⚛️ quantum physics

Quantum-Enhanced Sampling of Schrödinger Bridges

यह शोध पत्र परिमित अवस्था स्थानों (finite state spaces) पर गतिशील श्रोडिंगर ब्रिज समस्या के लिए एक क्वांटम-संवर्धित ढांचे का प्रस्ताव करता है जो क्रमशः समय क्षितिज (time horizon) पर रैखिक निर्भरता और अवस्था-स्थान के आकार में बेहतर $N^{3/2}$ जटिलता प्राप्त करने के लिए क्वांटम वॉक और एक क्वांटम बॉक्स-प्रतिबंधित न्यूटन विधि का उपयोग करता है, जो शास्त्रीय गिब्स सैंपलिंग और मैट्रिक्स-स्केलिंग दृष्टिकोणों से बेहतर प्रदर्शन करता है।

मूल लेखक: Tom Lollier, Eyal Neuman

प्रकाशित 2026-09-24

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Tom Lollier, Eyal Neuman

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

कणों के एक विशाल बादल की कल्पना करें, जिनमें से प्रत्येक कण सूर्य की किरणों में उड़ते धूल के कणों की तरह बेतरतीब ढंग से घूम रहा है। यदि आप इस बादल का शुरुआत में और अंत में एक स्नैपशॉट लेते हैं, तो आप अक्सर यह अनुमान लगा सकते हैं कि उन दो क्षणों के बीच कण कैसे चले होंगे। लेकिन क्या होगा यदि अंतिम स्नैपशॉट उस रूप में अलग दिखता है जो स्वाभाविक रूप से यादृच्छिक गति (random motion) से उत्पन्न होता? शायद कणों को किसी अदृश्य हाथ द्वारा निर्देशित किया गया था, या शायद वातावरण बदल गया जिसने उन्हें एक विशिष्ट पैटर्न में ढलने के लिए मजबूर किया। यह प्रश्न कि उन कणों ने उस विशिष्ट, अप्रत्याशित अंत तक पहुँचने के लिए सबसे संभावित रूप से कैसे यात्रा की, 'श्रोडिंजर ब्रिज' (Schrödinger bridge) के रूप में जानी जाने वाली एक समस्या के मूल में है। यह एक गणितीय पहेली है जो पूछती है कि एक प्रणाली द्वारा सबसे संभावित पथ क्या है जब उसे एक स्थान से शुरू होकर दूसरे पर समाप्त होना होता है, भले ही इस यात्रा के लिए यादृच्छिक गति के सामान्य नियमों को मोड़ना आवश्यक हो।

यह समस्या केवल एक सैद्धांतिक जिज्ञासा नहीं है; यह आधुनिक तकनीक के लिए एक महत्वपूर्ण उपकरण बन गई है। उदाहरण के लिए, आर्टिफिशियल इंटेलिजेंस की दुनिया में, ये ब्रिज कंप्यूटरों को वास्तविक चित्र बनाने या जटिल जैविक प्रक्रियाओं को सिम्युलेट करने में मदद करते हैं, यह सीखकर कि उस शोर (noise) को कैसे उलट दिया जाए जो आमतौर पर डेटा को धुंधला कर देता है। वित्त (finance) के क्षेत्र में, वे मॉडल बनाने में मदद करते हैं कि शेयर की कीमतें देखे गए बाजार डेटा से मेल खाने के लिए कैसे विकसित हो सकती हैं। हालाँकि, इस पहेली को हल करना अविश्वसनीय रूप से कठिन है। एक प्रणाली द्वारा लिए जा सकने वाले संभावित पथों की संख्या इतनी तेजी से बढ़ती है कि सबसे शक्तिशाली सुपरकंप्यूटर भी सबसे अच्छे मार्ग को खोजने में संघर्ष करते हैं, विशेष रूप से तब जब प्रणाली में कई अलग-अलग अवस्थाएँ और एक लंबी समय सीमा शामिल हो। चुनौती इन पथों को कुशलतापूर्वक नमूना (sample) लेने का एक तरीका खोजने की है, जिसका अर्थ है संभावनाओं के ब्रह्मांड में से सही मार्ग को चुनना बिना ढेर सारे विकल्पों में खोए।

