यकता होती है।
विमीयता और अनुकूलन (Dimensionality and Optimization): क्वांटम अवस्था स्थानों की घातीय विमीयता इन चुनौतियों को और बढ़ा देती है। इसके अलावा, वितरणों को सीखने के लिए सीधे मानक पैरामीटराइज्ड क्वांटम सर्किट (PQCs) लागू करने से अक्सर बैरन प्लेटो (barren plateaus) की समस्या होती है, जहाँ ग्रेडिएंट सिस्टम के आकार के साथ तेजी से लुप्त हो जाते हैं, जिससे अनुकूलन बाधित होता है।

एक ऐसे सार्वभौमिक जनरेटिव फ्रेमवर्क की आवश्यकता है जो इन सभी सेटिंग्स में मल्टीमॉडल संरचनाओं को कैप्चर कर सके, और प्रशिक्षण के बाद एक ही फॉरवर्ड पास में पूरे एन्सेम्बल से नमूने (samples) उत्पन्न कर सके।

2. कार्यप्रणाली: लेटेंट-कंडीशन्ड PQCs (LPQCs)

लेखक लेटेंट-कंडीशन्ड पैरामीटराइज्ड क्वांटम सर्किट्स (LPQCs) का परिचय देते हैं, जो एक हाइब्रिड क्वांटम-क्लासिकल फ्रेमवर्क है।

मुख्य आर्किटेक्चर

लेटेंट स्पेस (Latent Space): एक क्लासिकल लेटेंट वेरिएबल $z$ को एक प्रायोर डिस्ट्रीब्यूशन $r(z)$ (जैसे गॉसियन या यूनिफॉर्म) से लिया जाता है।
क्लासिकल न्यूरल नेटवर्क (NN): एक क्लासिकल NN, $f(z; w)$ , लेटेंट वेरिएबल $z$ को क्वांटम सर्किट के पैरामीटर्स $\theta(z)$ में मैप करता है।
क्वांटम सर्किट: एक PQC $U(\theta(z))$ , $n$ डेटा क्वबिट्स और $m$ अनिसिला क्वबिट्स के एक संयुक्त सिस्टम पर कार्य करता है।
स्टेट जनरेशन: सर्किट को प्रारंभिक अवस्था $|0\rangle$ पर लागू किया जाता है, और अनिसिला क्वबिट्स को ट्रेस आउट (trace out) कर दिया जाता है। इससे घनत्व ऑपरेटर $\rho_w(z) = \text{Tr}_{HA}[U(\theta(z))|0\rangle\langle 0|U^\dagger(\theta(z))]$ प्राप्त होता है।
एन्सेम्बल: परिणामी एन्सेम्बल को जोड़ी $(r, \rho_w)$ द्वारा परिभाषित किया जाता है, जो $z$ के नमूने लेने से उत्पन्न अवस्थाओं के वितरण का प्रतिनिधित्व करता है।

सैद्धांतिक आधार: यूनिवर्सल एप्रोक्सिमेशन

यह शोध पत्र सिद्ध करता है कि LPQCs, 1-वॉसरस्टीन दूरी (1-Wasserstein distance) में $n$ -क्बिट घनत्व ऑपरेटरों के संभाव्यता मापों (probability measures) के लिए यूनिवर्सल एप्रोक्सिमेटर्स हैं।

थ्योरम 1: किसी भी लक्षित संभाव्यता माप $Q$ के लिए, एक ऐसा LPQC मौजूद है जिससे उत्पन्न एन्सेम्बल $W_1$ में $Q$ को मनचाहे ढंग से सन्निकट (approximate) करता है।
प्रूफ स्ट्रैटेजी: प्रमाण किसी भी लक्षित वितरण और LPQC आउटपुट के बीच के अंतर को चार चरणों के माध्यम से पाटता है:
1. फाइनाइट कैटलॉग एप्रोक्सिमेशन: लक्षित $Q$ को एक परिमित परमाणु एन्सेम्बल (finite atomic ensemble) के साथ सन्निकट करना।
2. लेटेंट स्पेस की टाइलिंग: कैटलॉग वेट्स के अनुरूप लेटेंट स्पेस $Z$ को क्षेत्रों में विभाजित करना।
3. स्मूथिंग (Smoothing): विभेदन क्षमता (differentiability) सुनिश्चित करने के लिए क्षेत्रों के बीच के असंतत "हार्ड" ट्रांजिशन को स्मूथ गेटिंग मैकेनिज्म (सॉफ्ट अटेंशन का उपयोग करके) से बदलना।
4. यूनिफॉर्म PQC एप्रोक्सिमेशन: क्लासिकल यूनिवर्सल एप्रोक्सिमेशन थ्योरम (NNs के लिए) और $SU(2^{n+m})$ में गेट सेट के घनत्व का लाभ उठाकर यह दिखाना कि सर्किट लक्षित यूनिटरी मैप को सन्निकट कर सकता है।

