⚛️ quantum physics

Spectral Born machines: classically trainable quantum generative models for discrete data

यह शोध पत्र स्पेक्ट्रल बॉर्न मशीनों (spectral Born machines) को प्रस्तुत करता है, जो ग्रुप फूरियर विश्लेषण पर आधारित एक क्लासिकली ट्रेन करने योग्य क्वांटम जनरेटिव मॉडल है, जो कम पैरामीटर गणनाओं के साथ डिस्क्रीट, इंटिजर-स्ट्रक्चर्ड डेटा को कुशलतापूर्वक सीखता है और 190 क्विबिट्स तक स्केलेबिलिटी प्रदर्शित करता है, जबकि डेटा-दुर्लभ स्थितियों में भी ओवरफिटिंग से बचने की क्षमता रखता है।

मूल लेखक: Austin Huang, William Maxwell, Vasilis Belis, Evan Peters, Jason Pye, Soran Jahangiri, Joseph Bowles

प्रकाशित 2026-07-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Austin Huang, William Maxwell, Vasilis Belis, Evan Peters, Jason Pye, Soran Jahangiri, Joseph Bowles

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

मुख्य विचार: क्वांटम कंप्यूटर को समूहों में "सोचना" सिखाना

कल्पना कीजिए कि आप एक कंप्यूटर को किसी जटिल डेटासेट के पैटर्न को सीखना सिखाना चाहते हैं, जैसे कि किसी गाने में अक्षरों का क्रम या मोज़ेक (mosaic) में टाइलों की व्यवस्था। आमतौर पर, हम कंप्यूटर को उदाहरण दिखाकर और उन्हें नियम अनुमान लगाने देकर सिखाते हैं।

यह पेपर एक नए प्रकार के "क्वांटम जनरेटिव मॉडल" को पेश करता है जिसे स्पेक्ट्रल बॉर्न मशीन (Spectral Born Machine) कहा जाता है। इसे एक विशेष प्रकार के क्वांटम कंप्यूटर प्रोग्राम के रूप में समझें जिसे विशेष रूप से विविक्त संख्याओं (discrete numbers) (जैसे पूर्णांक: 0, 1, 2, 3...) से बने डेटा को सीखने के लिए डिज़ाइन किया गया है, न कि केवल साधारण ऑन/ऑफ स्विच (बिट्स) के लिए।

लेखकों का मुख्य दावा यह है कि उन्होंने एक ऐसा मॉडल बनाया है जिसे सामान्य कंप्यूटरों पर प्रशिक्षित करना आसान है, लेकिन पूरा होने के बाद इसकी नकल करना या सिम्युलेट करना कठिन है। इसका अर्थ यह है कि आप सीखने का भारी काम एक मानक लैपटॉप या सर्वर पर कर सकते हैं, और फिर तैयार "मस्तिष्क" को नया, वास्तविक डेटा उत्पन्न करने के लिए एक क्वांटम कंप्यूटर को भेज सकते हैं।

समस्या: "बाइनरी" बेमेल (Mismatch)

यह समझने के लिए कि यह विशेष क्यों है, कल्पना कीजिए कि आप एक बच्चे को केवल एक टॉर्च का उपयोग करके गिनती सिखाने की कोशिश कर रहे हैं जो या तो ON हो सकती है या OFF।

पुराना तरीका: संख्या 3 को दर्शाने के लिए, आप टॉर्च को तीन बार ON कर सकते हैं। 4 को दर्शाने के लिए, आप इसे चार बार ON कर सकते हैं। लेकिन बाइनरी बिट्स (0 और 1) की दुनिया में, संख्या 3 011 है और 4 100 है।
गड़बड़ी: वास्तविक दुनिया में, 3 और 4 पड़ोसी हैं; वे बहुत करीब हैं। लेकिन बाइनरी टॉर्च की दुनिया में, 011 और 100 ऐसे दिखते हैं जैसे वे कमरे के विपरीत छोर पर हों। यदि कोई कंप्यूटर सीखता है कि 011 और 100 दूर हैं, तो उसे यह समझने में संघर्ष करना पड़ेगा कि 3 और 4 वास्तव में पड़ोसी हैं। यह बेमेल लर्निंग (सीखने की प्रक्रिया) को कठिन बना देता है।

लेखक कहते हैं: "आइए संख्याओं को बाइनरी बक्सों में जबरदस्ती फिट करना बंद करें। आइए एक ऐसा मॉडल बनाएं जो संख्याओं को एक वृत्त या एक समूह के रूप में समझता है, जहाँ पड़ोसी वास्तव में पड़ोसी होते हैं।"

