⚛️ quantum physics

A Scalable Approach to Solve the Carleman Linearized Burgers' Equation on a Quantum Computer

यह शोध पत्र स्टेट लोडिंग के लिए नॉन-यूनिटरीज के लीनियर कॉम्बिनेशन, बैरन प्लेटो (barren plateaus) से निपटने के लिए एक मल्टीग्रिडिंग वेरिएशनल क्वांटम लीनियर सॉल्वर, और वास्तविक एवं सिम्युलेटेड हार्डवेयर पर सफल प्रदर्शनों को जोड़कर कारलेमैन लीनियरकृत बर्गर्स समीकरण (Carleman linearized Burgers' equation) को हल करने के लिए एक स्केलेबल क्वांटम कार्यप्रणाली प्रस्तुत करता है, जो $2^{80}$ विवेकीकरण बिंदुओं (discretization points) का प्रतिनिधित्व करने वाले सर्किट का समर्थन करते हैं।

मूल लेखक: Reuben Demirdjian, Yvan Quinn, Vincent P. Su, Hrant Gharibyan, Hayk Tepanyan

प्रकाशित 2026-07-13

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Reuben Demirdjian, Yvan Quinn, Vincent P. Su, Hrant Gharibyan, Hayk Tepanyan

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 रोबट को यह सिखाने की कोशिश कर रहे हैं कि पानी के गिलास में स्याही की एक बूंद कैसे घूमती और मिलती है। समस्या क्या है? रोबोट सख्त, सीधी रेखा वाले नियमों (यह एक "रैखिक" या linear मशीन है) का पालन करने के लिए बना है, लेकिन घूमती हुई स्याही अव्यवस्थित, घुमावदार और अप्रत्याशित नियमों (यह "गैर-रैखिक" या nonlinear है) का पालन करती है। यह बिल्कुल वैसा ही है जैसे किसी कुत्ते को केवल छड़ी लाने का तरीका दिखाकर उसे कैलकुलस सिखाने की कोशिश करना।

यही वह बड़ी बाधा है जिसका सामना वैज्ञानिक तब करते हैं जब वे फ्लूइड डायनेमिक्स (द्रव गतिज विज्ञान) को सिम्युलेट करने के लिए क्वांटम कंप्यूटरों का उपयोग करने की कोशिश करते हैं। लेकिन इस अध्ययन में, यू.एस. नेवल रिसर्च लैबोरेटरी और ब्लूक्विबिट इंक (BlueQubit Inc.) के शोधकर्ताओं ने रोबोट को उस भंवर को समझने में मदद करने के लिए एक चतुर समाधान खोजा। उन्होंने रोबोट को सीधे उस जटिल गणित को करने के लिए मजबूर नहीं किया; इसके बजाय, उन्होंने कारलेमैन लीनियराइजेशन (Caremann linearization) नामक एक ट्रिक का उपयोग किया।

इस ट्रिक को एक जटिल, अराजक कहानी को एक विशाल, उबाऊ स्प्रेडशीट में अनुवाद करने जैसा समझें। कहानी का विस्तार करके, उन्होंने बर्गर्स इक्वेशन (Burgers' equation) (जो द्रव प्रवाह का एक प्रसिद्ध मॉडल है) की अव्यवस्थित, घुमावदार समीकरणों को समीकरणों के एक विशाल, सीधी रेखा वाले सिस्टम में बदल दिया। एक बार जब समस्या स्प्रेडशीट पर आ गई, तो वे मौजूदा क्वांटंट टूल्स का उपयोग कर सके जो सीधी रेखाओं के लिए डिज़ाइन किए गए हैं।

"लोडिंग" की समस्या और जादुई चाबी
पहली चुनौती इस विशाल स्प्रेडशीट को क्वांटम कंप्यूटर पर लोड करना था। आमतौर पर, भारी मात्रा में डेटा लोड करने में बहुत समय लगता है, जैसे कि एक सेकंड में एक पूरे पुस्तकालय को फोन में अपलोड करने की कोशिश करना। टीम ने लीनियर कॉम्बिनेशन ऑफ नॉन-यूनिटरीज (LCNU) नामक एक नई विधि का उपयोग किया।

