⚛️ quantum physics

No Free Compression in Quantum Relaxations for Optimization

यह शोध पत्र यह प्रदर्शित करता है कि जबकि क्यूबिट-कुशल क्वांटम रिलैक्सेशन (qubit-efficient quantum relaxations) शास्त्रीय चरों को कम क्यूबिट्स में संकुचित कर सकते हैं, यह संपीड़न अनिवार्य रूप से प्रत्याशा मानों (expectation values) के गारंटीकृत परिमाण को कम करके और प्राप्त होने वाले सहसंबंधों की ज्यामिति को प्रतिबंधित करके संसाधनों के बीच ट्रेड-ऑफ उत्पन्न करता है, जिससे कम्प्यूटेशनल लागत समाप्त होने के बजाय केवल स्थानांतरित हो जाती है।

मूल लेखक: Stuart Hadfield

प्रकाशित 2026-08-27

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Stuart Hadfield

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

उन मशीनों को बनाने की दौड़ में जो आज के कंप्यूटरों के लिए बहुत जटिल समस्याओं को हल कर सकें, वैज्ञानिक लगातार कम भौतिक भागों में अधिक जानकारी समाहित करने की कोशिश कर रहे हैं। क्वांटलैंड कंप्यूटर, जो डेटा को प्रोसेस करने के लिए उप-परमाणु दुनिया के विचित्र नियमों का उपयोग करते हैं, विशेष रूप से ऐसा करने के लिए उत्सुक हैं। वर्तमान में, क्वांटम कंप्यूटर से किसी पहेली को हल करने के लिए पूछने का सबसे सामान्य तरीका यह है कि पहेली के प्रत्येक टुकड़े को अपने स्वयं के छोटे कण को सौंपा जाए, जिसे क्वबिट (qubit) के रूप में जाना जाता है। यदि किसी समस्या में एक हजार चर (variables) हैं, तो मशीन को एक हजार क्वबिट की आवश्यकता होगी। यह एक बाधा उत्पन्न करता है: जो समस्याएं हम हल करना चाहते हैं वे विशाल हैं, लेकिन जो मशीनें हम आज बना सकते हैं वे छोटी हैं। इस अंतर को पाटने के लिए, शोधकर्ताओं ने 'कंप्रेशन' (compression) नामक एक चतुर तकनीक विकसित की है। प्रत्येक चर को अपना स्वयं का घर देने के बजाय, वे मशीन के सटीक अवस्था के बजाय उसके औसत व्यवहार को देखकर एक ही क्वबिट में कई चरों को पैक करने का प्रयास करते हैं। यह कुछ हद तक एक पूरी लाइब्रेरी को एक ही कमरे में फिट करने जैसा है, जहाँ किताबों को भौतिक वस्तुओं के रूप में नहीं, बल्कि प्रकाश और छाया के एक जटिल पैटर्न के रूप में संग्रहीत किया जाता है जो उनकी सामग्री का प्रतिनिधित्व करता है। उम्मीद यह रही है कि इस कंप्रेशन से हमें सही उत्तर खोजने की क्षमता खोए बिना छोटी मशीनों पर विशाल समस्याओं से निपटने में मदद मिलेगी।

स्टुअर्ट हैडफील्ड का एक नया अध्ययन इस बात की जांच करता है कि क्या इस कंप्रेशन के साथ कोई छिपा हुआ मूल्य (price tag) भी आता है। यह शोध सूचना को पैक करने की एक विशिष्ट, अत्यधिक कुशल विधि पर केंद्रित है जो 'माजोराना फर्मियन्स' (Majorana fermions) नामक कणों के गणितीय गुणों पर निर्भर करती है। इस दृष्टिकोण में, क्वबिट की एक छोटी संख्या वाले क्वांटम मशीन का उपयोग बड़ी संख्या में निर्णय चरों (decision variables) का प्रतिनिधित्व करने के लिए किया जाता है। शोधकर्ताओं ने एक मौलिक प्रश्न पूछा: यदि आप इतनी अधिक जानकारी को इतने छोटे स्थान में दबाते हैं, तो क्या होता है? शोध का केंद्र यह था कि क्या मशीन अभी भी प्रत्येक चर के लिए "हाँ" और "ना" के बीच अंतर स्पष्ट रूप से बता सकती है, या क्या संकेत (signal) इतना धुंधला हो जाएगा कि उसे पढ़ना कठिन हो जाए।

