⚛️ quantum physics

Ancilla-mediated fixed-point quantum search using Grover iterations

यह शोधपत्र एक एंसिला-मध्यस्थता (ancilla-mediated) फिक्स्ड-पॉइंट क्वांटम सर्च एल्गोरिदम प्रस्तुत करता है जो कम से कम 92.6% सफलता की प्रायिकता और $\mathcal{O}(\sqrt{N/M})$ क्वेरी जटिलता के साथ समाधान पर मजबूती से अभिसरित होने के लिए ग्रोवर के रियल-प्लेन रिफ्लेक्शंस का उपयोग करता है, जो सटीक इटरेशन ट्यूनिंग की आवश्यकता के बिना अज्ञात समाधान गणनाओं के कारण उत्पन्न होने वाली "सूफ़्ले समस्या" (soufflé problem) को प्रभावी ढंग से हल करता है।

मूल लेखक: Yash Prabhat, Snigdha Thakur, Ankur Raina

प्रकाशित 2026-09-01

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yash Prabhat, Snigdha Thakur, Ankur Raina

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

आधुनिक कंप्यूटिंग के विशाल परिदृश्य में, एक निरंतर चुनौती बनी हुई है: डेटा के एक विशाल, अव्यवस्थित संग्रह के भीतर छिपी किसी एक विशिष्ट वस्तु को खोजना। एक ऐसी लाइब्रेरी की कल्पना करें जहाँ लाखों पुस्तकें हैं और किसी विशिष्ट शीर्षक को खोजने का एकमात्र तरीका उन्हें एक-एक करके शेल्फ से उतारना है। क्लासिकल कंप्यूटर, जो हमारे दैनिक जीवन को संचालित करते हैं, इसी रैखिक पथ का अनुसरण करते हैं, लक्ष्य मिलने तक एक के बाद एक वस्तुओं की जाँच करते हैं। क्वांटम कंप्यूटिंग, जो उप-परमाणु दुनिया के विचित्र नियमों का लाभ उठाती है, एक अलग दृष्टिकोण प्रदान करती है। एक साथ कई अवस्थाओं में मौजूद कणों का उपयोग करके, क्वांटम मशीनें कई संभावनाओं को एक साथ तलाश सकती हैं। इस क्षेत्र के सबसे प्रसिद्ध उपकरणों में से एक 'ग्रोवर सर्च' (Grover's search) नामक एल्गोरिदम है। यह एक शक्तिशाली आवर्धक लेंस (magnifying glass) की तरह कार्य करता है, जिससे एक क्वांटम कंप्यूटर लाखों के डेटाबेस में लक्ष्य को उन प्रयासों से कहीं कम बार में खोज सकता है जिनकी एक क्लासिकल मशीन को आवश्यकता होगी, प्रभावी रूप से एक ऐसे कार्य को जो वर्षों का समय लेता है, कुछ ही क्षणों के कार्य में बदल देता है।

हालाँकि, इस क्वांटवेयर आवर्धक लेंस में एक नाजुक दोष है। पूर्ण रूप से कार्य करने के लिए, एल्गोरिदम को बिल्कुल सही क्षण पर रोका जाना चाहिए। यदि कंप्यूटर खोज प्रक्रिया को थोड़े से भी अधिक समय के लिए चलाता है, तो सही उत्तर खोजने की संभावना तेजी से गिर जाती है, ठीक वैसे ही जैसे एक अत्यधिक पका हुआ सूफ़ले (soufflé) ढह जाता है। यह समस्या तब विशेष रूप से कठिन हो जाती है जब उपयोगकर्ता को यह नहीं पता होता कि डेटाबेस में कितने सही उत्तर मौजूद हैं। यह नहीं जानने कि कुल लक्ष्यों की संख्या क्या है, सफलता के शिखर पर रुकने के लिए आवश्यक चरणों की सटीक संख्या की गणना करना असंभव बना देता है। इस अनिश्चितता ने लंबे समय से वास्तविक दुनिया के परिदृश्यों में क्वांटम खोज के व्यावहारिक उपयोग को सीमित कर दिया है, जहाँ डेटा अव्यवस्थित और अधूरा होता है।

