तकनीकी सारांश: मापन-कुशल बाइलेवल क्वांटम-क्लासिकल ऑप्टिमाइज़ेशन के लिए इम्प्लिसिट डिफरेंशिएशन (Implicit Differentiation)

1. समस्या का निरूपण (Problem Formulation)

यह शोध पत्र बाइलेवल ऑप्टिमाइज़ेशन समस्याओं के एक विशिष्ट वर्ग को संबोधित करता है जो कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन, विशेष रूप से वेटेड मैक्स-कट (Weighted Max-Cut) समस्या में प्रयुक्त वेरिएशनल क्वांटम एल्गोरिदम (VQAs) से उत्पन्न होते हैं।

मानक VQA अनुप्रयोगों में, कॉस्ट हैमिल्टनियन (cost Hamiltonian) स्थिर होता है, और एल्गोरिदम सर्किट पैरामीटर्स को ऊर्जा को कम करने के लिए अनुकूलित करता है। हालाँकि, वास्तविक दुनिया के अनुप्रयोगों में अक्सर पैरामेट्रिक कॉस्ट हैमिल्टनियन शामिल होते हैं जहाँ गुणांक (coefficients) ट्यून करने योग्य बाहरी कारकों (जैसे, मांग पूर्वानुमान, जोखिम प्राथमिकताएं, या टेम्पोरल पैरामीटर्स) पर निर्भर करते हैं। जब इन बाहरी कारकों को स्थिर स्थिरांक के बजाय निर्णय चर (decision variables) के रूप में माना जाता है, तो समस्या की संरचना बाइलेवल हो जाती है:

• इनर लूप (Inner Loop): एक VQA (जैसे, VQE या QAOA) एक विशिष्ट पैरामीटर मान $\lambda$ द्वारा परिभाषित इंस्टेंस को हल करने के लिए सर्किट पैरामीटर्स $\phi$ को अनुकूलित करता है।
• आउटर लूप (Outer Loop): एक ऑप्टिमाइज़र कंट्रोल पैरामीटर $\lambda$ को खोजने के लिए अनुकूलित करता है ताकि परिणामी वैल्यू फंक्शन $F(\lambda) = \max_{\phi} J(\phi, \lambda)$ को अधिकतम किया जा सके।

पहला मुख्य चुनौती मापन दक्षता (measurement efficiency) है। आउटर लूप के मानक डेरिवेटिव-फ्री ऑप्टिमाइज़ेशन में, $\lambda$ के सापेक्ष ग्रेडिएंट का अनुमान लगाने के लिए वैल्यू फंक्शन $F(\lambda)$ को विचलित बिंदुओं (जैसे, $\lambda \pm \epsilon$) पर प्रोब करने की आवश्यकता होती है। चूँकि प्रत्येक प्रोब के लिए एक पूर्ण, महंगी इनर VQA सॉल्विंग की आवश्यकता होती है, यह एक गुणात्मक ओवरहेड (multiplicative overhead) बनाता है (जो $M \times N_{inner}$ के रूप में स्केल करता है, जहाँ $M$ प्रोब्स की संख्या है)। निकट-अवधि (near-term) क्वांटम हार्डवेयर के सीमित मापन बजट को देखते हुए यह दृष्टिकोण अत्यधिक महंगा बना देता है।

2. कार्यप्रणाली: कोरिलेटर-रियूज इम्प्लिसिट डिफरेंशिएशन (CR-ID)

लेखक कोरिलेटर-रियूज इम्प्लिसिट डिफरेंशिएशन (CR-ID) का प्रस्ताव करते हैं ताकि आ-लूप ग्रेडिएंट एस्टीमेशन के गुणात्मक ओवरहेड को समाप्त किया जा सके। यह विधि दो सैद्धांतिक स्तंभों पर आधारित है:

A. एनवेलप थ्योरम (The Envelope Theorem)

इनर ऑप्टिमम $\phi^*(\lambda)$ पर, वैल्यू फंक्शन $F(\lambda)$ का $\lambda$ के सापेक्ष डेरिवेटिव एनवेलप थ्योरम के माध्यम से सरल हो जाता है:
$$\frac{d}{d\lambda} F(\lambda) = \frac{\partial}{\partial \lambda} J(\phi^*(\lambda), \lambda)$$
यह पहचान दर्शाती है कि आ-लूप ग्रेडिएंट केवल हैमिल्टोनियन के $\lambda$ के सापेक्ष आंशिक डेरिवेटिव (partial derivative) पर निर्भर करता है, जिससे इनर ऑप्टिमाइज़र $\phi^*(\lambda)$ के जटिल मैपिंग को डिफरेंशिएट करने की आवश्यकता समाप्त हो जाती है।

