Characterizing Physical Error Contributions of Quantum Gates

एक उपयोगी क्वांटम कंप्यूटर बनाने की खोज अदृश्य के विरुद्ध एक दौड़ है। इन मशीनों के केंद्र में क्वांटम बिट्स, या क्वबिट्स होते हैं, जो सूचना को सुपरपोजिशन की एक नाजुक अवस्था में रखते हैं, जिससे वे ऐसी गणनाएं करने में सक्षम होते हैं जिन्हें हल करने में क्लासिकल सुपरकंप्यूटरों को सहस्राब्दियाँ लग सकती हैं। हालाँकि, यह शक्ति एक गंभीर कमजोरी के साथ आती है: वातावरण से जरा सा भी व्यवधान—एक भटकता हुआ चुंबकीय क्षेत्र, तापमान में उतार-चढ़ाव, या नियंत्रण इलेक्ट्रॉनिक्स में एक छोटी सी खामी—क्वबिट को उसकी सूचना खोने का कारण बन सकती है। यह हानि, जिसे शोर (noise) के रूप में जाना जाता है, वह प्राथमिक बाधा है जो क्वांटम कंप्यूटरों को उनकी पूर्ण क्षमता तक पहुँचने से रोक रही है। इस समस्या को ठीक करने के लिए, वैज्ञानिकों को पहले यह समझना होगा कि त्रुटियां वास्तव में कहाँ से आ रही हैं। यह जानना पर्याप्त नहीं है कि एक गणना विफल हो गई; इंजीनियरों को यह जानने की आवश्यकता है कि क्या विफलता क्वबिट द्वारा ऊर्जा खोने के कारण हुई थी, या नियंत्रण सिग्नल के थोड़ा लंबा होने के कारण, या समय के साथ जमा होने वाले एक धीमे, बदलते शोर के कारण। इन त्रुटि स्रोतों के सटीक मानचित्र के बिना, हार्डवेयर में सुधार करना आँखों पर पट्टी बांधकर एक जटिल इंजन की मरम्मत करने की कोशिश करने जैसा है।

IQM क्वांटम कंप्यूटर्स और लुडविग-मैक्सिमिलियन-यूनिवर्सिटी म्यूनिख के शोधकर्ताओं की एक टीम ने इस मानचित्र को बनाने का एक नया तरीका विकसित किया है, जो न केवल त्रुटियों की पहचान करता है बल्कि वैज्ञानिकों को यह भी बताता है कि वे उस पहचान पर कितना भरोसा कर सकते हैं। एक विशिष्ट प्रकार के सुपरकंडक्टिंग क्वांटम प्रोसेसर पर केंद्रित एक अध्ययन में, शोधकर्ताओं ने एकल-क्वबिट और दो-क्वबिट गेट्स (जो क्वांटम सूचना को संचालित करने वाले मौलिक ऑपरेशन हैं) के प्रदर्शन को मापने के लिए अपनी विधि लागू की। उन्होंने पाया कि जबकि वे उच्च विश्वास के साथ एकल-क्वबिट ऑपरेशन्स के लिए त्रुटि के स्रोतों को सटीक रूप से पहचान सकते थे, उसी स्तर की निश्चितता अधिक जटिल दो-क्वोट गेट्स के लिए संभव नहीं थी। महत्वपूर्ण रूप से, उनकी विधि ने इस अनिश्चितता को छिपाया नहीं; इसके बजाय, इसने इसे एक चेतावनी संकेत के रूप में चिह्नित किया कि उनका वर्तमान भौतिक विज्ञान का ज्ञान अधूरा है। यह दृष्टिकोण केवल इस बात के अनुमान लगाने से कि त्रुटियां कहाँ से आती हैं, एक कठोर, डेटा-संचालित प्रक्रिया की ओर बदलाव है जो यह स्वीकार करती है कि मॉडल का एक हिस्सा गायब है।

चुनौती को समझने के लिए, किसी को यह देखना चाहिए कि क्वांटम कंप्यूटरों का परीक्षण वर्तमान में कैसे किया जाता है। पारंपरिक रूप से, वैज्ञानिक यह मापने के लिए प्रयोगों की एक श्रृंखला चलाते हैं कि एक क्वबिट कितनी देर तक अपनी अवस्था बनाए रख सकता है या वह कितनी सटीकता से रोटेशन करता है। फिर वे इन नंबरों को एक गणितीय मॉडल में डालते हैं ताकि यह अनुमान लगाया जा सके कि प्रत्येक कारक कुल त्रुटि में कितना योगदान देता है। यह प्रक्रिया मान लेती है कि मॉडल पूर्ण है और त्रुटियां एक-दूसरे से स्वतंत्र हैं। हालाँकि, सुपरकंडक्टिंग सर्किट की वास्तविक दुनिया में, त्रुटियां अक्सर जुड़ी हुई, जटिल और समय के साथ बदलती रहती हैं। एक मॉडल जो यह मानता है कि सब कुछ सरल और स्वतंत्र है, वह एक सटीक दिखने वाला नंबर तो उत्पन्न कर सकता है, लेकिन यदि अंतर्निहित धारणाएं त्रुटिपूर्ण हैं, तो वह नंबर पूरी तरह से गलत हो सकता है। शोधकर्ता समझ गए कि इन स्थिर मॉडलों पर भरोसा करना जोखिम भरा था, विशेष रूप से जैसे-जैसे क्वांटम प्रोसेसर बड़े और अधिक जटिल होते जा रहे हैं। उन्हें सीधे डेटा से सीखने के लिए एक तरीके की आवश्यकता थी, जबकि यह लगातार जांच भी करनी थी कि क्या उनकी धारणाएं कायम हैं।

