⚛️ quantum physics

Deep reinforcement learning for near-deterministic preparation of cubic- and quartic-phase gates in photonic quantum computing

यह शोध पत्र प्रदर्शित करता है कि डीप रिइन्फोर्समेंट लर्निंग केवल फोटॉन-संख्या-सुलझाने वाले मापन (photon-number-resolving measurements) का उपयोग करके एक क्वांटम ऑप्टिकल सर्किट को नियंत्रित कर सकता है ताकि क्यूबिक-फेज अवस्थाओं को तैयार करने और यूनिवर्सल कंटीन्यूअस-वैरिएबल क्वांटम कंप्यूटिंग के लिए सीधे क्वार्टिक-फेज गेट्स उत्पन्न करने में 96% सफलता दर प्राप्त की जा सके।

मूल लेखक: Amanuel Anteneh, Léandre Brunel, Carlos González-Arciniegas, Olivier Pfister

प्रकाशित 2026-05-13

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Amanuel Anteneh, Léandre Brunel, Carlos González-Arciniegas, Olivier Pfister

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 ही विशिष्ट, जटिल केक (एक "क्यूबिक-फेज स्टेट") बनाने की कोशिश कर रहे हैं जो एक अति-उन्नत क्वांटम कंप्यूटर बनाने के लिए आवश्यक है। प्रकाश-आधारित (फोटोनिक) कंप्यूटिंग की दुनिया में, इस केक को बनाना बेहद कठिन है। आमतौर पर, आपको एक "किस्मत के अंदाज़े" (lucky guess) वाली विधि पर निर्भर रहना पड़ता है: सामग्री मिलाएं, परिणाम की जाँच करें, और यदि वह सटीक नहीं है, तो उसे फेंक दें और फिर से शुरू करें। यह धीमा और अक्षम है।

यह शोध पत्र प्रस्तुत करता है कि कैसे डीप रिइन्फोर्समेंट लर्निंग (DRL) द्वारा संचालित एक "स्मार्ट रोबोट शेफ" का उपयोग करके उस केक को बनाया जा सकता है। यहाँ लेखकों ने इसे सरल भाषा में समझाया है:

1. लक्ष्य: "जादुई" सामग्री

एक सार्वभौमिक क्वांटम कंप्यूटर बनाने के लिए जो किसी भी समस्या को हल कर सके, आपको एक विशेष सामग्री की आवश्यकता होती है जिसे क्यूबिक-फेज स्टेट कहा जाता है। इस "क्यूबिक-फेज स्टेट" को एक "जादुई मसाले" के रूप में समझें जो एक साधारण, अनुमानित मशीन को एक शक्तिशाली, जटिल मशीन में बदल देता है। इसके बिना, कंप्यूटर सीमित रहेगा।

2. पुराना तरीका बनाम नया तरीका

पुराना तरीका (क्लासिकल/प्रोबेबिलिस्टिक): कल्पना कीजिए कि आप सामग्री के एक डिब्बे को बेतरतीब ढंग से हिलाकर केक बनाने की कोशिश कर रहे हैं और उम्मीद कर रहे हैं कि आपको सही मिश्रण मिल जाए। यदि आप गलत होते हैं, तो आप बैच को फेंक देते हैं। पिछले तरीकों में ऐसा ही किया जाता था जिसमें "फोटॉन-नंबर-रिजॉल्विंग" (PNR) माप का उपयोग किया जाता था। यह काम करता था, लेकिन यह ऐसा था जैसे हर बार केक बनाने के लिए लॉटरी जीतने की कोशिश करना।
नया तरीका (AI शेफ): लेखकों ने एक डीप न्यूरल नेटवर्क (एक प्रकार का AI) को एक शेफ के रूप में प्रशिक्षित किया। यह शेफ अंदाज़ा नहीं लगाता; यह करके सीखता है।
- सेटअप: "रसोई" दर्पणों (mirrors), बीम स्प्लिटर और लेजर का एक लूप है (एक क्वांटम ऑप्टिकल सर्किट)।
- प्रक्रिया: AI शेफ मिश्रण की वर्तमान स्थिति (प्रकाश) को देखता है। वह तय करता है कि क्या मिश्रण में थोड़ा "स्क्वीजिंग" (प्रकाश को संकुचित करना), एक चुटकी "डिस्प्लेसमेंट" (प्रकाश को खिसकाना), या एक बीम स्प्लिटर के माध्यम से मिश्रण को गुजरने देना है।
- फीडबैक: प्रत्येक चरण के बाद, शेफ परिणाम की जाँच करता है। यदि केक सटीक रेसिपी के करीब पहुँच रहा है, तो AI को एक "रिवॉर्ड" (पुरस्कार) मिलता है। यदि यह पटरी से उतर जाता है, तो उसे "पेनल्टी" (दंड) मिलती है।
- सीखना: लाखों प्रयासों के बाद, AI लगभग हर बार क्यूबिक-फेज स्टेट बनाने के लिए कदमों के सही क्रम को सीख जाता है।