कल्पना कीजिए कि आपके पास एक बंद बॉक्स (डेटा) है और चाबियों का एक सेट है। पुराने तरीकों ने एक मिलियन छोटे टुकड़ों से एक मास्टर की बनाने की कोशिश की, जो धीमा और अनाड़ी था। नई LCNU विधि कुछ विशेष, थोड़े अजीब चाबियों (नॉन-यूनिटरीज) को रखने जैसी है, जिन्हें बस एक अतिरिक्त सहायक (एक अतिरिक्त क्यूबिट) के साथ आसानी से पूर्ण चाबियों में बदला जा सकता है। इसने उन्हें डेटा को कुशलतापूर्वक लोड करने की अनुमति दी, चाहे फ्लूइड पॉइंट्स का ग्रिड कितना भी बड़ा क्यों न हो।

"बैरेन प्लेटो" का जाल और वॉर्म स्टार्ट
एक बार डेटा लोड हो जाने के बाद, उन्हें वेरिएशनल क्वांटम लीनियर सॉल्वर (VQLS) नामक एक विधि का उपयोग करके समीकरणों को हल करने की आवश्यकता थी। लेकिन यहाँ एक पेच है: यदि आप केवल रैंडम तरीके से उत्तर का अनुमान लगाना शुरू करते हैं, तो कंप्यूटर "बैरेन प्लेटो" (barren plateau) नामक एक विशाल, सपाट रेगिस्तान में खो जाता है। यह अंधेरे में एक विशाल, सपाट कटोरे के निचले हिस्से को खोजने की कोशिश करने जैसा है; आप मीलों चल सकते हैं और कभी नहीं जान पाएंगे कि आप समाधान के करीब पहुँच रहे हैं या नहीं।

इसे ठीक करने के लिए, टीम ने मल्टीग्रिडिंग (multigridding) रणनीति का उपयोग किया। पूरी हाई-डेफिनिशन पहेली के साथ शुरू करने के बजाय, उन्होंने एक बहुत छोटे, धुंधले संस्करण (एक कोर्स ग्रिड) से शुरुआत की। उन्होंने इसे हल किया, फिर उस उत्तर का उपयोग एक थोड़े बड़े संस्करण को हल करने के लिए एक "वॉर्म स्टार्ट" (एक मददगार संकेत) के रूप में किया, और फिर एक और बड़े संस्करण के लिए। यह साइकिल चलाना सीखने जैसा है: आप ट्रेनिंग व्हील्स के साथ शुरू करते हैं, फिर एक छोटी साइकिल, और फिर एक बड़ी साइकिल। जब तक वे पूर्ण रिज़ॉल्यूशन तक पहुँचे, कंप्यूटर रेगिस्तान में खोया नहीं था; वह पहले से ही सही रास्ते पर था।

परिणाम: सिमुलेशन और वास्तविक हार्डवेयर
टीम ने इस वर्कफ़्लो का दो तरह से परीक्षण किया:

सिमुलेशन: उन्होंने एक शक्तिशाली कंप्यूटर सिम्युलेटर पर पूरी प्रक्रिया चलाई। उन्होंने पाया कि "वॉर्म स्टार्ट" मल्टीग्रिडिंग विधि एक गेम-चेंजर थी। एक साधारण, रैंडम स्टार्ट केवल 1% सटीक उत्तर प्राप्त कर सका (converging to $10^{-2}$ ), लेकिन मल्टीग्रिडिंग विधि ने इसे 0.1% सटीक ( $10^{-3}$ ) तक ले आया। तरल तरंगें केवल लुप्त नहीं हुईं; वे वास्तव में वास्तविक पानी की तरह चलती और व्यवहार करती थीं।
वास्तविक हार्डवेयर: इसके बाद उन्होंने वास्तविक क्वांटम कंप्यूटरों, विशेष रूप से IBM (विशेष रूप से Heron r3 और Nighthawk प्रोसेसर) से एक छोटे संस्करण को चलाया। आज की मशीनों की शोर भरी और त्रुटिपूर्ण प्रकृति के बावजूद, वे एक समाधान प्राप्त करने में सफल रहे। उन्होंने अपने "शॉट्स" (प्रयोग को चलाने की संख्या) को वितरित करने का एक स्मार्ट तरीका इस्तेमाल किया ताकि गणित के सबसे महत्वपूर्ण हिस्सों को अधिक ध्यान मिल सके। परिणामों ने दिखाया कि हालांकि मशीनों ने कुछ त्रुटियां कीं, फिर भी विधि काम कर गई, जिसमें ibm_boston प्रोसेसर का प्रदर्शन सबसे अच्छा रहा।

