⚛️ quantum physics

Computational Phase Transitions in Binary Compressed Sensing: Quantum Annealing Inside the Relaxation Gap

यह शोध पत्र प्रारंभिक परिमित-आकार (finite-size) साक्ष्य प्रस्तुत करता है कि डी-वेव (D-Wave) का क्वांटम एनीलिंग एक विशिष्ट "रिलैक्सेशन गैप" (relaxation gap) शासन में विरल बाइनरी संकेतों को पुनः प्राप्त कर सकता है जहाँ बेयस-इष्टतम एप्रोक्सिमेट मैसेज पासिंग (Approximate Message Passing) एल्गोरिदम सहित सभी परीक्षण किए गए शास्त्रीय तरीके सही समाधान खोजने में विफल रहते हैं।

मूल लेखक: William Hahn, Natalia Romero

प्रकाशित 2026-06-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: William Hahn, Natalia Romero

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, धुंध भरे मैदान में एक विशिष्ट, छिपे हुए खजाने को खोजने की कोशिश कर रहे हैं। आपके पास एक मानचित्र (माप) और एक दिशा-सूचक यंत्र (एल्गोरिदम) है, लेकिन इलाका कठिन है। कभी-कभी मानचित्र इतना स्पष्ट होता है कि कोई भी खजाना ढूंढ सकता है। अन्य समय में, मानचित्र इतना धुंधला होता है कि कोई भी उसे नहीं ढूंढ पाता।

लेकिन वहां एक रहस्यमय "मध्य क्षेत्र" है—एक रिलैक्सेशन गैप (Relaxation Gap)। इस क्षेत्र में, खजाना वहाँ मौजूद है, और मानचित्र में उसे खोजने के सुराग भी हैं। हालांकि, इलाका इतना ऊबड़-खाबड़ है कि मानक दिशा-सूचक यंत्र उथले गड्ढों में फंस जाते हैं, यह सोचकर कि उन्होंने खजाना ढूंढ लिया है जबकि वास्तव में ऐसा नहीं होता।

यह शोध पत्र एक नए प्रकार के "क्वांटम कंपास" (D-Wave का क्वांटम एनेलर) का परीक्षण करने के बारे में है, जो सबसे अच्छे मानक दिशा-सूचक यंत्रों (क्लासिकल कंप्यूटरों) के विरुद्ध है, ताकि यह देखा जा सके कि क्या वह इस कठिन मध्य क्षेत्र में खजाना ढूंढ सकता है।

सेटअप: "बाइनरी" खजाना खोज

शोधकर्ताओं ने कंप्रेस्ड सेंसिंग (Compressed Sensing) नामक एक खेल तैयार किया।

लक्ष्य: एक बड़े ग्रिड के भीतर "ऑन" और "ऑफ" स्विच (एक बाइनरी सिग्नल) के एक गुप्त पैटर्न को खोजना।
सुराग: आपको पूरे ग्रिड के बजाय केवल कुछ धुंधली झलकियां (माप) मिलती हैं।
चुनौती: पैटर्न "स्पार्स" (sparse) है, जिसका अर्थ है कि केवल कुछ ही स्विच वास्तव में "ऑन" हैं।

खेल के तीन क्षेत्र

शोध पत्र जानकारी की मात्रा के आधार पर तीन अलग-अलग क्षेत्रों की पहचान करता है:

"असंभव" क्षेत्र: आपके पास इतनी कम झलकियां हैं कि खजाना कहीं भी हो सकता है। कोई भी, यहाँ तक कि क्वांटम कंप्यूटर भी, इसे नहीं ढूंढ सकता।
"आसान" क्षेत्र: आपके पास पर्याप्त झलकियां हैं। मानक, क्लासिकल कंप्यूटर (LASSO या AMP जैसी विधियों का उपयोग करके) खजाने को आसानी से और तेज़ी से ढूंढ सकते हैं।
"रिलैक्सेशन गैप" (मध्य क्षेत्र): यह इस शोध पत्र का मुख्य केंद्र है। आपके पास सैद्धांतिक रूप से खजाना खोजने के लिए पर्याप्त जानकारी है, लेकिन इलाका बहुत ऊबड़-खाबड़ है।
- समस्या: क्लासिकल कंप्यूटर इस ऊबड़-खाबड़ इलाके को आसान बनाने के लिए इसे समतल करने की कोशिश करते हैं। यह "आसान" क्षेत्र में अच्छा काम करता है, लेकिन "गैप" में, इसे समतल करने से वास्तव में खजाना छिप जाता है। वे "लोकल बेसिन" (local basins)—छोटे, उथले गड्ढों में फंस जाते हैं जो दुनिया का तल तो दिखते हैं, लेकिन वास्तव में नहीं होते।