शोधकर्ताओं की एक टीम ने इस कठिनाई से निपटने के लिए क्वांटम कंप्यूटरों की अनूठी शक्ति का लाभ उठाकर एक नया दृष्टिकोण विकसित किया है। शास्त्रीय कंप्यूटरों की तरह हर संभव पथ की एक-एक करके गणना करने के बजाय, उन्होंने एक विधि डिजाइन की है जो 'क्वांटम वॉक' (quantum walks) का उपयोग करती है। एक क्लासिकल रैंडम वॉक में, एक कण संयोग के आधार पर चरण-दर-चरण चलता है, जैसे कोई नशे में धुत व्यक्ति सड़क पर लड़खड़ा रहा हो। एक क्वांटम वॉक अलग है; यह कण को एक साथ कई पथों का पता लगाने की अनुमति देता है, क्वांटम यांत्रिकी के विचित्र गुणों का उपयोग करके जो सही मार्गों को बढ़ाने और गलत रास्तों को रद्द करने के लिए आपस में हस्तक्षेप (interfere) करते हैं। इस क्वांटम वॉक को शुरुआती और अंतिम बिंदुओं को खोजने की एक तकनीक के साथ जोड़कर, शोधकर्ताओं ने एक ऐसी प्रणाली बनाई है जो इन जटिल प्रक्षेप पथों (trajectories) को पहले से कहीं अधिक तेज़ी से उत्पन्न कर सकती है।

उनकी खोज का मुख्य केंद्र इस समस्या को दो प्रबंधनीय हिस्सों में तोड़ना है। पहला हिस्सा शुरूआती बिंदु और अंतिम बिंदु के बीच सही संबंध खोजने से संबंधित है। शोधकर्ताओं ने इस भाग को हल करने के लिए एक क्वांटम एल्गोरिदम को अनुकूलित किया है, जिससे कंप्यूटर की डेटा को आवश्यक शर्तों के अनुरूप ढालने की गति में सुधार हुआ है। दूसरा हिस्सा उन दो बिंदुओं के बीच की वास्तविक यात्रा को उत्पन्न करने से संबंधित है। यहाँ, उन्होंने एक 'क्वांटम गिब्स सैंपलर' (quantum Gibbs sampler) पेश किया है, जो एक विधि है जो पथ को चरण-दर-चरण अपडेट करने के लिए क्वांटम वॉक का उपयोग करती है। एक क्लासिकल कंप्यूटर में, इस प्रक्रिया के लिए चरणों की संख्या समय क्षितिज (time horizon) के वर्ग के साथ बढ़ती है, जिसका अर्थ है कि समय को दोगुना करने से काम चार गुना बढ़ जाता है। हालाँकि, नई क्वांटम विधि, विशिष्ट विश्लेषण की गई प्रक्रियाओं के लिए, इसे एक रैखिक संबंध (linear relationship) में बदल देती है, जहाँ समय को दोगुना करने पर काम भी केवल दोगुना होता है। यह विशिष्ट मामलों के लिए दक्षता में एक महत्वपूर्ण उछाल है, जो एक ऐसे कार्य को जो वर्षों ले सकता था, दिनों या घंटों में पूरा करने योग्य बना देता है, हालांकि लेखक यह भी नोट करते हैं कि यह सभी संभावित क्लासिकल ब्रिज सैंपलर के लिए बिना शर्त 'क्वाड्रेटिक स्पीडअप' स्थापित नहीं करता है।

शोधकर्ताओं ने यह भी दिखाया कि उनकी विधि तब भी काम करती है जब प्रणाली को कुछ अवस्थाओं से बचना होता है या उनके माध्यम से गुजरने के लिए एक "लागत" (cost) चुकानी होती है, एक ऐसी विशेषता जो इस मॉडल को वास्तविक दुनिया के परिदृश्यों के लिए लागू करने योग्य बनाती है जहाँ कुछ पथ अधिक महंगे या खतरनाक होते हैं। उन्होंने गणितीय रूप से सिद्ध किया कि उनका क्वांटम सैंपलर पथों के सही वितरण (distribution) की ओर अभिसरित (converge) होता है, यह सुनिश्चित करते हुए कि उत्पन्न किए गए प्रक्षेप पथ सांख्यिकीय रूप से सटीक हैं। जबकि यह विधि विशिष्ट शर्तों पर निर्भर करती है, जैसे कि प्रणाली में इसकी संक्रमण संभावनाओं (transition probabilities) का एक निश्चित स्तर का सकारात्मक होना और स्पष्ट एक्सेस धारणाओं को पूरा करना, परिणाम इन विशिष्ट समस्याओं के लिए क्लासिकल दृष्टिकोणों पर एक स्पष्ट लाभ प्रदर्शित करते हैं।

