⚛️ क्वांटम भौतिकी

QASPA-MaxCut on Unweighted Graphs: Edge Encoding and QAOA Restarts

यह शोध पत्र QASPA-MaxCut को प्रस्तुत करता है, जो नियंत्रित $R_y$ रोटेशन के माध्यम से ग्राफ किनारों (edges) को एनकोड करने वाला एक शिफ्ट-फेज सर्किट है, और विभिन्न अनवेटेड (unweighted) ग्राफों पर सटीक सिमुलेशन के माध्यम से यह प्रदर्शित करता है कि इसका फिक्स्ड-एंगल दृष्टिकोण, क्लासिकल सिलेक्शन स्टेज के साथ, डेप्थ-वन QAOA से बेहतर प्रदर्शन करता है, भले ही बाद वाले में कई क्लासिकल रीस्टार्ट्स का उपयोग किया गया हो।

मूल लेखक: Dmytro Sapozhnyk

प्रकाशित 2026-11-05

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Dmytro Sapozhnyk

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 लेखक ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कंप्यूटिंग के उस शांत कोने में जहाँ वैज्ञानिक ऐसी मशीनें बनाने की कोशिश कर रहे हैं जो अलग तरह से सोच सकें, वहाँ एक निरंतर चुनौती है जिसे 'मैक्स-कट' (Max-Cut) समस्या के रूप में जाना जाता है। कल्पना कीजिए कि एक पार्टी में लोगों का एक समूह है जिन्हें दो अलग-अलग कमरों में विभाजित करने की आवश्यकता है। लक्ष्य यह है कि उन्हें इस तरह व्यवस्थित किया जाए कि दोनों कमरों के बीच अधिकतम मित्रताएँ मौजूद हों, न कि कमरों के भीतर। यह सरल लगने वाला कार्य अविश्वसनीय रूप से कठिन हो जाता है क्योंकि जैसे-जैसे लोगों की संख्या बढ़ती है, संभावित व्यवस्थाओं की संख्या मानव मस्तिष्क द्वारा गणना करने की क्षमता से कहीं अधिक तेजी से बढ़ती है। दशकों से, शास्त्रीय कंप्यूटर (classical computers) इसे हल करने के लिए हमारे पास सबसे अच्छे उपकरण रहे हैं, लेकिन शोधकर्ता अब एक नए प्रकार की मशीन का परीक्षण कर रहे हैं: क्वांटम कंप्यूटर। ये उपकरण उप-परमाणु दुनिया के अजीब नियमों का उपयोग करके एक साथ कई संभावनाओं को तलाशते हैं। हालाँकि, ये शुरुआती क्वांटम मशीनें अभी भी नाजुक और त्रुटियों के प्रति संवेदनशील हैं, इसलिए वैज्ञानिकों को इस बात के बारे में बहुत सावधान रहना चाहिए कि वे उनसे समस्याओं को हल करने के लिए कैसे पूछते हैं। उन्हें न केवल यह जानने की आवश्यकता है कि क्या एक क्वांटम मशीन एक अच्छा उत्तर पा सकती है, बल्कि यह भी कि वहां तक पहुँचने में कितनी मेहनत लगती है, और क्या वह मेहनत उन विश्वसनीय कंप्यूटरों की तुलना में सार्थक है जिनका हम पहले से ही उपयोग कर रहे हैं।

डीमेट्रोज सपोझनिक (Dmytro Sapozhnyk) का एक हालिया अध्ययन इस प्रश्न पर काम करता है और एक छोटे क्वांटम कंप्यूटर को मैक्स-कट समस्या को हल करने के लिए पूछने के दो अलग-अलग तरीकों की तुलना करता है। पहला तरीका एक प्रसिद्ध दृष्टिकोण है जिसे QAOA कहा जाता है, जो एक ऐसे हाइकर (पगडंडी पर चलने वाले यात्री) की तरह कार्य करता है जो कोहरे से भरे परिदृश्य में उच्चतम शिखर खोजने की कोशिश कर रहा है। हाइकर एक कदम उठाता है, ऊंचाई की जांच करता है, और फिर उस जानकारी के आधार पर अपने पथ को समायोजित करता है। इस प्रक्रिया के लिए बहुत अधिक प्रयास और त्रुटि (trial and error) की आवश्यकता होती है, जिसमें कंप्यूटर एक ही गणना को बार-बार करता है, हर बार एक थोड़े अलग अनुमान से शुरू करते हुए, इस उम्मीद में कि वह सर्वोत्तम समाधान पर टकरा जाएगा। दूसरा तरीका, जिसे लेखक ने विकसित किया है और QASPA नाम दिया है, एक अलग दृष्टिकोण अपनाता है। हाइकर की तरह कोहरे में भटकने के बजाय, यह विधि परिदृश्य के माध्यम से एक विशिष्ट पथ बनाती है जो सीधे ऊंचे शिखरों की ओर ले जाने के लिए डिज़ाइन किया गया है। यह निर्देशों के एक निश्चित सेट का उपयोग करता है जो बदलते नहीं हैं, और क्वांटम मशीन को मार्गदर्शन देने के लिए समस्या की संरचना पर भरोसा करता है।

