⚛️ quantum physics

Penalty-free quantum optimization applied to lattice protein folding

यह शोध पत्र लैट्टिस प्रोटीन फोल्डिंग के लिए एक पेनल्टी-फ्री क्वांटम ऑप्टिमाइज़ेशन दृष्टिकोण प्रस्तावित करता है जो द्विघातीय दंड (quadratic penalties) से बचने के लिए मैक्सिमम इंडिपेंडेंट सेट समस्या के लिए डिज़ाइन किए गए QAOA मिक्सर का उपयोग करता है, और छोटे प्रोटीनों के लिए शास्त्रीय सिमुलेशन के माध्यम से इस पद्धति को सफलतापूर्वक मान्य करते हुए इसे एक ह्यूरिस्टिक इटरेटिव लोकल-सर्च स्कीम के माध्यम से बड़े सिस्टम (लंबाई $N=14$ तक) तक विस्तारित करता है।

मूल लेखक: Leif Gellsersen, Anders Irbäck, Lucas Knuthson, Stefan Prestel

प्रकाशित 2026-06-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Leif Gellsersen, Anders Irbäck, Lucas Knuthson, Stefan Prestel

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: एक पहेली की तरह प्रोटीन को मोड़ना

कल्पना कीजिए कि आपके पास मोतियों की एक लंबी, लचीली डोरी है। कुछ मोती "चिपचिपे" (hydrophobic) हैं, और कुछ "फिसलन भरे" (polar) हैं। आपका लक्ष्य इस डोरी को एक सघन आकार में मोड़ना है ताकि चिपचिपे मोती पानी से दूर, बीच में एक साथ इकट्ठा हो सकें। इसे प्रोटीन फोल्डिंग (protein folding) कहा जाता है।

वास्तविक दुनिया में, यह स्वाभाविक रूप से होता है। लेकिन कंप्यूटर पर, एक छोटी सी डोरी के लिए भी परफेक्ट आकार ढूँढना अविश्वसनीय रूप से कठिन है। यह एक विशाल जिग्सॉ पहेली (jigsaw puzzle) को हल करने जैसा है जहाँ टुकड़ों को अरबों तरीकों से व्यवस्थित किया जा सकता है, और आपको वह एक विशिष्ट व्यवस्था ढूँढनी है जो सबसे कम ऊर्जा का उपयोग करती है।

पुराने तरीकों के साथ समस्या

वैज्ञानिकों ने इसे हल करने के लिए क्वांटम कंप्यूटर (Quantum Computers) का उपयोग करने की कोशिश की है। आमतौर पर, जब आप क्वांटम कंप्यूटर को कोई पहेली हल करने के लिए कहते हैं, तो आपको उसे नियम बताने होते हैं:

"डोरी निरंतर (continuous) होनी चाहिए।"
"डोरी खुद के ऊपर से नहीं गुजरनी चाहिए।"
"हर मोती एक जगह पर होना चाहिए।"

अतीत में, कंप्यूटर को इन नियमों का पालन करवाने के लिए, वैज्ञानिकों को स्कोर में "पेनल्टी पॉइंट्स" (जुर्माना अंक) जोड़ने पड़ते थे। यदि कंप्यूटर ने कोई गलती की (जैसे टूटी हुई डोरी), तो उसे भारी जुर्माना मिलता था। यह एक ऐसे खेल की तरह है जहाँ नियम तोड़ने पर आपको जुर्माना देना पड़ता है। समस्या यह है कि ये पेनल्टी गणितीय रूप से बहुत जटिल (quadratic) होती हैं, जिससे क्वांटम कंप्यूटर का काम बहुत कठिन और धीमा हो जाता है।

नया विचार: एक "नो-पेनल्टी" ज़ोन

यह शोध पत्र उन जटिल पेनल्टीज़ से पूरी तरह बचने के लिए एक चतुर ट्रिक पेश करता है।

उपमा: "कॉन्फ्लिक्ट ग्राफ" (Conflict Graph)
कल्पना कीजिए कि पहेली के टुकड़े एक पार्टी में मौजूद लोग हैं।

कुछ लोग एक-दूसरे से नफरत करते हैं (वे उन मोतियों का प्रतिनिधित्व करते हैं जो एक ही स्थान पर या एक-दूसरे के बगल में नहीं हो सकते)।
हम उन लोगों के बीच एक रेखा खींचते हैं जो एक-दूसरे से नफरत करते हैं। इससे एक "कॉन्फ्लिक्ट ग्राफ" बनता है।