समाधान: "फूरियर" लेंस

टीम ने ग्रुप फूरियर एनालिसिस (Group Fourier Analysis) नामक एक गणितीय उपकरण का उपयोग किया।

उपमा: कल्पना कीजिए कि आप एक जटिल ध्वनि तरंग (sound wave) को देख रहे हैं। आप हर एक कंपन को सूचीबद्ध करके इसे समझाने की कोशिश कर सकते हैं (जो कठिन और अस्त-व्यस्त है)। या, आप एक प्रिज्म (फूरियर ट्रांसफॉर्म) का उपयोग करके ध्वनि को उसके विशिष्ट संगीत नोट्स (फ्रीक्वेंसी) में तोड़ सकते हैं।
नवाचार: उनका मॉडल, स्पेक्ट्रल बॉर्न मशीन, इस "प्रिज्म" के माध्यम से डेटा को देखता है। डेटा के हर एक विवरण को याद करने के बजाय, यह संख्याओं की "फ्रीक्वेंसी" या सुचारू पैटर्न (smooth patterns) को सीखता है।
लाभ: इन सुचारू पैटर्न (कम फ्रीक्वेंसी) पर ध्यान केंद्रित करके, मॉडल स्वाभाविक रूप से ऊपर बताई गई "बाइनरी गड़बड़ी" से बचने में सक्षम होता है। यह संख्या 3 और 4 को करीब मानता है क्योंकि उनके गणितीय "प्रिज्म" में, वे फ्रीक्वेंसी में करीब होते हैं।

यह कैसे काम करता है: "क्लासिकल ट्रेनिंग, क्वांटम डिप्लॉयमेंट" (TCDQ)

यह इस पेपर का सबसे व्यावहारिक हिस्सा है। आमतौर पर, क्वांटम कंप्यूटरों को प्रशिक्षित करना एक दुस्वप्न है क्योंकि वे धीमे और शोर वाले (noisy) होते हैं।

सेटअप: उन्होंने एक क्वांटम सर्किट डिज़ाइन किया है जो सैद्धांतिक रूप से क्लासिकल कंप्यूटर के लिए सिम्युलेट करना बहुत कठिन है।
ट्रिक: हालाँकि, उन्होंने सरल गणित का उपयोग करके "स्कोर" (मॉडल कितनी अच्छी तरह सीख रहा है) की गणना करने का एक तरीका खोजा जिसे एक क्लासिकल कंप्यूटर तुरंत कर सकता है।
प्रक्रिया:
- ट्रेनिंग (प्रशिक्षण): आप एक मानक सुपरकंप्यूटर पर ट्रेनिंग लूप चलाते हैं। यह अपने आंतरिक नॉब्स (पैरामीटर्स) को समायोजित करके नियमों को सीखता है।
- डिप्लॉयमेंट (तैनाती): एक बार जब मॉडल प्रशिक्षित हो जाता है, तो आप उन सेटिंग्स को लेते हैं और उन्हें एक वास्तविक क्वांटम कंप्यूटर पर लोड करते हैं।
- परिणाम: क्वांटम कंप्यूटर अब ऐसा नया डेटा जेनरेट कर सकता है जो इतना जटिल है कि एक सामान्य कंप्यूटर उसे कुशलतापूर्वक नहीं बना सकता था।

प्रयोग: यह साबित करना कि यह काम करता है

लेखकों ने इसे दो उदाहरणों के साथ परखा:

"पोट्स मॉडल" (एक सिंथेटिक टेस्ट):
- उन्होंने एक नकली डेटासेट बनाया जो रंगीन टाइलों के ग्रिड जैसा दिखता था, जहाँ पड़ोसी समान रंगों को पसंद करते थे (जैसे एक चुंबकीय क्षेत्र)।
- परिणाम: उन्होंने विभिन्न आकारों के मॉडल को प्रशिक्षित किया। आश्चर्यजनक रूप से, एक छोटे मॉडल ने, जिसमें एक "स्मार्ट" डिज़ाइन (उनका स्पेक्ट्रल बायस का उपयोग करना) था, एक विशाल और अव्यवस्थित मॉडल के समान प्रदर्शन किया। इसने साबित किया कि उनका तरीका कुशल है और इसे अच्छा काम करने के लिए लाखों पैरामीटर्स की आवश्यकता नहीं है।
राइबोसोमल आरएनए (वास्तविक जैविक डेटा):
- उन्होंने आरएनए अनुक्रमों (जीवन के निर्माण खंड) के पैटर्न को सीखने की कोशिश की, जो चार अक्षरों (A, C, G, T) की स्ट्रिंग्स हैं।
- पैमाना: उन्होंने एक बहुत छोटे डेटासेट (केवल कुछ सौ उदाहरणों) पर 10 लाख से अधिक पैरामीटर्स वाला मॉडल प्रशिक्षित किया।
- आश्चर्य: आमतौर पर, यदि आप किसी मॉडल को 10 लाख नॉब्स घुमाने के लिए देते हैं लेकिन सीखने के लिए केवल कुछ ही उदाहरण देते हैं, तो वह "ओवरफिट" हो जाता है—यानी वह उदाहरणों को पूरी तरह से याद कर लेता है लेकिन वास्तविक नियमों को सीखने में विफल रहता है।
- दावा: इतने बड़े पैरामीटर्स के बावजूद, उनके मॉडल ने ओवरफिटिंग नहीं की। इसने आरएनए की अंतर्निहित संरचना को सीखा। लेखक सुझाव देते हैं कि चूंकि मॉडल "सुचारू" पैटर्न पर ध्यान केंद्रित करने के लिए बना है (स्पेक्ट्रल बायस), इसलिए यह शोर को याद करने से स्वाभाविक रूप से सुरक्षित है, भले ही डेटा कम हो।

यह क्यों महत्वपूर्ण है

यह पेपर दावा करता है कि यह दृष्टिकोण "क्वांटम डीप लर्निंग" के द्वार खोलता है।

यह हमें आज के क्लासिकल हार्डवेयर पर विशाल क्वांटम मॉडल को प्रशिक्षित करने की अनुमति देता है।
यह संख्याओं को बाइनरी बॉक्स में जबरदस्ती डाले बिना उन्हें स्वाभाविक रूप से दर्शाने की समस्या को हल करता है।
यह सुझाव देता है कि क्वांटम मॉडल बहुत कम डेटा से जटिल पैटर्न सीख सकते हैं, जो वर्तमान एआई (AI) के लिए एक बड़ी समस्या है।

संक्षेप में, उन्होंने एक ऐसा पुल बनाया है जो हमें क्लासिकल कंप्यूटरों की शक्ति का उपयोग करके क्वांटम कंप्यूटरों को विविक्त संख्याओं की दुनिया को समझने के लिए शिक्षित करने की अनुमति देता है, जो हमें एक ऐसे भविष्य के लिए तैयार करता है जहाँ क्वांटम मशीनें ऐसा डेटा जेनरेट कर सकेंगी जो हमारे सिम्युलेट करने के लिए बहुत जटिल है।

तकनीकी सारांश: स्पेक्ट्रल बॉर्न मशीन्स (Spectral Born Machines)

समस्या विवरण (Problem Statement)

यह शोध पत्र डिस्क्रीट (discrete) डेटा के लिए क्वांटम जनरेटिव मॉडल्स को स्केल करने की चुनौती को संबोधित करता है। जबकि "ट्रेन क्लासिकल, डिप्लॉय क्वांटम" (TCDQ) प्रतिमान ने बाइनरी डेटा (बिटस्ट्रिंग्स) के लिए इंस्टेंटेनियस क्वांटम पॉलिनोमियल (IQP) बॉर्न मशीनों का उपयोग करते हुए आशाजनक परिणाम दिखाए हैं, मौजूदा मॉडल मूल रूप से बाइनरी हैं। अधिकांश वास्तविक दुनिया के डेटासेट पूर्णांक-संरचित (integer-structured) डेटा (जैसे न्यूक्लियोटाइड्स, कैटेगोरिकल वेरिएबल्स) से बने होते हैं।

लेखक तर्क देते हैं कि पूर्णांक डेटा को बाइनरी स्ट्रिंग्स में एनकोड करना (मानक बाइनरी या वन-हॉट एनकोडिंग के माध्यम से) एक संरचनात्मक बेमेल (structural mismatch) पैदा करता है। पारंपरिक क्वांटम मॉडल हैमिंग क्यूब (Hamming cube) पर स्मूथनेस (smoothness) की ओर झुके होते हैं, जो पूर्णांकों की प्राकृतिक टोपोलॉजी के साथ संरेखित नहीं होता है (जहाँ $x$ और $x+1$ पड़ोसी हैं, जबकि हैमिंग स्पेस में $01111 $और$ 10000$ अधिकतम दूरी पर होते हैं)। यह बेमेल सामान्यीकरण (generalization) में बाधा डालता है। इसके अलावा, ग्रेडिएंट एस्टीमेशन के माध्यम से पारंपरिक क्वांटम सर्किट ट्रेनिंग बड़े पैरामीटर काउंट तक स्केल नहीं कर पाती है, जिसके लिए ऐसे नए दृष्टिकोणों की आवश्यकता है जो अत्यधिक ओवर-पैरामीटराइज्ड मॉडल्स के कुशल क्लासिकल ट्रेनिंग की अनुमति दे सकें।

