⚛️ क्वांटम भौतिकी

Quantum Vehicle Routing Problem: a smart initialization strategy for ill-conditioned optimization landscapes

यह शोध पत्र व्हीकल राउटिंग प्रॉब्लम के लिए एक नवीन क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन एल्गोरिदम (QAOA) दृष्टिकोण प्रस्तावित करता है जो बिना अतिरिक्त क्वबिट्स के सबटूर बाधाओं को सीधे अनुकूलन में एकीकृत करता है और बैरन प्लेटो को कम करने तथा इल-कंडीशन्ड लैंडस्केप्स में अभिसरण में सुधार करने के लिए एक स्मार्ट पैरामीटर इनिशियलाइज़ेशन रणनीति का उपयोग करता है।

मूल लेखक: Emanuele Casciaro, Mario De Simone, Stefano Martina, Fabio Mascherpa, Alfonso Amendola, Filippo Caruso

प्रकाशित 2026-11-02

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Emanuele Casciaro, Mario De Simone, Stefano Martina, Fabio Mascherpa, Alfonso Amendola, Filippo Caruso

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

एक ऐसे शहर की कल्पना करें जहाँ डिलीवरी ट्रकों को दर्जनों स्थानों पर जाना होता है, एक केंद्रीय गोदाम से शुरू होकर और वहीं समाप्त होते हुए, जबकि उन्हें ट्रैफिक जाम से बचना होता है और यह सुनिश्चित करना होता है कि कोई भी मार्ग हर स्टॉप पर जाए बिना वापस न घूमे। यह 'व्हीकल रूटिंग प्रॉब्लम' (वाहन रूटिंग समस्या) है, जो लॉजिस्टिक्स की एक क्लासिक चुनौती है और आधुनिक आपूर्ति श्रृंखलाओं के केंद्र में स्थित है। इन मार्गों को व्यवस्थित करने का सबसे अच्छा तरीका खोजना पारंपरिक कंप्यूटरों के लिए बेहद कठिन है क्योंकि संभावित संयोजनों की संख्या इतनी तेजी से बढ़ती है कि सबसे शक्तिशाली मशीनें भी उन सभी की जांच करने की कोशिश में फंस जाती हैं। इसे हल करने के लिए, वैज्ञानिक एक नए प्रकार के कंप्यूटिंग की ओर मुड़ रहे हैं जो क्वांटम मैकेनिक्स के अजीब नियमों का उपयोग करता है। ये क्वांटम मशीनें केवल एक-एक करके विकल्पों की जांच नहीं करती हैं; इसके बजाय, वे एक साथ कई संभावनाओं का पता लगा सकती हैं, जो विकल्पों के इस भूलभुलैया में एक संभावित शॉर्टकट प्रदान करती हैं। हालाँकि, इन मशीनों को सही उत्तर खोजने के लिए प्रशिक्षित करना एक घने कोहरे के बीच जहाज को निर्देशित करने जैसा है; एक स्पष्ट शुरुआती बिंदु के बिना, कंप्यूटर अक्सर एक विशाल, सपाट परिदृश्य में खो जाता है जहाँ वह यह नहीं बता पाता कि कौन सी दिशा सबसे अच्छे समाधान की ओर ले जाती है।

फ्लोरेंस विश्वविद्यालय और एनि एस.पी.ए. (Eni S.p.A.) के शोधकर्ताओं की एक टीम ने इन क्वांटम कंप्यूटरों को उस कोहरे के माध्यम से मार्गदर्शन करने का एक नया तरीका विकसित किया है, विशेष रूप से व्हीकल रूटिंग समस्या के लिए। उनका कार्य 'क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन एल्गोरिदम' नामक एक विधि पर केंद्रित है, जिसे आज उपलब्ध डिजिटल क्वांटम कंप्यूटरों पर चलाने के लिए डिज़ाइन किया गया है। शोधकर्ताओं ने दो प्रमुख बाधाओं की पहचान की जो आमतौर पर इन मशीनों को वास्तविक दुनिया के रूटिंग कार्यों को हल करने से रोकती हैं। पहला, एल्गोरिदम अक्सर यादृच्छिक (रैंडम) सेटिंग्स के साथ शुरू होता है जो एक डेड एंड या बंद रास्ते की ओर ले जाता है, जिसे 'बैरेन प्लेटो' (barren plateau) की घटना के रूप में जाना जाता है जहाँ कंप्यूटर यह नहीं सीख पाता कि अपने उत्तर में सुधार कैसे किया जाए। दूसरा, वे गणितीय नियम जो ट्रकों को कुछ स्टॉप के चारों ओर अक्षम लूप बनाने से रोकते हैं, इतने जटिल हैं कि उनके लिए आमतौर पर क्वांटम चिप पर अतिरिक्त मेमोरी स्पेस की आवश्यकता होती है, जो इन शुरुआती मशीनों के पास पर्याप्त नहीं है।