अध्ययन से पता चलता है कि जबकि कंप्रेशन जगह बचाता है, यह काम करने की लागत को समाप्त नहीं करता है; यह केवल उस लागत को प्रक्रिया के एक अलग हिस्से में स्थानांतरित कर देता है। शोधकर्ताओं ने पाया कि जब आप एक छोटे क्वांटम सिस्टम में बड़ी संख्या में चरों को पैक करते हैं, तो प्रत्येक व्यक्तिगत चर के लिए संकेत की शक्ति कमजोर हो जाती है। सबसे खराब स्थितियों में, जिन्हें शोधकर्ताओं ने अपरिहार्य सिद्ध किया है, संकेत इतना धुंधला हो जाता है कि वह सीधे सिस्टम के आकार के अनुपात में सिकुड़ जाता है। यदि आप उन चरों की संख्या को दोगुना कर देते हैं जिन्हें आप फिट करने की कोशिश कर रहे हैं, तो प्रत्येक के लिए संकेत की स्पष्टता आधी रह जाती है। यह एक महत्वपूर्ण खोज है क्योंकि यह दर्शाता है कि क्वांटम सिस्टम की ज्यामिति स्वयं एक कठोर सीमा निर्धारित करती है कि कितनी जानकारी को स्पष्ट रूप से पहचाना जा सकता है।

इसके अलावा, यह शोध पत्र प्रदर्शित करता है कि यह सीमा ऐसी नहीं है जिसे अधिक जटिल या विलक्षण क्वांटमान अवस्थाओं (exotic quantum states) का उपयोग करके ठीक किया जा सके। शोधकर्ताओं ने दिखाया कि भले ही आप उपलब्ध सबसे उन्नत, गैर-मानक क्वांटम अवस्थाओं का उपयोग करें, वे पहले से मौजूद सरल, मानक अवस्थाओं की तुलना में अधिक मजबूत संकेत नहीं बना सकती हैं। संभावित उत्तरों का "आकार" कंप्रेशन पद्धति के अपने नियमों द्वारा निर्धारित होता है। इसका अर्थ यह है कि यह कोई अस्थायी इंजीनियरिंग बाधा नहीं है जिसे बेहतर हार्डवेयर हल कर देगा, बल्कि यह सूचना एनकोडिंग का एक मौलिक गुण है। अध्ययन यह भी स्पष्ट करता है कि जबकि कुछ यादृच्छिक, सामान्य समस्याएं अभी भी उचित स्पष्टता के साथ हल की जा सकती हैं, वहां समस्याओं का एक विशिष्ट वर्ग है जहाँ संकेत खतरनाक रूप से कमजोर हो जाता है, जिससे सिस्टम को भौतिक रूप से संभव सीमाओं के बिल्कुल किनारे पर काम करने के लिए मजबूर होना पड़ता है।

