🔬 mesoscale physics

Automated in situ optimization and disorder mitigation in a quantum device

यह शोध पत्र यह प्रदर्शित करता है कि कोवेरिएंस मैट्रिक्स अडैप्टेशन इवोल्यूशनरी स्ट्रैटेजी का उपयोग करके स्वचालित इन सीटू अनुकूलन, टाइट-बाइंडिंग सिमुलेशन और भौतिक प्रयोगों दोनों के माध्यम से प्रमाणित, एक क्वांटम पॉइंट कॉन्टैक्ट डिवाइस में यादृच्छिक विकार (रैंडम डिसऑर्डर) को प्रभावी ढंग से कम कर सकता है और कंडक्टेंस क्वांटाइजेशन में सुधार कर सकता है।

मूल लेखक: Jacob Benestad, Torbjørn Rasmussen, Bertram Brovang, Oswin Krause, Saeed Fallahi, Geoffrey C. Gardner, Michael J. Manfra, Charles M. Marcus, Jeroen Danon, Ferdinand Kuemmeth, Anasua Chatterjee, Evert

प्रकाशित 2026-01-28

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jacob Benestad, Torbjørn Rasmussen, Bertram Brovang, Oswin Krause, Saeed Fallahi, Geoffrey C. Gardner, Michael J. Manfra, Charles M. Marcus, Jeroen Danon, Ferdinand Kuemmeth, Anasua Chatterjee, Evert van Nieuwenburg

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

कल्पना कीजिए कि आप एक बहुत पुराने, जिद्दी रेडियो को एक साफ़ स्टेशन पकड़ने के लिए ट्यून करने की कोशिश कर रहे हैं। आमतौर पर, आपको डायल को धीरे-धीरे घुमाना पड़ता है, शोर (static) के साफ होने का इंतज़ार करना पड़ता है, और फिर एंटीना के साथ छेड़छाड़ करनी पड़ती है। यदि रेडियो खराब है या उसमें कोई अजीब आंतरिक दोष है, तो आप चाहे कितनी भी कोशिश कर लें, साफ़ सिग्नल पाना असंभव हो सकता है।

यह शोध पत्र एक कंप्यूटर को एक क्वांटम पॉइंट कॉन्टैक्ट (QPC) नामक एक बहुत ही सूक्ष्म तकनीकी टुकड़े के लिए "परफेक्ट रेडियो ट्यूनर" बनने की शिक्षा देने के बारे में है।

समस्या: एक शोर भरा, टूटा हुआ परिदृश्य

QPC को एक कंप्यूटर चिप के अंदर एक संकी गई गैली (hallway) के रूप में समझें जहाँ इलेक्ट्रॉन (बिजली के सूक्ष्म कण) गुजरने की कोशिश करते हैं। एक आदर्श दुनिया में, यह गैली चिकनी होगी, और इलेक्ट्रॉन एक बहुत ही व्यवस्थित, "सीढ़ीदार" (stepped) पैटर्न में बहेंगे। यह पैटर्न बहुत महत्वपूर्ण है क्योंकि यह बिजली को मापने के लिए एक पैमाने (ruler) के रूप में कार्य करता है और भविष्य के क्वांटम कंप्यूटरों का आधार है।

हालाँकि, वास्तविक दुनिया की चिप्स कभी भी पूर्ण नहीं होतीं। उनके अंदर सूक्ष्म "गंदगी" और खामियां (जिसे डिसऑर्डर/disorder कहा जाता है) बिखरी होती हैं। यह गैली के फर्श पर यादृच्छिक (random) पत्थरों, उभारों और चिपचिपे पैच जैसा है। इस कारण, इलेक्ट्रॉन लड़खड़ा जाते हैं, और वह व्यवस्थित "सीढ़ीदार" पैटर्न अव्यवस्थित और धुंधला हो जाता है। पारंपरिक रूप से, वैज्ञानिकों को फर्श को चिकना करने के लिए दर्जनों छोटे नॉब्स (gates) को मैन्युअल रूप से समायोजित करना पड़ता है, लेकिन इतने सारे नॉब्स और इतनी सारी रैंडम "गंदगी" के साथ, यह आँखों पर पट्टी बांधकर घास के ढेर में सुई खोजने जैसा है।

समाधान: एक AI "स्मार्ट ट्यूनर"

