Generative Quantum Search for Combinatorial Optimization: Learning Shallow Quantum Samplers for Classically Refined Solution Subspaces

तकनीकी सारांश: कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन के लिए जनरेटिव क्वांटम सर्च

समस्या विवरण
यह शोध इस बात की जांच करता है कि क्या उथले (shallow) क्वांटम सैंपलर, एक "क्लासिकल रिकवरी बेसिन" (classical recovery basin) के भीतर उच्च संभाव्यता द्रव्यमान (probability mass) रखकर, कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन में क्लासिकल सैंपलर से बेहतर प्रदर्शन कर सकते हैं। यह अध्ययन GQE+QSCI (Generative Quantum Eigensolver + Quantum-Selected Configuration Interaction) आर्किटेक्चर को, जिसे मूल रूप से क्वांटम केमिस्ट्री के लिए विकसित किया गया था, ग्राफ ऑप्टिमाइज़ेशन (विशेष रूप से मैक्सिमम वेटेड इंडिपेंडेंट सेट, MWIS) के क्षेत्र में अनुकूलित करता है। मुख्य परिकल्पना यह है कि एक क्वांटम सैंपलर समाधानों के उम्मीदवारों का एक ऐसा वितरण उत्पन्न कर सकता है जो, जब एक क्लासिकल रिपेयर और एक्सपेंशन एल्गोरिदम द्वारा परिष्कृत किया जाता है, तो क्लासिकल सैंपलर की तुलना में उच्च सफलता दर प्रदान करता है।

कार्यप्रणाली (Methodology)
लेखक GQO+QSS (Generative Quantum Optimization + Quantum-Selected Search) फ्रेमवर्क का प्रस्ताव करते हैं, जो चार चरणों वाली पाइपलाइन का अनुसरण करता है:

1. जेनेरेटिव पॉलिसी (Generative Policy): एक मशीन लर्निंग मॉडल (ग्राफ-कंडीशन्ड पॉलिसी) क्वांटम सर्किट प्रोग्राम (जैसे QAOA पैरामीटर्स) उत्पन्न करता है।
2. क्वांटम सैंपलिंग (Quantum Sampling): सिम्युलेटर या QPU (Piast-Q) पर सर्किट निष्पादित किए जाते हैं ताकि बिटस्ट्रिंग्स (संभावित समाधान) प्राप्त की जा सकें।
3. क्लासिकल रिकवरी (Classical Recovery): एक समस्या-विशिष्ट रिपेयर फंक्शन गैर-व्यवहार्य (infeasible) समाधानों को ठीक करता है, जिसके बाद एक लोकल एक्सपेंशन (जैसे $r$-flip नेबरहुड) किया जाता है ताकि एक प्रतिबंधित खोज उपस्थान (restricted search subspace) बनाया जा सके।
4. रिस्ट्रिक्टेड सॉल्वर (Restricted Solver): एक सटीक क्लासिकल सॉल्वर इस प्रतिबंधित उपस्थान के भीतर इष्टतम समाधान खोजता है।

मुख्य सैद्धांतिक सूत्रीकरण
पेपर "क्वांटम लाभ" के प्रश्न को रिकवरी-बेसिन मास ($p_r$) का उपयोग करके औपचारिक रूप देता है:
$$p_r(q_\theta, G) = \Pr_{x \sim q_\theta} [x \in A_r(G)]$$
जहाँ $A_r(G)$, उन अवस्थाओं का सेट है जो, रिपेयर और $r$-फ्लिप विस्तार के बाद, ग्लोबल ऑप्टिममम को समाहित करती हैं। $B$ शॉट्स के साथ सफलता की संभावना $P_{success} = 1 - (1 - p_r)^B$ है। अध्ययन का तर्क है कि महत्वपूर्ण मीट्रिक कुल स्थान ($|S_Q|/2^n$) के सापेक्ष सैंपल किए गए उपस्थान का आकार नहीं है, बल्कि वह संभाव्यता द्रव्यमान ($p_r$) है जिसे सैंपलर रिकवरेबल बेसिन में रखता है।

प्रायोगिक प्रोटोकॉल

• डेटासेट्स: 150 MWIS इंस्टेंस, जिनका ग्राउंड ट्रुथ CBC + ब्रूट-फोर्स वेरिफिकेशन के माध्यम से प्रमाणित किया गया है।
• बेसलाइन्स: नौ सैंपलर की तुलना की गई, जिनमें यूनिफॉर्म रैंडम, ग्रीडी, सिम्युलेटेड एनीलिंग (SA), टैबू सर्च, मल्टी-स्टार्ट लोकल सर्च, मेट्रोपोलिस, वार्म-स्टार्ट QAOA, और ऑरेकल QAOA (50 कॉन्फ़िगरेशन में से सर्वश्रेष्ठ) और एक मैच की गई लर्नड क्लासिकल पॉलिसी शामिल हैं।
• बाधाएं (Constraints): एक प्री-रजिस्टर्ड, फ्रोजन प्रोटोकॉल जिसमें प्रत्येक सैंपलर के लिए 200 शॉट्स का निश्चित बजट है।
• हार्डवेयर: प्रयोगों में सिमुलेशन और Piast-Q ट्रैप्ड-आयन प्रोसेसर (20 क्वबिट्स) पर निष्पादन शामिल था।

