💻 computer science

Classical $\mathrm{SU}(2)$ Models Match or Exceed Shallow Variational Quantum Circuits on Vision Benchmarks

यह अध्ययन प्रदर्शित करता है कि शास्त्रीय क्वार्टरनियन-मान वाले न्यूरल नेटवर्क, जो वेरिएशनल क्वांटम सर्किट की $\mathrm{SU}(2)$ ज्यामिति साझा करते हैं, मानक विजन बेंचमार्क पर उथले (shallow) क्वांटम मॉडलों के प्रदर्शन के बराबर या उससे बेहतर प्रदर्शन करते हैं, जो यह सुझाव देता है कि साझा स्थानीय ज्यामिति और उथला एंटैंगलमेंट उन कार्यों पर व्यावहारिक क्वांटम लाभ प्रदान करने के लिए अपर्याप्त है जिनमें अंतर्निहित क्वांटम संरचना का अभाव होता है।

मूल लेखक: Christopher Fulton, Irene Tsapara, Lawrence Fulton

प्रकाशित 2026-08-11

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Christopher Fulton, Irene Tsapara, Lawrence Fulton

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

द क्वांटम क्वेस्ट एंड द क्लासिकल कॉन्टेंडर (The Quantum Quest and the Classical Contender)

कल्पना कीजिए एक ऐसी दुनिया की जहाँ कंप्यूटर सिर्फ कैलकुलेटर की तरह नंबरों को नहीं रगड़ते, बल्कि क्वांटम ब्रह्मांड के अजीब, लहरदार नियमों के साथ नृत्य करते हैं। यह क्वांटम मशीन लर्निंग का क्षेत्र है, जहाँ वैज्ञानिक उप-परमाणु कणों के विचित्र गुणों का उपयोग करके "स्मार्ट" सिस्टम बनाने की कोशिश कर रहे हैं। इस नए शोध की कहानी को समझने के लिए, हमें कुछ प्रमुख पात्रों को जानना होगा। सबसे पहले, न्यूरल नेटवर्क हैं, जो डिजिटल मस्तिष्क की तरह हैं जो कनेक्शन की परतों से बने होते हैं और पैटर्न पहचानना सीखते हैं, जैसे कि किसी फोटो में बिल्ली को पहचानना। फिर, वैरिएशनल क्वांटम सर्किट्स (VQCs) हैं, जो इन मस्तिष्कों का क्वांटम संस्करण हैं। मानक स्विचों के बजाय, वे छोटे क्वांटम बिट्स (क्यूबिट्स) का उपयोग करते हैं जो एक साथ कई दिशाओं में घूम सकते हैं, जो सैद्धांतिक रूप से उन्हें उन तरीकों से समस्याओं को हल करने की अनुमति देता है जिनसे सामान्य कंप्यूटर नहीं कर सकते।

बड़ा सवाल जो हर कोई पूछ रहा है वह यह है: क्या ये क्वांटम मस्तिष्क वास्तव में नियमित मस्तिष्क से बेहतर काम करते हैं? लंबे समय तक, यह उम्मीद थी कि क्वांटम कंप्यूटर जादुई छड़ी होंगे, जो कठिन समस्याओं को तुरंत हल कर देंगे। लेकिन वास्तविक दुनिया में, इन मशीनों को बनाना अविश्वसनीय रूप से कठिन है। वे नाजुक, शोर वाले और नियंत्रित करने में कठिन होते हैं। इसलिए, वैज्ञानिक वर्तमान में सिमुलेशन चला रहे हैं—अत्यधिक सटीक कंप्यूटर प्रोग्राम जो क्वांटम मशीनों का ढोंग करते हैं—यह देखने के लिए कि क्या सिद्धांत कायम रहता है। वे "क्लासिकल" ट्रिक्स की भी तलाश कर रहे हैं जो वास्तविक क्वांटम कंप्यूटर की आवश्यकता के बिना क्वांटम जादू की नकल कर सकें। ऐसा एक ट्रिक क्वाटरनियंस (Quaternions) है, जो गणित का एक प्रकार है जो एक आयाम के बजाय चार आयामों का उपयोग करता है, जो रोटेशन और मूवमेंट का वर्णन करने में आश्चर्यजनक रूप से अच्छा साबित होता है, ठीक वैसे ही जैसे क्वांटम स्पिन करते हैं। यदि एक सरल गणितीय ट्रिक वह कर सकती है जो जटिल क्वांटम मशीन करती है, तो यह एआई (AI) के भविष्य को बनाने के हमारे तरीके के बारे में सब कुछ बदल देता है।