भारतीय विज्ञान शिक्षा और अनुसंधान संस्थान, भोपाल के शोधकर्ताओं की एक टीम ने इस समस्या को हल करने के लिए एक नया तरीका विकसित किया है। उन्होंने एक ऐसा खोज एल्गोरिदम बनाया है जिसे न तो समाधानों की सटीक संख्या जानने की आवश्यकता है और न ही चरणों को पूरी सटीकता के साथ गिनने की। खोज को पूरी तरह से समयबद्ध करने के बजाय, उनका दृष्टिकोण एक विशेष सहायक कण (helper particle) का उपयोग करता है, जिसे 'एनसिला' (ancilla) के रूप में जाना जाता है, जो एक अंतर्निहित सफलता संकेतक के रूप में कार्य करता है। यह सहायक कण मुख्य डेटा से जुड़ा होता है लेकिन इसकी स्वतंत्र रूप से जाँच की जा सकती है। शोधकर्ताओं ने एक ऐसी प्रक्रिया डिजाइन की है जहाँ कंप्यूटर बार-बार इस सहायक की जाँच करता है। यदि जाँच विफल होती है, तो सिस्टम क्रैश नहीं होता या अपनी प्रगति नहीं खोता; इसके बजाय, यह एक ज्ञात अवस्था में रीसेट हो जाता है और फिर से प्रयास करता है, प्रत्येक प्रयास के साथ सफलता की संभावना को धीरे-धीरे बढ़ाता है। यह सफलता के जोखिम भरे उछाल के बजाय उत्तर की ओर एक स्थिर, विश्वसनीय चढ़ाई बनाता है।

इनका मूल नवाचार इस बात में निहित है कि वे खोज प्रक्रिया को कैसे संभालते हैं। "ओवर-कुकिंग" (अत्यधिक पकाने) की समस्या को ठीक करने के पिछले प्रयासों में क्वांटम अवस्थाओं के आंतरिक चरणों (phases) में जटिल समायोजन शामिल थे, जिसमें अक्सर अतिरिक्त चरणों की आवश्यकता होती थी और इससे प्रक्रिया धीमी हो जाती थी। हालाँकि, नया तरीका क्लासिक ग्रोवर एल्गोरिदम के मूल ज्यामितीय आंदोलनों पर ही टिका रहता है। यह उन्हीं मौलिक परावर्तनों (reflections) का उपयोग करता है जो मूल खोज को तेज़ बनाते हैं, लेकिन इसमें सुरक्षा की एक परत जोड़ देता है। खोज परिणामों को सहायक कण पर मैप करके, शोधकर्ता यह माप सकते हैं कि समाधान मिल गया है या नहीं, बिना मुख्य डेटा में संग्रहीत नाजुक क्वांटम जानकारी को नष्ट किए। यदि सहायक संकेत विफल होने का संकेत देता है, तो सिस्टम बस जारी रहता है, उस जानकारी को सुरक्षित रखते हुए जिसकी पुनः प्रयास करने के लिए आवश्यकता होती है। यह एल्गोरिदम को तब तक चलने की अनुमति देता है जब तक कि वह बहुत उच्च स्तर की निश्चितता के साथ उत्तर न खोज ले, चाहे डेटा में कितने भी समाधान छिपे हों।

शोधकर्ताओं ने विस्तृत गणितीय विश्लेषण और सिमुलेशन के माध्यम से अपने सिद्धांत का परीक्षण किया। उन्होंने पाया कि यह नया दृष्टिकोण कम से कम 92.6 प्रतिशत की सफलता दर की गारंटी देता है, यहाँ तक कि उन सबसे खराब स्थितियों में भी जहाँ समाधानों की संख्या अज्ञात है। यह पिछले तरीकों की तुलना में एक महत्वपूर्ण सुधार है, जिन्हें या तो समाधानों की सटीक संख्या जानने की आवश्यकता थी या अनिश्चितता के कारण कम सफलता दर का सामना करना पड़ता था। इसके अलावा, यह विधि मूल ग्रोवर एल्गोरिदम के समान गति लाभ को बनाए रखती है। जबकि पुराने 'फिक्स्ड-पॉइंट' (fixed-point) तरीकों को समान विश्वसनीयता प्राप्त करने के लिए लगभग छह गुना अधिक चरणों की आवश्यकता होती थी, यह नई तकनीक उन चरणों के साथ उच्च सफलता दर प्राप्त करती है जो केवल डेटाबेस के आकार के वर्गमूल (square root) के साथ बढ़ते हैं। इसका अर्थ है कि जैसे-जैसे डेटाबेस बड़ा होता जाता है, खोज कुशल और तेज़ बनी रहती है, जिससे उन धीमेपन से बचाव होता है जो पहले के मजबूत खोज प्रयासों में बाधा डालते थे।

