⚛️ quantum physics

Game, Set, Quantum: Parameterized Quantum Circuit for Correlated Equilibrium in Bayesian Games

यह शोध पत्र बड़े पैमाने के बेयसियन खेलों (Bayesian games) में बेयस सह-संतुलन (Bayes correlated equilibria) को कुशलतापूर्वक अनुमानित करने के लिए पैरामीटराइज्ड क्वांटम सर्किटों का उपयोग करते हुए एक हाइब्रिड क्वांटम-क्लासिकल ढांचे का प्रस्ताव करता है, जो कॉम्पैक्ट पैरामीट्राइजेशन और ग्रेडिएंट-आधारित रिग्रेट मिनिमाइजेशन के माध्यम से MCCFR और DCFR जैसे क्लासिकल एल्गोरिदम के विरुद्ध प्रतिस्पर्धी प्रदर्शन प्रदर्शित करता है।

मूल लेखक: Param Pathak, Vidhi Oad, Nouhaila Innan, Adarsh Ganesan, Muhammad Shafique

प्रकाशित 2026-06-03

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Param Pathak, Vidhi Oad, Nouhaila Innan, Adarsh Ganesan, Muhammad Shafique

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

एक उच्च-दांव वाले पोकर गेम की कल्पना करें जहाँ हर किसी के पास एक गुप्त कार्ड (उनका "प्रकार") है जिसे केवल वे ही देख सकते हैं, लेकिन सभी को एक ही समय में यह तय करना होता है कि दांव लगाना है या फोल्ड करना (उनकी "कार्रवाई")। लक्ष्य एक "पूर्ण सहमति" (perfect agreement) खोजना है जहाँ किसी के पास भी धोखाधड़ी करने या अपनी चाल बदलने का कोई प्रोत्साहन न हो, भले ही उनके पास वह गुप्त जानकारी हो। गेम थ्योरी की दुनिया में, इसे बेयस कोरिलेटेड इक्विलिब्रियम (Bayes Correlated Equilibrium) कहा जाता है।

समस्या क्या है? जैसे-जैसे टेबल पर खिलाड़ियों की संख्या बढ़ती है, संभावित गुप्त-कार्ड-और-कार्रवाई संयोजनों की संख्या विस्फोट की तरह बढ़ती जाती है। यह ऐसा है जैसे किसी खेल के हर एक संभावित परिणाम को एक विशाल नोटबुक में लिखने की कोशिश करना। केवल 10 खिलाड़ियों के लिए, उस नोटबुक में इतने पन्ने होने चाहिए जितने ब्रह्मांड में परमाणु हैं। पारंपरिक कंप्यूटर इस विशाल नोटबुक को लिखने की कोशिश में अपनी मेमोरी खो देते हैं, ठीक वैसे ही जैसे बहुत सारी किताबों के भार से एक बैकपैक फट जाता है।

यह शोध पत्र एक हाइब्रिड क्वांटम-क्लासिकल फ्रेमवर्क का उपयोग करके इस पहेली को हल करने का एक नया तरीका पेश करता है। यह कैसे काम करता है, यहाँ सरल उपमाओं के साथ बताया गया है:

1. विशाल मानचित्र के बजाय एक "जादुई दिशा-सूचक यंत्र" (Magic Compass)

हर एक संभावना को एक विशाल नोटबुक में लिखने के बजाय (जो पुराने तरीके करते हैं), लेखक एक पैरामीटराइज्ड क्वांटम सर्किट (PQC) का उपयोग करते हैं।

उपमा: कल्पना करें कि आपको एक विशाल, धुंधले शहर में नेविगेट करने की आवश्यकता है। पुराना तरीका हर गली और मोहल्ले का एक विस्तृत नक्शा छापना है (वह "स्पष्ट तालिका" या explicit table)। नया तरीका खिलाड़ियों को एक "जादुई दिशा-सूचक यंत्र" (क्वांटम सर्किट) देना है। यह छोटा और सरल है, लेकिन इसमें कुछ डायल (पैरामीटर्स) हैं जिन्हें घुमाया जा सकता है।
यह कैसे काम करता है: दिशा-सूचक यंत्र खिलाड़ियों के गुप्त कार्डों को इनपुट के रूप में लेता है और उन्हें एक अनुशंसित कार्रवाई की ओर संकेत करता है। कंप्यूटर द्वारा इन "डायलों" को तब तक समायोजित किया जाता है जब तक कि दिशा-सूचक यंत्र इस तरह से संकेत न दे कि हर कोई खुश हो और कोई भी धोखाधड़ी करने की इच्छा न रखे।

