⚛️ quantum physics

A Variational Surrogate Approach to Finite-Horizon Quantum Control via Hardware-Efficient Ansatz

यह शोध पत्र परिमित-क्षितिज (finite-horizon) क्वांटम नियंत्रण के लिए एक वेरिएशनल क्वांटम ढांचे को प्रस्तुत करता है जो स्पष्ट रूप से समय-निर्भर नियंत्रण क्षेत्रों को संश्लेषित किए बिना, अवस्था हस्तांतरण निष्ठा (state transfer fidelity) को अनुकूलित करने के लिए हार्डवेयर-कुशल पैरामीटराइज्ड सर्किटों को सरोगेट के रूप में उपयोग करता है, जो संख्यात्मक प्रयोगों के माध्यम से प्रमाणित एक लचीला और निकट-अवधि (near-term) उपकरण-अनुकूल दृष्टिकोण प्रदान करता है।

मूल लेखक: Nahid Binandeh Dehaghani, Rafal Wisniewski, A. Pedro Aguiar

प्रकाशित 2026-07-15

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Nahid Binandeh Dehaghani, Rafal Wisniewski, A. Pedro Aguiar

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 आपके पास एक जादुई, बहु-आयामी रूबिक क्यूब है जो अदृश्य क्वांटम कणों से बना है। आपका लक्ष्य क्या है? इसे एक अस्त-व्यस्त शुरुआती पैटर्न से बदलकर एक सटीक लक्षित पैटर्न में बदलना। क्वांटम भौतिकी की दुनिया में, इसे "स्टेट ट्रांसफर" (state transfer) कहा जाता है, और यह वैज्ञानिकों के लिए आमतौर पर एक सिरदर्द होता है क्योंकि उन्हें इसे संभव बनाने के लिए जटिल, समय-परिवर्तित नियंत्रण क्षेत्रों (control fields) की गणना करनी पड़ती है। यह एक अंतरिक्ष यान को मैन्युअल रूप से इंजन के थ्रस्ट को हर मिलीसेकंड में एडजस्ट करके गाइड करने जैसा है, जबकि आप एक ऐसे पायलट को निर्देशांक चिल्लाकर बता रहे हैं जो आपको सुन नहीं सकता।

यह पेपर इसे करने का एक अलग, बहुत बेहतर तरीका सुझाता है। पारंपरिक नियंत्रण क्षेत्रों के बजाय, लेखक एक "हार्डवेयर-एफिशिएंट एन्सैट्ज़" (hardware-efficient ansatz) का प्रस्ताव करते हैं। इसे एक पहले से निर्मित, लचीले रोबोटिक हाथ के रूप में सोचें जिसमें जोड़ों (गेट्स) की एक निश्चित संख्या और नॉब्स (पैरामीटर्स) हैं। आप रोबोटिक हाथ को यह नहीं बताते कि इंजन को कैसे चलाना है; आप बस रोबोटिक हाथ के नॉब्स को तब तक घुमाते हैं जब तक कि क्यूब बिल्कुल सही जगह पर न पहुँच जाए। यह रोबोटिक हाथ यात्रा की जटिल भौतिकी के लिए एक "सरोगेट" (surrogate), या एक विकल्प के रूप में कार्य करता है।

बड़ी अवधारणा: "ब्लैक बॉक्स" नेविगेटर
लेखकों ने एक ऐसा ढांचा तैयार किया है जहाँ एक क्वांटम सर्किट (रोबोटिक हाथ) एक क्वांटम सिस्टम को एक शुरुआती बिंदु से फिनिश लाइन तक ले जाने के लिए सीखता है। उन्होंने भौतिकी के समीकरणों को हल करने की कोशिश नहीं की। इसके बजाय, उन्होंने एक खेल सेट किया:

सेटअप: वे एक विशिष्ट क्वांटम अवस्था (जैसे कि क्यूब्स की एक रेखा के एक छोर पर स्थित एक सिंगल पार्टिकल एक्साइटेड स्टेट) से शुरू करते हैं।
लक्ष्य: उस उत्तेजना (excitement) को लाइन के दूसरे छोर तक पहुँचाना।
विधि: वे परतों (layers) से बने एक सर्किट का उपयोग करते हैं। प्रत्येक परत में छोटे रोटेशन (नॉब्स को घुमाना) और एंटैंगलिंग गेट्स (कणों को आपस में जोड़ना) होते हैं।
सीखना: एक क्लासिकल कंप्यूटर एक कोच के रूप में कार्य करता है। वह परिणाम को देखता है, देखता है कि रोबोट लक्ष्य के कितने करीब पहुँचा, और फिर नॉब्स को थोड़ा बदल देता है। वह इसे बार-बार तब तक दोहराता है जब तक कि रोबोट सटीक चाल न चल दे।

उन्होंने किसे खारिज किया (नो-गो ज़ोन)
यह पेपर स्पष्ट रूप से विशिष्ट, समय-निर्भर नियंत्रण क्षेत्रों को सिंथेसाइज करने या "फिजिक्स-इंस्पायर्ड" डिजाइनों पर भरोसा करने के पुराने तरीके के विरुद्ध तर्क देता है जो सिस्टम के प्राकृतिक हैमिल्टोनियन (आंतरिक ऊर्जा नियमों) की नकल करते हैं। वे कहते हैं, "हर विशिष्ट यात्रा के लिए एक कस्टम इंजन बनाने की कोशिश न करें।" इसके बजाय, वे एक जेनेरिक, लचीले सर्किट का उपयोग करते हैं जो नीचे की विशिष्ट भौतिकी की परवाह किए बिना काम करता है। वे यह भी स्पष्ट करते हैं कि वे यह पता नहीं लगा रहे हैं कि इन नॉब सेटिंग्स को वास्तविक दुनिया के लेजर पल्स या चुंबकीय क्षेत्रों में कैसे बदला जाए; वह भविष्य के शोध का काम है।

परिणाम: रोबोटिक हाथ ने कितना अच्छा काम किया?
लेखकों ने यह देखने के लिए कि क्या यह विचार टिक पाता है, इसे एक नॉइलेस डिजिटल सिम्युलेटर (एक क्वांटम कंप्यूटर का अत्यंत सटीक वीडियो गेम संस्करण) के माध्यम से चलाया। यहाँ उन्हें जो मिला:

छोटे सिस्टम बहुत आसान हैं: जब उन्होंने एक 3-क्यूबिट सिस्टम (एक छोटा 3-भाग वाला क्यूब) का परीक्षण किया, तो रोबोटिक हाथ ने लगभग हर बार इसे सफलतापूर्वक पूरा किया। उन्होंने लगभग 0.9996 की फिडेलिटी (एक स्कोर कि मूव कितना परफेक्ट था) हासिल की। यह लगभग पूर्ण है।
मध्यम सिस्टम थोड़े कठिन हैं: जैसे ही उन्होंने अधिक भाग (5 क्यूबिट्स) जोड़े, स्कोर थोड़ा गिरकर 0.9960 हो गया, लेकिन यह अभी भी बहुत अच्छा था।
बड़े सिस्टम और कठिन होते जाते हैं: जब उन्होंने 7 क्यूबिट्स के साथ प्रयास किया, तो स्कोर गिरकर 0.9554 हो गया। पेपर नोट करता है कि जैसे-जैसे सिस्टम बड़ा होता है, संभावित समाधानों का "लैंडस्केप" अधिक ऊबड़-खाबड़ हो जाता है, जिससे कंप्यूटर के लिए सटीक नॉब सेटिंग्स खोजना कठिन हो जाता है। यह एक ताले के परफेक्ट कॉम्बिनेशन खोजने जैसा है जिसमें बहुत सारे डायल हैं; कभी-कभी आप परफेक्ट सेटिंग के बजाय एक "काफी अच्छे" सेटिंग पर अटक जाते हैं।