इस कार्य के निहितार्थ क्वांटम कंप्यूटिंग के भविष्य के लिए व्यावहारिक और तत्काल हैं। डेटा की सटीक जानकारी की आवश्यकता को हटाकर, यह एल्गोरिदम क्वांटम खोज को वास्तविक दुनिया के अनुप्रयोगों के लिए बहुत अधिक उपयोगी बनाता है, जहाँ डेटा अक्सर अधूरा या अप्रत्याशित होता है। शोधकर्ताओं ने प्रदर्शित किया कि उनका तरीका दस अरब प्रविष्टियों वाले डेटाबेस के लिए भी कुशलतापूर्वक काम करता है, जो आधुनिक डेटा चुनौतियों के लिए एक प्रासंगिक पैमाना है। इसका डिज़ाइन वर्तमान क्वांटम हार्डवेयर पर कार्यान्वित करने के लिए भी सरल है क्योंकि यह अन्य तरीकों के लिए आवश्यक जटिल चरण समायोजनों से बचता है, जिससे क्वांटम अवस्थाओं की नाजुक प्रकृति के कारण होने वाली त्रुटियों का जोखिम कम हो जाता है। यह कार्य क्वांटम खोज की सैद्धांतिक गति और विश्वसनीयता की व्यावहारिक आवश्यकता के बीच के अंतर को पाटता है, जिससे एक ऐसा मार्ग प्रशस्त होता है जहाँ क्वांटम कंप्यूटर अज्ञात डेटासेट को आत्मविश्वास और सटीकता के साथ खोज सकते हैं।

तकनीकी सारांश: एंसिला-मध्यस्थता वाला फिक्स्ड-पॉइंट क्वांटम सर्च (एंसिला-मिडिएटेड फिक्स्ड-पॉइंट क्वांटम सर्च) ग्रोवर इटरेशन का उपयोग करके

समस्या विवरण
ग्रोवर का क्वांटम सर्च एल्गोरिदम अनस्ट्रक्चर्ड डेटासेट में चिह्नित आइटम्स को खोजने के लिए क्लासिकल लीनियर सर्च ( $O(N/M)$ ) की तुलना में एक क्वाड्रेटिक स्पीडअप ( $O(\sqrt{N/M})$ ) प्रदान करता है। हालांकि, मानक एल्गोरिदम "सुफ़ले समस्या" (soufflé problem) से ग्रस्त है: इसकी सफलता की संभावना एक साइनुसोइडल वक्र (sinusoidal curve) का अनुसरण करती है, जिसके लिए समाधान खोजने की संभावना को अधिकतम करने हेतु सटीक संख्या में इटरेशन की आवश्यकता होती है। यदि समाधान अवस्थाओं की संख्या ( $M$ ) अज्ञात है, तो ओवर-रोटेशन या अंडर-रोटेशन होने पर सफलता की संभावना में भारी गिरावट आती है। जबकि कई मौजूदा विधियाँ जटिल फेज-मैचिंग तकनीकों (जैसे $\pi/3$ फेज शिफ्ट) या रैंडमाइज्ड ट्रायल-एंड-एरर दृष्टिकोणों (जैसे बॉयर एट अल.) पर निर्भर करती हैं, जो उच्च क्वेरी ओवरहेड या ग्रोवर के मूल एल्गोरिदम की सहज ज्यामितीय संरचना को खो सकती हैं।

कार्यप्रणाली (Methodology)
लेखक एक एंसिला-मध्यस्थता वाला फिक्स्ड-पॉइंट क्वांटम सर्च एल्गोरिदम प्रस्तावित करते हैं जो ग्रोवर के मूल एल्गोरिदम की ज्यामितीय रिफ्लेक्शन आर्किटेक्चर को बनाए रखता है, जबकि $M$ के सटीक ज्ञान के बिना मजबूत अभिसरण (convergence) प्राप्त करता है।

