⚛️ quantum physics

Schmidt Decomposition-Based Methods for Efficient Quantum Image Encoding

यह शोध पत्र प्रदर्शित करता है कि श्मिट अपघटन-आधारित निम्न-रैंक अवस्था सन्निकटन (Schmidt decomposition-based low-rank state approximation) को FRQI, QPIE और NEQR जैसे क्वांटम इमेज एनकोडिंग विधियों पर लागू करने से उच्च दृश्य पुनर्निर्माण गुणवत्ता बनाए रखते हुए NISQ उपकरणों के लिए सर्किट गहराई और संसाधन आवश्यकताओं को काफी कम किया जा सकता है।

मूल लेखक: Ana-Maria Pangeva, Yassine Ferhi, Alexander Geng, Andreas Weinmann, Desislava Ivanova, Ali Moghiseh

प्रकाशित 2026-06-10

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ana-Maria Pangeva, Yassine Ferhi, Alexander Geng, Andreas Weinmann, Desislava Ivanova, Ali Moghiseh

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

बड़ी समस्या: क्वांटम कंप्यूटर कांच के नाजुक घरों की तरह हैं

कल्पना कीजिए कि आप एक कांच के घर के अंदर एक विशाल, जटिल रेत का महल (एक डिजिटल छवि) बनाना चाहते हैं, जो वर्तमान में हिल रहा है और जिसमें बहुत हवा चल रही है (एक वास्तविक क्वांटम कंप्यूटर)।

क्वांटम कंप्यूटिंग की दुनिया में, इन रेत के महलों को बनाने के लिए तीन लोकप्रिय ब्लूप्रिंट (नक्शे) हैं, जिन्हें FRQI, NEQR, और QPIE कहा जाता है।

FRQI एक ही नाजुक ब्रश से पूरी तस्वीर पेंट करने जैसा है। इसमें पेंट (क्यूबिट्स) का बहुत कम उपयोग होता है, लेकिन आपको पेंटिंग को कई बार देखकर रंगों का अनुमान लगाना पड़ता है, और एक तेज़ हवा (शोर/नॉइज़) इसे बर्बाद कर सकती है।
NEQR रेत के हर एक कण के लिए एक भारी, विस्तृत स्टैम्प (मोहर) का उपयोग करने जैसा है। यह बहुत सटीक है और इसमें अनुमान लगाने की आवश्यकता नहीं होती, लेकिन इस स्टैम्पिंग मशीन को बनाना बहुत बड़ा, जटिल और समय लेने वाला काम है।
QPIE सबसे सघन (कॉम्पैक्ट) ब्लूप्रिंट है, जो पूरे महल को एक छोटे से बॉक्स में फिट कर देता है। हालाँकि, FRQI की तरह ही, बिना कई अनुमान लगाए इसके विवरणों को पढ़ना कठिन है, और इसे बनाने की गणितीय प्रक्रिया अविश्वसनीय रूप से धीमी है।

समस्या यह है कि आज के "शोर वाले" (noisy) क्वांटम कंप्यूटरों पर, इन ब्लूप्रिंट्स को बनाने के लिए इतने ऊंचे और जटिल टावर बनाने पड़ते हैं कि उनके पूरा होने से पहले ही हवा उन्हें गिरा देती है। ये "टावर" वास्तव में सर्किट (वे चरण जो कंप्यूटर लेता है) हैं, और "हवा" वह शोर (noise) है जो गलतियाँ पैदा करता है।

समाधान: "श्मिट" (Schmidt) स्केचबुक

इस शोध पत्र के लेखकों ने एक सरल प्रश्न पूछा: क्या हमें किसी चीज़ को पहचानने के लिए वास्तव में एक संपूर्ण, आदर्श रेत का महल बनाने की आवश्यकता है?