चूंकि संकेत बहुत छोटे हो जाते हैं, इसलिए व्यावहारिक परिणाम यह है कि मशीन को परिणाम पढ़ने के लिए बहुत अधिक मेहनत करनी पड़ती है। एक एकल चर के लिए विश्वास के साथ उत्तर निर्धारित करने के लिए, कंप्यूटर को पहले की तुलना में बहुत अधिक बार उसी गणना को चलाने की आवश्यकता हो सकती है। शोधकर्ताओं ने गणना की कि सबसे कठिन मामलों के लिए, एक विश्वसनीय उत्तर प्राप्त करने के लिए मशीन को कितनी बार माप (measurement) को दोहराना होगा, यह उपयोग किए गए क्वबिट्स की संख्या के वर्ग के साथ बढ़ता है। दूसरे शब्दों में, भौतिक भागों की संख्या में बचत, माप की संख्या में भारी वृद्धि के माध्यम प्रकार से चुकाई जाती है। यह व्यापार-ऑफ (trade-off) बताता है कि हालांकि कंप्रक्शन छोटे चिप्स पर बड़ी समस्याओं को फिट करने के लिए एक शक्तिशाली उपकरण है, लेकिन यह कोई मुफ्त उपहार (free lunch) नहीं है। सूचना की लागत खत्म नहीं हुई है; इसे समय और अधिक मापों की आवश्यकता में बदल दिया गया है।

यह कार्य इन निष्कर्षों को व्यापक सूचना सिद्धांत (information theory) के संदर्भ में भी रखता है, यह दिखाते हुए कि ये सीमाएं केवल इस विशिष्ट क्वांटम पद्धति तक सीमित नहीं हैं, बल्कि सूचना को कैसे संग्रहीत और पुनर्प्राप्त किया जा सकता है, इसके लिए एक सामान्य नियम का हिस्सा हैं। हालाँकि, यहाँ अध्ययन की गई विशिष्ट विधि की एक अनूठी ज्यामितीय संरचना है जो सबसे खराब स्थिति को सामान्य नियमों की तुलना में और भी गंभीर बनाती है। शोधकर्ताओं ने सिद्ध किया कि इस विशिष्ट प्रकार के एनकोडिंग के लिए, सबसे खराब संकेत शक्ति क्वबिट्स की संख्या से संबंधित एक गणितीय संबंध द्वारा सटीक रूप से निर्धारित होती है। यह सटीक परिणाम इंजीनियरों और वैज्ञानिकों के लिए एक स्पष्ट बेंचमार्क प्रदान करता है: अब वे सटीक रूप से जानते हैं कि संकेत कितना कमजोर होगा और उत्तर को पुनः प्राप्त करने के लिए कितने अतिरिक्त प्रयास की आवश्यकता होगी।

अंततः, यह शोध पत्र क्वांटम ऑप्टिमाइज़ेशन के क्षेत्र के लिए एक महत्वपूर्ण वास्तविकता की जाँच (reality check) के रूप में कार्य करता है। यह पुष्टि करता है कि जबकि क्वबिट-कुशल एनकोडिंग एक आशाजनक मार्ग है, वे भौतिकी की बाधाओं को जादुई रूप से दूर नहीं करते हैं। भविष्य की चुनौती केवल अधिक क्वबिट वाली मशीनें बनाना नहीं है, बल्कि ऐसे एल्गोरिदम डिजाइन करना है जो इन नई, तंग सीमाओं के भीतर प्रभावी ढंग से काम कर सकें। शोधकर्ता इस बात पर जोर देते हैं कि कंप्रेशन के मूल्य को परिणामों को पढ़ने की बढ़ती कठिनाई के विरुद्ध सावधानीपूर्वक तौला जाना चाहिए। उन लोगों के लिए जो रसद (logistics) या वित्तीय मॉडलिंग जैसी वास्तविक दुनिया की समस्याओं को हल करने के लिए क्वांटम कंप्यूटरों का उपयोग करने की आशा रखते हैं, संदेश स्पष्ट है: समाधान का मार्ग संसाधन लेखांकन के एक अलग प्रकार की मांग कर सकता है, जहाँ मापों की संख्या और संकेत की शक्ति उतनी ही महत्वपूर्ण है जितने कि उपलब्ध क्वबिट्स की संख्या।

तकनीकी सारांश: क्वांटम रिलैक्सेशन के लिए कोई निःशुल्क संपीड़न (No Free Compression) नहीं