शोधकर्ताओं ने छोटे, अनवेटेड ग्राफ्स (unweighted graphs) के एक संग्रह पर इन दोनों विधियों का परीक्षण किया, जो मूल रूप से बिंदुओं के बीच संबंधों के मानचित्र हैं। उन्होंने आठ बिंदुओं वाले एक छोटे सिस्टम के व्यवहार का अनुकरण किया, जो एक मानक कंप्यूटर पर पूरी तरह से गणना करने के लिए पर्याप्त छोटा था, जिससे वे बिना किसी शोर या त्रुटि के हस्तक्षेप के देख सके कि क्वांटम मशीन वास्तव में क्या करेगी। उन्होंने "हाइकर" विधि, QAOA, को सीमित प्रयासों के बजट के साथ चलाया। उन्होंने केवल एक अनुमान के साथ शुरुआत की और धीरे-धीरे प्रयासों की संख्या बढ़ाकर दस कर दी, और रिकॉर्ड किया कि प्रत्येक बार प्रयास करने पर उत्तर कितने बेहतर होते गए। उन्होंने निश्चित-पथ वाली विधि, QASPA, को केवल एक बार चलाया, निर्देशों के एक एकल, अपरिवर्तित सेट का उपयोग करते हुए। परिणामों ने दिखाया कि दोनों विधियों के प्रदर्शन में स्पष्ट अंतर था। हाइकर विधि, QAOA, में सुधार हुआ क्योंकि इसे अधिक प्रयास दिए गए, और यह अपने सर्वोत्तम व्यवस्था की खोज में धीरे-धीरे ऊपर चढ़ती गई। हालाँकि, दस प्रयासों के बाद भी, इसका औसत प्रदर्शन QASPA विधि के एकल, निश्चित रन की तुलना में कम था।

QASPA विधि को जो चीज़ खास बनाती थी, वह यह नहीं थी कि इसने हर बार पूर्ण उत्तर पाया, बल्कि यह थी कि इसने सर्वोत्तम संभव उत्तरों को अपने सबसे संभावित परिणामों की सूची में सबसे ऊपर रखा। जब शोधकर्ताओं ने QASмPA द्वारा उत्पन्न चार सबसे संभावित परिणामों को देखा, तो उन्होंने पाया कि सर्वोत्तम व्यवस्था लगभग हमेशा उन्हीं में थी। वास्तव में, कई परीक्षण मामलों के लिए, सर्वोत्तम व्यवस्था सबसे संभावित परिणाम थी। इसका अर्थ यह है कि यदि कोई उपयोगकर्ता शीर्ष कुछ सुझावों में से सबसे अच्छा विकल्प चुनता है, तो उन्हें बिना किसी जटिल, समय लेने वाली खोज की आवश्यकता के एक उत्कृष्ट परिणाम प्राप्त होता है। अध्ययन ने यह भी जांचा कि क्या यह परिणाम तब भी बना रहता है जब कंप्यूटर को सीमित संख्या में माप (measurements) करने के लिए मजबूर किया जाता है, जो एक वास्तविक भौतिक मशीन की वास्तविक दुनिया की बाधाओं का अनुकरण करता है। इन सीमाओं के बावजूद, निश्चित-पथ विधि स्थिर और विश्वसनीय बनी रही, लगातार उच्च-गुणवत्ता वाले उम्मीदवारों को वितरित करती रही।