शोधकर्ताओं ने एक ऐसा सिस्टम बनाया है जहाँ एक कंप्यूटर एल्गोरिदम एक स्वायत्त ट्यूनर (autonomous tuner) के रूप में कार्य करता है। एक इंसान द्वारा अंदाज़े से नॉब घुमाने के बजाय, कंप्यूटर CMA-ES नामक एक रणनीति का उपयोग करता है (जो "विकासवादी प्रयास-और-त्रुटि" यानी evolutionary trial-and-error कहने का एक शानदार तरीका है)।

यहाँ AI कैसे काम करता है, इसका एक सरल उदाहरण दिया गया है:

पिक्सेल ग्रिड: कल्पना करें कि गैली का फर्श अदृश्य, समायोज्य (adjustable) "पिक्सेल" के $3 \times 3$ ग्रिड से ढका हुआ है। प्रत्येक पिक्सेल को एक वोल्टेज नॉब द्वारा ऊपर या नीचे किया जा सकता है।
विकास (Evolution): AI इन 9 नॉब्स को बेतरतीब ढंग से सेट करके शुरुआत करता है। इसके बाद, यह मापता है कि बिजली का प्रवाह कितना अच्छा है।
"फिटनेस" टेस्ट: AI का एक विशिष्ट लक्ष्य है: वह चाहता है कि बिजली का प्रवाह एक आदर्श सीढ़ी की तरह दिखे (सपाट कदम और तीखे उतार-चढ़ाव)। यह हर प्रयास को एक "स्कोर" देता है।
योग्यतम की उत्तरजीविता (Survival of the Fittest): AI सबसे अच्छे नॉब सेटिंग्स को रखता है, खराब सेटिंग्स को हटा देता है, और सेटिंग्स का एक नया "जनरेशन" बनाता है जो विजेताओं के थोड़े संशोधित संस्करण होते हैं। यह प्रक्रिया तब तक दोहराता रहता है, जब तक कि सीढ़ी एकदम सटीक न दिखने लगे।

उन्होंने क्या किया

टीम ने इसे दो तरीकों से परखा:

कंप्यूटर में (सिमुलेशन): उन्होंने एक वर्चुअल चिप बनाई जिसमें रैंडम "गंदगी" (disorder) पहले से मौजूद थी। उन्होंने AI को वर्चुअल नॉब्स को ट्यून करने दिया।
- परिणाम: भले ही AI को यह नहीं पता था कि "गंदगी" कहाँ है, फिर भी उसने फर्श के पिक्सेल को ऊपर-नीचे करके उभारों को चिकना करना सीख लिया। बिखरा हुआ, डगमगाता हुआ प्रवाह एक साफ, तीखी सीढ़ी में बदल गया।
वास्तविक दुनिया में (प्रयोग): उन्होंने एक वास्तविक भौतिक चिप बनाई जिसमें धातु के गेट्स का एक वास्तविक $3 \times 3$ ग्रिड था। उन्होंने AI को बिना किसी मानवीय सहायता के वास्तविक वोल्टेज नॉब्स को नियंत्रित करने दिया।
- परिणाम: AI एक बिखरे हुए, अपरिचित सिग्नल के साथ शुरू हुआ। लगभग 50 राउंड "ट्यूनिंग" के बाद, इसने एक ऐसा सेटिंग खोज लिया जहाँ बिजली का प्रवाह अचानक एक स्पष्ट, तीखी सीढ़ी में बदल गया। AI ने चिप की वास्तविक दुनिया की खामियों को सफलतापूर्वक "साफ" कर दिया।

मुख्य निष्कर्ष

यह शोध पत्र यह दर्शाता है कि क्वांटम डिवाइस की खामियों को ठीक करने के लिए आपको यह जानने की आवश्यकता नहीं है कि वे दोष ठीक कहाँ हैं। आपको बस एक स्मार्ट एल्गोरिदम की आवश्यकता है जो अपने समायोजन के परिणाम को "महसूस" कर सके और तब तक प्रयास करता रहे जब तक कि वह परफेक्ट नॉब कॉम्बिनेशन न ढूंढ ले।

