🧬 biology

Numerical Optimization Strategies for the Variational Hamiltonian Ansatz in Noisy Quantum Environments

यह अध्ययन प्रदर्शित करता है कि जहाँ ग्रेडिएंट-आधारित ऑप्टिमाइज़र शोरहीन सिमुलेशन में उत्कृष्ट होते हैं, वहीं CMA-ES जैसी जनसंख्या-आधारित रणनीतियाँ वेरिएशनल हैमिल्टोनियन एंसेट्स (Variational Hamiltonian Ansatz) गणनाओं में परिमित-शॉट सैंपलिंग शोर (finite-shot sampling noise) के विरुद्ध काफी अधिक सुदृढ़ होती हैं, और उच्च-शॉट पुनर्मूल्यांकन सैंपलिंग-प्रेरित उतार-चढ़ाव को कम करने और सटीक ऊर्जा अनुमानों को पुनः प्राप्त करने में प्रभावी ढंग से सक्षम है।

मूल लेखक: Silvie Illésová, Vojtěch Novák, Tomáš Bezděk, Clemens Sauer Possel, Martin Beseda

प्रकाशित 2026-07-29

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Silvie Illésová, Vojtěch Novák, Tomáš Bezděk, Clemens Sauer Possel, Martin Beseda

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक आदर्श चॉकलेट केक बनाने की कोशिश कर रहे हैं, लेकिन आप एक ऐसे किचन में हैं जहाँ लाइटें बुरी तरह झिलमिला रही हैं, ओवन का तापमान ऊपर-नीचे हो रहा है, और हर बार जब आप बैटर (घोल) को चखते हैं, तो चम्मच आपको थोड़ा अलग परिणाम देता है। यह आज के क्वांटम कंप्यूटिंग की दुनिया है। वैज्ञानिक ऐसी मशीनें बना रहे हैं जो सामान्य कंप्यूटरों के लिए असंभव समस्याओं को हल कर सकती हैं, जैसे कि नए दवाओं या सामग्रियों के निर्माण के लिए अणुओं (molecules) के बीच होने वाली अंतःक्रियाओं का अनुकरण करना। हालाँकि, ये मशीनें वर्तमान में "नॉइजी" (noisy) हैं, जिसका अर्थ है कि वे गलतियाँ करती हैं और धुंधले उत्तर देती हैं। उपयोगी परिणाम प्राप्त करने के लिए, शोधकर्ता एक चतुर तकनीक का उपयोग करते हैं जिसे वेरिएशनल क्वांटम आइजनसॉल्वर (VQE) कहा जाता है। इसे एक रेसिपी के साथ खेले जाने वाले "हॉट एंड कोल्ड" (गर्म और ठंडा) के खेल के रूप में सोचें। आपके पास एक डिजिटल रेसिपी (एक क्वांटम सर्किट) है जिसमें कई नॉब्स (knobs) हैं जिन्हें आप घुमा सकते हैं (पैरामीटर्स)। आप उन नॉब्स को तब तक घुमाना चाहते हैं जब तक कि केक (अणु) का स्वाद बिल्कुल सही (न्यूनतम ऊर्जा/lowest energy) न हो जाए। लेकिन क्योंकि किचन शोर-शराबे वाला (noisy) है, इसलिए हर बार जब आप स्वाद की जाँच करते हैं, तो परिणाम थोड़ा गड़बड़ होता है।