आगे की राह: क्या भविष्य उज्ज्वल है?
शोधकर्ताओं ने केवल वर्तमान परिणामों पर ही नहीं रोका; उन्होंने यह देखने के लिए एक "रिसोर्स एस्टीमेशन" (संसाधन अनुमान) भी किया कि क्या यह भविष्य में बड़े, वास्तविक दुनिया के समस्याओं के लिए काम कर सकता है। उन्होंने $2^{40}$ (लगभग 1024) संयुक्त स्थानिक और कालिक बिंदुओं के लिए गणना की।

उनके गणना सुझाव देते हैं कि भविष्य के हार्डवेयर के साथ जो कम शोर वाला और तेज़ होगा, यह दृष्टिकोण वास्तव में इन प्रकार की समस्याओं के लिए क्लासिकल सुपरकंप्यूटरों की तुलना में तेज़ी से चल सकता है। उनका अनुमान है कि भविष्य के IBM प्रोसेसरों पर, इसे "क्वांटम एडवांटेज" (जहाँ क्वांटम कंप्यूटर सर्वोत्तम क्लासिकल तरीकों को मात दे देता है) तक पहुँचने में केवल लगभग $10^2$ घंटे (कुछ दिन) लग सकते हैं।

हालाँकि, पेपर सावधानी से नोट करता है कि यह एक प्रूफ ऑफ कॉन्सेप्ट (अवधारणा का प्रमाण) और एक सुझाव है, न कि एक तैयार उत्पाद। अभी भी बड़े अवरोध मौजूद हैं:

शोर (Noise): आज के क्वांटम कंप्यूटर अभी भी सबसे बड़ी समस्याओं के लिए बहुत शोर वाले हैं।
ट्रंकेशन (Truncation): उन्होंने $\alpha = 2$ का न्यूनतम "ट्रंकेशन ऑर्डर" उपयोग किया। हालांकि यह उनके परीक्षण के लिए काम कर गया, लेकिन अधिक जटिल, अशांत प्रवाह (turbulent flows) के लिए उच्च क्रम की आवश्यकता हो सकती है, जो सिस्टम को घातीय रूप से (exponentially) बड़ा और कठिन बना देगा।
कंडीशनिंग (Conditioning): पर्दे के पीछे का गणित "इल-कंडीशन्ड" (ill-conditioned) हो सकता है, जिसका अर्थ है कि छोटी त्रुटियां बड़ी गलतियों में बदल सकती हैं, जिसके लिए विशेष "प्रीकंडीशनिंग" तकनीकों की आवश्यकता होती है जो अभी भी विकसित की जा रही हैं।

संक्षेप में, टीम ने तरल पदार्थों की अव्यवस्थित दुनिया और क्वांटम कंप्यूटरों की सीधी रेखा वाली दुनिया के बीच एक पुल का एक कामकाजी प्रोटोटाइप बनाया है। उन्होंने दिखाया है कि नदी पार करना संभव है, लेकिन पुल अभी भी निर्माणाधीन है, और उन्हें वास्तविक दुनिया के तूफानों के भारी ट्रैफिक को संभालने के लिए बेहतर सामग्री (कम शोर वाले हार्डवेयर) की आवश्यकता है।

तकनीकी सारांश: क्वांटम कंप्यूटर पर कारलेमन रैखिकीकृत बर्गर्स समीकरण को हल करने के लिए एक स्केलेबल दृष्टिकोण