पहले अवरोध को दूर करने के लिए, टीम ने एल्गोरिदम के लिए शुरुआती स्थितियों को सेट करने का एक स्मार्ट तरीका बनाया। यादृच्छिक अनुमान लगाने के बजाय, उन्होंने शुरुआती बिंदुओं के एक विशिष्ट, संरचित सेट का परीक्षण किया ताकि उस बिंदु को खोजा जा सके जो सबसे कम ऊर्जा अवस्था (लोएस्ट एनर्जी स्टेट) देता है, जो सर्वोत्तम संभव मार्ग के अनुरूप है। यह दृष्टिकोण एक दिशा-सूचक यंत्र (कम्पास) की तरह कार्य करता है, जो प्रशिक्षण शुरू होने से पहले ही कंप्यूटर को सही दिशा दिखाता है। ऐसा करने से, उन्होंने पाया कि मशीन के सही समाधान पर अभिसरित (कन्वर्ज) होने की संभावना बहुत अधिक थी, भले ही स्टॉप की संख्या बढ़ती गई। यह तरीका बिना शहर के मानचित्र के विशिष्ट विवरणों को पहले से जाने बिना काम करता है, जो इसे विभिन्न रूटिंग परिदृश्यों के लिए एक विश्वसनीय उपकरण बनाता है।

दूसरा महत्वपूर्ण सुधार इस बात से संबंधित है कि कंप्यूटर लूप के विरुद्ध नियम को कैसे संभालता है। अतीत में, एल्गोरिदम को इन लूपों से बचने के लिए मजबूर करने के लिए उन अतिरिक्त चरों (वेरिएबल्स) को जोड़ने की आवश्यकता होती था जो क्वांटम प्रोसेसर पर कीमती स्थान घेर लेते थे। शोधकर्ताओं ने इस नियम को एक गणितीय ट्रिक का उपयोग करके सीधे गणना में शामिल करने का एक तरीका खोजा जो अतिरिक्त चरों की आवश्यकता के बिना बाधा का अनुमान लगाता है। यह क्वांटम कंप्यूटर को कम संसाधनों का उपयोग करते हुए नियम को समझने और उसे लागू करने की अनुमति देता है। इस कुशल एन्कोडिंग को अपनी स्मार्ट शुरुआती रणनीति के साथ जोड़कर, टीम ने सफलतापूर्वक प्रदर्शित किया कि उनका एल्गोरिदम तीन, चार और पांच स्थानों के छोटे नेटवर्क के लिए सही मार्ग खोज सकता है। उनके सिमुलेशन में, कंप्यूटर ने लगातार इष्टतम पथों की पहचान की, जिससे उसकी संभावना गलत लूपों में भटकने के बजाय सही उत्तरों पर केंद्रित रही।

