⚛️ quantum physics

Approximate sampling from decoded quantum interferometry via Markov chain Monte Carlo methods

यह शोध पत्र प्रदर्शित करता है कि शास्त्रीय मार्कोव चेन मोंटे कार्लो विधियाँ, विशेष रूप से ब्लॉक-गिब्स सैंपलिंग, बड़े समस्या आकारों में डिकोडेड क्वांटम इंटरफेरोमेट्री (DQI) के अनुकूलन प्रदर्शन का प्रभावी ढंग से अनुकरण कर सकती हैं, जो यह सुझाव देता है कि शास्त्रीय एल्गोरिदम उन क्षेत्रों में भी DQI की क्षमताओं के करीब हो सकते हैं जहाँ सैद्धांतिक रूप से क्वांटम लाभ का दावा किया जाता है।

मूल लेखक: Elies Gil-Fuster, Matan Ninio, Lennart Bittel, Yishai Shimoni, Jens Eisert, Stefan Woerner, Almudena Carrera Vázquez

प्रकाशित 2026-07-31

📖 4 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Elies Gil-Fuster, Matan Ninio, Lennart Bittel, Yishai Shimoni, Jens Eisert, Stefan Woerner, Almudena Carrera Vázquez

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 विशाल, धुंधले शहर में नींबू पानी (लेमोनेड) का स्टॉल लगाने के लिए सबसे सही जगह खोजने की कोशिश कर रहे हैं। आप उस जगह को चाहते हैं जहाँ लोगों की आवाजाही सबसे अधिक हो, लेकिन शहर इतना बड़ा है कि हर एक कोने की जाँच करने में एक पूरा जीवन बीत जाएगा। यह एक ऐसा पहेली जैसा है जिसे वैज्ञानिक "कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन" (combinatorial optimization) कहते हैं। यह संभावनाओं की एक चक्करदार संख्या में से सबसे अच्छा समाधान खोजने की कला है, और यह डिलीवरी रूट से लेकर उड़ानों के शेड्यूलिंग तक, हर चीज़ के पीछे का गुप्त मंत्र है।

हाल ही में, एक प्रकार की "जादुई मशीन" जिसे क्वांटम कंप्यूटर कहा जाता है, इन पहेलियों को हल करने के लिए प्रस्तावित की गई है। एक-एक करके जगहों की जाँच करने के बजाय, एक क्वांटम कंप्यूटर "इंटरफेरेंस" (interference) नामक एक अजीब तरकीब का उपयोग करता है (इसे तालाब में लहरों की तरह समझें जो केवल सबसे अच्छे रास्ते को छोड़ने के लिए एक-दूसरे को रद्द कर देती हैं) ताकि अच्छे समाधानों पर ध्यान केंद्रित किया जा सके। एक विशिष्ट विधि, जिसे डिकोडेड क्वांटम इंटरफेरोमेट्री (DQI) कहा जाता है, चर्चा का विषय बनी हुई है क्योंकि यह वादा करती है कि यह किसी भी नियमित कंप्यूटर की तुलना में बहुत तेज़ी से इन समाधानों को खोज लेगी। हर किसी के मन में बड़ा सवाल यह है: क्या यह क्वांटम जादू वास्तव में एक सुपरपावर है, या एक चतुर इंसान एक नियमित कंप्यूटर (या एक बहुत ही स्मार्ट प्रोग्राम) के साथ वही काम उतनी ही अच्छी तरह से कर सकता है?

यह शोध पत्र एक जासूसी कहानी की तरह है जहाँ शोधकर्ताओं की एक टीम ने एक बहुत ही परिष्कृत "क्लासिकल" जासूस बनाकर क्वांटम मशीन के दावों का परीक्षण करने का निर्णय लिया है। उन्होंने क्वांटम कंप्यूटर बनाने की कोशिश नहीं की; इसके बजाय, उन्होंने मार्कोव चेन मोंटे कार्लो (MCMC) नामक एक शक्तिशाली गणितीय उपकरण का उपयोग किया। आप MCMC को एक बहुत ही दृढ़निश्चयी हाइकर (पैदल यात्री) के रूप में देख सकते हैं जो शहर में एक यादृच्छिक (रैंडम) स्थान से शुरू करता है और छोटे, यादृच्छिक कदम उठाता है, लेकिन हमेशा बेहतर नींबू पानी के स्टालों की ओर ऊपर की ओर बढ़ने की कोशिश करता है। शोधकर्ताओं ने पूछा: "यदि हम इस हाइकर को पर्याप्त समय तक चलने दें, तो क्या वह एक ऐसा स्टाल ढूंढ पाएगा जो क्वांटम मशीन द्वारा वादे किए गए स्टाल जितना ही अच्छा हो?"