समस्या विवरण
क्वांटम कंप्यूटरों पर द्रव गतिकी (fluid dynamics) का अनुकरण करना एक मौलिक चुनौती प्रस्तुत करता है: क्वांटम कंप्यूटर स्वाभाविक रूप से रैखिक मशीनें हैं, जबकि द्रव गतिकी गैर-रैखिक आंशिक अंतर समीकरणों (PDEs) द्वारा नियंत्रित होती है, जैसे कि बर्गर्स समीकरण। इस अंतर को पाटने के लिए, कारलेमन रैखिकीकरण पद्धति का उपयोग परिमित-आयामी गैर-रैखिक साधारण अंतर समीकरणों (ODEs) को अनंत-आयामी रैखिक ODEs में बदलने के लिए किया जाता है, जिन्हें बाद में परिमित रैखिक प्रणालियों में काट (truncate) दिया जाता है। हालाँकि, इन प्रणालियों को क्वांटम हार्डवेयर पर हल करना दो प्राथमिक बाधाओं का सामना करता है:

डेटा लोडिंग दक्षता: परिणामी रैखिक प्रणाली मैट्रिक्स स्थानिक और टेम्पोरल विविक्तीकरण बिंदुओं (discretization points) की संख्या के साथ तेजी से बढ़ते हैं। केवल पॉलीलॉगैरिद्मिक शास्त्रीय संसाधनों का उपयोग करके इन मैट्रिसेस को क्वांटम हार्डवेयर पर कुशलतापूर्वक लोड करना गैर-trivial है, विशेष रूप से जब मानक लीनियर कॉम्बिनेशन ऑफ यूनिटरीज (LCU) दृष्टिकोण खराब स्केलिंग से ग्रस्त होते हैं।
अनुकूलन बाधाएं (Optimization Barriers): वेरिएशनल क्वांटम लीनियर सॉल्वर (VQLS), जो बड़े सिस्टम को संभालने में सक्षम हैं, "बैरेन प्लेटो" (barren plateau) घटना के प्रति संवेदनशील होते हैं, जहाँ घातीय आकार के खोज स्थानों और रैंडम इनिशियलाइजेशन के कारण ग्रेडिएंट-आधारित अनुकूलन विफल हो जाता है।

कार्यप्रणाली
लेखक इन चुनौतियों का समाधान करने के लिए एक व्यापक वर्कफ्लो प्रस्तावित करते हैं, जिसे आवर्ती सीमा स्थितियों (periodic boundary conditions) वाले 1D बर्गर्स समीकरण पर प्रदर्शित किया गया है।

रैखिकीकरण और ज़ीरो-पैडिंग: बर्गर्स समीकरण को विविक्तीकृत (discretize) किया जाता है और कारलेमन रैखिकीकरण के माध्यम से एक रैखिक प्रणाली $L\vec{Y} = \vec{B}$ में परिवर्तित किया जाता है। कुशल अपघटन (decomposition) की सुविधा के लिए, लेखक एक ज़ीरो-पैडिंग रणनीति का उपयोग करते हैं, जो सिस्टम को एक बड़े आयामी स्थान में एम्बेड करती है। यह मैट्रिक्स को विशिष्ट गैर-यूनिटरी मैट्रिसेस के लीनियर कॉम्बिनेशन में विघटित करने की अनुमति देता है जो न्यूनतम ओवरहेड के साथ यूनिटरी मैट्रिसेस में आसानी से एनकोड किए जा सकते हैं।
कुशल डेटा लोडिंग (LCNU): मानक LCU दृष्टिकोण के बजाय, अध्ययन लीनियर कॉम्बिनेशन ऑफ नॉन-यूनिटरीज (LCNU) का उपयोग करता है। लेखक कारलेमन रैखिकीकृत मैट्रिक्स के लिए एक अपघटन प्राप्त करते हैं जहाँ पदों की संख्या स्थानिक और टेम्पोरल विविक्तीकरण बिंदुओं से स्वतंत्र है। विशेष रूप से, मैट्रिक्स को $N_s = \frac{1}{2}(9\alpha^2 + \alpha + 8)$ पदों में विघटित किया जाता है, जहाँ $\alpha$ ट्रंकेशन ऑर्डर है। यह अपघटन इंक्रीमेंटर/डिक्रीमेंटर सर्किट और विशिष्ट पाउली ऑपरेटर संरचनाओं पर निर्भर करता है, जो यह सुनिश्चित करता है कि डेटा लोडिंग रणनीति पॉलीलॉगैरिद्मिक रूप से स्केल करती है।
मल्टीग्रिडिंग के साथ वेरिएशनल सॉल्वर: रैखिक प्रणाली को वेरिएशनल क्वांटम लीनियर सॉल्वर (VQLS) का उपयोग करके हल किया जाता है। बैरेन प्लेटो समस्या को कम करने के लिए, एक मल्टीग्रिडिंग रणनीति पेश की गई है। समस्या को चरणों की एक श्रृंखला में हल किया जाता है, जो मोटे (coarse) स्थानिक और टेम्पोरल विविक्तीकरण से शुरू होता है। एक महीन (finer) चरण के लिए अगले चरण का समाधान (वेरिएशनल पैरामीटर्स) एक "वार्म स्टार्ट" के रूप में उपयोग किया जाता है। यह व्यवस्थित इनिशियलाइजेशन रैंडम इनिशियलाइजेशन की तुलना में अभिसरण दर (convergence rates) में काफी सुधार करता है।
शॉट एलोकेशन (Shot Allocation): कॉस्ट फंक्शन के मूल्यांकन के लिए आवश्यक विभिन्न सर्किटों के बीच शॉट्स को वितरित करने के लिए एक कुशल शॉट एलोकेशन पद्धति विकसित की गई है। कॉस्ट फंक्शन के वेरिएंस को कम करके, अधिक शॉट्स उन पदों को आवंटित किए जाते है जिनके गुणांक (coefficients) बड़े होते हैं, जिससे सबसे महत्वपूर्ण योगदानों के लिए सटीकता अनुकूलित होती है।

