⚛️ quantum physics

An End-to-End Hybrid Quantum--Classical Sampling Workflow for Discrete Markov Random Fields: A Reproducible Case Study

यह शोध पत्र यह प्रदर्शित करता है कि जहाँ एम्प्लीट्यूड-एनकोडेड क्वांटम सैंपलिंग छोटे डिस्क्रीट मार्कोव रैंडम फील्ड्स के लिए क्लासिकल MCMC की तुलना में प्रति सर्किट कॉल उच्च प्रभावी नमूना आकार प्रदान करती है, वहीं यह घातीय प्रीप्रोसेसिंग लागतों और क्लासिकल टेंसर नेटवर्क सन्निकटन की तुलना में काफी कम स्टेट प्रिपरेशन फिडेलिटी के कारण क्लासिकल विधियों पर कोई वॉल-क्लॉक लाभ प्रदान नहीं करती है।

मूल लेखक: Arul Rhik Mazumder

प्रकाशित 2026-07-14

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Arul Rhik Mazumder

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 लोगों की एक भीड़ द्वारा खेले जा रहे एक विशाल, जटिल संयोग के खेल (game of chance) के परिणाम का अनुमान लगाने की कोशिश कर रहे हैं। कंप्यूटर विज्ञान की दुनिया में, इस खेल को मार्कोव रैंडम फील्ड (MRF) कहा जाता है। यह एक तरीका है यह बताने का कि विभिन्न चीजें (जैसे कि फोटो के पिक्सेल या शरीर के जीन) एक-दूसरे को कैसे प्रभावित करती हैं। लक्ष्य यह देखना है कि सबसे संभावित व्यवस्थाओं (arrangements) के लिए कौन से "स्नैपशॉट" (snapshots) सबसे सटीक हैं।

लंबे समय से, वैज्ञानिक यह जानना चाहते थे कि क्या क्वांटम कंप्यूटर—वे मशीनें जो परमाणुओं के अजीब नियमों का उपयोग करके गणना करती हैं—इन भीड़ के बेहतर स्नैपशॉट नियमित कंप्यूटरों की तुलना में बहुत तेज़ी से ले सकते हैं। यह शोध पत्र एक बहुत ही सावधानीपूर्वक, ईमानदार जासूसी कहानी है जो इस विचार का परीक्षण करती है।

बड़ा प्रयोग: "तत्काल" बनाम "धीमी चाल"

शोधकर्ताओं ने इन भीड़ के सबसे अच्छे स्नैपशॉट लेने के लिए दो प्रकार के धावकों के बीच एक दौड़ आयोजित की।

क्वांटम धावक (एम्प्लीट्यूड एनकोडिंग): यह धावक एक "परफेक्ट" स्नैपशॉट तुरंत तैयार करने के लिए एक क्वांटम ट्रिक का उपयोग करता है। हर बार जब वे दौड़ते हैं, तो उन्हें एक बिल्कुल नया, पूरी तरह से स्वतंत्र चित्र मिलता है। यह एक जादुई कैमरे की तरह है जो एक फोटो लेता है, मेमोरी डिलीट करता है, और तुरंत एक बिल्कुल नया फोटो लेता है। क्योंकि हर फोटो स्वतंत्र है, इसलिए उनके बीच कोई "लैग" या "झटका" नहीं होता है।
क्लासिकल धावक (MCMC): ये पुराने स्कूल के धावक हैं। वे "मार्कोव चेन मोंटे कार्लो" (MCMC) नामक विधि का उपयोग करते हैं। कल्पना कीजिए कि एक व्यक्ति भूलभुलैया में चल रहा है, एक बार में एक कदम उठा रहा है। एक नया चित्र प्राप्त करने के लिए, उन्हें लंबी दूरी तय करनी पड़ती है, अक्सर अपने कदमों को दोहराते हुए या चक्रों में फंसते हुए। उनके चित्र "कोरिलेटेड" (correlated) होते हैं, जिसका अर्थ है कि दूसरा चित्र पहले जैसा ही दिखता है क्योंकि वे अभी तक पर्याप्त दूरी तय नहीं कर पाए हैं।