व्यावहारिक संवर्द्धन

व्यावहारिक प्रशिक्षण चुनौतियों, विशेष रूप से बैरन प्लेटो समस्या और मल्टीमॉडल डेटा संरचनाओं को संबोधित करने के लिए, लेखक निम्नलिखित प्रस्तावित करते हैं:

मल्टीमॉडल प्रायर्स (Multimodal Priors): लेटेंट प्रायोर $r(z)$ के लिए मिश्रण वितरणों (जैसे मिश्रण गॉसियन) का उपयोग करना ताकि वे लक्षित वितरण के मोड के साथ संरेखित हो सकें।
मिक्सचर-ऑफ-एक्सपर्ट्स (MoE): एक एकल मोनोलिथिक NN के बजाय, फ्रेमवर्क कई "एक्सपर्ट" NNs का उपयोग करता है। एक सॉफ्ट गेटिंग मैकेनिज्म (softmax) लेटेंट वेरिएबल $z$ को विशिष्ट विशेषज्ञों की ओर निर्देशित करता है, जिससे मॉडल को लेटेंट स्पेस के विभिन्न क्षेत्रों में विशेषज्ञता हासिल करने की अनुमति मिलती। यह आर्किटेक्चर ग्रेडिएंट-रिच क्षेत्रों की ओर शुरुआतीकरण (initialization) को बायस करके बैरन प्लेटो को कम करने में सहायक सिद्ध होता है।

प्रशिक्षण उद्देश्य (Training Objective)

प्रत्यक्ष 1-वॉसरस्टीन दूरी का न्यूनीकरण (minimization) अव्यवहारिकता है। लेखक एक लॉस फंक्शन $D_{Wass}$ का उपयोग करते हैं जो उत्पन्न और लक्षित एन्सेम्बल के बीच वॉसरस्टीन दूरी को अनुमानित करने के लिए एक सममित, पॉजिटिव-डेफिनेट क्वाड्रेटिक कर्नेल (विशेष रूप से सुपरफिडेलिटी) का उपयोग करता है। प्रशिक्षण लॉस इस दूरी को एक एंट्रॉपी रेगुलराइजेशन टर्म के साथ जोड़ता है ताकि विविध विशेषज्ञ उपयोग को प्रोत्साहित किया जा सके।

3. प्रमुख परिणाम

फ्रेमवर्क को दो अलग-अलग कार्यों पर संख्यात्मक प्रयोगों के माध्यम से सत्यापित किया गया था:

A. सिंथेटिक मल्टी-क्लस्टर एन्सेम्बल

कार्य: चार अलग-अलग क्लस्टरों (प्रोडक्ट स्टेट्स और GHZ स्टेट्स) से बने मिश्रित क्वांटम अवस्थाओं के वितरण को सीखना।
निष्कर्ष:
- मल्टीमॉडल प्रायर्स ( $M=4$ ) और MoE आर्किटेक्चर वाले LPQCs ने सिंगल-मोड और सिंगल-एक्सपर्ट बेसलाइन्स की तुलना में काफी बेहतर प्रदर्शन किया।
- बैरन प्लेटो मिटिगेशन: उच्च-डेप्थ सर्किट ( $L=50$ ) और बड़े क्वबिट काउंट ( $n=8$ ) में, LPQCs ने बेसलाइन की तुलना में (जो एक्सपोनेंशियल डिके से ग्रस्त थे) ग्रेडिएंट नॉर्म्स को 1–2 ऑर्डर ऑफ मैग्नीट्यूड अधिक बनाए रखा।
- विमीयता: LPQCs ने क्लासिकल बेसलाइन्स (Latent-MLP) के साथ प्रतिस्पर्धी प्रदर्शन किया, लेकिन बहुत कम आउटपुट विमीयता के साथ (उदाहरण के लिए, $n=8$ के लिए ~655x कमी), क्योंकि वे क्लासिकल वेक्टराइजेशन के बजाय वास्तविक क्वांटम अवस्थाओं को आउटपुट करते हैं।