2. प्रशिक्षण प्रक्रिया: दिशा-सूचक यंत्र के लिए एक "पाठ्यक्रम" (Curriculum)

लेखकों ने सीधे दिशा-सूचक यंत्र को 10-खिलाड़ियों के खेल में नहीं फेंका। उन्होंने एक करिकुलम लर्निंग (curriculum learning) दृष्टिकोण का उपयोग किया।

उपमा: इसे साइकिल चलाना सीखने जैसा समझें। आप सीधे 10-लोगों वाली साइकिल रेस से शुरुआत नहीं करते। आप ट्रेनिंग व्हील्स के साथ 2-व्यक्ति वाली साइकिल से शुरू करते हैं, फिर 4-व्यक्ति वाली साइकिल पर जाते हैं, और इसी तरह आगे बढ़ते हैं।
प्रक्रिया: उन्होंने पहले 2-खिलाड़ियों के खेल पर क्वांटम दिशा-सूचक यंत्र को प्रशिक्षित किया, फिर 4-खिलाड़ियों के खेल के लिए जो उन्होंने सीखा उसका उपयोग किया, और 10 खिलाड़ियों तक बढ़ते गए। यह "वार्म-स्टार्ट" रणनीति दिशा-सूचक यंत्र को एक अच्छी दिशा खोजने में तेज़ी से मदद करती है।

3. लक्ष्य: "पछतावा" (Regret) को कम करना

उन्हें कैसे पता चलता है कि दिशा-सूचक यंत्र काम कर रहा है? वे पछतावे (Regret) को मापते हैं।

उपमा: पछतावा वह भावना है जो आपको खेल के बाद आती है जब आप सोचते हैं, "अगर मैंने Y के बजाय X किया होता, तो मैं अधिक पैसे जीत सकता था।"
उद्देश्य: सिस्टम दिशा-सूचक यंत्र के डायल को तब तक समायोजित करने की कोशिश करता है जब तक कि सभी के लिए औसत "पछतावा" शून्य के जितना संभव हो सके करीब न पहुँच जाए। यदि पछतावा शून्य है, तो इसका मतलब है कि कोई भी कुछ अलग करने की इच्छा नहीं रखता; सहमति स्थिर है।

4. परिणाम: पारंपरिक तरीकों के विरुद्ध एक दौड़

लेखकों ने 2 से 10 खिलाड़ियों वाले पोकर-शैली के खेल पर अपने "जादुई दिशा-सूचक यंत्र" का परीक्षण दो अन्य प्रसिद्ध तरीकों (MCCFR और DCFR) के मुकाबले किया।

छोटे समूह (2–8 खिलाड़ी): क्वांटम दिशा-सूचक यंत्र विजेता रहा। इसने अन्य तरीकों की तुलना में बेहतर सहमति (कम पछतावा) पाई। यह ऐसा था जैसे दिशा-सूचक यंत्र ने वह शॉर्टकट ढूंढ लिया जिसे अन्य लोग मिस कर गए थे।
बड़ा समूह (10 खिलाड़ी): पारंपरिक तरीका (DCFR) अंततः बराबरी कर गया और जीत गया।
- क्यों? शोध पत्र सुझाव देता है कि जो "जादुई दिशा-सूचक यंत्र" उन्होंने बनाया था, वह 10 खिलाड़ियों की विशाल जटिलता के लिए थोड़ा बहुत सरल (फिक्स्ड डेप्थ) था। यह एक छोटे दिशा-सूचक यंत्र की तरह है जो एक पड़ोस में तो बहुत अच्छा काम करता है लेकिन एक विशाल महानगर में भ्रमित हो जाता है। पारंपरिक तरीका, हालांकि धीमा और भारी है, इस विशिष्ट परीक्षण में 10-खिलाड़ियों की जटिलता को संभालने के लिए पर्याप्त "शक्ति" रखता था।

