⚛️ quantum physics

Pauli Weight Hamiltonian Term Selection for Optimized Machine Learning Based Quantum Error Mitigation

यह शोध पत्र Pi-QEM को प्रस्तुत करता है, जो एक मशीन लर्निंग-आधारित क्वांटम एरर मिटिगेशन फ्रेमवर्क है जो केवल प्रमुख, कम-भार वाले पॉली स्ट्रिंग्स के एक छोटे उपसमूह का उपयोग करके ग्राउंड-स्टेट एनर्जी एस्टीमेशन त्रुटियों को कुशलतापूर्वक कम करने के लिए पॉली वेट्स के आधार पर ट्रेनिंग ऑब्जर्वेबल्स को व्यवस्थित रूप से चुनता है।

मूल लेखक: Fadhil Fatih Shiddiq, Darell Timothy Tarigan, Hadyan Luthfan Prihadi, Jusak S. Kosasih, Yanoar P. Sarwono, Leong-Chuan Kwek, Freddy Permana Zen

प्रकाशित 2026-07-01

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Fadhil Fatih Shiddiq, Darell Timothy Tarigan, Hadyan Luthfan Prihadi, Jusak S. Kosasih, Yanoar P. Sarwono, Leong-Chuan Kwek, Freddy Permana Zen

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

यहाँ इस शोध पत्र का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।

बड़ी समस्या: एक शोर वाला क्वांटम किचन (रसोई)

कल्पना कीजिए कि आप एक ऐसी रसोई में एक आदर्श केक (एक अणु की ऊर्जा की गणना करना) बनाने की कोशिश कर रहे हैं जो हिल रही है, जहाँ लाइटें झपझपा रही हैं, और ओवन का तापमान बहुत ही गलत है। आज का क्वांटम कंप्यूटर कुछ ऐसा ही है। यह शक्तिशाली तो है, लेकिन यह "शोरयुक्त" (noisy) है। जब यह परिणाम मापने की कोशिश करता है, तो शोर इसमें एक "बायस" (एक निरंतर त्रुटि) जोड़ देता है, जिससे केक का स्वाद गलत हो जाता है।

वैज्ञानिकों ने इसे ठीक करने के लिए मशीन लर्निंग का उपयोग करके एक तरीका विकसित किया है। वे एक स्मार्ट 'सू-शेफ' (सहायक रसोइया) की तरह काम करते हैं जो यह अनुमान लगाना सीखता है कि केक का स्वाद कैसा होना चाहिए, भले ही ओवन खराब हो। वे एक कंप्यूटर मॉडल को डेटा पर प्रशिक्षित करके ऐसा करते हैं: "जब शोर वाला ओवन कहता है कि 'जला हुआ है', तो असली केक वास्तव में 'गोल्डन ब्राउन' होता है।"

बाधा: बहुत अधिक डेटा, बहुत धीमी गति

हालाँकि, इसमें एक पेंच है। इस स्मार्ट सू-शेफ को प्रशिक्षित करने के लिए, आपको आमतौर पर रेसिपी के हर एक घटक (ingredient) को मापना पड़ता है।

क्वांटम भौतिकी में, इन "घटकों" को पॉली स्ट्रिंग्स (Pauli strings) कहा जाता है (गणितीय शब्द जो अणु की ऊर्जा बनाते हैं)।
हाइड्रोजन ( $H_2$ ) जैसे एक साधारण अणु के लिए, इसमें 15 घटक हो सकते हैं। बड़े अणुओं के लिए, हजारों हो सकते हैं।
हर एक को मापने में बहुत अधिक समय और कंप्यूटिंग शक्ति लगती है। यह केक बनाने से पहले नमक के हर दाने, वैनिला की हर बूंद और आटे के हर कण को अलग-अलग चखने की कोशिश करने जैसा है। यह अक्षम है और सब कुछ धीमा कर देता है।

वर्तमान तरीके अक्सर घटकों को बेतरतीब ढंग से चुनते हैं या उन सभी को मापने की कोशिश करते हैं। यह बिना किसी योजना के पूरे ढेर को खोदे बिना सुई खोजने की कोशिश करने जैसा है।