यह कार्य यह दावा नहीं करता है कि यह श्रोडिंगर ब्रिज समस्या के हर मामले को तुरंत हल कर देगा, न ही यह सुझाव देता है कि क्वांटम कंप्यूटर सभी कार्यों के लिए क्लासिकल कंप्यूटरों को बदलने के लिए तैयार हैं। इसके बजाय, यह एक कठोर प्रमाण प्रदान करता है कि इस विशिष्ट श्रेणी की समस्याओं के लिए, क्वांटम एल्गोरिदम पर्याप्त गति प्रदान कर सकते हैं। शोधकर्ताओं ने सावधानीपूर्वक उन स्थितियों का विवरण दिया है जिनके तहत उनकी विधि काम करती है, जिसमें प्रारंभिक अवस्था को तैयार करना और प्रक्रिया के दौरान उत्पन्न होने वाली त्रुटियों को संभालना शामिल है। उन्होंने दिखाया कि संभावित पथों के स्थान का पता लगाने के लिए क्वांटम वॉक का उपयोग करके, और अपने प्रारंभिक सेटअप का सावधानीपूर्वक प्रबंधन करके, वे ऐसे नमूने बना सकते हैं जो बहुत कम त्रुटि मार्जिन के भीतर वास्तविक गणितीय समाधान से अभिन्न (indistinguishable) हैं।

इस निष्कर्ष के निहितार्थ केवल पथों की गणना करने तक ही सीमित नहीं हैं। जटिल स्टोकेस्टिक प्रक्रियाओं (stochastic processes) को उच्च दक्षता के साथ सिम्युलेट करना संभव बनाकर, यह विधि आर्टिफिशियल इंटेलिजेंस में जनरेटिव मॉडल के विकास को गति दे सकती है, वित्तीय जोखिम मॉडल के अंशांकन (calibration) में सुधार कर सकती है, और जैविक प्रणालियों को सिम्युलेट करने की हमारी क्षमता को बढ़ा सकती है। शोधकर्ताओं का कार्य अमूर्त क्वांटम सिद्धांत और व्यावहारिक अनुप्रयोग के बीच एक सेतु के रूप में कार्य करता है, यह दिखाते हुए कि कैसे क्वांटम दुनिया की विचित्रताओं का उपयोग उन समस्याओं को हल करने के लिए किया जा सकता है जो वर्तमान में क्लासिकल मशीनों की पहुंच से बाहर हैं। यह एक ऐसे भविष्य की ओर एक कदम है जहाँ हमारी दुनिया के सबसे जटिल सिमुलेशन को उस गति और सटीकता के साथ चलाया जा सकता है जो पहले अकल्पनीय थी।

तकनीकी सारांश: श्रोडिंगर ब्रिज का क्वांटम-उन्नत सैंपलिंग (Quantum-Enhanced Sampling of Schrödinger Bridges)

समस्या विवरण (Problem Statement)

यह शोध पत्र एक परिमित अवस्था स्थान (finite state space) $\chi$ के आकार $N$ पर डायनेमिक श्रोडिंगर ब्रिज समस्या को संबोधित करता है। एक संदर्भ मार्कोव प्रक्रिया $P$ (ट्रांजिशन कर्नेल $P$ के साथ) और निर्धारित प्रारंभिक एवं अंतिम वितरण $\mu_0$ और $\mu_T$ को देखते हुए, लक्ष्य एक पथ माप (path measure) $Q^*$ खोजना है जो मार्जिनल बाधाओं $Q_0 = \mu_0$ और $Q_T = \mu_T$ के अधीन सापेक्ष एंट्रॉपी (Kullback–Leibler divergence) $KL(Q \| P)$ को न्यूनतम करता है।

इस समस्या को दो विशिष्ट कम्प्यूटेशनल कार्यों में विभाजित किया गया है:

एंडपॉइंट कपलिंग (Endpoint Coupling): एंडपॉइंट्स $(X_0, X_T)$ के इष्टतम संयुक्त वितरण $Q^*_{0,T}$ की गणना करना। यह एक स्टैटिक श्रोडिंगर ब्रिज समस्या में बदल जाता है, जिसे मैट्रिक्स स्केलिंग (श्रोडिंगर पोटेंशियल $\phi^\circ, \phi^*$ खोजने) के माध्यम से हल किया जा सकता है।
कंडीशनल पाथ सैंपलिंग (Conditional Path Sampling): एक विशिष्ट एंडपॉइंट जोड़ी $(a, b)$ से प्राप्त संदर्भ मार्कोव ब्रिज $P(\cdot | X_0=a, X_T=b)$ से एक प्रक्षेपवक्र (trajectory) $x_{0:T}$ का नमूना (sample) लेना।

