⚛️ quantum physics

Setting angles in quantum approximate optimization at utility-scale

यह शोध पत्र वर्तमान और भविष्य के क्वांटम हार्डवेयर पर कुशल एंड-टू-एंड निष्पादन के लिए व्यावहारिक परिचालन मार्गदर्शन प्रदान करने हेतु एप्रोक्सिमेशन तकनीकों और ट्रांसफर लर्निंग रणनीतियों का बेंचमार्किंग करके, यूटिलिटी-स्केल (100+ क्विबिट्स) पर क्वांटम एप्रोक्सिमेट ऑप्टिमाइजेशन एल्गोरिदम (QAOA) के लिए इष्टतम पैरामीटर निर्धारित करने की चुनौती को संबोधित करता है।

मूल लेखक: Maosheng Guo, Joel Jurado Diaz, Anurag Ramesh, Conrad J. Haupt, Alberto Baiardi, Dimitrios Athanasakos, M. Emre Sahin, Oscar Wallis, George Pennington, Christian Arenz, Sebastian Brandhofer, Georgios

प्रकाशित 2026-06-05

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Maosheng Guo, Joel Jurado Diaz, Anurag Ramesh, Conrad J. Haupt, Alberto Baiardi, Dimitrios Athanasakos, M. Emre Sahin, Oscar Wallis, George Pennington, Christian Arenz, Sebastian Brandhofer, Georgios Korpas, Ieva Čepaitė, J. A. Montañez-Barrera, Jakub Marecek, Davide Venturelli, Stephan Eidenbenz, David E. Bernal Neira, Daniel J. Egger

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 100 अलग-अलग शहरों की यात्रा करने के लिए एक डिलीवरी ट्रक के लिए सबसे अच्छा रास्ता खोजने की कोशिश कर रहे हैं, ताकि रास्ता न भटके और ईंधन भी बर्बाद न हो। यह एक क्लासिक "कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन" (combinatorial optimization) समस्या है। क्वांटम कंप्यूटिंग की दुनिया में, हमारे पास इस तरह की पहेलियों को हल करने के लिए एक विशेष उपकरण है जिसे क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन एल्गोरिदम (QAOA) कहा जाता है।

हालाँकि, QAOA एक हाई-टेक रेडियो ट्यूनर की तरह है। स्पष्ट सिग्नल (सबसे अच्छा समाधान) पाने के लिए, आपको दो डायल, जिन्हें एंगल्स (कोण) कहा जाता है (नाम $\beta$ और $\gamma$ ), को बिल्कुल सही स्थिति में घुमाना होगा। यदि आप उन्हें थोड़ा भी गलत घुमाते हैं, तो सिग्नल में शोर (static) आ जाएगा और आपको एक बुरा उत्तर मिलेगा।

समस्या यह है कि विशाल पहेलियों के लिए (100+ शहर, या "यूटिलिटी-स्केल"), उन डायल को सही ढंग से घुमाने का तरीका खोजना अविश्वसनीय रूप से कठिन है। यह एक शोर वाले, टूटे हुए रेडियो पर रेडियो ट्यून करने जैसा है जबकि उसकी बैटरी खत्म हो रही है। आप क्वांटम कंप्यूटर से सीधे उत्तर नहीं पूछ सकते क्योंकि शोर बहुत अधिक है, और एक सामान्य कंप्यूटर पर उत्तर का सिमुलेशन करना बहुत धीमा है।

यह शोध पत्र एक विशाल "फील्ड टेस्ट" है जहाँ लेखकों ने यह परीक्षण किया कि बिना किसी पूर्ण, शोर-मुक्त क्वांटम कंप्यूटर के उन डायल को सही ढंग से कैसे घुमाया जाए। यहाँ उन्होंने क्या पाया, इसे सरल भाषा में समझाया गया है:

1. "अनुमान और जाँच" बनाम "मानचित्र" (The "Guess and Check" vs. The "Map")

लेखकों ने सही कोणों को खोजने के दो मुख्य तरीके परीक्षण किए:

"मानचित्र" (पैरामीटर ट्रांसफर): शून्य से शुरुआत करने के बजाय, उन्होंने छोटे, सरल पहेलियों को देखा जिन्हें वे पहले ही हल कर चुके थे। उन्होंने पूछा, "यदि कोणों ने 20-शहरों के रूट के लिए काम किया, तो क्या वे 100-शहरों के रूट के लिए भी काम करेंगे?" यह पता चला कि कई समस्याओं के लिए, आप छोटे पहेली से सेटिंग्स को "कॉपी और पेस्ट" कर सकते हैं। यह अपने पड़ोस का नक्शा बनाकर पूरे शहर में रास्ता खोजने जैसा है; यह एकदम सटीक नहीं है, लेकिन यह आपको तुरंत सही दिशा में ले आता है।
"अनुमान और जाँच" (इटरेटिव मेथड्स): इसमें एक मोटे अनुमान से शुरुआत करना और फिर परत-दर-परत धीरे-धीरे उसे सुधारना शामिल है, जैसे कि एक मूर्ति को तराशना। यह अक्सर सबसे बेहतरीन कोणों को खोज लेता है, लेकिन इसमें पत्थर को तराशने में बहुत समय लगता है।

2. "सिम्युलेटर" की समस्या (The "Simulator" Problem)

चूंकि वे पूर्ण 100-शहरों की पहेली को एक आदर्श क्वांटम कंप्यूटर पर नहीं चला सके, इसलिए उन्हें अपने कोणों का परीक्षण करने के लिए "सिम्युलेटर्स" (क्वांटम कंप्यूटर का नाटक करने वाले क्लासिकल कंप्यूटर) का उपयोग करना पड़ा। उन्होंने दो प्रकार के सिम्युलेटर आजमाए:

"रफ स्केच" (MPS): एक तेज़, सरल सिमुलेशन जो उत्तर का अनुमान लगाता है।
"विस्तृत ब्लूप्रिंट" (पॉली प्रोपेगेशन): एक अधिक जटिल सिमुलेशन जो गणित को अधिक सटीकता से ट्रैक करता है।

आश्चर्य: कभी-कभी, जब उन्होंने वास्तविक क्वांटम हार्डवेयर पर परीक्षण किया, तो "रफ स्केच" ने "विस्तृत ब्लूप्रिंट" की तुलना में बेहतर परिणाम दिए। यह एक ऐसे हाथ से बने नक्शे की तरह है जो हाइपर-प्रिसाइज GPS से बेहतर मार्गदर्शन दे सकता है जो वास्तविक ट्रैफिक के शोर से भ्रमित हो जाता है। लेखकों ने सीखा कि आपको हमेशा सबसे सटीक सिमुलेशन की आवश्यकता नहीं होती; आपको बस एक ऐसे सिम्युलेटर की आवश्यकता होती जो आपको जल्दी से सही दिशा दिखा सके।

3. "गति बनाम गुणवत्ता" का संतुलन (The "Speed vs. Quality" Trade-off)

लेखकों ने एक "पारेटो फ्रंटियर" (Pareto Frontier) बनाया, जो ग्राफ पर एक रेखा खींचने का एक शानदार तरीका है जो समय और गुणवत्ता के बीच सबसे अच्छे संतुलन को दर्शाता है।

फास्ट लेन: यदि आप जल्दी से (कुछ सेकंड के भीतर) एक अच्छा उत्तर चाहते हैं, तो "फिक्स्ड एंगल्स" (समस्या के प्रकार के आधार पर पूर्व-निर्धारित डायल) या "पैरामीटर ट्रांसफर" विजेता है। आप लगभग तुरंत ही सर्वोत्तम संभव समाधान का 80-85% प्राप्त कर लेते हैं।
स्लो लेन: यदि आप कोणों को "तराशने" (इटरेटिव मेथड्स) में घंटों या दिन बिताते हैं, तो आप थोड़ी सी और गुणवत्ता (शायद 1-2% बेहतर) निकाल सकते हैं, लेकिन अतिरिक्त प्रयास अक्सर इसके लायक नहीं होता है, खासकर क्योंकि वास्तविक क्वांटम कंप्यूटर इतना शोर वाला है कि वह "परफेक्ट" कोण और "काफी अच्छे" कोण के बीच अंतर भी नहीं कर सकता।