प्रमुख योगदान
पेपर पाँच प्राथमिक योगदानों को रेखांकित करता है:

बेहतर डेटा लोडिंग: 1D कारलेमन रैखिकीकृत बर्गर्स समीकरण के लिए एक रणनीति जहाँ LCNU अपघटन में पदों की संख्या विविक्तीकरण ग्रिड के आकार से स्वतंत्र है।
मल्टीग्रिडिंग रणनीति: कारलेमन रैखिकीकृत प्रणाली के लिए एक स्थानिक और टेम्पोरल मल्टीग्रिडिंग दृष्टिकोण जो बैरेन प्लेटो से बचने के लिए व्यवस्थित वार्म स्टार्ट प्रदान करता है।
शॉट एलोकेशन: निश्चित कंप्यूटेशनल बजट के लिए सटीकता को अधिकतम करने हेतु गुणांक के परिमाण के आधार पर शॉट्स को वितरित करने की एक विधि।
प्रूफ ऑफ कॉन्सेप्ट: क्वांटम सिम्युलेटर और वास्तविक क्वांटम हार्डवेयर (IBM Heron r3 और Nighthawk प्रोसेसर) दोनों पर वर्कफ्लो का प्रदर्शन।
संसाधन अनुमान (Resource Estimation): $2^{40}$ संयुक्त स्थानिक और टेम्पोरल बिंदुओं तक सर्किट को ट्रांसपाइल करने का एक फेज़िबिलिटी अध्ययन, जो सुझाव देता है कि प्रस्तावित पद्धति भविष्य के हार्डवेयर के लिए कुशलतापूर्वक स्केल करती है।