उन्होंने Schmidt Decomposition नामक एक गणितीय उपकरण का उपयोग किया। इसे एक विशेष स्केचबुक के रूप में समझें जो एक जटिल छवि को महत्व के स्तरों में विभाजित करती है:

बड़ी आकृतियाँ: महल की रूपरेखा, मुख्य मीनारें, आकाश।
मध्यम विवरण: खिड़कियाँ, दरवाजे, दीवारों की बनावट।
सूक्ष्म विवरण: रेत के व्यक्तिगत कण, ईंटों की छोटी दरारें।

आमतौर पर, एक पूर्ण छवि प्राप्त करने के लिए, आपको सभी स्तरों की आवश्यकता होती है। लेकिन लेखकों ने पाया कि अधिकांश प्राकृतिक छवियों के लिए, बड़ी आकृतियाँ और मध्यम विवरण में लगभग वह सारा डेटा होता है जिसकी आपको चित्र को पहचानने के लिए आवश्यकता होती है। "सूक्ष्म विवरण" अक्सर केवल अतिरिक्त शोर (noise) होते हैं।

प्रयोग: अनावश्यक चीजों को हटाना (Trimming the Fat)

शोधकर्ताओं ने तीन ब्लूप्रिंट (FRQI, NEQR, और QPIE) को लिया और उस पर "लो-रैंक एप्रोक्सिमेशन" (Low-Rank Approximation) लागू किया। सरल शब्दों में, इसका अर्थ है कि उन्होंने स्केचबुक की ऊपरी परतों को काट दिया और केवल सबसे महत्वपूर्ण हिस्सों को रखा।

उन्होंने इसका परीक्षण 64x64 पिक्सेल की ब्लैक-एंड-व्हाइट छवि (एक छोटी, सरल तस्वीर) पर किया। यहाँ उन्हें क्या मिला:

FRQI (ब्रश): जब उन्होंने सूक्ष्म विवरणों को काट दिया, तो सर्किट (निर्माण के चरण) 97% छोटा हो गया। यह 385,000 चरणों के एक गगनचुंबी टावर से घटकर केवल 11,000 चरणों का रह गया। आश्चर्यजनक रूप से, परिणामी छवि मानवीय आंखों को लगभग बिल्कुल समान दिखाई दी। त्रुटि इतनी कम थी (एक ग्रे रंग के शेड से भी कम) कि आप अंतर नहीं बता सकते थे।
QPIE (छोटा बॉक्स): यह विधि पहले से ही छोटी थी, इसलिए यह उतनी अधिक सिकुड़ी नहीं, लेकिन यह बनाने में बहुत तेज़ हो गई। हालाँकि, शोधकर्ताओं ने नोट किया कि छोटे आकार के बावजूद, कंप्यूटर को निर्माण की योजना बनाने में तीन दिन लग गए, जिससे पता चलता है कि इसे डिजाइन करने के लिए अभी भी बहुत अधिक मानसिक शक्ति (brainpower) की आवश्यकता है।
NEQR (भारी स्टैम्प): यह सबसे भारी ब्लूप्रिंट था, जिसमें 20 "क्यूबिट्स" (निर्माण खंड) की आवश्यकता थी। सूक्ष्म विवरणों को काटने के बाद भी, यह सबसे बड़ा और जटिल बना रहा। हालाँकि, लो-रैंक तकनीक ने अभी भी इसके चरणों को 73% तक कम कर दिया, जिससे यह बहुत अधिक प्रबंधनीय हो गया।

एक अजीब खोज: "सीढ़ी" प्रभाव (Staircase Effect)

सबसे दिलचस्प निष्कर्षों में से एक यह था कि छवि में सुधार कैसे हुआ। लेखकों को उम्मीद थी कि अधिक परतें जोड़ने से चित्र धीरे-धीरे बेहतर होता जाएगा, जैसे कि एक चिकनी ढलान (ramp)।

इसके बजाय, उन्होंने पाया कि यह एक सीढ़ी की तरह था।

यदि आपने थोड़ा सा विवरण जोड़ा, तो छवि पहले जैसी ही दिखी।
फिर, अचानक, एक विशिष्ट बिंदु पर (जैसे रैंक 9 या रैंक 33 पर), छवि एक कदम ऊपर उछल गई और अचानक बहुत स्पष्ट दिखने लगी।
फिर यह अगले विशिष्ट बिंदु तक स्थिर रही।

