⚛️ quantum physics

GPU-accelerated semidefinite programming for causal games

यह शोध पत्र एक GPU-त्वरित अर्ध-निश्चित प्रोग्रामिंग (semidefinite programming) सॉल्वर प्रस्तुत करता है जो कारणत्मक खेलों (causal games) में उच्च स्थानीय आयामों की खोज को सक्षम बनाता है, जिससे यह पता चलता है कि आयाम को $d=5$ से अधिक बढ़ाने से जीतने की प्रायिकता में महत्वपूर्ण सुधार नहीं होता है, जिससे यह सुझाव मिलता है कि वर्तमान रणनीतियाँ ज्ञात ऊपरी सीमाओं के अंतर को पाटने के लिए अपर्याप्त हैं।

मूल लेखक: Emanuel-Cristian Boghiu, Kyrylo Simonov

प्रकाशित 2026-06-19

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Emanuel-Cristian Boghiu, Kyrylo Simonov

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

एक बड़ी तस्वीर: बिना समयरेखा वाला खेल

कल्पना कीजिए कि एलिस और बॉब नाम के दो लोग एक अनुमान लगाने वाला खेल खेल रहे हैं। वे अलग-अलग कमरों में हैं और एक-दूसरे से बात नहीं कर सकते।

नियम: एलिस को एक गुप्त नंबर (0 या 1) मिलता है, और बॉब को एक गुप्त नंबर (0 या 1) मिलता है। उन्हें प्रत्येक दूसरे व्यक्ति के नंबर का अनुमान लगाना होता है।
लक्ष्य: वे तब जीतते हैं जब एलिस, बॉब के नंबर का अनुमान लगा लेती है और बॉब, एलिस के नंबर का अनुमान लगा लेता है।

हमारी सामान्य, रोज़मर्रा की दुनिया में, समय एक ही दिशा में बहता है। या तो एलिस पहले कार्य करती है, या बॉब पहले कार्य करता है, या वे एक साथ कार्य करते हैं। इस "निश्चित समय" (fixed time) वाली दुनिया में, वे अधिकतम 50% बार जीत सकते हैं। यह सिक्का उछालने जैसा है; यदि आपको दूसरे व्यक्ति का इनपुट पता नहीं है, तो आप रैंडम अनुमान से बेहतर कुछ नहीं कर सकते।

हालाँकि, क्वांटम भौतिकी एक अजीब चीज़ की अनुमति देती है: अनिश्चित कारण क्रम (indefinite causal order)। कल्पना कीजिए कि एक ऐसी स्थिति जहाँ यह स्पष्ट नहीं है कि कौन पहले गया। यह ऐसा है जैसे "समय का तीर" (arrow of time) एक सुपरपोजिशन में हो, जो दोनों दिशाओं में एक साथ इशारा कर रहा हो। यह "प्रोसेस मैट्रिसेस" (process matrices) का क्षेत्र है।

रहस्य: क्या कोई छिपा हुआ सीमित स्तर है?

वैज्ञानिकों ने एक क्वांटम रणनीति (एक "प्रोसेस मैट्रिक्स" का उपयोग करके) खोजी है जो एलिस और बॉब को लगभग 62.2% बार जीतने देती है। यह सामान्य समय की 50% की सीमा को हरा देता है, जो यह साबित करता है कि "समय का तीर" वास्तव में धुंधला हो सकता है।

लेकिन एक अंतर (gap) है:

वर्तमान सर्वश्रेष्ठ स्कोर: ~62.2% (एक विशिष्ट क्वांटम सेटअप के साथ प्राप्त)।
सैद्धांतिक अधिकतम (Theoretical Maximum): ~75.9% (अन्य शोधकर्ताओं द्वारा गणना की गई एक गणितीय सीमा)।

बड़ा सवाल यह था: क्या 62.2% और 75.9% के बीच का अंतर इसलिए है क्योंकि हमने अभी तक एक बेहतर रणनीति नहीं खोजी है, या क्या वहां एक कठोर दीवार है जो हमें इससे ऊपर जाने से रोक रही है?

यह जानने के लिए, शोधकर्ताओं ने "बड़े" क्वांटम सेटअप बनाने की कोशिश की। उनके खेल में, सेटअप के "आकार" को स्थानीय आयाम (local dimension) ( $d$ ) कहा जाता है। $d$ को उन विभिन्न "रंगों" या "प्रकारों" के रूप में सोचें जिन्हें वे क्वांटम कार्ड के रूप में उपयोग कर सकते हैं।

पिछले काम में 5 रंगों के डेक ( $d=5$ ) का उपयोग किया गया था।
इस पेपर ने पूछा: "अगर हम 6, 7 या 8 रंगों का डेक उपयोग करें? क्या स्कोर बढ़ जाएगा?"

