⚛️ quantum physics

An Analytically Trained Variational Surrogate for Quantum Phase Estimation on NISQ Hardware

यह शोध पत्र एक विश्लेषणात्मक रूप से प्रशिक्षित वेरिएशनल सरोगेट फ्रेमवर्क प्रस्तुत करता है जो NISQ उपकरणों को एक उथले, क्लासिकली प्रशिक्षित सर्किट का उपयोग करके क्वांटम फेज़ एस्टिमेशन वितरण को कुशलतापूर्वक पुनरुत्पादित करने और आणविक ग्राउंड-स्टेट ऊर्जाओं के लिए रासायनिक सटीकता प्राप्त करने में सक्षम बनाता है, जो घातांकीय सिमुलेशन बाधाओं से बचता है।

मूल लेखक: Mousumi Kundu, Ashish Kumar Patra, Anurag K. S. V., Ruchika Bhat, Sai Shankar P., Alok Shukla, Jaiganesh G

प्रकाशित 2026-07-24

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mousumi Kundu, Ashish Kumar Patra, Anurag K. S. V., Ruchika Bhat, Sai Shankar P., Alok Shukla, Jaiganesh G

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 वायलिन पर बज रहे एक एकल, सटीक स्वर (note) को सुनने की कोशिश कर रहे हैं, लेकिन कमरा एक जेट इंजन के शोर से भरा हुआ है। क्वांटम कंप्यूटिंग की दुनिया में, वैज्ञानिक कुछ ऐसा ही करने की कोशिश कर रहे हैं: वे एक अणु (molecule) के सटीक "स्वर" (या ऊर्जा स्तर) को मापना चाहते हैं ताकि यह समझ सकें कि वह कैसे काम करता है। इस काम के लिए वे जिस उपकरण का उपयोग करते हैं, उसे क्वांटम फेज एस्टिमेशन (QPE) कहा जाता है। QPE को एक सुपर-प्रिसाइज, हाई-टेक माइक्रोफ़ोन के रूप में समझें जो उस सटीक स्वर को सुन सकता है। हालाँकि, इसे काम करने के लिए, यह माइक्रोफ़ोन अविश्वसनीय रूप से गहरा और जटिल होना चाहिए, जैसे ध्वनि का एक विशाल कैथेड्रल। दुर्भाग्य से, आज हमारे पास जो क्वांटम कंप्यूटर हैं, वे छोटे, शोर वाले तंबुओं (tents) की तरह हैं। वे "नॉइजी इंटरमीडिएट-स्केल" (NISQ) डिवाइस हैं, जिसका अर्थ है कि वे छोटे हैं और उनमें बहुत अधिक स्टेटिक (शोर) है। यदि आप उस विशाल कैथेड्रल के भीतर एक छोटा, शोर वाला टेंट चलाने की कोशिश करते हैं, तो ध्वनि बिगड़ जाएगी और वह स्वर खो जाएगा।

लंबे समय तक, वैज्ञानिकों ने एक छोटा, सरल माइक्रोफ़ोन (एक वैरिऐशनल क्वांटम सर्किट) बनाकर इसे ठीक करने की कोशिश की और इसे बड़े वाले की नकल करने के लिए प्रशिक्षित किया। लेकिन इसमें एक पेंच था: इस छोटे माइक्रोफ़ोन को प्रशिक्षित करने के लिए, उन्हें पहले एक सामान्य कंप्यूटर पर उस बड़े, शोर वाले कैथेड्रल का अनुकरण (simulate) करना पड़ता था। जैसे-जैसे अणु बड़े होते जाते हैं, उस कैथेड्रल का अनुकरण करना सबसे तेज़ सुपरकंप्यूटर के लिए भी असंभव हो जाता है, जिससे एक ऐसी बाधा उत्पन्न होती है जो प्रगति को रोक देती है। यह शोध पत्र ठीक इसी समस्या को हल करता है। शोधकर्ताओं ने पूछा: "क्या हम छोटे माइक्रोफ़ोन को यह सिखा सकते हैं कि बड़े वाले की आवाज़ कैसी होनी चाहिए, बिना उस बड़े वाले का अनुकरण किए?" उन्होंने एक चतुर गणितीय शॉर्टकट खोजा जो उन्हें उस असंभव सिमुलेशन को पूरी तरह से छोड़ने की अनुमति देता है, जिससे वे एक छोटा, कुशल सर्किट प्रशिक्षित कर सकते हैं जो आज के शोर वाले क्वांटम हार्डवेयर पर वास्तव में चल सकता है और फिर भी अणु की वास्तविक ऊर्जा को सुन सकता है।