3. परिणाम: लगभग निश्चित सफलता (Near-Deterministic Success)

शोध पत्र रिपोर्ट करता है कि इस AI शेफ ने 96% सफलता दर हासिल की।

इसका अर्थ है: पुराने तरीकों की तुलना में, जहाँ आप अपने 90% बैच फेंक देते हैं, यह AI 100 में से 96 प्रयासों में सफलतापूर्वक केक बनाता है।
"रीसेट" वाला तरीका: AI ने एक चतुर रणनीति सीखी। यदि उसे एहसास होता है कि एक बैच खराब हो गया है और उसे ठीक नहीं किया जा सकता, तो वह तुरंत एक "रीसेट" बटन दबा देता है (ताकि ताज़ा शुरुआत करने के लिए दर्पण को घुमाया जा सके) बजाय इसके कि वह एक खराब केक को ठीक करने में समय बर्बाद करे। उसने यह भी सीखा कि जब केक एकदम सही हो जाए, तो सामग्री डालना कब बंद करना है, ताकि उसे ज़रूरत से ज़्यादा न मिलाया जाए।

4. "क्वार्टिक" बोनस

लेखकों ने यह भी दिखाया कि इसी "रसोई" और "शेफ" का उपयोग एक और भी अधिक जटिल केक बनाने के लिए किया जा सकता है जिसे क्वार्टिक-फेज गेट कहा जाता है।

चुनौती: आमतौर पर, इस जटिल केक को बनाने के लिए इसे 29 छोटे क्यूबिक केक से बनाना पड़ता है (एक बहुत लंबी असेंबली लाइन)।
खोज: लेखकों ने उन्हीं सामग्रियों का उपयोग करके एक सरल, सीधा नुस्खा खोज निकाला है। हालांकि इस विशिष्ट संस्करण में अभी भी थोड़े भाग्य (पोस्ट-सिलेक्शन) की आवश्यकता होती है, यह साबित करता है कि आप लंबी असेंबली लाइन को छोड़कर सीधे जटिल केक बना सकते हैं। वे सुझाव देते हैं कि अधिक प्रशिक्षण के साथ, एक AI अंततः इसे भी विश्वसनीय रूप से बना सकता है।

5. यह क्यों महत्वपूर्ण है (शोध पत्र के अनुसार)

दक्षता (Efficiency): इस विधि में पिछले प्रस्तावों की तुलना में कम "स्क्वीजिंग" (ऊर्जा) और कम जटिल फोटॉन काउंटिंग की आवश्यकता होती है।
व्यवहार्यता (Feasibility): जिस उपकरण (दर्पण, लेजर और फोटॉन डिटेक्टर) की आवश्यकता है, वे वर्तमान प्रयोगशालाओं में पहले से मौजूद हैं। एकमात्र "गैर-मानक" चीज़ फोटॉन को सटीक रूप से गिनने की क्षमता है, जो अब संभव है।
मजबूती (Robustness): AI ने "शोर" (उपकरणों की खामियों) को संभालना सीख लिया। भले ही डिटेक्टर केवल 99% कुशल (थोड़ा "शोर वाला") था, AI फिर भी उच्च-गुणवत्ता वाले परिणाम प्राप्त करने में सफल रहा, हालाँकि उसे क्षतिपूर्ति करने के लिए अपनी रणनीति (अपने कदमों को दोलन/oscillate करना) को समायोजित करना पड़ा।