यह सुझाव देता है कि क्वांटम छवियों को सही दिखने के लिए डेटा के सुचारू, निरंतर प्रवाह की आवश्यकता नहीं होती; उन्हें केवल विशिष्ट "टुकड़ों" (chunks) की आवश्यकता होती है।

मुख्य निष्कर्ष (The Bottom Line)

यह शोध पत्र निष्कर्ष निकालता है कि एक शानदार परिणाम प्राप्त करने के लिए हमें 100% पूर्ण क्वांटम छवि बनाने की आवश्यकता नहीं है। इस "स्केचबुक" पद्धति का उपयोग करके अनावश्यक सूक्ष्म विवरणों को हटाकर, हम ऐसे क्वांटम सर्किट बना सकते हैं जो:

बहुत छोटे हैं (बनाने में आसान, इससे पहले कि हवा उन्हें गिरा दे)।
टूटने की संभावना बहुत कम है (गलतियों की कम संभावना)।
मानवीय आंखों को अभी भी एकदम सही दिखते हैं।

यह एक बड़ी बात है क्योंकि इसका मतलब है कि हम भविष्य की पूर्ण मशीनों की प्रतीक्षा करने के बजाय, आज के अपूर्ण कंप्यूटरों पर भी उपयोगी क्वांटम इमेज प्रोसेसिंग चला सकते हैं। लेखक इस बात पर जोर देते हैं कि यह एक कंप्यूटर सिमुलेशन पर परीक्षण किया गया था, इसलिए अगला कदम यह देखना है कि क्या यह वास्तविक, शोर वाले क्वांटम हार्डवेयर पर काम करता है।

तकनीकी सारांश: कुशल क्वांटम इमेज एन्कोडिंग के लिए श्मिट डिकंपोजिशन-आधारित विधियाँ

समस्या विवरण

क्वांटम इमेज प्रोसेसिंग (QIP) $N$ -पिक्सेल छवियों को $O(\log_2 N)$ क्विबिट्स का उपयोग करके प्रदर्शित करने का एक सैद्धांतिक प्रतिमान प्रदान करता है, जो घातांकीय मेमोरी बचत और समानांतर प्रसंस्करण क्षमताओं का वादा करता है। हालाँकि, इन सैद्धांतिक मॉडलों को वर्तमान नोइज़ी इंटरमीडिएट-स्केल क्वांटम (NISQ) हार्डवेयर पर लागू करना महत्वपूर्ण बाधाओं का सामना करता है। मौजूदा क्वांटम इमेज रिप्रजेंटेशन (QIR) मॉडल—विशेष रूप से फ्लेक्सिबल रिप्रजेंटेशन ऑफ क्वांटम इमेजेस (FRQI), क्वांटम प्रोबेबिलिटी इमेज एनकोडिंग (QPIE), और नोवेल एन्हांस्ड क्वांटम रिप्रेजेंटेशन (NEQR)—अत्यधिक एंटैंगल्ड क्वांटम अवस्थाओं को उत्पन्न करने पर निर्भर करते हैं। ये अवस्थाएँ उच्च गेट काउंट (विशेष रूप से CNOTs) वाले गहरे क्वांटम सर्किट की आवश्यकता रखती हैं, जो वर्तमान उपकरणों की कोहेरेंस टाइम और कनेक्टिविटी सीमाओं से अधिक होते हैं। फलस्वरूप, शोर (noise) और डिकोहेरेंस (decoherence) इमेज पुनर्निर्माण की शुद्धता (fidelity) को तेजी से कम कर देते हैं, जिससे कई मौजूदा एल्गोरिदम निकट-अवधि के हार्डवेयर के लिए अव्यावहारिक हो जाते हैं।

कार्यप्रणाली

लेखक एक एकीकृत अनुकूलन रणनीति प्रस्तावित करते हैं: श्मिट डिकंपोजिशन (Schmidt decomposition) पर आधारित लो-रैंक एप्रोक्सिमेशन (LRA)। यह दृष्टिकोण क्वांटम इमेज अवस्था को एक बाइट्राइट सिस्टम (bipartite system) के रूप में मानता है और इसके श्मिट विस्तार (Schmidt expansion) में सबसे महत्वपूर्ण पदों को बनाए रखकर पूर्ण अवस्था का सन्निकटन (approximation) करता है।