4. एक ही आकार सबके लिए उपयुक्त नहीं है (One Size Does Not Fit All)

उन्होंने इसे विभिन्न प्रकार की पहेलियों (जैसे MaxCut, जो दोस्तों के एक समूह को दो टीमों में विभाजित करने के बारे में है, और MIS, जो उन दोस्तों के सबसे बड़े समूह को खोजने के बारे में है जो एक-दूसरे को नहीं जानते) पर परखा।

सबक: एक विधि जो एक प्रकार की पहेली के लिए पूरी तरह से काम करती है, वह दूसरी पहेली के लिए बुरी तरह विफल हो सकती है। उदाहरण के लिए, "फूरियर" (Fourier) नामक एक विधि टीमों में विभाजित करने के लिए बहुत खराब थी लेकिन अजनबियों के सबसे बड़े समूह को खोजने के लिए उत्कृष्ट थी। आपको विशिष्ट कार्य के लिए सही उपकरण चुनना होगा।

निष्कर्ष (The Bottom Line)

यह शोध पत्र निष्कर्ष निकालता है कि आज के शोर वाले क्वांटम कंप्यूटरों के लिए, आपको पूर्णतावादी (perfectionist) होने की आवश्यकता नहीं है।

गणितीय रूप से एकदम सटीक कोण सेट खोजने की कोशिश करना अक्सर समय और ऊर्जा की बर्बादी है क्योंकि हार्डवेयर इतना शोर वाला है कि वह उस अतिरिक्त सटीकता का लाभ नहीं उठा सकता। इसके बजाय, "यूटिलिटी-स्केल" समस्याओं (100+ क्वबिट्स) के लिए सबसे अच्छा दृष्टिकोण यह है:

पूर्व-निर्धारित कोणों या छोटे, समान समस्याओं से ट्रांसफर किए गए कोणों का उपयोग करें।
अपने काम की जाँच करने के लिए तेज़, अनुमानित सिमुलेशन का उपयोग करें।
एक "काफी अच्छे" समाधान को स्वीकार करें जिसे आप जल्दी प्राप्त कर सकते हैं, बजाय उस "परफेक्ट" समाधान के पीछे भागने के जिसमें बहुत समय लगता है और जो शायद वास्तविक मशीन पर काम भी न करे।

संक्षेप में: ट्यूनिंग के बारे में बहुत अधिक न सोचें। एक अच्छा नक्शा लें, कार में बैठें, और चलें।

तकनीकी सारांश: उपयोगिता-स्तर (Utility-Scale) पर क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन में कोणों का निर्धारण

समस्या विवरण
क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन एल्गोरिदम (QAOA) क्वांटम हार्डवेयर पर कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन समस्याओं को हल करने के लिए एक अग्रणी ह्यूरिस्टिक है। हालांकि, QAOA सर्किट के लिए इष्टतम वेरिएशनल पैरामीटर्स (कोण $\theta$ ) की पहचान करना एक महत्वपूर्ण बाधा बनी हुई है, विशेष रूप से "उपयोगिता-स्तर" (जिसे यहाँ $\sim100$ क्वबिट या उससे अधिक के रूप में परिभाषित किया गया है) पर। इस पैमाने पर, क्वांटम सर्किट का सटीक क्लासिकल सिमुलेशन करना असंभव है, और शोर (noise), सीमित कोहेरेंस समय और कतार (queue) एक्सेस के कारण क्वांटम हार्डवेयर के साथ क्लोज्ड-लूप ऑप्टिमाइज़ेशन अत्यधिक महंगा है। इसके अलावा, सैद्धांतिक परिणाम संकेत देते हैं कि इष्टतम कोण खोजना NP-hard है और ऑप्टिमाइज़ेशन लैंडस्केप स्थानीय मिनिमा (local minima) से भरा हुआ है। फलस्वरूप, संसाधन-गहन क्वांटम-क्लासिकल फीडबैक लूप पर निर्भर हुए बिना बड़े पैमाने की समस्याओं के लिए कौन सी कोण-निर्धारण रणनीतियाँ सर्वोत्तम समाधान प्रदान करती हैं, इस पर कोई अनुभवजन्य मार्गदर्शन उपलब्ध नहीं है।

