🔢 mathematics

Quantum Algorithm for Nonlinear and Stochastic Homogenization via a Young-Measure based Linear Programming Formulation

यह शोध पत्र एक गैररेखीय और स्टोकेस्टिक होमोजेनाइज़ेशन (nonlinear and stochastic homogenization) के लिए एक क्वांटम एल्गोरिदम का प्रस्ताव और सत्यापन करता है जो गैररेखीय समस्याओं को उच्च-आयामी रैखिक स्थानों में उठाने के लिए यंग-मेज़र-आधारित लीनियर प्रोग्रामिंग फॉर्मूलेशन का लाभ उठाता है, जिससे नियत (deterministic) सेटिंग्स में बहुपद क्वांटम स्पीडअप (polynomial quantum speedups) और स्टोकेस्टिक सैंपलिंग लागतों में वर्ग-मूल कमी (square-root reductions) प्राप्त होती है।

मूल लेखक: Siqi Chen, Shi Jin, Lei Zhang

प्रकाशित 2026-06-05

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Siqi Chen, Shi Jin, Lei Zhang

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

यहाँ सरल भाषा और रचनात्मक उपमाओं का उपयोग करके शोध पत्र (paper) की व्याख्या दी गई है।

बड़ी समस्या: "पिक्सेलेटेड" दुनिया

कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि एक स्पंज के माध्यम से पानी कैसे बहता है, या एक जटिल मिश्रित सामग्री (composite material) के माध्यम से गर्मी कैसे चलती है। वास्तविक दुनिया में, ये सामग्रियां बहुत अव्यवस्थित होती हैं। इनमें सूक्ष्म स्तर पर छोटे छेद, रेशे और यादृच्छिक बदलाव (random variations) होते हैं (जैसे रेत के व्यक्तिगत कण)।

इसे कंप्यूटर पर सिम्युलेट करने के लिए, आपको आमतौर पर इतना ज़ूम इन करना पड़ता है कि आप हर एक कण को देख सकें। यदि स्पंज 1 मीटर चौड़ा है लेकिन कण 0.000001 मीटर चौड़े हैं, तो आपके कंप्यूटर को खरबों नन्हे बिंदुओं के व्यवहार की गणना करनी होगी। यह स्क्रीन पर हर एक पिक्सेल को अलग-अलग देखकर फिल्म देखने की कोशिश करने जैसा है; इसमें बहुत समय लगता है और इसके लिए सुपरकंप्यूटर की आवश्यकता होती है।

गणितीय शब्दों में, इसे मल्टीस्केल समस्या (multiscale problem) कहा जाता है। "माइक्रोस्केल" (नन्हे कण) "मैक्रोस्केल" (पूरी वस्तु) की तुलना में बहुत छोटा होता है।

पुराना तरीका बनाम नया विचार

पुराना तरीका (डायरेक्ट सॉल्वर - Direct Solver):
पारंपरिक विधि यह है कि हर एक नन्हे कण का एक अत्यंत विस्तृत मानचित्र बनाया जाए और प्रत्येक के लिए समीकरणों को हल किया जाए। यह सटीक है लेकिन अविश्वसनीय रूप से धीमा है। यदि आप पानी के औसत प्रवाह को जानना चाहते हैं, तो भी आपको हर एक छिद्र (pore) के माध्यम से होने वाले प्रवाह की गणना करनी होगी।

नया विचार (यंग मेजर्स - Young Measures):
लेखक एक चतुर शॉर्टकट का प्रस्ताव करते हैं। हर एक कण को ट्रैक करने के बजाय, वे पूछते हैं: "नन्हे कणों का संभाव्यता वितरण (probability distribution) क्या है?"

कल्पना कीजिए कि आप हेलीकॉप्टर से लोगों की भीड़ को देख रहे हैं। आप हर व्यक्ति का चेहरा नहीं देख सकते (माइक्रोस्केल), लेकिन आप भीड़ का "घनत्व" (density) देख सकते हैं। आप कह सकते हैं, "यहाँ, 30% लोग लाल रंग के कपड़े पहने हैं, 50% नीले रंग के, और औसत ऊंचाई 5'8" है।"