शोधकर्ता इस बात पर ध्यान देने में सावधानी बरतते हैं कि ये निष्कर्ष बहुत छोटे सिस्टम के सिमुलेशन से आते हैं और अभी यह सिद्ध नहीं करते कि यह विधि बड़े, वास्तविक दुनिया के समस्याओं या वास्तविक क्वांटम हार्डवेयर पर बेहतर काम करेगी। उन्होंने यह दावा नहीं किया कि उन्होंने सभी स्थितियों के लिए मैक्स-कट समस्या को हल कर लिया है, न ही उन्होंने यह सुझाव दिया कि उनकी विधि एक जादुई हथियार है जो शास्त्रीय कंप्यूटरों को अप्रचलित बना देगी। इसके बजाय, उन्होंने एक नियंत्रित तुलना प्रदान की जिससे पता चला कि इन विशिष्ट, छोटे उदाहरणों के लिए, समस्या की संरचना को सीधे क्वांटम निर्देशों में शामिल करना, दोहराव वाली खोज प्रक्रिया पर निर्भर रहने की तुलना में अधिक कुशल है। अध्ययन सुझाव देता है कि क्वांटम सर्किटों को इस तरह डिजाइन करके जो समस्या के विशिष्ट आकार का सम्मान करते हों, हम कम प्रयास के साथ बेहतर परिणाम प्राप्त कर सकते हैं, आज की अपूर्ण मशीनों पर भी। यह अंतर्दृष्टि भविष्य के अनुसंधान के लिए एक नया मार्ग प्रदान करती है, जो निरंतर ट्यूनिंग पर कम निर्भर और समस्या की अंतर्निहित ज्यामिति (geometry) पर अधिक केंद्रित क्वांटम एल्गोरिदम बनाने की ओर संकेत करती है।

तकनीकी सारांश: अनवेटेड ग्राफ्स पर QASPA-MaxCut

समस्या विवरण
यह शोध पत्र नोइजी इंटरमीडिएट-स्केल क्वांटम (NISQ) युग में क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन एल्गोरिदम (QAOA) की प्रदर्शन संबंधी बाधाओं को संबोधित करता है। जबकि QAOA कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन (विशेष रूप से Max-Cut) के लिए एक मानक वेरिएशनल दृष्टिकोण है, इसका रिपोर्ट किया गया प्रदर्शन वेरिएशनल पैरामीटर्स के क्लासिकल आउटर-लूप ऑप्टिमाइज़ेशन पर अत्यधिक निर्भर है। व्यवहार में, सीमित गेट डेप्थ, शोर (noise), और बार-बार सर्किट मूल्यांकन की कम्प्यूटेशनल लागत, इष्टतम पैरामीटर्स खोजने की क्षमता को बाधित करती है। लेखक का लक्ष्य क्लासिकल सर्च बजट के प्रभाव को अलग करने के लिए एक मानक डेप्थ-वन QAOA की तुलना एक नए सर्किट निर्माण, QASPA-MaxCut से करके इसे स्पष्ट करना है, जो पैरामीटर ट्यूनिंग पर निर्भरता को कम करने के लिए ग्राफ संरचना को सीधे सर्किट एंसेट (ansatz) में समाहित करता है।

कार्यप्रणाली (Methodology)
अध्ययन एक अनवेटेड ग्राफ के लिए डिज़ाइन किया गया शिफ्ट-फेज सर्किट, QASPA-MaxCut पेश करता है। मानक QAOA के विपरीत, जो एक ग्लोबल प्रॉब्लम यूनिटरी ( $e^{-i\gamma H_C}$ ) और एक ग्लोबल ट्रांसवर्स-फील्ड मिक्सर ( $e^{-i\beta \sum X_i}$ ) को बारी-बारी से लागू करता है, QASPA ग्लोबल मिक्सर के स्थान पर एज-लोकल कंट्रोल्ड रोटेशन्स का उपयोग करता है।