पार्टी का नियम सरल है: आप लोगों को वीआईपी (VIP) सेक्शन में तभी बुला सकते हैं जब उनमें से कोई भी एक-दूसरे से नफरत न करता हो। गणितीय शब्दों में, आप एक इंडिपेंडेंट सेट (Independent Set) (ऐसे लोगों का समूह जिनके बीच कोई रेखा नहीं जुड़ी है) की तलाश कर रहे हैं।

इस ग्राफ का उपयोग करके, शोधकर्ताओं ने महसूस किया कि उन्हें कंप्यूटर को यह बताने की आवश्यकता नहीं है कि, "इन दो मोतियों को आपस में न टकराने दें!" क्योंकि ग्राफ पहले से ही इसे वर्जित करता है। यदि कंप्यूटर वैध लोगों का एक समूह (एक इंडिपेंडेंट सेट) चुनता है, तो नियमों का स्वतः पालन हो जाता है। किसी पेनल्टी की आवश्यकता नहीं!

टूल: QAOA-MIS

शोधकर्ताओं ने QAOA (क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन एल्गोरिदम) नामक एक विशिष्ट क्वांटम एल्गोरिदम का उपयोग किया।

मानक QAOA: पहेली को हल करने की कोशिश करता है लेकिन लगातार नियम तोड़ने की जाँच करता रहता है।
उनका नया संस्करण (QAOA-MIS): एक विशेष "मिक्सर" (एक क्वांटम टूल जो संभावनाओं को मिलाता है) का उपयोग करता है जो केवल वैध समूहों के बीच जाने के लिए डिज़ाइन किया गया है। यह एक क्लब के बाउंसर की तरह है जो केवल तभी लोगों को अंदर आने देता है जब वे पहले से ही एक वैध समूह में हों। यदि आप नियम तोड़ने की कोशिश करते हैं, तो बाउंसर आपको वहां जाने ही नहीं देता।

इसका मतलब है कि कंप्यूटर केवल वैध समाधानों को खोजने में समय लगाता है, अमान्य (invalid) समाधानों में नहीं।

परिणाम: छोटे बनाम बड़े पहेली

टीम ने 2D ग्रिड (जैसे एक सपाट चेकरबोर्ड) पर दो प्रकार के मोतियों के साथ इसका परीक्षण किया।

छोटी पहेलियाँ (4 से 6 मोती):
उन्होंने एक सामान्य सुपरकंप्यूटर पर अपने क्वांटम कंप्यूटर का अनुकरण (simulate) किया। उन्होंने पाया कि उनका नया "नो-पेनल्टी" तरीका बहुत अच्छा काम करता है। सबसे छोटी पहेलियों के लिए, इसने बहुत सरल सेटिंग्स के साथ भी लगभग तुरंत ही सही समाधान खोज लिया।
बड़ी पहेलियाँ (14 मोट्स तक):
असली क्वांटम कंप्यूटर और सिमुलेशन बड़े होने पर जल्दी ही घबरा जाते हैं। 14-मोती वाली पहेली के लिए एक ऐसे क्वांटम कंप्यूटर की आवश्यकता होगी जिसके पास अभी के समय में बहुत अधिक हिस्से (parts) हों।

समाधान: "लोकल सर्च" (QLS)
बड़े पहेलियों को संभालने के लिए, उन्होंने एक रणनीति विकसित की जिसे क्वांटम लोकल सर्च (QLS) कहा जाता है।

उपमा: कल्पना कीजिए कि आप ऊन की एक बड़ी, उलझी हुई गांठ को सुलझाने की कोशिश कर रहे हैं। पूरी गांठ को एक साथ सुलझाने के बजाय, आप एक छोटा 3-इंच का हिस्सा लेते हैं, केवल उस हिस्से को सुलझाते हैं, और फिर अगले हिस्से पर बढ़ जाते हैं।
उन्होंने बड़ी प्रोटीन समस्या को छोटे "पड़ोस" (मोतियों के छोटे समूह) में विभाजित किया। उन्होंने केवल उस छोटे पड़ोस को हल करने के लिए क्वांटम कंप्यूटर का उपयोग किया, और फिर आगे बढ़ गए।
उन्होंने एक "पिनिंग" (pinning) तकनीक का भी उपयोग किया: एक बार जब एक मोती को सही ढंग से रखा गया, तो उन्होंने उसे "पिन" कर दिया ताकि कंप्यूटर अगले हिस्से को हल करते समय उसे गलती से हिला न दे।