प्रयोग: छोटे बनाम बड़े मैदान

शोधकर्ताओं ने इसे दो आकारों के मैदानों पर परखा: एक छोटा मैदान (n=32) और एक थोड़ा बड़ा मैदान (n=64)।

छोटे मैदान पर (n=32): क्वांटम आश्चर्य

छोटे मैदान के "रिलैक्सेशन गैप" में, परिणाम चौंकाने वाले थे:

क्लासिकल टीम: परीक्षण किए गए हर एक क्लासिकल तरीके ने, जिसमें "गोल्ड स्टैंडर्ड" एल्गोरिदम जिसे AMP कहा जाता है (जो सैद्धांतिक रूप से सबसे अच्छा संभव क्लासिकल सॉल्वर है) शामिल है, पूरी तरह से विफल रहा। उन्होंने खजाना 0% बार पाया। वे सभी उथले गड्ढों में फंस गए थे।
क्वांटम टीम: D-Wave क्वांटम एनेलर ने खजाना 7% बार पाया।
उपमा: एक भूलभुलैया की कल्पना करें जहाँ हर मानव धावक एक बंद रास्ते में फंस जाता है। हालांकि, क्वांटम धावक, दीवारों के माध्यम से "टनल" (tunnel) करने या बाधाओं के ऊपर से कूदने में सक्षम लगता है ताकि बाहर निकल सके। शोध पत्र सुझाव देता है कि क्वांटम कंप्यूटर केवल "स्मार्ट" नहीं है; यह उन जाल से बचने के लिए एक अलग भौतिक तंत्र (क्वांटम टनलिंग) का उपयोग कर रहा है जो क्लासिकल कंप्यूटरों को रोक लेते हैं।

बड़े मैदान पर (n=64): हार्डवेयर की बाधा

जब वे बड़े मैदान की ओर बढ़े, तो कहानी बदल गई।

क्लासिकल एल्गोरिदम (विशेष रूप से AMP) हावी रहे और खजाने को आसानी से ढूंढ लिया।
क्वांटम कंप्यूटर संघर्ष करता रहा। क्यों? एम्बेडिंग ओवरहेड (Embedding Overhead) के कारण।
उपमा: क्वांटम कंप्यूटर का उपयोग करने के लिए, आपको अपनी समस्या को उसके विशिष्ट हार्डवेयर लेआउट पर मैप करना होता है। बड़े मैदान पर, इस मैपिंग के लिए समस्या को कई भौतिक घटकों पर फैलाना आवश्यक था (जैसे बिंदुओं को जोड़ने के लिए एक लंबी, उलझी हुई रस्सी का उपयोग करना)। रस्सी टूटती रही (चेन ब्रेक्स), जिससे शोर (noise) पैदा हुआ जिसने क्वांटम सिग्नल को दबा दिया। क्वांटम लाभ इसलिए नहीं गया क्योंकि भौतिकी ने काम करना बंद कर दिया था, बल्कि इसलिए क्योंकि इस विशिष्ट आकार के लिए "वायरिंग" बहुत अव्यवस्थित थी।

उन्होंने क्या सीखा?

क्वांटम सिर्फ "तेज़" नहीं है: शोध पत्र यह नहीं कह रहा है कि क्वांटम कंप्यूटर ने समस्या को तेज़ी से हल किया। यह कह रहा है कि इसने एक ऐसी समस्या को हल किया जिसे सबसे अच्छे क्लासिकल कंप्यूटर भी हल नहीं कर सके।
परिदृश्य (Landscape) मायने रखता है: शोधकर्ताओं ने "एनर्जी लैंडस्केप" (इलाके का आकार) को देखा। उन्होंने पाया कि सही उत्तर वास्तव में सबसे निचला बिंदु (ग्राउंड स्टेट) था, लेकिन यह कई उथले गड्ढों से घिरा हुआ था। क्लासिकल तरीके इन गड्ढों में गिर गए। क्वांटम तरीका, "टनलिंग" के अनुरूप, इन गड्ढों से फिसलने और वास्तविक तल को खोजने में सफल रहा।
यह एक विशिष्ट लाभ है: यह लाभ बहुत नाजुक है। यह केवल छोटे आकार (n=32) पर और उस विशिष्ट "गैप" क्षेत्र में दिखाई दिया। बड़े आकार पर, या विभिन्न प्रकार की समस्याओं (जैसे ट्रैवलिंग सेल्समैन प्रॉब्लम, जिसे उन्होंने नियंत्रण के रूप में परखा) के साथ, क्लासिकल कंप्यूटर बेहतर या बराबर थे।

