← नवीनतम पेपर
⚛️ क्वांटम भौतिकी

Max-Cut QAOA on Non-Hardware-Native Graphs via MinLA Surrogates and Configuration Recovery

यह शोध पत्र एक हाइब्रिड क्वांटम-क्लासिकल वर्कफ़्लो का प्रस्ताव करता है जो कम इंटरैक्शन वाले MinLA-आधारित सरोगेट मॉडल का निर्माण करके गैर-हार्डवेयर-नेटिव ग्राफों पर QAOA सर्किट की गहराई को कम करता है और तत्पश्चात शास्त्रीय परिशोधन रणनीतियों के माध्यम से मूल MAX-CUT समस्या के लिए निकट-इष्टतम समाधानों को पुनः प्राप्त करता है।

मूल लेखक: K. Bharati, Nathan Earnest-Noble, Ritajit Majumdar

प्रकाशित 2026-11-16
📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

मूल लेखक: K. Bharati, Nathan Earnest-Noble, Ritajit Majumdar

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

उपयोगी क्वांटम कंप्यूटर बनाने की दौड़ में, वैज्ञानिक वर्तमान में एक कठिन मध्य मार्ग पर चल रहे हैं। उनके पास ऐसी मशीनें हैं जो पारंपरिक कंप्यूटरों की तुलना में विशिष्ट गणनाओं को बहुत तेज़ी से कर सकती हैं, फिर भी ये मशीनें अभी भी नाजुक और सीमित आकार की हैं। उन्हें उपयोग करने का सबसे आशाजनक तरीकों में से एक जटिल पहेलियों को हल करना है जिन्हें अनुकूलन (optimization) समस्याएँ कहा जाता है, जहाँ लक्ष्य लाखों विकल्पों में से सबसे अच्छा संभव विन्यास खोजना होता है। इसे करने के लिए एक प्रमुख विधि है जिसे 'क्वांटम एप्रोक्सिमेट ऑप्टिमिज़ेशन एल्गोरिदम' (Quantum Approximate Optimization Algorithm) कहा जाता है। यह एक क्वांटम अवस्था तैयार करके काम करता है जो एक साथ कई संभावित उत्तरों का प्रतिनिधित्व करती है और फिर सर्वोत्तम को खोजने के लिए इसे परिष्कृत करता है। हालाँकि, एक बड़ी बाधा मौजूद है: वास्तविक क्वांटम चिप्स हर प्रकार की पहेली को सीधे संभालने के लिए नहीं बनाए गए हैं। चिप्स में उनके सूक्ष्म प्रसंस्करण इकाइयों के बीच कनेक्शन का एक विशिष्ट, विरल (sparse) लेआउट होता है, जबकि कई दिलचस्प समस्याओं में कनेक्शन का घना जाल होता है जो इसमें फिट नहीं बैठता। एक बेमेल समस्या को चिप पर थोपने के लिए, इंजीनियरों को दूर स्थित इकाइयों के बीच सूचना स्थानांतरित करने के लिए अतिरिक्त चरण डालने पड़ते हैं, एक ऐसी प्रक्रिया जो जटिलता और शोर (noise) की परतें जोड़ देती है। यह शोर अक्सर उत्तर मिलने से पहले ही नाजुक क्वांटमान सूचना को नष्ट कर देता है, जिससे मशीन उन समस्याओं को हल करने में असमर्थ हो जाती है जिन्हें हल करने के लिए उसे बनाया गया था।

IBM रिसर्च और भारतीय प्रौद्योगिकी संस्थान मद्रास के शोधकर्ताओं ने इस बाधा को पार करने के लिए एक नई रणनीति विकसित की है, जिससे क्वांटम कंप्यूटर पहले की तुलना में बड़े, अधिक जटिल ग्राफ संबंधी समस्याओं को हल करने में सक्षम हो गए हैं। उनकी पद्धति, जिसका परीक्षण 156-क्विबिट प्रोसेसर पर किया गया, एक चतुर दो-चरणीय वर्कफ़्लो शामिल करती है जो क्वांटम मशीन की क्षमता और एक क्लासिकल कंप्यूटर द्वारा ठीक किए जाने वाले कार्यों के बीच संतुलन बनाती है। पूरी जटिल समस्या को एक साथ चिप पर थोपने के बजाय, टीम पहले समस्या का एक सरल, "सरोगेट" (surrogate) संस्करण बनाती है जो चिप की भौतिक सीमाओं के भीतर फिट बैठता है। वे इसे समस्या के घटकों को पुनर्व्यवस्थित करके प्राप्त करते हैं ताकि सबसे महत्वपूर्ण कनेक्शन छोटे और स्थानीय हों, और फिर केवल उन कनेक्शनों का चयन करते हैं जिन्हें त्रुटिपूर्ण रूटिंग चरणों से मशीन को अभिभूत किए बिना निष्पादित किया जा सकता है। यह क्वांटम कंप्यूटर को बहुत छोटा, स्वच्छ सर्किट चलाने और संभावित समाधानों का एक सेट उत्पन्न करने की अनुमति देता है।