द शोडाउन: मैथ ट्रिक्स वर्सेज क्वांटम ड्रीम्स (The Showdown: Math Tricks vs. Quantum Dreams)

इस अध्ययन में, शोधकर्ताओं की एक टीम ने तीन अलग-अलग प्रकार के "हेड्स" (न्यूरल नेटवर्क का अंतिम निर्णय लेने वाला हिस्सा) के बीच एक हाई-स्टेक्स रेस आयोजित की, यह देखने के लिए कि कौन अंकों, कपड़ों और वस्तुओं की छवियों को सबसे अच्छी तरह से वर्गीकृत कर सकता है। उन्होंने इन हेड्स को शून्य से सीखने नहीं दिया; इसके बजाय, उन्होंने उन्हें बिल्कुल एक जैसे "फ्रोजन" फीचर्स दिए, जैसे कि तीन अलग-अलग शेफ को बिल्कुल एक जैसी पहले से कटी हुई सब्जियां देना और पूछना कि कौन सबसे अच्छा सूप बना सकता है। तीन प्रतियोगी थे:

द स्टैंडर्ड शेफ (रियल-वैल्यूड नेटवर्क): एक सामान्य, रोज़मर्रा का एआई जो मानक गणित का उपयोग करता है।
द 4D मैथ विजार्ड (क्वाटरनियन नेटवर्क): एक क्लासिकल एआई जो रोटेशन को संभालने के लिए एक विशेष चार-आयामी गणित प्रणाली (क्वाटरनियंस) का उपयोग करता है, जो क्वांटम मैकेनिक्स के साथ एक गहरा ज्यामितीय संबंध साझा करता है।
द क्वांटम ड्रीमर (वैरिएशनल क्वांटम सर्किट): एक सिम्युलेटेड क्वांटम कंप्यूटर जो वास्तविक क्वांटम गेट्स और एंटैंगलमेंट (कणों के बीच एक डरावना संबंध) का उपयोग करता है।

शोधकर्ताओं ने इन शेफ का परीक्षण तीन प्रसिद्ध इमेज डेटासेट्स पर किया: MNIST (हस्तलिखित अंक), FashionMNIST (कपड़ों के आइटम), और CIFAR-10 (जानवरों और कारों की रंगीन तस्वीरें)। उन्होंने प्रयोगों को दो बार चलाया: एक बार सरल, कम-रिज़ॉल्यूशन वाले फीचर्स के साथ और एक बार ResNet18 नामक एक शक्तिशाली एआई से प्राप्त उच्च-गुणवत्ता वाले, प्री-ट्रेन्ड फीचर्स के साथ।

परिणाम: मैथ विजार्ड की जीत, क्वांटम ड्रीमर की लड़खड़ाहट

परिणाम एक स्पष्ट जीत थी क्लासिकल दृष्टिकोणों की। क्वाटरनियन नेटवर्क ने लगभग उसी तरह प्रदर्शन किया जैसा कि मानक "रियल-वैल्यूड" एआई ने किया, इसने सरल कार्यों पर अपनी सटीकता को मैच किया और कठिन, रंगीन छवियों पर अपने प्रदर्शन का लगभग 94% से 97% बरकरार रखा। इसने यह काम बहुत कम पैरामीटर्स (मॉडल के "सामग्री") का उपयोग करते हुए किया, जिससे यह एक बहुत ही कुशल और स्थिर परफॉर्मर बन गया।

हालाँकि, क्वांटम ड्रीमर संघर्ष करता रहा। भले ही इसने क्वाटरनियन नेटवर्क की तरह ही समान अंतर्निहित ज्यामितीय "डांस मूव्स" (SU(2) ज्योमेट्री) साझा किए थे, लेकिन इसने लगातार कम स्कोर किया।

