⚛️ quantum physics

Mitigating Errors on Superconducting Quantum Processors through Fuzzy Clustering

यह शोध पत्र एक वास्तविक 5-क्विबिट सुपरकंडक्टिंग प्रोसेसर पर अत्याधुनिक हार्डवेयर फिडेलिटी की आवश्यकता के बिना, सिंगल- और टू-क्विबिट सर्किट के लिए एक्सपेक्टेशन वैल्यूज में बेहतर सटीकता प्रदर्शित करते हुए, मेजरमेंट एरर पैटर्न को पहचानने के लिए फजी सी-मीन्स क्लस्टरिंग का उपयोग करके एक क्वांटम एरर मिटिगेशन तकनीक के पहले प्रूफ-ऑफ-प्रिंसिपल वैलिडेशन को प्रस्तुत करता है।

मूल लेखक: Halima G. Ahmad, Roberto Schiattarella, Pasquale Mastrovito, Angela Chiatto, Anna Levochkina, Martina Esposito, Domenico Montemurro, Giovanni P. Pepe, Alessandro Bruno, Francesco Tafuri, Autilia Vitie

प्रकाशित 2026-06-23

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Halima G. Ahmad, Roberto Schiattarella, Pasquale Mastrovito, Angela Chiatto, Anna Levochkina, Martina Esposito, Domenico Montemurro, Giovanni P. Pepe, Alessandro Bruno, Francesco Tafuri, Autilia Vitiello, Giovanni Acampora, Davide Massarotti

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 लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

एक बड़ी तस्वीर: एक शोर वाले क्वांटम कंप्यूटर को ठीक करना

कल्पना कीजिए कि आपके पास एक बहुत ही नाजुक, उच्च-तकनीकी वाद्य यंत्र (एक क्वांटम कंप्यूटर) है जो सुंदर, जटिल धुनें बजा सकता है (कठिन समस्याओं को हल कर सकता है)। हालाँकि, यह वर्तमान में एक बहुत ही शोर वाले कमरे में है। हर बार जब आप एक नोट बजाने की कोशिश करते हैं, तो हवा चलती है, फर्श थरथराता है, और माइक्रोफ़ोन में स्टैटिक (शोर) सुनाई देता है। जब तक संगीत आपके कानों तक पहुँचता है, वह बिगड़ा हुआ और गलत सुनाई देता है।

यह सुपरकंडक्टिंग क्वांटम प्रोसेसर (Superconducting Quantum Processors) की वर्तमान स्थिति है। वे शक्तिशाली हैं, लेकिन वे "शोर वाले" (noisy) हैं। त्रुटियाँ इसलिए होती हैं क्योंकि मशीनें इतनी संवेदनशील होती हैं कि उन्हें मापने की प्रक्रिया भी गलतियाँ पैदा कर देती है।

इस शोध पत्र के लेखकों ने एक शांत कमरा बनाने की कोशिश नहीं की (जो अविश्वसनीय रूप से कठिन और महंगा है)। इसके बजाय, उन्होंने रिकॉर्डिंग को बाद में साफ करने का एक नया तरीका निकाला। उन्होंने फजी क्लस्टरिंग (Fuzzy Clustering) नामक एक गणितीय ट्रिक का उपयोग किया ताकि यह पता लगाया जा सके कि शोर संगीत को कैसे बिगाड़ रहा है, और फिर उसे ठीक किया।

समस्या: "अव्यवस्थित" माप (The "Messy" Measurement)

एक आदर्श दुनिया में, यदि आप क्वांटम कंप्यूटर को एक विशिष्ट अवस्था तैयार करने के लिए कहते हैं (जैसे कि एक लाइट स्विच का "On" होना), तो वह "On" ही रहता है। लेकिन वास्तविक दुनिया में, कंप्यूटर आपसे देखने के ठीक पहले गलती से स्विच को "Off" कर सकता है।

उपमा (Analogy): कल्पना कीजिए कि आप दोस्तों के एक समूह की फोटो खींच रहे हैं। क्योंकि कैमरा हिल रहा है और रोशनी खराब है, कभी-कभी फोटो में आपका दोस्त ऐसा दिखता है जैसे उसने टोपी पहनी हो जबकि उसने नहीं पहनी है, या वह मुस्कुराता हुआ दिखता है जबकि वह वास्तव में उदास है।
परिणाम: आपको एक "शोर वाली" (noisy) फोटो मिलती है। आप जानते हैं कि आपने क्या लेने की कोशिश की थी, लेकिन परिणाम विकृत है।