असली नवाचार इसमें निहित है कि इसके बाद क्या होता है। शोधकर्ता केवल क्वांटम कंप्यूटर के आउटपुट को अंतिम उत्तर के रूप में स्वीकार नहीं करते हैं। इसके बजाय, वे सरलीकृत क्वांटम सर्किट द्वारा उत्पन्न सर्वोत्तम संभावित समाधानों को लेते हैं और उन्हें एक क्लासिकल कंप्यूटर में फीड करते हैं। यह क्लासिकल कंप्यूटर फिर उस जानकारी को सुधारने के लिए एक कठोर, चरण-दर-चरण परिशोधन प्रक्रिया करता है जिसे सरलीकरण के दौरान छोड़ दिया गया था। यह उम्मीदवारों का मूल, पूर्ण, जटिल समस्या के विरुद्ध मूल्यांकन करता है और उन्हें तब तक व्यवस्थित रूप से बेहतर बनाता है जब तक कि वे एक लगभग आदर्श स्थिति तक न पहुँच जाएँ। क्वांटम सैंपलिंग के भारी कार्य को अंतिम उत्तर की पॉलिशिंग से अलग करके, टीम ने 100 वर्टिस (शीर्षों) तक के ग्राफ वाले एक क्लासिक ग्राफ समस्या, जिसे MAX-CUT कहा जाता है, के उदाहरणों को सफलतापूर्वक हल किया। ये ग्राफ इतने घने थे कि उन्हें सीधे हार्डवेयर पर चलाना असंभव था, फिर भी हाइब्रिड पद्धति ने ऐसे समाधान उत्पन्न किए जो सैद्धांतिक रूप से सर्वोत्तम संभव उत्तरों के लगभग समान थे।

इस पद्धति का मूल इस बात पर निर्भर करता है कि समस्या के डेटा को क्वांटम चिप तक पहुँचने से पहले किस तरह से व्यवस्थित किया जाता है। शोधकर्ताओं ने ग्राफ के वर्टिस को पुनर्व्यवस्थित करने के लिए 'मिनिमम लीनियर अरेंजमेंट' (Minimum Linear Arrangement) नामक एक गणितीय तकनीक का उपयोग किया। कल्पना कीजिए कि समस्या शहरों के एक मानचित्र के रूप में है जो सड़कों से जुड़े हुए हैं; लक्ष्य शहरों को दो समूहों में विभाजित करने का एक तरीका खोजना है ताकि समूहों के बीच से गुजरने वाली सड़कों की संख्या अधिकतम हो। एक मानक क्वांटम चिप पर, शहरों के बीच के कनेक्शन निश्चित और विरल होते हैं। यदि मानचित्र पर शहर एक-दूसरे से दूर हैं, तो चिप को उन्हें जोड़ने के लिए लंबे, घुमावदार पुल बनाने होंगे, जो त्रुटियों को जन्म देता है। शोधकर्ताओं की व्यवस्था तकनीक शहरों को इस तरह से पुनर्व्यवस्थित करती है कि वे शहर जिनके बीच आपस में कई कनेक्शन हैं, उन्हें क्रम में एक-दूसरे के ठीक बगल में रखा जाए। यह उन्हें एक "बैंड" के इंटरैक्शन चुनने की अनुमति देता है जो सभी पास-पास हैं, और उन लंबे, महंगे कनेक्शनों को हटा देता है जिन्हें निष्पादित करने के लिए बहुत अधिक त्रुटिपूर्ण चरणों की आवश्यकता होगी।

यह चयन प्रक्रिया सर्किट की गहराई (depth) के लिए एक सख्त बजट द्वारा निर्देशित होती है, जो अनिवार्य रूप से उन चरणों की संख्या है जो क्वांटम कंप्यूटर को लगातार लेने चाहिए। शोधकर्ताओं ने अपने विशिष्ट हार्डवेयर के लिए इस गहराई सीमा के भीतर फिट होने वाले कनेक्शनों के सबसे व्यापक संभव बैंड का निर्धारण किया। उन्होंने यह सुनिश्चित किया कि समस्या का प्रत्येक शहर, भले ही उसके कुछ कनेक्शन अस्थायी रूप से अनदेखे कर दिए गए हों, सरलीकृत मॉडल का हिस्सा बना रहे। इसने एक सरोगेट हैमिल्टोनियन (surrogate Hamiltonian) बनाया, जो समस्या के ऊर्जा परिदृश्य का एक सरल संस्करण है जिसे क्वांटम कंप्यूटर वास्तव में चला सकता है। जब उन्होंने IBM प्रोसेसर पर इस सरलीकृत सर्किट को चलाया, तो उन्होंने पाया कि इसने पूर्ण समस्या को चलाने की तुलना में आवश्यक चरणों की संख्या को आधे से अधिक कम कर दिया, फिर भी मूल ग्राफ की एक महत्वपूर्ण संरचना को बरकरार रखा। उनके द्वारा परीक्षण किए गए सबसे बड़े ग्राफों के लिए, जिनमें लगभग एक हजार कनेक्शन थे, इस पद्धति ने लगभग आधे इंटरैक्शन को बनाए रखा, जो कि ग्राफ को एक साधारण श्रृंखला तक सीमित करने वाली पिछली तकनीकों के साथ असंभव होता।