निष्कर्ष

यह शोध पत्र एक प्रारंभिक रिपोर्ट है। यह एक अकेले, दुर्लभ फूल को खोजने जैसा है जो ऐसी जगह उगता है जहाँ कोई अन्य पौधा जीवित नहीं रह सकता।

दावा: एक छोटे पैमाने पर, एक क्वांटम एनेलर ने एक "रिलैक्सेशन गैप" में समाधान खोजा जहाँ सबसे अच्छे क्लासिकल एल्गोरिदम (AMP) भी विफल रहे।
चेतावनी: यह लाभ गायब हो गया जब समस्या थोड़ी बड़ी हो गई हार्डवेयर सीमाओं (उस "रस्सी" के उलझने के कारण) के कारण।
भविष्य: लेखक स्वीकार करते हैं कि यह तो बस शुरुआत है। हमें यह साबित करने की आवश्यकता है कि यह बड़े पैमाने पर और बेहतर हार्डवेयर के साथ काम करता है, इससे पहले कि हम कह सकें कि क्वांटम कंप्यूटरों ने इस कार्य में वास्तव में क्लासिकल कंप्यूटरों को हरा दिया है।

संक्षेप में: क्वांटम कंप्यूटर ने घास के ढेर में सुई को ढूंढा जिसे सबसे अच्छे मानव खोजकर्ता भी मिस कर गए, लेकिन केवल इसलिए क्योंकि घास का ढेर इतना छोटा था कि क्वांटम मशीन की विशेष "टनलिंग" क्षमता काम कर सके, इससे पहले कि मशीन की अपनी वायरिंग उसके रास्ते में आ जाए।

तकनीकी सारांश: बाइनरी कंप्रेस्ड सेंसिंग में कम्प्यूटेशनल फेज ट्रांजिशन

समस्या विवरण
यह शोध पत्र बाइनरी कंप्रेस्ड सेंसिंग के कम्प्यूटेशनल सीमाओं, विशेष रूप से "रिलैक्सेशन गैप" (relaxation gap) पर ध्यान केंद्रित करता है। इस शासन (regime) में, एक स्पार्स बाइनरी सिग्नल $x \in \{0, 1\}^n$ को $m$ लीनियर मेजरमेंट्स $y = Ax $(जहाँ$ A $एक गॉसियन मैट्रिक्स है) द्वारा विशिष्ट रूप से निर्धारित किया जा सकता है, फिर भी मानक कॉन्वेक्स रिलैक्सेशन ($ \ell_1$ मिनिमाइजेशन) विफल हो जाता है। यह गैप सूचना-सैद्धांतिक सीमा (information-theoretic limit) और डोनोहो-टैनर फेज ट्रांजिशन बाउंड्री के बीच मौजूद है। लेखक तर्क देते हैं कि जहाँ शास्त्रीय विधियों को उन कॉन्वेक्स सरोगेट्स या ह्यूरिस्टिक्स पर निर्भर रहना पड़ता है जो इस गैप में विफल हो जाते हैं, वहीं सटीक $\ell_0$ फॉर्मुलेशन (जिसे क्वाड्रेटिक अनकन्स्ट्रेंड बाइनरी ऑप्टिमाइजेशन, या QUBO समस्या के रूप में मैप किया गया है) को क्वांटम एनीलिंग द्वारा हल किया जा सकता है। मुख्य प्रश्न यह नहीं है कि क्या क्वांटम हार्डवेयर तेज़ है, बल्कि यह है कि क्या यह समस्या के ऐसे फॉर्मुलेशन को हल कर सकता है जो सही है लेकिन शास्त्रीय रूप से कठिन (intractable) है।

कार्यप्रणाली (Methodology)
लेखकों ने दो समस्या पैमानों ( $n=32$ और $n=64$ ) में 19,775 प्रयोगों के माध्यम से एक व्यापक बेंचमार्क आयोजित किया।

