← नवीनतम पेपर
⚛️ क्वांटम भौतिकी

Variational Relevance-Informed Sparsification of Term Measurements for Variational Quantum Algorithms

यह शोध पत्र एक ऐसे सीखे गए नियंत्रक (learned controller) को प्रस्तुत करता है जो वेरिएशनल क्वांटम एल्गोरिदम में मापन ओवरहेड को महत्वपूर्ण रूप से कम करने के लिए ग्रेडिएंट योगदान में पैरामीटर-विशिष्ट विरलता (parameter-specific sparsity) का लाभ उठाता है, जो भौतिक निरूपणों को कार्य-विशिष्ट उद्देश्यों के साथ प्रभावी ढंग से एकीकृत करके अनगाइडेड लार्ज लैंग्वेज मॉडल्स की तुलना में बेहतर प्रदर्शन प्रदर्शित करता है।

मूल लेखक: Yifeng Peng, Bin Yan, Harshal Shah, Srinivasan Raghuraman, Kim Wagner, Sunpreet Singh Arora

प्रकाशित 2026-11-18
📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

मूल लेखक: Yifeng Peng, Bin Yan, Harshal Shah, Srinivasan Raghuraman, Kim Wagner, Sunpreet Singh Arora

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 खोज में, वैज्ञानिक वर्तमान में एक ऐसी समस्या को हल करने की कोशिश कर रहे हैं जो सुनने में सरल लगती है लेकिन अविश्वसनीय रूप से कठिन है: किसी अणु (molecule) की निम्नतम ऊर्जा अवस्था (lowest energy state) को कैसे खोजा जाए। यह रासायनिक प्रतिक्रियाओं को समझने, नई दवाओं को डिजाइन करने या बेहतर सामग्रियां बनाने की कुंजी है। इस काम के लिए अग्रणी उपकरण को 'वेरिएशनल क्वांटम आइजनसॉल्वर' (variational quantum eigensolver) कहा जाता है। यह एक क्वांटम सर्किट सेट करके, उसे चलाकर और परिणामों को मापकर यह देखने के तरीके से काम करता है कि सिस्टम लक्ष्य ऊर्जा के कितने करीब है। यदि परिणाम सटीक नहीं है, तो कंप्यूटर सेटिंग्स को समायोजित करता है और फिर से प्रयास करता है। यह चक्र हजारों बार तब तक दोहराया जाता है जब तक कि उत्तर न मिल जाए। समस्या यह है कि क्वांटम कंप्यूटर नाजुक और शोर वाले (noisy) होते हैं, इसलिए एक एकल माप शायद ही कभी पर्याप्त होता है। एक विश्वसनीय उत्तर प्राप्त करने के लिए, शोधकर्ताओं को एक ही प्रयोग को हजारों बार दोहराना पड़ता है, जिसे "शॉट्स" (shots) लेना कहा जाता है। जैसे-जैसे अणु बड़े और गणनाएं अधिक जटिल होती जाती हैं, आवश्यक शॉट्स की संख्या तेजी से बढ़ती है, जो अक्सर मुख्य बाधा बन जाती है जो पूरी प्रक्रिया को धीमा कर देती है।

वीजा (Visa) के शोधकर्ताओं की एक टीम ने बिना सटीकता खोए इसे तेज करने का एक नया तरीका विकसित किया है। उन्होंने पाया कि क्वांटत माप का सभी हिस्से गणना के प्रत्येक चरण के लिए समान रूप से महत्वपूर्ण नहीं होते हैं। एक विशिष्ट रन में, कंप्यूटर सेटिंग्स को कैसे समायोजित किया जाए, यह गणना करने के लिए कई अलग-अलग क्वांटम बिट्स के समूहों को मापता है। शोधकर्ताओं ने पाया कि किसी भी विशिष्ट समायोजन के लिए, इन समूहों में से केवल एक छोटा, विशिष्ट उपसमुच्चय (subset) ही वास्तव में मायने रखता है। बाकी बहुत कम योगदान देते हैं। यह एक शहर में नेविगेट करने की कोशिश करने जैसा है जहाँ एक मानचित्र में हर सड़क, गली और ड्राइववे दिखाया गया है; एक विशिष्ट यात्रा के लिए, आपको केवल मुख्य सड़कों को जानने की आवश्यकता होती है। शोधकर्ताओं ने महसूस किया कि यदि वे पहचान सकें कि प्रत्येक विशिष्ट मोड़ के लिए कौन सी "सड़कें" आवश्यक थीं, तो वे बाकी को अनदेखा कर सकते हैं और बहुत सारा समय बचा सकते हैं।

इसे साकार करने के लिए, उन्होंने एक स्मार्ट कंट्रोलर बनाया, जो एक प्रकार का आर्टिफिशियल इंटेलिजेंस है जिसे यह अनुमान लगाने के लिए प्रशिक्षित किया गया है कि कौन से माप आवश्यक हैं। हर बार सब कुछ मापने के बजाय, यह कंट्रोलर क्वांटम सर्किट की वर्तमान स्थिति और किए जा रहे विशिष्ट समायोजन को देखता है। फिर यह तय करता है कि मापों के किन समूहों को रखना है और किन्हें छोड़ देना है। इस पद्धति का परीक्षण पंद्रह विभिन्न आणविक सिमुलेशनों पर किया गया। इन परीक्षणों में, इस नई पद्धति ने सटीकता खोए बिना आवश्यक मापों में से लगभग आधे को सफलतापूर्वक बचा लिया। विशेष रूप से, इसने पूर्ण, बिना छोड़े गए संस्करण की तुलना में आवश्यक शॉट्स की संख्या को 49.6 प्रतिशत तक कम कर दिया, जबकि अंतिम ऊर्जा गणना को अत्यधिक सटीक रखा। अंतिम ऊर्जा परिणाम में अंतर बहुत कम था, जो औसतन केवल 5.67 मिलीहार्ट्री (millihartrees) था, जो रसायन विज्ञान में उपयोग की जाने वाली ऊर्जा की एक इकाई है। इसका मतलब है कि कंप्यूटर लगभग आधे समय में उसी स्तर की रासायनिक सटीकता तक पहुँच सकता है।

