⚛️ quantum physics

Scaling Adaptive Non-Local Observable Quantum Super-Resolution via Matrix Product States

यह शोध पत्र एक मैट्रिक्स प्रोडक्ट स्टेट (MPS) सिमुलेशन फ्रेमवर्क प्रस्तुत करता है जो स्टेटवेक्टर और सटीक टेंसर नेटवर्क विधियों की मेमोरी और कम्प्यूटेशनल बाधाओं को दूर करता है, जिससे 16x16 पिक्सेल तक के इनपुट पर इमेज सुपर-रिज़ॉल्यूशन के लिए एडेप्टिव नॉन-लोकल ऑब्जर्वेबल वेरिएशनल क्वांटम सर्किट के स्केलेबल प्रशिक्षण और बेंचमार्किंग को सक्षम बनाया जा सके।

मूल लेखक: Shih-Lung Yu, Ming-Kang Ho, Tai-Yue Li, Sheng Yun Wu

प्रकाशित 2026-07-14

📖 4 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Shih-Lung Yu, Ming-Kang Ho, Tai-Yue Li, Sheng Yun Wu

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 सुपर-स्मार्ट रोबोट कलाकार बनाने की कोशिश कर रहे हैं जो एक छोटे, धुंधले 7x7 पिक्सेल के स्केच को जादुई रूप से एक स्पष्ट, विस्तृत 28x28 की उत्कृष्ट कृति में बदल सके। इसे "इमेज सुपर-रिज़ॉल्यूशन" कहा जाता है। आमतौर पर, हम इसे करने के लिए विशाल क्लासिकल कंप्यूटरों का उपयोग करते हैं, लेकिन शोधकर्ताओं के एक समूह ने पूछा: "क्या होगा अगर हम एक क्वांटम कंप्यूटर का उपयोग करें?"

समस्या क्या है? क्वांटम कंप्यूटर वर्तमान में बड़े कामों को संभालने के लिए बहुत छोटे और नाजुक हैं। एक रेगुलर कंप्यूटर पर उन्हें सिम्युलेट करना ऐसा ही है जैसे अपने बैकपैक में एक लाइब्रेरी ले जाने की कोशिश करना; जैसे ही आप कुछ और किताबें (क्यूबिट्स) जोड़ते हैं, आपका बैकपैक (मेमोरी) फट जाता है।

बड़ा विचार: क्वांटम "कंप्रेशन" ट्रिक
शोधकर्ता शिह-लुंग यू और उनके साथियों ने मैट्रिक्स प्रोडक्ट स्टेट्स (MPS) नामक चीज़ का उपयोग करके एक चतुर वर्कअराउंड निकाला। एक क्वांटम स्टेट को ऊन के एक विशाल, उलझे हुए गोले के रूप में सोचें। एक पारंपरिक सिमुलेशन हर एक धागे को एक साथ दृश्यमान रखने की कोशिश करता है। यदि आपके पास 256 धागे (256 क्यूबिट्स) हैं, तो वह गोला इतना बड़ा हो जाता है कि आपके कंप्यूटर की मेमोरी को कुचल देता है।

MPS एक जादुई कंप्रेशन एल्गोरिदम की तरह है। यह महसूस करता है कि पैटर्न को समझने के लिए आपको हर एक धागे को देखने की ज़रूरत नहीं है। इसके बजाय, यह धागों को एक श्रृंखला में जोड़ता है, केवल आवश्यक कनेक्शनों को ही थामे रखता है। यह उन्हें एक सिंगल ग्राफिक्स कार्ड (एक NVIDIA RTX 4070) पर 256 क्यूबिट्स (एक 16x16 पिक्सेल इमेज) के क्वांटम सिस्टम को सिम्युलेट करने की अनुमति देता है।

उन्होंने क्या खारिज किया
इससे पहले कि वे जश्न मना पाते, उन्हें अपने नए तरीके को पुराने तरीकों के विरुद्ध टेस्ट करना था।