मुख्य परिणाम

1. क्लासिकल प्रभुत्व (Classical Dominance): टैबू सर्च और सिम्युलेटेड एनीलिंग (SA) ने सभी परीक्षण किए गए समस्या आकारों ($n=16$ से $n=28$) में सभी क्वांटम और लर्नड क्लासिकल सैंपलर की तुलना में काफी बेहतर प्रदर्शन किया। टैबू सर्च ने $n=16$ पर 0.822 से $n=18$ पर 0.944 तक का रिकवरी-बेसिन मास ($p_r$) प्राप्त किया, $n=20$ पर 0.878, $n=24$ पर 0.943, और $n=28$ पर 0.901 दर्ज किया। SA ने इन आकारों में 0.088 से 0.428 के बीच रेंज प्रदर्शित की।
2. क्वांटम अंडरपरफॉर्मेंस (Quantum Underperformance): सभी क्वांटम सैंपलर (वार्म-स्टार्ट QAOA, ऑरेकल QAOA, और जेनेरेटिव पॉलिसीज) फेयर, प्री-रजिस्टर्ड प्रोटोकॉल के तहत हर समस्या आकार पर SA और टैबू सर्च से पीछे रहे।
3. "ऑरेकल" आर्टिफैक्ट (The "Oracle" Artifact): पिछले सकारात्मक परिणामों, जिनमें QAOA को SA से बेहतर दिखाया गया था, को प्रति-इंस्टेंस कॉन्फ़िगरेशन चयन (एक "ऑरेकल" अपर बाउंड) के आर्टिफैक्ट के रूप में पहचाना गया है, जो कि एक डिप्लॉय करने योग्य विधि नहीं है। रैंडम कॉन्फ़िगरेशन (एक डिप्लॉय करने योग्य विधि) के साथ मूल्यांकन करने पर, ऑरेकल QAOA ने $n=28$ पर $p_r = 0.014$ प्राप्त किया, जो SA के 0.088 से बहुत कम है।
4. लर्नड क्लासिकल पैरिटी (Learned Classical Parity): एक लर्नड क्लासिकल पॉलिसी (140K पैरामीटर्स) ने ऑरेकल QAOA के समान प्रदर्शन ($p_r = 0.005–0.101$ बनाम $0.014–0.113$) प्राप्त किया, जो दर्शाता है कि इस सेटिंग में क्वांटम सर्किट इस कार्य के लिए कोई संरचनात्मक लाभ प्रदान नहीं करता है।
5. हार्डवेयर मजबूती (Hardware Robustness): Piast-Q पर किए गए प्रयोगों ने QPU और सिम्युलेटर सैंपल्स के बीच 93.4% रिकवरी कंसिस्टेंसी दिखाई, जो हार्डवेयर की मजबूती की पुष्टि करती है लेकिन ऑप्टिमाइज़ेशन की गुणवत्ता में कोई क्वांटम लाभ नहीं दिखाती।
6. रिकवरी ट्रांज़िशन (Recovery Transition): अध्ययन ने एक "रिकवरी ट्रांज़िशन" को मैप किया जहाँ $n \le 16$ के लिए क्लासिकल रिकवरी पर्याप्त है, लेकिन 2-फ्लिप विस्तार के साथ $n \ge 20$ के लिए यह विफल होने लगती है। हालांकि, इस ट्रांज़िशन रिजीम में भी, मजबूत क्लासिकल बेसलाइन्स (SA, टैबू) ने बेहतर प्रदर्शन बनाए रखा।

महत्व और दावे
यह पेपर स्वयं को एक असत्यता अध्ययन (falsification study) के रूप में प्रस्तुत करता है। इसका प्राथमिक दावा यह है कि कठोर, प्री-रजिस्टर्ड मूल्यांकन के तहत, मैच की गई लर्नड बेसलाइन्स के साथ, उथले QAOA-व्युत्पन्न प्रपोजल डिस्ट्रीब्यूशन MWIS के लिए क्लासिकल रिकवरी बेसिन को कैप्चर करने के लिए मैच की गई क्लासिकल प्रपोजल मॉडल्स से बेहतर प्रदर्शन नहीं करते हैं।

• कोई क्वांटम लाभ नहीं (No Quantum Advantage): लेखक स्पष्ट रूप से दावा करते हैं कि परीक्षण किए गए रिजीम में GQO+QSS आर्किटेक्चर के लिए कोई क्वांटम लाभ नहीं है।
• पिछले दावों का खंडन: अध्ययन पिछले सकारात्मक परिणामों को प्रति-इंस्टेंस कॉन्फ़िगरेशन चयन (एक "ऑरेकल" प्रभाव) के कारण बताता है, जो कि एक डिप्लॉय करने योग्य विधि नहीं है।
• मीट्रिक सुधार: पेपर का तर्क है कि फिक्स्ड शॉट बजट के तहत "सबस्पेस फ्रैक्शन" ($|S_Q|/2^n$) एक टॉटोलॉजिकल मीट्रिक है और रिकवरी-बेसिन मास ($p_r$) वैज्ञानिक रूप से सटीक मात्रा है।
• भविष्य की दिशा: लेखक सुझाव देते हैं कि क्वांटम सैंपलिंग को मूल्य प्रदान करने के लिए, इसे उन रिजीम्स ($n \ge 55$) में मजबूत क्लासिकल बेसलाइन्स (जैसे SA) की तुलना में अधिक मास रिकवरी बेसिन में रखना होगा जहाँ क्लासिकल रिकवरी विफल हो जाती है, जो कि वर्तमान उथले सर्किटों के लिए एक चुनौती है।

निष्कर्ष यह है कि जबकि GQO+QSS आर्किटेक्चर हाइब्रिड ऑप्टिमाइज़ेशन के लिए एक वैध फ्रेमवर्क है, वर्तमान उथले क्वांटम सैंपलर MWIS रिकवरी-बेसिन कैप्चर के विशिष्ट कार्य के लिए मजबूत क्लासिकल स्टोकेस्टिक सर्च विधियों की तुलना में कोई संरचनात्मक लाभ प्रदान नहीं करते हैं।