समस्या विवरण
क्वांटम अनुकूलन एल्गोरिदम, जैसे कि क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन एल्गोरिदम (QAOA) और क्वांटम एनीलिंग, अक्सर समस्या के आकार और उपलब्ध हार्डवेयर के बीच एक बेमेल (mismatch) का सामना करते हैं। पारंपरिक बाइनरी एनकोडिंग प्रत्येक निर्णय चर (decision variable) के लिए एक क्वबिट आवंटित करती है, जिससे हल करने योग्य समस्या का आकार उपलब्ध क्वबिट्स की संख्या ( $m \approx n$ ) तक सीमित हो जाता है। इसे संबोधित करने के लिए, "क्विबिट-कुशल" (qubit-efficient) एनकोडिंग प्रस्तावित की गई हैं, जहाँ $m$ क्लासिकल बाइनरी वेरिएबल्स को $n$ क्वबिट्स में संकुचित किया जाता है जहाँ $n \ll m$ । ये विधियाँ आमतौर पर वेरिएबल्स को सीधे बिट-टू-क्विबिट मैपिंग के बजाय निर्दिष्ट ऑब्जर्वेबल्स (जैसे कि पाउली स्ट्रिंग्स या मेजरोना ऑपरेटर्स) के एक्सपेक्टेशन वैल्यूज के रूप में निरूपित करने पर निर्भर करती हैं।

यद्यपि ये संकुचित एनकोडिंग रजिस्टर की चौड़ाई में महत्वपूर्ण कमी लाती हैं, लेकिन इस संपीड़न से जुड़े संसाधनों के ट्रेड-ऑफ—विशेष रूप से प्राप्त होने वाले एक्सपेक्टेशन वैल्यूज की ज्यामिति, उनके मानों का परिमाण, और सूचना रिकवरी की लागत—अभी भी पूरी तरह से अज्ञात हैं। यह शोध जांचता है कि क्या "निःशुल्क" संपीड़न मौजूद है या क्या क्वबिट की संख्या में कमी अनिवार्य रूप से अन्य भौतिक या सूचना-सैद्धांतिक संसाधनों की लागत को बढ़ा देती है।

कार्यप्रणाली (Methodology)
लेखक इस समस्या का विश्लेषण तीन अलग-अलग दृष्टिकोणों के माध्यम से करता है, जो विशिष्ट ऑपरेटर ज्योमेट्री से लेकर सामान्य सूचना-सैद्धांतिक सीमाओं तक विस्तृत है:

सटीक मेजरोना ज्यामिति (Exact Majorana Geometry): पेपर "पूर्ण द्विघात-मेजरोना परिवार" (complete quadratic-Majorana family) पर ध्यान केंद्रित करता है, जहाँ $n$ क्वबिट्स पर $2n$ मेजरोना ऑपरेटर्स के युग्म-सहसंबंधों (pairwise correlators) के माध्यम से $m = \binom{2n}{2} \approx 2n^2$ बाइनरी वेरिएबल्स को एनकोड किया जाता है। लेखक "यूनिवर्सल मार्जिन" $\Delta$ को उस न्यूनतम परिमाण के रूप में परिभाषित करता है जिसे प्रत्येक संभावित लक्षित साइन असाइनमेंट (बिट स्ट्रिंग) के लिए एक निर्धारित चिह्न के साथ गारंटी दी जा सकती है। लेखक स्पेक्ट्रल ग्राफ थ्योरी का उपयोग करता है, विशेष रूप से इन ऑपरेटर्स के कोवेरिएंस मैट्रिसेस को टूर्नामेंट मैट्रिसेस से जोड़कर, एक सटीक विश्लेषणात्मक सीमा प्राप्त करने के लिए।
गौसियन पूर्णता (Gaussian Completeness): लेखक यह जांचता है कि क्या गैर-गौसियन क्वांटम अवस्थाएं (एंटैंगल्ड या इंटरैक्टिंग) फर्मीओनिक गौसियन (फ्री-फर्मियन) अवस्थाओं की तुलना में प्राप्त होने वाले दो-बिंदु सहसंबंधों (two-point correlations) के सेट को विस्तारित कर सकती हैं। वह मेजरोना ऑपरेटर्स के कोवेरिएंस बॉडी (स्पेक्ट्राहेड्रॉन) के गुणों का उपयोग करता है।
सामान्य सूचना-सैद्धांतिक सीमाएं (General Information-Theoretic Bounds): विशिष्ट ऑपरेटर संरचनाओं से स्वतंत्र बेसलाइन स्थापित करने के लिए, यह पेपर क्वांटम रैंडम एक्सेस कोड (QRAC) सिद्धांत को लागू करता है। यह किसी भी निश्चित बाइनरी ऑब्जर्वेबल परिवार के लिए यूनिवर्सल मार्जिन पर सीमा निर्धारित करता है और विश्वसनीय रैंडम एक्सेस डिकोडिंग के लिए क्वबिट चौड़ाई ( $n$ ) और अवस्था की प्रतियों की संख्या ( $N$ ) के बीच संबंध स्थापित करने के लिए नायक (Nayak) के बाउंड का उपयोग करता है।