5. एक पेच: "सिमुलेशन" की लागत

यहाँ एक महत्वपूर्ण मोड़ है। हालांकि क्वांटम दिशा-सूचक यंत्र सिद्धांत रूप में बहुत छोटा और कुशल है, लेखकों ने इसका परीक्षण एक क्लासिकल कंप्यूटर (एक सामान्य लैपटॉप/सर्वर) पर किया जो एक क्वांटम कंप्यूटर का सिमुलेशन (अनुकरण) कर रहा था।

उपमा: यह एक नए, हल्के इलेक्ट्रिक कार इंजन का परीक्षण एक भारी, तेल-खपाने वाले सिमुलेशन सॉफ्टवेयर के भीतर करने जैसा है। इंजन स्वयं कुशल है, लेकिन परीक्षण चलाने वाला सॉफ्टवेयर धीमा और मेमोरी-खपत वाला है।
वास्तविकता: क्वांटम दिशा-सूचक यंत्र ने बहुत कम "डायल" (10 खिलाड़ियों के लिए केवल 60 पैरामीटर) का उपयोग किया, जो पुराने तरीकों की अरबों प्रविष्टियों की तुलना में बहुत कम है। हालाँकि, एक सामान्य कंप्यूटर पर क्वांटम भौतिकी का सिमुलेशन करने के कारण, प्रशिक्षण में लंबा समय लगा (पूरे परीक्षण के लिए 23 घंटे)। शोध पत्र नोट करता है कि वास्तविक क्वांटम हार्डवेयर पर, यह बहुत तेज़ हो सकता है, लेकिन उन्होंने अभी तक वास्तविक हार्डवेयर पर इसका परीक्षण नहीं किया है।

सारांश

यह शोध पत्र एक जटिल रणनीतिक खेल को हल करने के लिए एक विशाल मानचित्र के बजाय एक "क्वांटम दिशा-सूचक यंत्र" का उपयोग करके एक चतुर, संक्षिप्त तरीका प्रस्तावित करता है।

सफलता: यह छोटे से मध्यम आकार के समूहों (2-8 खिलाड़ी) के लिए बहुत अच्छा काम करता है, स्थिर सहमति खोजने में पारंपरिक तरीकों को मात देता है।
सीमा: परीक्षण किए गए सबसे बड़े समूह (10 खिलाड़ी) के लिए, एक पारंपरिक तरीका थोड़ा बेहतर था, संभवतः इसलिए क्योंकि "क्वांटम दिशा-सूचक यंत्र" का डिज़ाइन उस स्तर की जटिलता के लिए बहुत सरल था।
भवि vực: यह विधि आशाजनक है क्योंकि यह समाधान का वर्णन करने के लिए बहुत कम संसाधनों का उपयोग करती है, लेकिन इसे यह साबित करने के लिए कि यह वर्तमान कंप्यूटरों की तुलना में तेज़ और अधिक कुशल हो सकती है, वास्तविक क्वांटम हार्डवेयर की आवश्यकता है।

यह शोध पत्र यह दावा नहीं करता है कि यह वास्तविक दुनिया के आर्थिक संकटों या चिकित्सा समस्याओं को हल कर देगा; यह विशेष रूप से एक विशिष्ट प्रकार के गणितीय गेम थ्योरी पहेली को हल करने पर केंद्रित है ताकि यह दिखाया जा सके कि क्वांटम-प्रेरित तरीके विशाल डेटा तालिकाओं के लिए एक व्यवहार्य, संक्षिप्त विकल्प हो सकते हैं।