निष्कर्ष:
शोध पत्र ने पाया कि क्वांटम धावक स्वतंत्र चित्र प्राप्त करने में वास्तव में बहुत बेहतर है। जब उन्होंने "इफेक्टिव सैंपल साइज" (ESS) की तुलना की—जो मूल रूप से यह गिनता है कि आपको कितने उपयोगी अद्वितीय चित्र मिलते हैं—तो क्वांटम धावक सबसे धीमे क्लासिकल धावक (सिंगल-साइट गिब्स) की तुलना में 16.35 गुना तेज़ था। सबसे स्मार्ट क्लासिकल धावक (पैरेलल टेम्परिंग) के मुकाबले भी, क्वांटम धावक अद्वितीय नमूने प्राप्त करने में लगभग 1.79 गुना तेज़ था।

ट्विस्ट: "सेटअप टाइम" का जाल

यहाँ कहानी में एक मोड़ आता है।

क्वांटम धावक को काम करने के लिए, आपको दौड़ शुरू होने से पहले बहुत सारा होमवर्क करना पड़ता है। आपको एक नियमित कंप्यूटर पर खेल के हर एक संभावित परिणाम ( $2^n$ ) की गणना करनी होगी ताकि आप क्वांटम मशीन को बता सकें कि क्या करना है। इसमें बहुत अधिक समय लगता है, विशेष रूप से $2^n$ के अनुपात में।

शोधकर्ताओं ने पूछा: "यदि हम उस होमवर्क के समय को भी जोड़ दें, तो वास्तव में कौन जीतता है?"

जब उन्होंने कुल दौड़ के समय में इस सेटअप समय को जोड़ा, तो क्वांटम धावक बुरी तरह हार गया।

एक्सैक्ट इनवर्स-सीडीएफ (Exact Inverse-CDF) विधि (एक क्लासिकल धावक जो होमवर्क भी करता है लेकिन फिर तुरंत उत्तर चुन लेता है) औसतन 36 गुना तेज़ था।
यदि आप व्यक्तिगत दौड़ के मामलों को देखें, तो क्लासिकल विधि 153 गुना तेज़ थी।

फैसला: इस विशिष्ट परिदृश्य में, क्वांट क्वांटम कंप्यूटर नहीं जीता। क्वांटम मशीन को डेटा तैयार करने में लगने वाले समय ने इसके गति लाभ को पूरी तरह से खत्म कर दिया। शोध पत्र निष्कर्ष निकालता है कि छोटी समस्याओं के लिए जहाँ आप पहले से गणित कर सकते हैं, क्लासिकल कंप्यूटर अभी भी चैंपियन हैं।

"नकारात्मक" परिणाम: क्या काम नहीं किया

यह शोध पत्र इस बात के लिए भी बहुत प्रसिद्ध है कि इसने उन चीजों के बारे में भी बहुत ईमानदारी से बताया जो काम नहीं कर पाईं। लेखकों ने एक "शैलो" (shallow) क्वांटम सर्किट (क्वांटम धावक का एक सरल, छोटा संस्करण) बनाने की कोशिश की जो भारी होमवर्क किए बिना पैटर्न सीख सके। उन्हें उम्मीद थी कि यह एक शॉर्टकट होगा।

परिणाम: यह विफल रहा। सरल क्वांटम सर्किट ने मैट्रिक्स प्रोडक्ट स्टेट्स (MPS) नामक एक क्लासिकल विधि की तुलना में बहुत धुंधले और गलत चित्र बनाए।
- 12 वेरिएबल्स के आकार पर, क्लासिकल MPS विधि 0.878 सटीक थी, जबकि क्वांटम सर्किट केवल 0.165 सटीक था।
- यहाँ तक कि "मीन-फील्ड" (Mean-Field) नामक एक मानक क्लासिकल ट्रिक (जो एक मोटा अनुमान है) भी आकार 8 पर क्वांटम सर्किट से बेहतर थी।

लेखकों ने यह भी पाया कि क्वांटम बिट्स के जुड़ने के तरीके (एंटैंगलमेंट) को बदलने से वास्तव में कोई मदद नहीं मिली। चाहे उन्होंने पड़ोसियों को जोड़ा या सभी को सभी से जोड़ा, परिणाम लगभग एक जैसे ही थे।

हम कितने आश्वस्त हैं?

