⚛️ quantum physics

Scalable accuracy gains from postselection in quantum error correcting codes

यह शोध पत्र यह प्रदर्शित करता है कि टोरिक कोड जैसे टोपोलॉजिकल स्टेबलाइजर कोड्स में घातीय रूप से असंभावित एरर सिंड्रोम्स के विरुद्ध पोस्टसेलेक्ट करने से लॉजिकल एरर रेट को $p_f$ से घटाकर $p_f^b$ (जहाँ $b \ge 2$ ) किया जा सकता है, जिससे विफलता-प्रेरित सिंड्रोम पैटर्न की सांख्यिकीय दुर्लभता द्वारा संचालित एक स्केलेबल एक्यूरेसी गेन प्राप्त होता है।

मूल लेखक: Hongkun Chen, Daohong Xu, Grace M. Sommers, David A. Huse, Jeff D. Thompson, Sarang Gopalakrishnan

प्रकाशित 2026-05-20

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Hongkun Chen, Daohong Xu, Grace M. Sommers, David A. Huse, Jeff D. Thompson, Sarang Gopalakrishnan

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 शोर-शराबे वाले, तूफानी समुद्र के पार एक गुप्त संदेश भेजने की कोशिश कर रहे हैं। अपने संदेश को सुरक्षित करने के लिए, आप इसे केवल एक बार नहीं लिखते; आप इसे एक विशेष कोड (एक "क्वांटम एरर-करेक्टिंग कोड") में लिखते हैं जो जानकारी को कई नावों (क्यूबिट्स) में फैला देता है। यदि कुछ नावें लहरों की चपेट में आ जाती हैं (त्रुटियाँ होती हैं), तो कोड आमतौर पर समझ सकता है कि क्या हुआ और उसे ठीक कर सकता है।

हालाँकि, कभी-कभी लहरें इतनी अराजक हो जाती हैं कि कोड भ्रमित हो जाता है और संदेश को गलत तरीके से ठीक कर देता है। यह एक "लॉजिकल फेलियर" (तार्किक विफलता) है।

यह शोध पत्र, होंगकुन चेन और सहयोगियों द्वारा, यह खोज करता है कि कैसे वे अधिक नावों की आवश्यकता के बिना इन कोडों को बहुत अधिक विश्वसनीय बना सकते हैं। वे इस तरकीब को पोस्टसेलेक्शन (postselection) कहते हैं, और वे समझाते हैं कि यह "फ्री एनर्जी" (मुक्त ऊर्जा) के एक सिद्धांत का उपयोग करके क्यों काम करता है।

यहाँ उनकी खोज का सरल शब्दों में विवरण दिया गया है:

1. तूफानी समुद्र का रूपक (समस्या)

क्वांटम कंप्यूटर में "शोर" (noise) को एक तूफान के रूप में सोचें। जब आप अपने संदेश को डिकोड करने की कोशिश करते हैं, तो आप नुकसान के पैटर्न (जिसे "सिंड्रोम" कहा जाता है) को देखते हैं ताकि यह अनुमान लगाया जा सके कि क्या गलत हुआ।

ज्यादातर समय: तूफान अस्त-व्यस्त लेकिन अनुमानित होता है। नुकसान का पैटर्न "टिपिकल" (सामान्य) होता है, और कोड आसानी से सही सुधार का पता लगा सकता है।
दुर्लभ मामलों में: तूफान एक बहुत ही विशिष्ट, अजीब नुकसान का पैटर्न बनाता है जो लगभग एक आदर्श तूफान जैसा दिखता है। इन दुर्लभ मामलों में, कोड भ्रमित हो जाता है और गलती कर देता है।

लेखकों ने महसूस किया कि लगभग सभी गलतियाँ इन्हीं दुर्लभ, अजीब पैटर्न के कारण होती हैं। "टिपिकल" तूफान वास्तव में कोड द्वारा बहुत अच्छी तरह से संभाले जाते हैं।

2. "चीट कोड" (पोस्टसेलेक्शन)

आमतौर पर, क्वांटम कंप्यूटिंग में, आप एक असफल प्रयास को बस फेंक नहीं सकते और फिर से कोशिश नहीं कर सकते, क्योंकि आप डेटा खो सकते हैं। लेकिन लेखक एक रणनीति प्रस्तावित करते हैं: क्या होगा यदि हम उन अजीब, भ्रमित करने वाले तूफानों को अनदेखा कर दें?