प्रस्तावित समाधान एक लर्निंग-आधारित फ्रेमवर्क है जो भौतिक दुनिया और कंप्यूटर मॉडल के बीच एक सेतु के रूप में कार्य करता है। हर नए प्रयोग के लिए जटिल समीकरणों को हल करने के बजाय, टीम ने पहले अपने क्वांटम प्रोसेसर का एक अत्यधिक विस्तृत सिमुलेशन बनाया। इस सिमुलेशन में त्रुटि के हर ज्ञात स्रोत को शामिल किया गया था, क्वबिट्स में ऊर्जा के प्राकृतिक क्षय से लेकर चुंबकीय क्षेत्रों के सूक्ष्म, धीमे उतार-चढ़ाव तक जो समय के साथ बदलते रहते हैं। उन्होंने इस सिमुलेशन के भीतर हजारों आभासी प्रयोग चलाए, उनके परिणामों और प्रत्येक परिदृश्य के लिए विशिष्ट त्रुटि योगदानों को रिकॉर्ड किया। इस विशाल डेटासेट का उपयोग करके, उन्होंने 'गौसियन प्रोसेस रिग्रेशन' नामक एक मशीन लर्निंग टूल को प्रशिक्षित किया। इस टूल ने पैटर्न को पहचानना सीखा, प्रभावी रूप से कच्चे प्रयोगात्मक डेटा और उनके द्वारा उत्पन्न विशिष्ट भौतिक त्रुटियों के बीच के संबंध को याद कर लिया। प्रशिक्षित होने के बाद, यह टूल नए वास्तविक दुनिया के मापों को ले सकता था और तुरंत 'एरर बजट' की भविष्यवाणी कर सकता था, यानी यह बता सकता था कि गलतियाँ कहाँ से आ रही हैं।

इस पद्धति को जो चीज़ विशेष रूप से शक्तिशाली बनाती है, वह है इसकी अपनी आत्मविश्वास को मापने की क्षमता। मशीन लर्निंग टूल केवल एक उत्तर नहीं देता; यह अनिश्चितता की एक सीमा प्रदान करता है। यदि वास्तविक दुनिया का डेटा उस डेटा के बहुत समान है जो टूल ने प्रशिक्षण के दौरान देखा था, तो अनिश्चितता कम होती है और भविष्यवाणी विश्वसनीय होती है। लेकिन, यदि वास्तविक डेटा उस तरह से व्यवहार करता है जैसा कि सिमुलेशन ने कभी नहीं देखा, तो टूल की अनिश्चितता बढ़ जाती है। यह उछाल पद्धति की विफलता नहीं है; यह एक विशेषता है। यह एक नैदानिक संकेत के रूप में कार्य करता है, जो शोधकर्ताओं को बताता है कि उनका भौतिक मॉडल कुछ महत्वपूर्ण भूल रहा है। यह एक मौसम पूर्वानुमान के बीच का अंतर है जो वास्तव में तूफान आने के दौरान भी आत्मविश्वास से धूप की भविष्यवाणी करता है, और एक ऐसे पूर्वानुमान के बीच जो कहता है, "मैं अनिश्चित हूँ, क्योंकि स्थितियाँ वैसी नहीं हैं जैसी मैंने पहले देखी हैं।"

टीम ने इस फ्रेमवर्क का परीक्षण ट्रांसमोन एरे (जो सुपरकंडक्टिंग क्वांटम कंप्यूटरों का एक सामान्य आर्किटेक्चर है) में क्वबिट्स के एक जोड़े पर किया। उन्होंने दो प्रकार के ऑपरेशन्स पर ध्यान केंद्रित किया: सिंगल-क्वबिट गेट, जो एक क्वबिट की अवस्था को बदलता है, और टू-क्वोट गेट, जो दो क्वबिट्स को आपस में जोड़ता (entangle करता) है। सिंगल-क्वबिट गेट्स के लिए, परिणाम उत्साहजनक थे। फ्रेमवर्क ने एरर बजट को सफलतापूर्वक पुनर्गठित किया, यह पहचानते हुए कि प्रमुख त्रुटियां क्वबिट्स द्वारा ऊर्जा खोने और नियंत्रण पल्स में मामूली खामियों से आई थीं। अनिश्चितता कम थी, जिसका अर्थ था कि टीम इस बात पर विश्वास कर सकती थी कि उनका मॉडल इन ऑपरेशन्स के भौतिक विज्ञान का सटीक वर्णन करता है। वे देख सकते थे कि प्रत्येक कारक का कुल त्रुटि में कितना योगदान था, जिससे भविष्य के सुधारों के लिए एक स्पष्ट लक्ष्य प्राप्त हुआ।

