🔬 condensed matter

Evaluating the solution performance of the augmented Lagrangian function on Ising machines

यह शोध पत्र प्रदर्शित करता है कि इसिंग मशीनों (Ising machines) पर संवर्धित लैग्रेंजियन फलन (augmented Lagrangian function) के सूत्रीकरण को लागू करने से समाधान प्रदर्शन में महत्वपूर्ण सुधार होता है, जो पारंपरिक दंड फलन (penalty function) विधियों की तुलना में संख्यात्मक स्थिरता बनाए रखते हुए और उच्च-परिशुद्धता समाधान शीघ्र प्राप्त करते हुए, टाइम-टू-एप्सिलॉन (time-to-epsilon) को लगभग एक क्रम (order of magnitude) तक कम कर देता है।

मूल लेखक: Shunsuke Awai, Takuro Itoh, Keita Takahashi, Kotaro Tanahashi, Shu Tanaka

प्रकाशित 2026-06-24

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Shunsuke Awai, Takuro Itoh, Keita Takahashi, Kotaro Tanahashi, Shu Tanaka

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

समस्या: सूटकेस पैक करना (एक ट्विस्ट के साथ)

कल्पना कीजिए कि आप यात्रा के लिए एक सूटकेस पैक करने की कोशिश कर रहे हैं। आपके पास वस्तुओं की एक सूची है, जिनमें से प्रत्येक का एक मूल्य (आप उसे कितना चाहते हैं) और एक वजन है। आपका लक्ष्य उन वस्तुओं का संयोजन चुनना है जो सूटकेस की वजन सीमा को पार किए बिना कुल मूल्य को अधिकतम कर सके।

कंप्यूटर की दुनिया में, इसे "कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन प्रॉब्लम" (Combinatorial Optimization Problem) कहा जाता है। यह विशेष रूप से कठिन है क्योंकि संभावित संयोजनों की संख्या इतनी तेजी से बढ़ती है कि सुपरकंप्यूटर भी सटीक उत्तर खोजने में फंस सकते हैं।

इसे हल करने के लिए, शोधकर्ता आइसिंग मशीनों (Ising machines) नामक विशेष कंप्यूटरों का उपयोग करते हैं। एक आइसिंग मशीन को एक उच्च गति वाले, अराजक खोजकर्ता (chaotic explorer) के रूप में समझें। यह केवल एक-एक करके हर संभावना की जांच नहीं करता है; यह संभावनाओं के परिदृश्य (landscape) को "महसूस" करता है, और सबसे निचले बिंदु (सर्वश्रेष्ठ समाधान) की तलाश करता है।

बाधा: "बहुत भारी" होने का दंड (Penalty)

समस्या यह है कि आइसिंग मशीनें निम्नतम ऊर्जा अवस्था (lowest energy state) खोजने के लिए डिज़ाइन की गई हैं, लेकिन वे स्वाभाविक रूप से "वजन सीमा से अधिक न होने दें" जैसे नियमों को नहीं समझती हैं।

इसे ठीक करने के लिए, वैज्ञानिक आमतौर पर एक पेनल्टी फंक्शन (Penalty Function) जोड़ते हैं।

उपमा: कल्पना करें कि आप खजाने के संदूक (सबसे अच्छा मूल्य) की ओर बढ़ रहे हैं। हालाँकि, वहाँ एक भारी, अदृश्य दीवार है जो वजन सीमा का प्रतिनिधित्व करती है। यदि आप बहुत अधिक वजन उठाने की कोशिश करते हैं, तो वह दीवार वापस धक्का देती है।
दुविधा: नियम का पालन सुनिश्चित करने के लिए, आपको इस दीवार को अविश्वसनीय रूप से भारी (एक बड़ा "पेनल्टी कोएफिशिएंट") बनाना होगा।
- यदि दीवार बहुत कमजोर है, तो आप गलती से इसके आर-पार जा सकते हैं और एक ऐसा सूटकेस पा सकते हैं जो बहुत भारी है (एक अमान्य समाधान)।
- यदि दीवार बहुत मजबूत है, तो यह एकमात्र चीज़ बन जाती है जिस पर आप ध्यान देते हैं। आप दीवार से टकराने के डर से इतने घबरा जाते हैं कि आप खजाने की तलाश करना ही छोड़ देते हैं। आप एक बहुत हल्का सूटकेस लेकर रह जाते हैं जो कचरे से भरा है क्योंकि आप कुछ भी कीमती उठाने से डर रहे थे।

