⚛️ क्वांटम भौतिकी

Quantum-compatible Riemannian conjugate gradient for ground-state preparation

यह शोध पत्र क्वांटम कंजुगेट ग्रेडिएंट डिसेंट (QCGD) प्रस्तुत करता है, जो ग्राउंड-स्टेट तैयारी के लिए एक रीमानियन अनुकूलन विधि है, जो ऐतिहासिक खोज दिशाओं का लाभ उठाकर बेसलाइन DB-QITE एल्गोरिदम की तुलना में प्रति पुनरावृत्ति तेज़ अभिसरण (convergence) प्राप्त करता है, हालांकि यह सर्किट की गहराई में वृद्धि की कीमत पर है, जो प्रारंभिक दोष-सहिष्णु (fault-tolerant) क्वांटम कंप्यूटिंग के लिए एक संभावित लाभ प्रदान करता है।

मूल लेखक: Andres Arcia-Lopez, Marek Gluza, Yudai Suzuki, Cyrus Mostajeran

प्रकाशित 2026-10-16

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Andres Arcia-Lopez, Marek Gluza, Yudai Suzuki, Cyrus Mostajeran

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

किसी भौतिक प्रणाली की निम्नतम ऊर्जा अवस्था (lowest energy state) को खोजना विज्ञान की एक मौलिक चुनौती है, जो शोधकर्ताओं को यह समझने में मदद करती है कि रसायन कैसे प्रतिक्रिया करते हैं, नए पदार्थ कैसे व्यवहार करते हैं, और जटिल लॉजिस्टिक पहेलियों को कैसे हल किया जा सकता है। क्वांटम दुनिया में, इस कार्य को 'ग्राउंड-स्टेट प्रिपरेशन' (ground-state preparation) के रूप में जाना जाता है। पहाड़ियों और घाटियों वाले एक परिदृश्य की कल्पना करें जहाँ ऊँचाई ऊर्जा का प्रतिनिधित्व करती है; लक्ष्य सबसे गहरी घाटी, यानी पूर्णतः निम्नतम बिंदु को खोजना है। कई प्रणालियों के लिए, यह खोज इतनी कठिन होती है कि शक्तिशाली से शक्तिशाली क्लासिकल कंप्यूटर भी इसे हल करने में संघर्ष करते हैं। हालाँकि, क्वांटम कंप्यूटर इस इलाके में नेविगेट करने का एक अनूठा तरीका प्रदान करते हैं, जो संभावित रूप से इन समाधानों को बहुत तेज़ी से खोज सकते हैं। ऐसा करने के लिए, वैज्ञानिक ऐसे एल्गोरिदम का उपयोग करते हैं जो एक पर्वतारोही की तरह काम करते हैं जो पहाड़ से नीचे उतरने की कोशिश कर रहा है, और ऐसे कदम उठाते हैं जो उनकी ऊँचाई को जितनी जल्दी हो सके कम कर सकें। चुनौती इन कदमों को इस तरह से डिजाइन करने में है कि वे वास्तविक क्वांटम हार्डवेयर पर चलने के लिए पर्याप्त कुशल हों, जो वर्तमान में नाजुक है और त्रुटियाँ आने से पहले सीमित संख्या में ऑपरेशन करने की क्षमता रखता है।