क्वांटम कंप्यूटर फिर इस सरलीकृत परिदृश्य से हजारों संभावित समाधानों का नमूना (sample) लेता है। क्योंकि सर्किट छोटा और स्वच्छ था, इसलिए इसके द्वारा उत्पन्न समाधान एक शोर वाले, पूर्ण-डेप्थ प्रयास की तुलना में उच्च गुणवत्ता के थे। हालाँकि, ये समाधान अभी भी समस्या की एक अपूर्ण तस्वीर पर आधारित थे। इसे ठीक करने के लिए, टीम ने दो अलग-अलग क्लासिकल रिकवरी रणनीतियों का उपयोग किया। पहला एक 'ग्रीडी' (greedy) दृष्टिकोण था जो प्रत्येक शहर को व्यक्तिगत रूप से देखता था और उसके समूह असाइनमेंट को बदल देता था यदि ऐसा करने से क्रॉसिंग सड़कों की कुल संख्या में सुधार होता था। दूसरा, अधिक परिष्कृत दृष्टिकोण समूहों के जोड़ों को देखता था और एक विशिष्ट प्रकार की अनुकूलन समस्या को हल करता था ताकि उन्हें एक साथ पुनर्व्यवस्थित करने का सबसे अच्छा तरीका मिल सके। यह दूसरा तरीका, जो नेटवर्क में 'मिनिमम कट' खोजने से संबंधित एक तकनीक का उपयोग करता है, सिस्टम को उन स्थानीय जाल (local traps) से बाहर निकलने की अनुमति देता है जहाँ एक एकल परिवर्तन से मदद नहीं मिलती, लेकिन एक समन्वित परिवर्तन से मदद मिल सकती है।

इस हाइब्रिड वर्कफ़्लो के परिणाम आश्चर्यजनक थे। 100 वर्टिस वाले ग्राफों पर, क्वांटम कंप्यूटर से प्राप्त कच्चा आउटपुट, सरलीकरण के बाद भी, पहले से ही काफी अच्छा था। लेकिन रिकवरी चरण के बाद, समाधानों की गुणवत्ता नाटकीय रूप से बढ़ गई। रिकवरी के बाद मिले सर्वोत्तम समाधानों ने लगभग 0.997 का एप्रोक्सिमेशन रेशियो प्राप्त किया, जिसका अर्थ है कि वे पूर्णतः सर्वोत्तम संभव उत्तर के 0.3 प्रतिशत के भीतर थे। यह तब भी सच था जब क्वांटम कंप्यूटर ने मूल समस्या के लिए आवश्यक पूर्ण सेट के इंटरैक्शन को कभी निष्पादित नहीं किया। शोधकर्ताओं ने सत्यापित किया कि यह सुधार पूरी तरह से क्लासिकल रिफाइनमेंट से आया था, क्योंकि रिकवरी प्रक्रिया ने क्वांटम प्रोसेसर पर बिना किसी अतिरिक्त समय के, प्रत्येक उम्मीदवार समाधान पर स्वतंत्र रूप से काम किया।

यह कार्य प्रदर्शित करता है कि वर्तमान क्वांटम हार्डवेयर की सीमाएं आवश्यक रूप से इसे बड़ी, जटिल समस्याओं को हल करने से नहीं रोकती हैं। हार्डवेयर की बाधाओं को स्वीकार करके और एक ऐसा वर्कफ़्लो डिज़ाइन करके जो उनका सम्मान करता है, शोधकर्ताओं ने दिखाया कि एक सरलीकृत क्वांटम निष्पादन से उपयोगी संकेत निकाले जा सकते हैं और क्लासिकल कंप्यूटिंग के माध्यम से उन्हें बढ़ाया जा सकता है। यह पद्धति विशेष रूप से शक्तिशाली है क्योंकि यह स्केलेबल है; जैसे-जैसे क्वांटम प्रोसेसर बेहतर होते हैं और गहरे सर्किट को सहन कर सकते हैं, इंटरैक्शन का "बैंड" व्यापक किया जा सकता है ताकि मूल समस्या के अधिक हिस्से को शामिल किया जा सके, जिससे क्लासिकल कंप्यूटर का काम कम हो जाएगा। इसके विपरीत, आज की शोर वाली मशीनों के लिए, यह विधि एक व्यावहारिक मार्ग प्रदान करती है, जो यह सिद्ध करती है कि हार्डवेयर-जागरूक सरलीकरण और क्लासिकल रिकवरी का संयोजन उच्च-गुणवत्ता वाले समाधान प्रदान कर सकता है जो पहले पहुंच से बाहर थे। अध्ययन पुष्टि करता है कि क्वांटम अनुकूलन का भविष्य पूर्ण, त्रुटि-मुक्त मशीनों की प्रतीक्षा करने में नहीं है, बल्कि स्मार्ट, हाइब्रिड सिस्टम बनाने में है जो उपलब्ध अपूर्ण उपकरणों के साथ काम करना जानते हैं।

अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?

आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।

Digest आज़माएँ →