⚛️ quantum physics

Comment on "Beyond-classical computation in quantum simulation"

यह टिप्पणी इस हालिया निष्कर्ष को चुनौती देती है कि न्यूरल क्वांटम स्टेट्स (NQS), क्वांटम अनिलिंग के अनुकरण में क्वांटम प्रोसेसर की तुलना में कमतर हैं, और यह तर्क देती है कि मोंटे-कार्लो शोर (Monte-Carlo noise) और बड़े ऑटोकोरिलेशन समय (autocorrelation times) को उचित रूप से ध्यान में रखने पर NQS वास्तव में प्रतिस्पर्धी सटीकता प्राप्त कर सकते हैं।

मूल लेखक: Wladislaw Krinitsin, Nikita Alert, Matteo Rizzi, Markus Schmitt

प्रकाशित 2026-07-13

📖 4 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Wladislaw Krinitsin, Nikita Alert, Matteo Rizzi, Markus Schmitt

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 आप एक विशाल, उलझी हुई ऊन की गेंद को एक निश्चित समय के लिए हिलाने के बाद उसकी अंतिम स्थिति का अनुमान लगाने की कोशिश कर रहे हैं। क्वांटम भौतिकी की दुनिया में, यह "ऊन" ग्रिड पर छोटे चुंबकों (स्पिन्स) का एक संग्रह है, और "हिलाने" की प्रक्रिया को एनीलिंग (annealing) कहा जाता है। हाल ही में, शोधकर्ताओं की एक टीम ने एक अत्यंत उन्नत क्वांटम कंप्यूटर (QPU) का उपयोग करके इस ऊन को हिलाया और दावा किया कि एक लोकप्रिय कंप्यूटर सिमुलेशन विधि जिसे न्यूरल क्वांटम स्टेट्स (NQS) कहा जाता है, वह उनके साथ तालमेल नहीं बिठा सकी। उन्होंने कहा कि सिमुलेशन बहुत अव्यवस्थित था ताकि वह क्वांटम कंप्यूटर की सटीकता से मेल खा सके।

लेकिन, इस नए शोध पत्र में, लेखक इस पर दोबारा गौर करते हैं और सुझाव देते हैं कि सिमुलेशन वास्तव में दौड़ में पीछे नहीं रह रहा था—बल्कि यह अपने ही मापन के शोर (noise) के कारण भ्रमित हो गया था।

यहाँ उन्होंने क्या पाया:

सिग्नल में "स्टैटिक" (Static)
शोधकर्ताओं ने $L = 8$ के एक विशिष्ट ग्रिड आकार और $t_a = 7$ ns के एनीलिंग समय पर ध्यान केंद्रित किया। उन्होंने देखा कि जब NQS विधि यह मापने की कोशिश करती थी कि चुंबक एक-दूसरे से कितनी दूर तक "बात" कर रहे हैं (सहसंबंध/correlations), तो परिणाम सपाट होने लगते थे और जैसे ही दूरी बहुत अधिक होती, वे बेहतर होना बंद हो जाते थे।

इसे एक भीड़ भरे स्टेडियम में फुसफुसाहट सुनने की कोशिश करने जैसा समझें। यदि आप वक्ता के करीब खड़े हैं, तो आप उन्हें स्पष्ट रूप से सुनते हैं। लेकिन यदि आप दूर खड़े हैं, तो भीड़ का बैकग्राउंड शोर उस फुसफुसाहट को दबा देता है। लेखकों ने महसूस किया कि NQS विधि भौतिकी को समझने में विफल नहीं हो रही थी; यह बस "सांख्यिकीय शोर" (statistical noise) की एक दीवार से टकरा रही थी। क्योंकि यह विधि मोंटे कार्लो (Monte Carlo) नामक एक सैंपलिंग तकनीक का उपयोग करती है (जो औसत का अनुमान लगाने के लिए दस लाख स्नैपशॉट्स लेने जैसा है), इसमें बैकग्राउंड शोर को कितना भी शांत करने की एक प्राकृतिक सीमा होती है। $N_{MC} = 10^6$ नमूनों के बजट के साथ, वह शोर का स्तर लगभग $10^{-3}$ पर रहता है। एक बार जब वास्तविक सिग्नल (दूर स्थित चुंबकों के बीच का सहसंबंध) इस स्तर से नीचे गिर गया, तो शोर ने उसे दबा दिया, जिससे ऐसा लगा कि सिमुलेशन ने काम करना बंद कर दिया है।