सरल ब्लैक-एंड-व्हाइट छवियों (MNIST और FashionMNIST) पर, क्वांटम मॉडल क्लासिकल मॉडल्स की तुलना में क्रमशः लगभग 6% और 2.4% कम सटीक थे।
कठिन, रंगीन छवियों (CIFAR-10) पर, यह अंतर और बढ़ गया। जब क्वांटम मॉडल ने "एंटैंगलमेंट" (जटिल सहसंबंध बनाने के लिए अपने क्यूबिट्स को जोड़ने) का उपयोग करने की कोशिश की, तो वह स्मार्ट नहीं हुआ; बल्कि, वह और भी खराब हो गया। हाई-क्वालिटी फीचर्स के साथ, एंटैंगल्ड क्वांटम मॉडल की सटीकता उस क्वांटम मॉडल की तुलना में 9.25 प्रतिशत अंक गिर गई जिसने एंटैंगलमेंट का उपयोग नहीं किया था।

क्वांटम मॉडल क्यों विफल हुआ?

पेपर सुझाव देता है कि समस्या यह नहीं है कि गणित गलत है, बल्कि क्वांटम सर्किट बहुत "शैलो" (बहुत सरल) है और माप प्रक्रिया बहुत "लॉसी" (सूचना खोने वाली) है। कल्पना कीजिए कि क्वांटम कंप्यूटर एक हाई-टेक कैमरा है जो एक जटिल दृश्य की तस्वीर लेता है लेकिन उसे अनुमान लगाने से पहले केवल रोशनी के 6 या 12 छोटे बिंदुओं को देखने की अनुमति है। यह अधिकांश जानकारी को फेंक देता है। दूसरी ओर, क्वाटरनियन नेटवर्क पूर्ण चार-आयामी चित्र को बरकरार रखता है।

शोधकर्ताओं ने यह भी परीक्षण किया कि क्या क्वांटम मॉडल को एक बेहतर "ऑप्टिमाइज़र" (सीखने का एक स्मार्ट तरीका) की आवश्यकता थी। उन्होंने फूबिनी-स्टडी / क्वांटम फिशर इंफॉर्मेशन नामक एक विशेष ज्यामितीय विधि का उपयोग किया, जो क्वांटम मॉडल को सबसे अच्छे पथ को खोजने के लिए एक GPS देने जैसा है। हालांकि इसने मॉडल द्वारा उठाए गए कदमों की दिशा को बदल दिया, लेकिन इसने मॉडल को मानक ऑप्टिमाइज़र (Adam) की तुलना में तेजी से सीखने या बेहतर परिणाम प्राप्त करने में वास्तव में मदद नहीं की।

फैसला

अध्ययन निष्कर्ष निकालता है कि इस प्रकार के शैलो, मेजरमेंट-लिमिटेड क्वांटम सर्किट्स के लिए, साझा स्थानीय ज्यामिति (shared local geometry) क्वांटम एडवांटेज देने के लिए पर्याप्त नहीं है। एंटैंगलमेंट का "जादू" मददगार नहीं रहा; वास्तव में, जटिल कार्यों पर, इसने मॉडल को अधिक अस्थिर और त्रुटियों के प्रति संवेदनशील बना दिया। क्वाटरनियन नेटवर्क ने साबित कर दिया कि आप वास्तविक क्वांटम कंप्यूटर बनाने के सिरदर्द के बिना, उस विशेष क्वांटम-जैसे ज्यामिति के लाभों को सरल, क्लासिकल गणित का उपयोग करके प्राप्त कर सकते हैं।

लेखक सावधानी से नोट करते हैं कि इसका मतलब यह नहीं है कि क्वांटम कंप्यूटिंग हमेशा के लिए बेकार है। वे सुझाव देते हैं कि गहरे सर्किट्स, डेटा को एनकोड करने के विभिन्न तरीके, या स्वाभाविक रूप से क्वांटम वाले समस्याएं (जैसे अणुओं का अनुकरण करना) अभी भी कुंजी हो सकते हैं। लेकिन बिल्लियों और कारों की तस्वीरों को पहचानने के कार्य के लिए, वर्तमान तकनीक के साथ क्लासिकल "मैथ विजार्ड" वर्तमान में क्वांटम "ड्रीमर" से बेहतर प्रदर्शन कर रहा है।