इस गड़बड़ स्वाद को ठीक करने के लिए, आपको एक क्लासिकल ऑप्टिमाइज़र की आवश्यकता है—जो एक स्मार्ट कंप्यूटर प्रोग्राम है और एक 'सू-शेफ' (सहायक रसोइया) की तरह कार्य करता है। इसका काम शोर भरे स्वाद परीक्षणों को देखना और यह तय करना है कि अगले कदम पर नॉब्स को किस दिशा में घुमाना है ताकि एक आदर्श केक के करीब पहुँचा जा सके। लंबे समय तक, वैज्ञानिकों ने माना कि सबसे अच्छे सू-शेफ वे थे जो स्वाद के वक्र (फ्लेवर कर्व) के सटीक ढलान (ग्रेडिएंट) की गणना कर सकते थे (ग्रेडिएंट-आधारित विधियाँ), ठीक वैसे ही जैसे एक हाइकर एक सटीक मानचित्र का उपयोग करके घाटी के निचले हिस्से को खोजने के लिए करता है। लेकिन यह शोध पत्र एक महत्वपूर्ण प्रश्न पूछता है: क्या होता है जब मानचित्र को कोहरे से ढक दिया जाता है और जमीन हिल रही होती है? क्या सटीक मानचित्र वाला हाइकर जीतता है, या वह रास्ता भटक जाता है? इस अध्ययन के लेखक यह पता लगाना चाहते थे कि कौन सा "सू-शेफ" एल्गोरिदम सबसे अधिक मजबूत (robust) है जब क्वांटम किचन अव्यवस्थित हो, ताकि हम इन नाजुक नई मशीनों से वास्तव में अच्छे परिणाम प्राप्त कर सकें।

शोर भरे किचन में महान ऑप्टिमाइज़र का मुकाबला

इस अध्ययन में, शोधकर्ताओं ने आठ अलग-अलग "सू-शेफ" एल्गोरिदम का परीक्षण करने के लिए एक विशाल डिजिटल सिमुलेशन तैयार किया। उन्होंने उन्हें केवल एक रेसिपी पर नहीं परखा; उन्होंने उन्हें चार अलग-अलग आणविक "केक्स" पर आज़माया: एक सरल हाइड्रोजन अणु ( $H_2$ ), चार हाइड्रोजन की एक श्रृंखला ( $H_4$ ), और लिथियम हाइड्राइड ($LiH$) अपने पूर्ण और सरल दोनों रूपों में। उन्होंने एक विशिष्ट, कुशल रेसिपी डिज़ाइन का उपयोग किया जिसे ट्रंकेटेड वेरिएशनल हैमिल्टोनियन एंसात्ज़ (tVHA) कहा जाता है, जो एक जटिल रेसिपी का एक सुव्यवस्थित संस्करण है जो समय बचाने और त्रुटियों को कम करने के लिए अनावश्यक चरणों को छोड़ देता है।

टीम ने 1,280 स्वतंत्र सिमुलेशन चलाए। उन्होंने प्रत्येक एल्गोरिदम का परीक्षण दो स्थितियों के तहत किया: एक आदर्श, शोर-मुक्त दुनिया (जैसे एक किचन जिसमें आदर्श रोशनी और स्थिर ओवन हो) और एक वास्तविक, शोर भरी दुनिया जहाँ उन्हें "फाइनाइट-शॉट सैंपलिंग" (finite-shot sampling) का अनुकरण करना था। क्वांटम शब्दों में, "फाइनाइट-शॉट सैंपलिंग" का अर्थ है कि आप ऊर्जा को पूरी तरह से माप नहीं सकते; आपको सीमित संख्या में नमूने लेने होते हैं (जैसे बैटर को 6,144 बार चखना) और उनका औसत निकालना होता है। यह औसत निकालने की प्रक्रिया सांख्यिकीय शोर (statistical noise) पेश करती है, जिससे ऊर्जा के रीडिंग में उतार-चढ़ाव आता है।

प्लॉट ट्विस्ट: जब मानचित्र झूठ बोलने लगे

परिणाम आश्चर्यजनक थे और उन्होंने वैज्ञानिकों की अपेक्षाओं को पूरी तरह बदल दिया। आदर्श, शोर-मुक्त सिमुलेशन में, ग्रेडिएंट-आधारित विधियाँ (जैसे BFGS और SLSQP) स्पष्ट विजेता थीं। वे तेज़, सटीक थीं, और मशीन जैसी सटीकता के साथ न्यूनतम ऊर्जा स्तरों तक पहुँच गईं, जिससे त्रुटि $10^{-14}$ हार्ट्री (ऊर्जा की एक इकाई) जितनी कम थी। वे एक परफेक्ट जीपीएस वाले हाइकर की तरह थीं, जो सीधे घाटी के निचले हिस्से की ओर बढ़ रही थीं।