संक्षेप में, उन्होंने कंप्यूटर को इलेक्ट्रॉनों के लिए एक ऊबड़-खाबड़, सूक्ष्म सड़क को स्वचालित रूप से चिकना करना सिखाया, जिससे एक अराजक मलबे को एक पूरी तरह से व्यवस्थित राजमार्ग में बदल दिया गया—यह काम सिमुलेशन और वास्तविक प्रयोगशाला प्रयोग दोनों में सफलतापूर्वक किया गया। यह साबित करता है कि मशीन लर्निंग, मानव विशेषज्ञ द्वारा हर एक डायल को मैन्युअल रूप से बदलने की आवश्यकता के बिना, क्वांटम उपकरणों में "शोर" को ठीक करने के लिए एक शक्तिशाली उपकरण हो सकती है।

तकनीकी सारांश: एक क्वांटम डिवाइस में स्वचालित इन सीटू (In Situ) अनुकूलन और विकार न्यूनीकरण (Disorder Mitigation)

समस्या विवरण
क्वांटम डिवाइसेस की ट्यूनिंग, विशेष रूप से वे जिन्हें वांछित ऑपरेटिंग कॉन्फ़िगरेशन तक पहुँचने के लिए कई मापदंडों (parameters) को समायोजित करने की आवश्यकता होती है, अक्सर भौतिक कमियों और अप्रत्याशित विकार (disorder) के कारण बाधित होती है। ये कमियाँ बड़े पैरामीटर स्पेस के माध्यम से नेविगेशन को कठिन बना सकती हैं, जिससे मैन्युअल रूप से इष्टतम डिवाइस प्रदर्शन प्राप्त करना मुश्किल हो जाता है। विशेष रूप से, क्वांटम पॉइंट कॉन्टैक्ट्स (QPCs) में, विकार और प्रकीर्णन (scattering) विशिष्ट क्वांटाइज्ड कंडक्टेंस स्टेप्स (प्लेटो जो तीक्ष्ण उछालों द्वारा अलग किए जाते हैं) को सुचारू और विकृत कर देते हैं, जो क्वांटम भौतिकी के मौलिक लक्षण हैं और स्पिन क्वबिट रीडआउट एवं इंटरफेरोमेट्री जैसे अनुप्रयोगों के लिए आवश्यक हैं। चुनौती एक ऐसा ट्यूनेबल पोटेंशियल लैंडस्स्केप खोजने की है जो सूक्ष्म विकार की उपस्थिति के बावजूद इन "सीढ़ीनुमा" (staircase) हस्ताक्षरों को बहाल कर सके।

कार्यप्रणाली (Methodology)
लेखक एक GaAs-आधारित टू-डायमेंशनल इलेक्ट्रॉन गैस (2DEG) के भीतर परिभाषित एक QPC के पोटेंशियल लैंडस्केप को अनुकूलित करने के लिए एक स्वचालित इवोल्यूशनरी स्ट्रैटेजी (evolutionary strategy) को लागू करते हैं। इस डिवाइस में संकुचन (constriction) के ऊपर पैटर्न किया गया एक $3 \times 3$ इलेक्ट्रोस्टैटिक टॉप-गेट्स (पिक्सेल गेट्स) का सरणी (array), साथ ही बाहरी स्प्लिट-गेट्स मौजूद हैं।