कार्यप्रणाली (Methodology)

1. स्पेक्ट्रल बॉर्न मशीन्स (SBMs)

लेखक स्पेक्ट्रल बॉर्न मशीन्स का प्रस्ताव करते हैं, जो उत्पाद चक्रीय समूह (product cyclic group) $Z_d^n$ (जहाँ $d$ पूर्णांक वर्णमाला का आयाम है और $n$ चरों की संख्या है) पर ग्रुप फूरियर विश्लेषण पर आधारित IQP बॉर्न मशीनों का एक सामान्यीकरण है।

सर्किट आर्किटेक्चर: मॉडल में क्वांटम फूरियर ट्रांसफॉर्म्स (QFT) और उनके इनवर्स की परतों के बीच सैंडविच किया गया एक डायगोनल पैरामीटराइज्ड यूनिटरी $D(\theta)$ होता है:
$U(\theta) = (F^{\otimes n})^\dagger D(\theta) F^{\otimes n}$
यहाँ, $F$ , $Z_d$ पर QFT है। $d=2$ के लिए, यह IQP सर्किट में उपयोग किए जाने वाले हैडामार्ड लेयर (Hadamard layer) में बदल जाता है।
पैरामीटराइजेशन: डायगोनल यूनिटरी $D(\theta)$ , कम्प्यूटेशनल बेसिस स्टेट्स पर एक फेज $e^{i\Phi_\theta(z)}$ लागू करती है। फेज फंक्शन $\Phi_\theta$ को हाइजनबर्ग-वेइल (Heisenberg-Weyl - HW) ऑब्जर्वेबल्स के योग से बनाया गया है, विशेष रूप से $Q(g, 0)$ , जो कम्प्यूटेशनल बेसिस में डायगोनली कार्य करते हैं।
क्लासिकल ट्रेनिबिलिटी: मुख्य सैद्धांतिक योगदान यह प्रमाण है कि इन सर्किट्स के लिए HW ऑब्जर्वेबल्स के एक्सपेक्टेशन वैल्यूज (expectation values) को क्लासिकल हार्डवेयर पर कुशलतापूर्वक अनुमानित किया जा सकता है। एक्सपेक्टेशन वैल्यू $\langle D(k, m) \rangle_\theta$ को फेज डिफरेंस के यूनिफॉर्म डिस्ट्रीब्यूशन पर एक एक्सपेक्टेशन के रूप में लिखा जा सकता है, जिससे मोंटे कार्लो सैंपलिंग के माध्यम से अनबायस्ड एस्टीमेशन संभव होता है। यह ऑटोमैटिक डिफरेंशिएशन का उपयोग करके लॉस फंक्शन के लिए ग्रेडिएंट्स की गणना करने में सक्षम बनाता है।

2. लॉस फंक्शन्स और इंडक्टिव बायस (Loss Functions and Inductive Bias)

मॉडल को ट्रेन करने के लिए, लेखक मॉडल डिस्ट्रीब्यूशन $q_\theta$ और एम्पिरिकल डेटा डिस्ट्रीब्यूशन के बीच मैक्सिमम मीन डिसक्रीपेंसी (Maximum Mean Discrepancy - MMD) को कम करते हैं।