उन्हें जो उत्तर मिला वह शहर के आकार के आधार पर "हाँ" और "नहीं" का एक दिलचस्प मिश्रण है। एक प्रकार की समस्या (जिसे max-XORSAT कहा जाता है) के लिए, उनके क्लासिकल हाइकर ने अविश्वसनीय रूप से तेज़ी से सटीक स्थान खोज लिए, क्वांटम मशीन के प्रदर्शन के साथ आसानी से मेल खाते हुए। लेकिन एक अलग, अधिक कठिन समस्या (जिसे OPI कहा जाता है) के लिए, हाइकर अंततः अच्छे स्थानों को ढूंढ तो सका, लेकिन इसमें उसे बहुत समय लगा। हालाँकि, इसे लगने वाला समय डरावने, असंभव तरीके से नहीं बढ़ा; यह घातीय (exponentially) रूप से बढ़ा, लेकिन एक बहुत ही छोटे आधार (लगभग 1.1) के साथ।

यहाँ मोड़ यह है: शोधकर्ताओं ने पाया कि जबकि क्वांटम मशीन के पास सबसे कठिन समस्याओं के लिए गति का लाभ है, यह लाभ उतना बड़ा नहीं है जितनी उम्मीद की गई थी। उनका क्लासिकल हाइकर अभी भी पकड़ बना सकता था, बस इसके लिए बहुत धैर्य की आवश्यकता थी। शोध पत्र सुझाव देता है कि क्वांटम मशीन के लिए वास्तव में क्लासिकल हाइकर को पीछे छोड़ने के लिए, शहर को अकल्पनीय रूप से विशाल होना होगा। इसलिए, जबकि क्वांटम मशीन नकली नहीं है, यह शायद अभी तक वह त्वरित चमत्कार नहीं है जिसकी हमें उम्मीद थी। शोधकर्ता निष्कर्ष निकालते हैं कि हमें इन क्वांटम दावों को अधिक सूक्ष्म दृष्टि से देखने की आवश्यकता है: क्वांटम लाभ वास्तविक है, लेकिन यह केवल कुछ विशिष्ट, विशाल परिदृश्यों में ही दिखाई दे सकता है, और फिलहाल, हमारे क्लासिकल उपकरण आश्चर्यजनक रूप से प्रतिस्पर्धी हैं।

शीर्षक: मार्कोव चेन मोंटे कार्लो विधियों के माध्यम से डिकोडेड क्वांटम इंटरफेरोमेट्री से अनुमानित सैंपलिंग

समस्या विवरण
डिकोडेड क्वांटम इंटरफेरोमेट्री (DQI) एक प्रस्तावित क्वांटम एल्गोरिदम है जो अनुमानित कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन, विशेष रूप से मैक्स-LINSAT समस्याओं (जिसमें Max-XORSAT और ऑप्टिमल पॉलिनॉमियल इंटरसेक्शन, OPI शामिल हैं) के परिवारों से निपटने के लिए है। जबकि DQI मजबूत सैद्धांतिक प्रदर्शन गारंटी प्रदान करता है और विशिष्ट पैरामीटर व्यवस्थाओं (विशेष रूप से OPI के लिए) में ज्ञात शास्त्रीय एल्गोरिदम पर सुपर-पॉलिनॉमियल क्वांटम स्पीड-अप का दावा किया गया है, शास्त्रीय विधियों के सापेक्ष इसके अनुभवजन्य (empirical) प्रदर्शन पर अभी भी पर्याप्त शोध की आवश्यकता है। यह कार्य जिस केंद्रीय समस्या को संबोधित करता है वह यह है कि क्या शास्त्रीय सैंपलिंग विधियाँ DQI की अनुकूलन क्षमताओं (optimization capabilities) का अनुकरण कर सकती हैं, जिससे क्वांटम लाभ के दावों को चुनौती दी जा सके या उन्हें परिष्कृत किया जा सके। लेखक इन अनुकूलन समस्याओं के निर्णय (decision), खोज (search), और सैंपलिंग संस्करणों का विश्लेषण करके DQI की जटिलता की जांच करते हैं, और यह नोट करते हैं कि DQI स्वाभाविक रूप से सैंपलिंग समस्या को हल करता है, जो उच्च-स्कोरिंग समाधानों की ओर झुका हुआ एक वितरण (distribution) प्रेरित करता है।

कार्यप्रणाली
लेखक विश्लेषणात्मक लक्षण वर्णन और बड़े पैमाने पर संख्यात्मक सिमुलेशन को संयोजित करने वाला एक दोहरी दृष्टिकोण अपनाते हैं:

विश्लेषणात्मक लक्षण वर्णन (Analytical Characterization): लेखक DQI प्रदर्शन के लिए एक सरलीकृत विश्लेषणात्मक ढांचे को व्युत्पन्न करते हैं। वे DQI वितरण के तहत ऑब्जेक्टिव फंक्शन के मोमेंट्स (moments) का विश्लेषण करके बाइनोमियल सांख्यिकी के साथ DQI के अपेक्षित प्रदर्शन को जोड़ते हैं। यह विश्लेषण समस्या के संबद्ध ड्यूल एरर-करेक्टिंग कोड के गुणों पर निर्भर करता है। वे निर्णय समस्या से खोज समस्या में रिडक्शन (reduction) और मानक गणना रिडक्शन (counting reductions) की प्रयोज्यता के संबंध में, DQI वितरण से सैंपलिंग की शास्त्रीय कठिनाई को सिद्ध करने में मौजूद सैद्धांतिक बाधाओं की भी पहचान करते हैं।
संख्यात्मक सिमुलेशन (MCMC): अनुभवजन्य प्रदर्शन का परीक्षण करने के लिए, लेखक मार्कोव चेन मोंटे कार्लो (MCMC) विधियों, विशेष रूप से ब्लॉक-गिब्स सैंपलिंग (block-Gibbs sampling) का उपयोग करते हैं, ताकि DQI अवस्था द्वारा प्रेरित वितरण से नमूने (samples) लिए जा सकें।
- लक्ष्य वितरण (Target Distribution): चूंकि DQI आउटपुट की प्रायिकताएं शास्त्रीय रूप से कुशलतापूर्वक गणनीय (computable) हैं, इसलिए लेखक एक मार्कोव चेन का निर्माण करते हैं जिसका स्टेशनरी वितरण DQI आउटपुट वितरण $P(x) \propto P^2(f(x))$ से मेल खाता है, जहाँ $P$ , डिग्री $\ell$ का एक बहुपद है और $f(x)$ ऑब्जेक्टिव फंक्शन है।
- एल्गोरिदम: वे दो सैंपलिंग रणनीतियों की तुलना करते हैं: "रीस्टार्ट" (प्रत्येक नए सैंपल के लिए स्वतंत्र चेन चलाना) और "कीप-गोइंग" (कई विशिष्ट सैंपल खोजने के लिए एक ही चेन को जारी रखना)।
- बेंचमार्क्स: विधियों का परीक्षण दो समस्या परिवारों पर किया जाता है:
  - Max-XORSAT: $p=2$ के साथ रैंडम स्पार्स इंस्टेंस।
  - ऑप्टिमल पॉलिनॉमियल इंटरसेक्शन (OPI): रीड-सोलोमन कोड पर आधारित इंस्टेंस जहाँ $p > 2$ है।
- स्केलिंग: प्रयोग Max-XORSAT के लिए 1000 से अधिक प्रभावी क्यूबिट्स तक और OPI के लिए 150 से अधिक प्रभावी क्यूबिट्स तक स्केल करते हैं। OPI के लिए क्वांटम संसाधन अनुमानों के साथ सीधा तुलना करने के लिए "समतुल्य क्यूबिट संख्या" ( $n_p = n \lceil \log_2 p \rceil$ ) का उपयोग किया जाता है।

प्रमुख योगदान

विश्लेषणात्मक सरलीकरण: यह पेपर सिमेट्रिक या क्रावकुर (Kravchuk) बहुपदों के बजाय मोनोमियल बेसिस का उपयोग करके DQI प्रदर्शन मोमेंट्स का एक नवीन व्युत्पत्ति प्रदान करता है। यह प्रकट करता है कि DQI सफलता के लिए एक आवश्यक शर्त (ड्यूल कोड की उच्च दूरी) यह है कि समस्या का निर्णय संस्करण शास्त्रीय रूप से आसान है, जिससे विश्लेषण का ध्यान खोज और सैंपलिंग संस्करणों पर स्थानांतरित हो जाता है।
बाधाओं की पहचान: लेखक DQI सैंपलिंग की शास्त्रीय कठिनाई को सिद्ध करने में विशिष्ट बाधाओं की पहचान करते हैं, जिसमें DQI के प्रदर्शन गारंटी के संदर्भ में खोज समस्या को निर्णय समस्या में बदलने की कठिनाई और "अच्छे" समाधान सेट $S$ की संरचनात्मक प्रकृति शामिल है।
अनुभवजन्य बेंचमार्किंग: यह कार्य DVI के अनुकूलन प्रदर्शन का अनुकरण करने वाले पहले व्यापक अनुभवजन्य अध्ययन को प्रस्तुत करता है। यह प्रदर्शित करता है कि मानक MCMC तकनीकें समस्याओं के एक विस्तृत रेंज में DQI से अपेक्षित एप्रोक्सिमेशन रेश्यो (approximation ratios) को विश्वसनीय रूप से प्राप्त कर सकती हैं।