समस्या: गणित बहुत भारी है

इन बड़े डेक का परीक्षण करने के लिए, उन्हें सेमीडेफिनिट प्रोग्राम्स (SDPs) नामक विशाल गणितीय पहेलियाँ हल करनी पड़ीं।

उपमा: कल्पना कीजिए कि आप एक पर्वत श्रृंखला के उच्चतम बिंदु को खोजने की कोशिश कर रहे हैं जो लगातार अपना आकार बदल रही है। इसे करने के लिए, आपको लाखों स्थानों की जाँच करनी होगी।
बाधा (Bottleneck): हर बार जब कंप्यूटर एक स्थान की जाँच करता है, तो उसे एक बहुत ही भारी गणना (एक मैट्रिक्स को "पॉजिटिव-सेमीडेफिनिट कोन" पर प्रोजेक्ट करना) करनी पड़ती है। यह रेत के एक विशाल ढेर को एक आदर्श पिरामिड में व्यवस्थित करने की कोशिश करने जैसा है। एक मानक कंप्यूटर (CPU) पर ऐसा करना अविश्वसनीय रूप से धीमा है। यदि वे मानक उपकरणों के साथ $d=8$ तक के आयामों की जाँच करने का प्रयास करते, तो इसमें अनंत समय लगता।

समाधान: एक GPU सुपरचार्जर

लेखकों ने इस प्रक्रिया को तेज करने के लिए एक कस्टम टूल बनाया।

टूल: उन्होंने एक मौजूदा गणितीय सॉल्वर (जिसे SCS कहा जाता है) को लिया और उसमें संशोधन किया।
अपग्रेड: उन्होंने भारी "रेत-सॉर्टिंग" गणना को धीमे CPU से हटाकर एक GPU (ग्राफिक्स प्रोसेसिंग यूनिट) पर स्थानांतरित कर दिया। GPU एक बड़े कार्यकर्ता के बजाय एक हजार छोटे कार्यकर्ताओं के होने जैसा है।
ट्रिक: उन्होंने "मिक्स्ड-प्रिसिजन" (mixed-precision) रणनीति का उपयोग किया। शुरुआत में, जब वे केवल अन्वेषण कर रहे होते हैं, तो वे "रफ" गणित (सिंगल प्रिसिजन) का उपयोग करते हैं जो बहुत तेज़ है। जैसे-जैसे वे उत्तर के करीब पहुँचते हैं, वे सटीक परिणाम सुनिश्चित करने के लिए "प्रेसिज़न" गणित (डबल प्रिसिजन) पर स्विच कर देते हैं।
परिणाम: इसने गणना को 6 गुना तेज़ बना दिया।

निष्कर्ष (Findings)

अपने सुपर-फास्ट सॉल्वर का उपयोग करते हुए, उन्होंने $d=2$ से लेकर $d=8$ तक के डेक का परीक्षण किया।

स्कोर ऊपर गया (धीरे-धीरे): जैसे-जैसे उन्होंने डेक का आकार बढ़ाया, जीतने की संभावना बढ़ी तो सही, लेकिन बहुत ही मामूली रूप से।
- $d=5$ पर, स्कोर ~0.6218 था।
- $d=8$ पर, स्कोर ~0.6219 था।
अंतर बना हुआ है: बड़े डेक के साथ भी, स्कोर में बहुत कम सुधार हुआ। वे अभी भी 75.9% की सैद्धांतिक सीमा से बहुत नीचे हैं।

निष्कर्ष

पेपर यह निष्कर्ष निकालता है कि केवल अपने क्वांटम सिस्टम को "बड़ा" बनाना (आयाम बढ़ाना) वर्तमान सर्वश्रेष्ठ स्कोर और सैद्धांतिक सीमा के बीच के अंतर को पाटने के लिए पर्याप्त नहीं है।

इसका क्या अर्थ है?
यह दो चीजों का सुझाव देता है:

हमें सीमा के करीब पहुँचने के लिए एक पूरी तरह से नई प्रकार की रणनीति (एक गुणात्मक रूप से भिन्न दृष्टिकोण) की आवश्यकता है।
सैद्धांतिक सीमा (75.9%) या तो गलत है या बहुत ढीली है, और वास्तविक सीमा वास्तव में बहुत कम है, जो हम पहले से ही देख रहे हैं उसके करीब है।

लेखकों ने 62.2% की बाधा को महत्वपूर्ण रूप से तोड़ने का कोई तरीका नहीं खोजा, लेकिन उन्होंने यह साबित किया कि उनका नया, तेज़ कंप्यूटर कोड काम करता है, जो दूसरों के लिए भविष्य में और भी बड़े नंबरों को आज़माने के द्वार खोलता है।

