⚛️ quantum physics

Attention-based optimizer for symmetry finding

यह शोध पत्र हैमिल्टोनियन्स (Hamiltonians) में पाउली समरूपताओं (Pauli symmetries) को कुशलतापूर्वक खोजने के लिए सेट-ट्रांसफॉर्मर्स (Set-Transformers) का उपयोग करते हुए एक अटेंशन-आधारित अनुकूलन ढांचे (attention-based optimization framework) को प्रस्तुत करता है, जो आइसिंग मॉडल (Ising model) और टोरिक कोड (Toric code) जैसे भौतिक मॉडलों पर लगभग-निश्चित सफलता प्रदर्शित करते हुए अत्याधुनिक रणनीतियों से काफी बेहतर प्रदर्शन करता है।

मूल लेखक: Shreya Banerjee, Vinodh Raj Rajagopal Muthu, Charlie Nation, Rick P. A. Simon, Francesco Martini, Alessandro Ricottone, Federico Cerisola, Luca Dellantonio

प्रकाशित 2026-06-01

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Shreya Banerjee, Vinodh Raj Rajagopal Muthu, Charlie Nation, Rick P. A. Simon, Francesco Martini, Alessandro Ricottone, Federico Cerisola, Luca Dellantonio

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 विशाल, अविश्वसनीय रूप से जटिल पहेली को हल करने की कोशिश कर रहे हैं। यह पहेली एक भौतिक प्रणाली (physical system) का प्रतिनिधित्व करती है, जैसे कि आपस में क्रिया करने वाले परमाणुओं या कणों का एक समूह। भौतिकी की दुनिया में, इन अंतःक्रियाओं (interactions) को "हैमिल्टोनियन" (Hamiltonian) कहा जाता है।

आमतौर पर, इन प्रणालियों को समझने के लिए, वैज्ञानिक सममिति (symmetries) की तलाश करते हैं। सममिति को एक छिपे हुए नियम या पैटर्न की तरह समझें जो वैसा ही रहता है चाहे आप टुकड़ों को कितनी भी बार पुनर्व्यवस्थित करें। यदि आप यह नियम खोज लेते हैं, तो पहेली को हल करना बहुत आसान हो जाता है क्योंकि आप भ्रमित करने वाले विवरणों को अनदेखा कर सकते हैं।

लंबे समय तक, इन छिपे हुए नियमों को खोजना एक बहुत ही धीमी, व्यवस्थित और कठोर प्रक्रिया का उपयोग करके घास के ढेर में सुई खोजने जैसा था। यदि घास का ढेर बहुत बड़ा था (जो क्वांटम भौतिकी में अक्सर होता है), तो इस पद्धति में बहुत समय लगता था।

नया दृष्टिकोण: एक "स्मार्ट" सर्च इंजन

इस शोध पत्र में, लेखक एक नया उपकरण पेश करते हैं जो इन सममितियों को बहुत तेज़ी से खोजने के लिए आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग करता है। वे इसे "अटेंशन-बेस्ड ऑप्टिमाइज़र" (Attention-based Optimizer) कहते हैं।

यह कैसे काम करता है, इसके लिए कुछ रोज़मर्रा के उदाहरणों का उपयोग करते हैं:

1. समस्या: चहचहाते लोगों की भीड़

कल्पना कीजिए कि हैमिल्टोनियन लोगों से भरा एक कमरा है (ये "पॉली-स्ट्रिंग्स" हैं) जो एक साथ बात कर रहे हैं। आपको एक विशिष्ट व्यक्ति (वह "सममिति") को खोजना है जो कोने में खड़ा होकर सभी की बातें सुन सके बिना किसी को बाधित किए या भ्रमित हुए। भौतिकी के संदर्भ में, इस व्यक्ति को अन्य सभी के साथ "कम्यूट" (commute) करना चाहिए, जिसका अर्थ है कि उसकी उपस्थिति बातचीत को नहीं बदलती है।