लेखक एक गणितीय उपकरण का उपयोग करते हैं जिसे यंग मेजर (Young Measure) कहा जाता है। इसे एक "संभाव्यता क्लाउड" (probability cloud) के रूप में सोचें जो एक विशिष्ट स्थान पर सभी संभावित सूक्ष्म अवस्थाओं (gradients, random variations) का वर्णन करता है, बिना प्रत्येक को व्यक्तिगत रूप से हल किए।

जादुई ट्रिक: एक वक्र (Curve) को सीधी रेखा में बदलना

यहाँ पेचीदा हिस्सा है: इन सामग्रियों का भौतिक विज्ञान नॉनलीनियर (nonlinear) है। इसका अर्थ है कि कारण और प्रभाव के बीच का संबंध घुमावदार और जटिल है (जैसे रोलरकोस्टर)। नॉनलीनियर समस्याएं कंप्यूटर के लिए हल करना बहुत कठिन होता है, खासकर जब आप इसमें यादृच्छिकता (stochasticity) जोड़ देते हैं।

लेखकों की सफलता एक "लिफ्टिंग" (lifting) तकनीक है।

उपमा: कल्पना कीजिए कि आप एक खड़ी, घुमावदार, टेढ़ी-मेढ़ी पहाड़ी राह पर चढ़ने की कोशिश कर रहे हैं (नॉनलीनियर समस्या)। सबसे अच्छा रास्ता खोजना कठिन है।
ट्रिक: वे पहाड़ की एक फोटो लेते हैं और उसे एक विशाल, सपाट दीवार पर प्रोजेक्ट करते हैं। दीवार पर, वह घुमावदार रास्ता एक सीधी रेखा की तरह दिखता है।
परिणाम: "माइक्रोस्केल," "ग्रेडिएंट" और "यादृच्छिकता" को अलग-अलग, स्वतंत्र चरों (variables) के रूप में मानकर, वे इस कठिन, घुमावदार, नॉनलीनियर समस्या को एक लीनियर प्रोग्रामिंग (LP) समस्या में बदल देते हैं।
- लीनियर का अर्थ है सीधी रेखाएं।
- प्रोग्रामिंग का अर्थ यहाँ केवल नियमों के एक सेट के भीतर सर्वोत्तम समाधान खोजना है।

तो, एक घुमावदार पहाड़ पर चलने के बजाय, वे अब सीधी रेखाओं से बने एक विशाल, व्यवस्थित पहेली को हल कर रहे हैं।

क्वांटम बूस्ट: क्वांटम कंप्यूटर क्यों?

अब जब यह समस्या एक विशाल लीनियर प्रोग्रामिंग पहेली बन गई है, तो लेखक पूछते हैं: क्या एक क्वांटम कंप्यूटर इसे तेज़ी से हल कर सकता है?

क्लासिकल कंप्यूटर इन पहेलियों को एक-एक करके या छोटे बैचों में विकल्पों की जांच करके हल करते हैं। हालाँकि, क्वांटम कंप्यूटर कई संभावनाओं को एक साथ तलाश सकते हैं (सुपरपोजिशन)।

शोध पत्र दो विशिष्ट परिदृश्य पहचानता है जहाँ क्वांटम कंप्यूटर जीतता है:

"काफी अच्छा" परिदृश्य (डिटरमिनिस्टिक - Deterministic):
यदि आपको केवल औसत व्यवहार के लिए एक "काफी अच्छा" उत्तर चाहिए (पूर्ण, पिक्सेल-दर-पिक्सेल विवरण नहीं), तो क्वांटम एल्गोरिदम काफी तेज़ है। यह एक बादल के सामान्य आकार को खोजने जैसा है, न कि पानी की हर एक बूंद को गिनने जैसा। शोध पत्र सिद्ध करता है कि कुछ प्रकार की सामग्रियों के लिए, क्वांटम कंप्यूटर इसे "पॉलीनोमियल स्पीडअप" के साथ हल कर सकता है (इसका अर्थ है कि जैसे-जैसे समस्या कठिन होती जाती है, यह क्लासिकल तरीकों की तुलना में तेजी से बढ़ती है)।
"यादृच्छिकता" का परिदृश्य (स्टोकेस्टिक - Stochastic):
वास्तविक सामग्रियों में अक्सर यादृच्छिक दोष (random defects) होते हैं। इसे क्लासिकली सिम्युलेट करने के लिए, आपको अलग-अलग रैंडम सीड्स के साथ 1,000 बार सिमुलेशन चलाना पड़ सकता है और परिणामों का औसत निकालना पड़ सकता है।
- क्लासिकल: 1,000 बार चलाएं। लागत = 1,000 यूनिट समय।
- क्वांटम: क्वांटम एल्गोरिदम सभी 1,000 रैंडम परिदृश्यों को एक ही "सुपर-सिमुलेशन" में एक साथ एनकोड कर सकता है। यह स्क्वायर-रूट स्पीडअप (square-root speedup) प्राप्त करता है। यदि आपके पास 1,000 परिदृश्य हैं, तो क्वांटम कंप्यूटर लगभग $\sqrt{1000} \approx 31$ चरणों में काम पूरा कर लेता है। आपके पास जितने अधिक रैंडम वेरिएबल्स होंगे, लाभ उतना ही बड़ा होगा।