संक्षेप में: यह शोध पत्र प्रदर्शित करता है कि एक कंप्यूटर को ट्रायल-एंड-एरर लर्निंग का उपयोग करके क्वांटम लाइट सर्किट के साथ "खेलना" सिखाकर, हम लगभग पूर्ण विश्वसनीयता के साथ क्वांटम कंप्यूटिंग के लिए सबसे कठिन और आवश्यक सामग्री उत्पन्न कर सकते हैं, जिससे यह संयोग के खेल से एक विश्वसनीय विनिर्माण प्रक्रिया में बदल जाता है।

तकनीकी सारांश: क्यूबिक- और क्वार्टिक-फेज गेट्स के निकट-निश्चित (Near-Deterministic) तैयारी के लिए डीप रिइन्फोर्समेंट लर्निंग

समस्या विवरण
कंटीन्यूअस-वेरिएबल क्वांटम कंप्यूटिंग (CVQC) असाधारण स्केलेबिलिटी और फॉल्ट टॉलरेंस के लिए क्षमता प्रदान करती है, लेकिन सार्वभौमिकता (universality) प्राप्त करने के लिए गैर-गॉसियन संसाधनों, विशेष रूप से क्यूबिक हैमिल्टोनियन इवोल्यूशन तक पहुंच की आवश्यकता होती है। क्यूबिक-फेज गेट्स ( $\exp(i\gamma Q^3)$ ) के लिए पर्याप्त होने के बावजूद, उनका नियत (deterministic) उत्पादन चुनौतीपूर्ण है। तीसरे क्रम की ऑप्टिकल नॉन-लिनियरिटी पर निर्भर पारंपरिक दृष्टिकोण अक्षम हैं क्योंकि ऑप्टिकल नॉन-लिनियरिटी कमजोर होती है। फोटॉन-नंबर-रिजॉलिंग (PNR) मेजरमेंट्स पर आधारित संभाव्यता आधारित (probabilistic) विधियाँ, जैसे कि गोट्समैन-किटाएव-प्रिस्किल (GKP) प्रोटोकॉल, उपयोगी गेट पैरामीटर तक पहुँचने के लिए अत्यधिक संसाधनों (जैसे ~17 dB स्क्वीजिंग और ~50 फोटॉन का पता लगाना) की मांग करते हैं। इसके अलावा, क्वांटम स्टेट तैयारी के लिए मौजूदा अनुकूलन विधियाँ अक्सर पोस्ट-सिलेक्शन (post-selection) पर निर्भर करती हैं, जिससे सफलता की दर कम हो जाती है और सभी संभावित डिटेक्शन पैटर्न पर गणनात्मक रूप से महंगा अनुकूलन करना पड़ता है।

कार्यप्रणाली (Methodology)
लेखक क्यूबिक-फेज अवस्थाओं को उत्पन्न करने के लिए एक क्वांटम ऑप्टिकल सर्किट को प्रबंधित करने हेतु डीप रिइन्फोर्समेंट लर्निंग (DRL) का उपयोग करने वाला एक कंट्रोल फ्रेमवर्क प्रस्तावित करते हैं।