B. क्वांटम केमिकल डिस्ट्रीब्यूशन (QM9)

कार्य: QM9 डेटासेट (7-क्वबिट प्योर स्टेट्स में मैप किया गया) से 3-D आणविक संरचनाओं के वितरण को सीखना।
निष्कर्ष:
- LPQC ने वॉसरस्टीन दूरी और लक्षित परमाणु गणना (atom count) को मैच करने के मामले में IMPE फ्रेमवर्क और अन्य क्वांटम बेसलाइन्स (QVAE-Mole, QuDDIM) को पछाड़ दिया।
- LPQC ने पूरी तरह से क्लासिकल Latent-MLP बेसलाइन के समान कंपोजिट मेट्रिक्स (वैलिडिटी, यूनिकनेस, नोवेल्टी) प्राप्त किए, जबकि वास्तविक क्वांटम अवस्थाओं को उत्पन्न करने की क्षमता बनाए रखी।
- गुणात्मक विश्लेषण: मॉडल ने सफलतापूर्वक विविध रिंग टोपोलॉजी (2 से 7 रिंग तक) वाले नवीन, वैध अणु उत्पन्न किए, जो सरल इंटरपोलेशन से परे रासायनिक स्थान (chemical space) को खोजने की क्षमता प्रदर्शित करता है।

4. महत्व और दावे

पेपर निम्नलिखित महत्व का दावा करता है:

सैद्धांतिक विस्तार: यह क्लासिकल यूनिवर्सल एप्रोक्सिमेशन थ्योरम्स को क्वांटम-डिस्ट्रीब्यूशन सेटिंग में विस्तारित करता है, जिससे औपचारिक रूप से स्थापित होता है कि LPQCs, 1-वॉसरस्टीन दूरी में घनत्व ऑपरेटरों के वितरण के लिए सार्वभौमिक सन्निकटनक हैं।
व्यवहार्य क्वांटम जनरेटिव मॉडलिंग: अपने लेटेंट स्पेस में क्लासिकल एक्सप्रेसिविटी का लाभ उठाकर, LPQCs क्वांटम जनरेटिव मॉडलिंग के लिए एक व्यवहार्य मार्ग प्रदान करते हैं, जो अवस्था-दर-अवस्था तैयारी की अत्यधिक लागत से बचते हैं।
बैरन प्लेटो मिटिगेशन: यह कार्य इस बात का अनुभवजन्य प्रमाण प्रदान करता है कि लेटेंट-कंडीशंड पैरामीटराइजेशन, विशेष रूप से मल्टीमॉडल प्रायर्स और MoE आर्किटेक्चर के साथ, बैरन प्लेटो समस्या को कम करता है। यह लॉस लैंडस्केप के फ्लैट क्षेत्रों से बचने के लिए पैरामीटर वितरण को लो-डायमेंशनल मैनिफोल्ड्स की ओर सीमित करता है।
दक्षता: फ्रेमवर्क क्लासिकल जनरेटिव मॉडल्स की तुलना में काफी कम आउटपुट विमीयता के साथ उच्च-फिडेलिटी डिस्ट्रीब्यूशन लर्निंग प्राप्त करता है, जो क्वांटम अवस्थाओं को क्लासिकल वेक्टर्स के रूप में दर्शाने का प्रयास करते हैं।

लेखक निष्कर्ष निकालते हैं कि LPQCs हाइब्रिड क्वांटम-क्लासिकल पाइपलाइनों के लिए एक आशाजनक दिशा का प्रतिनिधित्व करते हैं, विशेष रूप से उन कार्यों के लिए जिनमें जटिल एन्सेमबल्स के निर्माण की आवश्यकता होती है।