ग्राफ स्पेक्ट्रल विश्लेषण: MMD का निर्माण डेटा की अंतर्निहित संरचना के ग्राफ लैपलेसियन (graph Laplacian) से प्राप्त एक कर्नेल का उपयोग करके किया जाता है।
- चक्रीय/ऑर्डिनल डेटा (Cyclic/Ordinal Data): इसे साइकिल ग्राफ्स ( $C_d$ ) का उपयोग करके मॉडल किया जाता है, जहाँ पड़ोसी पास होते हैं (जैसे घड़ी का समय)।
- कैटेगोरिकल डेटा (Categorical Data): इसे कम्प्लीट ग्राफ्स ( $K_d$ ) का उपयोग करके मॉडल किया जाता है, जहाँ सभी लेबल एक दूसरे से समान दूरी पर होते हैं (जैसे फलों के प्रकार)।
स्पेक्ट्रल बायस (Spectral Bias): लो-वेट जेनरेटर्स (low-order interactions) के गेट सेट को प्रतिबंधित करके, मॉडल लो-फ्रीक्वेंसी फूरियर मोड्स की ओर एक बायस उत्पन्न करता है। यह आउटपुट डिस्ट्रीब्यूशन में डेटा के ग्राफ स्ट्रक्चर के सापेक्ष स्मूथनेस को लागू करता है, जो एक रेगुलराइज़र के रूप में कार्य करता है और सामान्यीकरण (generalization) में सहायता करता है।

3. सॉफ्टवेयर कार्यान्वयन (Software Implementation)

इस पद्धति को PennyLane सॉफ्टवेयर प्लेटफॉर्म के भीतर एक नए tcdq मॉड्यूल में लागू किया गया है। कोड JAX में लिखा गया है, जो लचीला, डिफरेंशिएबल और स्केलेबल एल्गोरिदम निर्माण को सक्षम बनाता है।

मुख्य योगदान (Key Contributions)

डिस्क्रीट डेटा के लिए सामान्यीकरण: यह पेपर $Z_d$ पर ग्रुप फूरियर ट्रांसफॉर्म्स का उपयोग करके TCDQ फ्रेमवर्क को बाइनरी बिटस्ट्रिंग्स से सामान्य डिस्क्रीट डेटा ( $Z_d^n$ ) तक विस्तारित करता है।
कुशल क्लासिकल ट्रेनिंग: यह प्रदर्शित करता है कि अत्यधिक पैरामीटराइज्ड क्वांटम जनरेटिव मॉडल्स को HW ऑब्जर्वेबल एक्सपेक्टेशन के क्लासिकल सिम्युलेबिलिटी का लाभ उठाकर क्लासिकल हार्डवेयर पर कुशलतापूर्वक प्रशिक्षित किया जा सकता है, जिससे क्वांटम ग्रेडिएंट एस्टीमेशन की आवश्यकता समाप्त हो जाती है।
स्पेक्ट्रल इंडक्टिव बायस: लेखक मॉडल क्लास में निहित स्पेक्ट्रल बायस की पहचान और दोहन करते हैं। गेट सेट को प्रतिबंधित करके, मॉडल स्वाभाविक रूप से पूर्णांक डोमेन पर स्मूथ डिस्ट्रीब्यूशन को प्राथमिकता देता है, जो संभावित रूप से डेटा-दुर्लभ (data-scarce) परिदृश्यों में ओवरफिटिंग को कम करता है।
स्केलेबिलिटी प्रदर्शन: लेखकों ने सफलतापूर्वक एक सिंगल GPU का उपयोग करके 190-क्यूबिट समकक्ष सर्किट (93 क्वाडिट्स, डाइमेंशन 4) पर 10 लाख से अधिक पैरामीटर्स वाले मॉडल को प्रशिक्षित किया।

संख्यात्मक परिणाम (Numerical Results)

1. पॉट्स मॉडल (Potts Model - सिंथेटिक डेटा)

लेखकों ने $6 \times 6$ लैटिस पर एक पॉट्स मॉडल (एक साइक्लिक क्लॉक मॉडल) से उत्पन्न डेटा पर SBMs को प्रशिक्षित किया।

निष्कर्ष: प्रतिबंधित गेट सेट्स (लो-ऑर्डर स्पेक्ट्रल बायस लागू करने वाले) वाले मॉडल्स ने काफी कम पैरामीटर्स के साथ, बहुत बड़े, अनस्ट्रक्चर्ड मॉडल्स के तुलनीय टेस्ट परफॉरमेंस हासिल की।
ओवरफिटिंग: पैरामीटर काउंट को बदलने के बावजूद (लगभग 2.5k से 142k तक), मॉडल समान लॉस वैल्यूज पर अभिसरित (converge) हुए, जो यह सुझाव देता है कि स्पेक्ट्रल बायस प्रभावी रूप से लर्निंग प्रोसेस को रेगुलराइज़ करता है।

2. राइबोसोमल आरएनए (Ribosomal RNA - वास्तविक डेटा)

लेखकों ने 93-न्यूक्लियोटाइड राइबोसोमल आरएनए सीक्वेंस (Rfam RF00001) के डेटासेट पर SBMs को प्रशिक्षित किया।