मुख्य तकनीकें

श्मिट डिकंपोजिशन: यह विधि एक शुद्ध क्वांटम अवस्था $|\psi\rangle$ को ऑर्थोनॉर्मल प्रोडक्ट स्टेट्स के योग में विभाजित करती है: $|\psi\rangle = \sum_{i=1}^k \lambda_i |i_A\rangle|i_B\rangle$ , जहाँ $\lambda_i$ श्मिट गुणांक हैं और $k$ श्मिट रैंक (एंटैंगलमेंट का एक माप) है।
ट्रंकेशन (Truncation): पूर्ण अवस्था को केवल शीर्ष $r$ गुणांकों ( $r < k$ ) को जोड़कर और पुन: सामान्यीकृत (renormalize) करके एक निम्न-रैंक वाली अवस्था $|\psi^{(r)}\rangle$ द्वारा अनुमानित किया जाता है। यह अवस्था की एंटैंगलमेंट संरचना को कम करता है।
सर्किट सिंथेसिस: लेखक लो-रैंक स्टेट प्रिपरेशन (LRSP) एल्गोरिदम का उपयोग करते हैं, जो क्वांटम सर्किट उत्पन्न करता है जिसकी जटिलता पूर्ण इमेज आयाम के बजाय श्मिट रैंक ( $\lceil \log_2 r \rceil$ ) के साथ लॉगरिदमिक रूप से स्केल करती है।
प्रायोगिक सेटअप: अध्ययन एक $64 \times 64$ ग्रेस्केल इमेज पर तीन एनकोडिंग स्कीम्स (FRQI, QPIE, NEQR) का मूल्यांकन करता है। सिमुलेशन Qiskit और qclib लाइब्रेरी का उपयोग करके Aer सिम्युलेटर पर किए गए थे। मेट्रिक्स में सर्किट डेप्थ, CNOT गेट काउंट, और पुनर्निर्मित और मूल छवियों के बीच मीन स्क्वेयर्ड एरर (MSE) शामिल थे।

मुख्य योगदान

यह शोध चार प्राथमिक योगदान देता है:

व्यवस्थित तुलनात्मक मूल्यांकन: यह LRA प्रतिमान के तहत FRQI, NEBR, और QPIE की तुलना करने के लिए एक एकीकृत ढांचा प्रदान करता है, जो सामान्य प्रयोज्यता का परीक्षण करने के लिए विभिन्न श्मिट रैंक पर अवस्थाएं उत्पन्न करता है।
मात्रात्मक ट्रेड-ऑफ विश्लेषण: यह कार्य संसाधन दक्षता (सर्किट डेप्थ, CNOT काउंट) और पुनर्निर्माण शुद्धता (MSE) के बीच संतुलन को मात्रात्मक रूप से दर्शाता है, यह प्रदर्शित करते हुए कि न्यूनतम सूचना हानि के साथ महत्वपूर्ण संसाधन कटौती संभव है।
डिस्क्रीट रैंक प्रोग्रेशन की खोज: लेखक एक नवीन घटना की पहचान करते हैं जहाँ इमेज क्वालिटी और सर्किट स्ट्रक्चर रैंक के साथ निरंतर सुधार नहीं करते हैं, बल्कि विशिष्ट चरणों (जैसे, रैंक $r = 1, 2, 3, 5, 9, 17, 33, \dots$ पर) में आगे बढ़ते हैं। यह सुझाव देता है कि विशिष्ट, संसाधन-कुशल रैंक आवश्यक इमेज जानकारी को कैप्चर करते हैं।
NISQ-प्रासंगिक अनुकूलन: यह अध्ययन LRA को शोर-युक्त, संसाधन-सीमित हार्डवेयर पर क्वांटम इमेज प्रोसेसिंग को व्यवहार्य बनाने के लिए एक मॉडल-स्वतंत्र तकनीक के रूप में स्थापित करता है, जो सर्किट डेप्थ और अवस्था तैयारी के लिए आवश्यक एंटैंगलमेंट को कम करता है।