डेप्थ बनाम कठिनाई का ट्रेड-ऑफ
शोधकर्ताओं ने सर्किट की "डेप्थ" (depth) के साथ प्रयोग किया, जो मूल रूप से यह है कि रोबोटिक हाथ में ट्विस्ट और टर्न्स की कितनी परतें हैं।

छोटे 3-क्यूबिट सिस्टम के लिए, एक उथला (shallow) सर्किट (4 परतें) भी बहुत अच्छा काम करता है।
7-क्यूबिट सिस्टम के लिए, उन्हें गहरे सर्किट (लगभग 8 परतें) की आवश्यकता थी ताकि उच्च स्कोर मिल सके।
हालाँकि, सर्किट को बहुत गहरा (10 या 12 परतें) बनाने से अनुकूलन (optimization) फिर से कठिन हो गया, जो दर्शाता है कि एक "स्वीट स्पॉट" है जहाँ आपके पास पर्याप्त लचीलापन है बिना गणित को बहुत जटिल बनाए।

"बैरेन प्लेटो" (Barren Plateau) की चेतावनी
पेपर चेतावनी देता है कि जैसे-जैसे आप अधिक क्यूबिट्स जोड़ते हैं, आप "बैरेन प्लेटो" नामक स्थिति का सामना कर सकते हैं। कल्पना कीजिए कि आप एक घाटी के निचले हिस्से को खोजने की कोशिश कर रहे हैं, लेकिन जमीन इतनी सपाट है कि आप यह नहीं बता सकते कि नीचे की दिशा कौन सी है। पेपर सुझाव देता है कि बड़े सिस्टम के लिए, कंप्यूटर को सही दिशा खोजने में संघर्ष करना पड़ सकता है क्योंकि सिग्नल बहुत कमजोर हो जाता है। उन्होंने अपने सिमुलेशन में इसे कम करने के लिए परीक्षण को 20 बार अलग-अलग शुरुआती अनुमानों के साथ चलाया ताकि वे एक अच्छा समाधान पा सकें।

वास्तविक दुनिया का परीक्षण (सिमुलेशन में)
यह साबित करने के लिए कि यह केवल एक सिद्धांत नहीं है, उन्होंने अपने अनुकूलित "नॉब सेटिंग्स" को विभिन्न क्लाउड-आधारित क्वांटम सिम्युलेटर्स (जैसे IonQ, Rigetti, और Quantinuum) पर चलाया।

ट्रेनिंग से पहले, सही उत्तर मिलने की संभावना बहुत कम (लगभग 0.033 से 0.040) थी।
ट्रेनिंग के बाद, IonQ और Rigetti सिम्युलेटर ने क्रमशः 0.994 और 0.992 की संभावना के साथ लक्ष्य को हिट किया।
Quantinuum एमुलेटर, जिसमें वास्तविक शोर (जैसे एक वास्तविक, अपूर्ण मशीन) शामिल है, ने 0.942 का स्कोर प्राप्त किया।

निष्कर्ष
यह पेपर सुझाव देता है कि आप भौतिकी के जादूगर बने बिना, जो हर नियंत्रण क्षेत्र के विवरण को जानता हो, क्वांटम सिस्टम को प्रभावी ढंग से निर्देशित कर सकते हैं। एक लचीले, हार्डवेयर-फ्रेंडली सर्किट का उपयोग करके और कंप्यूटर को नॉब्स ट्यून करने देकर, आप सिमुलेशन में उच्च-फिडेलिटी स्टेट ट्रांसफर प्राप्त कर सकते हैं। हालाँकि, लेखक सावधानी बरतते हैं कि यह वर्तमान में एक सिमुलेशन-आधारित सफलता है। जैसे-जैसे सिस्टम बड़े होते हैं, कठिनाई बढ़ती है, और यह विधि शुरुआती सेटअप के प्रति संवेदनशील हो जाती है। यह क्वांटम कंप्यूटिंग के निकट भविष्य के लिए एक आशाजनक, लचीला उपकरण है, लेकिन यह कोई जादुई छड़ी नहीं है जो हर समस्या को तुरंत हल कर दे।