एंसिला-मिडिएटेड आर्किटेक्चर: सिस्टम $n$ डेटा क्विबिट्स और एक एकल एंसिला क्विबिट का उपयोग करता है। एल्गोरिदम $\{|0_a\rangle|R\rangle, |0_a\rangle|S\rangle, |1_a\rangle|R\rangle, |1_a\rangle|S\rangle\}$ द्वारा स्पैन किए गए चार-आयामी इनवेरिएंट सबस्पेस के भीतर कार्य करता है, जहाँ $|S\rangle$ समाधान सबस्पेस और $|R\rangle$ गैर-समाधान सबस्पेस का प्रतिनिधित्व करता है।
फिक्स्ड-पॉइंट ऑपरेटर ( $\hat{F}(\theta)$ ): आकर्षण बेसिन (attraction basins) बनाने के लिए फेज गेट्स का उपयोग करने के बजाय, लेखक एक यूनिटरी ऑपरेटर $\hat{F}(\theta)$ $\hat{F} (θ)$ को परिभाषित करते हैं जो ग्रोवर के मूल रिफ्लेक्शन ऑपरेशंस (ओरेकल $\hat{O}$ $\hat{O}$ , स्टेट प्रिपरेशन $\hat{P}$ $\hat{P}$ , और उनके एडजॉइंट्स) से निर्मित है।
- यह ऑपरेटर डेटा क्विबिट्स के सॉल्यूशन एम्प्लीट्यूड को एंसिला क्विबिट की अवस्था $|1_a\rangle$ में मैप करता है।
- महत्वपूर्ण रूप से, यदि एंसिला को $|0_a\rangle$ के रूप में मापा जाता है (विफलता), तो सिस्टम एक रैंडम स्टेट में कोलैप्स नहीं होता है, बल्कि एक सुसंगत सुपरपोजिशन $|0_a\rangle(\cos(2\theta)|R\rangle + \sin(2\theta)|S\rangle)$ में रीसेट हो जाता है। यह प्रारंभिक अवस्था की जानकारी (जो कोण $2\theta$ में एनकोडेड है) को सुरक्षित रखता है, जिससे खोज को केवल रीस्टार्ट करने के बजाय एक ज्ञात अवस्था से जारी रखा जा सकता है।
डिटरमिनिस्टिक शेड्यूल: एल्गोरिदम इटरेशन के एक डिटरमिनिस्टिक ज्यामितीय शेड्यूल का उपयोग करता है। यह $j = 0, 1, \dots, a-1$ द्वारा इंडेक्स किए गए चेक का एक क्रम निष्पादित करता है। प्रत्येक चरण $j$ पर, अवस्था को पहले $g_j$ ग्रोवर इटरेशन द्वारा प्रवर्धित (amplify) किया जाता है (जहाँ $g_j$ एक डबलिंग शेड्यूल $0, 0, 1, 3, 7, \dots$ का पालन करता है), और फिर फिक्स्ड-पॉइंट चेक के अधीन किया जाता है।
मापन और समाप्ति (Measurement and Termination): प्रवर्धन के बाद, फिक्स्ड-पॉइंट ऑपरेटर लागू किया जाता है, और एंसिला को मापा जाता है।
- यदि $|1_a\rangle$ देखा जाता है, तो डेटा क्विबिट्स समाधान अवस्था $|S\rangle$ में कोलैप्स हो गए हैं, और खोज समाप्त हो जाती है।
- यदि $|0_a\rangle$ देखा जाता है, तो प्रक्रिया अगले शेड्यूल वाले इटरेशन के साथ दोहराई जाती है, जो समाधान एम्प्लीट्यूड को और अधिक बढ़ाने के लिए संरक्षित कोण $2\theta$ का उपयोग करती है।

प्रमुख योगदान

ज्यामितीय विशिष्टता: फेज-मैचिंग फिक्स्ड-पॉइंट विधियों (जैसे योडर एट अल., ली एट अल.) के विपरीत, जो फेज गेट्स की आवश्यकता रखते हैं, यह विधि ग्रोवर के मूल रियल-प्लेन रिफ्लेक्शंस का उपयोग करती है। यह मूल एल्गोरिदम की सहज ज्यामितीय संरचना को बनाए रखता है।
क्वेरी दक्षता: प्रस्तावित विधि को फिक्स्ड-पॉइंट ऑपरेटर $\hat{F}(\theta)$ के प्रत्येक अनुप्रयोग के लिए एक ओरेकल कॉल की आवश्यकता होती है। हालांकि, प्रति चेक कुल क्वेरी लागत पूर्ववर्ती ग्रोवर एम्प्लीफिकेशन स्टेप्स ( $g_j$ ) सहित होती है, जहाँ प्रत्येक एम्प्लीफिकेशन स्टेप भी एक ओरेकल कॉल है। यह मौजूदा फेज-मैचिंग फिक्स्ड-पॉइंट स्कीम्स के विपरीत है जिन्हें अभिसरण प्राप्त करने के लिए अक्सर प्रति इटरेशन दो ओरेकल कॉल की आवश्यकता होती है, जो प्रभावी रूप से फिक्स्ड-पॉइंट तंत्र से जुड़े गेट डेप्थ को आधा कर देता है और निकट-अवधि (near-term) हार्डवेयर पर डिकोहेरेंस प्रभाव को कम करता है।
रैंडमाइजेशन के बिना मजबूती: एल्गोरिदम एक डिटरमिनिस्टिक टर्मिनेशन शेड्यूल और एक गारंटीकृत सफलता फ्लोर (success floor) प्रदान करता है, जो BBHT जैसे रैंडमाइज्ड दृष्टिकोणों से अलग है जो संभाव्य स्टॉपिंग नियमों पर निर्भर करते हैं।
एंसिला एक सफलता फ्लैग के रूप में: एंसिला शुद्ध रूप से एक मापने योग्य सफलता फ्लैग के रूप में कार्य करता है। यदि परिणाम नेगेटिव है, तो इसे मापने से डेटा क्विबिट्स की कोहेरेंस नष्ट नहीं होती है, जिससे पुनरावृत्त परिशोधन (iterative refinement) संभव होता है।