इस दीवार के लिए "गोल्डिलॉक्स" (बिल्कुल सही) वजन ढूंढना बहुत कठिन है। यदि आप गलत होते हैं, तो कंप्यूटर समय बर्बाद करता है या खराब उत्तर देता है।

समाधान: "ऑगमेंटेड लैग्रेंजियन" (एक स्मार्ट गाइड)

इस पेपर के लेखकों ने "ऑगमेंटेड लैग्रेंजियन फंक्शन" (ALF) नामक एक नई रणनीति का परीक्षण किया।

केवल एक भारी दीवार के बजाय, एक स्मार्ट गाइड (Smart Guide) को अपनी यात्रा में जोड़ने की कल्पना करें।

दीवार (पेनल्टी): अभी भी मौजूद है, लेकिन यह हल्की हो सकती है।
गाइड (लैग्रेंज मल्टीप्लायर): यह गाइड इस बात पर नज़र रखता है कि आप दीवार के कितने करीब हैं। यदि आप बहुत भारी हो रहे हैं, तो गाइड आपको धीरे से वापस धकेलता है। यदि आप बहुत हल्के हैं, तो यह आपको अधिक मूल्य प्राप्त करने के लिए प्रोत्साहित करता है।

यहाँ मुख्य नवाचार यह है कि गाइड नियमों को लागू करने का भारी काम करता है, जिससे दीवार को हल्का रहने की अनुमति मिलती है।

पेपर ने क्या पाया

शोधकर्ताओं ने इसे एक वास्तविक आइसिंग मशीन का उपयोग करके एक विशिष्ट प्रकार की सूटकेस समस्या (क्वाड्रेटिक नैपसैक प्रॉब्लम) पर परखा। यहाँ उनकी खोजएँ दी गई हैं:

गति में उछाल (Speed Boost): "स्मार्ट गाइड" विधि (ALF) ने पुराने "भारी दीवार" (पेनल्टी फंक्शन) वाले तरीके की तुलना में लगभग 10 गुना तेजी से अच्छे और वैध समाधान खोजे।
बेहतर संतुलन: पुराने तरीके के साथ, आपको गलतियों से बचने के लिए दीवार को विशाल बनाना पड़ता था, जिससे मूल्य खोजने की प्रक्रिया खराब हो जाती थी। नए तरीके के साथ, वे दीवार को छोटा रख सकते थे (ताकि कंप्यूटर अभी भी कीमती वस्तुएं खोजने पर ध्यान दे सके) जबकि गाइड यह सुनिश्चित करता था कि वजन सीमा का सम्मान किया जाए।
तेजी से शुरुआत: जब उन्होंने वास्तविक समय में कंप्यूटर को खोजते हुए देखा, तो "स्मार्ट गाइड" विधि प्रक्रिया के बहुत शुरुआती चरण में ही एक अच्छा समाधान तक पहुँच गई। पुराना तरीका स्थिर होने में बहुत समय लेता था।

यह कैसे काम करता है (मैजिक एक्सप्लेनेशन)

पेपर इसे "कम्प्लीटिंग द स्क्वायर" (completing the square) नामक गणित के एक हिस्से का उपयोग करके समझाता है, लेकिन यहाँ इसका सरल संस्करण है:

"स्मार्ट गाइड" प्रभावी रूप से लक्ष्य (goalpost) को स्थानांतरित कर देता है।

पुराने तरीके में, कंप्यूटर को सुरक्षित रहने के लिए सटीक वजन सीमा तक पहुँचना होता था।
नए तरीके में, गाइड "सुरक्षित क्षेत्र" को थोड़ा बदल देता है। यह कंप्यूटर को बताता है, "एक ऐसा सूटकेस बनाने का लक्ष्य रखें जो सीमा से थोड़ा हल्का हो।"
क्योंकि कंप्यूटर एक हल्के लक्ष्य की ओर बढ़ रहा है, वह स्वाभाविक रूप से खतरे के क्षेत्र से बच जाता है। यह कंप्यूटर को नियमों को तोड़ने के डर में उलझे बिना, सबसे कीमती वस्तुओं (खजाने) को खोजने पर ध्यान केंद्रित रखने की अनुमति देता है।

निष्कर्ष

पेपर यह निष्कर्ष निकालता है कि इस "ऑगमेंटेड लैग्रेंजियन" फॉर्मूलेशन का उपयोग करना आइसिंग मशीनों को जटिल, नियम-आधारित समस्याओं को हल करने में बहुत बेहतर बनाने का एक आशाजनक तरीका है। यह कंप्यूटर को सबसे अच्छा उत्तर खोजने पर ध्यान खोए बिना नियमों का पालन करने की अनुमति देता है, जिससे समाधान खोजने में लगने वाले समय को दस गुना कम कर दिया जाता है।

नोट: इस पेपर ने अवधारणा को सिद्ध करने के लिए विशेष रूप से एक गणितीय पहेली (क्वाड्रेटिक नैपसैक प्रॉब्लम) पर कड़ाई से परीक्षण किया है। यह दावा नहीं करता है कि यह विधि अभी लॉजिस्टिक्स या फाइनेंस जैसे विशिष्ट वास्तविक दुनिया के अनुप्रयोगों के लिए तैयार है, हालांकि आइसिंग मशीनें आम तौर पर इन्हीं प्रकार की समस्याओं के लिए उपयोग की जाती हैं।

तकनीकी सारांश: आइसिंग मशीनों पर ऑगमेंटेड लैग्रेंजियन फंक्शन के समाधान प्रदर्शन का मूल्यांकन

समस्या विवरण
आइसिंग मशीनें विशेष कंप्यूटिंग उपकरण हैं जिन्हें एक आइसिंग मॉडल के ग्राउंड स्टेट (ground state) में मैपिंग करके कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन समस्याओं को हल करने के लिए डिज़ाइन किया गया है। बाधाओं वाले समस्याओं (constrained problems) को लागू करने में एक महत्वपूर्ण चुनौती बाधाओं को तैयार करना है। आमतौर पर, बाधाओं को एक पेनल्टी टर्म के माध्यम से ऑब्जेक्टिव फंक्शन में शामिल किया जाता है, जिसके लिए ऑब्जेक्टिव फंक्शन और बाधा संतुष्टि के बीच संतुलन बनाने के लिए एक पेनल्टी गुणांक ( $\mu$ ) की आवश्यकता होती है। इस गुणांक में एक अंतर्निहित ट्रेड-ऑफ (trade-off) शामिल है: यदि $\mu$ बहुत छोटा है, तो मशीन अप्राप्य (infeasible) अवस्थाओं को सैंपल करती है; यदि $\mu$ बहुत बड़ा है, तो ऊर्जा परिदृश्य (energy landscape) बाधा पद द्वारा हावी हो जाता है, जिससे ऑब्जेक्टिव फंक्शन के मानों में अंतर स्पष्ट करना कठिन हो जाता है और उच्च गुणवत्ता वाले व्यवहार्य समाधान खोजना मुश्किल हो जाता है। हालांकि $\mu$ को समायोजित करने के लिए विभिन्न ट्यूनिंग विधियाँ मौजूद हैं, वे आम तौर पर इस ट्रेड-ऑफ को प्रबंधित करने के लिए एक एकल पैरामीटर पर निर्भर करती हैं।