यह शोध पत्र इस ढांचे को एडिटिव रनिंग कॉस्ट (additive running costs) को शामिल करने के लिए भी विस्तारित करता है, जहाँ ऑब्जेक्टिव फंक्शन में एक अपेक्षित संचित लागत पद $\mathbb{E}_Q[\sum g(X_t)]$ शामिल होता है।

कार्यप्रणाली (Methodology)

लेखक एक हाइब्रिड क्वांटम-क्लासिकल दृष्टिकोण प्रस्तावित करते हैं, जो प्रत्येक घटक के लिए विशिष्ट क्वांटम एल्गोरिदम का लाभ उठाता है।

1. एंडपॉइंट कपलिंग के लिए क्वांटम मैट्रिक्स स्केलिंग (Quantum Matrix Scaling for Endpoint Coupling)

श्रोडिंगर पोटेंशियल की गणना करने के लिए, लेखक एक क्वांटम बॉक्स-कंस्ट्रेंड न्यूटन विधि (Gribling और Nieuwboer [14] पर आधारित) को अनुकूलित करते हैं।

फॉर्मूलेशन: समस्या को लॉगरिदमिक स्केलिंग वेरिएबल्स वाले एक कॉनवेक्स पोटेंशियल फंक्शन $f(x, y)$ को न्यूनतम करने के रूप में प्रस्तुत किया गया है।
क्वांटम त्वरण (Quantum Acceleration): एल्गोरिदम ग्रेडिएंट्स को अनुमानित करने के लिए क्वांटम एम्प्लिट्यूड एस्टीमेशन और स्पार्स हेसियन एप्रोक्सिमेशन बनाने के लिए क्वांटम ग्राफ स्पारसिफिकेशन का उपयोग करता है।
एक्सेस मॉडल: यह विधि संदर्भ एंडपॉइंट मैट्रिक्स $P_{0,T}$ और मार्जिनल्स के लिए कोहेरेंट एंट्री-क्वेरी एक्सेस (coherent entry-query access) मानती है।

2. कंडीशनल पाथ सैंपलिंग के लिए क्वांटम गिब्स सैंपलर (Quantum Gibbs Sampler for Conditional Path Sampling)

कंडीशनल मार्कोव ब्रिज $P_{a,b}$ से प्रक्षेपवक्रों को सैंपल करने के लिए, लेखक क्वांटम वॉक्स (quantum walks) पर आधारित एक क्वांटम गिब्स सैंपलर विकसित करते हैं।

क्लासिकल बेसलाइन: एक क्लासिकल गिब्स सैंपलर एक समय में एक आंतरिक कोऑर्डिनेट को अपडेट करता है, उसे उसके पड़ोसियों से दिए गए कंडीशनल डिस्ट्रीब्यूशन से पुन: सैंपल करता है। अभिसरण दर (convergence rate) गिब्स कर्नेल के स्पेक्ट्रल गैप $\delta$ पर निर्भर करती है।
क्वांटम निर्माण:
- लेखक गिब्स कर्नेल $K$ का एक प्रोजेक्टेड यूनिटरी एनकोडिंग (PUE) तैयार करते हैं।
- वे पाथ स्पेस पर एक क्वांटम वॉक $W$ को परिभाषित करते हैं। क्वांटम वॉक्स के स्पेक्ट्रल गुणों के कारण, क्लासिकल कर्नेल में एक स्पेक्ट्रल गैप $\delta$ , क्वांटम वॉक में $\sqrt{\delta}$ के क्रम का फेज गैप (phase gap) में बदल जाता है।
- एम्प्लिट्यूड एम्प्लीफिकेशन: एक प्रारंभिक अवस्था को $T-1$ स्टेप्स के लिए संदर्भ श्रृंखला का अनुकरण करके और अंतिम एंडपॉइंट को फिक्स करके तैयार किया जाता है। इस अवस्था का लक्षित स्टेशनरी स्टेट के साथ ज्ञात ओवरलैप होता है। स्टेशनरी स्टेट पर प्रोजेक्ट होने की संभावना को बढ़ाने के लिए एम्प्लिट्यूड एम्प्लीफिकेशन का उपयोग किया जाता है।
- प्रोजेक्टर एप्रोक्सिमेशन: स्टेशनरी स्टेट पर प्रोजेक्टर का एक पॉलीनोमियल एप्रोक्सिमेशन, क्वांटम सिंगुलर वैल्यू ट्रांसफॉर्मेशन (या क्वांटम सिग्नल प्रोसेसिंग) तकनीकों का उपयोग करके लागू किया जाता है।

