⚛️ quantum physics

Benchmark of Pauli Correlation Encoding for different optimisation problems

यह शोध पत्र तीन कॉम्बिनेटोरियल समस्याओं में पाउली कोरिलेशन एनकोडिंग (Pauli Correlation Encoding) का उपयोग करते हुए एक क्वांटम-क्लासिकल ऑप्टिमाइज़ेशन फ्रेमवर्क का मूल्यांकन करता है, जो एनकोडिंग क्रम, समस्या संरचना, हाइपरपैरामीटर्स और हार्डवेयर शोर के प्रभावों का विश्लेषण करते हुए प्रतिस्पर्धी या बेहतर समाधान प्राप्त करने की अपनी क्षमता को प्रदर्शित करता है।

मूल लेखक: Fernando Alonso, Colomán Samprón, Jacobo Veiga, Mariamo Mussa Juane, Andrés Gómez

प्रकाशित 2026-07-03

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Fernando Alonso, Colomán Samprón, Jacobo Veiga, Mariamo Mussa Juane, Andrés Gómez

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 एक विशाल, जटिल पहेली को सुलझाने की कोशिश कर रहे हैं, लेकिन आपके पास उन टुकड़ों को रखने के लिए केवल एक छोटा सा डिब्बा है। क्वांटम कंप्यूटिंग की वर्तमान वास्तविकता यही है: "डिब्बे" (क्वांटम कंप्यूटर) छोटे और शोर वाले (noisy) हैं, जबकि "पहेलियाँ" (ऑप्टिमाइज़ेशन समस्याएं) बहुत बड़ी हैं।

यह पेपर एक टीम के इंजीनियरों की एक रिपोर्ट की तरह है जो एक नए, चतुर तरीके से उस विशाल पहेली को मोड़ने (fold करने) का परीक्षण कर रहे हैं ताकि वह बिना किसी जानकारी को खोए उस छोटे डिब्बे में फिट हो सके। वे इस नए फोल्डिंग तरीके को पॉली कोरिलेशन एनकोडिंग (Pauli Correlation Encoding - PCE) कहते हैं।

यहाँ उनके निष्कर्षों का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. समस्या: "डिब्बे के लिए बहुत बड़ा" होने की दुविधा

आमतौर पर, 100 वेरिएबल्स (जैसे 100 डिलीवरी स्टॉप या 100 लोगों को बैठाना) वाली समस्या को हल करने के लिए, एक मानक क्वांटम कंप्यूटर को 100 "क्यूबिट्स" (क्वांटम बिट्स) की आवश्यकता होती है। लेकिन वर्तमान कंप्यूटरों में कुल मिलाकर लगभग 50 से 100 क्यूबिट्स ही होते हैं, और वे शोर (noise) के प्रति बहुत संवेदनशील होते हैं (जैसे ताश के पत्तों के घर को तूफान में बनाने की कोशिश करना)।

PCE समाधान:
लेखक इस पहेली को "कंप्रेस" (संकुचित) करने का एक तरीका प्रस्तावित करते हैं। 100 वेरिएबल्स के लिए 100 क्यूबिट्स की आवश्यकता होने के बजाय, PCE उन 100 वेरिएबल्स को केवल कुछ मुट्ठी भर क्यूबिट्स (शायद 10 या 15) का उपयोग करके दर्शा सकता है।

उपमा: कल्पना कीजिए कि आपके पास 1,000 किताबों का एक पुस्तकालय है। एक मानक विधि के लिए हर एक किताब के लिए एक शेल्फ की आवश्यकता होती है। PCE एक जादुई कंप्रेशन एल्गोरिदम की तरह है जो आपको उन 1,000 किताबों को उनके भौतिक आकार के बजाय उनके संबंधों को एनकोड करके एक ही छोटे से शेल्फ पर स्टोर करने देता है।

2. टेस्ट ड्राइव: तीन क्लासिक पहेलियाँ

यह "फोल्डिंग ट्रिक" वास्तव में काम करती है या नहीं, यह देखने के लिए टीम ने तीन प्रसिद्ध प्रकार की लॉजिक पहेलियों पर इसका परीक्षण किया:

मैक्सिमम कट प्रॉब्लम (MCP): कल्पना कीजिए कि दोस्तों का एक समूह पार्टी में है। आप उन्हें दो समूहों में इस तरह विभाजित करना चाहते हैं कि सबसे अधिक संख्या में दोस्ती समूहों के बीच से गुजरती हो।
बिन पैकिंग प्रॉब्लम (BPP): कल्पना कीजिए कि आपके पास अलग-अलग आकार के बक्सों का एक समूह है और आपके पास सीमित संख्या में शिपिंग कंटेनर हैं। आप सब कुछ कम से कम कंटेनरों में पैक करना चाहते हैं ताकि वे ओवरफ्लो न हों।
ट्रैवलिंग सेल्समैन प्रॉब्लम (TSP): कल्पना कीजिए कि एक सेल्समैन को 20 शहरों की ठीक एक बार यात्रा करनी है और वापस घर लौटना है, और वह सबसे छोटा रास्ता चुनता है।

उन्होंने अपने PCE तरीके की तुलना सबसे अच्छे ज्ञात समाधानों (स्वर्ण मानक) से की और पाया कि PCE अक्सर ऐसे समाधान खोज सकता है जो मानक तरीकों के समान ही अच्छे, और कभी-कभी उनसे भी बेहतर होते हैं।

3. "नॉब्स और डायल्स" (हाइपरपैरामीटर्स)

यह तरीका स्वचालित नहीं है; इसके लिए ट्यूनिंग की आवश्यकता होती है। लेखकों ने पाया कि अच्छे परिणाम प्राप्त करने के लिए उन्हें दो मुख्य "नॉब्स" (knobs) घुमाने पड़े:

"शार्पनेस" नॉब ( $\alpha$ ): गणित शुरू में वेरिएबल्स को "फजी" (धुंधले) नंबरों (जैसे 0.5) के रूप में मानता है, न कि सख्त "हाँ/नहीं" (0 या 1) के रूप में। $\alpha$ नॉब इन फजी नंबरों को अधिक "शार्प" और निर्णायक बनाता है। उन्होंने पाया कि इस नॉब को ऊपर घुमाने से (नंबरों को अधिक स्पष्ट बनाने से) आमतौर पर बेहतर पहेली समाधान मिलते हैं।
"स्मूथिंग" नॉब ( $\beta$ ): यह कंप्यूटर को अधिक सुचारू रूप से खोजने में मदद करता है। दिलचस्प बात यह है कि उन्होंने पाया कि कभी-कभी इस नॉब को शून्य पर छोड़ने से भी उतना ही अच्छा काम होता है जितना इसे ऊपर घुमाने से, जो कि एक आश्चर्य है।

4. "कंप्रेशन ऑर्डर" का ट्रेड-ऑफ

टीम ने विभिन्न स्तरों के कंप्रेशन (पहेली को कितनी मजबूती से मोड़ा गया है) का परीक्षण किया।

ढीला फोल्ड (कम कंप्रेशन): इसे संभालना कंप्यूटर के लिए आसान है, लेकिन यह बड़ी और कठिन पहेलियों के साथ संघर्ष करता है।
तगड़ा फोल्ड (उच्च कंप्रेशन): यह कंप्यूटर को बहुत बड़ी पहेलियाँ हल करने की अनुमति देता है, लेकिन इसके लिए बहुत गहरे और जटिल "सर्किट" (निर्देशों की लंबी श्रृंखला) की आवश्यकता होती है।
परिणाम: यह एक ट्रेड-ऑफ है। सबसे कठिन पहेलियों को हल करने के लिए, आपको उन्हें अधिक मजबूती से मोड़ने की आवश्यकता होती है, लेकिन इससे निर्देश लंबे और निष्पादित करने में कठिन हो जाते हैं।

5. "शोर" का कारक: जब स्टेटिक मदद करता है

असली क्वांटम कंप्यूटर शोर वाले होते हैं। आमतौर पर, शोर बुरा होता है—यह रेडियो पर स्टेटिक (चरचराहट) की तरह है जो गाने को खराब कर देता है।

