⚛️ quantum physics

Operator Learning for efficient Quantum Computation

यह शोध पत्र एक पूर्ण-स्टैक वेरिएशनल फ्रेमवर्क प्रस्तावित करता है जो एकल एंसिलर क्यूबिट और बैकप्रोपैगेशन का उपयोग करके किसी भी अनियंत्रित (arbitrary) यूनिटरी और नॉन-यूनिटरी ऑपरेटरों को कॉम्पैक्ट, हार्डवेयर-अनुकूलित क्वांटम सर्किट में कुशलतापूर्वक रूपांतरित करता है, जिससे क्वांटम केमिस्ट्री से लेकर आंशिक अवकल समीकरणों (partial differential equations) को हल करने तक के अनुप्रयोगों के लिए बेहतर संसाधन स्केलिंग और त्रुटि मेट्रिक्स प्रदर्शित होते हैं।

मूल लेखक: Paul Over, Sergio Bengoechea, Leonardo Borello Busilacchi, Martin Kiffner, Thomas Rung, Alexios A. Michailidis

प्रकाशित 2026-06-19

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Paul Over, Sergio Bengoechea, Leonardo Borello Busilacchi, Martin Kiffner, Thomas Rung, Alexios A. Michailidis

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 आपके पास एक विशाल, जटिल निर्देश पुस्तिका है जो एक ऐसी भाषा में लिखी गई है जिसे केवल एक सुपर-कंप्यूटर समझ सकता है। आप इन निर्देशों को एक नई, भविष्य की मशीन (एक क्वांटम कंप्यूटर) पर चलाना चाहते हैं, लेकिन यह मशीन एक बहुत ही अलग, बहुत सरल भाषा बोलती है। इसके अलावा, इस नई मशीन का लेआउट भी अजीब है: इसके कुछ हिस्से एक-दूसरे से बहुत दूर हैं, और कुछ बिल्कुल पास में हैं, जिससे उनके बीच संदेश भेजना कठिन हो जाता है।

यह शोध पत्र एक नए "अनुवादक" (translator) के बारे में है जो आपको उन विशाल, जटिल निर्देशों को निर्देशों के एक छोटे, कुशल सेट में बदलने में मदद करता है जिसे आपकी नई मशीन बिना भ्रमित हुए या क्रैश हुए समझ और चला सके।

यहाँ बताया गया है कि उन्होंने इसे कैसे किया, सरल उपमाओं (analogies) का उपयोग करते हुए:

समस्या: "अनुवाद अंतराल" (The Translation Gap)

वर्तमान में, क्वांटम कंप्यूटरों को वास्तविक दुनिया की समस्याओं (जैसे अणुओं का अनुकरण करना या हवाई जहाज के पंखों को डिजाइन करना) को हल करने के लिए तैयार करना, एक चौकोर लकड़ी के टुकड़े को गोल छेद में फिट करने जैसा है।

चौकोर टुकड़ा (The Peg): वे जटिल गणितीय समस्याएं जिन्हें हम हल करना चाहते हैं।
गोल छेद (The Hole): भौतिक क्वांटम कंप्यूटर, जो छोटा, शोर वाला और इसके हिस्सों के बीच सीमित कनेक्शन वाला है।
मुद्दा: समस्याओं को अनुवाद करने के मौजूदा तरीके बहुत लंबे और बोझिल हैं। वे बहुत अधिक चरणों का उपयोग करते हैं, जिससे काम पूरा होने से पहले ही त्रुटियां (errors) होने लगती हैं। यह एक जटिल रेसिपी को समझाने के लिए नमक के हर एक दाने को लिखने जैसा है; इससे पहले कि केक बन जाए, लिखने के लिए जगह ही खत्म हो जाती है।

समाधान: "ऑपरेटर लर्निंग" (Operator Learning)

लेखकों ने एक स्मार्ट, अनुकूलन योग्य अनुवादक बनाया जिसे एक वेरिएशनल फ्रेमवर्क कहा जाता है। इसे एक स्थिर शब्दकोश के रूप में नहीं, बल्कि एक स्मार्ट प्रशिक्षु (apprentice) के रूप में सोचें जो चलते-फिरते अनुवाद करना सीखता है।