3. एडिटिव कॉस्ट तक विस्तार (Extension to Additive Costs)

रनिंग कॉस्ट $g$ वाली समस्याओं के लिए, लेखक दिखाते हैं कि इस समस्या को एक रीवेटेड रेफरेंस लॉ $\tilde{V}$ के साथ एक मानक श्रोडिंगर ब्रिज में बदला जा सकता है।

रीवेटिंग में एक्सपोनेंशियल फैक्टर्स $e^{-g(x_t)}$ शामिल हैं।
वेटेड गिब्स कर्नेल के लिए स्पेक्ट्रल गैप विश्लेषण को कॉस्ट रेंज $\Delta_g = \max g - \min g$ को ध्यान में रखते हुए समायोजित किया जाता है, जो गैप लोअर बाउंड में $e^{-\Delta_g}$ का कारक पेश करता है।

मुख्य योगदान और परिणाम (Key Contributions and Results)

1. मार्कोव ब्रिज के लिए स्पेक्ट्रल गैप बाउंड्स (Spectral Gap Bounds for Markov Bridges)

यह शोध पत्र मार्कोव ब्रिज के पाथ स्पेस पर क्लासिकल गिब्स सैंपलर के स्पेक्ट्रल गैप $\delta$ के लिए एक निचला स्तर (lower bound) स्थापित करता है:
$\delta \geq \frac{\omega_-^4}{T^2 N^3}$
जहाँ $\omega_-$ ट्रांजिशन कर्नेल के लिए एक यूनिफॉर्म पॉजिटिविटी पैरामीटर है। यह बाउंड कैनोनिकल पाथ्स मेथड का उपयोग करके प्राप्त किया गया है। महत्वपूर्ण रूप से, यह परिणाम तब भी मान्य है जब पाथ स्पेस का आकार घातांकीय ( $N^{T-1}$ ) हो, जो क्वांटम स्पीडअप विश्लेषण के लिए आवश्यक मात्रात्मक इनपुट प्रदान करता है।

2. सैंपलिंग कॉम्प्लेक्सिटी में क्वांटम स्पीडअप (Quantum Speedup in Sampling Complexity)

क्वांटम गिब्स सैंपलर समय क्षितिज (time horizon) $T$ पर एक रैखिक निर्भरता प्राप्त करता है, जबकि क्लासिकल गिब्स सैंपलर में द्विघातीय (quadratic) निर्भरता होती है।

क्लासिकल कॉम्प्लेक्सिटी: $O\left( \frac{T^2 N^3}{\omega_-^4} \log \frac{N}{\omega_- \epsilon} \right)$ अपडेट्स।
क्वांटम कॉम्प्लेक्सिटी: $O\left( \frac{T N^2}{\omega_-^{5/2}} \log \frac{N}{\omega_- \epsilon} \right)$ वॉक प्रिमिटिव्स के कॉल्स।
तंत्र (Mechanism): सुधार क्वांटम वॉक-आधारित सैंपलिंग में स्पेक्ट्रल गैप ( $\delta^{-1/2}$ बनाम $\delta^{-1}$ ) की वर्ग-मूल निर्भरता से आता है।

3. मैट्रिक्स स्केलिंग में क्वांटम स्पीडअप (Quantum Speedup in Matrix Scaling)

एंडपॉइंट कपलिंग की गणना के लिए, क्वांटम बॉक्स-कंस्ट्रेंड न्यूटन विधि स्टेट-स्पेस के आकार $N$ पर निर्भरता में सुधार करती है:

क्लासिकल कॉम्प्लेक्सिटी: $\tilde{O}(B N^2)$ (जहाँ $B$ पोटेंशियल को बाउंड करता है)।
क्वांटम कॉम्प्लेक्सिटी: $\tilde{O}(B^2 N^{3/2} / \epsilon^2)$ ।
तंत्र: यह सुधार क्वांटम एम्प्लिट्यूड एस्टीमेशन और स्पारसिफिकेशन के उपयोग से आता है, जो फिक्स्ड एक्यूरेसी पर मैट्रिक्स-स्केलिंग कॉम्प्लेक्सिटी को क्वाड्रेटिक से घटाकर $N^{3/2}$ कर देता है।