तकनीकी सारांश: हार्डवेयर-कुशल एंसेट के माध्यम से परिमित-क्षितिज क्वांटम नियंत्रण के लिए एक वेरिएशनल सरोगेट दृष्टिकोण

समस्या विवरण
यह शोध पत्र परिमित-क्षितिज क्वांटम अनुकूलन नियंत्रण (quantum optimal control) समस्या को संबोधित करता है, विशेष रूप से एक निश्चित समय $T$ के भीतर एक दिए गए प्रारंभिक अवस्था $|\psi_{in}\rangle$ से वांछित लक्ष्य अवस्था $|\psi_{tar}\rangle$ तक एक क्लोज्ड क्वांटम सिस्टम को निर्देशित करने के कार्य को। इस समस्या के पारंपरिक दृष्टिकोण आमतौर पर समय-निर्भर नियंत्रण क्षेत्रों $u(t)$ को स्पष्ट रूप से पैरामीटराइज करने और प्रैग्नटन के न्यूनतम सिद्धांत (Pontryagin's Minimum Principle) या ग्रेडिएंट-आधारित विधियों का उपयोग करके इष्टतम प्रक्षेपवक्र (optimal trajectory) खोजने पर निर्भर करते हैं। हालाँकि, ये शास्त्रीय विधियाँ उच्च-आयामी प्रणालियों के लिए गणनात्मक रूप से अत्यधिक कठिन हो सकती हैं और उन्हें सिस्टम के ड्रिफ्ट और कंट्रोल हैमिल्टोनियन के विस्तृत ज्ञान की आवश्यकता होती है, जो उनकी निकट-अवधि क्वांटम हार्डवेयर के साथ सीधी अनुकूलता को सीमित करता है।

कार्यप्रणाली
लेखक एक वेरिएशनल क्वांटम फ्रेमवर्क प्रस्तावित करते हैं जो नियंत्रण उद्देश्य को एक वेरिएशनल ऑप्टिमाइज़ेशन समस्या के रूप में पुनर्गठित करता है। टर्मिनल इवोल्यूशन (terminal evolution) को एक पैरामीटराइज्ड क्वांटम सर्किट (PQC) के रूप में मानकर, यह विधि समय-निर्भर नियंत्रण क्षेत्रों को संश्लेषित करने या हैमिल्टोनियन पहुंच बाधाओं (reachability constraints) को लागू करने के बजाय, टर्मिनल इवोल्यूशन ऑपरेटर को एक प्रशिक्षण योग्य (trainable) सर्किट के रूप में मानती है।