तकनीकी सारांश: कारणत्मक खेलों (causal games) के लिए GPU-त्वरित अर्ध-निश्चित प्रोग्रामिंग (semidefinite programming)

समस्या विवरण
यह शोध पत्र उन परिदृश्यों में क्वांटम सहसंबंधों (quantum correlations) के लक्षण वर्णन की चुनौती को संबोधित करता है जहाँ एक निश्चित कारणत्मक क्रम (causal order) का अभाव होता है, जिसे प्रोसेस मैट्रिक्स फॉर्मलिज्म (process matrix formalism) द्वारा वर्णित किया गया है। एक केंद्रीय खुला प्रश्न यह निर्धारित करना है कि कारणत्मक असमानताओं (causal inequalities) का अधिकतम उल्लंघन कितना हो सकता है, विशेष रूप से "गेस-योर-नेबर्स-इनपुट" (GYNI) खेल के भीतर। इस खेल में, दो पक्ष एक-दूसरे के इनपुट का अनुमान लगाने का प्रयास करते हैं। जबकि किसी भी निश्चित या संभावabilistic मिश्रित कारणत्मक क्रम के अनुकूल सहसंबंधों के लिए जीतने की संभावना $1/2$ तक सीमित है, ज्ञात सर्वोत्तम प्रोसेस-मैट्रिक्स रणनीति $d=5$ के स्थानीय आयामों का उपयोग करके लगभग $0.6218 $प्राप्त करती है। इसके विपरीत, ज्ञात सबसे मजबूत आयाम-स्वतंत्र ऊपरी सीमा (एक त्सिरेलसन-प्रकार की सीमा) लगभग$ 0.7592 $है। यह स्पष्ट नहीं है कि$ 0.6218 $और$ 0.7592$ के बीच का अंतर प्रोसेस मैट्रिसेस की मौलिक सीमा को दर्शाता है या केवल वर्तमान संख्यात्मक अनुकूलन विधियों की बाधाओं को, जो ऐतिहासिक रूप से छोटे स्थानीय आयामों के कारण सीमित रही हैं (क्योंकि SDP चर का आकार $d^4$ की दर से तेजी से बढ़ता है)।

कार्यप्रणाली
यह जांचने के लिए कि क्या स्थानीय आयाम को $d=5$ से आगे बढ़ाकर इस अंतर को कम किया जा सकता है, लेखक एक "सी-सॉ" (see-saw) अनुकूलन योजना का उपयोग करते हैं। यह पुनरावृत्ति एल्गोरिदम एक निश्चित प्रोसेस मैट्रिक्स के लिए स्थानीय क्वांटम उपकरणों (local quantum instruments) को अनुकूलित करने और स्थिर उपकरणों के लिए प्रोसेस मैट्रिक्स को अनुकूलित करने के बीच बारी-बारी से कार्य करता है। प्रत्येक चरण एक बड़े पैमाने के SDP को हल करने में शामिल है।

मुख्य तकनीकी योगदान प्रोसेस मैट्रिक्स फॉर्मलिज्म के लिए विशेष रूप से तैयार किए गए एक कस्टम, GPU-त्वरित SCS (स्प्लिटिंग कोनिक सॉल्वर) एल्गोरिदम का विकास है:

स्पार्स पैरामीट्रिज़ेशन (Sparse Parametrization): लेखक एक ऑर्थोनॉर्मल ट्रेसलेस बेसिस (सामान्यीकृत गेल-मैम बेसिस) का उपयोग करते हैं जो प्रोसेस मैट्रिक्स सबस्पेस के रैखिक बाधाओं के अनुकूल है। यह एक स्पार्स प्रतिनिधित्व की अनुमति देता है जहाँ सामान्यीकरण और प्रोसेस बाधाओं को सीधे चरों में शामिल किया जाता है, जिससे अनावश्यक एफ़ाइन बाधाओं से बचा जा सके।
GPU ऑफलोडिंग: मानक SCS कार्यान्वयन (संस्करण 3.2.11 तक) में, गणनात्मक रूप से प्रमुख चरण—ईगनडीकंपोजिशन (eigendecomposition) के माध्यम से धनात्मक-अर्ध-निश्चित (PSD) शंकु पर प्रोजेक्शन—CPU पर किया जाता है। लेखक JAX का उपयोग करके इस विशिष्ट ऑपरेशन को GPU पर ऑफलोड करते हैं।
मिश्रित-परिशुद्धता रणनीति (Mixed-Precision Strategy): गति को अधिकतम करने और सटीकता बनाए रखने के लिए, कार्यान्वयन प्रारंभिक अनुकूलन पुनरावृत्तियों को सिंगल प्रिसिजन में निष्पादित करता है और अभिसरण (convergence) के करीब होने पर ही डबल प्रिसिजन में स्विच करता है।
कॉम्प्लेक्स हर्मिटियन हैंडलिंग: अन्य GPU सॉल्वरों के विपरीत, जिन्हें जटिल हर्मिटियन बाधाओं को वास्तविक सममित (real symmetric) निरूपणों में एम्बेड करने की आवश्यकता होती है (जिससे मैट्रिक्स आयाम दोगुना हो जाता है), यह कार्यान्वयन सीधे जटिल हर्मिटियन चरों के साथ कार्य करता है, जिससे संबंधित कम्प्यूटेशनल ओवरहेड से बचा जा जा सके।