4. रनिंग कॉस्ट को संभालना (Handling Running Costs)

यह शोध पत्र इस बात का गहन विश्लेषण प्रदान करता है कि एडिटिव कॉस्ट सैंपलिंग प्रक्रिया को कैसे प्रभावित करती है। हालांकि स्पेक्ट्रल गैप बाउंड $e^{-\Delta_g}$ के कारक से कम हो जाता है, लेखक एक महत्वपूर्ण इनिशियलाइजेशन चुनौती की ओर संकेत करते हैं: यदि प्रारंभिक अवस्था रनिंग कॉस्ट को ध्यान में नहीं रखती है, तो लक्षित अवस्था के साथ ओवरलैप $T$ के साथ घातांकीय रूप से कम हो सकता है। शोध पत्र नोट करता है कि जबकि क्वांटम विधि स्पेक्ट्रल गैप में अपने वर्ग-मूल (square-root) सुधार को बनाए रखती है, समग्र स्पीडअप प्रारंभिक ओवरलैप $c_g$ और कॉस्ट रेंज $\Delta_g$ पर निर्भर करता है।

महत्व और दावे (Significance and Claims)

यह शोध पत्र डायनेमिक श्रोडिंगर ब्रिज के लिए एक पूर्ण क्वांटम-उन्नत सैंपलिंग फ्रेमवर्क प्रदान करने का दावा करता है। इसका महत्व निम्नलिखित में निहित है:

डिकम्पोजिशन स्ट्रैटेजी: यह सफलतापूर्वक समस्या को एंडपॉइंट कपलिंग और कंडीशनल पाथ सैंपलिंग में विभाजित करता है, और प्रत्येक के लिए सबसे उपयुक्त क्वांटम एल्गोरिदम लागू करता है।
स्पष्ट कॉम्प्लेक्सिटी बाउंड्स: यह दोनों घटकों के लिए स्पष्ट, गैर-एसिम्प्टोटिक (non-asymptotic) बाउंड्स प्रदान करता है, जो ऑरेकल कॉल्स की संख्या और कुल कम्प्यूटेशनल समय के बीच अंतर करता है।
संयमित स्पीडअप दावे (Modest Speedup Claims): लेखक सावधानी बरतते हैं कि $T$ पर रैखिक निर्भरता एक विशिष्ट लोकल गिब्स क्लासिकल सैंपलर के मुकाबले सुधार है। वे यह दावा नहीं करते कि यह सभी क्लासिकल ब्रिज सैंपलर (जैसे, डायरेक्ट रिजेक्शन सैंपलिंग का अलग स्केलिंग हो सकता है) पर बिना शर्त द्विघातीय स्पीडअप है। इसी तरह, मैट्रिक्स स्केलिंग स्पीडअप विशिष्ट इनपुट एक्सेस मॉडल (कोहेरेंट एंट्री क्वेरीज़) और इस धारणा पर सशर्त है कि एंडपॉइंट कर्नेल $P_{0,T}$ को कुशलतापूर्वक बनाया जा सकता है।
इनिशियलाइजेशन संवेदनशीलता: पेपर स्पष्ट रूप से चेतावनी देता है कि रनिंग कॉस्ट वाले समस्याओं के लिए, "क्वांटम स्पीडअप" की गारंटी नहीं है यदि प्रारंभिक अवस्था तैयारी मानक है, क्योंकि लक्षित अवस्था के साथ ओवरलैप घातांकीय रूप से लुप्त हो सकता है। यह कॉस्ट-सेंसिटिव परिदृश्यों में क्वांटम पद्धति की प्रयोज्यता पर एक व्यावहारिक प्रतिबंध को रेखांकित करता है।

संक्षेप में, यह शोध पत्र यह प्रदर्शित करता है कि श्रोडिंगर ब्रिज की मार्कोव संरचना का लाभ उठाकर, क्वांटम वॉक्स और क्वांटम मैट्रिक्स स्केलिंग का उपयोग करके स्टेट-स्पेस साइज ( $N$ ) और टाइम-होराइजन ( $T$ ) डिपेंडेंसी में बहुपद (polynomial) सुधार प्राप्त किया जा सकता है, बशर्ते विशिष्ट एक्सेस धारणाएं और इनिशियलाइजेशन स्थितियां पूरी हों।