शोधकर्ताओं की एक टीम द्वारा हाल ही में किए गए एक अध्ययन में इन क्वांटम पर्वतारोहियों को निर्देशित करने के लिए एक नई विधि पेश की गई है, जिसका लक्ष्य ऊर्जा की घाटी के तल तक पहले की तुलना में अधिक कुशलता से पहुँचना है। शोधकर्ताओं ने एक विशिष्ट प्रकार के क्वांटम एल्गोरिदम पर ध्यान केंद्रित किया जो क्वांटम अवस्थाओं के रहने वाले स्थान के ज्यामितीय आकार का उपयोग यह तय करने के लिए करता है कि किस दिशा में आगे बढ़ना है। इस क्षेत्र के पिछले दृष्टिकोण 'स्टीपेस्ट डिसेंट' (steepest descent) जैसी रणनीति पर आधारित थे, जहाँ एल्गोरिदम केवल तात्कालिक ढलान को देखता है और सीधे नीचे की ओर एक कदम लेता है। हालांकि यह प्रभावी है, लेकिन यह तरीका धीमा हो सकता है, जिससे अक्सर एल्गोरिदम घाटी के तल पर इधर-उधर ज़िगज़ैग (zigzag) करने लगता है और अंततः तल तक पहुँच पाता है। नया कार्य एक स्मार्ट दृष्टिकोण प्रस्तावित करता है जिसे 'क्वांटम कंजुगेट ग्रेडिएंट डिसेंट' (quantum conjugate conjugate gradient descent) कहा जाता है। केवल तात्कालिक ढलान को देखने के बजाय, यह विधि पिछले कदम की दिशा को याद रखती है। वर्तमान नीचे की ढलान को अपने पिछले स्थान की स्मृति के साथ जोड़कर, एल्गोरिदम अधिक सीधा रास्ता ले सकता है, जिससे अक्षम ज़िगज़ैग होने से बचा जा सकता है और कम चरणों में निम्न ऊर्जा अवस्थाओं तक पहुँचा जा सकता है।

शोधकर्ताओं ने इस नई विधि का परीक्षण एक विशिष्ट प्रकार की चुंबकीय प्रणाली पर सिमुलेशन के माध्यम से किया जिसे 'हाइजेनबर्ग मॉडल' (Heisenberg model) के रूप में जाना जाता है, जिसमें क्वांटम कणों की श्रृंखलाएं शामिल होती हैं। उन्होंने अपने नए एल्गोरिदम की तुलना मौजूदा मानक से की, जो स्टीपेस्ट डिसेंट दृष्टिकोण का उपयोग करता है। इन सिमुलेशन में, नई विधि ने लगातार निम्न ऊर्जा अवस्थाओं को तेज़ी से पाया। उदाहरण के लिए, बीस क्वांटम कणों वाली प्रणालियों पर काम करते समय, नया एल्गोरिदम केवल दो चरणों में उच्च स्तर की सटीकता प्राप्त करने में सक्षम था, जबकि पुराने तरीके को समान परिणाम प्राप्त करने के लिए तीन चरणों की आवश्यकता थी। यह अंतर छोटा लग सकता है, लेकिन क्वांटम कंप्यूटिंग की दुनिया में, प्रत्येक अतिरिक्त चरण महत्वपूर्ण जटिलता जोड़ता है। इन एल्गोरिदम को चलाने के लिए आवश्यक सर्किट प्रत्येक चरण के साथ लंबे और अधिक जटिल होते जाते हैं, जिससे उन्हें वास्तविक हार्डवेयर पर त्रुटियों के बिना चलाना कठिन हो जाता है। कम चरणों में लक्षित सटीकता तक पहुँचकर, नई विधि प्रभावी रूप से आवश्यक सर्किट की कुल लंबाई को कम करती है, जो दोष-सहिष्णु (fault-tolerant) क्वांटम कंप्यूटरों की शुरुआती पीढ़ियों के लिए एक महत्वपूर्ण लाभ है जिन्हें वर्तमान में विकसित किया जा रहा है।

हालाँकि, यह सुधार एक समझौते (trade-off) के साथ आता है। जबकि नई विधि कम चरणों में लक्ष्य तक पहुँचती है, प्रत्येक व्यक्तिगत चरण को बनाना अधिक जटिल है। शोधकर्ताओं ने पाया कि उनके नए एल्गोरिदम के एक एकल चरण के लिए अधिक क्वांटम ऑपरेशन्स और एक गहरे सर्किट की आवश्यकता थी। यदि कोई व्यक्ति अंतिम परिणाम पर विचार किए बिना दोनों एल्गोरिदम की चरण-दर-चरण तुलना करे, तो नया तरीका अधिक महंगा दिखाई देगा। फिर भी, जब शोधकर्ताओं ने दो विधियों की तुलना इस आधार पर की कि वे वास्तविक निम्नतम ऊर्जा अवस्था के कितने करीब पहुँचे, तो नई विधि श्रेष्ठ सिद्ध हुई। उन्होंने पाया कि नया एल्गोरिदम पुराने तरीके की तीन-चरण वाली प्रक्रिया की सटीकता को केवल अपने दो चरणों का उपयोग करके प्राप्त कर सकता है। ऐसा करते हुए, इसने पुराने तरीके द्वारा आवश्यक क्वांटम गेट्स का लगभग 36 प्रतिशत और सर्किट डेप्थ (circuit depth) का लगभग 40 प्रतिशत ही उपयोग किया। यह सुझाव देता है कि एक एकल चरण की अतिरिक्त जटिलता, कुल चरणों की संख्या में होने वाली बचत के मामले में पूरी तरह सार्थक है।