तकनीकी सारांश: क्लासिकल SU(2) मॉडल बनाम शैलो वेरिएशनल क्वांटम सर्किट

समस्या विवरण
यह शोध पत्र क्वाटरनियन-वैल्यूड न्यूरल नेटवर्क (QuatNets) और वेरिएशनल क्वांटम सर्किट (VQCs) के बीच क्लासिकल सुपरवाइज्ड लर्निंग कार्यों पर सापेक्ष प्रदर्शन की समझ में मौजूद अंतर को संबोधित करता है। दोनों आर्किटेक्चर विशेष रूप से स्पेशल यूनिटरी ग्रुप SU(2) की ज्यामिति से स्थानीय रूपांतरण प्राप्त करते हैं: QuatNets 4D रियल स्पेस में रोटेशन को पैरामीटराइज करने के लिए यूनिट क्वाटरनियन का उपयोग करते हैं, जबकि VQCs हिल्बर्ट स्पेस के भीतर सिंगल-क्यूबिट गेट्स का उपयोग करते हैं जो SU(2) से लिए गए हैं। इस साझा स्थानीय ज्यामितीय संरचना के बावजूद, यह स्पष्ट नहीं है कि क्या VQCs की क्वांटम-विशिष्ट विशेषताएं—विशेष रूप से एंटैंगलमेंट (entanglement) और मेजरमेंट-इंड्यूस्ड स्टेट कोलैप्स—मानक इमेज क्लासिफिकेशन बेंचमार्क पर क्लासिकल SU(2) मॉडल्स की तुलना में व्यावहारिक लाभ प्रदान करती हैं। लेखकों का लक्ष्य यह निर्धारित करना है कि क्या क्लासिकल SU(2) संरचनाएं उथले (shallow) क्वांटम सर्किट के लर्निंग व्यवहार को पुनरुत्पादित कर सकती हैं और विभिन्न फीचर क्वालिटीज के माध्यम से प्रदर्शन में एंटैंगलमेंट किस सीमा तक योगदान देता है।

कार्यप्रणाली
लेखकों ने तीन मानक इमेज डेटासेट्स: MNIST, FashionMNIST, और CIFAR-10 का उपयोग करके एक नियंत्रित तुलना ढांचा तैयार किया। वर्गीकरण हेड (classification heads) की फीचर एक्सट्रैक्शन क्षमताओं के बजाय उनके इंडक्टिव बायस (inductive bias) को अलग करने के लिए, अध्ययन में दो अलग-अलग व्यवस्थाओं (regimes) का उपयोग किया गया जहाँ फीचर रिप्रेजेंटेशन को फ्रीज (frozen) कर दिया गया था:

लर्नड बॉटलनेक (Learned Bottleneck): एक साझा, लो-कैपेसिटी फीचर एक्सट्रैक्टर जो इनपुट्स को 16-डायमेंशनल वेक्टर में मैप करता है (सभी डेटासेट्स के लिए)।
फ्रोझन प्रीट्रेनड फीचर्स (Frozen Pretrained Features): CIFAR-10 के लिए, एक फ्रीज किए गए ImageNet-प्रीट्रेनड ResNet18 बैकबोन से 512-डायमेंशनल एम्बेडिंग्स का उपयोग किया गया।

इन समान फ्रीज किए गए फीचर्स पर चार क्लासिफिकेशन हेड आर्किटेक्चर का मूल्यांकन किया गया:

RealNet: एक स्टैंडर्ड रियल-वैल्यूड मल्टीलेयर पर्सपेप्ट्रॉन (MLP) जो बेसलाइन के रूप में कार्य करता है।
QuatNet: एक क्वाटरनियन-वैल्यूड MLP जो रियल ऑपरेशन्स को यूनिट क्वाटरनियन के साथ हैमिल्टन प्रोडक्ट्स (Hamilton products) से बदल देता है, जिससे SU(2) संरचना सुरक्षित रहती है।
Quantum-NoEnt: एक डेप्थ-3 वेरिएशनल क्वांटम सर्किट (VQC) जिसमें डेटा री-अपलोडिंग है लेकिन कोई एंटैंगलमेंट नहीं है (प्रोडक्ट-स्टेट)।
Quantum-Ent: एक डेप्थ-3 VQC जो उपरोक्त के समान है लेकिन एंटैंगलमेंट पेश करने के लिए CNOT गेट्स के एक रिंग को शामिल करता है।