कार्यप्रणाली
यह अध्ययन आइसिंग मशीनों के लिए एक वैकल्पिक फॉर्मूलेशन के रूप में ऑगमेंटेड लैग्रेंजियन फंक्शन (ALF) का मूल्यांकन करता है, जो विशेष रूप से मानक पेनल्टी फंक्शन (PF) फॉर्मूलेशन के विरुद्ध तुलना करता है। लेखक बेंचमार्क के रूप में क्वाड्रेटिक नैपसैक प्रॉब्लम (QKP) का उपयोग करते हैं, जो एक असमानता-बाधित (inequality-constrained) समस्या है जहाँ लक्ष्य वजन क्षमता से अधिक हुए बिना वस्तुओं के मूल्यों को अधिकतम करना है।

फॉर्मुलेशन:
- पेनल्टी फंक्शन: समस्या का हैमिल्टोनियन $H_P(x) = f(x) + \frac{\mu}{2}[g(x) - c]^2$ है, जहाँ $f(x)$ ऑब्जेक्टिव है और $g(x)=c$ बाधा है।
- ऑगमेंटेड लैग्रेंजियन फंक्शन: हैमिल्टोनियन $H_{AL}(x) = f(x) + \frac{\mu}{2}[g(x) - c]^2 - \lambda[g(x) - c]$ है। यह एक लैग्रेंज मल्टीप्लायर टर्म ( $\lambda$ ) पेश करता है जो बाधा उल्लंघन (constraint violation) में रैखिक (linear) है।
- अध्ययन ALF को एक स्थिर फॉर्मूलेशन के रूप में मानता है जिसमें फिक्स्ड हाइपरपैरामीटर्स ( $\mu, \lambda$ ) हैं, न कि एक ऐसे पुनरावृत्ति एल्गोरिदम के रूप में जो खोज के दौरान इन मापदंडों को अपडेट करता है, हालांकि पुनरावृत्ति ऑगमेंटेड लैग्रेंजियन मेथड (ALM) को एक सहायक विश्लेषण के रूप में चर्चा में रखा गया है।
प्रायोगिक सेटअप:
- सॉल्वर: फिक्सस्टार एम्प्लीफाई एनीलिंग इंजन (AE) का उपयोग किया गया था।
- इंस्टेंस: ज्ञात इष्टतम समाधानों वाले तीन QKP बेंचमार्क इंस्टेंस ( $N=100, 200, 300$ ) का उपयोग किया गया।
- मेट्रिक: प्रदर्शन का मूल्यांकन टाइम-टू-एप्सिलॉन ( $TT_\epsilon$ ) का उपयोग करके किया गया, जिसे एक लक्षित प्रायिकता ( $p_R = 0.99$ ) के साथ एक सापेक्ष सहनशीलता $\epsilon$ (0.05 पर सेट) के भीतर एक व्यवहार्य समाधान प्राप्त करने के लिए आवश्यक कुल गणना समय के रूप में परिभाषित किया गया है।
- पैरामीटर्स: $\mu$ (0 से 100) और $\lambda$ (-500 से 500) पर एक ग्रिड सर्च किया गया।

मुख्य योगदान और परिणाम
अध्ययन मात्रात्मक रूप से मूल्यांकन प्रदान करता है कि ALF फॉर्मूलेशन, PF फॉर्मूलेशन की तुलना में समाधान प्रदर्शन को कैसे प्रभावित करता है।