इस व्यक्ति को खोजने का पुराना तरीका हर एक व्यक्ति की दूसरे व्यक्ति के साथ एक-एक करके जाँच करना था। यह पूरी तरह से सटीक था लेकिन बेहद धीमा था।

2. समाधान: "सेट-ट्रांसफॉर्मर" (सुपर-लिसनर)

लेखकों ने एक मशीन लर्निंग मॉडल बनाया जिसे सेट-ट्रांसफॉर्मर (Set-Transformer) कहा जाता है। इस मॉडल को एक सुपर-इंटेलिजेंट सुनने वाले के रूप में सोचें जो न केवल शब्दों को सुनता है, बल्कि उनके बीच के संबंधों को भी समझता है।

सेल्फ-अटेंशन (Self-Attention): ठीक वैसे ही जैसे आप दोस्तों के एक समूह को सुनकर तुरंत समझ सकते हैं कि कौन किससे सहमत है, या कौन किससे बहस कर रहा है, यह AI "सेल्फ-अटेंशन" का उपयोग करता है। यह सभी "लोगों" को एक साथ देखता है और पता लगाता है कि वे एक-दूसरे से कैसे संबंधित हैं।
क्रम का महत्व नहीं (No Order Matters): एक सामान्य बातचीत में, शब्दों का क्रम मायने रखता है। लेकिन इस पहेली में, कणों का क्रम मायने नहीं रखता। AI को यह समझने के लिए डिज़ाइन किया गया है कि समूह वही रहता है चाहे आप लोगों को बाएं से दाएं या दाएं से बाएं सूचीबद्ध करें। भौतिकी की पहेली को सही ढंग से हल करने के लिए यह अत्यंत महत्वपूर्ण है।

3. प्रशिक्षण: प्रयास और त्रुटि से सीखना

AI को शुरुआत में उत्तर नहीं पता होता। यह एक अनुमान लगाता है कि "सममिति" वाला व्यक्ति कौन है।

स्कोरकार्ड (लॉस फंक्शन): सिस्टम अनुमान की जाँच करता है। यदि अनुमानित व्यक्ति बातचीत में बाधा डालता है (कम्यूट नहीं करता), तो स्कोर खराब होता है। AI को एक "दंड" मिलता है और वह फिर से प्रयास करता है।
बाधाएं: AI को दो जालों से बचना होता है:
1. "कुछ न करने" का जाल (The "Do Nothing" Trap): यह केवल यह अनुमान नहीं लगा सकता कि "मौन" (Identity) ही उत्तर है, क्योंकि वह एक उबाऊ, बेकार सममिति है। सिस्टम इसे एक वास्तविक, सक्रिय पैटर्न खोजने के लिए मजबूर करता है।
2. "शायद" का जाल (The "Maybe" Trap): AI शुरू में अस्पष्ट उत्तर देता है (जैसे "50% निश्चित")। सिस्टम इसे एक ठोस निर्णय लेने के लिए प्रेरित करता है (या तो "हाँ, यह सममिति है" या "नहीं")।

4. "एडेप्टिव कॉन्टेक्स्ट एक्सपेंशन" (जादुई बूस्ट)

कभी-कभी, AI फंस जाता है। यह एक ऐसे जासूस की तरह है जिसने कमरे के सभी सुराग देख लिए हैं लेकिन मामला सुलझा नहीं पा रहा है क्योंकि सुराग बहुत कम या भ्रमित करने वाले हैं। AI एक "लोकल मिनिमम" (local minimum) में फंस सकता है—एक ऐसी जगह जहाँ उसे लगता है कि वह ठीक कर रहा है, लेकिन वास्तव में वह वास्तविक उत्तर से बहुत दूर है।

इसे ठीक करने के लिए, लेखकों ने एडेप्टिव कॉन्टेक्स्ट एक्सपेंशन (ACE) नामक एक विशेषता जोड़ी है।

उपमा: जासूस को एहसास होता है, "मैं फंस गया हूँ। मुझे और सुरागों की ज़रूरत है।" इसलिए, सिस्टम मौजूदा सुरागों को जोड़कर (गणितीय रूप से दो "लोगों" को गुणा करके एक नया "व्यक्ति" बनाकर) जादुई रूप से नए सुराग बनाता है।
परिणाम: यह AI को एक नया दृष्टिकोण देता है और उस फंसे हुए स्थान से बाहर निकलने के लिए एक "धक्का" प्रदान करता है ताकि वह खोज जारी रख सके। यह प्रभावी रूप से कमरे का विस्तार करता है ताकि AI अधिक कनेक्शन देख सके।

उन्होंने क्या पाया?