कहानी तब बदल गई जब उन्होंने अपना ध्यान टू-क्वोट गेट्स की ओर लगाया। ये ऑपरेशन्स काफी अधिक जटिल हैं, जिनमें एक तीसरा घटक शामिल होता है जिसे 'कपलर' कहा जाता है जो दोनों क्वबिट्स को जोड़ता है। जब शोधकर्ताओं ने अपने फ्रेमवर्क को टू-क्वोट गेट डेटा पर लागू किया, तो अनिश्चितता का अनुमान उच्च था। टूल ने संकेत दिया कि भले ही उनका अत्यधिक विस्तृत, फर्स्ट-प्रिंसिपल्स मॉडल, जिसमें जटिल नॉन-मार्कोवियन नॉइज़ और पल्स डिस्टॉर्शन शामिल थे, सिस्टम की गतिशीलता को पूरी तरह से कैप्चर नहीं कर पा रहा था। वास्तविक दुनिया की त्रुटियां उन तरीकों से व्यवहार कर रही थीं जिनकी सिमुलेशन ने भविष्यवाणी नहीं की थी। यह एक महत्वपूर्ण निष्कर्ष था। एक पारंपरिक पद्धति इस डेटा को मॉडल में जबरदस्ती फिट करने की कोशिश करती, जिससे एक सटीक लेकिन भ्रामक एरर बजट उत्पन्न होता जो समस्या की वास्तविक जटिलता को छिपा देता। इसके बजाय, इस नए फ्रेमवर्क ने उस अंतराल को स्वीकार किया, जो इस बात का मात्रात्मक प्रमाण प्रदान करता है कि टू-क्वोट गेट त्रुटियों की वर्तमान समझ अधूरी है।

शोधकर्ताओं ने पहचाना कि टू-क्वोट गेट में प्रमुख त्रुटियां संभवतः कंट्रोल पल्स की खामियों और कपलर के क्वबिट्स के साथ होने वाली विशिष्ट अंतःक्रिया से संबंधित थीं, लेकिन उच्च अनिश्चितता ने सुझाव दिया कि अन्य, अनमॉडल किए गए कारक भी सक्रिय थे। इनमें विद्युत संकेतों में सूक्ष्म विकृति या उन आवृत्तियों पर पर्यावरण के साथ अंतःक्रिया शामिल हो सकती है जिनका उन्होंने अभी तक परीक्षण नहीं किया है। यह अध्ययन इस बात पर प्रकाश डालता है कि हालांकि वर्तमान हार्डवेयर प्रभावशाली है, बड़े पैमाने पर क्वांटम कंप्यूटिंग का मार्ग न केवल बेहतर हार्डवेयर बल्कि इसे समझने के बेहतर तरीकों की भी मांग करता है। ज्ञात और अज्ञात के बीच अंतर करने की क्षमता स्वयं मापों जितनी ही महत्वपूर्ण है।

यह कार्य क्वांटम हार्डवेयर के लक्षण वर्णन (characterization) की दिशा में एक महत्वपूर्ण कदम है। एरर बजटिंग को एक साधारण गणना के बजाय एक लर्निंग समस्या के रूप में मानकर, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो शक्तिशाली भी है और ईमानदार भी। यह वैज्ञानिकों को जटिल प्रयोगों से विस्तृत अंतर्दृष्टि निकालने की अनुमति देता है और साथ ही उन्हें चेतावनी भी देता है कि उनके मॉडल अपर्याप्त हैं। जैसे-जैसे क्वांटम प्रोसेसर अधिक क्वबिट्स और अधिक जटिल इंटरैक्शन के साथ स्केल हो रहे हैं, इन अंतरालों का पता लगाने की क्षमता आवश्यक होती जाएगी। यह फ्रेमवर्क केवल इंजीनियरों को यह नहीं बताता कि क्या गलत है; यह उन्हें यह भी बताता है कि उनका ज्ञान कहाँ समाप्त होता है, जिससे उन्हें उन अगले प्रयोगों की ओर निर्देशित किया जाता है जिनकी आवश्यकता लापता टुकड़ों को भरने के लिए है। एक विश्वसनीय क्वांटम कंप्यूटर बनाने की दौड़ में, आप जो नहीं जानते उसे जानना ही समस्या को हल करने की दिशा में पहला कदम है।