निष्कर्ष: टीम ने सिम्युलेट किया कि जब आप इसे एक वास्तविक, शोर वाले मशीन पर चलाते हैं तो क्या होता है। उन्होंने पाया कि हालांकि शोर सटीक उत्तर को सीमित करता है, लेकिन कभी-कभी यह वास्तव में कंप्यूटर को "डेड एंड" (बंद रास्तों) से बाहर निकलने में मदद करता है।
उपमा: कल्पना कीजिए कि आप धुंधली घाटी के सबसे निचले बिंदु (सर्वश्रेष्ठ समाधान) को खोजने की कोशिश कर रहे हैं। यदि जमीन पूरी तरह से चिकनी है, तो आप एक छोटे गड्ढे में फंस सकते हैं और सोच सकते हैं कि यही सबसे निचला बिंदु है। थोड़ा सा "झटका" (शोर) कभी-कभी आपको उस छोटे गड्ढे से बाहर निकलने और वास्तविक निचले बिंदु तक लुढ़कने में मदद कर सकता है।

6. "पॉलिशिंग" चरण

क्वांटम कंप्यूटर समाधान का एक कच्चा ड्राफ्ट देता है। लेखकों ने पाया कि क्वांटम भाग के बाद एक साधारण क्लासिकल कंप्यूटर (एक सामान्य लैपटॉप) द्वारा किया गया त्वरित "पॉलिशिंग" चरण अंतिम उत्तर में काफी सुधार कर सकता है।

उपमा: क्वांटम कंप्यूटर एक खुरदरे मूर्तिकार की तरह है जो मूर्ति का सामान्य आकार तराशता है। क्लासिकल पोस्ट-प्रोसेसिंग एक सूक्ष्म कलाकार की तरह है जो विवरणों को चिकना करता है और मूर्ति को पूर्ण बनाता है।

सारांश

पेपर यह निष्कर्ष निकालता है कि यह "पॉली कोरिलेशन एनकोडिंग" एक शक्तिशाली उपकरण है। यह हमें छोटे और अपूर्ण क्वांटम कंप्यूटरों पर बड़े, जटिल ऑप्टिमाइज़ेशन समस्याओं को हल करने की अनुमति देता है क्योंकि यह डेटा को कुशलतापूर्वक संकुचित करता है। हालांकि इसके लिए सेटिंग्स की सावधानीपूर्वक ट्यूनिंग और बाद में कुछ अतिरिक्त "पॉलिशिंग" की आवश्यकता होती है, यह वर्तमान क्वांटम कंप्यूटिंग के युग में बहुत आशाजनक है, जहाँ मशीनें छोटी और शोर वाली हैं।

तकनीकी सारांश: विभिन्न अनुकूलन समस्याओं के लिए पाउली कोरिलेशन एनकोडिंग का बेंचमार्क

1. समस्या विवरण

यह शोध पत्र 'नोइजी इंटरमीडिएट-स्केल क्वांटम' (NISQ) युग में वेरिएशनल क्वांटम एल्गोरिदम (VQAs) की स्केलेबिलिटी सीमाओं को संबोधित करता है। विशेष रूप से, यह उन शास्त्रीय कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन समस्याओं को एनकोड करने की चुनौती को लक्षित करता है जहाँ आवश्यक क्विबिट्स की संख्या आमतौर पर बाइनरी वेरिएबल्स की संख्या के साथ रैखिक रूप से (linearly) बढ़ती है। यह रैखिक स्केलिंग वर्तमान हार्डवेयर पर हल की जा सकने वाली समस्याओं के आकार को सीमित करती है।

लेखक पाउली कोरिलेशन एनकोडिंग (PCE) की जांच करते हैं, जो एक हाल ही में प्रस्तावित एनकोडिंग योजना है जो $m$ बाइनरी वेरिएबल्स को क्विबिट्स की एक बहुपद संख्या (polynomial number) $n$ (जहाँ $n \ll m$ ) का उपयोग करके प्रदर्शित करने में सक्षम है। मुख्य समस्या यह मूल्यांकन करना है कि क्या PCE, एक वेरिएशनल फ्रेमवर्क के साथ मिलकर, समाधान की गुणवत्ता और व्यवहार्यता बनाए रखते हुए, विशेष रूप से शॉट-आधारित निष्पादन (shot-based execution) और हार्डवेयर शोर (noise) के तहत, शास्त्रीय अनुकूलन समस्याओं को प्रभावी ढंग से हल कर सकता है।

2. कार्यप्रणाली (Methodology)

अध्ययन एक हाइब्रिड क्वांटम-क्लासिकल फ्रेमवर्क का उपयोग करता है जहाँ एक पैरामीटराइज्ड क्वांटम सर्किट (PQC) को PCE योजना के अनुकूल एक कॉस्ट फंक्शन को न्यूनतम करने के लिए अनुकूलित किया जाता है।