लेखकों ने इस नए AI जासूस का परीक्षण तीन प्रकार की पहेलियों पर किया:

रैंडम पहेलियाँ (Random Puzzles): उन्होंने रैंडम, अव्यवस्थित हैमिल्टोनियन बनाए। यहाँ, AI तेज़ था, लेकिन इसे सफल होने के लिए बहुत अधिक कंप्यूटर पावर (कई "स्टार्ट्स" या प्रयासों) की आवश्यकता थी, विशेष रूप से जब पहेलियाँ बहुत जटिल थीं। यह लगातार आकार बदलने वाले घास के ढेर में सुई खोजने जैसा था।
वास्तविक दुनिया की भौतिक पहेलियाँ (Ising Models और Toric Code): ये मॉडल वास्तविक चुंबकीय सामग्रियों और क्वांटम एरर-करेक्टिंग कोड का वर्णन करते हैं।
- बड़ी जीत: इन वास्तविक प्रणालियों के लिए, AI अविश्वसनीय रूप से तेज़ था—पारंपरिक तरीकों की तुलना में सैकड़ों या हज़ारों गुना तेज़।
- क्यों? वास्तविक भौतिक प्रणालियों में एक संरचना होती है। वे रैंडम अराजकता नहीं हैं; उनमें दोहराव वाले पैटर्न होते हैं (जैसे चुंबकों का एक ग्रिड)। AI की "सुपर-लिसनिंग" क्षमता इन पैटर्न को तुरंत पहचानने के लिए एकदम सही है। इसे "मैजिक बूस्ट" (ACE) का उपयोग करने की आवश्यकता भी नहीं पड़ी क्योंकि सुराग पहले से ही बहुत स्पष्ट थे।

मुख्य निष्कर्ष

यह शोध पत्र जटिल भौतिक प्रणालियों में छिपे नियमों को खोजने के लिए AI का उपयोग करने का एक नया तरीका प्रस्तुत करता है। हर संभावना की एक-एक करके जाँच करने के बजाय (जो कि धीमा है), AI एक साथ पूरी तस्वीर को देखता है, संबंधों को समझता है, और बहुत तेज़ी से उत्तर खोज लेता है।

रैंडम, अव्यवस्थित समस्याओं के लिए: यह अच्छा काम करता है लेकिन इसे बहुत अधिक कंप्यूटिंग पावर की आवश्यकता होती है।
वास्तविक दुनिया की भौतिक समस्याओं के लिए: यह एक गेम-चेंजर है, जो पारंपरिक तरीकों की तुलना में लगभग तुरंत समाधान खोज लेता है।

लेखक सुझाव देते हैं कि यह पहली बार है जब मशीन लर्निंग का उपयोग सीधे एक कच्चे भौतिक मॉडल से सममिति खोजने के लिए किया गया है, जो भविष्य में और भी कठिन भौतिक समस्याओं को हल करने के द्वार खोलता है।

यहाँ "सिमेट्री खोजने के लिए अटेंशन-आधारित ऑप्टिमाइज़र" (Attention-based optimizer for symmetry finding) नामक शोध पत्र का विस्तृत तकनीकी सारांश दिया गया है।

समस्या विवरण (Problem Statement)