वे सुझाव देते हैं: "यदि नुकसान का पैटर्न बहुत अधिक भ्रमित करने वाला दिखता है (गणितीय रूप से, यदि 'फ्री एनर्जी' का अंतर बहुत कम है), तो हम उस प्रयास को रद्द कर देते हैं और फिर से प्रयास करते हैं।"

क्योंकि ये भ्रमित करने वाले पैटर्न घातांकीय रूप से दुर्लभ (exponentially rare) हैं (जैसे आकाशगंगा के आकार के ढेर में सुई खोजना), आपको अपने प्रयासों का केवल एक बहुत ही छोटा हिस्सा ही छोड़ना पड़ेगा। लेकिन उन कुछ खराब प्रयासों को हटाकर, आप लगभग सभी गलतियों को खत्म कर सकते हैं।

3. जादुई संख्या (लाभ)

यह शोध पत्र भारी गणित (सांख्यिकीय यांत्रिकी और "लार्ज डेविएशन प्रिंसिपल्स" का उपयोग करके) का उपयोग करके यह सिद्ध करता है कि यह तरकीब कैसे काम करती है। उन्होंने एक विशिष्ट संख्या, $b$ , खोजी है, जो आपको बताती है कि आपका कोड कितना बेहतर हो जाता है।

दावा: यदि आप इस "अजीब तूफानों को अनदेखा करने" के नियम का उपयोग करते हैं, तो आपका कोड पहले की तुलना में प्रभावी रूप से 3.1 गुना अधिक मजबूत हो जाता है।
रूपक: कल्पना कीजिए कि आपके पास एक ढाल है जो 90% तीरों को रोकता है। इस तरकीब का उपयोग करके, आपको केवल थोड़ा बेहतर ढाल नहीं मिलता; आपको प्रभावी रूप से एक ऐसी ढाल मिलती है जो बहुत अधिक मोटे पदार्थ से बनी ढाल जितनी मजबूत है, लेकिन आपको एक बड़ा ढाल बनाने की आवश्यकता नहीं पड़ी। आपने बस उन कुछ तीरों को टालना सीख लिया जो बच निकल सकते थे।

4. टीम को विभाजित करना (कोड स्प्लिटिंग)

लेखकों ने "कोड स्प्लिटिंग" नामक एक रणनीति पर भी विचार किया। कल्पना कीजिए कि एक बड़ी टीम की नावों के बजाय, आपके पास तीन छोटी टीमें हैं।

आप संदेश को तीनों टीमों के माध्यम से चलाते हैं।
आप परिणामों को देखते हैं। यदि एक टीम भ्रमित दिखती है (एक "अजीब तूफान"), तो आप उसे अनदेखा कर देते हैं।
आप उस टीम को चुनते हैं जो सबसे अधिक आत्मविश्वासी दिखती है और उनके उत्तर का उपयोग करते हैं।

उन्होंने पाया कि नावों की एक निश्चित संख्या के साथ भी, टीमों को विभाजित करने और सबसे अच्छे परिणाम को चुनने से पूरा सिस्टम बहुत अधिक विश्वसनीय हो जाता है। यह तीन लोगों से पहेली सुलझाने के लिए कहने जैसा है; यदि एक व्यक्ति भ्रमित दिखता है, तो आप उन अन्य दो पर भरोसा करते हैं जो सुनिश्चित दिखते हैं।

5. यह क्यों महत्वपूर्ण है (बिना अतिशयोक्ति के)

यह शोध पत्र बहुत सावधानी से यह बताता है कि यह क्या करता है और क्या नहीं करता:

यह मौलिक रूप से यह नहीं बदलता है कि एक कंप्यूटर टूटने से पहले कितना शोर झेल सकता है (इसे "थ्रेशोल्ड" या सीमा कहा जाता है)। यदि तूफान बहुत शक्तिशाली है, तो यह तरकीब मदद नहीं करेगी।
यह आपको उन कार्यों के लिए बहुत उच्च सटीकता प्राप्त करने की अनुमति देता है जो पहले से ही काम कर रहे हैं, बिना एक भौतिक रूप से बड़े कंप्यूटर के निर्माण की आवश्यकता के।
यह कई प्रकार के क्वांटम कोडों के लिए काम करता है, न कि केवल उस विशिष्ट कोड के लिए जिसका उन्होंने परीक्षण किया है, क्योंकि इसके पीछे का गणित बहुत व्यापक है।

सारांश

यह शोध पत्र तर्क देता है कि क्वांटम एरर करेक्शन मुख्य रूप से कुछ "दुर्भाग्यपूर्ण" स्थितियों के कारण विफल हो रहा है। उन दुर्भाग्यपूर्ण स्थितियों को स्वीकार करने से इनकार करके (और इसके बजाय फिर से प्रयास करके), आप अपने हार्डवेयर का समान उपयोग करते हुए अपने सिस्टम को पहले की तुलना में लगभग तीन गुना अधिक सटीक बना सकते हैं। यह उन परिणामों के प्रति चयनात्मक होकर विश्वसनीयता में "मुफ्त" बढ़त पाने का एक तरीका है जिन्हें आप रखते हैं।

तकनीकी सारांश: पोस्टसेलेक्शन (Postselection) में स्केलेबल सटीकता लाभ: क्वांटम एरर करेक्टिंग कोड्स

समस्या विवरण
निकट-अवधि (near-term) और बड़े पैमाने की क्वांटम गणना के लिए एक केंद्रीय चुनौती एक निश्चित क्यूबिट बजट के भीतर क्वांटम सूचना को कुशलतापूर्वक सुरक्षित करना है। जबकि पोस्टसेलेक्शन (उन परीक्षणों को रद्द करना जहाँ त्रुटियाँ पाई जाती हैं) एक ज्ञात त्रुटि-निवारण (error-mitigation) तकनीक है, इसे पारंपरिक रूप से गैर-स्केलेबल माना जाता है क्योंकि जीवित रहने वाले परीक्षणों का अंश अक्सर सिस्टम के आकार के साथ तेजी से (exponentially) घटता जाता है। पिछले स्केलेबल रणनीतियों ने निश्चित-आकार के सर्किट चंक्स (circuit chunks) पर पोस्टसेलेक्शन लागू करने पर भरोसा किया है। यह कार्य इस बात की जांच करता है कि क्या कोड दूरी $d$ के साथ स्केल होने वाले सर्किट पर सीधा पोस्टसेलेक्शन, गैर-शून्य भौतिक त्रुटि दरों (physical error rates) पर टोपोलॉजिकल स्टेबलाइजर कोड्स, विशेष रूप से टोरिक (toric) और सरफेस (surface) कोड्स के लिए स्केलेबल सटीकता लाभ प्रदान कर सकता है।

कार्यप्रणाली (Methodology)
लेखक स्टेबलाइजर कोड्स की डिकोडिंग समस्या को एक डिसऑर्डर्ड स्टैटिस्टिकल मैकेनिक्स मॉडल में मैप करते हैं। स्वतंत्र बिट-फ्लिप ( $X$ ) और फेज-फ्लिप ( $Z$ ) त्रुटियों के साथ टोरिक कोड के लिए, यह समस्या रैंडम-बॉन्ड आइसिंग मॉडल (RBIM) के अनुरूप है।