कार्यप्रणाली (Methodology)
लेखक QAOA अभ्यासकर्ताओं के लिए परिचालन संबंधी मार्गदर्शन निकालने के लिए एक व्यापक बेंचमार्किंग अध्ययन आयोजित करते हैं। कार्यप्रणाली में शामिल है:

वर्गीकरण निर्माण (Taxonomy Construction): मौजूदा कोण-निर्धारण विधियों का चार श्रेणियों में वर्गीकरण: भौतिकी-प्रेरित (जैसे, लीनियर रैम्प्स, काउंटरडायबेटिक), पैरामीटर ट्रांसफर (जैसे, फिक्स्ड एंगल्स, क्लस्टरिंग), पुनरावृत्ति (Iterative) (जैसे, इंटरपोलेशन, लेयर-बाय-लेयर ऑप्टिमाइज़ेशन), और मशीन लर्निंग।
अनुमानित ऊर्जा मूल्यांकन (Approximate Energy Evaluation): सटीक क्लासिकल सिमुलेशन या तत्काल हार्डवेयर एक्सेस की आवश्यकता को दरकिनार करने के लिए, यह अध्ययन प्रशिक्षण चरण के दौरान कॉस्ट फंक्शन $\langle H_C \rangle$ $⟨ H_{C} ⟩$ का मूल्यांकन करने के लिए अनुमानित क्लासिकल विधियों का उपयोग करता है। विशेष रूप से, वे निम्नलिखित का उपयोग करते हैं:
- मैट्रिक्स प्रोडक्ट स्टेट्स (MPS): एंटैंगलमेंट संरचनाओं को संभालने के लिए अनुकूलित क्वबिट मैपिंग (SAT मैपिंग) के साथ टेंसर नेटवर्क का उपयोग करना।
- पॉली प्रोपेगेशन (PP): एक हाइजनबर्ग-पिक्चर बैकप्रोपेगेशन विधि जो पाउली ऑपरेटर ट्रांसफॉर्मेशन को ट्रैक करती है, जो स्पार्स ग्राफ के लिए प्रभावी है।
बेंचमार्किंग प्रोटोकॉल: लेखक तीन समस्या वर्गों: MaxCut, मैक्सिमम इंडिपेंडेंट सेट (MIS), और लो ऑटोकोरिलेशन बाइनरी सीक्वेंस (LABS) में 30 विशिष्ट कोण-निर्धारण रणनीतियों का परीक्षण करते हैं।
- पैमाना (Scale): बेंचमार्क छोटे पैमाने के इंस्टेंस (20-50 क्वबिट, जहाँ सटीक स्टेटवेक्टर सिमुलेशन संभव है) से लेकर उपयोगिता-स्तर के इंस्टेंस (144 क्वबिट तक) तक विस्तृत हैं।
- हार्डवेयर सत्यापन: चयनित इष्टतम कोणों को वास्तविक क्वांटम हार्डवेयर (IBM क्वांटम डिवाइसेस, विशेष रूप रूप से ibm_boston और ibm_fez) पर निष्पादित किया जाता है ताकि वास्तविक एप्रोक्सिमेशन रेश्यो को मापा जा सके और क्लासिकल ट्रेनिंग परिणामों को सत्यापित किया जा सके।
संसाधन विश्लेषण: अध्ययन समाधान की गुणवत्ता और कम्प्यूटेशनल बजट (कुल रनटाइम जिसमें क्लासिकल ऑप्टिमाइज़ेशन और क्वांटम सैंपलिंग शामिल है) के बीच ट्रेड-ऑफ का विश्लेषण करने के लिए एक स्टोकेस्टिक बेंचमार्क फ्रेमवर्क का उपयोग करता है।