मुख्य योगदान और परिणाम

मेजरोना एनकोडिंग के लिए सटीक यूनिवर्सल मार्जिन:
पेपर सिद्ध करता है कि $n$ क्वबिट्स पर पूर्ण द्वि क्वाड्रेटिक-मेजरोना परिवार के लिए, यूनिवर्सल मार्जिन सटीक रूप से है:
$\Delta_{\text{Maj}}(n) = \tan\left(\frac{\pi}{4n}\right) \sim \frac{\pi}{4n} = \Theta(1/n)$
यह परिणाम "ट्रांजिटिव टूर्नामेंट" के समकक्ष सबसे खराब स्थिति वाले साइन पैटर्न की पहचान करके प्राप्त किया गया है। जबकि विशिष्ट रैंडम साइन पैटर्न $\Theta(1/\sqrt{n})$ का मार्जिन बनाए रखते हैं, वर्स्ट-केस स्केलिंग सख्ती से $\Theta(1/n)$ है। यह जेनेरिक सूचना-सैद्धांतिक अपेक्षाओं की तुलना में पैरामीट्रिक रूप से अधिक तीव्र क्षय (decay) का प्रतिनिधित्व करता है।
दो-बिंदु रिलैक्सेशन की गौसियन पूर्णता:
लेखक प्रदर्शित करता है कि अनिश्चित घनत्व ऑपरेटर (density operators) और फर्मीओनिक गौसियन अवस्थाएं बिल्कुल समान प्राप्त द्विघात-मेजरोना कोवेरिएंस मैट्रिसेस (कोवेरिएंस बॉडी) उत्पन्न करती हैं। फलस्वरूप, गैर-गौसियन संसाधन (जैसे एंटैंगलमेंट या इंटरैक्शन) प्राप्त दो-बिंदु एक्सपेक्टेशन वैल्यूज के सेट को बड़ा नहीं कर सकते हैं। इसका तात्पर्य है कि इन सहसंबंधों में रैखिक उद्देश्यों के लिए, गौसियन अवस्थाओं पर सेमीडेफिनेट प्रोग्रामिंग (SDP) इष्टतम रिलैक्सेशन खोजने के लिए पर्याप्त है, और गैर-गौसियन जानकारी तक पहुँचने के लिए उच्च-क्रम सहसंबंधों की आवश्यकता होती है।
सामान्य सूचना-सैद्धांतिक बेसलाइन:
$n$ क्वबिट्स पर $m$ बाइनरी ऑब्जर्वेबल्स के किसी भी निश्चित परिवार के लिए, यूनिवर्सल मार्जिन $\delta$ इस प्रकार सीमित है:
$\delta \leq \sqrt{\frac{2 \ln 2 \cdot n}{m}}$
यह पुष्टि करता है कि कोई भी निश्चित ऑब्सेर्वेबल परिवार निरंतर मार्जिन बनाए नहीं रख सकता है यदि $m$ , $n$ के सुपर-लीनियर रूप में बढ़ता है (अर्थात, $n = o(m)$ )। इसके अलावा, अवस्था की $N$ प्रतियों से अनिश्चित रैंडम-एक्सेस डिकोडिंग के लिए, सफलता की प्रायिकता $p > 1/2$ के साथ, विड्थ-कॉपी उत्पाद को $nN = \Omega(m)$ संतुष्ट करना चाहिए।
परिचालन परिणाम ("नो फ्री लंच"):
घटते मार्जिन के कारण बाइनरी आउटपुट को पुनः प्राप्त करने के लिए नॉनलीन डिकोडर्स (जैसे, $z_i = \tanh(\alpha \langle A_i \rangle)$ ) में एक रीस्केलिंग पैरामीटर $\alpha$ की आवश्यकता होती है। मेजरोना मामले के लिए, एक निश्चित डिकोडेड परिमाण बनाए रखने के लिए $\alpha = \Omega(n)$ होना चाहिए। इससे आइसोलेटेड कोऑर्डिनेट्स के लिए एक सिंगल-कोऑर्डिनेट साइन रिकवरी लागत $N = \Theta(n^2)$ शॉट्स (या कॉपियों) की आवश्यकता होती है। इस प्रकार, क्वबिट की बचत को उच्च माप रिज़ॉल्यूशन, मजबूत नॉनलीन रीस्केलिंग, या बढ़े हुए शॉट बजट की आवश्यकता द्वारा संतुलित किया जाता है।