शोधकर्ताओं ने यह भी पता लगाया कि क्या लार्ज लैंग्वेज मॉडल्स (large language models), वही शक्तिशाली एआई उपकरण जो निबंध लिख सकते हैं या प्रश्नों के उत्तर दे सकते हैं, बिना किसी विशेष प्रशिक्षण के इस समस्या को हल कर सकते हैं। उन्होंने इन सामान्य-उद्देश्य वाले मॉडलों से प्रदान किए गए भौतिक डेटा के आधार पर महत्वपूर्ण मापों को चुनने के लिए कहा। परिणाम मिले-जुले रहे। हालांकि मॉडल कभी-कभी उपयोगी समूहों की पहचान कर सकते थे, लेकिन वे असंगत थे। बिना विशिष्ट मार्गदर्शन के, वे अक्सर उस भौतिक जानकारी को प्राथमिकता देने में विफल रहे जो वास्तव में सबसे अधिक मायने रखती थी। कस्टम-निर्मित कंट्रोलर, जिसे विशेष रूप से क्वांटम यांत्रिकी के नियमों और समस्या की संरचना पर प्रशिक्षित किया गया था, बहुत बेहतर प्रदर्शन करता है। इसने सामान्य मॉडलों की तुलना में उपलब्ध सुरागों का अधिक प्रभावी ढंग से उपयोग करना सीख लिया। यह सुझाव देता है कि जटिल वैज्ञानिक कार्यों के लिए, सबसे अच्छा दृष्टिकोण एक एकल, सर्वज्ञ एआई पर भरोसा करना नहीं है, बल्कि सामान्य मॉडलों के लचीलेपन को उन विशिष्ट उपकरणों के साथ जोड़ना है जो क्षेत्र के विशिष्ट नियमों को समझते हैं।

अध्ययन ने यह भी देखा कि जब स्थितियां बदलती हैं, जैसे कि जब क्वांटम सर्किट गहरा हो जाता है या जब अणु उस डेटा से अलग होता है जिस पर सिस्टम को प्रशिक्षित किया गया था, तो यह विधि कितनी अच्छी तरह काम करती है। कंट्रोलर ने मजबूती से काम किया, और उन नई स्थितियों का सामना करने पर भी शॉट्स बचाने की अपनी क्षमता बनाए रखी जिन्हें उसने पहले कभी नहीं देखा था। यह मजबूती (robustness) महत्वपूर्ण है क्योंकि वास्तविक दुनिया के अनुप्रयोग शायद ही कभी प्रशिक्षण डेटा के बिल्कुल समान होंगे। शोधकर्ताओं ने पाया कि इस पद्धति को गति और सटीकता के बीच संतुलन बनाने के लिए ट्यून किया जा सकता है। एक सेटिंग को बदलकर, वे चुन सकते थे कि यदि थोड़ा बड़ा त्रुटि मार्जिन स्वीकार्य है तो और अधिक शॉट्स बचाएं, या यदि उन्हें उच्चतम संभव सटीकता की आवश्यकता है तो अधिक माप रखें। यह लचीलापन वैज्ञानिकों को लागत और गुणवत्ता के बीच संतुलन को नियंत्रित करने का सीधा तरीका देता है।

अंततः, यह कार्य वर्तमान क्वांटम कंप्यूटिंग वर्कफ़्लो की एक विशिष्ट कमजोरी को उजागर करता है: केवल सुरक्षित रहने के लिए सब कुछ मापने की प्रवृत्ति। यह सिद्ध करके कि इन मापों का एक महत्वपूर्ण हिस्सा किसी भी दिए गए चरण के लिए अनावश्यक है, शोधकर्ताओं ने बहुत अधिक कुशल क्वांटम एल्गोरिदम के लिए एक मार्ग खोल दिया है। निष्कर्ष बताते हैं कि क्वांटम कंप्यूटिंग का भविष्य केवल बड़ी मशीनें बनाने पर ही नहीं, बल्कि हमारे पास मौजूद मशीनों का अधिक स्मार्ट तरीके से उपयोग करने पर भी निर्भर करेगा। रासायनिक डेटा की गुणवत्ता से समझौता किए बिना माप के समय को आधा करने की क्षमता, ड्रग डिस्कवरी और सामग्री विज्ञान के लिए इन एल्गोरिदम के व्यावहारिक अनुप्रयोग को बहुत अधिक व्यवहार्य बनाती है। यह शोध पुष्टि करता है कि समस्या की विशिष्ट संरचना को समझने से उन बुद्धिमान शॉर्टकटों का पता चलता है जिन्हें सामान्य विधियाँ चूक जाती हैं, जो एक ऐसे भविष्य की ओर संकेत करता है जहाँ भौतिकी-जागरूक (physics-aware) एआई क्वांटम कंप्यूटर को उसके उत्तरों तक मार्गदर्शन करेगा।

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 →