हालाँकि, जैसे ही शोधकर्ताओं ने सैंपलिंग शोर (लहराता हुआ किचन) पेश किया, रैंकिंग पूरी तरह से उलट गई। ग्रेडिएंट-आधारित विधियाँ, जो सटीक ढलान की गणना पर निर्भर थीं, भ्रमित हो गईं। शोर ने ऐसा बना दिया कि "ढलान" गलत दिशा में जाती हुई दिखाई दी, या ज़मीन सपाट दिखने लगी जबकि वह नहीं थी।

BFGS, जो स्वच्छ दुनिया में चैंपियन था, शोर भरी दुनिया में सबसे खराब प्रदर्शन करने वालों में से एक बन गया, जिसमें त्रुटियां बढ़कर लगभग $4 \times 10^{-3}$ हार्ट्री तक पहुँच गईं।
SLSQP ने लगभग हार मान ली, और सबसे छोटे अणु $H_2$ के लिए भी विश्वसनीय रूप से कन्वर्ज (converge) करने में विफल रहा।
शोर इतना भ्रामक था कि इसने कभी-कभी एल्गोरिदम को यह सोचने पर मजबूर कर दिया कि उन्होंने एक आदर्श केक से भी बेहतर केक पा लिया है (यह "वेरिएशनल सिद्धांत" का उल्लंघन करता है, जो कहता है कि आप वास्तविक ग्राउंड स्टेट से बेहतर ऊर्जा प्राप्त नहीं कर सकते)। यह केवल एक सांख्यिकीय संयोग था, शोर के कारण हुआ एक भाग्यशाली अनुमान, न कि कोई वास्तविक सुधार।

नए नायक: खोजकर्ता (The Explorers)

शोर भरे वातावरण में, विजेता पॉपुलेशन-आधारित और स्टोकेस्टिक विधियाँ थीं, विशेष रूप से CMA-ES, PSO (पार्टिकल स्वार्म ऑप्टिमाइज़ेशन), और SPSA।

CMA-ES (कोवेरिएंस मैट्रिक्स अडैप्टेशन इवोल्यूशन स्ट्रैटेजी) सबसे मजबूत बनकर उभरा। एक एकल, सटीक पथ का अनुसरण करने के बजाय, इसने खोजकर्ताओं के एक झुंड की तरह कार्य किया। इसने उम्मीदवार समाधानों की एक पूरी आबादी को बनाए रखा, और उनके सामूहिक अनुभव से सीखा। भले ही शोर ने व्यक्तिगत रास्तों को बुरा दिखाया हो, समूह का औसत त्रुटियों को सुचारू (smooth out) कर देता है।
$H_2$ अणु के लिए, CMA-ES ने $5 \times 10^{-4}$ हार्ट्री से कम की सुधारात्मक त्रुटि प्राप्त की।
अधिक जटिल $LiH $अणु के लिए, इसने त्रुटि को$ 10^{-2} $हार्ट्री से नीचे रखा, जो उन ग्रेडिएंट-आधारित विधियों से कहीं बेहतर था जो$ 2 \times 10^{-2}$ हार्ट्री से नीचे रहने के लिए संघर्ष कर रही थीं।

अध्ययन ने पाया कि जबकि ग्रेडिएंट-आधारित विधियाँ छोटे, स्वच्छ समस्याओं के लिए बेहतरीन हैं, वे शोर भरी और ऊबड़-खाबड़ परिस्थितियों में बिखर जाती हैं। इसके विपरीत, CMA-ES जैसे पॉपुलेशन-आधारित दृष्टिकोण उन खोजकर्ताओं की एक टीम की तरह हैं जो कोहरे से भरी पर्वत श्रृंखला में नेविगेट कर सकते हैं क्योंकि वे एक एकल, डगमगाते कंपास पर भरोसा नहीं करते हैं; वे भीड़ के ज्ञान का उपयोग करके रास्ता खोजते हैं।