लेखक अपने दावों के बारे में बहुत सावधान हैं। उन्होंने यह वास्तविक लैब में किसी शोर वाले (noisy) क्वांटम कंप्यूटर पर नहीं चलाया; उन्होंने इसे सिमुलेटर्स (सुपर-सटीक कंप्यूटर प्रोग्राम जो क्वांटम कंप्यूटर होने का नाटक करते हैं) पर चलाया।

क्या सिद्ध हुआ है: इन सिमुलेशन में, क्वांटम विधि स्वतंत्र नमूने बनाती है, लेकिन सेटअप का समय इसकी गति के लाभ को खत्म कर देता है।
क्या खारिज किया गया है: इन छोटी समस्याओं के लिए, एक "शैलो" क्वांटम सर्किट सटीक परिणाम प्राप्त करने का एक अच्छा तरीका नहीं है।
क्या सुझाव दिया गया है: शोध पत्र सुझाव देता है कि यदि क्वांटम कंप्यूटर कभी जीतना चाहते हैं, तो उन्हें अलग, अधिक जटिल तरीकों (जैसे पूर्ण हैमिल्टोनियन सिमुलेशन) का उपयोग करना होगा या बहुत बड़ी समस्याओं पर काम करना होगा जहाँ क्लासिकल होमवर्क असंभव हो जाता है।

निचोड़

इस शोध पत्र को एक वास्तविकता की जाँच (reality check) के रूप में समझें। यह कहता है: "हे, क्वांटम कंप्यूटर शानदार हैं और स्वतंत्र स्नैपशॉट ले सकते हैं, लेकिन यदि आपको सारा गणित पहले ही एक नियमित कंप्यूटर पर करना है, तो आप पूरे काम को करने के लिए नियमित कंप्यूटर का ही उपयोग कर सकते हैं।"

फिलहाल, छोटे, डिस्क्रीट प्रोबेबिलिटी गेम्स की दुनिया में, क्लासिकल कंप्यूटर अभी भी सबसे तेज़, सबसे सटीक और सबसे विश्वसनीय उपकरण है। क्वांटम कंप्यूटर एक होनहार धावक है, लेकिन वह अभी अपने जूते के फीते बाँध रहा है जबकि क्लासिकल धावक दौड़ पूरी कर चुका है।

तकनीकी सारांश: डिस्क्रीट मार्कोव रैंडम फील्ड्स के लिए एक एंड-टू-एंड हाइब्रिड क्वांटम-क्लासिकल सैंपलिंग वर्कफ़्लो

समस्या विवरण
डिस्क्रीट मार्कोव रैंडम फील्ड्स (MRFs) से सैंपलिंग करना संभाव्यता अनुमान (probabilistic inference), कंप्यूटर विजन और सांख्यिकीय भौतिकी में एक मौलिक चुनौती है। मुख्य कठिनाई $P_\theta(x)$ के संयुक्त वितरण (joint distribution) से नमूने लेने में निहित है, जिसके लिए $2^n$ कॉन्फ़िगरेशनों के योग द्वारा नॉर्मलाइज़ करने वाले पार्टिशन फंक्शन $Z(\theta)$ की आवश्यकता होती है। जबकि क्लासिकल मार्कोव चेन मोंटे कार्लो (MCMC) विधियाँ मानक हैं, वे अक्सर लूप वाले ग्राफों (loopy graphs) पर धीमी मिक्सिंग और उच्च ऑटोकोरिलेशन से ग्रस्त होती हैं। इसके विपरीत, वेरिएशनल इन्फरेंस और बिलीफ प्रोपेगेशन सटीकता या अभिसरण (convergence) की सीमाओं का सामना करते हैं। यह शोध जांचता है कि क्या एम्प्लीट्यूड-एनकोडेड क्वांटम सैंपलिंग, विशेष रूप से उस क्षेत्र में जहाँ पूर्ण वितरण को क्लासिकली ( $O(2^n)$ ) प्रीकंप्यूट किया जा सकता है, क्वांटम स्पीडअप को रोकते हुए भी क्लासिकल विधियों की तुलना में व्यावहारिक लाभ प्रदान करती है।