"स्टेटवेक्टर" विधि: यह क्वांटम कंप्यूटरों को सिम्युलेट करने का मानक तरीका है। पेपर में पाया गया कि यह विधि केवल 36 क्यूबिट्स (6x6 इमेज) पर ही एक कठिन दीवार से टकरा जाती है। यह सीधे तौर पर मेमोरी खत्म कर देती है।
"एक्जैक्ट टेंसर नेटवर्क" विधि: यह एक अधिक उन्नत संस्करण है जो थोड़ा बेहतर काम करता है, लेकिन यह 144 क्यूबिट्स (12x12 इमेज) से आगे बढ़ते ही उपयोगी होने के बजाय बहुत धीमा हो जाता है।

पेपर स्पष्ट रूप से दिखाता है कि 12x12 इमेज से बड़ी किसी भी चीज़ के लिए, पुराने तरीके व्यावहारिक रूप से असंभव हैं, जबकि उनका नया MPS तरीका लगातार काम करता रहता है।

"डीप" बनाम "शैलो" का सरप्राइज
यहीं से चीजें दिलचस्प होती हैं। AI की दुनिया में, हम आमतौर पर सोचते हैं कि "डीपर (गहरा) होना बेहतर है।" यदि आप एक न्यूरल नेटवर्क में अधिक परतें (layers) जोड़ते हैं, तो उसे स्मार्ट होना चाहिए, है ना?

शोधकर्ताओं ने अपने क्वांटम सर्किट को परत दर परत, लेयर 1 से लेकर लेयर 4 तक गहरा बनाकर इसका परीक्षण किया। यह सुनिश्चित करने के लिए कि उनका सिमुलेशन सटीक है, उन्हें "बॉन्ड डायमेंशन" (सोचिए कि यह ऊन के धागे को जोड़ने वाली रस्सी की चौड़ाई है) को बढ़ाना पड़ा।

एक सरल 1-लेयर सर्किट के लिए, उन्हें केवल एक पतली रस्सी (बॉन्ड डायमेंशन χ = 2) की आवश्यकता थी।
एक 4-लेयर सर्किट के लिए, गणित को सटीक रखने के लिए उन्हें बहुत अधिक मोटी रस्सी (बॉन्ड डायमेंशन χ = 16) की आवश्यकता थी।

उन्होंने गणित को सटीक रखने के लिए मोटे रस्सी (χ = 16) का उपयोग करके पूर्ण इमेज-रिकंस्ट्रक्शन प्रयोग चलाया। परिणाम क्या रहा? गहरे (deeper) सर्किट वास्तव में खराब प्रदर्शन करते थे।

उथले (shallow) 1-लेयर सर्किट ने सबसे अच्छी इमेज बनाई, जिसका "लॉस" स्कोर 0.4864 और शार्पनेस स्कोर (PSNR) 20.87 dB था।
गहरे (deep) 4-लेयर सर्किट ने इमेज को अधिक धुंधला बना दिया, जिसका लॉस 0.6984 और शार्पनेस 18.80 dB था।

निष्कर्ष
पेपर सुझाव देता है कि इस विशिष्ट प्रकार के क्वांटम इमेज कार्य के लिए, परतों को जोड़ने से ऑटोमैटिक रूप से रोबोट कलाकार बेहतर नहीं होता है। वास्तव में, इन विशिष्ट सिमुलेशन स्थितियों के तहत, सबसे सरल, उथला डिज़ाइन ही विजेता रहा।

शोधकर्ता सावधानी से नोट करते हैं कि ये परिणाम एक सिंगल GPU पर किए गए सिमुलेशन से आते हैं, न कि एक वास्तविक क्वांटम कंप्यूटर से। हालांकि, वे साबित करते हैं कि उनका MPS फ्रेमवर्क बड़े पैमाने के क्वांटम एल्गोरिदम का अध्ययन करने के लिए एक व्यावहारिक उपकरण है। यह सुझाव देता है कि भविष्य के क्वांटम इमेज टूल्स को डिजाइन करते समय, हमें केवल जटिलता जोड़ने के पीछे नहीं भागना चाहिए; कभी-कभी, सादगी बनाए रखना ही एक स्पष्ट तस्वीर पाने की कुंजी होती है।

तकनीकी सारांश: मैट्रिक्स प्रोडक्ट स्टेट्स के माध्यम से स्केलेबल एडेप्टिव नॉन-लोकल ऑब्जर्वेबल क्वांटम सुपर-रिजॉल्यूशन