प्रमुख परिणाम
अपने GPU-त्वरित सॉल्वर का उपयोग करके, लेखकों ने MareNostrum5 सुपरकंप्यूटर पर $d=8$ तक के स्थानीय आयामों का अन्वेषण किया। पेपर की तालिका I में प्रस्तुत परिणाम दर्शाते हैं:

जीतने की संभावना आयाम के साथ बढ़ती है, जो $d=6$ और $d=7$ पर $0.6219$ तक पहुँचती है।
$d=8$ पर, मान $0.62189 $है, जो$ d=6 $और$ d=7$ की तुलना में मामूली रूप से कम है। लेखक इसे उच्च आयामों में आवंटित कम्प्यूटेशनल समय के भीतर अनुकूलन परिदृश्य (optimization landscape) की संपूर्ण खोज करने में बढ़ती कठिनाई के रूप में देखते हैं, न कि वास्तविक इष्टतम मान में कमी के रूप में।
$d=5$ से परे सुधार अत्यंत मामूली है। जीतने की संभावना की वृद्धि दर काफी धीमी हो जाती है, जो $0.7592$ की ऊपरी सीमा तक पहुँचने में विफल रहती है।

महत्व और दावे
लेख यह निष्कर्ष निकालता है कि केवल स्थानीय आयाम को बढ़ाना ही GYNI खेल के लिए ज्ञात त्सिरेलसन-प्रकार की ऊपरी सीमा तक पहुँचने के लिए पर्याप्त नहीं है। लेखक दो संभावनाओं का सुझाव देते हैं:

ऊपरी सीमा के करीब पहुँचने के लिए गुणात्मक रूप से भिन्न रणनीतियों (सरल आयाम स्केलिंग से परे) की आवश्यकता है।
वर्तमान ऊपरी सीमा $0.7592$ टाइट (tight) नहीं हो सकती है।

यह कार्य प्रदर्शित करता है कि GPU त्वरण प्रोसेस-मैट्रिक्स अनुकूलन की स्केलेबिलिटी में महत्वपूर्ण सुधार कर सकता है (छह गुना तक की गति वृद्धि प्रदान करता है), जिससे उच्च आयामों का अन्वेषण संभव होता है जो पहले दुर्गम थे। हालाँकि, देखे गए मामूली लाभ बताते हैं कि बाधा शुद्ध रूप से कम्प्यूटेशनल होने के बजाय सैद्धांतिक हो सकती है।

प्रस्तावित भविष्य की दिशाएं
लेखक अपने निष्कर्षों के आधार पर भविष्य के कार्य के लिए कई मार्ग पहचानते हैं:

बेहतर ऊपरी सीमाएँ: प्रोसेस-मैट्रिक्स सहसंबंधों के सेट के लिए मजबूत रिलैक्सेशन (relaxations) विकसित करना, संभावित रूप से सेमीडेफिनेट ब्लॉक-मोमेंट मैट्रिक्स रिलैक्सेशन का उपयोग करना, ताकि यह निर्धारित किया जा सके कि क्या वर्तमान सीमा टाइट है।
अनुमानित प्रोजेक्शन (Approximate Projections): कम्प्यूटेशनल लागत को और कम करने और यहाँ तक कि और बड़े आयामों में अनुकूलन को सक्षम करने के लिए अनुमानित PSD शंकु प्रोजेक्शन (जैसे, मैट्रिक्स पॉलिनोमियल के माध्यम से) की जांच करना।
सिमेट्री एक्सप्लोइटेशन (Symmetry Exploitation): अनुकूलन चरों की संख्या को कम करने या PSD बाधाओं को विभाजित करने के लिए GYNI खेल की समरूपताओं (symmetries) का उपयोग करना।
मल्टीपार्टाइट परिदृश्यों में विस्तार: इन GPU-त्वरित तकनीकों को मल्टीपार्टाइट सेटिंग्स और उच्च-क्रम के क्वांटम ऑपरेशंस पर लागू करना, जहाँ समस्या का आयाम तेजी से (exponentially) बढ़ता है।