असली दौड़
इसे सिद्ध करने के लिए, लेखकों ने एक नया परीक्षण किया। उन्होंने "शोर" (noise) और "वास्तविक त्रुटि" (real error) को दो अलग-अलग चीजों के रूप में माना। उन्होंने पाया कि यदि आप डेटा को ध्यान से देखें, तो NQS विधि कम दूरियों के लिए वास्तविक उत्तर की ओर पूरी तरह से अभिसरित (converge) होती है, ठीक वैसे ही जैसे एक उच्च-गुणवत्ता वाला संदर्भ सिमुलेशन (MPS) करता है। अव्यवस्था केवल लंबी दूरियों पर हुई जहाँ सिग्नल इतना कमजोर था कि उसे स्टैटिक के ऊपर सुना नहीं जा सकता था।

जब उन्होंने "शुद्ध" प्रदर्शन देखने के लिए गणितीय रूप से शोर को हटा दिया, तो परिणाम आश्चर्यजनक थे। NQS विधि ने न केवल क्वांटम प्रोसेसर के साथ बराबरी की; बल्कि इस विशिष्ट सेटअप के लिए, इसने क्वांटम हार्डवेयर की तुलना में कम त्रुटि दर (error rate) भी प्रदर्शित की।

इसका क्या अर्थ है (और क्या नहीं)
लेखक सावधानी बरतते हुए कहते हैं कि यह क्वांटम कंप्यूटरों पर क्लासिकल कंप्यूटरों की पूर्ण विजय नहीं है। वे संकेत देते हैं कि उनका विश्लेषण एक सरल वर्गाकार ग्रिड और कम समय ( $t_a \le 7$ ns) तक सीमित था। मूल अध्ययन ने अधिक जटिल आकृतियों और लंबे समय (up to $t_a = 20$ ns) को देखा था, जहाँ चीजें बहुत कठिन हो सकती हैं। उन्होंने यह भी उल्लेख किया कि यदि "ऊन" अधिक खुरदरे या अराजक पदार्थ (bimodal couplings) से बनी है, तो क्लासिकल तरीके अधिक संघर्ष कर सकते हैं।

तो, मुख्य निष्कर्ष एक सुझाव है: यह दावा कि न्यूरल क्वांटम स्टेट्स क्वांटम प्रोसेसर के साथ प्रतिस्पर्धा करने में विफल रहते हैं, एक भ्रम हो सकता है जो मापन में "स्टैटिक" को ध्यान में न रखने के कारण पैदा हुआ है। जब आप उस स्टैटिक को साफ कर देते हैं, तो सिमुलेशन अपना दम दिखाता है, और इस विशिष्ट मामले में, इसने क्वांटम हार्डवेयर से भी बेहतर प्रदर्शन किया। वे आशा करते हैं कि यह अन्य प्रयोगों को प्रोत्साहित करेगा यह देखने के लिए कि ये क्लासिकल तरीके वास्तव में कहाँ चमकते हैं और कहाँ उन्हें अभी भी क्वांटम बूस्ट की आवश्यकता हो सकती है।

तकनीकी सारांश: "क्वांटम सिमुलेशन में क्लासिकल-परे कंप्यूटेशन"

समस्या विवरण
यह टिप्पणी एक हालिया बेंचमार्क अध्ययन [1] (किंग एट अल., साइंस 388, 199-204, 2025) को संबोधित करती है, जिसमें एक स्पिन ग्लास हैमिल्टोनियन के लिए क्वांटम एनीलिंग डायनेमिक्स के सिमुलेशन में विभिन्न क्लासिकल संख्यात्मक विधियों की तुलना एक सुपरकंडक्टिंग क्वांटम प्रोसेसर यूनिट (QPU) से की गई थी। मूल अध्ययन ने निष्कर्ष निकाला था कि न्यूरल क्वांटम स्टेट्स (NQS), जो कि आर्टिफिशियल न्यूरल नेटवर्क पर आधारित एक वेरिएशनल एंसेट (variational ansatz) है, विशिष्ट उदाहरणों (विशेष रूप से $L=8$ दो-आयामी वर्गाकार जाली और $t_a = 7$ ns के एनीलिंग समय पर) के लिए QPU के समान सटीकता प्राप्त करने में विफल रहा। इस टिप्पणी के लेखक तर्क देते हैं कि NQS की रिपोर्ट की गई विफलता विधि की मौलिक सीमा के बजाय सांख्यिकीय नमूनाकरण (statistical sampling) सीमाओं का एक आर्टिफैक्ट (artifact) हो सकती है।