भौतिक प्रणालियों में सममिति (symmetries) खोजना जटिल मॉडलों को समझने और उन्हें हल करने के लिए मौलिक है, विशेष रूप से क्वांटम मेनी-बॉडी फिजिक्स में। जबकि आधुनिक कम्प्यूटेशनल विधियाँ जटिल समस्याओं के प्रत्यक्ष अध्ययन की अनुमति देती हैं, कई समस्याएँ अभी भी ब्रूट-फोर्स न्यूमेरिकल कार्यान्वयन (जैसे कि एक्सैक्ट डायगोनलाइजेशन) के लिए अव्यवहार्य बनी हुई हैं। यद्यपि टेंसर नेटवर्क जैसी सन्निकटन तकनीकें (approximation techniques) मौजूद हैं, वे अक्सर उन विशिष्ट संरचनात्मक धारणाओं पर निर्भर करती हैं जो तब कमजोर हो जाती हैं जब भौतिक प्रणाली उन धारणाओं से मेल नहीं खाती।

सिमेट्री खोजने के लिए मौजूदा एल्गोरिदम, जैसे कि संदर्भ [38–40] में प्रस्तुत नियतात्मक विधि (deterministic method), सिमेट्री को स्थिर करने वाले एक रेफरेंस फ्रेम को खोजकर क्वबिट्स को कम कर सकते हैं। हालाँकि, ये नियतात्मक दृष्टिकोण (deterministic approaches) क्लासिकली कुशल (क्यूबिक रनटाइम) होने के बावजूद, बड़ी संख्या में क्वबिट्स वाले सिस्टम के लिए लंबे समय-पैमाने (time-scales) से ग्रस्त होते हैं। इसके अलावा, वे सिमेट्री के सभी जनरेटरों को खोजने की गारंटी देते हैं लेकिन बड़े सिस्टम के लिए कम्प्यूटेशनल रूप से महंगे हो सकते हैं। एक ऐसी विधि की आवश्यकता है जो बिना किसी पूर्व ज्ञान के, सीधे इनपुट हैमिल्टोनियन (Hamiltonian) से पाउली सिमेट्री (Pauli symmetries) को तेजी से पहचान सके, विशेष रूप से उन भौतिक प्रणालियों के लिए जहाँ सिमेट्री तुरंत स्पष्ट नहीं होती है।

कार्यप्रणाली (Methodology)

लेखक एक मशीन-लर्निंग-आधारित ऑप्टिमाइज़ेशन फ्रेमवर्क का प्रस्ताव करते हैं जो ऑटोमेटेड सिमेट्री फाइंडिंग को डीप लर्निंग के साथ जोड़ता है। इस फ्रेमवर्क का मुख्य आधार एक सेट-ट्रांसफॉर्मर (Set-Transformer) आर्किटेक्चर है, जिसे इसलिए चुना गया क्योंकि पाउली सिमेट्री खोजने की समस्या स्वाभाविक रूप से परम्यूटेशन-इनवेरिएंट (permutation-invariant) है (हैमिल्टोनियन में पाउली-स्ट्रिंग्स का क्रम मायने नहीं रखता)।

1. इनपुट प्रतिनिधित्व (Input Representation):
इनपुट हैमिल्टोनियन $H = \sum P_i$ को एक टेबलो $H_t$ के रूप में दर्शाया जाता है, जो एक बाइनरी मैट्रिक्स है जहाँ प्रत्येक पंक्ति एक पाउली-स्ट्रिंग (Pauli-String) के अनुरूप होती है, जिसे $2n_q$ -आयामी बाइनरी वेक्टर (सिम्प्लेक्टिक फॉर्मलिज्म का उपयोग करके) के रूप में एनकोड किया गया है। यह प्रतिनिधित्व इनपुट के परम्यूटेशन-इनवेरिएंट गुण को सुरक्षित रखता है।

2. आर्किटेक्चर (Architecture):
मॉडल में तीन मुख्य घटक शामिल हैं:

इनपुट एम्बेडिंग और प्रोजेक्शन (Input Embedding and Projection): बाइनरी टेबलो पंक्तियों को एक लीनियर लेयर का उपयोग करके एक निरंतर, सीखने योग्य लेटेंट स्पेस (latent space) में प्रोजेक्ट किया जाता है। परम्यूटेशन-इनवेरिएंट बनाए रखने के लिए पोजीशन एम्बेडिंग्स से बचा गया है।
सेट-ट्रांसफॉर्मर (एन्कोडर-डिकोडर) (Set-Transformer (Encoder-Decoder)):
- एन्कोडर (Encoder): इसमें स्टैक्ड सेट अटेंशन ब्लॉक्स (SAB) होते हैं जिनमें मल्टी-हेड अटेंशन (MHA) और रो-वाइज फीड-फॉरवर्ड (rFF) लेयर्स शामिल हैं। सेल्फ-अटेंशन मैकेनिज्म पाउली-स्ट्रिंग्स के बीच युग्म (pairwise) और उच्च-क्रम के सहसंबंधों (correlations) को एनकोड करता है।
- **डिकोडर (Decoder): $\text{Learned correlations}$ को एक एकल उम्मीदवार सिमेट्री वेक्टर में प्रोजेक्ट करता है। इसमें एक पूलिंग मल्टी-हेड अटेंशन (PMA) लेयर, एक SAB, लेयर नॉर्मलाइजेशन और लेटेंट डायमेंशन को वापस $2n_q$ में मैप करने के लिए एक लीनियर लेयर शामिल है।
- एक्टिवेशन (Activation): एक 'Sin' लेयर के बाद एक लर्नबल सिग्मॉइड (Sigmoid) लेयर, निरंतर आउटपुट को अनुमानित बाइनरी मानों (0 और 1) में मैप करती है, जो उम्मीदवार पाउली सिमेट्री $S_p$ का प्रतिनिधित्व करती है।
एडैप्टिव कॉन्टेक्स्ट एक्सपेंशन (ACE): गैर-समाधानों (non-solutions) की घातांकीय संख्या (विशेष रूप से रैंडम हैमिल्टोनियन में) की समस्या को संबोधित करने के लिए, फ्रेमवर्क में एक ACE मॉड्यूल शामिल है। यदि ऑप्टिमाइज़र स्थानीय न्यूनतम (local minimum) में फंस जाता है (ऑसिलेटिंग लॉस द्वारा पता लगाया जाता है), तो ACE मौजूदा पाउली-स्ट्रिंग्स के उत्पादों ( $P_i P_j$ ) को हैमिल्टोनियन में जोड़कर सिंथेटिक रूप से कॉन्टेक्स्ट का विस्तार करता है। यह नया डेटा प्रदान करता है जो ऑप्टिमाइज़र को स्थानीय न्यूनतम से बाहर निकलने में मदद करता है।

3. ऑप्टिमाइज़ेशन ऑब्जेक्टिव (Optimization Objective):
फ्रेमवर्क एक कस्टम लॉस फंक्शन $C$ को कम करता है जो चार पदों से बना है:

कम्यूटेशन लॉस ( $C_{com}$ ): प्राथमिक उद्देश्य, यह सुनिश्चित करना कि उम्मीदवार $S(\theta)$ सभी पदों $H$ के साथ कम्यूट (commute) करता है। यह मॉड्युलो-2 कम्यूटेटर स्थिति के लिए एक डिफरेंशिएबल प्रॉक्सी, $\sin^2(\frac{\pi}{2} x)$ , का उपयोग करता है।
जीरो-पेनल्टी ( $C_{zp}$ ): ट्रिवियल सॉल्यूशन (Identity ऑपरेटर) को रोकता है, जो उन आउटपुट को दंडित करता है जहाँ सभी तत्व शून्य होते हैं।
बाइनरी पेनल्टी ( $C_{bin}$ ): निरंतर आउटपुट मानों को बाइनरी मानों (0 या 1) की ओर बढ़ने के लिए प्रोत्साहित करता है।
लिनियरिटी रेगुलराइज़र ( $C_{lin}$ ): कम्यूटेशन लॉस के मल्टी-मोडल स्वभाव को कम करते हुए, सीमित संख्या में एंटी-कम्यूट (anti-commute) करने वाले उम्मीदवारों को प्राथमिकता देकर शुरुआती ऑप्टिमाइज़ेशन में सहायता करता है।