2.1 एनकोडिंग योजना

PCE $m$ बाइनरी वेरिएबल्स $\vec{z} \in \{-1, 1\}^m$ को ट्रेसलेस पाउली स्ट्रिंग्स $\Pi$ के एक उपसमुच्चय के अपेक्षित मानों (expected values) में मैप करता है। वेरिएबल्स को इस प्रकार रिकवर किया जाता है:
$z_i := \text{sgn}(\langle \Psi | \Pi_i | \Psi \rangle)$
जहाँ $|\Psi\rangle$ क्वांटम स्टेट है। एनकोडिंग एक कंप्रेशन ऑर्डर $k$ का उपयोग करती है, जो गैर-आइडेंटिटी पाउली मैट्रिसेस के टेंसर उत्पादों द्वारा निर्मित पाउली स्ट्रिंग्स का चयन करती है। यह $n$ क्विबिट्स के साथ $m = 3 \binom{n}{k}$ वेरिएबल्स को एनकोड करने की अनुमति देता है।

2.2 सर्किट एंसेट और ऑप्टिमाइजेशन

एंसेट (Ansatz): एक प्रॉब्लम-एग्नोस्टिक, हार्डवेयर-एफिशिएंट ब्रिक-लाइक संरचना का उपयोग किया जाता है। यह पैरामीटराइज्ड सिंगल-क्विबिट रोटेशन ( $R_X, R_Y, R_Z$ ) और पड़ोसी क्विबिट्स पर टू-क्विबिट रोटेशन ( $R_{XX}, R_{YY}, R_{ZZ}$ ) के परतों (layers) को बारी-बारी से उपयोग करता है। सर्किट डेप्थ $O(m^{1-1/k})$ के रूप में स्केल होती है।
रिलैक्सेशन (Relaxation): ऑप्टिमाइजेशन को सुगम बनाने के लिए, डिस्क्रीट साइन फंक्शन को हाइपरबोलिक टेंगेंट का उपयोग करके रिलैक्स किया जाता है: $z_i := \tanh(\alpha \langle \Pi_i \rangle)$ । अपेक्षित मानों को शून्य के आसपास केंद्रित करने के लिए एक रेगुलराइजेशन टर्म भी शामिल किया गया है।
क्लासिकल ऑप्टिमाइज़र: कॉस्ट लैंडस्केप में नेविगेट करने और लोकल मिनिमा से बचने के लिए डिफरेंशियल इवोल्यूशन (DE) को एक ग्रेडिएंट-फ्री ऑप्टिमाइज़र के रूप में उपयोग किया जाता है।
पोस्ट-प्रोसेसिंग: रिलैक्स्ड सॉल्यूशंस पर व्यवहार्यता लागू करने और समाधान की गुणवत्ता में सुधार करने के लिए (जैसे MCP के लिए बिट-फ्लिपिंग, BPP के लिए बिन रीअसाइनमेंट, TSP के लिए 2-opt) एक क्लासिकल पोस्ट-प्रोसेसिंग स्टेप लागू किया जाता है।

2.3 बेंचमार्क और समस्याएं

इस फ्रेमवर्क का मूल्यांकन QOPTLib बेंचमार्क का उपयोग करके तीन शास्त्रीय समस्याओं के विरुद्ध किया गया है:

मैक्सिमम कट प्रॉब्लम (MCP): 10 इंस्टेंस ( $N \in \{10, \dots, 300\}$ )।
बिन पैकिंग प्रॉब्लम (BPP): 10 इंस्टेंस ( $N \in \{3, \dots, 14\}$ )।
ट्रैवलिंग सेल्समैन प्रॉब्लम (TSP): 10 इंस्टेंस ( $N \in \{3, \dots, 25\}$ )।

परिणामों की तुलना D-WAVE के LeapHybridBQMSampler सहित संदर्भ समाधानों (reference solutions) से की जाती है।

2.4 शोर और निष्पादन विश्लेषण

अध्ययन में CUNQA एम्यूलेटर (जो IBM Sherbrooke बैकएंड की नकल करता है) का उपयोग करके शॉट-आधारित निष्पादन पर एक खंड शामिल है। यह विश्लेषण करता है:

शॉट्स की संख्या के साथ मीन एब्सोल्यूट एरर (MAE) और मैक्सिमम एरर का स्केलिंग।
अपेक्षित मानों के अनुमान पर हार्डवेयर शोर (गेट इनएफिशिएंसी, डिकोहेरेंस) का प्रभाव।
ऑप्टिमाइज़र को लोकल मिनिमा से बाहर निकलने में शोर की संभावित भूमिका।

3. प्रमुख योगदान और परिणाम

3.1 कॉम्बिनेटोरियल समस्याओं पर प्रदर्शन

मैक्सिमम कट (MCP): PCE फ्रेमवर्क प्रतिस्पर्धी प्रदर्शन प्राप्त करता है। अधिकांश इंस्टेंस के लिए, एप्रोक्सिमेशन रेशियो एक के करीब है। उच्च कंप्रेशन ऑर्डर ( $k$ ) आम तौर पर बेहतर समाधान गुणवत्ता प्रदान करते हैं क्योंकि इससे मॉडल की एक्सप्रेसिविटी (अधिक वेरिएशनल पैरामीटर्स) बढ़ती है, भले ही इसके साथ सर्किट डेप्थ का ट्रेड-ऑफ हो।
बिन पैकिंग (BPP): यह दृष्टिकोण मजबूत क्षमता प्रदर्शित करता है लेकिन हाइपरपैरामीटर्स के प्रति अत्यधिक संवेदनशील है।
- व्यवहार्यता (Feasibility): निचले कंप्रेशन ऑर्डर ( $k=2, 3$ ) बड़े इंस्टेंस ( $N > 8$ और $N > 12$ क्रमशः) के लिए व्यवहार्य समाधान उत्पन्न करने में विफल रहते हैं। केवल $k=4$ सभी परीक्षण किए गए इंस्टेंस में लगातार व्यवहार्य समाधान प्रदान करता है।
- गुणवत्ता: पोस्ट-प्रोसेसिंग शुरुआती समाधानों को काफी परिष्कृत करती है, जिससे अक्सर उपयोग किए गए बिन्स की संख्या कम हो जाती है। यह विधि समस्याओं की एक विस्तृत श्रृंखला के लिए अच्छी गुणवत्ता वाले समाधान प्रदान करती है, हालांकि समस्या का आकार बढ़ने के साथ व्यवहार्यता दर गिर जाती है।
ट्रैवलिंग सेल्समैन (TSP): BPP की तरह, व्यवहार्यता कंप्रेशन ऑर्डर पर मजबूती से निर्भर है। $k=2$ $k = 2$ इंस्टेंस $N > 10$ $N > 10$ के लिए विफल हो जाता है, जबकि $k \in \{3, 4\}$ $k \in {3, 4}$ $N \le 15$ $N \leq 15$ के लिए उच्च व्यवहार्यता बनाए रखता है।
- समाधान की गुणवत्ता: शुरुआती समाधान अक्सर बेंचमार्क गुणवत्ता के बराबर या उससे बेहतर होते हैं, विशेष रूप से $k \in \{3, 4\}$ के लिए। पोस्ट-प्रोसेसिंग (2-opt) लगातार टूर लेंथ में सुधार करती है।

3.2 हाइपरपैरामीटर संवेदनशीलता

अध्ययन हाइपरपैरामीटर $\alpha$ (जो रिलैक्स्ड वेरिएबल्स के बाइनराइजेशन को नियंत्रित करता है) की महत्वपूर्ण भूमिका को रेखांकित करता है।

$\alpha$ : बड़े मान आम तौर पर बेहतर परिणाम देते हैं क्योंकि वे सुनिश्चित करते हैं कि वेरिएबल्स मजबूती से बाइनराइज्ड हों ( $\tanh$ के लीनियर रिजीम से बचना)। छोटे $\alpha$ मान 0.5 के पास अस्पष्ट समाधानों की ओर ले जाते हैं, जिससे रिकंस्ट्रक्शन की गुणवत्ता खराब हो जाती है।
$\beta$ (रेगुलराइजेशन): प्रदर्शन में सुधार के इरादे से, प्रयोगों ने दिखाया कि $\beta=0$ अक्सर गैर-शून्य मानों के बराबर परिणाम देता है, जो यह सुझाव देता है कि रेगुलराइजेशन टर्म का प्रभाव संदर्भ-निर्भर हो सकता है या अन्य कारकों द्वारा कम किया जा सकता है।
पेनल्टी वेट्स: पेपर पेनल्टी वेट्स के चयन की कठिनाई (द "बिग-एम समस्या") को नोट करता है। अत्यधिक बड़े वेट्स वास्तविक बाइनराइजेशन के बजाय "औसत" बाधा संतुष्टि (फ्रैक्शनल वैल्यूज) की ओर ले जा सकते हैं, जो वैध कॉम्बिनेटोरियल समाधानों के पुनर्निर्माण में बाधा डालता है।