कार्यप्रणाली
यह अध्ययन विभिन्न समस्या पैमानों ( $n$ ) को संबोधित करने के लिए एक दोहरी-वास्तुकला दृष्टिकोण का उपयोग करता है:

एम्प्लीट्यूड एनकोडिंग (छोटा $n$ ): $n \in \{8, 10, 12\}$ के लिए, लेखक एक पाइपलाइन का निर्माण करते हैं जहाँ हैमिल्टनियन $H_\theta$ के डायगोनल को $O(2^n)$ समय में क्लासिकली कंप्यूट किया जाता है। लक्षित संभावनाओं को नॉर्मलाइज़ किया जाता है, और एम्प्लीट्यूड $\alpha_x = \sqrt{P_\theta(x)}$ को Qiskit के StatePreparation प्रिमिटिव का उपयोग करके तैयार किया जाता है। इससे एक क्वांटम अवस्था $|\psi\rangle = \sum_x \sqrt{P_\theta(x)}|x\rangle$ बनती है। कम्प्यूटेशनल बेसिस में माप स्वतंत्र और समान रूप से वितरित (i.i.d.) सैंपल प्रदान करते हैं। यह दृष्टिकोण पूर्ण क्वांटम सर्किट जेनेरेटिव मॉडलिंग (QCGM) के संभावित घातीय स्पीडअप का त्याग करता है ताकि एक स्वच्छ, ऑडिट योग्य सत्यापन प्रक्रिया प्राप्त की जा सके।
वेरिएशनल क्वांटम सर्किट्स (VQC) (बड़ा $n$ ): बड़े $n$ के लिए, जहाँ पूर्ण गणना (enumeration) असंभव है, लेखक हार्डवेयर-एफिशिएंट एन्सैट्स (ansätze) को प्रशिक्षित करते हैं। इन सर्किट्स में सिंगल-क्विबिट $R_Y$ रोटेशन और इंटरलीव्ड एंटैंगलिंग CNOT गेट्स के $d$ लेयर्स शामिल हैं। तीन एंटैंगलमेंट रणनीतियों का परीक्षण किया गया: लीनियर (समीपवर्ती क्वबिट्स), क्लिक-अवेयर (MRF ग्राफ टोपोलॉजी से मेल खाता हुआ), और फुल (ऑल-टू-ऑल)। सर्किट्स को प्रेरित वितरण और लक्षित $P_\theta$ के बीच कुलबैक-लीब्लर (KL) डाइवर्जेंस को कम करने के लिए प्रशिक्षित किया जाता है।
क्लासिकल बेसलाइन्स: क्वांटम विधियों का चार क्लासिकल सैंपलर के विरुद्ध बेंचमार्किंग किया गया है:
- सिंगल-साइट गिब्स (रैंडम-स्कैन)।
- ब्लॉक गिब्स (मैक्सिमल क्लिक्स को अपडेट करना)।
- ट्यून्ड-ब्लॉक गिब्स (अनुकूलित ब्लॉक सदस्यता)।
- 8 रेप्लिकास के साथ पैरेलल टेम्परिंग (PT)।
- एक्जैक्ट इनवर्स-CDF: एक क्लासिकल बेसलाइन जो प्रीकंप्यूटेड वितरण का उपयोग करके i.i.d. सैंपल लेती है, जो एम्प्लीट्यूड एनकोडर के लिए "एप्पल-टू-एप्पल्स" तुलना के रूप में कार्य करती है जब प्रीप्रोसेसिंग लागत को एमोर्टाइज (amortize) किया जाता है।