"हाई-शॉट" वास्तविकता की जाँच

सबसे दिलचस्प निष्कर्षों में से एक उन "जादुय" परिणामों के बारे में था जहाँ एल्गोरिदम ने वास्तविक ग्राउंड स्टेट से भी कम ऊर्जा प्राप्त की। पेपर बताता है कि यह शोर के कारण उत्पन्न एक भ्रम है। जब शोर अधिक होता है, तो यादृच्छिक उतार-चढ़ाव (random fluctuations) एक बुरे अनुमान को एक महान अनुमान जैसा दिखा सकते हैं।

इसे ठीक करने के लिए, शोधकर्ताओं ने हाई-शॉट रीइवैल्यूएशन (high-shot reevaluation) नामक एक तकनीक का उपयोग किया। एक बार जब एक ऑप्टिमाइज़र ने एक "अच्छा" समाधान खोज लिया, तो उन्होंने अत्यधिक सटीक रीडिंग प्राप्त करने के लिए बहुत बड़ी संख्या में नमूनों ( $10^5$ शॉट्स) के साथ उसे फिर से मापा।

इससे पता चला कि कई "सुधार" केवल शोर के प्रभाव (artifacts) थे।
हालाँकि, पॉपुलेशन-आधारित विधियाँ (जैसे CMA-ES) इस रीइवैल्यूएशन से पहले ही वास्तविक सर्वोत्तम समाधान खोजने में बेहतर थीं, क्योंकि उनका औसत निकालने का तंत्र स्वाभाविक रूप से शोर को सुचारू कर देता है।
अध्ययन सुझाव देता है कि शोर भरे क्वांटम वातावरण में, लक्ष्य केवल "न्यूनतम खोजना" नहीं है, बल्कि "ऊर्जा का विश्वसनीय अनुमान लगाना" है। सबसे अच्छी रणनीति एक मजबूत ऑप्टिमाइज़र जैसे CMA-ES का उपयोग करना और फिर अंतिम उत्तर को सत्यापित करने के लिए अतिरिक्त समय (अधिक शॉट्स) खर्च करना है, बजाय इसके कि एक सटीक ग्रेडिएंट विधि को कोहरे में काम करने के लिए मजबूर किया जाए।

भविष्य के लिए सीख

पेपर उन सभी के लिए एक स्पष्ट मार्गदर्शिका के साथ समाप्त होता है जो इन शोर भरे क्वांटम कंप्यूटरों का उपयोग करने की कोशिश कर रहे हैं। यदि आप बहुत कम शोर के साथ एक छोटी, सरल समस्या पर काम कर रहे हैं, तो आप तेज़, ग्रेडिएंट-आधारित विधियों का उपयोग कर सकते हैं। लेकिन जैसे ही आप बड़े अणुओं या वास्तविक शोर वाले हार्डवेयर की ओर बढ़ते हैं, आपको पॉपुलेशन-आधारित ऑप्टिमाइज़र्स जैसे CMA-ES, PSO, या SPSA पर स्विच कर लेना चाहिए।

लेखकों ने यह भी नोट किया कि एक "केमिकली मोटिवेटेड" अनुमान (हार्ट्री-फॉक इनिशियलाइजेशन का उपयोग करके) के साथ शुरू करना छोटे सिस्टम में मदद करता है, लेकिन जैसे-जैसे समस्या बड़ी होती जाती है, यादृच्छिक शुरुआती बिंदु भी उतने ही प्रभावी हो सकते हैं क्योंकि खोज क्षेत्र (search space) इतना विशाल है कि थोड़ी सी यादृच्छिकता (randomness) अधिक क्षेत्र को खोजने में मदद करती है।

अंततः, यह शोध बताता है कि आज की शोर भरी क्वांटम मशीनों का अधिकतम लाभ उठाने के लिए, हमें उन्हें क्लासिकल कंप्यूटरों की तरह सटीक होने के लिए मजबूर करना बंद करना होगा और इसके बजाय ऐसे एल्गोरिदम का उपयोग करना शुरू करना होगा जो मजबूत, खोजी (exploratory) और अराजकता को औसत करने में सक्षम हों। तूफान में "परफेक्ट" मानचित्र बेकार है; आपको खोजकर्ताओं की एक ऐसी टीम की आवश्यकता है जो मिलकर अपना रास्ता खोज सके।