समस्या के उदाहरण (Problem Instances): बाइनरी स्पार्स सिग्नल्स जिन्हें स्पार्सिटी रेश्यो $k/n \in \{0.05–0.31\}$ और मेजरमेंट रेश्यो $m/n \in \{0.19–0.81\}$ का उपयोग करके बनाया गया था, और जिनके लिए गॉसियन मैट्रिसेस का उपयोग किया गया था।
शास्त्रीय बेसलाइन्स (Classical Baselines): नौ शास्त्रीय सॉल्वर का परीक्षण किया गया, जो कॉन्वेक्स रिलैक्सेशन (LASSO, ISTA), ग्रीडी परस्यूट (OMP, CoSaMP), डायरेक्ट $\ell_0$ ह्यूरिस्टिक्स (IHT, SL0, ILP), और बायेसियन इन्फरेंस तक फैले हुए हैं। महत्वपूर्ण रूप से, अध्ययन में एप्रोक्सिमेट मैसेज पासिंग (AMP) शामिल है जिसमें बर्नौली प्रायर (Bernoulli prior) का उपयोग किया गया है, जो गॉसियन मैट्रिसेस के लिए बायेस-ऑप्टिमल एल्गोरिदम है और शास्त्रीय रिकवरी की सैद्धांतिक सीमा (theoretical ceiling) का प्रतिनिधित्व करता है।
क्वांटम हार्डवेयर: प्रयोगों में D-Wave के Advantage (Pegasus topology) और Advantage2 (Zephyr topology) सिस्टम का उपयोग किया गया। दो मोड का परीक्षण किया गया:
1. QPU-only: डायरेक्ट क्वांटम एनीलिंग के साथ 1,000 रीड्स और 20 $\mu$ s एनीलिंग टाइम।
2. Hybrid: LeapHybridBQMSampler, जो समस्या को क्लासिकली डीकंपोज करता है और सब-प्रॉब्लम्स के लिए QPU का उपयोग करता है।
विश्लेषण: रिकवरी रेट की तुलना फिशर के सटीक टेस्ट (Fisher's exact test) और होल्म-बोर्नफेरोनी सुधार (Holm-Bonferroni correction) के साथ की गई। ऊर्जा परिदृश्य (energy landscape) का विश्लेषण वास्तविक सिग्नल के QUBO ऊर्जा की तुलना में किए गए समाधानों के आधार पर किया गया।

प्रमुख परिणाम

रिलैक्सेशन गैप में सफलता ( $n=32$ ): एक विशिष्ट कॉन्फ़िगरेशन ( $k=5, m/n=0.19$ ) पर, जो डोनोहो-टैनर बाउंड्री के नीचे स्थित है, D-Wave ने 7% सटीक रिकवरी दर (30 परीक्षणों में से 2) प्राप्त की। इसके विपरीत, सभी नौ शास्त्रीय सॉल्वर, जिनमें बायेस-ऑप्टिमल AMP भी शामिल है, 250 संयुक्त परीक्षणों में 0% रिकवरी प्राप्त करने में विफल रहे। यह अंतर सांख्यिकीय रूप से महत्वपूर्ण है (फिशर एग्जैक्ट $p = 0.018$ )।
सबसे मजबूत बेसलाइन के रूप में AMP: AMP ने अधिकांश कॉन्फ़िगरेशन में अन्य शास्त्रीय विधियों (जैसे LASSO, ISTA) की तुलना में लगातार बेहतर प्रदर्शन किया। $k=10, m/n=0.50$ पर, AMP ने 70% रिकवरी हासिल की जबकि अन्य सभी शास्त्रीय सॉल्वर और D-Wave (Hybrid/QPU) का स्कोर काफी कम रहा। यह स्थापित करता है कि D-Wave का लाभ केवल कमजोर ह्यूरिस्टिक्स पर नहीं, बल्कि स्टेट-ऑफ-द-आर्ट शास्त्रीय एल्गोरिदम पर है।
स्केलिंग सीमाएँ ( $n=64$ ): $n=64$ पर, यह लाभ समाप्त हो जाता है। एम्बेडिंग ओवरहेड के कारण QPU-only मोड ने क्रिटिकल लो-मेजरमेंट कॉन्फ़िगरेशन में 0% स्कोर किया। QUBO की घनी कपलिंग संरचना ( $A^T A$ ) के लिए प्रत्येक लॉजिकल वेरिएबल के लिए 9-13 फिजिकल क्विबिट्स की चेन की आवश्यकता थी, जिससे चेन-ब्रेक नॉइज़ उत्पन्न हुई जिसने समाधान की गुणवत्ता को कम कर दिया। हाइब्रिड सॉल्वर $n=64$ पर AMP के साथ प्रतिस्पर्धी बना रहा क्योंकि उसने क्लासिकली डीकंपोजिशन को प्रबंधित किया, लेकिन शुद्ध क्वांटम लाभ स्केल नहीं हो सका।
एनर्जी लैंडस्केप विश्लेषण: $n=32$ पर 1,139 QPU रन के विश्लेषण से पता चला कि वास्तविक सिग्नल QUBO ग्राउंड स्टेट के अनुरूप है। हालाँकि, गलत समाधान उथले लोकल मिनिमा (shallow local minima) में रहते हैं जो शास्त्रीय सर्च एल्गोरिदम (ग्रेडिएंट डिसेंट, ब्रांच-एंड-बाउंड, और पोस्टीरियर मीन एस्टीमेशन) को फँसा देते हैं। क्वांटम एनीलिंग इन बेसिनों के बीच की बाधाओं को पार करने में सक्षम प्रतीत होता है, जिससे वे कुछ ही प्रयासों में ग्राउंड स्टेट तक पहुँच जाते हैं, जो क्वांटम टनलिंग डायनेमिक्स के अनुरूप व्यवहार है।