तकनीकी सारांश: गेम, सेट, क्वांटम

समस्या विवरण
अपूर्ण सूचना के तहत कई एजेंटों के बीच रणनीतिक निर्णय लेना, जिसे बेयसियन गेम्स (Bayesian games) के रूप में मॉडल किया गया है, एक महत्वपूर्ण कम्प्यूटेशनल चुनौती प्रस्तुत करता है। बाइनरी-टाइप, बाइनरी-एक्शन सेटिंग्स में, संयुक्त प्रकार-एक्शन स्पेस (joint type-action space) खिलाड़ियों की संख्या ( $n$ ) के साथ तेजी से ( $O(2^{2n})$ ) बढ़ता है। बेयस कोरिलेटेड इक्विलिब्रिया (Bayes correlated equilibria) की गणना के लिए प्रत्यक्ष लीनियर प्रोग्रामिंग (LP) फॉर्मुलेशन को इस स्पेस के स्पष्ट प्रतिनिधित्व की आवश्यकता होती है, जिससे अत्यधिक मेमोरी आवश्यकताएं उत्पन्न होती हैं। जैसा कि अध्ययन में प्रदर्शित किया गया है, एक LP संदर्भ सॉल्वर $n=10$ पर 10.2 GB मेमोरी का उपयोग तक पहुँच जाता है, जिससे मध्यम खिलाड़ी गणनाओं के लिए स्पष्ट अनुकूलन (explicit optimization) अव्यवहार्य हो जाता है। क्लासिकल रिग्रेट-मिनिमाइजेशन विधियाँ (जैसे काउंटरफैक्टुअल रिग्रेट मिनिमाइजेशन - CFR) इसे कम करती हैं, लेकिन वे अभी भी सैंपलिंग या टेबुलर रिप्रेजेंटेशन पर निर्भर करती हैं जो इंफॉर्मेशन सेट स्पेस के साथ स्केल करती हैं।

कार्यप्रणाली (Methodology)
लेखक एक हाइब्रिड क्वांटम-क्लासिकल फ्रेमवर्क प्रस्तावित करते हैं जो कंडीशनल स्ट्रैटेजी डिस्ट्रीब्यूशन $\sigma(a|\theta)$ के एक कॉम्पैक्ट वेरिएशनल रिप्रेजेंटेशन के रूप में पैरामीटराइज्ड क्वांटम सर्किट (PQC) का उपयोग करके अनुमानित बेयस कोरिलेटेड इक्विलिब्रियम को एप्रोक्सिमेट करता है।

आर्किटेक्चर: PQC $n$ -प्लेयर गेम के लिए $2n$ क्यूबिट्स पर कार्य करता है। पहले $n$ क्यूबिट्स एक "टाइप रजिस्टर" बनाते हैं जो Pauli-X गेट्स के माध्यम से निजी प्रकार प्रोफाइल $\theta$ को एनकोड करता है, जबकि शेष $n$ क्यूबिट्स एक "एक्शन रजिस्टर" बनाते हैं। सर्किट $L$ ट्रेन करने योग्य परतों (trainable layers) का उपयोग करता है। प्रत्येक परत में टाइप-कंडीशन्ड कंट्रोल्ड रोटेशन्स ($CRY $), लोकल एक्शन रोटेशन्स ($ RY$), और रिंग एंटैंगलिंग ब्लॉक्स (CNOT के बाद $CRY $) शामिल हैं जो पड़ोसी खिलाड़ियों को जोड़ने के लिए होते हैं। यह संरचना$ O(nL) $ट्रेन करने योग्य पैरामीटर्स ($ 3nL $विशेष रूप से) प्रदान करती है। सबसे बड़े सेटिंग ($ n=10, L=2$) के लिए, मॉडल केवल 60 ट्रेन करने योग्य कोणों का उपयोग करता है, जो एक स्पष्ट तालिका (explicit table) के लिए आवश्यक $2^{20}$ प्रविष्टियों की तुलना में एक भारी कमी है।
ट्रेनिंग ऑब्जेक्टिव: सर्किट को मीन क्लिप्ड रिग्रेट (mean clipped regret) को कम करने के लिए प्रशिक्षित किया जाता है। लॉस फंक्शन $L_t(\phi)$ $L_{t} (ϕ)$ मीन क्लिप्ड रिग्रेट $R(\phi)$ $R (ϕ)$ को एक नेगेटिव एंट्रॉपी रेगुलराइज़र $-\tau_t H(p_\phi)$ $- τ_{t} H (p_{ϕ})$ के साथ जोड़ता है ताकि प्रशिक्षण के शुरुआती चरण में एक्सप्लोरेशन को प्रोत्साहित किया जा सके।
- रिग्रेट गणना: प्रत्येक प्रकार प्रोफाइल के लिए, एल्गोरिदम सभी $2^n$ प्रोफाइल्स को सूचीबद्ध करता है (बड़े $n$ के लिए चंक्स में प्रोसेस किया जाता है) और एकतरफा विचलन लाभ (unilateral deviation gain) की गणना करता है। लाभदायक विचलनों पर ध्यान केंद्रित करने के लिए रिग्रेट को शून्य पर क्लिप किया जाता है।
- ऑप्टिमाइजेशन: पैरामीटर्स को एनालिटिक ग्रेडिएंट्स के लिए पैरामीटर-शिफ्ट नियम के साथ एडम (Adam) का उपयोग करके ग्रेडिएंट-आधारित ऑप्टिमाइजेशन के माध्यम से अपडेट किया जाता है। प्रशिक्षण में ग्रेडिएंट क्लिपिंग (मैक्स नॉर्म 0.5), लर्निंग रेट के लिए कोसाइन एनीलिंग (cosine annealing), और एक करिकुलम शेड्यूल का उपयोग किया जाता है जो खिलाड़ी की संख्या को $n=2$ से $n=10$ तक धीरे-धीरे बढ़ाता है।
बेसलाइन्स: विधि की तुलना एक पोकर-शैली के बेयसियन गेम (विषम पे-ऑफ के साथ) पर MCCFR, डिस्काउंटेड CFR (DCFR) और एक प्रत्यक्ष LP सॉल्वर के विरुद्ध की जाती है।