तकनीकी सारांश: शोर वाले क्वांटम वातावरण में वेरिएशनल हैमिल्टोनियन एंसेटा के लिए संख्यात्मक अनुकूलन रणनीतियाँ

समस्या विवरण
वेरिएशनल क्वांटम आइजनसॉल्वर (VQEs) नियर-टर्म क्वांटम केमिस्ट्री के लिए आशाजनक हैं, लेकिन वे नोइजी इंटरमीडिएट-स्केल क्वांटम (NISQ) उपकरणों पर सीमित-शॉट मापन से उत्पन्न सैंपलिंग शोर के कारण महत्वपूर्ण प्रदर्शन गिरावट का सामना करते हैं। जबकि क्लासिकल ऑप्टिमाइज़र व्यापक रूप से उपयोग किए जाते हैं, वास्तविक सीमित-शॉट स्थितियों के तहत उनकी मजबूती—विशेष रूप से हैमिल्टोनियन-सूचित एंसेटा जैसे कि वेरिएशनल हैमिल्टोनियन एंसेटा (VHA) के लिए—अपर्याप्त रूप से समझी गई है। सैंपलिंग शोर अनुकूलन परिदृश्य (optimization landscape) को विकृत करता है, झूठे स्थानीय मिनिमा (false minima) बनाता है, अनियमित अभिसरण (erratic convergence) प्रेरित करता है, और वास्तविक वैरिएशनल सिद्धांत के उल्लंघन (ऊर्जा अनुमान वास्तविक ग्राउंड स्टेट से नीचे होना) की ओर ले जा सकता है। यह अध्ययन इस महत्वपूर्ण आवश्यकता को संबोधित करता है कि कौन सी क्लासिकल अनुकूलन रणनीतियाँ विश्वसनीय बनी रहती हैं जब ग्रेडिएंट्स सांख्यिकीय उतार-चढ़ाव से बाधित होते हैं।

कार्यप्रणाली
लेखकों ने चार आणविक प्रणालियों: H₂, H₄ (चेन), LiH (फुल स्पेस), और LiH (एक्टिव स्पेस) में 1,280 स्वतंत्र अनुकूलन रन के व्यापक बेंचमार्किंग अध्ययन का संचालन किया। सिमुलेशन ने ट्रंकेटेड वेरिएशनल हैमिल्टोनियन एंसेटा (tVHA) का उपयोग किया, जो एक रासायनिक रूप से प्रेरित ढांचा है जो कण-संख्या और स्पिन समरूपता (symmetry) को संरक्षित करते हुए गैर-कूलम्ब द्वि-कण अंतःक्रिया पदों को कम करके सर्किट जटिलता को कम करता है।

अध्ययन ने आठ अलग-अलग क्लासिकल एल्गोरिदम का मूल्यांकन किया:

ग्रेडिएंट-आधारित: ग्रेडिएंट डिसेंट (GD), ब्रोयडेन-फ्लेचर-गोल्डफार्ब-शैनो (BFGS), सीक्वेंशियल लीस्ट स्क्वायर्स प्रोग्रामिंग (SLSQP)।
डेरिवेटिव-मुक्त/ग्रेडिएंट-मुक्त: सिमल्टेनियस परटर्बेशन स्टोकेस्टिक एप्रोक्सिमेशन (SPSA), कंस्ट्रेंड ऑप्टिमाइजेशन बाय लीनियर एप्रोक्सिमेशन्स (COBYLA), नेल्डर-मीड।
पॉपुलेशन-आधारित: कोवेरिएंस मैट्रिक्स अडैप्टेशन इवोल्यूशन स्ट्रैटेजी (CMA-ES), पार्टिकल स्वार्म ऑप्टिमाइजेशन (PSO)।

सिमुलेशन पायथन स्टैक (Qiskit, PySCF) का उपयोग करके बारबोरा सुपरकंप्यूटर पर दो स्थितियों के तहत किए गए थे:

एक्सैक्ट स्टेटवेक्टर: शोर-मुक्त संदर्भ सिमुलेशन।
फाइनाइट-शॉट सैंपलिंग: 6,144 शॉट्स के निश्चित बजट के साथ शोर वाले सिमुलेशन।

अध्ययन ने दो इनिशियलाइजेशन रणनीतियों की तुलना की: हार्ट्री-फॉक (HF) इनिशियलाइजेशन (रासायनिक रूप से प्रेरित) और रैंडम इनिशियलाइजेशन। एक प्रमुख कार्यप्रणाली घटक "हाई-शॉट रीइवैल्यूएशन" प्रोटोकॉल है, जहाँ शोर वाले अनुकूलन के दौरान पाए गए उम्मीदवार समाधानों का $10^5$ शॉट्स का उपयोग करके पुनर्मूल्यांकन किया जाता है ताकि वास्तविक अभिसरण और सांख्यिकीय कलाकृतियों (artifacts) के बीच अंतर किया जा सके।

मुख्य योगदान और परिणाम

ऑप्टिमाइज़र रैंकिंग का उलटना: अध्ययन प्रदर्शित करता है कि फाइनाइट-शॉट सैंपलिंग शोर ऑप्टिमाइज़र प्रदर्शन पदानुक्रमों को मौलिक रूप से बदल देता है। शोर रहित स्टेटवेक्टर सिमुलेशन में, ग्रेडिएंट-आधारित विधियाँ (विशेष रूप से BFGS) मशीन-स्तर की सटीकता प्राप्त करती हैं और सबसे तेज़ होती हैं। हालाँकि, सैंपलिंग शोर के तहत, ये विधियाँ काफी खराब प्रदर्शन करती हैं। BFGS और SLSQP अविश्वसनीय हो जाते हैं, जिसमें SLSQP अक्सर डाइवर्ज (diverge) हो जाता है और BFGS शोर रहित मामलों की तुलना में कई गुना अधिक त्रुटि उत्पन्न करता है।
पॉपुलेशन-आधारित विधियों की मजबूती: ग्रेडिएंट-आधारित दृष्टिकोणों के विपरीत, पॉपुलेशन-आधारित और स्टोकेस्टिक विधियाँ (CMA-ES, PSO, SPSA) शोर के तहत मजबूती बनाए रखती हैं। CMA-ES, विशेष रूप से, सभी प्रणालियों में लगातार सबसे कम सुधारा गया माध्य त्रुटि (corrected mean error) प्राप्त करता है, जो H₂ के लिए सब-मिलीहार्ट्री सटीकता ( $<5\times10^{-4}$ Ha) और LiH एक्टिव स्पेस के लिए ( $<10^{-3}$ Ha) तथा LiH फुल स्पेस के लिए $<10^{-2}$ Ha से कम त्रुटि तक पहुँचता है।
इनिशियलाइजेशन का प्रभाव: हार्ट्री-फॉक इनिशियलाइजेशन आम तौर पर अनुकूलन प्रक्षेपवक्र (trajectories) को स्थिर करता है और त्रुटि भिन्नता को कम करता है, विशेष रूप से H₂ जैसी छोटी प्रणालियों के लिए। हालाँकि, जैसे-जैसे सिस्टम की जटिलता बढ़ती है (जैसे, LiH फुल स्पेस), HF इनिशियलाइजेशन का लाभ कम हो जाता है, और रैंडम इनिशियलाइजेशन के साथ पॉपुलेशन-आधारित विधियाँ कभी-कभी HF-इनिशियलाइज्ड रन की तुलना में बेहतर प्रदर्शन करती हैं क्योंकि वे व्यापक खोज स्थान (search spaces) का अन्वेषण करती हैं।
वैरिएशनल सिद्धांत उल्लंघन और शोर फ्लोर: लेखकों ने देखा कि फाइनाइट-शॉट सैंपलिंग अक्सर वास्तविक ग्राउंड स्टेट से नीचे ऊर्जा अनुमान उत्पन्न करती है, जो वैरिएशनल सिद्धांत का उल्लंघन करती है। हाई-शॉट रीइवैल्यूएशन ने खुलासा किया कि ये "सुधार" सांख्यिकीय कलाकृतियाँ (शोर-संचालित ओवरफिटिंग) हैं, न कि वास्तविक भौतिक अभिसरण। अध्ययन इस बात पर प्रकाश डालता है कि शोर वाले शासन (regimes) में, प्राथमिक चुनौती न्यूनतम खोजने से बदलकर सांख्यिकीय रूप से विश्वसनीय ऊर्जा अनुमान प्राप्त करने की हो जाती है।
एक्टिव स्पेस रिडक्शन: एक्टिव स्पेस को कम करना (जैसे, LiH एक्टिव स्पेस बनाम फुल स्पेस) अनुकूलन की कठिनाई और शोर मजबूती में सुधार करता है, जिससे कई ऑप्टिमाइज़र सैंपलिंग शोर के तहत भी सब-मिलीहार्ट्री सटीकता प्राप्त करने में सक्षम होते हैं।