स्टैटिस्टिकल मैकेनिक्स मैपिंग: लॉजिकल सेक्टर्स अलग-अलग बाउंड्री कंडीशंस (पिरियोडिक बनाम एंटी-पिरियोडिक) के अनुरूप होते हैं। सेक्टर्स के बीच लाइकलीहुड रेशियो (likelihood ratio) फ्री-एनर्जी अंतर, $\Delta F$ से जुड़ा होता है।
लार्ज डेविएशन एनालिसिस (Large Deviation Analysis): लेखक फ्री-एनर्जी अंतर के प्रायिकता वितरण $P(\Delta F)$ का विश्लेषण करते हैं। वे तर्क देते हैं कि थ्रेशोल्ड से नीचे की त्रुटि दरों के लिए, $\Delta F$ एक लार्ज डेविएशन प्रिंसिपल (LDP) का पालन करता है, जहाँ $P(\Delta F = sd) \sim \exp(-I(s)d)$ । यहाँ, $s$ एक इंटेंसिव वेरिएबल (लाइन टेंशन) है और $I(s)$ एक रेट फंक्शन है।
संख्यात्मक सिमुलेशन (Numerical Simulation): अध्ययन विभिन्न आकारों ( $d$ ) के टोरिक लैट्टिस पर RBIM के पार्टिशन फंक्शन और फ्री एनर्जी की गणना करने के लिए टाइम-इवॉल्विंग ब्लॉक डेसिमेशन (TEBD) एल्गोरिदम का उपयोग करता है। वे अधिक यथार्थवादी सेटिंग्स में परिणामों को सत्यापित करने के लिए सर्किट-लेवल नॉइज़ (जिसमें डिपोलराइजिंग नॉइज़, मेजरमेंट एरर्स और गेट फॉल्ट्स शामिल हैं) के तहत मिनिमम-वेट परफेक्ट मैचिंग (MWPM) डिकोडिंग का भी सिमुलेशन करते हैं।
कोड स्प्लिटिंग (Code Splitting): लेखक एक रणनीति का विश्लेषण करते हैं जहाँ $r$ प्रतियों (copies) को समानांतर में तैयार किया जाता है, और जिस प्रति में फ्री-एनर्जी अंतर का परिमाण $|\Delta F_i|$ सबसे अधिक होता है, उसे चुना (पोस्टसेलेक्ट किया) जाता है, जबकि अन्य को छोड़ दिया जाता है।