समाधान: Pi-QEM (एक "स्मार्ट सेलेक्टर")

इस पेपर के लेखकों ने Pi-QEM (Pauli weight Quantum Error Mitigation) नामक एक नई विधि पेश की है। इसे एक स्मार्ट फिल्टर के रूप में समझें जो आपको बताता है कि सही परिणाम पाने के लिए आपको वास्तव में किन घटकों को चखने की आवश्यकता है।

मुख्य विचार: "लोकल" बनाम "ग्लोबल" शोर

पेपर बताता है कि सभी घटक स्वाद (या त्रुटि) में समान योगदान नहीं देते हैं।

लोकल घटक (कम वजन वाले): ये मुख्य मसालों (नमक, काली मिर्च) की तरह हैं। इनका स्वाद पर बड़ा और स्पष्ट प्रभाव पड़ता है। क्वांटम शब्दों में, ये "लोकल" ऑब्जर्वेबल्स हैं। इन्हें मापना आसान है, और इनका सिग्नल मजबूत और स्पष्ट होता है।
ग्लोबल घटक (उच्च वजन वाले): ये बैटर (घोल) के भीतर गहराई में होने वाली जटिल, अदृश्य रासायनिक प्रतिक्रियाओं की तरह हैं। इन्हें मापना कठिन है, और इनके सिग्नल इतने कमजोर होते हैं कि वे शोर में खो जाते हैं। क्वांटम शब्दों में, ये "ग्लोबल" ऑब्जर्वेबल्स हैं।

लेखकों ने पाया कि यदि आप अपने मशीन लर्निंग मॉडल को "ग्लोबल" घटकों पर प्रशिक्षित करने की कोशिश करते हैं, तो मॉडल भ्रमित हो जाता है क्योंकि सिग्नल बहुत कमजोर होता है (एक घटना जिसे वे "बैरेन प्लेटो" कहते हैं)। यह रसोई में हवा को चखकर रेसिपी सीखने की कोशिश करने जैसा है; आप कुछ भी उपयोगी नहीं सीख पाएंगे।

Pi-QEM की रणनीति:
सब कुछ मापने के बजाय, Pi-QEM घटकों के "वजन" (weight) को देखता है। यह कहता है: "आइए हम धुंधली, ग्लोबल रासायनिक प्रतिक्रियाओं को अनदेखा करें और केवल मजबूत, लोकल मसालों पर प्रशिक्षण लें।"

केवल लो-वेट (लोकल) पॉली स्ट्रिंग्स को चुनकर, मॉडल बहुत कम डेटा का उपयोग करके शोर के पैटर्न को बहुत तेज़ी से सीख सकता है।

परिणाम: कम काम, बेहतर केक

शोधकर्ताओं ने एक सिम्युलेटेड शोरयुक्त क्वांटम कंप्यूटर (IBM का "फेक एथेंस" बैकएंड) का उपयोग करके हाइड्रोजन अणु ( $H_2$ ) पर इसका परीक्षण किया।

मानक तरीका: उन्होंने सभी 15 घटकों पर एक मॉडल को प्रशिक्षित किया। यह अच्छी तरह से काम कर गया, जिससे त्रुटि काफी कम हो गई।
Pi-QEM का तरीका: उन्होंने केवल एक प्रमुख, लो-वेट घटक (जिसे $ZIII$ कहा जाता है) पर प्रशिक्षण दिया।
- परिणाम: इस सिंगल-इंग्रीडिएंट मॉडल ने लगभग उतना ही अच्छा प्रदर्शन किया जितना कि 15 घटकों वाले मॉडल ने किया।
- सुधार: इसने अंतिम ऊर्जा गणना में कच्चे, शोरयुक्त डेटा की तुलना में त्रुटि को 34% कम कर दिया।
चेतावनी: जब उन्होंने एक "भारी" (ग्लोबल) घटक पर प्रशिक्षण देने की कोशिश की, तो मॉडल और भी खराब हो गया। इसने साबित कर दिया कि गलत प्रकार का डेटा चुनना मशीन लर्निंग को विफल कर देता है।

निष्कर्ष (Takeaway)