कार्यप्रणाली
लेखक मूल अध्ययन में उपयोग किए गए विशिष्ट डिसऑर्डर रियलाइजेशन और मापदंडों का पुनर्मूल्यांकन करते हैं, जिसमें NQS के टाइम-डिपेंडेंट वेरिएशनल प्रिंसिपल (TDVP) विकास पर ध्यान केंद्रित किया गया है। उनके विश्लेषण में शामिल है:

सहसंबंधों का पुनर्मूल्यांकन: मूल शोध पत्र के समग्र सहसंबंध त्रुटि मीट्रिक ( $\epsilon_c$ ) पर निर्भर रहने के बजाय, वे दो-बिंदु सहसंबंधों के दूरी-विभेदित परिमाण, $C(d) = \langle |c_{i,j}| \rangle$ , का विश्लेषण करते हैं, जहाँ $c_{i,j} = \langle \sigma^z_i \sigma^z_j \rangle$ है।
सांख्यिकीय शोर विश्लेषण: वे सहसंबंधों के अनुमान पर मोंटे कार्लो (MC) सैंपलिंग शोर के प्रभाव की जांच करते हैं। वे व्युत्पन्न करते हैं कि दीर्घ-दूरी के सहसंबंधों के लिए, जहाँ वास्तविक मान छोटा होता है, MC शोर $\sigma_{MC} \approx 1/\sqrt{N_{MC}}$ के रूप में स्केल करता है। मूल सैंपलिंग बजट $N_{MC} = 10^6$ के साथ, शोर का स्तर (noise floor) लगभग $10^{-3}$ है।
त्रुटि अपघटन (Error Decomposition): लेखक सैंपलिंग बजट के फलन के रूप में सहसंबंध त्रुटि $\epsilon_c(N_{MC})$ के लिए एक विश्लेषणात्मक मॉडल प्रस्तावित करते हैं:
$\epsilon_c(N_{MC}) = \sqrt{\epsilon_{sys} + \frac{\epsilon_{stat}}{N_{MC}}}$
यहाँ, $\epsilon_{sys}$ व्यवस्थित (systematic), विधि-विशिष्ट त्रुटि को दर्शाता है, और $\epsilon_{stat}$ सांख्यिकीय त्रुटि योगदान को दर्शाता है।
फिटिंग और एक्सट्रपलेशन: डेटा को ऊपर दिए गए मॉडल में फिट करके और बदलकर, वे अनंत सैंपलिंग सीमा ( $N_{MC} \to \infty$ ) तक सहसंबंध त्रुटि का एक्सट्रपलेशन (extrapolate) करते हैं ताकि NQS विधि की अंतर्निहित व्यवस्थित त्रुटि को अलग किया जा सके।