सर्किट निर्माण: QASPA एंसेट एक हैडामार्ड लेयर के साथ शुरू होता है ताकि एक यूनिफॉर्म सुपरपोजिशन बनाया जा सके। ग्राफ में प्रत्येक एज $(i, j)$ के लिए, एक विशिष्ट ब्लॉक लागू किया जाता है: $CX_{i,j} R_y^{(j)}(\theta_{ij}) CX_{i,j}$ ।
एज एनकोडिंग: अनवेटेड केस के लिए रोटेशन एंगल $\theta_{ij}$ को सभी एडजेस के लिए वैश्विक रूप से $\alpha = \pi/4$ पर स्थिर किया गया है। यह ब्लॉक बीजगणितीय रूप से $\exp(-i \frac{\alpha}{2} Z_i Y_j)$ के रूप में कार्य करता है, जो एक डायगोनल फेज लगाने के बजाय विशिष्ट एज पेयर के लिए कट (cut) और अनकट (uncut) कॉन्फ़िगरेशन के बीच एम्प्लीट्यूड को पुनर्वितरित करता है।
प्रायोगिक प्रोटोकॉल:
- ग्राफ: अध्ययन छोटे इंस्टेंस ( $n=8$ वर्टिसेस) के लिए सटीक स्टेट-वेक्टर सिमुलेशन का उपयोग करता है। इसमें कनेक्टेड बैकबोन-ऑगमेंटेड रैंडम ग्राफ्स (अतिरिक्त एज प्रोबेबिलिटी $p_{edge} \in \{0.1, 0.3, 0.5, 0.7\}$ के साथ) और 19 हस्त-निर्धारित कस्टम टोपोलॉजी शामिल हैं।
- QAOA बेसलाइन: एक डेप्थ-वन QAOA सर्किट को लोकल नेल्डर-मीड (Nelder-Mead) ऑप्टिमाइज़र का उपयोग करके अनुकूलित किया गया है। इसका प्रदर्शन एक "बेस्ट-ऑफ- $k$ " कर्व के रूप में मापा जाता है, जहाँ $k$ स्वतंत्र रैंडम रिस्टार्ट्स की संख्या है (1 से 10 तक की रेंज में)।
- QASPA मूल्यांकन: QASPA को बिना किसी आउटर-लूप सर्च के फिक्स्ड एंगल $\alpha = \pi/4$ के साथ चलाया जाता है। रिपोर्ट किया गया स्कोर क्लासिकल सिलेक्शन रेश्यो है: एल्गोरिदम उच्चतम आउटपुट प्रोबेबिलिटी वाले चार बिट स्ट्रिंग्स का चयन करता है, उन्हें Max-Cut ऑब्जेक्टिव के विरुद्ध मूल्यांकित करता है, और उनमें से प्राप्त सर्वश्रेष्ठ कट की रिपोर्ट करता है।
- रीडआउट: कस्टम टोपोलॉजी के लिए, सैंपलिंग शोर के तहत स्थिरता को सत्यापित करने के लिए एक एडेप्टिव शॉट बजट ( $N_{shots} = \lceil 0.03047 \cdot 2^n + 1016.2 \rceil$ ) का उपयोग करके एक फाईनाइट-शॉट रीडआउट चेक किया जाता है।

मुख्य योगदान

बीजगणितीय व्युत्पत्ति (Algebraic Derivation): पेपर QASPA एज ब्लॉक की सटीक टू-क्विबिट बीजगणित प्रदान करता है, यह प्रदर्शित करते हुए कि कैसे $CX-R_y-CX$ अनुक्रम एम्प्लीट्यूड को पुनर्वितरित करता है, जिससे मिक्सिंग स्टेप में एज स्ट्रक्चर प्रभावी रूप से समाहित हो जाता है।
वर्क उदाहरण: चार-वर्टेक्स वाले अनवेटेड ग्राफ का एक पूर्ण, ट्रैसेबल गणितीय और संख्यात्मक वॉकथ्रू प्रदान किया गया है, जिसमें एज शेड्यूल, स्टेट इवोल्यूशन और आउटपुट प्रोबेबिलिटीज का विवरण दिया गया है ताकि निर्माण को मान्य किया जा सके।
नियंत्रित तुलना: अध्ययन एक पारदर्शी क्लासिकल सर्च बजट के साथ एक फिक्स्ड-एंगल, स्ट्रक्चर-एम्बेडेड सर्किट (QASPA) की तुलना एक वेरिएशनल बेसलाइन (QAOA) के साथ करके एक पुनरुत्पादक प्रयोगात्मक ढांचा स्थापित करता है। यह "रिस्टार्ट इफेक्ट" को अलग करता है ताकि यह निर्धारित किया जा सके कि प्रतिस्पर्धी बनने के लिए कितने क्लासिकल ऑप्टिमाइज़ेशन की आवश्यकता है।