16D बॉटलनेक के लिए क्वांटम सर्किट्स को 4 क्यूबिट्स तक और 512D ResNet18 व्यवस्था के लिए 8 क्यूबिट्स तक स्केल किया गया। प्रशिक्षण के लिए क्रॉस-एन्ट्रॉपी लॉस के साथ Adam ऑप्टिमाइज़र का उपयोग किया गया। ऑप्टिमाइजेशन संबंधी चिंताओं को दूर करने के लिए, अध्ययन में Adam की तुलना Fubini–Study/Quantum Fisher Information (FS/QFI) नेचुरल-ग्रेडिएंट मेथड्स से करने वाले डायग्नोस्टिक्स भी शामिल किए गए। मजबूती (robustness) का आकलन पांच तक के रैंडम सीड्स और सैंपल-साइज स्केलिंग प्रयोगों के माध्यम से किया गया।

मुख्य योगदान

क्लासिकल SU(2) मॉडल्स की प्रदर्शन समानता: अध्ययन प्रदर्शित करता है कि क्वाटरनियन नेटवर्क लगातार रियल-वैल्यूड बेसलाइन्स के प्रदर्शन के बराबर रहते हैं या उनके करीब पहुँच जाते हैं, जबकि वे काफी कम ट्रेन करने योग्य पैरामीटर्स का उपयोग करते हैं (जैसे, MNIST पर 1,000 बनाम 1,738 पैरामीटर्स)।
शैलो VQCs का कम प्रदर्शन: शैलो क्वांटम क्लासिफायर (एंटैंगल्ड और नॉन-एंटैंगल्ड दोनों) सभी डेटासेट्स और फीचर व्यवस्थाओं में क्वाटरनियन नेटवर्क की तुलना में लगातार कम प्रदर्शन करते हैं।
एंटैंगलमेंट लाभों का उलटा होना: एंटैंगलमेंट का योगदान एकसमान नहीं है; यह सरल ग्रेस्केल डेटासेट्स (MNIST, FashionMNIST) पर मामूली लाभ (लगभग 0.6 प्रतिशत अंक) प्रदान करता है, लेकिन उच्च-गुणवत्ता वाले प्रीट्रेनड ResNet18 फीचर्स का उपयोग करने पर CIFAR-10 पर प्रदर्शन में भारी गिरावट (लग approximately 9.25 प्रतिशत अंक) का कारण बनता है।
ऑप्टिमाइजेशन डायग्नोस्टिक्स: पेपर साक्ष्य प्रदान करता है कि प्रदर्शन का अंतर केवल ऑप्टिमाइज़र के चुनाव के कारण नहीं है। हालांकि FS/QFI मेथड्स ज्यामितीय संरेखण (geometric alignment) में सुधार करते हैं, वे Adam की तुलना में शॉर्ट-होरिज़न लॉस रिडक्शन में महत्वपूर्ण सुधार नहीं करते हैं, जो यह सुझाव देता है कि सीमाएं विशुद्ध रूप से ऑप्टिमाइजेशन-आधारित होने के बजाय आर्किटेक्चरल हैं।