प्रमुख योगदान
यह शोध क्वांटम स्पीडअप का दावा नहीं करता है। इसके योगदान को एक कठोर बेंचमार्किंग और नेगेटिव रिजल्ट स्टडी के रूप में वर्णित किया गया है:

ESS गैप लक्षण वर्णन: 60 इंस्टेंस (पाँच ग्राफ परिवारों) में एम्प्लीट्यूड-एनकोडेड i.i.d. सैंपलिंग और चार क्लासिकल MCMC बेसलाइन्स के बीच प्रभावी सैंपल साइज (Effective Sample Size - ESS) गैप का परिमाणीकरण।
वॉल-क्लॉक एमोर्टाइजेशन: एक निष्पक्ष वॉल-क्लॉक टाइम तुलना जिसमें क्वांटम एम्प्लीट्यूड एनकोडर के लिए आवश्यक $O(2^n)$ क्लासिकल प्रीप्रोसेसिंग लागत को स्पष्ट रूप से शामिल किया गया है, जो इसे एक्जैक्ट इनवर्स-CDF सैंपलिंग के विरुद्ध तुलना करता है।
क्लासिकल स्केलिंग सीलिंग: $n=40$ तक मैट्रिक्स प्रोडक्ट स्टेट्स (MPS) के मल्टी-ट्रायल स्केलिंग अध्ययन, जो भविष्य के वेरिएशनल दृष्टिकोणों के लिए एक ठोस क्लासिकल फिडेलिटी सीलिंग स्थापित करता है।
पुनरुत्पादकता (Reproducibility): सभी तालिकाओं और चित्रों को कमिटेड JSON डेटा फाइलों से पुनर्गठित करने के लिए ओपन-सोर्स कोड और निष्पादन योग्य आर्टिफैक्ट्स का विमोचन।

परिणाम

ESS अनुपात: 60 इंस्टेंस में, क्वांटम ESS और क्लासिकल ESS के अनुपात ने एक स्पष्ट पदानुक्रम दिखाया। क्वांटम सैंपलर ने सिंगल-साइट गिब्स को 16.35 के औसत कारक से, ब्लॉक गिब्स को 7.29 से, ट्यून्ड-ब्लॉक गिब्स को 1.82 से, और पैरेलल टेम्परिंग को 1.79 से पीछे छोड़ दिया। यह इंगित करता है कि जबकि क्वांटम सैंपलिंग एक संरचनात्मक लाभ (i.i.d. आउटपुट, $\tau \approx 1$ ) बनाए रखती है, आधुनिक क्लासिकल सैंपलर (विशेष रूप से पैरेलल टेम्परिंग) इस अंतर को काफी हद तक कम कर देते हैं।
वॉल-क्लॉक प्रदर्शन: जब $O(2^n)$ प्रीप्रोसेसिंग लागत को एमोर्टाइज किया जाता है, तो एक्जैक्ट इनवर्स-CDF सैंपलर 17,683,598 ESS/s की औसत दर प्राप्त करता है, जबकि क्वांटम सैंपलर के लिए यह 487,706 ESS/s है। यह औसत दरों में 36× का लाभ और प्रति-इंस्टेंस औसत अनुपात में 153× का लाभ दर्शाता है, जो पुष्टि करता है कि इस क्षेत्र में वॉल-क्लॉक लाभ के मामले में कोई क्वांटम लाभ नहीं है।
VQC बनाम MPS (नेगेटिव रिजल्ट): उथले हार्डवेयर-एफिशिएंट VQCs (डेप्थ 3) ने सभी परीक्षण किए गए आकारों ( $n=8, 10, 12$ ) पर मैचड-बजट MPS की तुलना में काफी खराब प्रदर्शन किया। VQCs के लिए फिडेलिटी क्रमशः 0.306, 0.210, और 0.165 थी, जबकि MPS के लिए यह 0.990, 0.958, और 0.878 थी।
VQC बनाम मीन-फील्ड: $n=8$ और $n=10$ पर, मीन-फील्ड सन्निकटन (approximation) ने VQC की तुलना में उच्च ग्लोबल डिस्ट्रिब्यूशनल फिडेलिटी प्राप्त की, हालांकि VQC ने सिंगलेट मार्जिनल एरर पर क्लासिकल विधियों को पछाड़ दिया।
MPS स्केलिंग: $n=40$ पर, $\chi=32$ बॉन्ड डायमेंशन के साथ एक MPS ने 0.721 ± 0.059 की फिडेलिटी प्राप्त की, जो भविष्य के क्वांटम दृष्टिकोणों के लिए एक बेंचमार्क सेट करता है।
एंटैंगलमेंट रणनीतियाँ: क्लिक-अवेयर एंटैंगलमेंट ने परीक्षण किए गए पैमानों पर लीनियर एंटैंगलमेंट की तुलना में कोई मापने योग्य फिडेलिटी लाभ प्रदान नहीं किया।