महत्व और दावे
यह शोध पत्र दावा करता है कि यह प्रारंभिक सीमित-आकार के साक्ष्य (preliminary finite-size evidence) प्रदान करता है कि क्वांटम एनीलिंग उस संकीर्ण कम्प्यूटेशनल शासन (रिलैक्सेशन गैप) में सफल हो सकती है जहाँ परीक्षण किए गए सभी शास्त्रीय तरीके, जिसमें बायेस-ऑप्टिमल AMP भी शामिल है, विफल हो जाते हैं।

लाभ की प्रकृति: लेखक स्पष्ट रूप से कहते हैं कि यह गति का लाभ (speed advantage) नहीं है, बल्कि समस्या के एक कठिन फॉर्मुलेशन को हल करने का क्षमतात्मक लाभ है। यह लाभ समस्या की संरचना (ग्राम मैट्रिसेस से उत्पन्न घने QUBO लैंडस्केप) के प्रति विशिष्ट है, न कि एक सामान्य गति वृद्धि के प्रति।
दावों की विनम्रता: लेखक सावधानी बरतते हुए नोट करते हैं कि $n=32$ कंप्रेस्ड सेंसिंग के मानकों के अनुसार छोटा है और प्रभाव का आकार (2/30 सफलताएँ) संख्यात्मक रूप से नाजुक है। वे सार्वभौमिक क्वांटम लाभ का दावा नहीं करते हैं। इसके बजाय, वे एक विशिष्ट "फेज ट्रांजिशन" को मैप करते हैं जहाँ क्वांटिक व्यवहार परीक्षण किए गए शास्त्रीय बेसलाइन्स से अलग हो जाता है।
खुली समस्याएँ: शोध पत्र पहचान करता है कि बड़े पैमाने पर ( $n \in \{128, 256\}$ ), मजबूत शास्त्रीय नियंत्रणों (जैसे Gurobi, SCIP), और यांत्रिक सत्यापन (जैसे स्पेक्ट्रल-गैप विश्लेषण, रिवर्स एनीलिंग) के साथ पुष्टि करना एक खुला प्रश्न बना हुआ है। $n=64$ पर देखा गया लाभ वर्तमान में हार्डवेयर एम्बेडिंग बाधाओं द्वारा सीमित है, न कि मौलिक भौतिकी द्वारा।

संक्षेप में, यह कार्य सुझाव देता है कि रिलैक्सेशन गैप के भीतर विशिष्ट कॉम्बिनेटरियल इन्फरेंस समस्याओं के लिए, क्वांटम एनीलिंग उन समाधान संरचनाओं तक पहुँच सकती है जो शास्त्रीय पोस्टीरियर मीन एस्टीमेशन या कॉन्वेक्स रिलैक्सेशन तक अप्राप्य हैं, बशर्ते कि समस्या का आकार वर्तमान क्वांटम हार्डवेयर की एम्बेडिंग क्षमताओं से अधिक न हो।