सरोगेट पैरामीटराइजेशन (Surrogate Parameterization): मुख्य नवाचार टर्मिनल इवोल्यूशन के सरोगेट के रूप में एक हार्डवेयर-कुशल एंसेट (hardware-efficient ansatz) का उपयोग करना है। सर्किट $U(\theta)$ प्रारंभिक अवस्था को टर्मिनल अवस्था $|\psi(\theta)\rangle = U(\theta)|\psi_{in}\rangle$ में मैप करता है।
सर्किट संरचना: यह एंसेट सिंगल-क्यूबिट रोटेशन ( $R_z$ और $R_x$ ) और निकटतम पड़ोसी एंटैंगलिंग गेट्स (CNOT) के वैकल्पिक परतों से बना है। यह संरचना वर्तमान NISQ (Noisy Intermediate-Scale Quantum) उपकरणों के साथ अनुकूलता के लिए डिज़ाइन की गई है, जो ट्रोटरयुक्त (Trotterized) हैमिल्टोनियन इवोल्यूशन जैसी भौतिकी-प्रेरित रचनाओं की आवश्यकता को समाप्त करती है।
ऑप्टिमाइज़ेशन लूप: नियंत्रण कार्य को इन्फिडेलिटी (infidelity) द्वारा परिभाषित टर्मिनल कॉस्ट फंक्शन $J(\theta) = 1 - |\langle \psi_{tar} | U(\theta) | \psi_{in} \rangle|^2$ को कम करने में बदल दिया जाता है। इसे एक हाइब्रिड क्वांटम-क्लासिकल लूप के माध्यम से हल किया जाता है जहाँ एक क्लासिकल ऑप्टिमाइज़र (SLSQP) क्वांटम सिम्युलेटर पर किए गए फिडेलिटी मूल्यांकन के आधार पर सर्किट पैरामीटर्स $\theta$ को अपडेट करता है।
सैद्धांतिक आधार: शोध पत्र स्थापित करता है कि यह वेरिएशनल फॉर्मूलेशन कॉम्पैक्ट पैरामीटर डोमेन पर एक ग्लोबल मिनिमाइज़र को स्वीकार करता है, और एंसेट द्वारा उत्पन्न कोई भी यूनिटरी एक वैध परिमित-क्षितिज हैमिल्टोनियन इवोल्यूशन के अनुरूप होती है, जिससे यह सुनिश्चित होता है कि सरोगेट सैद्धांतिक रूप से भौतिक रूप से व्यवहार्य है।

प्रमुख योगदान

नियंत्रण-सैद्धांतिक फॉर्मूलेशन: लेखक एक परिमित-क्षितिज क्वांटम नियंत्रण के लिए एक वेरिएशनल फॉर्मूलेशन प्रस्तुत करते हैं जो हार्डवेयर-कुशल एंसेट्स का उपयोग करता है, जिससे खोज क्षेत्र को नियंत्रण कार्यों से बदलकर सर्किट पैरामीटर्स पर केंद्रित किया जाता है।
सरोगेट कंट्रोल रणनीति: यह कार्य एक हार्डवेयर-कुशल सरोगेट कंट्रोल फॉर्मूलेशन पेश करता है जहाँ प्रशिक्षण योग्य सर्किट पैरामीटर्स स्पष्ट समय-निर्भर नियंत्रण क्षेत्रों की जगह लेते हैं। यह दृष्टिकोण इसे भौतिकी-प्रेरित एंसेट्स से अलग करता है, जो एक लचीला, कार्यान्वयन-अनुकूल विकल्प प्रदान करता है जिसे समस्या-विशिष्ट एंसेट्स की आवश्यकता नहीं होती है।
संख्यात्मक जांच: शोध पत्र फ्रेमवर्क की अभिसरण (convergence), अभिव्यक्तता (expressivity) और मजबूती (robustness) के विश्लेषण के लिए एक संख्यात्मक जांच प्रदान करता है, विशेष रूप से सर्किट गहराई, सिस्टम आकार और ऑप्टिमाइज़ेशन जटिलता के बीच ट्रेड-ऑफ की जांच करता है।

परिणाम
मल्टी-क्यूबिट स्टेट-ट्रांसफर बेंचमार्क (एक रजिस्टर के एक छोर से दूसरे छोर तक एकल एक्साइटेशन को स्थानांतरित करना) पर नॉइलेस स्टेट-वेक्टर सिम्युलेटर्स और विभिन्न Azure Quantum बैकएंड का उपयोग करके संख्यात्मक प्रयोग किए गए।