3.3 शोर और शॉट विश्लेषण

आइडियल बनाम नॉइजी: आइडियल सिमुलेशन में, शॉट्स बढ़ाने से एरर घटकर $10^{-3}$ या $10^{-4}$ हो जाता है। हालांकि, नॉइजी बैकएंड (IBM Sherbrooke इम्यूलेशन) पर, शोर हावी रहता है, जिससे शॉट काउंट के बावजूद एरर लगभग $0.025$ पर स्थिर हो जाता है।
ऑप्टिमाइजेशन डायनेमिक्स: विरोधाभासी रूप से, शोर की उपस्थिति को कुछ मामलों में ऑप्टिमाइज़र को सब-ऑप्टिमल लोकल मिनिमा से बाहर निकलने में मदद करने के लिए देखा गया, जिससे आइडियल नॉइज़-फ्री निष्पादन की तुलना में बेहतर प्रदर्शन हुआ।
रनटाइम: लेखक अनुमान लगाते हैं कि शॉट-आधारित सैंपलिंग के साथ पूर्ण अनुकूलन कम्प्यूटेशनल रूप से महंगा (करोड़ों मूल्यांकन) है, लेकिन हाई-परफॉर्मेंस कंप्यूटिंग (HPC) वातावरण में पैरेललाइजेशन रणनीतियों के साथ यह संभव है।

4. महत्व और दावे

पेपर दावा करता है कि PCE-आधारित फ्रेमवर्क NISQ और निकट भविष्य के फॉल्ट-टोलरेंट युगों के लिए एक प्रॉमिसिंग एनकोडिंग रणनीति है। इसका प्राथमिक महत्व निम्नलिखित में निहित है:

स्केलेबिलिटी: यह सैकड़ों वेरिएबल्स वाली समस्याओं को क्विबिट्स की एक बहुपद संख्या का उपयोग करके एनकोड करने की क्षमता प्रदर्शित करता है, जो QAOA जैसे मानक दृष्टिकोणों की रैखिक स्केलिंग बाधा को दूर करता है।
प्रतिस्पर्धी प्रदर्शन: यह विधि MCP, BPP और TSP के लिए स्थापित बेंचमार्क (हाइब्रिड क्वांटम-क्लासिकल सॉल्वर्स सहित) के समकक्ष या बेहतर समाधान प्राप्त करती है, बशर्ते कि हाइपरपैरामीटर्स और कंप्रेशन ऑर्डर्स को सावधानीपूर्वक ट्यून किया जाए।
व्यावहारिक व्यवहार्यता: अध्ययन शॉट-आधारित निष्पादन और हार्डवेयर शोर के तहत विधि का यथार्थवादी मूल्यांकन प्रदान करता है, जो एस्टीमेशन प्रिसिजन और निष्पादन समय के लिए संदर्भ सीमाएं स्थापित करता है।

लेखक एक मध्यम स्वर बनाए रखते हैं, यह स्वीकार करते हुए कि प्रदर्शन विशिष्ट समस्या संरचना, कंप्रेशन ऑर्डर के चुनाव और हाइपरपैरामीटर ( $\alpha, \beta,$ और पेनल्टी वेट्स) के सावधानीपूर्वक अंशांकन (कैलिब्रेशन) पर बहुत अधिक निर्भर है। वे निष्कर्ष निकालते हैं कि हालांकि PCE महत्वपूर्ण क्षमता दिखाता है, लेकिन इसकी क्षमताओं को पूरी तरह से साकार करने के लिए एंसेट, क्लासिकल ऑप्टिमाइज़र और हाइपरपैरामीटर चयन के बीच परस्पर क्रिया को अनुकूलित करने के लिए और अधिक शोध की आवश्यकता है।