"प्रशिक्षु" अनुभव और त्रुटि (Trial and Error) से सीखता है:
एक कठोर नियम पुस्तिका का पालन करने के बजाय, यह प्रणाली एक क्वांटम सर्किट (निर्देशों का एक क्रम) बनाने की कोशिश करती है जो वांछित गणितीय समस्या की नकल करता है। यह एक अनुमान लगाता है, जांचता है कि वह सही उत्तर के कितने करीब है, और फिर निर्देशों को थोड़ा बदल देता है ताकि वह और करीब पहुंच सके। यह लाखों बार ऐसा करता है जब तक कि निर्देश एकदम सटीक न हो जाएं।
मशीन के "फ्लोर प्लान" के अनुसार अनुकूलन:
कल्प Imagine करें कि आप फर्नीचर व्यवस्थित कर रहे हैं। यदि आपके पास एक संकीर्ण गलियारा है, तो आप एक बड़ा सोफा उसमें से नहीं ले जा सकते; आपको उसे तिरछा करना होगा या उसके हिस्से करने होंगे।

यह प्रणाली क्वांटम कंप्यूटर के विशिष्ट "फ्लोर प्लान" (कौन से क्यूबिट्स किनसे जुड़े हैं) को देखती है।
फिर यह निर्देशों को उस विशिष्ट लेआउट में पूरी तरह से फिट होने के लिए व्यवस्थित करती है। यदि मशीन में लंबी दूरी के कनेक्शन हैं (जैसे दूर के कमरों के बीच एक पुल), तो यह प्रणाली उनका उपयोग करती है। यदि यह एक सीधी रेखा है, तो यह उसके अनुसार भी ढल जाती है।

"असंभव" गणित को संभालना:
कुछ गणितीय समस्याएं (जैसे हवाई जहाज के पंख के ऊपर हवा के प्रवाह की गणना करना) "यूनिटरी" (unitary) नहीं होती हैं, जो एक तकनीकी शब्द है जिसका अर्थ है कि वे स्वाभाविक रूप से क्वांटम मैकेनिक्स के नियमों में फिट नहीं बैठती हैं।

चाल (The Trick): यह प्रणाली एक "ब्लॉक एनकोडिंग" तकनीक का उपयोग करती है। कल्पना करें कि आप एक ऐसा पत्र लिखना चाहते हैं जो केवल बड़े अक्षरों (capital letters) की अनुमति देता है। आप छोटा "a" नहीं लिख सकते, इसलिए आप इसे एक विशेष बॉक्स (एक "एन्सिला" क्यूबिट) के भीतर लिखते हैं जो एक आवरण (wrapper) के रूप में कार्य करता है।
नवाचार (The Innovation): पिछले तरीकों को जटिल समस्याओं के लिए इन "आवरणों" (ancilla qubits) की एक बड़ी संख्या की आवश्यकता थी। यह नया तरीका इतना कुशल है कि इसे लगभग किसी भी समस्या के लिए केवल एक एकल आवरण की आवश्यकता होती है, जिससे बहुत अधिक स्थान बचता है।

खुरदरे किनारों को चिकना करना (Smoothing Out the Rough Edges):
कभी-कभी, जब सिस्टम सीखता है, तो वह बड़ी तस्वीर को सही पकड़ लेता है लेकिन विशिष्ट स्थानों पर छोटी, अजीब गलतियाँ कर देता है (जैसे एक ऐसा नक्शा जो 99% सटीक है लेकिन जहाँ झील होनी चाहिए वहाँ पहाड़ है)।

लेखकों ने एक "रेगुलराइजेशन" (regularization) टूल जोड़ा है। इसे एक स्मूथिंग आयरन (स्त्री) के रूप में सोचें। यदि सिस्टम एक अजीब आउटलायर त्रुटि करता है, तो यह टूल उसे धीरे से दबा देता है, यह सुनिश्चित करता है कि पूरा नक्शा केवल औसत रूप से सटीक होने के बजाय सुसंगत और चिकना दिखे।

उन्होंने क्या सिद्ध किया?