मुख्य योगदान

फॉर्मुलेशन: लेखक एक PQC का उपयोग करते हुए, कंडीशनल स्ट्रैटेजी डिस्ट्रीब्यूशन को दर्शाने वाले हाइब्रिड क्वांटम-क्लासिकल रिग्रेट-मिनिमाइजेशन समस्या के रूप में अनुमानित बेयस कोरिलेटेड इक्विलिब्रियम गणना को फॉर्म्युलेट करते हैं।
एन्सात्ज़ डिज़ाइन (Ansatz Design): एक टाइप-कंडीशन्ड PQC एन्सात्ज़ डिज़ाइन किया गया है जिसमें $O(nL)$ पैरामीटर्स हैं, जो पूर्ण प्रकार-एक्शन डिस्ट्रीब्यूशन को स्टोर किए बिना कोरिलेटेड स्ट्रैटेजीज का कॉम्पैक्ट प्रतिनिधित्व सक्षम बनाता है।
ट्रेनिंग स्ट्रैटेजी: प्रशिक्षण स्थिरता को सुविधाजनक बनाने के लिए नेगेटिव एंट्रॉपी रेगुलराइजेशन और एक करिकुलम लर्निंग शेड्यूल (छोटे $n$ से बड़े $n$ के लिए पैरामीटर्स को वार्म-स्टार्ट करना) का एकीकरण।
अनुभवजन्य मूल्यांकन (Empirical Evaluation): रिग्रेट, रनटाइम, मेमोरी उपयोग और IBM Heron-फैमिली नॉइज़ मॉडल्स (FakeTorino, FakeMarrakesh) के माध्यम से हार्डवेयर शोर के प्रति संवेदनशीलता का विश्लेषण करते हुए MCCFR, DCFR और LP रेफरेंस के विरुद्ध व्यापक बेंचमार्किंग।