समाधान: "फजी" जासूस (The "Fuzzy" Detective)

शोधकर्ताओं ने फजी सी-मीन्स (Fuzzy C-Means - FCM) क्लस्टरिंग नामक तकनीक का उपयोग किया।

उपमा: कल्पना कीजिए कि आप एक जासूस हैं जो यह पता लगाने की कोशिश कर रहे हैं कि आपके दोस्तों की तस्वीरें अजीब क्यों दिख रही हैं। आप अपने दोस्त की "मुस्कुराते हुए" मुद्रा की 100 तस्वीरें लेते हैं और "उदास" मुद्रा की 100 तस्वीरें लेते हैं।
- कुछ "मुस्कुराती हुई" तस्वीरें ऐसी लगती हैं जैसे वे उदास हैं (एक गलती)।
- कुछ "उदास" तस्वीरें ऐसी लगती हैं जैसे वे मुस्कुरा रही हैं (एक गलती)।
- लेकिन अधिकांश सही दिखती हैं।

यह न कहकर कि, "यह फोटो निश्चित रूप से एक गलती है," फजी (Fuzzy) दृष्टिकोण कहता है, "इस फोटो की 70% संभावना मुस्कान की है और 30% संभावना उदासी की है।" यह स्वीकार करता है कि त्रुटि केवल काला या सफेद नहीं है; यह एक धुंधलापन (blur) है।

इन "धुंधली" तस्वीरों (डेटा पॉइंट्स) का विश्लेषण करके, एल्गोरिदम एक त्रुटियों का मानचित्र (Map of Errors) बनाता है (जिसे मिटिगेशन मैट्रिक्स कहा जाता है)। यह मानचित्र कंप्यूटर को बताता है: "हे, जब भी आप कोई ऐसा परिणाम देखें जो X जैसा दिखता है, तो 20% संभावना है कि वह वास्तव में Y होना चाहिए था।"

एक बार जब उनके पास यह मानचित्र होता है, तो वे अपने शोर वाले कच्चे परिणामों को एक "क्लीनर" (एक गणितीय फिल्टर) के माध्यम से चला सकते हैं ताकि सही उत्तर प्राप्त किया जा सके।

उन्होंने वास्तव में क्या किया

टीम ने केवल एक कंप्यूटर पर इसका सिमुलेशन नहीं किया; उन्होंने इसे QuantWare द्वारा बनाए गए एक वास्तविक, भौतिक क्वांटम चिप पर टेस्ट किया।

हार्डवेयर: उन्होंने एक 5-क्यूबिट (5-बिट) सुपरकंडक्टिंग चिप का उपयोग किया लेकिन केवल 2 क्यूब्स पर ध्यान केंद्रित किया (जैसे कि एक पियानो की एक कुंजी और उसके बगल वाली कुंजी का परीक्षण करना)।
सेटअप: उन्होंने सबसे महंगे, सटीक उपकरणों का उपयोग नहीं किया। उनके चिप का प्रदर्शन "औसत" था—यह दुनिया में सबसे अच्छा नहीं था, और इसमें महत्वपूर्ण त्रुटियाँ थीं (कुछ मामलों में रीडआउट त्रुटियाँ 20-40% थीं)। यह महत्वपूर्ण है क्योंकि यह साबित करता है कि यह तकनीक काम करती है भले ही हार्डवेयर उत्तम न हो।
परीक्षण: उन्होंने सरल क्वांटम सर्किट चलाए (जैसे एक स्विच को पलटना या दो स्विचों को एक साथ पलटना)।
- बिना सुधार के: परिणाम अक्सर गलत थे।
- फजी सुधार के साथ: उन्होंने अपने "एरर मैप" को परिणामों पर लागू किया।

परिणाम: सिग्नल की सफाई

शोध पत्र बताता है कि यह तरीका अच्छी तरह से काम कर गया, विशेष रूप से "अधिक अव्यवस्थित" सर्किट के लिए:

सरल सर्किट: सरल कार्यों के लिए, परिणाम पहले से ही काफी अच्छे थे, और सुधार ने थोड़ा लाभ दिया (सटीकता में लगभग 3-10% का सुधार)।
जटिल सर्किट: दो क्यूब्स के मिलकर काम करने वाले कार्यों के लिए (जो बहुत अधिक शोर वाले होते हैं), सुधार बहुत बड़ा था। कुछ मामलों में, उन्होंने सटीकता में 30% या उससे अधिक का सुधार किया।
"जादुई" संख्या: उन्होंने सफलता को "हेलिंगर फिडेलिटी" (Hellinger Fidelity - परिणाम सत्य के कितने करीब है, इसका एक स्कोर) का उपयोग करके मापा।
- जब कंप्यूटर बहुत खराब प्रदर्शन कर रहा था (स्कोर ~30%), तो सुधार ने थोड़ा मदद की, लेकिन पूरी तरह से आपदा को ठीक नहीं कर सका।
- जब कंप्यूटर ठीक-ठाक कर रहा था (स्कोर ~60%), तो इस सुधार ने उसे एक बेहतरीन परिणाम (स्कोर ~90%+) में बदल दिया।

मुख्य निष्कर्ष (The Bottom Line)

शोध पत्र का दावा है कि फजी क्लस्टरिंग (Fuzzy Clustering) शोर वाले क्वांटम डेटा को साफ करने के लिए एक शक्तिशाली उपकरण है।

यह सॉफ्टवेयर है, हार्डवेयर नहीं: आपको बेहतर मशीन बनाने की आवश्यकता नहीं है; आपको बस मशीन चलने के बाद डेटा को प्रोसेस करने के लिए बेहतर गणित की आवश्यकता है।
यह "अपूर्ण" चिप्स पर भी काम करता है: इसे काम करने के लिए पूर्ण, अत्याधुनिक क्वांटम कंप्यूटर की आवश्यकता नहीं है। यह साधारण मशीनों को भी बेहतर प्रदर्शन करने में मदद करता है।
यह तेज़ है: यह क्वांटम प्रयोग के बाद एक सामान्य कंप्यूटर पर होता है, इसलिए यह क्वांटम मशीन की गति को धीमा नहीं करता है।

संक्षेप में, शोधकर्ताओं ने दिखाया कि भले ही आपका क्वांटम कंप्यूटर थोड़ा "नशे में" (शोर वाला) हो, आप एक स्मार्ट गणितीय फिल्टर का उपयोग करके उसे सच बोलने में मदद कर सकते हैं।

तकनीकी सारांश: फजी क्लस्टरिंग के माध्यम से सुपरकंडक्टिंग क्वांटम प्रोसेसरों पर त्रुटियों का शमन

समस्या विवरण
सुपरकंडक्टिंग क्वांटम हार्डवेयर की व्यावहारिक उपयोगिता वर्तमान में नोइज़ी इंटरमीडिएट स्केल क्वांटम (NISQ) युग की सीमाओं द्वारा बाधित है: क्वबिट्स की एक सीमित संख्या और नियंत्रण एवं रीडआउट त्रुटियों का उच्च स्तर। ये त्रुटियाँ हेरफेर और रीडआउट के लिए बाहरी वातावरण के साथ जानबूझकर किए गए कपलिंग, साथ ही स्टेट लीकेज और क्रॉस-कपलिंग से उत्पन्न होती हैं। जबकि क्वांटम एरर करेक्शन (QEC) एक दीर्घकालिक समाधान प्रदान करता है, इसके लिए महत्वपूर्ण हार्डवेयर ओवरहेड (हजारों से लाखों भौतिक क्वबिट्स) की आवश्यकता होती है जो वर्तमान में अव्यवहार्य है। फलस्वरूप, वर्तमान उपकरणों में एक्सपेक्टेशन वैल्यूज (expectation values) की सटीकता में सुधार के लिए क्वांटम एरर मिटिगेशन (QEM) तकनीकें आवश्यक हैं। मौजूदा QEM विधियाँ, जैसे कि ज़ीरो-नॉइज़ एक्सट्रैपोलेशन (ZNE) या प्रोबेबिलिस्टिक एरर कैंसिलेशन (PEC), अक्सर उच्च सैंपलिंग लागत या जटिल पैरामीटर समायोजन की मांग करती हैं। इसके अलावा, फजी सी-मीन्स (FCM) आधारित QEM के पिछले प्रदर्शन शोर वाले क्वांटम सिम्युलेटर तक सीमित थे और वास्तविक NISQ हार्डवेयर पर प्रमाणित नहीं किए गए थे।

कार्यप्रणाली
लेखक एक QEM तकनीक का प्रस्ताव करते हैं और उसे प्रयोगिक रूप से मान्य करते हैं जो मेजरमेंट एरर पैटर्न को पहचानने के लिए फजी सी-मीन्स (FCM) क्लस्टरिंग पर आधारित है। कार्यप्रवाह में तीन प्राथमिक चरण शामिल हैं:

डेटासेट निर्माण: 2-क्वबिट रजिस्टर को चारों कंप्यूटेशनल बेसिस स्टेट्स ( $|00\rangle, |01\rangle, |10\rangle, |11\rangle$ ) में इनिशियलाइज़ किया जाता है। प्रत्येक स्टेट के लिए, रीडआउट परिणामों का प्रतिनिधित्व करने वाले प्रोबेबिलिटी वेक्टर्स एकत्र करने के लिए $t$ प्रयोग चलाए जाते हैं। यह चार डेटासेट्स ( $D_i$ ) बनाता है, जिनमें से प्रत्येक में मेजरमेंट प्रोबेबिलिटीज के इंस्टेंस होते हैं।
फजी क्लस्टरिंग: प्रत्येक डेटासेट पर FCM एल्गोरिदम को अलग-अलग एरर पैटर्न में प्रोबेबिलिटी वेक्टर्स को क्लस्टर करने के लिए लागू किया जाता है। हार्ड क्लस्टरिंग के विपरीत, FCM प्रत्येक इंस्टेंस के लिए प्रत्येक क्लस्टर हेतु एक मेंबरशिप डिग्री असाइन करता है। अनुकूलतम क्लस्टर्स की संख्या फजी पार्टीशन कोएफिशिएंट ( $f_{pc}$ ) को मैक्सिमाइज करके निर्धारित की जाती है।
मिटिगेशन मैट्रिक्स का निर्माण: एल्गोरिदम "सबसे उपयुक्त" प्रोबेबिलिटी वेक्टर्स का चयन करता है—वे जिनका मेंबरशिप डिग्री फजी पार्टीशन मैट्रिक्स में सबसे अनिश्चित है, जो एरर पैटर्न के बीच एक ट्रेड-ऑफ को दर्शाता है। इन वेक्टर्स का उपयोग कैलिब्रेशन मैट्रिक्स $M$ बनाने के लिए किया जाता है। इसके बाद मिटिगेशन मैट्रिक्स $S$ को $M$ के व्युत्क्रम (inverse) के रूप में परिकलित किया जाता है ( $S = M^{-1}$ )। इस मैट्रिक्स को आदर्श काउंट वेक्टर्स ( $C_{ideal} = S \cdot C_{noisy}$ ) का अनुमान लगाने के लिए नॉइजी काउंट वेक्टर्स ( $C_{noisy}$ ) पर क्लासिकली लागू किया जाता है।

प्रायोगिक सेटअप
इस तकनीक को ट्रांसमोन क्वबिट्स पर आधारित एक वास्तविक 5-क्वबिट सुपरकंडक्टिंग क्वांटम प्रोसेसर (QuantWare Soprano) पर सत्यापित किया गया। प्रयोग एक 2-क्विट सबसेट पर केंद्रित था जिसमें क्वबिट Q0 (लो-फ्रीक्वेंसी) और Q2 (सेंट्रल मीडियम-फ्रीक्वेंसी) शामिल थे।

हार्डवेयर विशेषताएँ: डिवाइस में मध्यम कोहेरेंस समय (जैसे, Q0 के लिए $T_1 \approx 24 \mu s$ , Q2 के लिए $T_1 \approx 8 \mu s$ ) और बिना क्वांटम-लिमिटेड एम्प्लीफिकेशन या परिष्कृत रीडआउट तकनीकों के 60% से 80% तक की रीडआउट फिडेलिटी प्रदर्शित हुई।
गेट परफॉरमेंस: सिंगल-क्वबिट गेट फिडेलिटी क्रमशः लगभग 99.8% (Q0) और 99.43% (Q2) थी। दो-क्वबिट CZ गेट फिडेलिटी लगभग 89% थी, जो स्टेट-ऑफ-द-आर्ट बेंचमार्क से कम है, जिससे यह एक चुनौतीपूर्ण टेस्टबेड प्रदान करती है।
सर्किट्स: सत्यापन में 16 टेस्ट सर्किट्स (4 इनिशियल स्टेट्स $\times$ 4 सर्किट प्रकार) शामिल थे जिनमें सिंगल-क्वबिट गेट्स (Hadamard, X, Y रोटेशन) और टू-क्वबिट गेट्स (CZ के माध्यम से निर्मित CNOT) शामिल थे।