समस्या विवरण
इमेज सुपर-रिजॉल्यूशन (SR) का लक्ष्य लो-रिजॉल्यूशन इनपुट से हाई-रिजॉल्यूशन छवियों का पुनर्निर्माण करना है। जबकि क्लासिकल डीप लर्निंग इस क्षेत्र में प्रभावी है, वेरिएशनल क्वांटम सर्किट्स (VQCs) एक वैकल्पिक ढांचा बनकर उभरे हैं। एक विशिष्ट आर्किटेक्चर, एडेप्टिव नॉन-लोकल ऑब्जर्वेबल VQCs (ANO-VQCs), मानक VQCs की तुलना में बेहतर है क्योंकि यह फिक्स्ड पॉली ऑब्जर्वेबल्स के बजाय हर्मिटीयन मेजरमेंट ऑपरेटर्स को ट्रेन करने योग्य घटकों के रूप में उपयोग करता है। यह मल्टी-क्यूबिट सहसंबंधों (correlations) के कार्य-निर्भर संयोजनों की अनुमति देता है।

हालाँकि, इमेज SR के लिए ANO-VQCs का अनुकरण (simulation) एक गंभीर स्केलेबिलिटी बाधा का सामना करता है। वन-पिक्सेल-टू-वन-क्यूबिट एनकोडिंग का उपयोग करते हुए, $p \times p$ आकार की एक इनपुट इमेज के लिए $n = p^2$ क्यूबिट्स की आवश्यकता होती है। पारंपरिक स्टेटवेक्टर सिमुलेशन के लिए $2^n$ कॉम्प्लेक्स एम्प्लीट्यूड को स्टोर करने की आवश्यकता होती है, जो मामूली इनपुट साइज (जैसे, $6 \times 6$ इनपुट या 36 क्यूबिट्स) के लिए भी अव्यवहार्य हो जाता है। जबकि सटीक टेंसर-नेटवर्क (Exact TN) कॉन्ट्रैक्शन एक विकल्प प्रदान करता है, वह भी कुछ इनपुट आकारों (जैसे, $12 \times 12$ या 144 क्यूबिट्स) से परे गणनात्मक रूप से अव्यवहार्य हो जाता है। वेरिएशनल क्वांटम एल्गोरिदम के प्रशिक्षण के लिए सटीकता बनाए रखते हुए बड़े क्यूबिट काउंट को संभालने के लिए एक स्केलेबल सिमुलेशन बैकएंड की आवश्यकता है।

कार्यप्रणाली (Methodology)
लेखक एक मैट्रिक्स प्रोडक्ट स्टेट (MPS) सिमुलेशन फ्रेमवर्क प्रस्तावित करते हैं जो विशेष रूप से ANO-VQC इमेज SR के लिए तैयार किया गया है। वर्कफ़्लो के चार मुख्य चरण हैं:

एनकोडिंग और सर्किट डिज़ाइन:
- लो-रिजॉल्यूशन इमेज (जैसे, $7 \times 7$ ) को वन-पिक्सेल-टू-वन-क्यूबिट एनकोडिंग के माध्यम से क्यूबिट्स में मैप किया जाता है। पिक्सेल मान $x_i \in [0, 1]$ को रोटेशन एंगल्स $\phi_i = 2\pi x_i - \pi$ में परिवर्तित किया जाता है।
- एनकोडिंग सर्किट हैडामार्ड गेट्स (Hadamard gates) लागू करता है, जिसके बाद पिक्सेल-डिपेंडेंट $RY(\phi_i)$ रोटेशन और स्टैगर्ड नेर-नेबर CNOT गेट्स लगाए जाते हैं।
- सर्किट डेप्थ $L$ को बार-बार दोहराए जाने वाले एनकोडिंग-इंटैंगलिंग लेयर्स की संख्या द्वारा परिभाषित किया जाता है। विशेष रूप से, एनकोडिंग गेट्स इनपुट-डिपेंडेंट हैं लेकिन स्वतंत्र रूप से ट्रेन करने योग्य नहीं हैं; ट्रेन करने योग्य पैरामीटर्स ऑब्जर्वेबल्स और क्लासिकल रिकंस्ट्रक्शन लेयर में स्थित होते हैं।
एडेप्टिव ऑब्जर्वेबल फीचर एक्सट्रैक्शन:
- फिक्स्ड पॉली मेजरमेंट्स के बजाय, फ्रेमवर्क ट्रेन करने योग्य हर्मिटीयन ऑब्जर्वेबल्स $H_q$ का उपयोग करता है जो क्यूबिट्स के जोड़ों (विशेष रूप से इमेज-लोकल पड़ोसियों: हॉरिजॉन्टल, वर्टिकल और डायगोनल) पर कार्य करते हैं।
- MPS बैकएंड का कुशलतापूर्वक लाभ उठाने के लिए, प्रत्येक एडेप्टिव ऑब्जर्वेबल को पॉली बेसिस में विस्तारित किया जाता है: $H_q = \sum_\alpha c_{q,\alpha} P_\alpha$ ।
- एक्सपेक्टेशन वैल्यू $\langle H_q \rangle$ को फिक्स्ड पॉली एक्सपेक्टेशन वैल्यू $\langle P_\alpha \rangle$ के लीनियर कॉम्बिनेशन के रूप में कंप्यूट किया जाता है। चूंकि एनकोडिंग सर्किट केवल इनपुट इमेज पर निर्भर करता है, इसलिए ये पॉली एक्सपेक्टेशन वैल्यूज को एक बार कंप्यूट करके कैश (cache) किया जा सकता है। ट्रेन करने योग्य पैरामीटर्स ( $A_q, B_q, D_q$ ) केवल गुणांकों $c_{q,\alpha}$ को अपडेट करते हैं, जिससे महंगे क्वांटम फीचर इवैल्यूएशन और ऑब्जर्वेबल एवं रिकंस्ट्रक्शन लेयर्स के ऑप्टिमाइजेशन को अलग किया जा सके।
MPS सिमुलेशन:
- क्वांटम स्टेट $|\psi\rangle$ को वर्चुअल बॉन्ड्स के साथ जुड़े स्थानीय टेंसरों की एक चेन के रूप में दर्शाया जाता है, जिसका बॉन्ड डायमेंशन $\chi$ है।
- स्टोरेज लगभग $O(n\chi^2)$ के रूप में स्केल होता है, न कि $O(2^n)$ के रूप में।
- वन-क्यूबिट गेट्स स्थानीय टेंसर को अपडेट करते हैं, जबकि टू-क्यूबिट गेट्स आस-पास के टेंसरों को अपडेट करते हैं जिसके बाद बॉन्ड डायमेंशन ट्रंकेशन (truncation) किया जाता है।
रिकंस्ट्रक्शन और ट्रेनिंग:
- निकाले गए क्वांटम फीचर वेक्टर को हाई-रिजॉल्यूशन इमेज को पुनर्गठित करने के लिए एक क्लासिकल लीनियर लेयर को पास किया जाता है।
- ट्रेनिंग मीन स्क्वेर्ड एरर (MSE) और लर्नड परसेप्चुअल इमेज पैच सिमिलरिटी (LPIPS) को संयोजित करने वाले एक वेटेड लॉस फंक्शन को कम करती है।
- प्रयोग एक सिंगल NVIDIA RTX 4070 GPU पर फैशन-MNIST डेटासेट (इनपुट $7 \times 7 \to$ आउटपुट $28 \times 28$ ) पर किए गए थे।