प्रमुख योगदान

अनुभवजन्य वर्गीकरण और बेंचमार्किंग: यह शोध पत्र उपयोगिता-स्तर पर QAOA कोण-निर्धारण विधियों का पहला बड़े पैमाने पर, व्यवस्थित तुलना प्रदान करता है, जो छोटे, क्लासिकली सिम्यूलेबल इंस्टेंस से आगे बढ़ता है।
अनुमानित विधियों का सत्यापन: यह प्रदर्शित करता है कि क्लासिकल अनुमानित विधियाँ (MPS और PP) 144 क्वबिट तक की समस्याओं के लिए कोण अनुकूलन को प्रभावी ढंग से निर्देशित कर सकती हैं, जिसमें PP विशिष्ट ग्राफ टोपोलॉजी (heavy-hex) पर हार्डवेयर परिणामों के साथ बेहतर सहसंबंध दिखाता है।
हार्डवेयर सत्यापन: अध्ययन इस बात की पुष्टि करता है कि अनुमानित विधियों के माध्यम से क्लासिकली अनुकूलित कोण, हार्डवेयर पर सार्थक प्रदर्शन में परिवर्तित होते हैं, हालांकि शोर (noise) गहरे सर्किट डेप्थ पर विधियों के बीच अंतर करने की क्षमता को सीमित करता है।
परिचालन मार्गदर्शन: लेखक संसाधन बाधाओं और समस्या प्रकारों के आधार पर अभ्यासकर्ताओं के लिए विशिष्ट सिफारिशें निकालते हैं, जिससे यह पहचान होता है कि कौन सी विधियाँ रनटाइम और समाधान की गुणवत्ता के बीच सबसे अच्छा ट्रेड-ऑफ प्रदान करती हैं।

परिणाम

विधियों का प्रदर्शन:
- लीनियर रैम्प्स (Linear Ramps) और इंटरपोलेशन (Interpolation) विधियों ने अधिकांश ग्राफ प्रकारों और ऊर्जा मूल्यांकन तकनीकों में सामान्यतः सर्वोत्तम कोण प्रदान किए।
- फिक्स्ड एंगल्स (Fixed Angles) (जो रैंडम रेगुलर ग्राफ के लिए प्राप्त किए गए थे) समान समस्या इंस्टेंस पर स्थानांतरित होने पर असाधारण रूप से अच्छा प्रदर्शन करते हैं, जो अक्सर न्यूनतम अनुकूलन के साथ 90% से ऊपर का एप्रोक्सिमेशन रेश्यो प्राप्त करते हैं।
- पैरामीटर ट्रांसफर (Parameter Transfer) रणनीतियाँ (फिक्स्ड एंगल्स या छोटे-से-बड़े इंस्टेंस ट्रांसफर का उपयोग करना) अत्यधिक कुशल साबित हुईं, जो अक्सर टाइम-टू-सॉल्यूशन के मामले में पुनरावृत्ति (iterative) विधियों से बेहतर प्रदर्शन करती हैं।
- फोरियर (Fourier) विधियों ने उच्च विचरण (variance) दिखाया और कुछ मामलों में (जैसे MIS), अन्य विधियों से बेहतर प्रदर्शन किया, जबकि वे MaxCut पर कम प्रभावी रहे।
अनुमानित इवैल्यूएटर्स (Approximate Evaluators):
- पॉली प्रोपेगेशन (PP) ने MPS की तुलना में हार्डवेयर पर वास्तविक ऊर्जा परिदृश्य का बेहतर अनुमान प्रदान किया, विशेष रूप से heavy-hex ग्राफ के लिए, जो अनुमानित और हार्डवेयर एप्रोक्सिमेशन रेश्यो के बीच एक मजबूत सकारात्मक सहसंबंध (0.89–0.93) दिखाता है।
- MPS कुछ टोपोलॉजी के लिए तेज़ था लेकिन छोटे साइकल वाले लाइन-आधारित ग्राफ पर हार्डवेयर परिणामों के साथ नकारात्मक सहसंबंध से ग्रस्त रहा।
हार्डवेयर वास्तविकता: उपयोगिता-स्तर (144 क्वबिट, गहराई $p=10$ ) पर, शोर (noise) विभिन्न कोण-निर्धारण विधियों के बीच अंतर करने की क्षमता को महत्वपूर्ण रूप से कम कर देता है। जबकि पुनरावृत्ति विधियों (जैसे Interp.) ने सिमुलेशन में उच्च-गुणवत्ता वाले कोण उत्पन्न किए, वास्तविक हार्डवेयर पर उनके 'फिक्स्ड एंगल्स' या 'लीनियर रैम्प्स' जैसी तेज़, गैर-पुनरावृत्ति विधियों पर लाभ कम हो गया।
संसाधन ट्रेड-ऑफ: एक पारेटो फ्रंटियर (Pareto frontier) विश्लेषण ने खुलासा किया कि कम लागत वाली रणनीतियाँ (पैरामीटर ट्रांसफर, फिक्स्ड एंगल्स) उच्च-गुणवत्ता वाले समाधानों के लिए सबसे तेज़ मार्ग प्रदान करती हैं। पुनरावृत्ति विधियों में हार्डवेयर एप्रोक्सिमेशन रेश्यो में मामूली लाभ के लिए भारी कम्प्यूटेशनल लागत (अक्सर $>10^4$ सेकंड) आती है।