$TT_\epsilon$ में कमी: ALF फॉर्मूलेशन ने सबसे अच्छा प्रदर्शन करने वाले PF फॉर्मूलेशन की तुलना में $TT_\epsilon$ को लगभग एक क्रम (one order of magnitude) कम कर दिया। विशेष रूप से, इंस्टेंस 'r 100 50 5' के लिए, PF के लिए न्यूनतम $TT_\epsilon$ $\mu=40$ पर पाया गया, जबकि ALF ने बहुत छोटे $\mu$ (जैसे, $\mu=5, \lambda=100$ ) पर काफी कम $TT_\epsilon$ मान प्राप्त किए।
पैरामीटर निर्भरता: परिणामों ने प्रदर्शित किया कि ALF अपेक्षाकृत छोटे $\mu$ मानों का उपयोग करने की अनुमति देता है और फिर भी व्यवहार्य समाधान प्राप्त करता है। PF फॉर्मूलेशन में, छोटा $\mu$ अप्राप्यता (infeasibility) की ओर ले जाता है, जबकि बड़ा $\mu$ समाधान की गुणवत्ता को खराब करता है। ALF $\lambda$ टर्म का उपयोग करके ऊर्जा परिदृश्य को ठीक करके इसे कम करता है, जिससे $\mu$ के छोटे होने पर भी ऑब्जेक्टिव फंक्शन के सापेक्ष ऊर्जा स्केल को बनाए रखा जा सकता है।
अस्थायी विकास (Temporal Evolution): प्रतिनिधि ALF सेटिंग्स के तहत इंकंबेंट समाधान के अस्थायी विकास के विश्लेषण ने दिखाया कि समाधान ने PF की तुलना में निष्पादन समय के दौरान पहले ही एक प्लेटो (निकट-इष्टतम ऑब्जेक्टिव मान) तक पहुँच लिया। इसके अलावा, व्यवहार्य समाधानों के बीच भिन्नता ALF के लिए कम थी।
संरचनात्मक स्पष्टीकरण: एक "स्क्वायर-कम्प्लीशन" विश्लेषण के माध्यम से, लेखकों ने दिखाया कि ALF गणितीय रूप से बाधा की प्रभावी क्षमता (effective capacity) को शिफ्ट करने के समान है। $\lambda$ टर्म प्रभावी रूप से पेनल्टी टर्म के न्यूनतम को $H_{const}=0$ से $H_{const}=\lambda/\mu$ की ओर शिफ्ट करता है। $\lambda > 0$ के लिए, यह खोज को कम कुल वजन वाली वस्तुओं के चयन की ओर मोड़ता है, जिससे बड़े $\mu$ की आवश्यकता के बिना मूल असमानता बाधा को संतुष्ट करने की संभावना बढ़ जाती है।

महत्व और दावे
पेपर दावा करता है कि ऑगमेंटेड लैग्रेंजियन फंक्शन आइसिंग मशीनों के समाधान प्रदर्शन को बेहतर बनाने के लिए एक उम्मीदवार (promising) फॉर्मूलेशन है। प्राथमिक महत्व इस बात में निहित है कि लैग्रेंज मल्टीप्लायर टर्म को पेश करने से पेनल्टी गुणांक $\mu$ को छोटा रखा जा सकता है। यह ऊर्जा परिदृश्य में ऑब्जेक्टिव फंक्शन टर्म के योगदान को सुरक्षित रखता है, जिससे मानक पेनल्टी फंक्शन की तुलना में कम ऑब्जेक्टिव एरर के साथ व्यवहार्य समाधानों की खोज अधिक कुशलता से की जा सकती है।

लेखक नोट करते हैं कि उनके निष्कर्ष QKP बेंचमार्क इंस्टेंस और विशिष्ट सॉल्वर सेटिंग्स पर आधारित हैं। वे स्पष्ट रूप से कहते हैं कि वह विस्तृत गतिशील तंत्र (dynamical mechanism) जो यह समझाता है कि ALF एसिम्प्टोटिक (asymptotic) मान तक पहले क्यों पहुँचता है, अभी भी स्पष्ट नहीं है और इसके लिए स्टेट ट्रांजिशन व्यवहारों की आगे जांच की आवश्यकता है। इसके अतिरिक्त, हालांकि अध्ययन स्वयं फॉर्मूलेशन पर केंद्रित है, परिणाम बताते हैं कि लाभों को पुनरावृत्ति ऑगमेंटेड लैग्रेंजियन मेथड (ALM) द्वारा संभावित रूप से अपनाया जा सकता है, जो बाधा उल्लंघन के आधार पर मापदंडों को अनुकूल रूप से अपडेट करता है, हालांकि पुनरावृत्ति अपडेट और प्रत्यक्ष पैरामीटर सर्च के बीच एक व्यवस्थित लागत तुलना को भविष्य के कार्य के रूप में छोड़ दिया गया है।