परिणाम:
इस "ज़ूम-इन" पद्धति का उपयोग करके, वे 14 मोट्स तक लंबे प्रोटीन के सही आकार को सफलतापूर्वक खोजने में सफल रहे। यह एक ऐसा आकार है जिसे वर्तमान में पूर्ण-स्तरीय क्वांटम कंप्यूटर सिमुलेशन के साथ हल करना असंभव है।

सारांश

लक्ष्य: प्रोटीन श्रृंखला के सर्वोत्तम आकार को खोजना।
पुराना तरीका: क्वांटम कंप्यूटर का उपयोग करना लेकिन नियमों को तोड़ने के लिए भारी "पेनल्टी पॉइंट्स" जोड़ना, जो इसे धीमा कर देता है।
नया तरीका: नियमों को एक "कॉन्फ्लिक्ट ग्राफ" पर मैप करना ताकि केवल वैध चालें ही संभव हों। यह पेनल्टी की आवश्यकता को समाप्त कर देता है।
रणनीति: बड़े समस्याओं के लिए, पूरी चीज़ को एक साथ हल न करें। क्वांटम कंप्यूटर का उपयोग करके एक-एक करके छोटे, स्थानीय पड़ोस को हल करें।
परिणाम: वे छोटे प्रोटीन को पूरी तरह से फोल्ड करने में सफल रहे और एक हाइब्रिड दृष्टिकोण का उपयोग करके बड़े प्रोटीनों (14 मोट्स तक) को हल किया, जिससे यह सिद्ध हुआ कि यह "पेनल्टी-फ्री" तरीका क्वांटम कंप्यूटरों का उपयोग करने का एक शक्तिशाली नया तरीका है।

तकनीकी सारांश: लैटिस प्रोटीन फोल्डिंग पर लागू पेनल्टी-मुक्त क्वांटम ऑप्टिमाइज़ेशन

समस्या विवरण
लैटिस प्रोटीन के न्यूनतम-ऊर्जा संरचनाओं की पहचान करना एक चुनौतीपूर्ण असतत अनुकूलन (discrete optimization) समस्या है, जिसे NP-complete माना जाता है। यहाँ जांचा गया विशिष्ट मॉडल द्वि-आयामी हाइड्रोफोबिक-पोलर (HP) मॉडल है, जहाँ प्रोटीन को एक वर्गाकार लैटिस (square lattice) पर H और P अवशेषों (residues) की स्व-अपवर्जी श्रृंखलाओं (self-avoiding chains) के रूप में दर्शाया जाता है। इसका उद्देश्य उन श्रृंखला विन्यासों (conformations) को खोजना है जो गैर-समीपवर्ती हाइड्रोफोबिक (H-H) संपर्कों की संख्या को कम करते हैं।

पारंपरिक क्वांटम दृष्टिकोण, जैसे कि क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन एल्गोरिदम (QAOA) और क्वांटम एनीलिंग (QA), आमतौर पर इस समस्या को क्वाड्रेटिक अनकन्स्ट्रेंड बाइनरी ऑप्टिमाइज़ेशन (QUBO) फॉर्मूलेशन में मैप करते हैं। यह मानक मैपिंग भौतिक बाधाओं को लागू करने के लिए द्विघात दंड पदों (quadratic penalty terms) को शामिल करने की आवश्यकता रखती है: प्रत्येक अमीनो एसिड को ठीक एक लैटिस साइट पर होना चाहिए (स्व-अपवर्जीता), और मोती (beads) एक निरंतर श्रृंखला बनानी चाहिए। ये दंड पद समस्या के हैमिल्टोनियन की जटिलता को बढ़ाते हैं और लैग्रेंज मल्टीप्लायर्स के सावधानीपूर्वक ट्यूनिंग की आवश्यकता होती है।

कार्यप्रणाली
लेखक एक पेनल्टी-मुक्त QAOA वेरिएंट का प्रस्ताव करते हैं, जिसे QAOA $_{MIS}$ कहा जाता है, जो दंड ऊर्जाओं के बजाय एक संघर्ष ग्राफ (conflict graph) की संरचना का उपयोग करके खोज स्थान (search space) को वैध विन्यासों तक सीमित करता है।