अध्ययन ने यह भी पता लगाया कि यह नई विधि विभिन्न शुरुआती बिंदुओं के साथ कैसा व्यवहार करती है। शोधकर्ताओं ने अपने सिमुलेशन की शुरुआत दो अलग-अलग प्रकार के प्रारंभिक अवस्थाओं के साथ की: एक जो कणों की एक सरल, संरचित व्यवस्था थी और दूसरी जो एक अधिक जटिल, पूर्व-अनुकूलित अनुमान (pre-optimized guess) थी। दोनों मामलों में, नया एल्गोरिदम पुराने एल्गोरिदम से बेहतर प्रदर्शन करता है, लगातार अतिरिक्त ऊर्जा को हटाता है और उच्च सटीकता प्राप्त करता है। सुधार विशेष रूप से सरल प्रारंभिक अवस्था से शुरू होने पर देखा गया, जहाँ नए तरीके ने लक्षित ऊर्जा तक पहुँचने में महत्वपूर्ण लाभ दिखाया। शोधकर्ताओं ने नोट किया कि हालांकि नई विधि इन सिमुलेशन में अत्यधिक प्रभावी है, लेकिन यह हर संभव समस्या के लिए गारंटीकृत समाधान नहीं है। इसका प्रदर्शन अध्ययन की जा रही विशिष्ट प्रणाली और खोज के लिए चुने गए मापदंडों पर निर्भर करता है। फिर भी, परिणाम इस बात के पुख्ता प्रमाण प्रदान करते हैं कि क्वांटम अनुकूलन रणनीतियों में 'मेमोरी' (स्मृति) को शामिल करने से महत्वपूर्ण व्यावहारिक लाभ हो सकते हैं।

यह कार्य क्वांटम क्षेत्र के लिए क्लासिकल ऑप्टिमाइज़ेशन तकनीकों को अनुकूलित करने की दिशा में एक महत्वपूर्ण कदम है। कंजुगेट ग्रेडिएंट डिसेंट—एक ऐसी विधि जिसे क्लासिकल कंप्यूटिंग में दशकों से परिष्कृत किया गया है—को एक ऐसे प्रारूप में सफलतापूर्वक अनुवादित करके जिसे क्वांटम कंप्यूटर उपयोग कर सकें, शोधकर्ताओं ने क्वांटम एल्गोरिदम को बेहतर बनाने के लिए एक नया मार्ग खोल दिया है। निष्कर्ष बताते हैं कि जैसे-जैसे क्वांटम हार्डवेयर परिपक्व होता जाएगा, अपनी पिछली गतिविधियों से सीखने वाले एल्गोरिदम तेजी से मूल्यवान होते जाएंगे। ये मेमोरी-एन्हांस्ड (स्मृति-वर्धित) विधियाँ वैज्ञानिकों को रसायन विज्ञान और सामग्री विज्ञान की जटिल समस्याओं को अधिक दक्षता के साथ हल करने में सक्षम बना सकती हैं, जिससे शुरुआती क्वांटम मशीनों पर उपलब्ध सीमित संसाधनों का सर्वोत्तम उपयोग किया जा सके। अध्ययन यह दावा नहीं करता है कि उसने ग्राउंड-स्टेट प्रिपरेशन की समस्या को पूरी तरह से हल कर लिया है, बल्कि यह अधिक कुशल और शक्तिशाली क्वांटम एल्गोरिदम की ओर एक स्पष्ट मार्ग प्रदर्शित करता है, जो अगली पीढ़ी के क्वांटम अनुसंधान के लिए एक आशाजनक उपकरण प्रदान करता है।