उन्होंने वास्तव में क्या किया?

लेखकों ने केवल कागज पर गणित नहीं किया; उन्होंने इसका परीक्षण भी किया।

उन्होंने 1D (एक रेखा) और 2D (एक सपाट सतह) समस्याओं के लिए कंप्यूटर सिमुलेशन बनाए।
उन्होंने लीनियर (सरल) और नॉनलीनियर (जटिल) दोनों सामग्रियों का परीक्षण किया।
उन्होंने डिटरमिनिस्टिक (अनुमानित) और स्टोकेस्टिक (यादृच्छिक) दोनों सामग्रियों का परीक्षण किया।
परिणाम: उनके नए "यंग मेजर" पद्धति ने इन सामग्रियों के सही औसत व्यवहार की सफलतापूर्वक भविष्यवाणी की, जो ज्ञात गणितीय उत्तरों के साथ बहुत उच्च सटीकता के साथ मेल खाती है।

सारांश

यह शोध पत्र जटिल भौतिकी समस्याओं को हल करने का एक नया तरीका प्रस्तावित करता है जिनमें सूक्ष्म, अव्यवस्थित और यादृच्छिक सामग्रियां शामिल हैं।

समस्या: सूक्ष्म विवरणों को सिम्युलेट करना क्लासिकल कंप्यूटरों के लिए बहुत धीमा है।
समाधान: "यंग मेजर्स" का उपयोग करें ताकि इस अव्यवस्थित, घुमावदार समस्या को एक विशाल, सीधी रेखा वाली पहेली (लीनियर प्रोग्रामिंग) में बदला जा सके।
एक्सेलेरेटर: इस विशाल पहेली को हल करने के लिए क्वांटम कंप्यूटर का उपयोग करें। क्योंकि क्वांटम कंप्यूटर इस पहेली की "यादृच्छिकता" और "उच्च आयामों" को क्लासिकल कंप्यूटर की तुलना में बहुत बेहतर तरीके से संभाल सकता है, इसलिए यह भारी स्पीडअप प्रदान करता है, विशेष रूप से तब जब कई रैंडम वेरिएबल्स हों या जब उच्च-सटीक विवरण अनिवार्य न हो।

यह शोध पत्र पुष्टि करता है कि यह गणितीय ढांचा परीक्षण मामलों पर सही ढंग से काम करता है, जो भविष्य के क्वांटम कंप्यूटरों के लिए जटिल इंजीनियरिंग और भौतिकी समस्याओं को हल करने का मार्ग प्रशस्त करता है जो वर्तमान में सिम्युलेट करने के लिए बहुत कठिन हैं।

तकनीकी सारांश: यंग-मेजर आधारित लीनियर प्रोग्रामिंग फॉर्मूलेशन के माध्यम से नॉनलीनियर और स्टोकेस्टिक होमोजेनाइज़ेशन के लिए क्वांटम एल्गोरिदम

समस्या विवरण
यह शोध पत्र आंशिक अवकल समीकरणों (PDEs) के लिए नॉनलीनियर और स्टोकेस्टिक होमोजेनाइज़ेशन समस्याओं को हल करने की कम्प्यूटेशनल चुनौती को संबोधित करता है। छिद्रपूर्ण माध्यम (porous media) में प्रवाह या विस्कर्ड संरचनाओं में तरंग प्रसार जैसे भौतिक प्रणालियों में, गुणांक (coefficients) अवलोकन पैमाने (observation scale) की तुलना में बहुत छोटे पैमानों ( $\varepsilon$ ) पर भिन्न होते हैं। शास्त्रीय होमोजेनाइज़ेशन सिद्धांत इन विषम समस्याओं को प्रभावी मैक्रोस्कोपिक मॉडलों के साथ बदल देता है। हालांकि, नॉनलीनियर और स्टोकेस्टिक मीडिया के लिए, प्रभावी व्यवहार को केवल गुणांक औसत द्वारा निर्धारित नहीं किया जा सकता है; इसके लिए सूक्ष्म दोलनों (microscopic oscillations), कॉम्पैक्टनेस की हानि और यादृच्छिक उतार-चढ़ाव को पकड़ना आवश्यक है।