क्वांटम सर्किट: सिस्टम में एक वेरिएबल बीमस्प्लिटर, एक स्क्वीजिंग ऑपरेशन और एक डिस्प्लेसमेंट ऑपरेशन वाला एक लूप वाला ऑप्टिकल सर्किट शामिल है। लूप एक स्विच करने योग्य दर्पण (switchable mirror) द्वारा समाप्त होता है। एक PNR डिटेक्टर लूप में फोटॉन संख्या को मापता है, और परिणाम न्यूरल नेटवर्क के इनपुट डेंसिटी मैट्रिक्स को निर्धारित करता है।
रिइन्फोर्समेंट लर्निंग फ्रेमवर्क: इस इंटरैक्शन को एक मार्कोव निर्णय प्रक्रिया (MDP) के रूप में मॉडल किया गया है।
- स्टेट ( $S$ ): प्रत्येक टाइमस्टेप पर सर्किट स्टेट का फ्लैटन किया गया डेंसिटी मैट्रिक्स।
- एक्शन ( $A$ ): बीमस्प्लिटर ट्रांसमिटिविटी ( $\tau_j$ ), स्क्वीजिंग पैरामीटर ( $r_j$ ), और डिस्प्लेसमेंट मैग्नीट्यूड ( $\alpha_j$ ) को नियंत्रित करने वाला एक वेक्टर।
- रिवॉर्ड ( $R$ ): वर्तमान स्टेट और लक्षित क्यूबिक-फेज स्टेट के बीच फिडेलिटी (fidelity) का एक फंक्शन, जो कम फिडेलिटी और हिल्बर्ट स्पेस ट्रंकेशन के कारण होने वाले अवास्तविक परिणामों को दंडित करता है।
एल्गोरिदम: लेखक एक एक्टर-क्रिटिक आर्किटेक्चर (दो डीप न्यूरल नेटवर्क) के साथ प्रॉक्सिमल पॉलिसी ऑप्टिमाइज़ेशन (PPO) का उपयोग करते हैं। एजेंट को PNR मेजरमेंट्स की अंतर्निहित अनिश्चितता के अनुकूल होने के लिए प्रशिक्षित किया जाता है, ताकि वह पोस्ट-सिलेक्शन पर निर्भर हुए बिना अंतिम स्टेट की फिडेलिटी को अधिकतम कर सके।
प्रशिक्षण पैरामीटर: सिमुलेशन StrawberryFields और StableBaselines3 लाइब्रेरी का उपयोग करके चलाए गए थे। एजेंट को 31 फोटॉन के हिल्बर्ट स्पेस ट्रंकेशन के साथ लाखों टाइमस्टेप्स पर प्रशिक्षित किया गया। लक्षित स्टेट एक डिस्प्लेस्ड क्यूबिक-फेज स्टेट था जहाँ $\gamma = 0.2$ है।

मुख्य परिणाम

निकट-निश्चित क्यूबिक-फेज जनरेशन:
- प्रशिक्षित एजेंट ने $\gamma = 0.2$ के साथ क्यूबिक-फेज अवस्थाओं को उत्पन्न करने में 96% की औसत सफलता दर प्राप्त की।
- यह 10 dB से अधिक न होने वाली मामूली स्क्वीजिंग, कम डिस्प्लेसमेंट और पिछले GKP प्रस्तावों की तुलना में काफी कम फोटॉन-नंबर रेजोल्यूशन वाले PNR मेजरमेंट्स का उपयोग करके हासिल किया गया।
- उभरते हुए व्यवहार (Emergent Behaviors): एजेंट ने सीखा कि:
  - उच्च फिडेलिटी प्राप्त होने के बाद बीमस्प्लिटर ट्रांसमिटिविटी को शून्य ( $\tau_j=0$ ) पर सेट करे, जो प्रभावी रूप से स्टेट को 'लॉक' कर देता है।
  - लूप को लॉक करने के बाद सुधारात्मक डिस्प्लेसमेंट लागू करे।
  - यदि इनपुट स्टेट को ऐसा माना जाए कि वह कन्वर्ज नहीं होगा, तो सर्किट को "रीसेट" ( $\tau_j=1$ ) करे, जिससे प्रक्रिया कुशलतापूर्वक पुनः शुरू हो सके।
- यह विधि 99% PNR डिटेक्टर दक्षता के साथ भी मजबूत रही, हालांकि लॉस वाले मामले में एजेंट ने ऑसिलेटरी डिस्प्लेसमेंट व्यवहार प्रदर्शित किया। 90% दक्षता पर, एजेंट सफल पॉलिसी सीखने में विफल रहा।
प्रत्यक्ष क्वार्टिक-फेज जनरेशन:
- लेखकों ने क्वार्टिक-फेज अवस्थाओं ( $\exp(i\delta Q^4)$ ) के प्रत्यक्ष उत्पादन के लिए एक क्वांटम ऑप्टिकल एल्गोरिदम की पहचान की है, जो गेट को 29 क्यूबिक-फेज गेट्स में तोड़ने की आवश्यकता को समाप्त करता है।
- इस एल्गोरिदम में क्लस्टर स्टेट पर दो-चरणीय PNR डिटेक्शन प्रक्रिया का उपयोग करके फेज स्पेस में विशिष्ट फेजेस पर डिस्प्लेस्ड फोक स्टेट्स के साथ Wigner फंक्शन को "स्टैम्प" करना शामिल है।
- प्रारंभिक परिणाम: पोस्ट-सेलेक्टेड सिमुलेशन (60 फोटॉन का हिल्बर्ट स्पेस ट्रंकेशन) ने दिखाया कि यह विधि उच्च फिडेलिटी (विशिष्ट पोस्ट-सेलेक्टेड मामलों में 95% तक) के साथ क्वार्टिक-फेज अवस्थाओं को उत्पन्न कर सकती है, जो इस अंतर्ज्ञान की पुष्टि करती है कि क्वांटम इंटरफेरेंस सर्कुलर फोक कंटूर को क्वार्टिक स्टेट की विशिष्ट लहरों (ripples) में बदल सकता है।