B. कोरिलेटर रियूज़ (Correlator Reuse)

डायगोनल कॉस्ट हैमिल्टनियंस (जैसे, मैक्स-कट) के लिए, ऑब्जेक्टिव फंक्शन एज कट प्रोबेबिलिटीज (कोरिलेटर्स) का एक वेटेड सम है:
$$J(\phi, \lambda) = \sum_{e \in E} w_e(\lambda) p_e(\phi)$$
$\lambda$ के सापेक्ष आंशिक डेरिवेटिव है:
$$\frac{\partial}{\partial \lambda} J(\phi, \lambda) = \sum_{e \in E} \frac{d w_e(\lambda)}{d\lambda} p_e(\phi)$$
महत्वपूर्ण रूप से, पद $p_e(\phi)$ (एज कट होने की प्रायिकताएं) इनर लूप के मानक एनर्जी इवैल्यूएशन के दौरान $Z$-बेसिस मेजरमेंट्स के माध्यम से पहले से ही अनुमानित होते हैं। CR-ID इन मौजूदा मापन डेटा का पुन: उपयोग करता है, उन्हें ज्ञात वेट सेंसिटिविटी $\frac{d w_e}{d\lambda}$ द्वारा रीवेट (reweight) करता है, ताकि आ-लूप ग्रेडिएंट की गणना की जा सके। इसके लिए अनिवार्य रूप से शून्य अतिरिक्त क्वांटम सर्किट निष्पादन की आवश्यकता होती है।

C. आर्किटेक्चर डिपेंडेंस (Architecture Dependence)

यह शोध पत्र विभिन्न VQA आर्किटेक्चर में CR-ID की प्रयोज्यता का विश्लेषण करता है:

• VQE (Variational Quantum Eigensolver): क्वांटम स्टेट $\rho(\theta)$ केवल सर्किट पैरामीटर्स $\theta$ पर निर्भर करती है, न कि आ-लपुट पैरामीटर $\lambda$ पर (जो केवल हैमिल्टनियन गुणांकों को स्केल करता है)। अतः, $\frac{\partial \rho}{\partial \lambda} = 0$। CR-ID एक सटीक, अनबायस्ड (unbiased) ग्रेडिएंट प्रदान करता है जिसमें कोई अतिरिक्त लागत नहीं होती।
• QAOA (Quantum Approximate Optimization Algorithm): कॉस्ट हैमिल्टनियन $H_C(\lambda)$ स्टेट प्रिपरेशन में उपयोग किए जाने वाले यूनिटरी इवोल्यूशन $e^{-i\gamma H_C(\lambda)}$ में दिखाई देता है। फलस्वरूप, स्टेट $\rho(\gamma, \beta, \lambda)$ $\lambda$ पर निर्भर करती है। ऑब्जेक्टिव को डिफरेंशिएट करने से एक स्टेट-डिपेंडेंस टर्म पेश होता है:
  $$\frac{\partial J}{\partial \lambda} = \underbrace{\sum \frac{d w_e}{d\lambda} p_e}_{\text{Explicit (Reused)}} + \underbrace{\sum w_e \frac{\partial p_e}{\partial \lambda}}_{\text{State-dependence}}$$
  दूसरे पद को मानक एनर्जी डेटा से नहीं निकाला जा सकता है। QAOA के लिए, CR-ID एक कॉस्ट-बायस ट्रेड-ऑफ (cost–bias trade-off) बनाता है: आप सस्ते लेकिन बायस्ड ग्रेडिएंट के लिए केवल "रियूज-ओनली" पद का उपयोग कर सकते हैं, या अतिरिक्त मापन लागत पर पूर्ण डेरिवेटिव का अनुमान लगा सकते हैं।

3. प्रयोगात्मक सेटअप (Experimental Setup)

• समस्या: अर्दोश-रेनी (Erdős–Rényi) ग्राफ्स पर वेटेड मैक्स-कट ($n \in \{10, 12, 14\}$)।
• पैरामेट्रिक फैमिली: तीन वेट फंक्शन $w_e(\lambda)$ परिवारों का परीक्षण किया गया: लीनियर (Linear), क्वाड्रेटिक (Quadratic), और पीरियडिक (Periodic) (बाद वाला बार-बार ऑप्टिमल बिटस्ट्रिंग स्विच होने के कारण एक स्ट्रेस टेस्ट के रूप में)।
• बेसलाइन्स (Baselines): CR-ID की तुलना सेंट्रल फिनेट-डिफरेंस (FD) प्रोबिंग से की गई, जिसके लिए प्रति आ-लूप स्टेप 3 इनर सॉल्व्स (सेंटर, $\lambda+\epsilon$, $\lambda-\epsilon$) की आवश्यकता होती है।
• बजट: तुलनाएँ एक मैच्ड इवैल्यूएशन बजट (कुल एनर्जी इवैल्यूएशन की संख्या) के तहत की गईं, जो कि इटरेशन काउंट के बजाय दक्षता के निष्पक्ष तुलना को सुनिश्चित करती है।
• मैट्रिक्स (Metrics): बेस्ट-सो-फार नॉर्मलाइज्ड ऑब्जेक्टिव, बजट-एफिशिएंसी ट्राजेक्टरी का AUC (Area Under the Curve), और रीडआउट परफॉर्मेंस (best-of-32 samples)।