प्राथमिक कम्प्यूटेशनल बाधा "डायमेंशनलिटी का अभिशाप" (curse of dimensionality) है। डायरेक्ट क्लासिकल सॉल्वर्स (DCS) को सभी $\varepsilon$ -स्केल दोलनों को हल करना पड़ता है, जिससे लागत $\tilde{O}(\varepsilon^{-d})$ के रूप में बढ़ती है, जहाँ $d$ स्थानिक आयाम (spatial dimension) है। यह लागत तब भी उच्च बनी रहती है जब केवल एक मोटे मैक्रोस्कोपिक समाधान की आवश्यकता होती है। इसके अलावा, स्टोकेस्टिक होमोजेनाइज़ेशन के लिए आमतौर पर कई रैंडम रियलाइजेशन के नमूने लेने की आवश्यकता होती है, जो कम्प्यूटेशनल बोझ को और बढ़ा देता है।

कार्यप्रणाली
लेखक एक ढांचा प्रस्तावित करते हैं जो यंग-मेजर (Young-measure) पर आधारित उच्च-आयामी लीनियर प्रोग्रामिंग (LP) फॉर्मूलेशन के माध्यम से नॉनलीनियर और स्टोकेस्टिक होमोजेनाइज़ेशन समस्या को ऊपर उठाता (lifts) है।

यंग-मेजर फॉर्मूलेशन:
दोलनशील समाधान $u_\varepsilon$ को सीधे हल करने के बजाय, विधि एक पैरामीट्राइज्ड यंग मेजर $\mu$ पेश करती है। यह मेजर सूक्ष्म ग्रेडिएंट्स ( $\xi$ ), सूक्ष्म चरणों ( $y$ ), और यादृच्छिक वातावरण ( $\omega$ ) के स्थानीय प्रायिकता वितरण को एनकोड करता है।

डिटरमिनिस्टिक पीरियडिक सेटिंग में, अज्ञात चर एक मैक्रोस्कोपिक फील्ड $u$ और एक मेजर $\mu_{x,y}(\xi)$ हैं, जो मैक्रोस्कोपिक बिंदु $x$ और सूक्ष्म चरण $y$ पर ग्रेडिएंट के वितरण का प्रतिनिधित्व करता है।
स्टोकेस्टिक सेटिंग में, अज्ञात चरों में एक मेजर $\mu_{x}(\omega, \xi)$ शामिल है, जो रैंडम एनवायरनमेंट और ग्रेडिएंट के संयुक्त वितरण का प्रतिनिधित्व करता है।

लिनियराइजेशन (Linearization):
माइक्रोस्केल, ग्रेडिएंट और रैंडम वेरिएबल्स को स्वतंत्र डिस्क्रीटाइजेशन वेरिएबल्स के रूप में मानकर, नॉनलीनियर PDE बाधाएं (नॉर्मलाइजेशन, बैसेंटर कंसिस्टेंसी, वीक इक्विलिब्रियम, और एडमिशनिबिलिटी) मेजर मासों (measure masses) पर लीनियर बाधाएं बन जाती हैं।

समस्या को एक बड़े, स्ट्रक्चर्ड LP के रूप में पुनर्गठित किया जाता है: $\min c^T z$ विषय $\text{subject to } A_{eq}z = b_{eq}$ और $z \geq 0$ ।
यदि कॉन्स्टिट्यूटिव लॉ एक एनर्जी पोटेंशियल से व्युत्पन्न है, तो LP एक लिनियराइज्ड एनर्जी फंक्शनल को मिनिमाइज करता है; अन्यथा, यह एडमिसेबल मेजर-वैल्यूड इक्विलिब्रिया के लिए एक फजीबिलिटी समस्या के रूप में कार्य करता है।

