Detection of noise correlations in two qubit systems by Machine Learning
यह शोध पत्र एक मशीन-लर्निंग-सहायता प्राप्त क्वांटम सेंसिंग प्रोटोकॉल प्रस्तुत करता है जो तीन ड्राइविंग स्थितियों के तहत अंतिम ट्रांसफर दक्षताओं का विश्लेषण करके दो अति-प्रबल रूप से युग्मित क्वबिट्स में छह विशिष्ट प्रकार के स्थानिक और लौकिक शोर सहसंबंधों को वर्गीकृत करने में 94% से अधिक सटीकता प्राप्त करता है, जिससे न्यूनतम प्रायोगिक संसाधनों के साथ मार्कोवियन और गैर-मार्कोवियन शोर के बीच लगभग पूर्ण भेदभाव सक्षम होता है।
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
मुख्य तस्वीर: मशीन में "भूत" की खोज करना
कल्पना कीजिए कि आपने दो घूमते हुए लट्टुओं (ये आपके qubits हैं, जो क्वांटम कंप्यूटर की बुनियादी इकाइयाँ हैं) से बनी एक छोटी, अविश्वसनीय रूप से नाजुक मशीन बनाई है। आप चाहते हैं कि ये लट्टू गणना करने के लिए पूर्ण सामंजस्य में घूमें।
हालाँकि, जिस कमरे में वे हैं, वह शोर से भरा है। वहाँ हवा के झोंके, कंपन और तापमान में बदलाव (यह noise या शोर है) हैं जो उनके घूमने के तरीके को बिगाड़ देते हैं। यदि आप यह नहीं जानते कि किस तरह का शोर उन्हें परेशान कर रहा है, तो आप उसे ठीक नहीं कर सकते। क्या यह एक स्थिर मंद हवा है? एक अचानक आया झोंका? क्या शोर दोनों लट्टुओं पर एक ही समय में लग रहा है, या यह प्रत्येक के लिए अलग-अलग और रैंडम है?
पारंपरिक रूप से, यह पता लगाना घंटों तक दिल की धड़कन सुनने, हर एक धड़कन को रिकॉर्ड करने और फिर डेटा का विश्लेषण करने जैसा है। यह धीमा है, महंगा है, और इसके लिए बहुत अधिक उपकरणों की आवश्यकता होती है।
यह शोध पत्र एक शॉर्टकट प्रस्तावित करता है। लेखकों ने एक "स्मार्ट जासूस" (Machine Learning) बनाया है जो एक त्वरित प्रयोग के अंतिम परिणाम को देखकर ही शोर के प्रकार का पता लगा सकता है। यह मरीज को निदान करने जैसा है, बस यह पूछकर कि, "क्या खड़े होने के बाद आपको चक्कर आया?" और बदले में "हाँ" या "नहीं" प्राप्त करना।
प्रयोग: "जादुई स्लाइड" (STIRAP)
शोर का परीक्षण करने के लिए, शोधकर्ता STIRAP नामक एक ट्रिक का उपयोग करते हैं।
- उपमा: एक प्लेग्राउंड स्लाइड की कल्पना करें जिसमें तीन प्लेटफॉर्म हैं: टॉप (शुरुआत), मिडिल (खतरे का क्षेत्र), और बॉटम (समाप्ति)।
- लक्ष्य: आप एक गेंद को टॉप से बॉटम तक ले जाना चाहते हैं बिना उसे मिडिल प्लेटफॉर्म को छुए। यदि वह मिडिल को छूती है, तो वह वहीं फंस सकती है या गिर सकती है।
- विधि: आप दो कोमल, समयबद्ध धक्कों (जैसे बच्चे को झूला झुलाते समय माता-पिता द्वारा दिया गया धक्का) के साथ गेंद को आगे बढ़ाते हैं। यदि आप धक्कों का समय बिल्कुल सही रखते हैं, तो गेंद मिडिल को पूरी तरह से छोड़ते हुए, टॉप से बॉटम तक सुचारू रूप से फिसल जाती है। यह एक "कोहेरेंट पॉपुलेशन ट्रांसफर" है।
समस्या: वास्तविक दुनिया में, "हवा" (शोर) गेंद को रास्ते से भटका देती है। कभी-कभी यह मिडिल प्लेटफॉर्म से टकराती है; कभी-कभी यह बॉटम तक पहुँच ही नहीं पाती।
नवाचार: शोधकर्ताओं ने महसूस किया कि गेंद के विफल होने (या सफल होने) का तरीका हवा की कहानी बताता है।
- यदि हवा एक स्थिर मंद हवा है, तो गेंद एक विशिष्ट पैटर्न में विफल होती है।
- यदि हवा एक अचानक आया झोंका है, तो गेंद अलग तरह से विफल होती है।
- यदि हवा दोनों गेंदों पर एक ही समय में लगती है, तो विफलता का स्वरूप इससे अलग होगा कि यदि वह उन्हें अलग-अलग हिट करती।