तकनीकी सारांश: ग्राउंड-स्टेट तैयारी के लिए क्वांटम-संगत रीमानियन कंजुगेट ग्रेडिएंट

समस्या विवरण
हैमिल्टोनियन का ग्राउंड-स्टेट प्रिपरेशन (GSP) क्वांटम सिमुलेशन, अनुकूलन (ऑप्टिमाइज़ेशन) और मशीन लर्निंग के लिए एक मौलिक कार्य है। हालाँकि, सामान्य हैमिल्टोनियंस के लिए, GSP QMA-कंप्लीट है, जो क्लासिकल और क्वांटम दोनों उपकरणों के लिए महत्वपूर्ण चुनौतियाँ पेश करता है। जबकि क्वांटम इमेजिनरी-टाइम इवोल्यूशन (QITE) यूनिटरी मैनिफोल्ड पर ऊर्जा को कम करके GSP के लिए एक ज्यामितीय ढांचा प्रदान करता है, मौजूदा दृष्टिकोण जैसे कि डबल-ब्रैकेट QITE (DB-QITE) मुख्य रूप से रीमानियन स्टीपस्ट डिसेंट (ग्रेडिएंट डिसेंट) पर निर्भर करते हैं। इन विधियों में एक ट्रेड-ऑफ होता है: जबकि वे घातांकीय (exponential) फिडेलिटी सुधार प्राप्त कर सकते हैं, उन्हें इटरेशन की संख्या के साथ बढ़ने वाली सर्किट गहराई की आवश्यकता होती है। इसके अलावा, स्टीपस्ट डिसेंट अक्सर "ज़िग-ज़ैग" व्यवहार प्रदर्शित करता है, जिससे उन्नत क्लासिकल ऑप्टिमाइज़ेशन तकनीकों की तुलना में अभिसरण (convergence) धीमा हो जाता है।

कार्यप्रणाली
लेखक क्वांटम कंजुगेट ग्रेडिएंट डिसेंट (QCGD) का प्रस्ताव करते हैं, जो रीमानियन कंजुगेट ग्रेडिएंट डिसेंट का एक क्वांटम-संगत कार्यान्वयन है। कार्यप्रणाली GSP के ज्यामितीय ढांचे को सरल ग्रेडिएंट डिसेंट से एक मेमोरी-ऑगमेंटेड दृष्टिकोण तक विस्तारित करती है, जिसमें पिछले खोज दिशाओं (search directions) से जानकारी शामिल होती है।