यह अध्ययन पुष्टि करता है कि सही तैयारी के साथ, क्वांटम कंप्यूटर इन जटिल लॉजिस्टिक्स समस्याओं को पिछले प्रयासों की तुलना में अधिक प्रभावी ढंग से संभाल सकते हैं। शोधकर्ताओं ने दिखाया कि उनकी विधि वाहनों और गंतव्यों की विभिन्न संख्या के लिए काम करती है, और उनके परीक्षणों में सही मार्गों को खोजने में बहुत उच्च सफलता दर प्राप्त की। जबकि वर्तमान प्रयोग सिम्युलेटर पर चलाए गए थे और मौजूदा हार्डवेयर की सीमाओं के कारण छोटे नेटवर्क तक सीमित थे, यह दृष्टिकोण सिद्ध करता है कि अतिरिक्त मेमोरी की आवश्यकता के बिना पूर्ण रूटिंग समस्या (कठिन लूप-परिहार नियमों सहित) को हल करना संभव है। यह कार्य बताता है कि क्वांटम तकनीक का उपयोग वितरण प्रणालियों को अनुकूलित करने के लिए कैसे किया जा सकता है, जिससे तकनीक के परिपक्व होने के साथ ईंधन लागत कम हो सकती है और दक्षता में सुधार हो सकता है। निष्कर्ष बताते हैं कि कोड में बाधाओं (कन्स्ट्रेंट्स) को कैसे लिखा जाता है, उसका सावधानीपूर्वक इंजीनियरिंग करना हार्डवेयर जितना ही महत्वपूर्ण है, जो लॉजिस्टिक्स और उससे आगे के भविष्य के अनुप्रयोगों के लिए एक व्यावहारिक ब्लूप्रिंट प्रदान करता है।

तकनीकी सारांश: स्मार्ट इनिशियलाइजेशन और सबटूर एनकोडिंग के साथ क्वांटम व्हीकल रूटिंग प्रॉब्लम

समस्या की परिभाषा
व्हीकल रूटिंग प्रॉब्लम (VRP) एक कॉम्बिनेटरियल ऑप्टिमाइज़ेशन चुनौती है जिसका उद्देश्य वाहनों के एक बेड़े के लिए इष्टतम मार्ग निर्धारित करना है, जो एक केंद्रीय डिपो से शुरू होकर गंतव्यों के एक समूह का दौरा करते हैं और वहीं समाप्त होते हैं। यह समस्या NP-Hard है, जिसके लिए सटीक शास्त्रीय समाधानों के लिए घातीय (exponential) संख्या में ऑपरेशन्स की आवश्यकता होती है, जो बड़े इंस्टेंस के लिए सटीक सॉल्वर की स्केलेबिलिटी को सीमित करता है। हालांकि हीयुरिस्टिक विधियाँ मौजूद हैं, वे अक्सर उप-इष्टतम (suboptimal) परिणाम देती हैं। यह शोध पत्र डिजिटल क्वांटम उपकरणों पर क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन एल्गोरिदम (QAOA) का उपयोग करके VRP को हल करने पर केंद्रित है। क्वांटम सॉल्वर के लिए VRP को एनकोड करने में एक विशिष्ट चुनौती "सबटूर एलिमिनेशन" (subtour elimination) बाधा (समीकरण 1f) है, जो डिपो को शामिल किए बिना बंद चक्रों (closed cycles) को रोकती है। पारंपरिक QUBO (क्वाड्रेटिक अनकन्स्ट्रेंड बाइनरी ऑप्टिमाइज़ेशन) फॉर्मुलेशन अक्सर इस बाधा को बाहर कर देते हैं या इसे लागू करने के लिए अतिरिक्त बाइनरी स्लैक वेरिएबल्स की घातीय संख्या की आवश्यकता होती है, जिससे अत्यधिक क्यूबिट आवश्यकताएं और जटिल पोस्ट-प्रोसेसिंग होती है।

कार्यप्रणाली (Methodology)
लेखक एक QAOA-आधारित ढांचे का प्रस्ताव करते हैं जो क्वांटम ऑप्टिमाइज़ेशन की दो प्राथमिक बाधाओं को संबोधित करता है: खराब पैरामीटर इनिशियलाइजेशन (initialization) और असमानता बाधाओं (inequality constraints) के लिए उच्च क्यूबिट ओवरहेड।