ऑप्टिमाइज़ेशन AdamW ऑप्टिमाइज़र का उपयोग करके किया जाता है जिसमें वैध सिमेट्री मिलने की पुष्टि करने के लिए अर्ली स्टॉपिंग (early stopping) स्थितियाँ होती हैं।

प्रमुख योगदान (Key Contributions)

पहला ML-आधारित सिमेट्री फाइंडर: लेखकों की जानकारी के अनुसार, यह पहला कार्य है जो बिना किसी पूर्व ज्ञान के, सीधे इनपुट हैमिल्टोनियन से सिमेट्री खोजने के लिए मशीन लर्निंग और आर्टिफिशियल इंटेलिजेंस का उपयोग करता है।
सेट-ट्रांसफॉर्मर आर्किटेक्चर: वैश्विक संबंधों (global relations) को निकालने के लिए पाउली-स्ट्रिंग्स के बीच सहसंबंधों को एनकोड करने हेतु सेट-ट्रांसफॉर्मर का अनुप्रयोग, जो उन्हें नेचुरल लैंग्वेज प्रोसेसिंग में टोकन के समान मानता है।
एडैप्टिव कॉन्टेक्स एक्सपेंशन: एक अभिनव मॉड्यूल जो जटिल लॉस लैंडस्केप (जहाँ समाधान विरल होते हैं) में नेविगेट करने में मदद करने के लिए गतिशील रूप से इनपुट कॉन्टेक्स्ट को बढ़ाता है।
प्रोबेबिलिस्टिक स्पीडअप: फ्रेमवर्क एक प्रोबेबिलिस्टिक दृष्टिकोण प्रदान करता है जो विशिष्ट भौतिक प्रणालियों के लिए निर्धारित एल्गोरिदम की तुलना में काफी तेजी से सिमेट्री खोजता है, जो गति के लिए डिटर्मिनिस्टिक गारंटी का त्याग करता है।

परिणाम (Results)

फ्रेमवर्क का परीक्षण हैमिल्टोनियन की तीन श्रेणियों पर किया गया:

1. रैंडम पाउली हैमिल्टोनियन (Random Pauli Hamiltonians):

विभिन्न रैंक ( $R$ ) के साथ 10-क्वबिट सिस्टम पर परीक्षण किया गया।
अटेंशन-आधारित ऑप्टिमाइज़र ने $R=4$ से $16$ के रैंक के लिए डिटर्मिनिस्टिक एल्गोरिदम की तुलना में तेजी से सिमेट्री खोजी।
उच्च रैंक के लिए, न्यूनतम समय के लिए समय जटिलता (time complexity) $O(2^{0.705R})$ के रूप में स्केल करती है, जबकि $R=8$ तक डिटर्मिनिस्टिक एल्गोरिदम के लिए यह $O(2^R)$ है।
रैंक के साथ सफलता की संभावना घटती है, जिसके लिए 90% सफलता दर प्राप्त करने के लिए अधिक समानांतर स्टार्ट (parallel starts) की आवश्यकता होती है। $R=18$ के लिए, 32 समानांतर स्टार्ट आवश्यक होने का अनुमान लगाया गया।

2. आवर्ती 1-D ट्रांसवर्स-फील्ड आइजनिंग मॉडल (Periodic 1-D Transverse-Field Ising Model):

$n_q = 10$ से $1400$ तक के सिस्टम पर परीक्षण किया गया।
फ्रेमवर्क के GPU कार्यान्वयन ने डिटर्मिनिस्टिक दृष्टिकोण की तुलना में लगभग 225 गुना तेजी से सिमेट्री खोजी, जबकि CPU कार्यान्वयन 1500 गुना तेज था।
सिस्टम के आकार के साथ बढ़ने पर भी ऑप्टिमाइज़र द्वारा आवश्यक इटरेशन की संख्या लगभग स्थिर रही (35–40 के आसपास संतृप्त), जबकि डिटर्मिनिस्टिक एल्गोरिदम के लिए क्लिफोर्ड गेट्स (Clifford gates) की संख्या पॉलिनोमियल रूप से बढ़ी।
विफलता की संभावना अत्यंत कम थी (औसत $p_f \approx 0.033$ )।