ज्यामितीय सूत्रीकरण (Geometric Formulation): समस्या को यूनिटरी मैनिफोल्ड $U(N)$ पर ऊर्जा प्रत्याशा (energy expectation value) $E(U) = \langle 0|U^\dagger H U|0\rangle$ को न्यूनतम करने के रूप में फ्रेम किया गया है। मानक ग्रेडिएंट डिसेंट अपडेट $U_{k+1} = e^{-\mu_k [H, \psi_k]} U_k$ द्वारा दिया जाता है, जहाँ $\psi_k$ वर्तमान स्टेट डेंसिटी मैट्रिक्स है।
कंजुगेट ग्रेडिएंट विस्तार: QCGD खोज दिशा $W_k$ को एक मेमोरी टर्म को शामिल करने के लिए संशोधित करता है। अपडेट नियम बनता है:
$W_{k+1} = -[H, \psi_{k+1}] + \gamma_{k+1} W_k$
जहाँ $\gamma_{k+1}$ एक अदिश गुणांक (scalar coefficient) है जिसे ऊर्जा को न्यूनतम करने के लिए चुना जाता है। यह वर्तमान ऋणात्मक रीमानियन ग्रेडिएंट को पिछले खोज दिशा के पैरेलल ट्रांसपोर्ट के साथ जोड़ता है।
क्वांटम संगतता: $e^{-\mu_k [H, \psi_k]}$ के समूह कम्यूटेटर उत्पाद (group commutator product) को क्वांटम कंप्यूटर पर लागू करने के लिए, लेखक हैमिल्टोनियन इवोल्यूशन और रिफ्लेक्शन का उपयोग करके समूह कम्यूटेटर उत्पाद सूत्र (approximating $e^{-s[A,B]}$ via Hamiltonian evolutions and reflections) का उपयोग करते हैं। पिछले स्टेट्स के लीनियर कॉम्बिनेशन वाले कंजुगेट टर्म के लिए, वे अनुक्रमिक हैमिल्टोनियन इवोल्यूशन और सामान्यीकृत रिफ्लेक्शन में विभाजित करने के लिए एक ट्रोटर-सुज़ुकी सन्निकटन (Trotter-Suzuki approximation) का उपयोग करते हैं।
एल्गोरिदमिक संरचना: परिणामी रिकर्सिव सर्किट (एल्गोरिदम 2) हैमिल्टोनियन इवोल्यूशन $e^{i\sqrt{\mu_k}H}$ और स्टेट रिफ्लेक्शन $e^{i\theta_j \psi_j}$ के एक अनुक्रम को लागू करके यूनिटरी $U_{k+1}$ का निर्माण करता है, जहाँ $\theta_j$ के गुणांक $\gamma$ पर निर्भर करते हैं। महत्वपूर्ण रूप से, QCGD सर्च स्पेस में $\gamma_k = 0$ का मामला शामिल है, जो यह सुनिश्चित करता है कि QCGD हमेशा DB-QITE अपडेट को पुनः प्राप्त कर सकता है, जिससे यह ऊर्जा-कमी के अपने गारंटियों को विरासत में प्राप्त करता है।

प्रमुख योगदान

एल्गोरिदमिक नवाचार: यह पेपर QCGD पेश करता है, जो ग्राउंड-स्टेट तैयारी के लिए पहला क्वांटम-संगत रीमानियन कंजुगेट ग्रेडिएंट डिसेंट कार्यान्वयन है, जो दशकों के मैनिफोल्ड ऑप्टिमाइज़ेशन के विकास को क्वांटम एल्गोरिदम डिज़ाइन के साथ जोड़ता है।
रिकर्सिव सर्किट निर्माण: लेखक एक विशिष्ट रिकर्सिव सर्किट संरचना व्युत्पन्न करते हैं जो केवल हैमिल्टोनियन इवलेशन और रिफ्लेक्शन का उपयोग करके रीमानियन CGD इटरेशन को अनुमानित करता है, जो निकट-अवधि (near-term) और प्रारंभिक फॉल्ट-टोलरेंट हार्डवेयर बाधाओं के साथ संगतता बनाए रखता है।
संसाधन विश्लेषण: यह कार्य अभिसरण दर और सर्किट गहराई के बीच के ट्रेड-ऑफ का विस्तृत विश्लेषण प्रदान करता है, जो Qrisp फ्रेमवर्क का उपयोग करके गेट काउंट (U3 और CZ) और सर्किट डेप्थ को परिमाणित करता है।

परिणाम
एंटीफेरोमैग्नेटिकेट हाइजेनबर्ग हैमिल्टोनियन पर $L \in \{10, \dots, 20\}$ क्यूबिट्स के सिस्टम साइज के लिए दो इनिशियलाइजेशन का उपयोग करके संख्यात्मक प्रयोग किए गए: एक नेरेस्ट-नेबर सिंगलेट्स का उत्पाद और एक हैमिल्टोनियन वेरिएशनल एंसेबल (HVA) वॉर्म स्टार्ट।