समस्या: "बहुत गहरा" (Too-Deep) सर्किट

कल्पना कीजिए कि आप एक आदर्श केक (एक रसायन विज्ञान की समस्या का उत्तर) बनाने की कोशिश कर रहे हैं। मूल रेसिपी (क्वांटम फेज एस्टिमेशन) अद्भुत है, लेकिन इसके लिए एक ऐसे किचन की आवश्यकता है जिसमें एक के ऊपर एक 100 ओवन रखे हों। हमारे वर्तमान क्वांटम कंप्यूटर केवल दो ओवन वाले किचन की तरह हैं। यदि आप 100-ओवन वाली रेसिपी का उपयोग करने की कोशिश करते हैं, तो केक बनने से पहले ही जल जाएगा क्योंकि ओवन अत्यधिक गर्म होकर टूट जाएंगे (इसे "शोर" और "डिकोहेरेंस" कहा जाता है)।

वैज्ञानिकों ने एक वर्कअराउंड (जुगाड़) आजमाया: उन्होंने एक छोटा, 2-ओवन वाला रेसिपी (एक वैरिऐशनल क्वांटम सर्किट) बनाया और इसे 100-ओवन वाली रेसिपी की नकल करने के लिए प्रशिक्षित किया। लेकिन यहाँ एक समस्या थी: छोटी रेसिपी को सिखाने के लिए, उन्हें पहले एक विशाल क्लासिकल सुपरकंप्यूटर पर 100-ओवन वाली रेसिपी चलानी पड़ती थी ताकि वे देख सकें कि आदर्श केक कैसा दिखता है। जैसे-जैसे केक अधिक जटिल (बड़े अणु) होता गया, सुपरकंप्यूटर उस 100-ओवन वाले सिमुलेशन को संभालने में असमर्थ हो गया। यह एक सिंगल स्टिकी नोट पर पूरे ब्रह्मांड का नक्शा बनाने की कोशिश करने जैसा था; नोट में विवरण समा ही नहीं सकते थे।

समाधान: "जादुई सूत्र" (The Magic Formula)

इस शोध पत्र के लेखकों ने महसूस किया कि उन्हें 100-ओवन वाले किचन का अनुकरण करने की बिल्कुल भी आवश्यकता नहीं है। उन्होंने पाया कि "आदर्श केक" (एक बड़े क्वांटम सर्किट का माप पैटर्न) एक ज्ञात गणितीय आकार का पालन करता है जिसे डिरिचलेट कर्नेल (Dirichlet kernel) कहा जाता है।

इसे इस तरह से समझें: विशाल केक को बनाने और यह देखने के बजाय कि वह कैसा दिखता है, वैज्ञानिकों ने केवल एक गणितीय सूत्र का उपयोग किया ताकि वे जान सकें कि आदर्श केक वास्तव में कैसा दिखना चाहिए। उन्होंने अणु की सटीक ऊर्जा ली (जिसे वे आसानी से गणना कर सकते थे), उसे इस सूत्र में डाला, और तुरंत "लक्ष्य" पैटर्न तैयार कर दिया। इसका मतलब था कि वे अपने छोटे, 2-ओवन वाले सर्किट को एक ऐसे कंप्यूटर का उपयोग करके प्रशिक्षित कर सकते थे जिसे किसी भी क्वांटम जादू के सिमुलेशन की आवश्यकता नहीं थी। यह एक छात्र को वृत्त (circle) का सटीक चित्र बनाने के बजाय, वृत्त के गणितीय समीकरण को दिखाकर उसे एक पूर्ण वृत्त बनाना सिखाने जैसा था।

प्रयोग: वास्तविक हार्डवेयर पर परीक्षण

टीम ने इस नए, गणित-आधारित प्रशिक्षण पद्धति को लिया और IBM द्वारा बनाए गए एक वास्तविक क्वांटम कंप्यूटर पर इसका परीक्षण किया। उन्होंने हाइड्रोजन (H₂) को अपने परीक्षण विषय के रूप में उपयोग किया। उन्होंने अपने छोटे सर्किट को बनाने के सर्वोत्तम तरीके का पता लगाने के लिए चार चरणों वाला प्रयोग आयोजित किया:

सर्किट का आकार (The Shape of the Circuit): उन्होंने क्वांटम बिट्स (qubits) को जोड़ने के दो अलग-अलग तरीके आजमाए। एक था "फुल एंटैंगलर" (हर बिट को दूसरे हर बिट से जोड़ना, जैसे एक अराजक जाल) और दूसरा था "लीनियर एंटैंगलर" (बिट्स को केवल उनके निकटतम पड़ोसियों से जोड़ना, जैसे एक सीधी रेखा)।
- परिणाम: वास्तविक शोर वाले हार्डवेयर पर, अराजक जाल बुरी तरह विफल रहा। सीधी रेखा जीत गई। यह स्पष्ट है कि आज की शोर वाली मशीनों पर, सब कुछ एक-दूसरे से जोड़ने की कोशिश करने के बजाय चीजों को सरल और रैखिक रखना कहीं बेहतर है।
गहराई कितनी हो (How Deep to Go): उन्होंने 1 लेयर से लेकर 5 लेयर्स तक की जटिलता वाले सर्किट का परीक्षण किया।
- परिणाम: आश्चर्यजनक रूप से, सबसे सरल सर्किट (केवल 1 लेयर) सबसे अच्छा काम कर गया। अधिक लेयर्स जोड़ने से केवल शोर बढ़ गया, जिससे उत्तर और खराब हो गया। "कम ही अधिक है" (Less is more) का नियम यहाँ भी सच साबित हुआ।
प्रशिक्षण की तकनीक (The Training Trick): उन्होंने एक "परफेक्ट" सिमुलेशन (बिना शोर के) बनाम एक "नॉइजी" सिमुलेशन (वास्तविक मशीन की नकल करने वाला) का उपयोग करके सर्किट को प्रशिक्षित करने की तुलना की।
- परिणाम: इसके विपरीत, "परफेक्ट" सिमुलेशन का उपयोग करके सर्किट को प्रशिक्षित करना वास्तव में बेहतर रहा जब उन्होंने इसे वास्तविक, शोर वाले हार्डवेयर पर चलाया। "परफेक्ट" प्रशिक्षण ने सर्किट को एक ऐसा साफ ब्लूप्रिंट दिया जो शोर वाले हार्डवेयर तक पहुँचने के सफर में बेहतर तरीके से जीवित रह सका।
अंतिम जाँच (The Final Check): उन्होंने एक सरलीकृत सर्किट (कुछ अतिरिक्त रोटेशन स्टेप्स को हटाकर) का परीक्षण किया कि क्या यह अपना काम कर सकता है।
- परिणाम: हाँ! सरलीकृत सर्किट जटिल वाले के समान ही काम कर गया, लेकिन यह और भी तेज़ और सस्ता था।

बड़ी जीत: रासायनिक सटीकता (Chemical Accuracy)

अंतिम लक्ष्य हाइड्रोजन अणु की ऊर्जा को इतना सटीक रूप से मापना था कि वह रसायन विज्ञान के लिए उपयोगी हो सके। वैज्ञानिक एक स्वर्ण मानक (gold standard) का उपयोग करते हैं जिसे "केमिकल एक्यूरेसी" कहा जाता है, जो त्रुटि का एक बहुत ही छोटा मार्जिन है (विशेष रूप से, 1.59×10⁻³ हार्ट्री से कम)।

टीम के पद्धति ने, उनके छोटे, गणित-प्रशिक्षित सर्किट का उपयोग करके वास्तविक हार्डवेयर पर, 1.786×10⁻⁴ हार्ट्री की त्रुटि प्राप्त की। यह केमिकल एक्यूरेसी की सीमा के भीतर है। दूसरे शब्दों में, वे वर्तमान क्वांटम कंप्यूटर के जेट-इंजन शोर के बीच भी अणु के "स्वर" को स्पष्ट रूप से सुनने में सफल रहे, और इसके लिए उन्हें प्रशिक्षण के लिए किसी सुपरकंप्यूटर की सहायता की आवश्यकता नहीं पड़ी।

उन्होंने क्या खारिज किया

शोध पत्र ने हमें यह भी स्पष्ट रूप से बताया कि इस सेटिंग में क्या अच्छा काम नहीं करता है:

जटिल कनेक्शन (Complex Connections): हर क्यूबिट को दूसरे हर क्यूबिट से जोड़ने की कोशिश करना (फुल एंटैंगलर) सर्किट को आज के हार्डवेयर के लिए बहुत गहरा और शोर वाला बना देता है। यह फिलहाल एक बंद रास्ता है।
गहरे सर्किट (Deep Circuits): सर्किट को गहरा बनाने से कोई मदद नहीं मिलती; यह केवल त्रुटियों को बढ़ाता है। सिंगल-लेयर वाला संस्करण ही सबसे उपयुक्त है।
नॉइज़-अवेयर ट्रेनिंग (Noise-Aware Training): हार्डवेयर के शोर की नकल करने के लिए सर्किट को विशेष रूप से प्रशिक्षित करना, "परफेक्ट" सिमुलेशन पर प्रशिक्षण देने जितना प्रभावी नहीं रहा। "परफेक्ट" प्रशिक्षण अधिक मजबूत था।
डायनामिकल डिकपलिंग (Dynamical Decoupling): उन्होंने "डायनामिकल डिकपलिंग" नामक एक तकनीक का परीक्षण किया (जो शोर को रद्द करने के लिए क्यूबिट्स को एक लय के साथ थपथपाने जैसा है), लेकिन इन विशिष्ट सर्किटों पर, इसने चीजों को वास्तव में और खराब कर दिया। अतिरिक्त पल्स ने सुधारने के बजाय अधिक त्रुटियाँ पैदा कीं।

निचोड़ (The Bottom Line)

यह शोध पत्र दिखाता है कि एक छोटे क्वांटम सर्किट को प्रशिक्षित करने के लिए आपको विशाल, असंभव सिमुलेशन की आवश्यकता नहीं है। एक चतुर गणितीय सूत्र (डिरिचलेट कर्नेल) का उपयोग करके प्रशिक्षण लक्ष्य उत्पन्न करके, वैज्ञानिक अब छोटे, कुशल सर्किट को प्रशिक्षित कर सकते हैं जो आज के शोर वाले क्वांटम कंप्यूटरों पर चल सकते हैं और फिर भी रासायनिक रूप से सटीक उत्तर दे सकते हैं। यह अणुओं को समझने के लिए क्वांटम कंप्यूटरों का उपयोग करने का एक स्केलेबल और व्यावहारिक मार्ग है, जो यह सिद्ध करता है कि कभी-कभी, सबसे सरल और उथला (shallowest) सर्किट ही वास्तव में काम करता है।

तकनीकी सारांश: NISQ हार्डवेयर पर क्वांटम फेज एस्टीमेशन के लिए एक विश्लेषणात्मक रूप से प्रशिक्षित वेरिएशनल सरोगेट

1. समस्या विवरण

क्वांटम फेज एस्टीमेशन (QPE) आणविक ग्राउंड-स्टेट ऊर्जाओं को निर्धारित करने के लिए एक मौलिक एल्गोरिदम है, जो रासायनिक सटीकता (chemical accuracy) प्राप्त करने में सक्षम है, और यह शोरर के फैक्टिंग (Shor's factoring) और क्वांटम केमिस्ट्री सिमुलेशन जैसे एल्गोरिदम के लिए एक महत्वपूर्ण सब-रूटीन के रूप में कार्य करता है। हालांकि, मानक QPE के लिए गहरे सर्किट की आवश्यकता होती है जो इनवर्स क्वांटम फूरियर ट्रांसफॉर्म (QFT†) और नियंत्रित टाइम-इवोल्यूशन ऑपरेटर्स द्वारा संचालित होते हैं। जॉर्डन-विग्नर ट्रांसफॉर्मेशन के माध्यम से मैप किए गए आणविक हैमिल्टोनियन के लिए, सर्किट डेप्थ $O(2^{n_a} \cdot m \cdot n_s^4)$ के रूप में स्केल करती है, जहाँ $n_a$ सहायक क्विबिट्स (ancilla qubits) की संख्या है, $m$ ट्रोटर स्टेप्स की संख्या है, और $n_s$ स्पिन-ऑर्बिटल्स की संख्या है। यह घातीय स्केलिंग (exponential scaling) गेट त्रुटियों और डिकोहेरेंस के कारण NISQ (Noisy Intermediate-Scale Quantum) उपकरणों पर प्रत्यक्ष QPE निष्पादन को अव्यवहारिक बनाती है।