परिणाम

कैंडिडेट क्वालिटी: परीक्षण किए गए छोटे इंस्टेंस में, फिक्स्ड-एंगल QASPA स्टेट इष्टतम (या निकट-इष्टतम) Max-Cut समाधानों को शीर्ष चार उच्चतम-प्रोबेबिलिटी बिट स्ट्रिंग्स के भीतर रखता है। फलस्वरूप, QASPA का क्लासिकल सिलेक्शन रेश्यो अत्यंत उच्च है, जो ग्राफ समूहों में 0.955 से 1.000 के बीच रहता है।
QAOA संवेदनशीलता: डेप्थ-वन QAOA का प्रदर्शन क्लासिकल रिस्टार्ट्स की संख्या के प्रति अत्यधिक संवेदनशील है। हालांकि अतिरिक्त रिस्टार्ट्स के साथ अपेक्षित एप्रोक्सिमेशन रेश्यो सुधरता है (जैसे, स्पार्स ग्राफ्स के लिए ~0.71 से ~0.79 तक बढ़ना), यह 10 रिस्टार्ट्स के परीक्षण बजट के भीतर भी लगातार QASPA सिलेक्शन स्कोर से कम रहता है।
स्थिरता: कस्टम टोपोलॉजी पर फाईनाइट-शॉट रीडआउट चेक दिखाते हैं कि निर्धारित शॉट बजट के तहत QASPA सिलेक्शन स्कोर स्थिर (मीन 1.000 और शून्य मानक विचलन के साथ) रहता है, जो इन विशिष्ट मामलों के लिए कैंडिडेट सिलेक्शन नियम की मजबूती की पुष्टि करता है।
एज ऑर्डर संवेदनशीलता: अध्ययन नोट करता है कि नॉन-कम्यूटिंग एज ब्लॉक्स के कारण QASPA ऑर्डर-इनवेरिएंट नहीं है। हालांकि, परीक्षणों में एज ऑर्डर्स के रैंडम परम्यूटेशन ने कैनोनिकल फिक्स्ड-ऑर्डर वैल्यूज के करीब ग्रुप मीन्स दिए, जो छोटे पैमाने के परीक्षणों में कुछ लचीलेपन का सुझाव देते हैं।

महत्व और दावे
पेपर एसिम्प्टोटिक श्रेष्ठता या हार्डवेयर प्रभुत्व का दावा करने के बजाय मध्यम, नियंत्रित दावे करता है। प्राथमिक निष्कर्ष यह है कि छोटे, अनवेटेड ग्राफ्स के लिए, एक फिक्स्ड-एंगल QASPA सर्किट बिना किसी महंगे आउटर-लूप पैरामीटर सर्च के उच्च-गुणवत्ता वाले Max-Cut समाधानों वाला कैंडिडेट सेट उत्पन्न कर सकता है। इसके विपरीत, मानक डेप्थ-वन QAOA को समान प्रदर्शन स्तर तक पहुँचने के लिए एक महत्वपूर्ण क्लासिकल ऑप्टिमाइज़ेशन बजट (कई रिस्टार्ट्स) की आवश्यकता होती है, और फिर भी, वह रिपोर्ट किए गए मीन्स में QASPA सिलेक्शन स्कोर को पार नहीं कर पाता है।

लेखक इसे इस रूप में प्रस्तुत करता है कि सर्किट एंसेट में सीधे इंस्टेंस स्ट्रक्चर को समाहित करना (एज-लोकल मिक्सिंग के माध्यम से) क्लासिकल पैरामीटर ट्यूनिंग के बोझ को कम कर सकता है। यह कार्य यह समझने के लिए एक बेसलाइन के रूप में कार्य करता है कि उथले डेप्थ (shallow depths) पर सर्किट स्ट्रक्चर और क्लासिकल सर्च बजट के बीच क्या ट्रेड-ऑफ है। पेपर स्पष्ट रूप से बड़े $n$ के लिए स्केलिंग, वेटेड ग्राफ्स पर प्रदर्शन, या नोइजी हार्डवेयर पर व्यवहार से संबंधित दावों से बचता है, और इन्हें हार्डवेयर-फेसिंग निष्कर्ष निकालने से पहले आवश्यक भविष्य के चरणों के रूप में पहचानता है।

इसी तरह के और पेपर