4. मुख्य परिणाम (Key Results)

प्रयोगों से पता चलता है कि CR-ID मापन-सीमित शासन (measurement-limited regimes) में डेरिवेटिव-फ्री प्रोबिंग विधियों की तुलना में लगातार बेहतर प्रदर्शन करता है:

1. व्यवस्थित दक्षता लाभ (Systematic Efficiency Gains):

   • 1D सेटिंग्स में, CR-ID ने लीनियर, क्वाड्रेटिक और पीरियडिक परिवारों में बजट-नॉर्मलाइज्ड एफिशिएंसी (AUC) में लगभग 4% का सुधार किया।
   • मल्टी-डायमेंशनल सेटिंग्स में (एज-वाइज कंट्रोल), सुधार बढ़कर 14% से अधिक (विशेष रूप से 14.4%) हो गया।
   • प्रदर्शन अंतराल का कारण FD प्रोबिंग में निहित 3× ओवरहेड है (जिसके लिए प्रति स्टेप कई इनर सॉल्व्स की आवश्यकता होती है), जिसे CR-ID पूरी तरह से टाल देता है।

2. अभिसरण गतिशीलता (Convergence Dynamics):

   • CR-ID ट्राजेक्टरीज बजट के शुरुआती चरण में ही तेजी से ऊपर उठती हैं और उच्च समाधान गुणवत्ता पर स्थिर हो जाती हैं।
   • FD ट्राजेक्टरीज धीरे-धीरे बढ़ती हैं और अक्सर समान बजट के भीतर अभिसरण करने में विफल रहती हैं, जो यह सुझाव देता है कि समान समाधान गुणवत्ता तक पहुँचने के लिए FD को काफी अधिक संसाधनों की आवश्यकता होगी।

3. आर्किटेक्चर तुलना (VQE बनाम QAOA):

   • VQE: कोरिलेटर रियूज़ की सटीक प्रकृति का लाभ उठाते हुए उच्चतम प्रदर्शन प्राप्त किया।
   • QAOA: स्टेट-डिपेंडेंस टर्म को अनदेखा करने से उत्पन्न बायस के कारण कम एक्सपेक्टेशन-लेवल प्रदर्शन दिखाया। हालाँकि, "रीडआउट" मेट्रिक्स (best-of-32 samples) में, अंतर कम हो गया क्योंकि QAOA ने कम एक्सपेक्टेशन वैल्यू के बावजूद कभी-कभी उच्च-गुणवत्ता वाले बिटस्ट्रिंग्स का उत्पादन किया। फिर भी, VQE ने बेहतर विश्वसनीयता (एक सिंगल शॉट में निकट-इष्टतम समाधानों के नमूना लेने की उच्च संभावना) बनाए रखी।

5. महत्व और दावे (Significance and Claims)

यह शोध पत्र दावा करता है कि CR-ID डायगोनल हैमिल्टोनियंस की विशिष्ट संरचना का लाभ उठाकर NISQ युग में कुशल बाइलेवल ऑप्टिमाइज़ेशन के लिए एक व्यावहारिक मार्ग प्रदान करता है।

• मापन दक्षता: प्राथमिक योगदान आ-लूप ट्यूनिंग से जुड़े गुणात्मक मापन ओवरहेड को समाप्त करना है, जिससे सख्त शॉट बजट के तहत पैरामेट्रिक ऑप्टिमाइज़ेशन संभव हो जाता है।
• सैद्धांतिक अंतर्दृष्टि: यह कार्य VQE और QAOA के बीच अंतर को स्पष्ट करता है, यह उजागर करता है कि "फ्री" ग्रेडिएंट गुण आर्किटेक्चर-डिपेंडेंट है। यह स्पष्ट रूप से QAOA में स्टेट-डिपेंडेंस टर्म को बायस के स्रोत के रूप में पहचानता है जिसे अभ्यासकर्ताओं को प्रबंधित करना होगा।
• स्केलेबिलिटी: यह दिखाया गया है कि विधि मल्टी-डायमेंशनल कंट्रोल पैरामीटर्स तक प्रभावी ढंग से स्केल करती है, जहाँ पारंपरिक प्रोबिंग विधियों की लागत तेजी से बढ़ती है।

लेखक अपनी सीमाओं के संबंध में विनम्र रहते हैं, यह नोट करते हुए कि मूल्यांकन क्लासिकल डायग्नोस्टिक्स को सक्षम करने के लिए मध्यम सिस्टम साइज ($n \le 4$) पर किया गया था और एनवेलप आइडेंटिटी केवल इनर स्टेशनैरिटी पर सटीक है। वे यह भी उल्लेख करते हैं कि नॉन-डायगोनल हैमिल्टोनियंस तक इस दृष्टिकोण का विस्तार करने के लिए मापन ग्रुपिंग ओवरहेड्स को संबोधित करने की आवश्यकता होगी।