सरोगेट के रूप में वेरिएशनल क्वांटम सर्किट्स (VQCs) का उपयोग करने वाले पिछले प्रयासों को एक अलग बाधा का सामना करना पड़ा: प्रशिक्षण लक्ष्य वितरण (QPE माप प्रायिकताएं) को पूर्ण QPE सर्किट के क्लासिकल सिमुलेशन द्वारा उत्पन्न किया गया था। यह क्लासिकल सिमुलेशन क्विबिट्स की संख्या के साथ घातीय रूप से स्केल करता है ( $O(2^{n_s + n_a})$ ), जिससे एक अत्यधिक कम्प्यूटेशनल लागत उत्पन्न होती है जो सरोगेट दृष्टिकोण की स्केलेबिलिटी को ही बाधित कर देती है।

2. कार्यप्रणाली

लेखक एक ऐसा ढांचा प्रस्तावित करते हैं जो प्रशिक्षण चरण के दौरान क्वांटम सर्किट सिमुलेशन की आवश्यकता को समाप्त करने के लिए QPE माप वितरण के विश्लेषणात्मक रूप का लाभ उठाता है।

2.1 डिरिचलेट कर्नेल के माध्यम से विश्लेषणात्मक प्रशिक्षण लक्ष्य

QPE सर्किट के क्लासिकल सिमुलेशन के बजाय, प्रशिक्षण लक्ष्य $P_{gt}(k; \phi)$ को क्लोज्ड-फॉर्म डिरिचलेट कर्नेल का उपयोग करके सीधे गणना किया जाता है। सटीक ग्राउंड-स्टेट ऊर्जा ( $E_{true}$ ), सहायक क्विबिट्स की संख्या ( $n_a$ ), और टाइम इवोल्यूशन पैरामीटर ( $\tau$ ) दिए जाने पर, रीस्केल्ड फेज $\phi$ की गणना की जाती है। इसके बाद लक्ष्य प्रायिकता वितरण है:
$P_{gt}(k; \phi) = \frac{1}{2^{2n_a}} \frac{\sin^2(\pi(\phi - k))}{\sin^2\left(\frac{\pi(\phi - k)}{2^{n_a}}\right)}$
यह सुनिश्चित करता है कि लक्ष्य वितरण को पूरी तरह से क्लासिकली $O(2^{n_a})$ समय में गणना किया जा सकता है, जो आणविक प्रणाली के आकार ( $n_s$ ) से स्वतंत्र है, जिससे प्रशिक्षण पाइपलाइन को घातीय सिमुलेशन बाधा से प्रभावी रूप से अलग किया जा सकता है।

2.2 वेरिएशनल क्वांटम सर्किट (VQC) आर्किटेक्चर

एक उथले (shallow) VQC को इस विश्लेषणात्मक वितरण को पुनरुत्पादित करने के लिए प्रशिक्षित किया जाता है। यह अध्ययन $n_a=11$ क्विबिट रजिस्टर पर दो एंसेट (ansatz) आर्किटेक्चर की जांच करता है:

RY-RZ-CZ एंसेट: $RY $और$ RZ $रोटेशन के बाद$ CZ$ एंटैंगलिंग गेट्स के लेयर्स।
RY-CZ एंसेट: केवल $RY $रोटेशन और$ CZ$ गेट्स का उपयोग करने वाला एक कम किया गया संस्करण, जो पैरामीटर काउंट को आधा कर देता है।

दो एंटैंगलर टोपोलॉजी की तुलना की गई है:

लीनियर एंटैंगलर (Linear Entangler): निकटतम पड़ोसी क्विबिट्स को जोड़ता है ( $O(p \cdot n_a)$ डेप्थ)।
फुल एंटैंगलर (Full Entangler): सभी क्विबट पेयर्स को जोड़ता है ( $O(p \cdot n_a^2)$ डेप्थ)।

2.3 अनुकूलन और हार्डवेयर निष्पादन

VQC मापदंडों को VQC आउटपुट और विश्लेषणात्मक डिरिचलेट लक्ष्य के बीच $L_1$ नॉर्म कॉस्ट फंक्शन को कम करने के लिए COBYLA (Constrained Optimization BY Linear Approximation) एल्गोरिदम का उपयोग करके अनुकूलित किया जाता है। प्रशिक्षण दो मोड में किया जाता है:

आइडियल सिम्युलेटर (Ideal Simulator): शोर रहित निष्पादन।
नॉइजी सिम्युलेटर (Noisy Simulator): IBM ibm_boston डिवाइस से कैलिब्रेटेड नॉइज़ मॉडल का उपयोग करके निष्पादन।

प्रशिक्षित मापदंडों को फिर वास्तविक IBM क्वांटम सुपरकंडक्टिंग हार्डवेयर पर स्थानांतरित किया जाता है। अध्ययन डीफेजिंग शोर को दबाने के उद्देश्य से $X_pX_m$ डायनेमिकल डिकपलिंग (DD) अनुक्रमों के प्रभाव का भी मूल्यांकन करता है।

3. मुख्य योगदान

विश्लेषणात्मक प्रशिक्षण पाइपलाइन: मुख्य योगदान क्लासिकल QPE सर्किट सिमुलेशन को क्लोज्ड-फॉर्म डिरिचलेट कर्नेल गणना से बदलना है। यह प्रशिक्षण लक्ष्यों को उत्पन्न करने से जुड़ी घातीय मेमोरी और रनटाइम स्केलिंग को हटा देता है, जिससे सरोगेट फ्रेमवर्क बड़े समस्या आकारों के लिए स्केलेबल हो जाता है।
व्यवस्थित हार्डवेयर जांच: वास्तविक हार्डवेयर पर एक चार-चरणीय प्रयोगात्मक वर्कफ़्लो:
- चरण 1: वास्तविक हार्डवेयर पर लीनियर बनाम फुल एंटैलर टोपोलॉजी की तुलना।
- चरण 2: सर्किट डेप्थ ( $p=1$ से $5$) और डायनेमिकल डिकपलिंग के प्रभाव का विश्लेषण।
- चरण 3: RY-RZ-CZ बनाम RY-CZ एंसेट्स और प्रशिक्षण वातावरण (आइडियल बनाम नॉइजी) की तुलना।
- चरण 4: गहरे सर्किट डेप्थ ( $p=8, 64$ ) पर पूरक शोर विश्लेषण।
NISQ बाधाओं पर अनुभवजन्य निष्कर्ष: यह कार्य वर्तमान सुपरकंडक्टिंग हार्डवेयर पर सर्किट डेप्थ, एंटैंगलर टोपोलॉजी और शोर न्यूनीकरण रणनीतियों के बीच अंतःक्रिया के बारे में ठोस डेटा प्रदान करता है।

4. परिणाम

प्रयोग हाइड्रोजन अणु ( $H_2$ ) पर किए गए थे, जिसे सिमेट्री-टेपर्ड हैमिल्टोनियन (2 क्विबिट तक कम किया गया) के साथ 11 सहायक क्विबिट्स का उपयोग करके बनाया गया था।