महत्व और दावे
यह शोध पत्र "उपयोगिता-स्तर" के युग के लिए आवश्यक परिचालन मार्गदर्शन प्रदान करने का दावा करता है। यह तर्क देता है कि हालांकि इष्टतम कोण खोजना सैद्धांतिक रूप से कठिन है, व्यावहारिक वर्कफ़्लो निम्नलिखित का लाभ उठाकर सफल हो सकते हैं:

ट्रांसफर लर्निंग: बड़े इंस्टेंस पर अनुकूलन को शुरू करने के लिए छोटे/प्रतिनिधि इंस्टेंस पर प्रशिक्षित फिक्स्ड एंगल्स या पैरामीटर्स का उपयोग करना।
अनुमानित प्रशिक्षण (Approximate Training): कोण खोजने के लिए क्लोज्ड-लूप क्वांटम हार्डवेयर प्रशिक्षण के बजाय क्लासिकल अनुमानित सिम्युलेटर्स (MPS/PP) पर भरोसा करना, और अंतिम सैंपलिंग के लिए हार्डवेयर एक्सेस को सुरक्षित रखना।
लागत-जागरूक चयन (Cost-Aware Selection): उन विधियों को प्राथमिकता देना जो रनटाइम और गुणवत्ता के बीच संतुलन बनाती हैं। लेखक नोट करते हैं कि कई व्यावहारिक अनुप्रयोगों के लिए, व्यापक कोण अनुकूलन के "घटते प्रतिफल" (diminishing returns) यह सुझाव देते हैं कि तेज़, ट्रांसफर-आधारित विधियाँ अक्सर कम्प्यूटेशनल रूप से महंगी पुनरावृत्ति अनुकूलन विधियों की तुलना में बेहतर होती हैं, विशेष रूप से जब हार्डवेयर शोर छोटे प्रदर्शन अंतरों को अस्पष्ट कर देता है।

कार्य यह निष्कर्ष निकालता है कि हार्डवेयर-टोपोलॉजी-मैच्ड समस्याओं के साथ गहराई $p \le 10$ वाला मानक QAOA इन रणनीतियों का उपयोग करके एंड-टू-एंड कुशलतापूर्वक निष्पादित किया जा सकता है, और ये अंतर्दृष्टि उन QAOA वेरिएंट्स (जैसे, warm-start, R-QAOA) के लिए भी हस्तांतरणीय होने की संभावना है जो सिमेट्री और लोकैलिटी जैसी संरचनात्मक बाधाओं को दूर करते हैं।

1. "अनुमान और जाँच" बनाम "मानचित्र" (The "Guess and Check" vs. The "Map")

2. "सिम्युलेटर" की समस्या (The "Simulator" Problem)

3. "गति बनाम गुणवत्ता" का संतुलन (The "Speed vs. Quality" Trade-off)

4. एक ही आकार सबके लिए उपयुक्त नहीं है (One Size Does Not Fit All)

निष्कर्ष (The Bottom Line)

इसी तरह के और पेपर