यह पेपर इस बात की खोज जैसा है कि आपको यह जानने के लिए कि सूप नमकीन है या नहीं, नमक के हर दाने को चखने की ज़रूरत नहीं है; आपको बस उस चम्मच को चखने की ज़रूरत है जहाँ नमक सबसे अधिक केंद्रित है।

Pi-QEM वैज्ञानिकों को उन "चम्मच" (सबसे सूचनात्मक, लो-वेट क्वांटम माप) को चुनने के लिए एक व्यवस्थित नियम देता है जो सबसे अधिक मायने रखते हैं। यह उन्हें क्वांटम कंप्यूटरों पर त्रुटियों को बहुत तेज़ी से और कम संसाधनों के साथ ठीक करने की अनुमति देता है, जिससे यह तकनीक आज के वास्तविक उपयोग के लिए अधिक व्यावहारिक बन जाती है।

संक्षेप में: उन्होंने बेकार डेटा मापने में समय बर्बाद करना बंद करने का एक तरीका खोज लिया है। केवल "स्पष्ट और तेज़" संकेतों पर ध्यान केंद्रित करके, वे कंप्यूटर को शोर को अनदेखा करना उतना ही अच्छी तरह से सिखा सकते हैं जितना कि सब कुछ मापने से होता।

तकनीकी सारांश: अनुकूलित मशीन लर्निंग आधारित क्वांटम एरर मिटिगेशन के लिए पाउली वेट हैमिल्टोनियन टर्म चयन

समस्या विवरण

नॉयजी इंटरमीडिएट-स्केल क्वांटम (NISQ) युग में, कंप्यूटेशनल एल्गोरिदम में शोर-प्रेरित पूर्वाग्रहों (noise-induced biases) को कम करने के लिए क्वांटम एरर मिटिगेशन (QEM) आवश्यक है। जबकि रैंडम फॉरेस्ट-आधारित QEM (RF-QEM) जैसे लर्निंग-आधारित QEM तरीके, ज़ीरो-नॉइज़ एक्सट्रैपोलेशन (ZNE) और प्रोबेबिलिस्टिक एरर कैंसिलेशन (PEC) जैसी पारंपरिक तकनीकों की तुलना में अतिरिक्त सर्किट ओवरहेड से बचकर एक स्केलेबल विकल्प प्रदान करते हैं, वे एक महत्वपूर्ण बाधा का सामना करते हैं: ऑब्जर्वेबल चयन (observable selection)।

वर्तमान लर्निंग-आधारित दृष्टिकोण आमतौर पर प्रशिक्षण डेटासेट बनाने के लिए हैमिल्टोनियन से पाउली स्ट्रिंग्स के ह्यूरिस्टिक या यूनिफॉर्म रैंडम सैंपलिंग पर निर्भर करते हैं। इस प्रक्रिया के लिए प्रत्येक पाउली स्ट्रिंग के लिए डेटा की आवश्यकता होती है, जिससे माप लागत (measurement cost) $N$ पदों के साथ रैखिक रूप से बढ़ती है और सिस्टम के आकार के साथ बढ़ती जाती है। महत्वपूर्ण रूप से, सभी ऑब्जर्वेबल्स प्रशिक्षण के लिए आवश्यक सांख्यिकीय जानकारी में समान योगदान नहीं देते हैं। अनinformative (सूचनाहीन) ऑब्जर्वेबल्स को शामिल करने से सीखने की दक्षता घटती है, जबकि अत्यधिक सूचनात्मक ऑब्जर्वेबल्स को बाहर करने से मॉडल का प्रदर्शन समझौता होता है। मिटिगेशन सटीकता को अधिकतम करने और संसाधन आवश्यकताओं को न्यूनतम करने के लिए इष्टतम ऑब्जर्वेबल्स के उपसमुच्चय (subset) की पहचान करने के लिए वर्तमान में कोई व्यवस्थित रणनीति उपलब्ध नहीं है।

कार्यप्रणाली: Pi-QEM फ्रेमवर्क

लेखक पाउली वेट क्वांटम एरर मिटिगेशन (Pi-QEM) पेश करते हैं, जो "पाउली वेट" (एक पाउली स्ट्रिंग में गैर-आइडेंटिटी सिंगल-क्विबिट ऑपरेटर्स की संख्या) के आधार पर प्रशिक्षण ऑब्जर्वेबल्स चुनने के लिए डिज़ाइन किया गया एक व्यवस्थित फ्रेमवर्क है। यह पद्धति इस प्रकार कार्य करती है:

सैद्धांतिक आधार: यह फ्रेमवर्क पैरामीटराइज्ड क्वांटम सर्किट (PQC) पैरामीटर स्पेस में एक ऑब्जर्वेबल के एक्सपेक्टेशन वैल्यू के वेरिएंस और बैरेन प्लेटो (barren plateaus) की घटना के बीच संबंध का लाभ उठाता है।
- वेरिएंस, $\text{Var}_\Theta[f(\hat{P}_k)]$ , प्रशिक्षण डेटा की सांख्यिकीय अभिव्यंजना (statistical expressivity) के लिए एक मीट्रिक के रूप में कार्य करता है।
- सैद्धांतिक विश्लेषण इंगित करता है कि ग्लोबल ऑब्जर्वेबल्स (उच्च पाउली वेट) कॉस्ट-कंसन्ट्रेशन के कारण विलुप्त होते वेरिएंस (exponentially suppressed variance) से ग्रस्त होते हैं, जिससे वे प्रशिक्षण के लिए सूचनाहीन हो जाते हैं।
- इसके विपरीत, लोकल ऑब्जर्वेबल्स (कम पाउली वेट) महत्वपूर्ण वेरिएंस बनाए रखते हैं, जो मजबूत प्रशिक्षण संकेत प्रदान करते हैं।
चयन मानदंड: प्रत्येक टर्म के लिए स्पष्ट रूप से वेरिएंस की गणना करने के बजाय (जो कि कम्प्यूटेशनल रूप से महंगा है), Pi-QEM लोकैलिटी के प्रॉक्सी के रूप में पाउली वेट का उपयोग करके वेरिएंस-आधारित चयन का अनुमान लगाता है।
- प्रशिक्षण उपसमुच्चय $P_{sub}$ को $\{P_k \in P \mid w(P_k) \leq w_{max}\}$ के रूप में परिभाषित किया गया है, जहाँ $w(P_k)$ पाउली वेट है।
- यह डेटासेट जटिलता को $O(MN) $से घटाकर$ O(M|P_{sub}|) $कर देता है, जहाँ$ |P_{sub}| \ll N$ है।
मशीन लर्निंग मॉडल:
- एक रैंडम फॉरेस्ट रिग्रेशन मॉडल नॉइजी एक्सपेक्टेशन वैल्यू ( $f_E$ ) और आइडियल, एरर-फ्री एक्सपेक्टेशन वैल्यू ( $f_{ef}$ ) के बीच नॉन-लीनियर मैपिंग को सीखने के लिए प्रशिक्षित किया जाता है।
- इनपुट फीचर वेक्टर में नॉइजी मेजरमेंट आउटकम, PQC पैरामीटर्स ( $\theta$ ), और पाउली स्ट्रिंग का प्रतिनिधित्व शामिल है।
- मॉडल को केवल चयनित लो-वेट ऑब्जर्वेबल्स वाले रिड्यूस्ड डेटासेट पर प्रशिक्षित किया जाता है, लेकिन यह पूरे हैमिल्टोनियन के लिए मिटिगेटेड वैल्यूज की भविष्यवाणी करने में सक्षम है।
कार्यान्वयन: इस फ्रेमवर्क का परीक्षण हाइड्रोजन अणु ( $H_2$ ) पर जॉर्डन-विजनर (JW) और ब्रावी-किटाएव (BK) फर्मियन-टू-क्विबिट मैपिंग का उपयोग करके किया गया। सिमुलेशन एक नॉइजी IBM क्वांटम बैकएंड एमुलेटर (ibm_fake_athens) पर किए गए थे।

मुख्य परिणाम

$H_2$ अणु पर संख्यात्मक सिमुलेशन निम्नलिखित निष्कर्ष प्रदान करते हैं:

न्यूनतम डेटा के साथ प्रदर्शन: एक सिंगल डोमिनेंट लोकल ऑब्जर्वेबल (विशेष रूप से $ZIII$, एक वेट-1 टर्म) पर प्रशिक्षित Pi-QEM मॉडल ने नॉइजी बेसलाइन की तुलना में ग्राउंड-स्टेट एनर्जी एस्टीमेशन एरर में 34.01% की कमी हासिल की।
फुल-हैमिल्टोनियन ट्रेनिंग के साथ तुलना: यह प्रदर्शन मानक RF-QEM मॉडल के तुलनीय था जिसे पूरे हैमिल्टोनियन के सभी 15 पाउली स्ट्रिंग्स पर प्रशिक्षित किया गया था, जिसने 37.13% एरर रिडक्शन प्राप्त किया।
ग्लोबल ऑब्जर्वेबल्स की विफलता: उच्च-वेट ग्लोबल ऑब्जर्वेबल्स (जैसे $XXXX$, वेट-4) पर प्रशिक्षित मॉडलों के परिणामस्वरूप Pi-QEM बेसलाइन के सापेक्ष 22.90% गिरावट देखी गई, जो पुष्टि करती है कि उच्च-वेट टर्म्स अपर्याप्त सांख्यिकीय संरचना प्रदान करते हैं।
सामान्यीकरण (Generalization): यह रुझान विभिन्न फीचर कार्डिनैलिटी (ड्यूल और ट्रिपल सबसेट्स) और मैपिंग स्कीम्स (JW और BK) में बना रहा। लो-वेट ऑब्जर्वेबल्स से बने उपसमुच्चय लगातार उच्च-वेट टर्म्स वाले उपसमुत्तों की तुलना में कम मीन एब्सोल्यूट एरर (MAE) प्रदान करते हैं।
दक्षता: Pi-QEM दृष्टिकोण ने सटीकता को ZNE और फुल-सेट RF-QEM के तुलनीय बनाए रखते हुए, आवश्यक प्रशिक्षण संसाधनों को सफलतापूर्वक कम किया, बिना ZNE से जुड़े सर्किट-फोल्डिंग ओवरहेड के।

महत्व और दावे

लेखक दावा करते हैं कि Pi-QEM निकट-अवधि (near-term) क्वांटम एल्गोरिदम के लिए उच्च-परिशुद्धता त्रुटि न्यूनीकरण (error mitigation) के लिए एक व्यवस्थित, स्केलेबल और संसाधन-कुशल मार्ग प्रदान करता है। इसके प्राथमिक योगदान हैं:

सिद्धांत और व्यवहार को जोड़ना: यह बैरेन प्लेटो घटना (वेरिएंस सप्रेशन) और प्रशिक्षण ऑब्जर्वेबल्स के चयन के बीच एक सीधा संबंध स्थापित करता है, जो पाउली वेट को चयन मानदंड के रूप में उपयोग करने को उचित ठहराता है।
स्केलेबिलिटी: यह प्रदर्शित करके कि पूरे हैमिल्टोनियन के अंतर्निहित शोर संरचना को कैप्चर करने के लिए कम-वेट ऑब्जर्वेबल्स का एक छोटा उपसमुच्चय पर्याप्त है, यह विधि वर्तमान लर्निंग-आधारित QEM की स्केलेबिलिटी बाधा को संबोधित करती है।
प्रशिक्षण डेटा का अनुकूलन: फ्रेमवर्क सिद्ध करता है कि "अधिक डेटा" (सभी पाउली टर्म्स) आवश्यक रूप से बेहतर नहीं है; बल्कि, "बेहतर डेटा" (सांख्यिकीय रूप से सूचनात्मक, लो-वेट टर्म्स) प्रभावी लर्निंग-आधारित मिटिगेशन के लिए महत्वपूर्ण है।

लेखक निष्कर्ष निकालते हैं कि मशीन लर्निंग रणनीतियों को क्वांटम ऑप्टिमाइजेशन लैंडस्केप के ज्यामितीय गुणों—विशेष रूप से ऑब्जर्वेबल्स की लोकैलिटी-डिपेंडेंट वेरिएंस—के साथ संरेखित करना, निकट-अवधि क्वांटम एल्गोरिदम में एरर मिटिगेशन को आगे बढ़ाने के लिए आवश्यक है।