परिणाम

सिमुलेशन: क्वांटम सिम्युलेटर पर, मल्टीग्रिडिंग दृष्टिकोण ने कॉस्ट फंक्शन को लगभग $10^{-3}$ तक अभिसरित (converge) किया, जबकि रैंडम इनिशियलाइजेशन के साथ एक नेटिव दृष्टिकोण केवल $10^{-2}$ तक ही पहुँच सका। मल्टीग्रिडिंग समाधान ने आवश्यक भौतिकी (वेव डैम्पिंग और नॉनलीनर एडवेक्शन) को सफलतापूर्वक कैप्चर किया, जबकि नेटिव समाधान में अत्यधिक डैम्पिंग देखी गई और वह नॉनलीनर ट्रांसपोर्ट को कैप्चर करने में विफल रहा।
वास्तविक हार्डवेयर: वर्कफ्लो को IBM क्वांटम प्रोसेसर (ibm_pittburgh, ibm_boston, ibm_miami) पर एक मल्टीग्रिडिंग चरण ( $2^3$ $2^{3}$ स्थानिक, $2^2$ $2^{2}$ टेम्पोरल बिंदु) के लिए एक सिंगल ऑप्टिमाइजेशन इटरेशन के रूप में निष्पादित किया गया।
- Nighthawk प्रोसेसर (स्क्वायर लैट्टिस) ने एम्बेडिंग सर्किट के लिए Heron r3 (हेवी-हेक्स लैट्टिस) की तुलना में उथले (shallower) सर्किट डेप्थ दिए।
- ibm_boston पर एरर मिटिगेशन (रेजिलिएंस लेवल 2) के साथ Estimator प्रिमिटिव का उपयोग करने से कॉस्ट फंक्शन वेरिएबल्स का 2-नॉर्म एरर घटकर 0.27 रह गया, जबकि अनमिटिगेटेड Sampler रन के लिए त्रुटियाँ 1.33 से 2.92 के बीच थीं।
- अध्ययन ने पुष्टि की कि वर्तमान शोर स्तरों के बावजूद, सटीक समाधान प्राप्त करना संभव है।
स्केलेबिलिटी: संसाधन अनुमान सुझाव देते हैं कि भविष्य के कोहेरेंस समय और गेट फिडेलिटी में सुधार के साथ, प्रस्तावित पद्धति एक्सपोनेंशियल रूप से बड़े विविक्तीकरण बिंदुओं (जैसे, $2^{40}$ बिंदु) वाली समस्याओं के लिए क्वांटम एडवांटेज प्राप्त कर सकती है, जिसमें समर्पित सिस्टमों पर लगभग $O(10^2)$ क्यूबिट्स और $O(10^2)$ घंटों का निष्पादन समय लगेगा।

महत्व और दावे
पेपर एक व्यवहार्य वर्कफ्लो प्रस्तुत करने का दावा करता है जो वर्तमान कंप्यूटेशनल सीमाओं के भीतर प्रदर्शन करता है। लेखक इस बात पर जोर देते हैं कि उनकी कार्यप्रणाली भविष्य के हार्डवेयर बाधाओं के कम होने पर, एक्सपोनेंशियल स्थानिक और टेम्पोरल विविक्तीकरण बिंदुओं तक स्केल करने का एक मार्ग दिखाती है।

लेखक भविष्य के निहितार्थों के संबंध में एक विनम्र लहजा बनाए रखते हैं, और स्पष्ट रूप से कई सावधानियां नोट करते हैं:

वर्तमान ट्रंकेशन ऑर्डर ( $\alpha=2$ ) न्यूनतम आवश्यक है; जटिल प्रवाह (टर्बुलेंस) के लिए आवश्यक उच्च क्रम से एरर रेट में विचलन या सिस्टम साइज में घातीय वृद्धि हो सकती है।
बड़े सिस्टम के लिए कारलेमन रैखिकीकृत मैट्रिक्स की खराब कंडीशनिंग के लिए संभवतः क्वांटम प्रीकंडीशनिंग की आवश्यकता होगी, जो चल रहे शोध का एक क्षेत्र है।
एक्सपोनेंशियल रूप से बड़े सिस्टमों पर मल्टीग्रिडिंग पद्धति की प्रभावकारिता को वर्तमान हार्डवेयर शोर सीमाओं के कारण अभी तक अनुभवजन्य (empirically) रूप से प्रदर्शित नहीं किया गया है।
प्रारंभिक स्थितियों के लिए स्टेट प्रिपरेशन और अंतिम समाधान का कुशल रीडआउट अभी भी महत्वपूर्ण चुनौतियां बनी हुई हैं।

अंततः, यह कार्य एक प्रूफ-ऑफ-कॉन्सेप्ट के रूप में कार्य करता है जो एक गैर-रैखिक द्रव गतिकी समस्या को हल करने के लिए कुशल डेटा लोडिंग, वेरिएशनल ऑप्टिमाइजेशन रणनीतियों और एरर मिटिगेशन को जोड़ता है, जो यह सुझाव देता है कि हार्डवेयर बाधाओं के दूर होने पर क्वांटम एडवांटेज सैद्धांतिक रूप से संभव है।

इसी तरह के और पेपर