अभिसरण गति (Convergence Speed): QCGD लगातार DB-QITE की तुलना में प्रति इटरेशन तेज़ ऊर्जा कमी प्राप्त करता है। बड़े सिस्टम साइज (जैसे, $L=20$ ) के लिए, ऊर्जा कमी का लाभ अधिक स्पष्ट हो जाता है, जहाँ QCGD ग्रेडिएंट डिसेंट में देखे गए प्लेटोइंग व्यवहार (plateauing behavior) से बचता है।
फिडेलिटी सुधार: निश्चित इटरेशन काउंट पर, QCGD उच्च ग्राउंड-स्टेट फिडेलिटी प्रदान करता है। $L=20$ के लिए सिंगलेट इनिशियलाइजेशन के साथ, QCGD ने तीन स्टेप्स के बाद 0.669 की फिडेलिटी प्राप्त की, जबकि DB-QITE ने 0.522 प्राप्त की।
मैच्ड फिडेलिटी पर संसाधन दक्षता: हालांकि एक सिंगल QCGD स्टेप एक DB-QITE स्टेप की तुलना में अधिक महंगा (उच्च गेट काउंट और डेप्थ) है, बेहतर अभिसरण QCGD को कम इटरेशन के साथ समान या बेहतर फिडेलिटी तक पहुँचने की अनुमति देता है। विशेष रूप से, $L=12, 16, 20$ के लिए, दो QCGD इटरेशन ने तीन DB-QITE इटरेशन की फिडेलिटी के बराबर या उससे अधिक फिडेलिटी प्राप्त की। इन मैच्ड-फिडेलिटी परिदृश्यों में, QCGD सर्किटों को संबंधित तीन-स्टेप DB-QITE सर्किटों की तुलना में केवल लगभग 36% CZ गेट्स और 40% सर्किट डेप्थ की आवश्यकता थी।
पैरामीटर संवेदनशीलता: अध्ययन नोट करता है कि इष्टतम कंजुगेट पैरामीटर $\gamma$ सर्च डोमेन और इटरेशन स्टेप के प्रति संवेदनशील है। प्रतिबंधित डोमेन में, इष्टतम $\gamma$ कभी-कभी सीमा (boundary) पर था, जो सुझाव देता है कि विधि की पूर्ण क्षमता के लिए व्यापक पैरामीटर सर्च की आवश्यकता हो सकती है।

महत्व और दावे
लेखक दावा करते हैं कि QCGD यह प्रदर्शित करता है कि मेमोरी-आधारित रीमानियन ऑप्टिमाइज़ेशन क्वांटम ग्राउंड-स्टेट तैयारी के लिए पर्याप्त व्यावहारिक लाभ में परिवर्तित हो सकता है। प्राथमिक महत्व अभिसरण दर और कार्यान्वयन जटिलता के बीच के ट्रेड-ऑफ में निहित है: जबकि व्यक्तिगत QCGD अपडेट अधिक जटिल हैं, लक्षित फिडेलिटी प्राप्त करने के लिए आवश्यक कुल रिकर्सिव स्टेप्स की संख्या में कमी होने से सर्किट डेप्थ और गेट काउंट में शुद्ध कमी आती है।

यह पेपर QCGD को प्रारंभिक फॉल्ट-टोलरेंट युग के लिए एक विशेष रूप से लाभकारी रणनीति के रूप में प्रस्तुत करता है, जहाँ शोर (noise) को कम करने के लिए सर्किट डेप्थ को न्यूनतम करना महत्वपूर्ण है। लेखक विनम्रता से नोट करते हैं कि उनके परिणाम वर्तमान में हाइजेनबर्ग मॉडल और विशिष्ट इनिशियलाइजेशन तक सीमित हैं, और भविष्य के कार्यों की आवश्यकता है ताकि मनमाने हैमिल्टोनियंस और विस्तारित पैरामीटर ग्रिड के माध्यम से इन लाभों की मजबूती को सत्यापित किया जा सके। वे यह दावा नहीं करते कि QCGD, GSP की मौलिक QMA-कंप्लीटनेस को हल करता है, बल्कि यह वर्तमान और निकट-भविष्य के क्वांटम हार्डवेयर की सीमाओं के भीतर अनुकूलन परिदृश्य (optimization landscape) को नेविगेट करने के लिए एक अधिक कुशल ह्यूरिस्टिक प्रदान करता है।

इसी तरह के और पेपर