टीम ने यह दिखाने के लिए कि यह हर जगह काम करता है, तीन बहुत अलग प्रकार की समस्याओं पर इस "स्मार्ट प्रशिक्षु" का परीक्षण किया:

क्वांटम भौतिकी (The "Time Machine"): उन्होंने कणों के समय के साथ चलने का अनुकरण किया। परिणाम? उनकी विधि मानक "सुजुकी-ट्रोटर" (Suzuki-Trotter) विधि (वर्तमान उद्योग मानक) की तुलना में बहुत अधिक सटीक थी और इसमें कम चरणों का उपयोग हुआ। यह यात्रा के घंटों बचाने वाले शॉर्टकट खोजने जैसा था।
क्वांटम केमिस्ट्री (The "Molecule Builder"): उन्होंने ब्यूटाडाइन (butadiene) अणु का अनुकरण किया (जो प्लास्टिक में उपयोग किया जाता है)। भले ही गणित अव्यवस्थित था और इसमें परमाणुओं के बीच लंबी दूरी के कनेक्शन शामिल थे, उनके सिस्टम ने सही निर्देश सीख लिए और मानक तरीकों को पछाड़ दिया।
इंजीनियरिंग (The "Airplane Designer"): उन्होंने दो इंजीनियरिंग समस्याओं को हल किया:
1. एक सतह के मुड़ने (Laplace operator) की गणना करना।
2. हवाई जहाज के पंख के ऊपर हवा के प्रवाह (inviscid potential flow) का अनुकरण करना।
  ये "डेंस" (dense) समस्याएं हैं जहाँ गणना का प्रत्येक हिस्सा दूसरे हिस्से को प्रभावित करता है। सिस्टम ने सफलतापूर्वक इन जटिल, अव्यवस्थित पैटर्न को सीखा और उन्हें संक्षिप्त क्वांटम सर्किटों में बदल दिया, जिसे करने में पिछले तरीके कुशलतापूर्वक संघर्ष कर रहे थे।

निचोड़ (The Bottom Line)

यह शोध पत्र एक सार्वभौमिक उपकरण पेश करता है जो जटिल शास्त्रीय गणित और व्यावहारिक क्वांटम हार्डवेयर के बीच एक सेतु के रूप में कार्य करता है। यह केवल अनुवाद नहीं करता है; यह विशिष्ट मशीन के अनुकूल होने के लिए अनुवाद को अनुकूलित करता है, न्यूनतम अतिरिक्त संसाधनों के साथ कठिन गणित के प्रकारों को संभालता है, और विश्वसनीयता सुनिश्चित करने के लिए त्रुटियों को सुचारू बनाता है। यह सिद्ध करता है कि हम इन कठिन इंजीनियरिंग और भौतिकी की समस्याओं को छोटे, कुशल क्वांटम निर्देशों में संकुचित कर सकते हैं जिन्हें आज के और आने वाले क्वांटम कंप्यूटर वास्तव में चला सकें।

तकनीकी सारांश: कुशल क्वांटम कंप्यूटेशन के लिए ऑपरेटर लर्निंग

समस्या विवरण
क्वांटम एल्गोरिदम का कुशल कार्यान्वयन वर्तमान में ऑपरेटर और स्टेट प्रिपरेशन (अवस्था तैयारी) के लिए कुशल प्रिमिटिव्स (primitives) की कमी के कारण बाधित है। यह सीमा निकट-अवधि वाले शोरयुक्त इंटरमीडिएट-स्केल क्वांटम (NISQ) हार्डवेयर की जटिल समस्याओं को सिम्युलेट करने की क्षमता को प्रतिबंधित करती है और फॉल्ट-टोलरेंट एल्गोरिदम को व्यावहारिक क्वांटम लाभ प्राप्त करने में बाधा डालती है। मौजूदा चुनौतियोंों में शामिल हैं:

हार्डवेयर बाधाएं: सीमित सुसंगतता समय (coherence times), गेट त्रुटियां, और प्रतिबंधित क्यूबिट कनेक्टिविटी (जैसे, लीनियर नियर-नेक्स्ट-नेबर या विशिष्ट लैट्टिस टोपोलॉजी) सर्किट डेप्थ को सीमित करती हैं और मल्टी-क्यूबिट ऑपरेशन्स की लागत बढ़ा देती हैं।
एल्गोरिद्मिक ओवरहेड्स: एसिम्प्टोटिक क्वांटम स्पीडअप अक्सर ब्लॉक-एनकोडिंग ओवरहेड्स, क्वांटम स्टेट प्रिपरेशन (QSP) लागत और मेजरमेंट कॉम्प्लेक्सिटी से उत्पन्न होने वाले बड़े कॉन्स्टेंट प्रीफैक्टर्स द्वारा कम हो जाते हैं।
स्केलेबिलिटी मुद्दे: जेनेरिक मल्टी-क्यूबिट यूनिटरीज और QSP का अपघटन (decomposition) अक्सर कई क्यूबिट्स की संख्या के साथ घातीय (exponentially) रूप से बढ़ने वाले संसाधनों की मांग करता है।
कनेक्टिविटी मिसमैच: मौजूदा संश्लेषण विधियों में से कई सरल 1D टोपोलॉजी पर निर्भर करती हैं जो विविध हार्डवेयर आर्किटेक्चर (जैसे, न्यूट्रल एटम्स या लॉन्ग-रेंज इंटरैक्शन वाले ट्रैप्ड आयन) की वास्तविकता को नहीं दर्शातीं, या ऑपरेटरों में लॉन्ग-रेंज सहसंबंधों (correlations) को कैप्चर करने में विफल रहती हैं।