टोपोलॉजी: वास्तविक हार्डवेयर पर लीनियर एंटैंगलर ने फुल एंटैंगलर की तुलना में काफी बेहतर प्रदर्शन किया। जबकि आइडियल सिमुलेशन में दोनों समान प्रदर्शन करते थे, फुल एंटैंगलर के गहरे सर्किट ने वास्तविक उपकरणों पर अत्यधिक त्रुटियां जमा कीं, जिससे डोमिनेंट बिटस्ट्रिंग काउंट ~92,000 (लीनियर) से घटकर ~65,000 (फुल) रह गया।
सर्किट डेप्थ: एक सिंगल-लेयर कॉन्फ़िगरेशन ( $p=1$ ) इष्टतम था। डेप्थ को $p=5$ तक बढ़ाने से वास्तविक हार्डवेयर पर सभी वितरण मेट्रिक्स (हेलिंगर डिस्टेंस, फिडेलिटी एरर, TVD, JSD) में निरंतर गिरावट आई, जबकि आइडियल सिमुलेशन में ऐसा कोई रुझान नहीं दिखा।
डायनेमिकल डिकपलिंग (DD): अपेक्षाओं के विपरीत, $X_pX_m$ DD अनुक्रमों के अनुप्रयोग ने सभी लेयर काउंट और प्रशिक्षण वातावरणों में प्रदर्शन को कम (degrade) कर दिया। लेखक इसका कारण उथले सर्किट में अपर्याप्त आइडल टाइम और संभावित पल्स कैलिब्रेशन त्रुटियों को बताते हैं।
एंसेट तुलना: कम किया गया RY-CZ एंसेट्स, अधिक जटिल RY-RZ-CZ एंसेट्स की तुलना में वास्तविक हार्डवेयर पर तुलनीय प्रदर्शन करता है। अपने कम पैरामीटर काउंट और गेट डेप्थ को देखते हुए, इसे अधिक हार्डवेयर-कुशल विकल्प के रूप में पहचाना गया है।
प्रशिक्षण वातावरण: आइडियल (शोर रहित) सिम्युलेटर पर प्रशिक्षित मापदंडों ने नॉइजी सिम्युलेटर पर प्रशिक्षित मापदंडों की तुलना में वास्तविक हार्डवेयर पर बेहतर सामान्यीकरण (generalization) किया। आइडियल-प्रशिक्षित RY-CZ कॉन्फ़िगरेशन ने 91,499 का डोमिनेंट बिटस्ट्रिंग काउंट प्राप्त किया (बनाम नॉइजी-प्रशिक्षित के लिए 90,267) और कम मेट्रिक त्रुटियां दिखाईं।
ऊर्जा रिकवरी: फ्रेमवर्क ने $|\Delta E| = 1.786 \times 10^{-4}$ हारट्री के पूर्ण त्रुटि के साथ आणविक ग्राउंड-स्टेट ऊर्जा को सफलतापूर्वक रिकवर किया। यह रासायनिक सटीकता थ्रेशोल्ड ( $1.59 \times 10^{-3}$ हारट्री) के भीतर है।
वितरण फिडेलिटी (Distributional Fidelity): VQC ने न केवल सही डोमिनेंट बिटस्ट्रिंग की पहचान की, बल्कि डिरिचलेट कर्नेल की घटती साइड-लोब संरचना को भी पुनरुत्पादित किया, जिससे पुष्टि हुई कि सरोगेट केवल सबसे संभावित परिणाम तक सीमित नहीं होता, बल्कि अंतर्निहित फेज संरचना को सीखता है।

5. महत्व और दावे

यह पेपर दावा करता है कि यह NISQ उपकरणों पर QPE-आधारित आणविक ऊर्जा अनुमान के लिए एक स्केलेबल और हार्डवेयर-कुशल प्रतिमान स्थापित करता है। क्लासिकल सिमुलेशन बाधा को हटाकर, यह ढांचा उन समस्याओं के लिए वेरिएशनल सरोगेट्स को प्रशिक्षित करने में सक्षम बनाता है जहाँ प्रत्यक्ष QPE सिमुलेशन असंभव है।

लेखक जोर देते हैं कि उनका दृष्टिकोण:

एक घातीय रूप से स्केल करने वाले QPE सर्किट के बजाय एक रैखिक रूप से स्केल करने वाले VQC सर्किट का उपयोग करके रासायनिक सटीकता प्राप्त करता है।
यह प्रदर्शित करता है कि वर्तमान हार्डवेयर के लिए उथले सर्किट ( $p=1$ ) और लीनियर एंटैंगलर्स इष्टतम हैं, क्योंकि गहरे सर्किट और जटिल एंटैंगलर्स बहुत अधिक शोर जमा करते हैं।
यह सुझाव देता है कि उथले वेरिएशनल कार्यों के लिए, आइडियल-सिम्युलेटर ट्रेनिंग नॉइज़-अवेयर ट्रेनिंग की तुलना में अधिक मजबूत हो सकती है, जो इस धारणा को चुनौती देती है कि शोर मॉडल हमेशा सामान्यीकरण के लिए आवश्यक होते हैं।
सिमुलेशन-निर्भर सरोगेट विधियों के एक कठोर, विश्लेषणात्मक विकल्प प्रदान करता है, जिससे यह दृष्टिकोण बढ़ती क्लासिकल ट्रेनिंग लागत के बिना बड़े आणविक सिस्टम के लिए भी लागू करने योग्य बन जाता है।

कार्य यह निष्कर्ष निकालता है कि जबकि NISQ हार्डवेयर की सीमाएं (शोर, DD के लिए पर्याप्त आइडल टाइम की कमी) गहरे सर्किटों की उपयोगिता को सीमित करती हैं, विश्लेषणात्मक रूप से प्रशिक्षित वेरिएशनल सरोगेट उथले, शोर-प्रतिरोधी क्वांटम सर्किटों से उच्च-परिशुद्धता स्पेक्ट्रल जानकारी निकालने का एक व्यवहार्य मार्ग प्रदान करता है।