सिस्टम का आकार और अभिसरण: छोटे सिस्टम ( $N=3$ ) के लिए, विधि ने उच्च फिडेलिटी ( $>0.999$ ) के साथ स्थिर अभिसरण प्राप्त किया। जैसे-जैसे सिस्टम का आकार बढ़ा ( $N=5, 7$ ), अनुकूलन अधिक चुनौतीपूर्ण हो गया, जहाँ अंतिम फिडेलिटी क्रमशः लगभग $0.996 $और$ 0.955$ तक गिर गई, जो हिल्बर्ट स्पेस के विस्तार और बैरन प्लेटो (barren plateau) घटनाओं के उदय को दर्शाता है।
सर्किट गहराई बनाम अभिव्यक्तता: सर्किट की गहराई $L$ बढ़ाने से आम तौर पर प्राप्त होने वाली फिडेलिटी में सुधार हुआ, विशेष रूप से बड़े सिस्टम ( $N=7$ ) के लिए, जहाँ उच्च-फिडेलिटी समाधान प्राप्त करने के लिए गहरे सर्किट ( $L \ge 8$ ) आवश्यक थे। हालाँकि, गहरे सर्किटों ने प्रशिक्षण योग्य मापदंडों की संख्या और रैंडम इनिशियलाइजेशन के प्रति संवेदनशीलता को भी बढ़ाया।
मजबूती और इनिशियलाइजेशन: ऑप्टिमाइज़ेशन ने छोटे और मध्यम आकार के सिस्टम के लिए स्थिरता दिखाई। बड़े सिस्टम ( $N=7$ ) के लिए, समाधान वितरण व्यापक हो गया, जो कई स्थानीय मिनिमा (local minima) और इनिशियलाइजेशन के प्रति बढ़ती संवेदनशीलता को दर्शाता है, जो बड़े पैमाने के वेरिएशनल सर्किटों के लिए सैद्धांतिक अपेक्षाओं के अनुरूप है।
हार्डवेयर अनुकूलता: अनुकूलित सर्किटों को Azure Quantum सिम्युलेटर बैकएंड (IonQ, Rigetti, और Quantinuum H2 एमुलेटर) पर सफलतापूर्वक निष्पादित किया गया। परिणामों ने प्रदर्शित किया कि अनुकूलित पैरामीटर विभिन्न प्लेटफार्मों पर प्रभावी ढंग से स्थानांतरित होते हैं, आदर्श सिम्युलेटर पर $0.99$ से ऊपर और शोर-युक्त (noise-inclusive) एमुलेटर पर $0.94$ से ऊपर लक्ष्य-अवस्था संभाव्यता प्राप्त करते हैं।

महत्व और दावे
शोध पत्र का दावा है कि यह क्वांटम नियंत्रण के लिए एक लचीला और कार्यान्वयन-अनुकूल दृष्टिकोण प्रदान करता है जो निकट-अवधि क्वांटम उपकरणों के साथ स्वाभाविक रूप से संगत है। समस्या-विशिष्ट या भौतिकी-प्रेरित एंसेट्स पर निर्भरता से बचकर, यह विधि परिमित-क्षितिज़ स्टेट ट्रांसफर के लिए एक जेनेरिक फ्रेमवर्क प्रदान करती है। लेखक इस बात पर जोर देते हैं कि जबकि यह दृष्टिकोण छोटे-से-मध्यम मल्टी-क्यूबिट सिस्टम के लिए उच्च-फिडेलिटी स्टेट ट्रांसफर को सफलतापूर्वक प्रदर्शित करता है, यह एंसेट अभिव्यक्तता (expressivity) और ऑप्टिमाइज़ेशन जटिलता के बीच अंतर्निहित ट्रेड-ऑफ को भी रेखांकित करता है। यह कार्य एक ओपन-लूप कंट्रोल फ्रेमवर्क के रूप में प्रस्तुत किया गया है; लेखक विनम्रतापूर्वक नोट करते हैं कि इसे मध्यवर्ती मापन के साथ क्लोज्ड-लूप कंट्रोल तक विस्तारित करना भविष्य के अनुसंधान की दिशा है। इसका महत्व यह प्रदर्शित करने में निहित है कि हार्डवेयर-कुशल सर्किट टर्मिनल इवोल्यूशन के प्रभावी वेरिएशनल सरोगेट के रूप में कार्य कर सकते हैं, जो ऑप्टिमाइज़ेशन चरण में स्पष्ट नियंत्रण क्षेत्र संश्लेषण की आवश्यकता को दरकिनार करते हैं।

इसी तरह के और पेपर