संघर्ष ग्राफ और स्वतंत्र सेट (Independent Sets):
समस्या को एक संघर्ष ग्राफ में मैप किया जाता है जहाँ नोड्स बाइनरी वेरिएबल्स (क्यूबिट्स) का प्रतिनिधित्व करते हैं जो अमीनो एसिड की स्थिति दर्शाते हैं। किनारे (edges) वैध श्रृंखला संरचनाओं के लिए आवश्यक दंड ऊर्जाओं ( $E_1, E_2, E_3$ ) से प्राप्त द्विघात बाधाओं का प्रतिनिधित्व करते हैं। एक बिट कॉन्फ़िगरेशन एक वैध श्रृंखला के रूप में तब तक होता है जब तक सक्रिय बिट्स (मान 1) इस ग्राफ में एक स्वतंत्र सेट (independent set) बनाते हैं (कोई भी दो सक्रिय नोड्स एक दूसरे से जुड़े नहीं होते हैं)। पूर्ण-लंबाई वाली श्रृंखलाएं मैक्सिमम इंडिपेंडेंट सेट (MIS) के अनुरूप होती हैं।
QAOA $_{MIS}$ फॉर्मूलेशन:
मानक ट्रांसवर्स-फील्ड मिक्सर ( $X$ -मिक्सर) या $XY$-मिक्सर के बजाय, लेखक एक ऐसा मिक्सर उपयोग करते हैं जो विशेष रूप से MIS समस्या के लिए डिज़ाइन किया गया है। यह मिक्सर स्वतंत्र सेटों के उपस्थान (subspace) को सुरक्षित रखता है। इसके परिणामस्वरूप, ऑब्जेक्टिव फंक्शन सरल हो जाता है:
$E_{MIS} = E_{HP} - \lambda_1 \sum_{i,n} b_{i,n}$
यहाँ, $E_{HP}$ प्रोटीन ऊर्जा है, और दूसरा पद एक सरल रैखिक बायस (linear bias) है जो पूर्ण-लंबाई वाली श्रृंखलाओं के निर्माण को प्रोत्साहित करता है। महत्वपूर्ण रूप से, द्विघात दंड पदों को हटा दिया गया है।
बड़े सिस्टमों के लिए क्वांटम लोकल सर्च (QLS):
चूंकि क्यूबिट और गेट काउंट में घातीय वृद्धि के कारण $N > 6$ लंबाई वाली श्रृंखलाओं के लिए पूर्ण-स्तरीय QAOA सिमुलेशन अव्यवहारिकता (intractable) बन जाता है, इसलिए लेखक एक ह्यूरिस्टिक क्वांटम लोकल सर्च (QLS) योजना पेश करते हैं।

स्थानीय पड़ोस (Local Neighborhoods): एल्गोरिदम संघर्ष ग्राफ के स्थानीय पड़ोस (subgraphs) को पुनरावृत्ति से चुनता है, जो $\le 26$ क्यूबिट तक सीमित होते हैं।
पिनिंग तंत्र (Pinning Mechanism): सिस्टम को स्थानीय मिनिमा में फंसने से रोकने के लिए, एक गतिशील "पिनिंग" रणनीति का उपयोग किया जाता है। वे अमीनो एसिड जो सफलतापूर्वक नई स्थितियों में जाते हैं, उन्हें एक निश्चित संभावना के साथ "पिन" (जमा हुआ) किया जाता है, जबकि अन्य को अन्वेषण (exploration) की अनुमति देने के लिए "अनपिन" किया जाता है।
प्रारंभिक रन (Preparatory Run): एक प्रारंभिक QAOA रन केवल हाइड्रोफोबिक (H) अवशेषों को कम-ऊर्जा वाले कोर में पैक करने पर ध्यान केंद्रित करता है, इससे पहले कि पूर्ण श्रृंखला अनुकूलन शुरू हो।
हाइब्रिड हैंडलिंग: उन पड़ोसों के लिए जो 26-क्यूबिट की सीमा से अधिक हैं, लेखक एक हाइब्रिड दृष्टिकोण का परीक्षण करते हैं जहाँ इन विशिष्ट उप-समस्याओं को क्लासिकली हल किया जाता है।

प्रमुख परिणाम
अध्ययन क्वांटम सर्किट के क्लासिकल सिमुलेशन के माध्यम से दृष्टिकोण को मान्य करता है:

छोटी श्रृंखलाएं ( $N=4, 6$ ):
- QAOA $_{MIS}$ की तुलना मानक QAOA ( $X$ -मिक्सर) और QAOA $_{XY}$ से की गई।
- $N=4$ के लिए, QAOA $_{MIS}$ ने एकल लेयर ( $p=1$ ) के साथ लगभग 1.0 के सफलता की संभावना प्राप्त की, जिसने कम डेप्थ पर अन्य वेरिएंट्स को पीछे छोड़ दिया।
- $N=6$ के लिए, QAOA $_{MIS}$ ने $p=5$ पर $\approx 0.77$ की सफलता की संभावना प्राप्त की। प्रदर्शन एक द्वि-मोडल वितरण (0 या 1 के पास) दिखाया, जो सुझाव देता है कि जबकि यह विधि शक्तिशाली है, पैरामीटर अनुकूलन कठिन हो जाता है क्योंकि पैरामीटर स्पेस की विमा (dimensionality) बढ़ती है।
- प्रारंभिक अवस्था का चुनाव कम $p$ के लिए परिणामों को महत्वपूर्ण रूप से प्रभावित करता है। "नो-बीड" अवस्था ( $I_0$ ) या विशिष्ट फुल-चेन अवस्थाओं ( $I_1, I_2$ ) से शुरू करने से हैमिंग डिस्टेंस और ऊर्जा परिदृश्य (energy landscape) में डाउनहिल पथ की उपस्थिति के आधार पर अलग-अलग सफलता दर प्राप्त हुई।
लंबी श्रृंखलाएं ( $N=4$ से $14$):
- 26-क्यूबिट तक सीमित स्थानीय पड़ोस का उपयोग करते हुए, लेखक $N=14$ तक की श्रृंखलाओं को सफलतापूर्वक फोल्ड करने में सक्षम रहे।
- इस पद्धति ने परीक्षण की गई सभी अनुक्रमों ( $N \le 14$ ) के लिए कम से कम एक रन में ग्राउंड स्टेट खोजा, जिसकी सफलता दर $\ge 0.1$ थी।
- अनुक्रम $S_{12}$ ने सबसे कम सफलता दर (1/10 रन) दिखाई, जिसे लेखक इसके बड़े औसत पड़ोस आकार के कारण बताते हैं।
- जब 26 से अधिक क्यूबिट वाले पड़ोस को क्लासिकली हैंडल किया गया (बजाय स्किप करने के), तो सफलता दर में उल्लेखनीय सुधार हुआ (जैसे, $N \le 14$ के लिए $\ge 0.6$ ) और $N=18$ तक के अनुक्रमों के लिए ग्राउंड स्टेट पाए गए।
- QLS दृष्टिकोण ने पूर्ण-सिस्टम सिमुलेशन की तुलना में प्रभावी क्यूबिट संख्या को लगभग एक क्रम (one order of magnitude) कम कर दिया (उदाहरण के लिए, $N=14$ के लिए, पूर्ण सिस्टम को 188 क्यूबिट की आवश्यकता होती है, जबकि QLS ने 14-19 क्यूबिट के औसत पड़ोस का उपयोग किया)।

महत्व और दावे
पेपर दावा करता है कि संघर्ष ग्राफ में स्वतंत्र सेटों के रूप में खोज स्थान को प्रतिबंधित करने से लैटिस प्रोटीन फोल्डिंग के लिए द्विघात दंड पदों को हटाने की अनुमति मिलती है, जिससे ऑब्जेक्टिव फंक्शन को एक रैखिक बायस और भौतिक ऊर्जा तक सरल बनाया जा सकता है। इस "पेनल्टी-मुक्त" दृष्टिकोण को समान QUBO संरचनाओं वाली अनुकूलन समस्याओं, जैसे कि ट्रैवलिंग सेल्समैन प्रॉब्लम के लिए एक व्यवहार्य रणनीति के रूप में प्रस्तुत किया गया है।

लेखक इस बात पर जोर देते हैं कि हालांकि QAOA $_{MIS}$ वेरिएंट छोटे सिस्टम के लिए प्रभावी है, प्रस्तावित QLS ह्यूरिस्टिक बड़े प्रोटीन के लिए स्केल करने हेतु आवश्यक है। वे निष्कर्ष निकालते हैं कि आवश्यक स्थानीय पड़ोस आकारों (वर्तमान में $\le 26$ क्यूबिट) को संभालने में सक्षम हार्डवेयर तक पहुंच के साथ, यह स्थानीय खोज दृष्टिकोण पूर्ण-स्तरीय QAOA की पहुंच से परे लैटिस प्रोटीन फोल्डिंग समस्याओं को हल कर सकता है। यह कार्य प्रदर्शित करता है कि ग्राफ-आधारित प्रतिबंध दंड ट्यूनिंग के ओवरहेड के बिना क्वांटम अनुकूलन में बाधाओं को प्रभावी ढंग से प्रबंधित कर सकते हैं।