प्रमुख योगदान और परिणाम

स्केलेबिलिटी बेंचमार्क:
- अध्ययन स्टेटवेक्टर सिमुलेशन, एक्सटैक्ट TN कॉन्ट्रैक्शन और MPS सिमुलेशन की तुलना करता है।
- स्टेटवेक्टर: $6 \times 6$ इनपुट (36 क्यूबिट्स) पर मेमोरी बॉटलनेक का सामना करता है।
- Exact TN: $12 \times 12$ इनपुट (144 क्यूबिट्स) से परे गणनात्मक रूप से अव्यवहार्य हो जाता है।
- MPS: फिक्स्ड बॉन्ड डायमेंशन $\chi=8$ के साथ $16 \times 16$ पिक्सेल (256 क्यूबिट्स) तक के इनपुट के लिए फॉरवर्ड फीचर एक्सट्रैक्शन को सफलतापूर्वक पूरा करता है। ओवरलैपिंग रेंज में, MPS, Exact TN की तुलना में तेज़ है और $4 \times 4$ से बड़े इनपुट के लिए स्टेटवेक्टर सिमुलेशन से बेहतर प्रदर्शन करता है।
एक्यूरेसी-कॉस्ट ट्रेड-ऑफ (बॉन्ड डायमेंशन स्वीप):
- एक निश्चित $7 \times 7$ इनपुट (49 क्यूबिट्स) के लिए, लेखकों ने सर्किट डेप्थ $L=1$ से $L=4$ केAcross $\chi=2$ से $\chi=2048$ तक बॉन्ड डायमेंशन का स्वीप किया।
- "नियर-एक्जैक्ट" रिजीम (जहाँ MPS एरर, Exact TN के सापेक्ष मशीन प्रिसिजन के करीब पहुँच जाता है) तक पहुँचने के लिए आवश्यक $\chi$ $χ$ , सर्किट डेप्थ के साथ बढ़ता है:
  - $L=1$ : $\chi=2$
  - $L=2$ : $\chi=4$
  - $L=3$ : $\chi=8$
  - $L=4$ : $\chi=16$
- $\chi=16$ पर, $L=4$ के लिए MAE घटकर $\approx 10^{-15}$ हो जाता है, जो बिना घातीय लागत (exponential cost) के प्रभावी रूप से Exact TN परिणामों से मेल खाता है।
सुपर-रिजॉल्यूशन प्रदर्शन:
- $\chi=16$ का उपयोग करते हुए (जो सभी परीक्षण की गई डेप्थ के लिए नियर-एक्जैक्ट सिमुलेशन सुनिश्चित करता है), लेखकों ने $7 \times 7 \to 28 \times 28$ फैशन-MNIST SR के लिए मॉडल को प्रशिक्षित किया।
- काउंटर-इंट्यूटिव खोज: सबसे उथले सर्किट ( $L=1$ $L = 1$ ) ने सभी मेट्रिक्स (Loss, LPIPS, PSNR, SSIM) में सर्वश्रेष्ठ प्रदर्शन किया।
  - $L=1$ : Loss 0.4864, PSNR 20.87 dB, SSIM 0.4248।
  - $L=4$ : Loss 0.6984, PSNR 18.80 dB, SSIM 0.2922।
- इस फिक्स्ड नियर-एक्जैक्ट MPS सेटिंग के तहत सर्किट डेप्थ बढ़ाने से रिकंस्ट्रक्शन क्वालिटी में सुधार नहीं हुआ; वास्तव में, गहरे सर्किट ने प्रदर्शन को खराब कर दिया और ट्रेनिंग का समय भी बढ़ा दिया।

महत्व और दावे
यह पेपर MPS को ANO-VQC इमेज SR के लिए एक स्केलेबल और नियंत्रणीय सिमुलेशन बैकेंड के रूप में स्थापित करता है। इसका प्राथमिक महत्व स्टेटवेक्टर और सटीक टेंसर-नेटवर्क विधियों की सीमाओं से परे क्वांटम एल्गोरिदम के व्यावहारिक सिमुलेशन रेंज को विस्तारित करने में निहित है, जिससे एक सिंगल GPU पर 256 क्यूबिट्स तक के सिस्टम का अध्ययन संभव हो पाता है।

लेखक विनम्रतापूर्वक दावा करते हैं कि उनके परिणाम सर्किट डेप्थ को ऑब्जर्वेबल डिज़ाइन और रिकंस्ट्रक्शन लेयर्स के साथ संयुक्त रूप से चुनने के महत्व को रेखांकित करते हैं, यह देखते हुए कि गहरे सर्किट अनिवार्य रूप से बेहतर SR गुणवत्ता नहीं देते हैं। वे निष्कर्ष निकालते हैं कि MPS बड़े पैमाने के वेरिएशनल क्वांटम सर्किट्स के अध्ययन के लिए एक व्यावहारिक उपकरण के रूप में कार्य करता है, और भविष्य के कार्यों में सिमुलेशन स्केल को और अधिक विस्तारित करने के लिए पैरेललाइजेशन और डिस्ट्रिब्यूटेड टेंसर-नेटवर्क कंप्यूटेशन को शामिल करने की योजना है।

इसी तरह के और पेपर