महत्व और दावे
पेपर का दावा है कि यह एक विशिष्ट, अत्यधिक संकुचित क्वांटम एनकोडिंग (पूर्ण द्वि-क्वाड्रेटिक-मेजरोना परिवार) के लिए वर्स्ट-केस मार्जिन का पहला सटीक लक्षण वर्णन प्रदान करता है, जो $\Theta(1/n)$ की बाधा को प्रकट करता है जो ऑपरेटर ज्योमेट्री के लिए विशिष्ट है।

लेखक इस बात पर जोर देता है कि यद्यपि संपीड़न "विफल" नहीं होता है, लेकिन यह "निःशुल्क" भी नहीं है। क्वबिट रजिस्टर की चौड़ाई में कमी पुनः प्रकट होती है:

प्रतिबंधित ज्यामिति: प्राप्त होने वाले एक्सपेक्टेशन वैल्यूज एक विशिष्ट कोवेरिएंस बॉडी के भीतर सीमित हैं जिसे गैर-गौसियन अवस्थाओं द्वारा विस्तारित नहीं किया जा सकता है।
घटता परिमाण: वर्स्ट-केस कोरिलेटर मैग्नीट्यूड क्वबिट्स की संख्या के व्युत्क्रमानुपाती (inversely) रूप से घटते हैं।
बढ़ती रिकवरी लागत: इन छोटे मानों को डिकोड करने के लिए या तो एक रीस्केलिंग पैरामीटर की आवश्यकता होती है जो $n$ के साथ रैखिक रूप से बढ़ता है या आइसोलेटेड कोऑर्डिनेट्स के लिए $n^2$ के रूप में बढ़ने वाले शॉट बजट की आवश्यकता होती है।

यह कार्य निष्कर्ष निकालता है कि क्वांटम अनुकूलन संसाधनों का मूल्यांकन केवल रजिस्टर की चौड़ाई के बजाय क्वबिट काउंट, प्राप्त मार्जिन, डिकोडिंग नियम और शॉट बजट के समग्र मूल्यांकन के माध्यम से किया जाना चाहिए। परिणाम उन लागतों के बीच अंतर करते हैं जो संपीड़न के रूप में सामान्य हैं (सूचना-सैद्धांतिक सीमाएं) और वे जो मेजरोना ज्योमेट्री के लिए विशिष्ट हैं (सटीक मार्जिन प्रमेय)।

इसी तरह के और पेपर