स्मार्ट इनिशियलाइजेशन स्ट्रैटेजी:
"बैरन प्लेटो" (barren plateau) घटना को कम करने के लिए—जहाँ ग्रेडिएंट्स सिस्टम के आकार के साथ तेजी से लुप्त हो जाते हैं, जिससे वेरिएशनल ट्रेनिंग बाधित होती है—लेखक एक नियतात्मक (deterministic) इनिशियलाइजेशन रणनीति पेश करते हैं। रैंडम पैरामीटर चयन के बजाय, वे पैरामीटर स्पेस के एक विशिष्ट उपसमुच्चय (subset) पर ग्रिड सर्च करते हैं। वे उन कॉन्फ़िगरेशन के लिए अपेक्षित ऊर्जा $\langle\psi(\gamma, \beta)| H_C |\psi(\gamma, \beta)\rangle$ का मूल्यांकन करते हैं जहाँ $\gamma_k = \beta_k = \alpha_d$ , $\alpha_d = d\pi/D$ के साथ। वह कॉन्फ़िगरेशन जो सबसे कम ऊर्जा देता है, उसे क्लासिकल ऑप्टिमाइज़र के लिए शुरुआती बिंदु के रूप में चुना जाता है। इस दृष्टिकोण का उद्देश्य प्रशिक्षण को एक निम्न-ऊर्जा अवस्था के पास शुरू करना है, जिससे लुप्त ग्रेडिएंट वाले क्षेत्रों से बचा जा सके।
स्लैक वेरिएबल्स के बिना सबटूर बाधा एनकोडिंग:
Montañez-Barrera et al. (2024) के कार्य पर आधारित, लेखक अतिरिक्त क्यूबिट्स पेश किए बिना सीधे QUBO हैमिल्टोनियन में सबटूर एलिमिनेशन बाधा को एकीकृत करते हैं। वे एक एक्सपोनेंशियल फंक्शन के सेकंड-ऑर्डर टेलर एक्सपेंशन का उपयोग करके असमानता बाधा का अनुमान लगाते हैं। विशेष रूप से, असमानता बाधा $h_S(x) \geq 0$ को $e^{-h(x)} \approx e - e \cdot h(x) + \frac{e}{2}h(x)^2$ सन्निकटन का उपयोग करके एक रिलैक्स्ड ऑप्टिमाइज़ेशन समस्या में बदल दिया जाता है। इसके परिणामस्वरूप एक संशोधित QUBO ऑब्जेक्टिव फंक्शन प्राप्त होता है जिसमें मानक लैग्रेंजियन मल्टीप्लायर $\lambda$ के साथ अन्य बाधाओं के लिए रैखिक और द्विघात (quadratic) पद शामिल हैं, जो हाइपर-पैरामीटर्स $\lambda_1$ और $\lambda_2$ द्वारा नियंत्रित होते हैं।

प्रमुख योगदान

नवल इनिशियलाइजेशन: एक पैरामीटर इनिशियलाइजेशन रणनीति जो कन्वर्जेंस प्रोबेबिलिटी में सुधार करती है और रैंडम इनिशियलाइजेशन के तहत बैरन प्लेटो के प्रभाव को सीमित करती है, जिसे क्यूबिट काउंट बढ़ने पर भी प्रभावी पाया गया है।
डायरेक्ट सबटूर इंटीग्रेशन: एक एनकोडिंग विधि जो अतिरिक्त क्यूबिट्स के बिना सीधे QAOA ऑप्टिमाइज़ेशन लूप में सबटूर एलिमिनेशन बाधाओं को शामिल करती है। यह अतिरिक्त स्लैक वेरिएबल्स और क्यूबिट काउंट में घातीय ओवरहेड की आवश्यकता को समाप्त करता है, जिससे एक "एंड-टू-एंड" क्वांटम समाधान सक्षम होता है।
हाइपर-पैरामीटर ट्यूनिंग: QUBO एनकोडिंग को आकार देने वाले इष्टतम हाइपर-पैरामीटर कॉन्फ़िगरेशन ( $\lambda, \lambda_1, \lambda_2$ ) की पहचान करने के लिए Optuna का उपयोग, यह सुनिश्चित करता है कि हैमिल्टोनियन का ग्राउंड स्टेट इष्टतम व्यवहार्य समाधान (feasible solution) के अनुरूप हो।