परिणाम और प्रदर्शन

सफलता की संभावना: लेखक सिद्ध करते हैं कि यह एल्गोरिदम अज्ञात समाधानों की संख्या $M$ के बावजूद सफलता की संभावना पर 92.6% ($0.9259$) का एक कठोर निचला स्तर (lower bound) प्राप्त करता है। यह बॉउंड सबसे खराब स्थिति (worst-case scenario) से प्राप्त किया गया है जहाँ मापन कोण अंतराल $[\pi/4, \pi/2)$ के भीतर आते हैं।
क्वेरी कॉम्प्लेक्सिटी:
- $\ge 92.6\%$ सफलता की संभावना प्राप्त करने के लिए सबसे खराब मामले की क्वेरी कॉम्प्लेक्सिटी $O(\pi\sqrt{N/M})$ है।
- अपेक्षित ओरेकल कॉल्स की संख्या लगभग $O(\sqrt{N/M})$ है।
- $N=10^{10}$ के लिए संख्यात्मक सिमुलेशन लगभग 95% की अपेक्षित सफलता की संभावना दिखाते हैं, जिसकी अपेक्षित क्वेरी कॉम्प्लेक्सिटी इष्टतम ग्रोवर इटरेशन काउंट के तुल्य है (विशेष रूप से, अपेक्षित लागत $\approx 1.33 \times \epsilon$ है, जहाँ $\epsilon$ ज्ञात $M$ के लिए इष्टतम इटरेशन काउंट है)।
तुलना: यह विधि ली एट अल. के फिक्स्ड-पॉइंट एल्गोरिदम (जिसकी क्वेरी कॉम्प्लेक्सिटी $O(5.643\sqrt{N/M})$ है) की तुलना में स्थिरांक कारक (constant factor) के मामले में बेहतर प्रदर्शन करती है, जबकि समान क्वाड्रेटिक स्पीडअप बनाए रखती है।

महत्व
यह शोध पत्र दावा करता है कि यह अज्ञात $M$ के साथ अनस्ट्रक्चर्ड सर्च के लिए "सुफ़ले समस्या" को हल करता है, जो इटरेशन की सटीक जानकारी को सफलता की संभावना से अलग करता है। ग्रोवर के मूल रिफ्लेक्शन-आधारित ज्यामिति को एक एंसिला-मिडिएटेड फिक्स्ड-पॉइंट ऑपरेटर के साथ जोड़कर, यह एल्गोरिदम फेज गेट्स के ओवरहेड या रैंडमाइज्ड रणनीतियों की अनिश्चितता के बिना मजबूत अभिसरण प्राप्त करता है। लेखक इस बात पर जोर देते हैं कि यह दृष्टिकोण ग्रोवर के एल्गोरिदम के मुख्य आर्किटेक्चर को बनाए रखते हुए एक डिटरमिनिस्टिक शेड्यूल और एक उच्च सफलता फ्लोर प्रदान करता है, जो इसे निकट-अवधि क्वांटम हार्डवेयर के लिए एक व्यावहारिक उम्मीदवार बनाता है जहाँ गेट डेप्थ और डिकोहेरेंस महत्वपूर्ण बाधाएं हैं। यह कार्य डायनेमिक ऑप्टिमाइजेशन समस्याओं के लिए एडेप्टिव सर्च फ्रेमवर्क में इसके संभावित भविष्य के एकीकरण का भी सुझाव देता है।

इसी तरह के और पेपर