महत्व और दावे
यह शोध स्पष्ट रूप से कहता है कि यह क्वांटम एडवांटेज का दावा नहीं करता है। इसका महत्व निम्नलिखित में निहित है:

"क्वांटम एडवांटेज" नैरेटिव को स्पष्ट करना: यह प्रदर्शित करता है कि MRFs में क्वांटम सैंपलिंग का कथित लाभ क्लासिकल बेसलाइन के चयन के प्रति अत्यधिक संवेदनशील है। जबकि क्वांटम सैंपलिंग संरचनात्मक स्वतंत्रता (i.i.d.) प्रदान करती है, अनुकूलित क्लासिकल MCMC (जैसे पैरेलल टेम्परिंग) ESS गैप को लगभग समाप्त कर देता है, और क्लासिकल सटीक सैंपलिंग (Inverse-CDF) प्रीप्रोसेसिंग को ध्यान में रखते हुए वॉल-क्लॉक समय में हावी रहती है।
वैधता के क्षेत्र को परिभाषित करना: एम्प्लीट्यूड एनकोडर केवल तभी एक बचाव योग्य उपकरण है जब i.i.d. क्वांटम सैंपल या डाउनस्ट्रीम कोहेरेंट स्टेट प्रिपरेशन (जैसे एम्प्लीट्यूड एस्टीमेशन के लिए) की सख्त आवश्यकता हो, या जब पूर्ण वितरण को सूचीबद्ध (enumerate) नहीं किया जा सकता लेकिन क्लासिकल बेसलाइन उपलब्ध न हो।
उथले VQCs के लिए नकारात्मक परिणाम: यह अध्ययन प्रमाण प्रदान करता है कि उथले, हार्डवेयर-एफिशिएंट एन्सैट्स, MPS जैसे टेंसर नेटवर्क तरीकों की तुलना में पीक्ड (peaked) MRF वितरणों की वैश्विक संरचना को पकड़ने के लिए पर्याप्त नहीं हैं।
बेंचमार्किंग: यह एक पुनरुत्पादक ढांचा और विशिष्ट संख्यात्मक सीमाएं (जैसे $n=40$ पर MPS) स्थापित करता है जिन्हें भविष्य के क्वांटम एल्गोरिदम को उपयोगिता प्रदर्शित करने के लिए पार करना होगा।

लेखक निष्कर्ष निकालते हैं कि भविष्य के क्वांटम एडवांटेज के सबसे संभावित मार्ग पूर्ण QCGM हैमिल्टोनियन सिमुलेशन, गहरे या समस्या-जागरूक वेरिएशनल एन्सैट्स, या बड़े पैमाने पर शोर वाले हार्डवेयर बेंचमार्क हैं, जिनमें से सभी को भविष्य के कार्य के रूप में पहचाना गया है।

बड़ा प्रयोग: "तत्काल" बनाम "धीमी चाल"

ट्विस्ट: "सेटअप टाइम" का जाल

"नकारात्मक" परिणाम: क्या काम नहीं किया

हम कितने आश्वस्त हैं?

निचोड़

इसी तरह के और पेपर