परिणाम

प्रयोगों ने उच्च दृश्य शुद्धता बनाए रखते हुए सर्किट जटिलता में महत्वपूर्ण कमी दिखाई:

FRQI: इसने सबसे नाटकीय अनुकूलन प्राप्त किया। रैंक $r=33$ पर, सर्किट डेप्थ 97% (385,025 से 11,256) और CNOT काउंट 97% (221,184 से 7,649) कम हो गया। पुनर्निर्मित इमेज का MSE 0.277 था, जो दृश्य रूप से नगण्य है (औसत पिक्सेल त्रुटि < 1 ग्रेस्केल स्तर)।
QPIE: सबसे क्विबिट-कुशल विधि (12 क्विबिट्स) ने $r=33$ पर सर्किट डेप्थ में 81% की कमी (3,704 तक) और CNOTs में 7.2% की कमी देखी, जिसका MSE 0.272 था। हालाँकि, पूर्ण-रैंक ट्रांसपाइलेशन के लिए गणना में लगभग तीन दिन लगे, जो स्केलेबिलिटी की बाधा को उजागर करता है।
NEQR: सबसे संसाधन-गहन (20 क्विबिट्स) होने के बावजूद, LRA ने $r=257$ पर इसकी डेप्थ को 73% और CNOTs को 64% कम कर दिया, जिसमें MSE 0.273 था। $r=513$ पर पूर्ण पुनर्निर्माण (MSE = 0) प्राप्त किया गया।

सभी मॉडलों में, परिणामों ने पुष्टि की कि अधिकांश दृश्य जानकारी श्मिट घटकों के एक छोटे समूह में केंद्रित है। "डिस्क्रीट रैंक प्रोग्रेशन" पैटर्न सुसंगत था, जो इंगित करता है कि नई जानकारी केवल विशिष्ट रैंक थ्रेसहोल्ड पर ही दृश्यमान होती है।

महत्व और दावे

शोध का दावा है कि सटीक अवस्था तैयारी अक्सर सटीक इमेज रिकवरी के लिए अनावश्यक होती है। श्मिट बेसिस में प्राकृतिक छवियों की संपीड़नीयता (compressibility) का लाभ उठाकर, LRA एक व्यावहारिक मार्ग प्रदान करता है:

शोर को कम करना (Mitigate Noise): कम एंटैंगलिंग गेट्स वाले उथले (shallower) सर्किट डिकोहेरेंस और गेट एरर्स के प्रति कम संवेदनशील होते हैं, जो वास्तविक हार्डवेयर पर "सटीक" गहरे सर्किट्स की तुलना में उच्च प्रभावी शुद्धता प्रदान कर सकते हैं।
व्यावहारिक QIP को सक्षम करना: यह विधि QIR मॉडल्स के रिसोर्स ओवरहेड को कम करने के लिए एक मॉडल-स्वतंत्र रणनीति प्रदान करती है, जिससे वे निकट-अवधि के हार्डवेयर के लिए व्यवहार्य बन जाते हैं।
संरचनात्मक गुणों को प्रकट करना: देखी गई स्टेपवाइज (stepwise) सुधार की प्रक्रिया यह सुझाव देती है कि क्वांटम इमेज स्टेट्स में विशिष्ट संरचनात्मक गुण हैं जो आगे के सैद्धांतिक अन्वेषण के योग्य हैं।

लेखक एक मध्यम स्वर बनाए रखते हैं, यह स्वीकार करते हुए कि उनके परिणाम शोर रहित सिमुलेशन और एक एकल इमेज डेटासेट पर आधारित हैं। वे इस बात पर जोर देते हैं कि भविष्य के कार्यों को वास्तविक क्वांटम प्रोसेसर पर इन निष्कर्षों को मान्य करना चाहिए और LRA को व्यापक क्वांटम इमेज प्रोसेसिंग पाइपलाइनों में एकीकृत करने की संभावना तलाशनी चाहिए।