एल्गोरिदम: अध्ययन को कोवेरिएंस मैट्रिक्स एडैप्टेशन इवोल्यूशनरी स्ट्रैटेजी (CMA-ES) का उपयोग करके कार्यान्वित किया गया है। यह ग्रेडिएंट-फ्री, स्टोकेस्टिक एल्गोरिदम अपनी सरलता, शोर (noise) के प्रति मजबूती और लॉस लैंडस्केप के विशिष्ट विवरणों के प्रति असंवेदनशीलता के कारण चुना गया है।
अनुकूलन मीट्रिक (लॉस फंक्शन): एक कस्टम लॉस फंक्शन $L$ को यह मापने के लिए परिभाषित किया गया है कि चैनल के संकुचित होने पर कंडक्टेंस कर्व कितना "स्टेप-लाइक" (कदम जैसा) है। यह फंक्शन आस-पास के कंडक्टेंस मानों के अंतर के क्यूब रूट (cube roots) को जोड़ता है, जो कई छोटे बदलावों के बजाय कुछ बड़े उछालों (steps) को प्राथमिकता देता है। इसमें QPC को पूरी तरह से बंद करने के लिए एक पेनल्टी और शोर को कम करने के लिए एक छोटा ऑफसेट शामिल है, लेकिन महत्वपूर्ण रूप से, इसमें विशिष्ट पूर्णांक क्वांटाइज्ड मानों या अंतर्निहित विकार वितरण का कोई पूर्व ज्ञान नहीं है।
सिमुलेशन दृष्टिकोण: प्रारंभिक अनुकूलन KWANT सॉफ्टवेयर पैकेज का उपयोग करके टाइट-बाइंडिंग मॉडल को हल करने के लिए किया गया था। मजबूती में सुधार के लिए, अनुकूलन सीधे पिक्सेल वोल्टेज पर नहीं, बल्कि उनके फूरियर मोड ( $A_{\alpha\beta}$ ) पर किया गया था। औसत मोड ( $A_{00}$ ) को चैनल को संकुचित करने के लिए स्वीपिंग पैरामीटर ( $V_{QPC}$ ) के रूप में उपयोग किया गया, जबकि अन्य मोड को अनुकूलित किया गया। विकार को एक परिभाषित सहसंबंध लंबाई (correlation length) के साथ एक रैंडम ऑनसाइट पोटेंशियल के रूप में मॉडल किया गया था।
प्रायोगिक दृष्टिकोण: वही CMA-ES रूटीन एक भौतिक डिवाइस पर लागू किया गया जिसे एक GaAs हेटरोस्ट्रक्चर पर बनाया गया था। निर्माण संबंधी बाधाओं के कारण (विशेष रूप से, इलेक्ट्रिकल रूटिंग की आवश्यकता जिसने डिवाइस की समरूपता को तोड़ दिया), प्रायोगिक प्रोटोकॉल को अनुकूलित किया गया: स्वीपिंग पैरामीटर $V_{QPC}$ को दो विपरीत पिक्सेल पर लागू किया गया, जबकि एल्गोरिदम ने शेष सात पिक्सेल वोल्टेज को स्वतंत्र रूप से अनुकूलित किया। माप एक डिल्यूशन रेफ्रिजरेटर में मिलीकेल्विन तापमान पर और एक आउट-ऑफ-प्लेन मैग्नेटिक फील्ड के तहत किए गए।

प्रमुख योगदान

स्वचालित ट्यूनिंग का प्रदर्शन: यह पेपर बिना किसी मानवीय हस्तक्षेप के एक इवोल्यूशनरी स्ट्रैटेजी का उपयोग करके एक क्वांटम डिवाइस के पूर्णतः स्वचालित, इन सीटू अनुकूलन के लिए एक प्रूफ-ऑफ-प्रिंसिपल प्रस्तुत करता है।
विकार न्यूनीकरण (Disorder Mitigation): अध्ययन यह प्रदर्शित करता है कि एल्गोरिदम रैंडम विकार पोटेंशियल के अनुकूल हो सकता है। गेट वोल्टेज को अनुकूलित करके, सिस्टम उन स्पष्ट कंडक्टेंस प्लेटो को बहाल कर सकता है जो विकार के कारण पहले खराब या गायब हो गए थे।
फिजिक्स-अज्ञेय अनुकूलन (Physics-Agnostic Optimization): लॉस फंक्शन केवल कंडक्टेंस कर्व की ज्यामितीय "स्टेप-नेस" पर निर्भर करता है, न कि विशिष्ट क्वांटाइज्ड मानों को लक्षित करने पर। तथ्य यह है कि एल्गोरिदम स्वाभाविक रूप से पूर्णांक क्वांटाइज्ड प्लेटो पर अभिसरित (converge) होता है, यह सुझाव देता है कि समाधान अंतर्निहित QPC भौतिकी का एक प्रकटीकरण है न कि ओवरफिटिंग आर्टिफैक्ट।
सिमुलेशन-टू-एक्सपेरिमेंट ट्रांसफर: कार्य ने एक संख्यात्मक अनुकूलन प्रोटोकॉल को, जिसे विकार मापदंडों पर पूर्ण नियंत्रण के साथ विकसित किया गया था, एक वास्तविक दुनिया के प्रायोगिक सेटिंग में सफलतापूर्वक अनुवादित किया है, जिससे डिवाइस के प्रदर्शन में उल्लेखनीय सुधार हुआ है।