3. 2-D आइजनिंग लैडर और टोरिक कोड (2-D Ising Ladder and Toric Code):

$n_q = 1000$ तक के 2-D आइजनिंग लैडर और टोरिक कोड (चुंबकीय क्षेत्र के साथ और बिना) पर लागू किया गया।
फ्रेमवर्क ने डिटर्मिनिस्टिक एल्गोरिदम पर पर्याप्त लाभ दिखाया, जहाँ GPU कार्यान्वयन आइजनिंग लैडर के लिए लगभग $10^5$ गुना तेज था।
टोरिक कोड के लिए, सिस्टम के आकार के साथ लाभ बढ़ता गया। डिटर्मिनिस्टिक एल्गोरिदम का स्केलिंग $O(n_q^3)$ से भी खराब देखा गया, जो संभवतः पाउली-स्ट्रिंग्स की मध्यम संख्या के कारण था।
ऑप्टिमाइज़र ने सभी परीक्षण की गई ज्यामिति में कम विफलता संभावना के साथ उच्च सफलता दर प्राप्त की।

भौतिक बनाम रैंडम सिस्टम पर अवलोकन (Observation on Physical vs. Random Systems):
पेपर नोट करता है कि फ्रेमवर्क भौतिक हैमिल्टोनियन (Ising, Toric) पर असाधारण रूप से अच्छा प्रदर्शन करता है क्योंकि उनके टेबलो प्रतिनिधित्व व्यवस्थित, स्थानीय और दोहराव वाले भौतिक इंटरैक्शन को एनकोड करते हैं। यह संरचना कॉन्टेक्स्ट को तुरंत सूचनात्मक बनाती है, जिससे ऑप्टिमाइज़र के लिए लॉस लैंडस्केप में नेविगेट करना आसान हो जाता है। इसके विपरीत, रैंडम हैमिल्टोनियन में यह नियमितता नहीं होती, जिसके लिए अधिक कम्प्यूटेशनल संसाधनों (कॉन्टेक्स्ट एक्सपेंशन और समानांतर स्टार्ट) की आवश्यकता होती है।

महत्व और दावे (Significance and Claims)

लेखक दावा करते हैं कि यह कार्य उन अन्य वर्गों की सिमेट्री खोजने के लिए मशीन लर्निंग का विस्तार करने की दिशा में एक महत्वपूर्ण कदम है जहाँ कोई इष्टतम या नियतात्मक रणनीतियाँ ज्ञात नहीं हैं। मशीन लर्निंग को ऑटोमेटेड सिमेट्री फाइंडिंग के साथ जोड़कर, फ्रेमवर्क भौतिक हैमिल्टोनियन के लिए स्टेट-ऑफ-द-आर्ट डिटर्मिनिस्टिक रणनीतियों की तुलना में गति में "पर्याप्त लाभ" (substantial advantage) प्रदान करता है।

पेपर विनम्रतापूर्वक अपने योगदान को क्वांटम फिजिक्स में एलजेब्रिक समस्याओं को हल करने के लिए अटेंशन मैकेनिज्म का उपयोग करने के एक 'प्रूफ-ऑफ-कॉन्सेप्ट' के रूप में प्रस्तुत करता है। यह इस बात पर जोर देता है कि हालांकि यह विधि प्रोबेबिलिस्टिक है और रैंडम सिस्टम के लिए समानांतरकरण (parallelization) की आवश्यकता होती है, यह भौतिक मॉडलों के लिए अत्यधिक प्रभावी है जहाँ सिस्टमैटिक इंटरैक्शन हैमिल्टोनियन में अंतर्निहित होते हैं। लेखक भविष्य के कार्यों में क्लिफोर्ड सिमेट्री (Clifford symmetries) जैसी अन्य सिमेट्री क्लास खोजने के लिए इस दृष्टिकोण का विस्तार करने की योजना बना रहे हैं।