परिणाम
लेखकों ने $N$ नोड्स (3 से 5 तक) और विविध वाहनों की संख्या ( $K$ ) वाले VRP इंस्टेंस के लिए नॉइलेस सिम्युलेटर्स पर अपने दृष्टिकोण को मान्य किया।

इनिशियलाइजेशन प्रदर्शन: रैंडम इनिशियलाइजेशन के मुकाबले, स्मार्ट इनिशियलाइजेशन रणनीति विभिन्न समस्या वर्गों में सुसंगत सफलता की संभावना बनाए रखती है, जबकि रैंडम इनिशियलाइजेशन $N$ बढ़ने के साथ महत्वपूर्ण रूप से प्रभावित होता है।
बाधा संतुष्टि (Constraint Satisfaction): प्रस्तावित एनकोडिंग ने उच्च संभावना के साथ $N=5$ तक के इंस्टेंस को सफलतापूर्वक हल किया। $N=3$ के लिए, सबटूर बाधा अन्य बाधाओं द्वारा स्वाभाविक रूप से संतुष्ट होती है, लेकिन एनकोडिंग वैध रहती है। $N=4$ और $N=5$ के लिए, QAOA आउटपुट प्रोबेबिलिटी सैद्धांतिक रूप से सही समाधानों पर तीव्रता से केंद्रित हुई, जिससे इष्टतम मार्गों को अयोग्य या उप-इष्टतम कॉन्फ़िगरेशन से प्रभावी ढंग से अलग किया गया।
क्यूबिट दक्षता: प्रस्तावित एनकोडिंग मानक स्लैक-वेरिएबल फॉर्मुलेशन की तुलना में आवश्यक क्यूबिट रजिस्टर आकार को $O(2^N)$ कम करती है, क्योंकि यह असमानता बाधाओं के लिए आवश्यक वेरिएबल्स के घातीय विकास से बचती है।

महत्व और दावे
यह शोध पत्र दावा करता है कि यह VRP संदर्भ के लिए विशेष रूप से QAOA पैरामीटर्स के प्रभावी, समस्या-आकार-स्वतंत्र इनिशियलाइजेशन को प्राप्त करने वाला पहला है। इसके अलावा, यह बिना किसी सहायक क्यूबिट या क्लासिकल पोस्ट-प्रोसेसिंग के QAOA ऑप्टिमाइज़ेशन रूटीन में सबटूर असमानताओं के प्रत्यक्ष एनकोडिंग को अपनाने वाला पहला है।

लेखक इन योगदानों को क्वांटम-आधारित समाधानों का उपयोग करके VRP इंस्टेंस को प्रभावी ढंग से हल करने का मार्ग प्रशस्त करने के रूप में प्रस्तुत करते हैं। उनका तर्क है कि स्पेस-एफिशिएंट प्रॉब्लम एनकोडिंग और बेहतर इनिशियलाइजेशन का लाभ उठाकर, क्वांटम ऑप्टिमाइज़ेशन एक व्यवहार्य विकल्प या पूरक बन सकता है, विशेष रूप से जैसे-जैसे फॉल्ट-टोलरेंट क्वांटम कंप्यूटर उपलब्ध होंगे। हालाँकि, लेखक वर्तमान सीमाओं के संबंध में विनम्र हैं: प्रयोग नॉइलेस सिम्युलेटर्स पर छोटे इंस्टेंस ( $N \leq 5$ ) तक सीमित थे, और QUBO में रूपांतरण हाइपर-पैरामीटर चयन के प्रति अत्यधिक संवेदनशील है, जिसके लिए वर्तमान में एक सर्च प्रक्रिया की आवश्यकता होती है। वे सुझाव देते हैं कि भविष्य के कार्य को दृष्टिकोण को और अधिक सुव्यवस्थित करने के लिए समस्या के इनवेरियंट्स (जैसे $N$ और $K$ के फलन) के आधार पर सामान्य हाइपर-पैरामीटर कॉन्फ़िगरेशन निर्धारित करने पर ध्यान केंद्रित करना चाहिए।

इसी तरह के और पेपर