क्वांटम एल्गोरिदम (QCP):
परिणामी LPs को क्वांटम सेंट्रल पाथ (QCP) एल्गोरिदम का उपयोग करके हल किया जाता है। यह दृष्टिकोण LP के होमोजेनियस सेल्फ-डुअल एम्बेडिंग का उपयोग करता है और सेंट्रल पाथ को पार करने के लिए क्वांटम हैमिल्टोनियन सिमुलेशन (श्रोडिंगरइजेशन) का उपयोग करता है।

एल्गोरिदम बैरियर पैरामीटर $\mu$ को एक हैमिल्टोनियन $H_\mu$ में सेमी-क्लासिकल पैरामीटर के रूप में मानता है।
इस हैमिल्टोनियन का ग्राउंड स्टेट सेंट्रल पाथ समाधान के पास केंद्रित होता है। सिस्टम को एडियाबेटिकली विकसित करके, एल्गोरिदम एक $\varepsilon$ -ऑप्टिमल समाधान प्राप्त करता है।

प्रमुख योगदान और जटिलता विश्लेषण
शोध पत्र DCS और क्लासिकल LP विधियों के विरुद्ध QCP दृष्टिकोण का एक कठोर जटिलता विश्लेषण प्रदान करता है। विश्लेषण उन विशिष्ट क्षेत्रों की पहचान करता है जहाँ क्वांटम लाभ प्राप्त किया जा सकता है:

डिटरमिनिस्टिक नॉनलीनियर होमोजेनाइज़ेशन (कोर्स एक्यूरेसी):
जब लक्ष्य $\delta = \varepsilon^\alpha$ (जहाँ $0 < \alpha < 1$ ) की सटीकता के साथ $u_0$ को रिकवर करना हो, तो QCP, DCS पर एक पॉलिनोमियल स्पीडअप प्राप्त करता है।

शर्त: स्पीडअप तब होता है जब $\alpha < \frac{2d}{3d+4}$ हो।
तंत्र: LP का आकार लक्षित सटीकता $\delta$ पर निर्भर करता है न कि सूक्ष्म पैमाने $\varepsilon$ पर। चूंकि इस शासन में $\delta \gg \varepsilon$ है, इसलिए LP का डायमेंशनलिटीिटी पूर्ण रिज़ॉल्यूशन की तुलना में काफी कम हो जाता है जिसकी DCS को आवश्यकता होती है।

स्टोकेस्टिक होमोजेनाइज़ेशन (फाइन एक्यूरेसी):
$r$ रैंडम वेरिएबल्स और $N_\omega^r$ डिस्क्रीटाइजेशन पॉइंट्स वाले स्टोकेस्टिक समस्याओं के लिए, QCP स्टोकेस्टिक सैंपलिंग लागत में स्क्वायर-रूट रिडक्शन प्रदान करता है।

शर्त: स्पीडअप तब होता है जब $N_\omega^r \gtrsim \varepsilon^{-(d+2)}$ हो।
तंत्र: LP सभी रैंडम रियलाइजेशन को एक ही सिस्टम में एक साथ एनकोड करता है। क्वांटम एल्गोरिदम की जटिलता $N_\omega^r$ के साथ $\sqrt{N_\omega^r}$ स्केल करती है, जबकि क्लासिकल सैंपलिंग $N_\omega^r$ के साथ लीनियरली स्केल करती है।

स्पेक्ट्रल डिस्क्रीटाइजेशन कंजेक्चर:
लेखक अनुमान लगाते हैं कि यदि यंग-मेजर डेंसिटी स्थानिक ( $x$ ) और सूक्ष्म ( $y$ ) वेरिएबल्स में एनालिटिक है, तो स्पेक्ट्रल डिस्क्रीटाइजेशन सभी $d \geq 2$ के लिए फाइन-स्केल सटीकता ( $\delta = \varepsilon$ ) तक क्वांटम एडवांटेज को विस्तारित कर सकता है। इस परिदृश्य में, LP का आकार स्थानिक आयामों में $1/\varepsilon$ के पॉलिनोगारिथमिक रूप से स्केल करता है, जिससे क्वांटम एडवांटेज और बढ़ जाता है।

संख्यात्मक परिणाम
लेखक 1D और 2D बेंचमार्क्स पर यंग-मेजर LP फॉर्मूलेशन को संख्यात्मक प्रयोगों के माध्यम से मान्य करते हैं:

1D डिटरमिनिस्टिक: लीनियर और क्यूबिक-फ्लक्स नॉनलीनियर मामले। LP समाधानों ने एनालिटिकल होमोजेनाइज्ड प्रोफाइल्स के साथ रिलेटिव एरर लगभग $10^{-5}$ (लीनियर) और $10^{-3}$ (नॉनलीनियर) के साथ मिलान किया।
2D डिटरमिनिस्टिक: एनिसोट्रोपिक लीनियर और नॉनलीनियर मामले। विधि ने मैन्युफैक्चरड एक्सैक्ट सॉल्यूशंस को $\approx 10^{-2}$ के रिलेटिव एरर के साथ सफलतापूर्वक दोहराया, जो उच्च डायमेंशनलिटी वाले LP ( $n \sim 10^7$ ) के बावजूद मजबूती प्रदर्शित करता है।
1D स्टोकेस्टिक: लीनियर और नॉनलीनियर मामले, डिस्क्रीट रैंडम स्टेट्स के साथ। LP ने प्रभावी गुणांकों और सॉल्यूशन प्रोफाइल्स को सही ढंग से रिकवर किया, जो विभिन्न रैंडम रियलाइजेशन (जैसे, यंग मेजर वितरण में कई पीक्स) के वेटेड सुपरपोजिशन को कैप्चर करता है।
नॉन-वेरिएशनल केस: असिमेट्रिक कोएफिशिएंट्स (कोई एनर्जी पोटेंशियल नहीं) के साथ एक 2D लीनियर समस्या को प्योर फजीबिलिटी समस्या के रूप में हल किया गया, जो ऊर्जा न्यूनीकरण से परे इस ढांचे की प्रयोज्यता की पुष्टि करता है।

महत्व और दावे
शोध पत्र दावा करता है कि यह कठोर नॉनलीनियर/स्टोस्टिक होमोजेनाइज़ेशन थ्योरी और क्वांटम साइंटिफिक कंप्यूटिंग के बीच एक सेतु स्थापित करता है। इसका प्राथमिक महत्व निम्नलिखित में निहित है:

पुनर्गठन (Reformulation): यंग-मेजर के माध्यम से उच्च आयामों में लिफ्ट करके कठिन नॉनलीनियर और स्टोस्टिक PDE समस्याओं को स्ट्रक्चर्ड लीनियर प्रोग्राम्स में बदलना।
क्वांटम एडवांटेज: उन विशिष्ट पैरामीटर क्षेत्रों की पहचान करना (डिटरमिनिस्टिक सेटिंग्स में मध्यम होमोजेनाइज्ड एक्यूरेसी; स्टोस्टिक सेटिंग्स में उच्च-आयामी रैंडम सैंपलिंग) जहाँ क्वांटम LP सॉल्वर्स सैद्धांतिक रूप से क्लासिकल डायरेक्ट सॉल्वर्स से बेहतर प्रदर्शन करते हैं।
व्यापकता (Generality): यह प्रदर्शित करना कि ढांचा बिना किसी स्ट्रक्चरल मॉडिफिकेशन के लीनियर, नॉनलीनियर, पीरियडिक, स्टोस्टिक और यहाँ तक कि नॉन-वेरिएशनल समस्याओं पर भी लागू होता है।

लेखक अपने कार्य की वर्तमान स्थिति के संबंध में एक विनम्र स्वर बनाए रखते हैं, यह नोट करते हुए कि संख्यात्मक प्रयोग क्वांटम कंप्यूटर पर चलने वाले QCP एल्गोरिदम के बजाय LP फॉर्मूलेशन की सत्यता को सत्यापित करने के लिए हैं। वे स्पष्ट रूप से कहते हैं कि क्वांटम स्पीडअप सैद्धांतिक है, जो आवश्यक ऑरेकल एक्सेस और गेट कॉम्प्लेक्सिटी के साथ QCP एल्गोरिदम को निष्पादित करने में सक्षम क्वांटम हार्डवेयर की उपलब्धता पर निर्भर है। भविष्य के कार्य में कठोर अभिसरण विश्लेषण (convergence analysis), स्पेक्ट्रल कंजेक्चर का सत्यापन, और स्टेट प्रिपरेशन एवं मेजरमेंट कॉस्ट सहित विस्तृत क्वांटम जटिलता अनुमान शामिल हैं।