परिणाम

MNIST और FashionMNIST: QuatNet ने RealNet के लगभग समकक्ष प्रदर्शन प्राप्त किया (जैसे, MNIST पर 93.64% बनाम 93.54%)। दोनों क्वांटम वेरिएंट्स काफी पीछे रहे, जिसमें Quantum-NoEnt 87.52% पर और Quantum-Ent 88.16% पर था। एंटैंगलमेंट ने प्रोडक्ट-स्टेट सर्किट की तुलना में केवल मामूली सुधार प्रदान किया।
CIFAR-10 (Learned Bottleneck): QuatNet ने RealNet के प्रदर्शन का 94.3% बनाए रखा (37.92% बनाम 40.23%)। क्वांटम मॉडल्स ने खराब प्रदर्शन किया (35.10% और 34.92%)।
CIFAR-10 (Frozen ResNet18): समृद्ध फीचर्स के साथ, प्रदर्शन का अंतर बढ़ गया। QuatNet ने RealNet की सटीकता का 97.2% बनाए रखा (45.81% बनाम 47.13%)। इसके विपरीत, Quantum-Ent घटकर 32.46% रह गया, जो नॉन-एंटैंगल्ड वेरिएंट (41.71%) से 9.25 प्रतिशत अंक खराब प्रदर्शन करता है।
स्थिरता और लागत: क्वांटम मॉडल्स ने सीड्स के बीच काफी अधिक वेरिएंस दिखाया और उन्हें ऑर्डर ऑफ मैग्नीट्यूड अधिक कम्प्यूटेशनल समय की आवश्यकता हुई (जैसे, MNIST पर Quantum-Ent के लिए प्रति सीड ~36,000 सेकंड बनाम QuatNet के लिए ~77 सेकंड)। Quantum-Ent ने सैंपल साइज बढ़ने के साथ नॉन-मोनोटोनिक स्केलिंग व्यवहार दिखाया, जबकि QuatNet स्थिर रहा।
सांख्यिकीय महत्व: पांच-सीड MNIST मूल्यांकन पर एक फ्राइडमैन टेस्ट (Friedman test) ने नॉन-रैंडम मॉडल ऑर्डरिंग की पुष्टि की ( $\chi^2 = 12.796, p = 0.0051$ )। पोस्ट-हॉक टेस्ट ने QuatNet बनाम क्वांटम तुलनाओं के लिए बड़े प्रभाव आकार ( $d > 5$ ) दिए।

महत्व और दावे
पेपर निष्कर्ष निकालता है कि क्लासिकल विजन बेंचमार्क्स पर, जिनमें अंतर्निहित क्वांटम संरचना का अभाव है, साझा स्थानीय SU(2) ज्यामिति एक व्यावहारिक क्वांटम लाभ प्रदान करने के लिए पर्याप्त नहीं है। निष्कर्षों से पता चलता है कि:

क्लासिकल विकल्प: क्वाटरनियन नेटवर्क कुशल, स्थिर और पैरामीटर-कुशल क्लासिकल बेसलाइन्स के रूप में कार्य करते हैं जो सिंगल-क्यूबिट क्वांटम गेट्स के समान ही स्थानीय ज्यामितीय संरचना साझा करते हैं, प्रभावी रूप से रियल-वैल्यूड मॉडल्स के साथ "मैच" होते हैं और शैलो VQCs से बेहतर प्रदर्शन करते हैं।
शैलो एंटैंगलमेंट की सीमाएं: अध्ययन किए गए शैलो सर्किट (डेप्थ-3) और मेजरमेंट-लिमिटेड सेटिंग्स के भीतर, एंटैंगलमेंट भरोसेमंद रूप से प्रदर्शन में सुधार नहीं करता है। इसके बजाय, यह ऑप्टिमाइजेशन अस्थिरता और मेजरमेंट-इंड्यूस्ड इंफॉर्मेशन बॉटलनेक्स को बढ़ा सकता है, विशेष रूप से समृद्ध क्लासिकल रिप्रेजेंटेशन के साथ इंटरैक्ट करते समय।
दावों का दायरा: लेखक अपने निष्कर्षों को स्पष्ट रूप से शैलो, मेजरमेंट-लिमिटेड वेरिएशनल सर्किट्स तक सीमित रखते हैं जो क्लासिकल इमेज डेटा पर संचालित होते हैं। वे यह दावा नहीं करते कि क्वांटम मशीन लर्निंग असंभव है या गहरे सर्किट, अलग एंसेट्स (ansatzes), या क्वांटम-नेटिव डेटा लाभ प्रदान नहीं करेंगे। हालांकि, क्लासिकल विजन टास्क पर निकट-अवधि क्वांटम एडवांटेज दावों के विशिष्ट क्षेत्र के लिए, अध्ययन तर्क देता है कि साझा SU(2) ज्यामिति और शैलो एंटैंगलमेंट क्लासिकल समकक्षों पर श्रेष्ठता के लिए पर्याप्त शर्तें नहीं हैं।

द क्वांटम क्वेस्ट एंड द क्लासिकल कॉन्टेंडर (The Quantum Quest and the Classical Contender)

द शोडाउन: मैथ ट्रिक्स वर्सेज क्वांटम ड्रीम्स (The Showdown: Math Tricks vs. Quantum Dreams)

इसी तरह के और पेपर