परिणाम

रिग्रेट प्रदर्शन: क्वांटम सॉल्वर ने परीक्षण किए गए सभी प्लेयर काउंट्स ( $n=2$ से $10$) में MCCFR की तुलना में कम मीन क्लिप्ड रिग्रेट प्राप्त किया। इसने $n \leq 8$ के लिए DCFR को भी पछाड़ दिया। हालांकि, $n=10$ पर, DCFR ने सबसे कम रिग्रेट (0.155 बनाम क्वांटम सॉल्वर के लिए 0.260) प्राप्त किया, जो यह सुझाव देता है कि फिक्स्ड-डेप्थ ( $L=2$ ) एन्सात्ज़ संयुक्त एक्शन स्पेस के विस्तार के साथ बहुत अधिक प्रतिबंधात्मक हो सकता है।
मेमोरी दक्षता: PQC रिप्रेजेंटेशन अत्यधिक कॉम्पैक्ट है ( $n=10$ के लिए 60 पैरामीटर्स)। हालांकि, क्वांटम सर्किट का क्लासिकल सिमुलेशन (स्टेट-वेक्टर सिम्युलेटर्स का उपयोग करके) $2n$ -qubit स्टेट वेक्टर और ऑटो-डिफरेंशिएशन ग्राफ के कारण महत्वपूर्ण मेमोरी ओवरहेड का सामना करता है, हालांकि यह LP सॉल्वर की मेमोरी सीमा से नीचे रहा।
रनटाइम: क्लासिकल बेसलाइन्स (MCCFR/DCFR) ने मिनटों में प्रशिक्षण पूरा किया, जबकि सिम्युलेटेड क्वांटम सॉल्वर को पूरे करिकुलम के लिए लगभग 23 घंटे की आवश्यकता थी, जिसका मुख्य कारण बार-बार स्टेट-वेक्टर सिमुलेशन और ग्रेडिएंट इवैल्यूएशन था।
करिकुलम एब्लेशन: इस परिकल्पना के विपरीत कि वार्म-स्टार्टिंग प्रदर्शन में सुधार करती है, रैंडम इनिशियलाइजेशन से सीधे $n=10$ पर प्रशिक्षण करने से करिकुलम अप्रोच (0.260) की तुलना में कम अंतिम रिग्रेट (0.164) प्राप्त हुआ, जो यह दर्शाता है कि छोटे गेम्स से विरासत में मिले पैरामीटर्स ऑप्टिमाइज़र को बड़े गेम्स के लिए सब-ऑप्टिमल क्षेत्रों की ओर बायस कर सकते हैं।
नॉइज़ सेंसिटिविटी: हार्डवेयर-कैलिब्रेटेड नॉइज़ मॉडल्स (FakeTorino, FakeMarrakesh) पर सिमुलेशन ने छोटे प्लेयर काउंट्स ( $n=2, 4$ ) पर मध्यम रिग्रेट डिग्रेडेशन दिखाया, जो सुझाव देता है कि सीखी गई स्ट्रैटेजी वास्तविक डिवाइस नॉइज़ के प्रति कुछ मजबूती बनाए रखती है।

महत्व और दावे
पेपर का दावा है कि कॉम्पैक्ट PQC पैरामीट्राइजेशन स्ट्रक्चर्ड बेयसियन गेम्स में अनुमानित इक्विलिब्रियम गणना के लिए एक व्यवहार्य वेरिएशनल रिप्रेजेंटेशन प्रदान करता है, जो सफलतापूर्वक LP सॉल्वर्स को परेशान करने वाले पूर्ण प्रकार-एक्शन स्पेस के स्पष्ट टेबुलर रिप्रेजेंटेशन से बचने में सक्षम है।

लेखक स्पष्ट रूप से रनटाइम लाभ या बिना शर्त क्वांटम लाभ का दावा नहीं करते हैं। इसके बजाय, वे इस कार्य को रिप्रेजेंटेशनल कॉम्पैक्टनेस (representational compactness) के प्रदर्शन के रूप में प्रस्तुत करते हैं। अध्ययन इस बात पर प्रकाश डालता है कि जबकि PQC एक लो-पैरामीटर मॉडल प्रदान करता है, वर्तमान कार्यान्वयन क्लासिकल सिमुलेशन लागत और फिक्स्ड-डेप्थ एन्सात्ज़ की एक्सप्रेसिविटी द्वारा सीमित है। परिणाम बताते हैं कि विधि संरचित खेलों के लिए प्रभावी है, लेकिन इक्विलिब्रियम गणना के लिए क्वांटम दृष्टिकोण की पूरी क्षमता को साकार करने के लिए भविष्य में एन्सात्ज़ एक्सप्रेसिविटी, ऑप्टिमाइजेशन स्थिरता और प्रत्यक्ष हार्डवेयर निष्पादन में सुधार आवश्यक है।