प्रमुख परिणाम
FCM-QEM तकनीक के प्रदर्शन का मूल्यांकन हेलिंगर फिडेलिटी ($HF$) का उपयोग करके किया गया, जो आदर्श और प्रायोगिक (मिटिगेटेड और अनमिटिगेटेड) प्रोबेबिलिटी डिस्ट्रीब्यूशंस के बीच समानता को मापता है।

सिंगल-क्वबिट सर्किट्स: तकनीक ने मामूली सुधार प्रदान किया। "Single-qubit circuit 1" के लिए, औसत $HF$ लगभग +3% सुधरा (जैसे, 93% से 96%)। "Single-qubit circuit 2" के लिए, सुधार +10% से +15% के बीच रहा।
टू-क्वबिट सर्किट्स: कम शुरुआती फिडेलिटी वाले सर्किट्स के लिए महत्वपूर्ण सुधार देखे गए।
- "Two-qubit circuit 1" (CNOT + H) के लिए, सुधार +5% से +33% के बीच रहा, जिसमें $|00\rangle$ इनिशियल स्टेट के लिए अधिकतम सुधार +33% (+54% से 87% तक) देखा गया।
- "Two-qubit circuit 2" (केवल CNOT) के लिए, सुधार +0% से +30% के बीच रहा।
परफॉरमेंस लिमिट्स: लेखकों ने देखा कि जब अनमिटिगेटेड हेलिंगर फिडेलिटी बहुत कम (लगभग 50% से नीचे) थी, तो मिटिगेशन तकनीक ने न्यूनतम सुधार (5–9%) दिया। हालांकि, 60% के आसपास की शुरुआती फिडेलिटी के लिए, तकनीक रीडआउट को 30% तक सुधार सकती है। उन मामलों में जहाँ अनमिटिगेटेड सर्किट पहले से ही उच्च फिडेलिटी (~90%) दिखा रहा था, तकनीक परिणाम को ~99% तक ले जा सकती है।

महत्व और दावे
यह पेपर दावा करता है कि यह वास्तविक NISQ डिवाइस (सुपरकंडक्टिंग ट्रांसमोन क्वबिट्स पर आधारित) पर FCM-QEM तकनीक के पहले प्रूफ-ऑफ-प्रिंसिपल वैलिडेशन को प्रदान करता है। इस कार्य का महत्व यह प्रदर्शित करने में है कि:

हार्डवेयर स्वतंत्रता: FCM-आधारित QEM तकनीक, बिना स्टेट-ऑफ-द-आर्ट कोहेरेंस, गेट, या रीडआउट फिडेलिटी की आवश्यकता के, सिंगल- और टू-क्वबिट गेट सर्किट्स के लिए एक्सपेक्टेशन वैल्यूज की सटीकता में सुधार कर सकती है। यह "मामूली" प्रदर्शन मेट्रिक्स वाले हार्डवेयर पर भी प्रभावी है।
प्रायोगिक सुविधा: यह विधि पूरी तरह से क्लासिकल पोस्ट-प्रोसेसिंग और एक इनिशियलाइजेशन रूटीन पर निर्भर करती है, जिससे अतिरिक्त हार्डवेयर संसाधनों या जटिल इन-सर्किट सुधारों (ZNE या t-REx के विपरीत) की आवश्यकता नहीं होती है।
स्थिरता: तकनीक कई रन के माध्यम से दोहराव क्षमता (repeatability) प्रदर्शित करती है, जो प्रभावी रूप से रीडआउट रैंडमनेस और शॉट नॉइज़ को संभालती है।
स्केलेबिलिटी चेतावनी: लेखक स्वीकार करते हैं कि अन्य मैट्रिक्स-आधारित QEM तकनीकों की तरह, मिटिगेशन मैट्रिक्स को बनाने और उलटने (invert) की कम्प्यूटेशनल लागत क्वबिट्स की संख्या के साथ एक्सपोनेंशियल रूप से बढ़ती है, जो भविष्य के कार्य के लिए एक चुनौती है।

लेखक निष्कर्ष निकालते हैं कि FCM-QEM, NISQ डिवाइसेस के लिए, विशेष रूप से गैर-अनुकूलित (non-optimized) रीडआउट विशेषताओं वाले डिवाइसेस के लिए, रीडआउट एरर मिटिगेशन का एक उपयुक्त उम्मीदवार है, और इसे हार्डवेयर सेटअप और क्वांटम प्रोसेसरों के बीच सॉफ्टवेयर इंटरफेस में एकीकृत किया जा सकता है।