महत्व और दावे
यह पेपर दावा करता है कि यह DRL-संचालित दृष्टिकोण क्यूबिक-फेज अवस्थाओं को उत्पन्न करने के लिए एक निकट-निश्चित (near-deterministic) मार्ग प्रदान करता है, जो सार्वभौमिक CVQC के लिए एक महत्वपूर्ण संसाधन है। हाइलाइट किए गए प्रमुख लाभों में शामिल हैं:

संसाधन दक्षता: यह विधि पिछले प्रस्तावों की तुलना में काफी कम स्क्वीजिंग और फोटॉन-नंबर रेजोल्यूशन क्षमता की मांग करती है।
प्रायोगिक व्यवहार्यता: आवश्यक घटक (स्क्वीज्ड लाइट, डिस्प्लेसमेंट्स, और PNR मेजरमेंट्स) वर्तमान प्रायोगिक सेटअप में उपलब्ध हैं, जो वैकल्पिक नियत विधियों के लिए आवश्यक मजबूत नॉन-लिनियरिटी के विपरीत हैं।
स्केलेबिलिटी: पोस्ट-सिलेक्शन से बचकर, यह विधि उन निम्न सफलता दरों और अनुकूलन बाधाओं से बचती है जो सभी संभावित डिटेक्शन पैटर्न की खोज से जुड़ी होती हैं।
प्रत्यक्ष क्वार्टिक गेट्स: यह पेपर सीधे क्वार्टिक-फेज गेट्स उत्पन्न करने के लिए एक मौलिक एल्गोरिदम स्थापित करता है, जो यह सुझाव देता है कि एक समान ML विस्तार अंततः इस प्रक्रिया को निकट-निश्चित बना सकता है, हालांकि यह बड़े कम्प्यूटेशनल संसाधनों की आवश्यकता वाला एक कार्य प्रगति पर है।

लेखक निष्कर्ष निकालते हैं कि हालांकि क्वार्टिक-फेज विस्तार वर्तमान में संभाव्यता आधारित और गणनात्मक रूप से गहन है, क्यूबिक-फेज अवस्थाओं के साथ प्रदर्शित सफलता जटिल क्वांटम ऑप्टिकल सर्किट को कुशलतापूर्वक गैर-गॉसियन संसाधन बनाने के लिए डीप रिइन्फोर्समेंट लर्निंग को नियंत्रित करने की क्षमता को प्रमाणित करती है।

1. लक्ष्य: "जादुई" सामग्री

2. पुराना तरीका बनाम नया तरीका

3. परिणाम: लगभग निश्चित सफलता (Near-Deterministic Success)

4. "क्वार्टिक" बोनस

5. यह क्यों महत्वपूर्ण है (शोध पत्र के अनुसार)

इसी तरह के और पेपर