परिणाम

सिमुलेशन: विकार-मुक्त सिमुलेशन में, अनुकूलित गेट कॉन्फ़िगरेशन ने औसत वोल्टेज के साधारण स्वीप की तुलना में अधिक तीक्ष्ण कंडक्टेंस स्टेप्स उत्पन्न किए। जब रैंडम विकार पेश किया गया, तो अनुकूलित कॉन्फ़िगरेशन ने कंडक्टेंस सीढ़ी (staircase) को सफलतापूर्वक बहाल कर दिया, जबकि अन-ऑप्टिमाइज्ड (विकार-मुक्त) कॉन्फ़िगरेशन विफल रहा। एल्गोरिदम विशिष्ट वोल्टेज कॉन्फ़िगरेशनों पर अभिसरित हुआ जो विशिष्ट विकार रियलाइजेशन की भरपाई करते हैं।
प्रयोग: भौतिक डिवाइस में, एल्गोरिदम ने एक गैर-अनुकूलित अवस्था से गेट वोल्टेज को स्वायत्त रूप से ट्यून किया। अन-ऑप्टिमाइज्ड ट्रेस में कोई स्टेप-लाइक फीचर्स नहीं थे। अनुकूलन के बाद (विशेष रूप से इटरेशन 51 पर), कंडक्टेंस ट्रेस ने स्पष्ट, सुपरिभाषित क्वांटाइज्ड प्लेटो प्रदर्शित किए। दिलचस्प बात यह है कि एल्गोरिदम ने कई अलग-अलग वोल्टेज कॉन्फ़िगरेशन (जैसे, इटरेशन 51 और 85 पर) खोजे जो दोनों ही उत्कृष्ट स्टेप व्यवहार प्रदान करते थे, जो पैरामीटर स्पेस में कई व्यवहार्य समाधानों की उपस्थिति का सुझाव देते हैं, जो संभावित रूप से डिवाइस की विषमता या विशिष्ट विकार विशेषताओं के न्यूनीकरण के कारण है। अनुकूलन लगभग 460 मापों के भीतर एक इष्टतम स्थिति तक पहुँच गया।

महत्व और दावे
पेपर का दावा है कि CMA-ES का उपयोग करके स्वचालित ट्यूनिंग क्वांटम डिवाइसेस में डिवाइस फंक्शनलिटी को बढ़ाने और विकार के प्रभावों को कम करने के लिए एक व्यवहार्य विधि है। लेखक इस बात पर जोर देते हैं कि यह दृष्टिकोण ऐसे अनुकूलित ट्यूनिंग प्रदान करता है जो मैन्युअल रूप से प्राप्त करना कठिन होता है, विशेष रूप से अप्रत्याशित विकार की उपस्थिति में।

महत्व इस बात में निहित है कि एक "ब्लाइंड" अनुकूलन एल्गोरिदम—जो क्वांटाइज्ड कंडक्टेंस की भौतिकी या विकार की प्रकृति को नहीं जानता है—प्रभावी ढंग से जटिल, शोर वाले पैरामीटर स्पेस में नेविगेट कर सकता है ताकि मौलिक क्वांटम ट्रांसपोर्ट गुणों को बहाल किया जा सके। लेखक नोट करते हैं कि हालांकि वर्तमान प्रयोग डिवाइस विषमता (केवल 9 में से 7 गेट्स को अनुकूलित करना) द्वारा सीमित था, परिणाम इन सीटू विकार न्यूनीकरण की अवधारणा को मान्य करते हैं। वे सुझाव देते हैं कि भविष्य के सुधारों में मल्टी-लेयर गेट स्ट्रक्चर शामिल हो सकते हैं ताकि सभी पिक्सेल्स पर पूर्ण नियंत्रण मिल सके और स्वीपिंग पैरामीटर के रूप में बदलते वोल्टेज कॉन्फ़िगरेशन का अन्वेषण किया जा सके। यह कार्य मशीन लर्निंग को न केवल एक लक्षण वर्णन (characterization) उपकरण के रूप में, बल्कि सेमीकंडक्टर क्वांटम प्रौद्योगिकियों में सामग्री की खामियों को दूर करने के लिए एक सक्रिय तंत्र के रूप में स्थापित करता है।

समस्या: एक शोर भरा, टूटा हुआ परिदृश्य

समाधान: एक AI "स्मार्ट ट्यूनर"

उन्होंने क्या किया

मुख्य निष्कर्ष

इसी तरह के और पेपर