कार्यप्रणाली (Methodology)
लेखक ऑपरेटर लर्निंग के लिए एक पूर्ण-स्टैक वेरिएशनल फ्रेमवर्क प्रस्तावित करते हैं जो मनमाने (arbitrary) डिस्क्रीट ऑपरेटर्स (दोनों यूनिटरी और नॉन-यूनिटरी) को विशिष्ट हार्डवेयर कनेक्टिविटी और इंटरेक्शन रेंज के अनुरूप कॉम्पैक्ट क्वांटम सर्किट्स में परिवर्तित करता है।

गणितीय ढांचा (Mathematical Framework):
- ब्लॉक एनकोडिंग: नॉन-यनाइटरी ऑपरेटर्स $A$ को एक बड़े यूनिटरी ऑपरेटर $G$ में एम्बेड किया जाता है जो $n = n_s + n_a$ क्यूबिट्स (सिस्टम + एंसिला) पर कार्य करता है। यह फ्रेमवर्क सिंगल एंसिला क्यूबिट ( $n_a=1$ ) का उपयोग ब्लॉक एनकोडिंग के लिए करता है, जिसे इस स्थिति द्वारा परिभाषित किया गया है: $\|A - c \text{Tr}_{anc}[PG]\|_{\text{fro}} \le \tau$ , जहाँ $P$ एंसिला स्टेट $|0\rangle$ पर प्रोजेक्ट करता है।
- कॉस्ट फंक्शन: अनुकूलन (optimization) रेसिडुअल एरर के नॉर्मलाइज्ड फ्रोबेनियस नॉर्म को कम करता है। एक प्रमुख नवाचार रेगुलराइजेशन टर्म का समावेश है जो फाइव-पॉइंट स्टेंसिल फिल्टर पर आधारित है। यह टर्म एरर आउटलायर्स को दंडित करता है, जिससे रेसिडुअल मैट्रिक्स स्मूथ होता है और ऑपरेटर स्पेस में एप्रोक्सीमेशन एरर कम होता है।
- बाधाएं (Constraints): सीखे गए गेट्स पर यूनिटरी कंस्ट्रेंट को प्रत्येक ग्रेडिएंट अपडेट के बाद सिंगुलर वैल्यू डिकंपोजिशन (SVD) का उपयोग करके एक प्रोजेक्शन तकनीक के माध्यम से लागू किया जाता है, न कि केवल रिमानियन ऑप्टिमाइजेशन पर निर्भर रहकर।
कंप्यूटेशनल रणनीति:
- एन्सात्ज़ (Ansatz): एल्गोरिदम एक सामान्य, अनकन्स्ट्रेंड सर्किट एन्सात्ज़ का उपयोग करता है जो पैरामीटराइज्ड $r$ -बॉडी गेट्स के लेयर्स से बना होता है। गेट कनेक्टिविटी और रेंज को स्पष्ट रूप से लक्षित हार्डवेयर (जैसे, नियर-नेस्ट-नेबर, लॉन्ग-रेंज, या 2D लैट्टिस) से मेल खाने के लिए परिभाषित किया गया है।
- ऑप्टिमाइजेशन: ग्रेडिएंट्स की गणना करने के लिए विधि बैकप्रोपैगेशन (ऑटोमैटिक डिफरेंशिएशन) का उपयोग करती है, जिससे रिमानियन ग्रेडिएंट्स की आवश्यकता नहीं होती। यह एक हाइरार्किकल ऑप्टिमाइजेशन प्रोटोकॉल (एल्गोरिदम 1) का उपयोग करता है जो गेट्स को लेयर-दर-लेयर और क्यूबिट-दर-क्यूबिट प्रशिक्षित करता है, जो एक सिंगल गेट से शुरू होकर विस्तार करता है। यह रणनीति "बैरेन प्लेटो" (Barren Plateau) समस्या को कम करती है और सब-ऑप्टिमल लोकल मिनिमा से बचती है।
- यूनिटरी प्रोजेक्शन: एक स्टीपेस्ट डिसेंट अपडेट के बाद, नॉन-यूनिटरी लेटेंट गेट्स को SVD ( $G = UV^\dagger$ ) के माध्यम से $U(2^r)$ यूनिटरी मैनिफोल्ड पर प्रोजेक्ट किया जाता है, जो प्रभावी रूप से पोलर डिकंपोजिशन करता है।