सेटअप: एक 95-क्वाडिट मॉडल (190 क्यूबिट्स) को छोटे डेटासेट (428 ट्रेनिंग सैंपल, 53 टेस्ट सैंपल) पर प्रशिक्षित किया गया।
मॉडेल्स: दो मॉडल्स की तुलना की गई: एक जिसमें ~40k पैरामीटर्स थे (सभी टू-क्वाडिट गेट्स) और दूसरा जिसमें ~1.3M पैरामीटर्स थे (चुनिले थ्री-क्वाडिट गेट्स सहित)।
निष्कर्ष: दोनों मॉडल्स ने समान निम्न लॉस वैल्यूज (~0.002–0.0035) प्राप्त की, जो सीमित डेटासेट की अंतर्निहित सांख्यिकीय अनिश्चितता के अनुरूप है। बड़ा मॉडल, डेटा पॉइंट्स की तुलना में कई गुना अधिक पैरामीटर्स होने के बावजूद ओवरफिट नहीं हुआ।
फूरियर विश्लेषण: फूरियर कोएफिशिएंट्स के विज़ुअलाइज़ेशन ने दिखाया कि प्रशिक्षित मॉडल्स ने डेटा के प्रमुख लो-ऑर्डर स्पेक्ट्रल स्टैटिस्टिक्स (पेयरवाइज डिपेंडेंसीज) को सफलतापूर्वक कैप्चर किया।

महत्व और दावे (Significance and Claims)

यह पेपर दावा करता है कि स्पेक्ट्रल बॉर्न मशीन्स TCDQ दृष्टिकोण के माध्यम से व्यावहारिक क्वांटम मशीन लर्निंग लाभों की ओर एक आशाजनक मार्ग का प्रतिनिधित्व करती हैं।

ओवरफिटिंग से प्रतिरक्षा: लेखक सुझाव देते हैं कि अत्यधिक ओवर-पैरामीटराइज्ड SBMs डेटा-दुर्लभ परिदृश्यों में ओवरफिटिंग के प्रति प्रतिरोधी हो सकते हैं। यह "स्पेक्ट्रल बायस" के कारण है जो मॉडल को लो-ऑर्डर फूरियर कंसंट्रेशंस तक सीमित करता है, जो प्रभावी रूप से स्पार्स ट्रेनिंग डेटा को याद रखने (मेमोराइजेशन) को रोकता है (जिसके लिए हाई-फ्रीक्वेंसी कंपोनेंट्स की आवश्यकता होती है)।
स्केलेबिलिटी: यह कार्य प्रदर्शित करता है कि क्वांटम जनरेटिव मॉडल्स को क्लासिकल हार्डवेयर का उपयोग करके लाखों पैरामीटर्स और सैकड़ों क्यूबिट्स तक स्केल किया जा सकता है, जो क्वांटम ग्रेडिएंट एस्टीमेशन की वर्तमान सीमाओं को दरकिनार करता है।
जटिलता परिदृश्य (Complexity Landscape): लेखक तर्क देते हैं कि ये मॉडल कंप्यूटेशनल कॉम्प्लेक्सिटी के "नो मैन'स लैंड" में हो सकते हैं: वे क्लासिकली सैंपल करने के लिए कठिन हो सकते हैं (क्वांटम एडवांटेज बनाए रखते हुए), लेकिन एस्टीमेशन प्रक्रिया में इनवर्स-पॉलीनोमियल नॉइज़ के कारण मानक पॉलीनोमियल स्पैरसिटी आर्गुमेंट्स के माध्यम से डीक्वेंटाइज (dequantize) करना भी कठिन हो सकता है।
अनुभवजन्य फोकस: पेपर इस बात पर जोर देता है कि क्वांटम मशीन लर्निंग में क्वांटम एडवांटेज का अंतिम प्रमाण विशुद्ध रूप से सैद्धांतिक जटिलता पृथक्करण (complexity separations) से नहीं, बल्कि प्रभावशाली अनुभवजन्य परिणामों (बड़े पैमाने पर प्रशिक्षण और प्रदर्शन) से आ सकता है, जिन्हें स्थापित करना कठिन है।

लेखक निष्कर्ष निकालते हैं कि यह कार्य क्वांटम मशीन लर्निंग में एक नए युग के द्वार खोलता है, जिससे शोधकर्ताओं को उन गुणों की जांच करने की अनुमति मिलती है जो पहले विश्लेषण के लिए अप्राप्य थे।