परिणाम

Max-XORSAT: Max-XORSAT के लिए, ब्लॉक-गिब्स सैंपलिंग विधि DQI प्रदर्शन थ्रेशोल्ड को प्राप्त करती है जिसका रनटाइम क्यूबिट्स की संख्या के साथ बहुपद (polynomially) रूप से (लगभग $n^5$ ) स्केल करता है। यह इंगित करता है कि इस प्रकार की समस्याओं के लिए, शास्त्रीय सैंपलिंग कुशलतापूर्वक DQI के अनुकूलन प्रदर्शन से मेल खा सकती है।
ऑप्टिमल पॉलिनॉमियल इंटरसेक्शन (OPI): OPI के लिए, जहाँ DCI एक सुपर-पॉलिनॉमियल लाभ का दावा करता है, MCMC रनटाइम क्यूबिट्स ( $n_p$ ) के साथ तेजी से (exponentially) बढ़ता है। हालांकि, घातांकीय वृद्धि (exponential growth) का आधार छोटा है, लगभग 1.1 (विशेष रूप से $1.096^{n_p}$ )।
सैंपलिंग बनाम खोज: सैंपलिंग समस्या के लिए गुणात्मक स्केलिंग व्यवहार खोज समस्या के समान है। लेखक देखते हैं कि Max-XORSAT के लिए "कीप-गोइंग" रणनीति अधिक कुशल है (जो क्लस्टर्ड समाधानों का सुझाव देती है), जबकि OPI के लिए "रीस्टार्ट" रणनीति अधिक कुशल है (जो समाधान क्लस्टरिंग की कमी या ओवरलैप गैप प्रॉपर्टी का सुझाव देती है)।
थ्रेशोल्ड संवेदनशीलता: OPI के लिए प्रदर्शन थ्रेशोल्ड को कम करने पर, रनटाइम स्केलिंग के गुडनेस-ऑफ-फिट (goodness-of-fit) में एक फेज ट्रांजिशन देखा जाता है: निचले थ्रेशोल्ड के लिए पावर-लॉ फिट बेहतर होते हैं, जबकि लगभग 0.66 के थ्रेशोल्ड के ऊपर एक्सपोनेंशियल फिट बेहतर हो जाते हैं। OPI के लिए DQI थ्रेशोल्ड एक्सपोनेंशियल रिजीम के भीतर आता है।

महत्व और दावे
लेखक कहते हैं कि उनके निष्कर्ष DCI के लिए सुपर-पॉलिनॉमियल क्वांटम लाभ के मौजूदा दावों को खंडित नहीं करते हैं, क्योंकि OPI के लिए शास्त्रीय MCMC रनटाइम घातांकीय वृद्धि प्रदर्शित करता है। हालांकि, यह पेपर इस लाभ पर एक अधिक सूक्ष्म दृष्टिकोण के लिए तर्क देता है:

छोटा एक्सपोनेंशियल बेस: देखा गया एक्सपोनेंशियल बेस ~1.1 तुलनात्मक रूप से छोटा है, जो यह सुझाव देता है कि शास्त्रीय एल्गोरिदम व्यावहारिक रूप से प्रासंगिक इंस्टेंस के एक विस्तृत रेंज के लिए प्रतिस्पर्धी बने रह सकते हैं, जो संभवतः केवल बहुत बड़े इंस्टेंस के लिए ही पीछे छूटते हैं।
शास्त्रीय अनुकरण (Classical Emulation): परिणाम दर्शाते हैं कि शास्त्रीय सैंपलिंग एल्गोरिदम DQI के अनुकूलन प्रदर्शन के करीब पहुंच सकते हैं, जो इस धारणा को चुनौती देते हैं कि क्वांटम लाभ पूर्ण या वर्तमान आकार के लिए आसानी से सुलभ है।
जटिलता परिदृश्य: यह कार्य स्पष्ट करता है कि DQI की जटिलता समस्या के निर्णय संस्करण के बजाय खोज और सैंपलिंग संस्करणों से गहराई से जुड़ी हुई है, और सैंपलिंग कठिनाई को सिद्ध करने के लिए मानक उपकरण सीधे DQI पर लागू नहीं हो सकते हैं।

निष्कर्षतः, यह पेपर अनुभवजन्य साक्ष्य प्रदान करता है कि हालांकि DCI एक सैद्धांतिक स्पीड-अप प्रदान कर सकता है, लेकिन व्यावहारिक क्वांटम लाभ पहले के अनुमानों की तुलना में उतना स्पष्ट नहीं है, क्योंकि शास्त्रीय MCMC विधियाँ कई अनुकूलन कार्यों के लिए एक व्यवहार्य और कुशल विकल्प प्रदान करती हैं।

इसी तरह के और पेपर