प्रमुख योगदान

हार्डवेयर-एग्नोस्टिक ऑपरेटर लर्निंग: एक ऐसा फ्रेमवर्क जो सर्किट सिंथेसिस प्रक्रिया में सीधे विशिष्ट चिप लेआउट, क्यूबिट कनेक्टिविटी और लॉन्ग-रेंज प्रोग्रामेबल इंटरैक्शन को शामिल करता है, जो सरल 1D धारणाओं से आगे बढ़ता है।
सिंगल-एंसिला ब्लॉक एनकोडिंग: केवल एक एंसिला क्यूबिट का उपयोग करके मनमाने नॉन-यूनिटरी ऑपरेटर्स को एनकोड करने की एक विधि, जो अन्य दृष्टिकोणों के विपरीत है जिनमें सहायक आयाम या LCU में यूनिटरीज की संख्या के अनुपात में एंसिला की आवश्यकता होती है।
एरर सप्रेशन के लिए रेगुलराइजेशन: एक विशिष्ट रेगुलराइजेशन टर्म का परिचय जो रेसिडुअल मैट्रिक्स में आउटलायर्स को दबाकर एप्रोक्सीमेशन एरर को कम करता है, जिससे अधिक समान सटीकता सुनिश्चित होती है।
हाइरार्किकल ट्रेनिंग: एक लर्निंग प्रोटोकॉल जो सर्किट्स को क्रमिक रूप से बनाता है, जो ग्लोबल ऑप्टिमाइजेशन की तुलना में बैरन प्लेटो के विरुद्ध अभिसरण (convergence) और मजबूती में सुधार करता है।

परिणाम और अनुप्रयोग
इस फ्रेमवर्क को चार अलग-अलग अनुप्रयोगों में मान्य किया गया, जिसने मानक सुज़ुकी-ट्रोटर (ST) एक्सपेंशन और टेंसर नेटवर्क (TN) आधारित विधियों की तुलना में बेहतर प्रदर्शन प्रदर्शित किया:

क्वांटम सिमुलेशन (ट्रांसवर्स-फील्ड आइसिंग मॉडल):
- सीखे गए वेरिएशनल सर्किट्स ने मानक ST एक्सपेंशन की तुलना में काफी बेहतर एरर स्केलिंग हासिल की।
- छोटे टाइम स्टेप्स के लिए, सीखे गए सर्किट $G_1$ का एरर पहले क्रम के ST एक्सपेंशन की तुलना में लगभग 150 गुना कम था।
- सीखे गए सर्किट $G_2$ और $G_3$ ने क्रमशः $\delta t^{4.26}$ और $\delta t^{5.14}$ की एरर स्केलिंग दिखाई, जो दूसरे क्रम के ST एक्सपेंशन से लगभग तीन ऑर्डर ऑफ मैग्नीट्यूड बेहतर थी।
क्वांटम केमिस्ट्री (बुटाडीन PPP मॉडल):
- इसे बुटाडीन के Pariser–Parr–Pople (PPP) मॉडल पर लागू किया गया, जो एक सिस्टम है जिसमें नॉन-लोकल फर्मियोनिक इंटरैक्शन को क्यूबिट्स में मैप किया गया है।
- सीखे गए सर्किट ने परीक्षण किए गए टाइम स्टेप्स में पहले क्रम के ST एक्सपेंशन की तुलना में एरर को लगभग 20% कम कर दिया। इस विशिष्ट हैमिल्टोनियन में ट्रोटरॉइड जेनरेटर्स की कम स्पर्सिटी के कारण सुधार उतना नाटकीय नहीं था।
इंजीनियरिंग: फाइनाइट डिफरेंस एप्रोक्सिमेशन:
- फ्रेमवर्क ने लैप्लेस ऑपरेटर के सेकंड-ऑर्डर सेंट्रल फाइनाइट डिफरेंस एप्रोक्सिमेशन को सीखा।
- इसने 1D लीनियर नियर-नेस्टर (LNN) और 2D लैट्टिस (2DL) दोनों टोपोलॉजी को सफलतापूर्वक हैंडल किया।
- 2DL एन्सात्ज़ ने LNN दृष्टिकोण की तुलना में लगातार बेहतर प्रदर्शन किया, विशेष रूप से बड़े सिस्टम साइज के लिए, क्योंकि यह लॉन्ग-रेंज सहसंबंधों को बेहतर ढंग से कैप्चर करता है।
- हाइरार्किकल स्ट्रैटेजी और रेगुलराइजेशन ने ग्लोबल ऑप्टिमाइजेशन की तुलना में ऑब्जेक्टिव फंक्शन को छह ऑर्डर ऑफ मैग्नीट्यूड तक कम कर दिया, जिससे एरर आउटलायर्स काफी हद तक दब गए।
इंजीनियरिंग: इनविसिड पोटेंशियल फ्लो:
- विधि ने NACA 0012 एयरफॉइल के चारों ओर फ्लो के लिए स्मिथ-हेस पैनल मेथड से उत्पन्न एक डेंस, नॉन-यूनिटरी ऑपरेटर को सीखा।
- डेंस, अनस्ट्रक्चर्ड नेचर (जो TN-आधारित कंप्रेशन को चुनौती देता है) के बावजूद, फ्रेमवर्क ने $10^{-9}$ के आसपास रिलेटिव एरर के साथ उच्च सटीकता प्राप्त की।
- रेगुलराइजेशन ने हाई एक्यूरेसी बनाए रखते हुए ब्लॉक एनकोडिंग की सफलता की संभावना को $\approx 0.027$ से बढ़ाकर $\approx 0.047$ कर दिया।

महत्व और दावे
यह पेपर दावा करता है कि यह यूनिवर्सल फ्रेमवर्क सामान्य समस्याओं को हल करने के लिए नए द्वार खोलता है जो प्रोटोटाइपिकल क्वांटम और इंजीनियरिंग अनुप्रयोगों से परे हैं। इसका महत्व निम्नलिखित में निहित है:

संसाधन दक्षता: मानक डिकम्पोजिशन (जैसे सुज़ुकी-ट्रोटर) की तुलना में अधिक सटीक और कॉम्पैक्ट सर्किट रिप्रेजेंटेशन प्रदान करना, और नॉन-यूनिटरी ऑपरेटर्स के लिए TN-आधारित कंस्ट्रक्शन की तुलना में कम एंसिला क्यूबिट्स की आवश्यकता होना।
व्यावहारिकता: एक व्यावहारिक प्रोग्रामिंग लेयर के रूप में कार्य करना जो क्लासिकल डिस्क्रीट मॉडल्स और क्वांटम हार्डवेयर के बीच के अंतर को पाटता है, और डिज़ाइन चरण के दौरान हार्डवेयर बाधाओं को स्पष्ट रूप से ध्यान में रखता है।
सार्वभौमिकता (Universality): स्पार्स, स्ट्रक्चर्ड ऑपरेटर्स (क्वांटम हैमिल्टोनियन) और डेंस, अनस्ट्रक्चर्ड ऑपरेटर्स (इंजीनियरिंग मैट्रिसेस) दोनों को सीखने की क्षमता प्रदर्शित करना, जो वैज्ञानिक कंप्यूटिंग की एक विस्तृत श्रृंखला के लिए उपयुक्तता का सुझाव देता है।

लेखक नोट करते हैं कि हालांकि यह विधि शक्तिशाली है, बहुत बड़े सिस्टम के लिए एक स्केलेबल इनिशियलाइजेशन स्ट्रैटेजी अभी भी एक खुला चैलेंज है, और भविष्य के कार्य में क्लासिकल मेमोरी लागत को कम करने के लिए टेंसर नेटवर्क रिप्रेजेंटेशन तक विस्तार करना शामिल हो सकता है।

समस्या: "अनुवाद अंतराल" (The Translation Gap)

समाधान: "ऑपरेटर लर्निंग" (Operator Learning)

उन्होंने क्या सिद्ध किया?

निचोड़ (The Bottom Line)

इसी तरह के और पेपर