महत्व और दावे
यह पेपर शोर वाले वेरिएशनल क्वांटम केमिस्ट्री में ऑप्टिमाइज़र चयन के लिए व्यावहारिक दिशानिर्देश प्रदान करने का दावा करता है। यह स्थापित करता है कि:

संदर्भ-निर्भर चयन: ग्रेडिएंट-आधारित ऑप्टिमाइज़र केवल छोटे, कम-शोर वाले समस्याओं के लिए इष्टतम हैं। बड़ी प्रणालियों या यथार्थवादी शोर वाले वातावरण के लिए, स्टोकेस्टिक और पॉपुलेशन-आधारित ऑप्टिमाइज़र (CMA-ES, PSO, SPSA) आवश्यक हैं।
पुनर्मूल्यांकन की आवश्यकता: परिणामों को मान्य करने के लिए हाई-शॉट रीइवैल्यूएशन महत्वपूर्ण है, क्योंकि लो-शॉट अनुकूलन सांख्यिकीय उतार-चढ़ाव के कारण भ्रामक रूप से कम ऊर्जा प्रदान कर सकते हैं।
शोर की प्रकृति: अध्ययन स्पष्ट करता है कि सैंपलिंग शोर केवल त्रुटि नहीं जोड़ता है, बल्कि सक्रिय रूप से अनुकूलन परिदृश्य को नया आकार देता है, जिससे "ग्लासी" टोपोग्राफी (glassy topographies) बनती है जहाँ नियतात्मक (deterministic) विधियाँ विफल हो जाती हैं। यह तर्क देता है कि वैरिएशनल बाउंड का स्पष्ट उल्लंघन फाइनाइट सैंपलिंग की एक सांख्यिकीय घटना है, न कि एक भौतिक सुधार।

लेखक निष्कर्ष निकालते हैं कि जबकि हार्डवेयर शोर (गेट इन्डेलिसिटी, डिकोहेरेंस) एक अलग चिंता है, सैंपलिंग शोर अकेले नियतात्मक ऑप्टिमाइज़र्स को खराब करने और व्यावहारिक NISQ अनुप्रयोगों के लिए शोर-लचीली, पॉपुलेशन-आधारित रणनीतियों की ओर बदलाव की आवश्यकता के लिए पर्याप्त है। भविष्य के कार्यों के लिए हाइब्रिड रणनीतियों और अनुकूली शॉट आवंटन (adaptive shot allocation) का पता लगाने का सुझाव दिया गया है, लेकिन वर्तमान अध्ययन विशेष रूप से एल्गोरिदम डिजाइन और सैंपलिंग शोर के बीच परस्पर क्रिया पर केंद्रित है।

शोर भरे किचन में महान ऑप्टिमाइज़र का मुकाबला

प्लॉट ट्विस्ट: जब मानचित्र झूठ बोलने लगे

नए नायक: खोजकर्ता (The Explorers)

"हाई-शॉट" वास्तविकता की जाँच

भविष्य के लिए सीख

इसी तरह के और पेपर