मुख्य परिणाम

प्लेटोइंग व्यवहार (Plateauing Behavior): लेखक देखते हैं कि बड़े दूरियों के लिए NQS के परिणाम $C(d) \approx 10^{-3}$ पर प्लेटो (plateau) हो जाते हैं। वे प्रदर्शित करते हैं कि यह प्लेटो ठीक उसी परिमाण के साथ मेल खाता है जो $N_{MC} = 10^6$ के लिए अपेक्षित MC शोर है, जो यह संकेत देता कि दीर्घ-दूरी के सहसंबंधों को पकड़ने में "विफलता" सिग्नल के सांख्यिकीय शोर द्वारा दब जाने के कारण है, न कि वेरिएशनल एंसेट की विफलता के कारण।
अभिसरण विश्लेषण (Convergence Analysis): जब दूरी वर्गों द्वारा समूहीकृत सहसंबंधों का विश्लेषण किया जाता है, तो अल्प-दूरी के सहसंबंध मैट्रिक्स प्रोडक्ट स्टेट (MPS) ग्राउंड-ट्रुथ रेफरेंस के साथ तेजी से अभिसरित होते हैं। इसके विपरीत, दीर्घ-दूरी के सहसंबंध उस $1/\sqrt{N_{MC}}$ स्केलिंग का पालन करते हैं जिसकी अपेक्षा सांख्यिकीय शोर से की जाती है, जो पुष्टि करता है कि वे मूल सैंपलिंग बजट के साथ अभिसरित नहीं हुए हैं।
संशोधित सटीकता: अनंत सैंपलिंग सीमा तक त्रुटि मॉडल को फिट करने और एक्सट्रपलेशन करने पर, NQS विधि की व्यवस्थित त्रुटि ( $\epsilon_{sys}$ ) मूल अध्ययन में रिपोर्ट की गई QPU की त्रुटि से कम पाई जाती है। इसके अलावा, एक्सट्रैपोलेट की गई NQS त्रुटि मूल पेपर में रिपोर्ट की गई NQS त्रुटि (जो कि सीमित सैंपलिंग पर आधारित थी) से भी कम है।
ऑटोकोरिलेशन विचार: लेखक नोट करते हैं कि लंबे एनीलिंग समय (जैसे, $t_a = 7$ ns) के लिए, अंतिम अवस्था एक अत्यधिक पीक्ड बोर्न वितरण (Born distribution) विकसित करती है, जिससे मार्कोव चेन MC सैंपलिंग में लंबे ऑटोकोरिलेशन समय उत्पन्न होते हैं। हालांकि यह सैंपलिंग को जटिल बनाता है, लेकिन सहसंबंध का परिमाण बढ़ जाता है, जिससे निश्चित $N_{MC}$ पर सापेक्ष त्रुटि कम हो जाती है।

महत्व और दावे
यह शोध पत्र किंग एट अल. के निष्कर्षों को यह प्रदर्शित करके संदर्भ प्रदान करने का दावा करता है कि मूल बेंचमार्क में NQS का स्पष्ट प्रदर्शन, सैंपलिंग बजट और उसके परिणामस्वरूप होने वाले सांख्यिकीय शोर, विशेष रूप से लुप्त होते दीर्घ-दूरी के सहसंबंधों द्वारा महत्वपूर्ण रूप से प्रभावित था।

प्रतिस्पर्धी प्रदर्शन: लेखक निष्कर्ष निकालते हैं कि NQS क्वांटम एनीलिंग प्रोटोकॉल के लिए प्रतिस्पर्धी परिणाम प्रदान कर सकता है। विश्लेषण किए गए विशिष्ट मामले में, NQS विधि, सैंपलिंग शोर को ध्यान में रखते हुए, एक ऐसा सहसंबंध त्रुटि प्रदान करती है जो QPU से बेहतर है।
सीमाएं और दायरा: वे एक मध्यम दायरा बनाए रखते हैं, यह स्वीकार करते हुए कि उनका विश्लेषण सरलतम जाली ज्यामिति ( $L=8$ ) और $t_a = 7$ ns तक के एनीलिंग समय तक सीमित है। वे उल्लेख करते हैं कि मूल अध्ययन में अधिक जटिल ज्यामिति और लंबे समय ( $t_a = 20$ ns) और विभिन्न कपलिंग वितरणों (बाइमॉडल बनाम यूनिफॉर्म) को कवर किया गया था।
भविष्य की दिशा: सार्वभौमिक श्रेष्ठता का दावा करने के बजाय, यह पत्र व्यापक दायरे में NQS की शक्तियों और सीमाओं को बेहतर ढंग से समझने के लिए आगे के संख्यात्मक प्रयोगों को प्रेरित करता है, जिसके लिए सफल अनुप्रयोग के पूर्ववृत्त के रूप में बड़े डायमंड-स्ट्रक्चर्ड लैटिस [4] पर पिछले कार्य का हवाला दिया गया है।

संक्षेप में, यह पत्र तर्क देता है कि NQS स्वाभाविक रूप से अध्ययन किए गए प्रश्न के लिए QPU से निम्न नहीं है, बल्कि इसके वास्तविक व्यवस्थित सटीकता को प्रकट करने के लिए मोंटे कार्लो शोर और ऑटोकोरिलेशन समय का सावधानीपूर्वक लेखा-जोखा करने की आवश्यकता है।

तकनीकी सारांश: "क्वांटम सिमुलेशन में क्लासिकल-परे कंप्यूटेशन"

इसी तरह के और पेपर