हवा के चलते समय गेंद को मापने के बजाय, वे बस यह मापते हैं कि तीन अलग-अलग धक्के की ताकत के साथ स्लाइड चलाने के बाद कितने बॉल्स बॉटम तक पहुँचे।
जासूस: मशीन लर्निंग का मस्तिष्क
एक बार जब उनके पास डेटा (तीन अलग-अलग धक्कों से प्राप्त "सफलता दर") आ जाता है, तो वे इसे एक न्यूरल नेटवर्क में फीड करते हैं। इसे एक डिजिटल मस्तिष्क के रूप में समझें जिसने पहले कभी हवा को नहीं देखा है, लेकिन पैटर्न पहचानने में बहुत माहिर है।
- ट्रेनिंग (प्रशिक्षण): वे हजारों सिम्युलेटेड स्लाइड्स दिखाकर मस्तिष्क को सिखाते हैं। वे उसे बताते हैं: "जब हवा दोनों गेंदों को एक साथ लगने वाली एक स्थिर मंद हवा है, तो सफलता दर X है। जब यह रैंडम है, तो दर Y है।"
- टेस्ट (परीक्षण): फिर वे मस्तिष्क को परिणामों का एक नया सेट दिखाते हैं जो उसने पहले कभी नहीं देखा है।
- परिणाम: मस्तिष्क उन तीन नंबरों को देखता है और कहता है, "आहा! यह बिल्कुल Correlated Non-Markovian Noise जैसा दिखता है!" (यह कहने का एक फैंसी तरीका है कि "हवा एक स्थिर मंद हवा है जो दोनों गेंदों को एक साथ प्रभावित कर रही है")।
छह प्रकार का "मौसम"
शोधकर्ताओं ने अपने AI को छह अलग-अलग "मौसम पैटर्न" (शोर के प्रकार) को पहचानना सिखाया:
- Markovian Noise: अचानक गिरने वाली बारिश की बूंदों की तरह। वे होते हैं और तुरंत गायब हो जाते हैं। सिस्टम पिछले समय को याद नहीं रखता।
- Non-Markovian Noise: धीरे चलने वाले कोहरे की तरह। शोर बना रहता है और इसकी "याददाश्त" होती है कि एक क्षण पहले क्या हुआ था।
- Correlated (सहसंबंधित): हवा दोनों गेंदों को बिल्कुल एक ही समय में और एक ही बल के साथ हिट करती है।
- Anti-Correlated (प्रति-सहसंबंधित): हवा एक गेंद को ज़ोर से मारती है जबकि दूसरी को विपरीत दिशा में हल्की हवा मिलती है।
- Uncorrelated (असहसंबंधित): हवा प्रत्येक गेंद को पूरी तरह से रैंडम तरीके से हिट करती है, जिसमें आपस में कोई संबंध नहीं होता।
- The Mix (मिश्रण): उपरोक्त का संयोजन।
यह एक बड़ी बात क्यों है
शोध पत्र रिपोर्ट करता है कि उनके "जादुई स्लाइड + AI जासूस" विधि की सटीकता 94% है। यह लगभग पूर्ण है!
यहाँ बताया गया है कि यह क्रांतिकारी क्यों है:
- न्यूनतम प्रयास: आपको गेंद के फिसलने की पूरी फिल्म रिकॉर्ड करने की आवश्यकता नहीं है। आपको बस अंत में एक स्नैपशॉट की आवश्यकता है।
- कोई टाइम सीरीज़ नहीं: आपको सिस्टम की रियल-टाइम में निगरानी करने की आवश्यकता नहीं है। आपको बस प्रयोग चलाना है, परिणाम देखना है और आगे बढ़ जाना है।
- स्केलेबल (विस्तार योग्य): जैसे-जैसे क्वांटम कंप्यूटर बड़े होते जा रहे हैं (सैकड़ों क्यूबिट्स के साथ), हमारे पास हर एक क्यूबिट को लगातार मापने का समय या संसाधन नहीं होगा। यह तरीका तेज़ और हल्का है, जो क्वांटम कंप्यूटिंग के भविष्य के लिए एकदम सही है।
निष्कर्ष
लेखकों ने दिखाया है कि एक चतुर भौतिकी ट्रिक ( "जादुई स्लाइड") को एक स्मार्ट कंप्यूटर मस्तिष्क (Machine Learning) के साथ जोड़कर, हम क्वांटम कंप्यूटर की "बीमारी" का जल्दी और आसानी से निदान कर सकते हैं।
अदृश्य शोर को सीधे मापने (जो कठिन है) के बजाय, उन्होंने शोर को एक नियंत्रित प्रयोग को बिगाड़ने दिया, और फिर AI का उपयोग करके अंतिम परिणामों में छोड़े गए "फिंगरप्रिंट्स" को पढ़ा। यह बेहतर क्वांटम कंप्यूटर बनाने का एक स्मार्ट, तेज़ और सस्ता तरीका है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।