मुख्य योगदान और परिणाम

लॉजिकल फेलियर का मूल: विश्लेषण से पता चलता है कि लॉजिकल फेलियर मुख्य रूप से उन "एक्सपोनेंशियल रूप से दुर्लभ" सिंड्रोम्स के कारण होते हैं जहाँ फ्री-एनर्जी अंतर $|\Delta F|$ शून्य के करीब होता है। सामान्य सिंड्रोम्स में एक बड़ा $|\Delta F|$ होता है और उन्हें उच्च विश्वास के साथ डिकोड किया जाता है।
स्केलेबल पोस्टसेलेक्शन गेन: दुर्लभ, खतरनाक सिंड्रोम्स के विरुद्ध पोस्टसेलेक्ट करके (विशेष रूप से वे जिनमें $|\Delta F| \le s^* d$ है), लॉजिकल एरर रेट को $p_f \sim \exp(-I(0)d)$ से घटाकर $p_f' \sim \exp(-I(-s^*)d)$ किया जा सकता है। इसके परिणामस्वरूप एक प्रभावी कोड दूरी वृद्धि $b = I(-s^*)/I(0)$ प्राप्त होती है।
कॉन्वेक्सिटी और फैक्टर $b \ge 2$ : रेट फंक्शन $I(s)$ की कॉन्वेक्सिटी प्रॉपर्टीज और निशिमोरी सिमेट्री (Nishimori symmetry) बाधा के आधार पर, लेखक सिद्ध करते हैं कि किसी भी कोड के लिए जहाँ विफलता की प्रायिकता LDP का पालन करती है, $b \ge 2$ होगा।
टोरिक कोड के लिए संख्यात्मक अनुमान:
- परफेक्ट सिंड्रोम मेजरमेंट और ऑप्टिमल डिकोडिंग के साथ टोरिक कोड के लिए, संख्यात्मक परिणाम $b \approx 3.1(1)$ देते हैं। इसका अर्थ है कि पोस्टसेलेक्शन प्रभावी रूप से कोड दूरी को तिगुना कर सकता है।
- सर्किट-लेवल नॉइज़ और MWPM डिकोडिंग के तहत, लाभ महत्वपूर्ण बना रहता है, $b \approx 2.87$ ।
- $b \approx 3$ का मान विभिन्न एरर मॉडल्स, जिसमें पार्शियली हेरेल्ड एरर्स और बॉन्ड-डाइल्यूटेड RBIMs शामिल हैं, के लिए सुदृढ़ (robust) है।
कोड स्प्लिटिंग दक्षता: लेखक यह प्रदर्शित करते हैं कि एक कोड को कई सब-कोड में विभाजित करके और सर्वश्रेष्ठ वाले को पोस्टसेलेक्ट करके, एक निश्चित स्पेस-टाइम बजट के साथ भी प्रदर्शन में सुधार किया जा सकता है। टोरिक कोड के लिए, $r=3$ या $r=4$ सब-कोड्स में विभाजित करने से स्केलेबल लाभ मिलता है, जबकि बहुत अधिक ( $r \ge b^2$ ) में विभाजित करना अक्षम हो जाता है।
सामान्यीकरण (Generalizability): यदि डिकोडिंग फेलियर प्रोबेबिलिटी लार्ज डेविएशन प्रिंसिपल का पालन करती है, तो तर्क सामान्य टोपोलॉजिकल स्टेबलाइजर कोड्स और कंकैटेनेटेड कोड्स (जैसे कि जनरलाइज्ड शोर कोड्स) पर भी लागू होते हैं। पेपर यह सुझाव देता है कि गार्टनर-एलिस (Gartner-Ellis) प्रमेय स्कैल्ड क्यूमलेंट जेनेरेटिंग फंक्शन की नियमितता को मानते हुए, सामान्य क्वांटम LDPC कोड्स के लिए LDP स्थापित करने का एक सैद्धांतिक मार्ग प्रदान करता है।

महत्व
यह पेपर स्थापित करता है कि पोस्टसेलेक्शन केवल छोटे पैमाने के प्रयोगों के लिए एक त्रुटि-निवारण उपकरण नहीं है, बल्कि यह फॉल्ट-टोलरेंट क्वांटम कंप्यूटिंग के लिए स्केलेबल सटीकता लाभ प्रदान कर सकता है। यह पहचानकर कि लॉजिकल त्रुटियाँ दुर्लभ, पहचानने योग्य सिंड्रोम्स द्वारा संचालित होती हैं, यह कार्य तर्क देता है कि इन विशिष्ट परीक्षणों को छोड़ने से बिना परीक्षणों की संख्या में एक्सपोनेंशियल ओवरहेड के, लॉजिकल एरर रेट को एक्सपोनेंशियल रूप से कम किया जा सकता है, बशर्ते कि स्वीकृति प्रायिकता (acceptance probability) सीमित रहे।

लेखक का दावा है कि यह दृष्टिकोण प्रभावी रूप से कोड दूरी को एक सीमित कारक (कम से कम 2, और टोरिक कोड के लिए $\approx 3$ ) से बढ़ा देता है। यह सुझाव देता है कि उन कार्यों के लिए जहाँ लॉजिकल फेलियर की संभावना को न्यूनतम करना प्राथमिक उद्देश्य है (न कि निश्चित संख्या में ऑपरेशन्स के लिए रिसोर्स ओवरहेड को न्यूनतम करना), पोस्टसेलेक्शन रणनीतियाँ गैर-पोस्टसेलेक्टेड रणनीतियों की तुलना में बेहतर प्रदर्शन कर सकती हैं। यह कार्य qLDPC के व्यावहारिक पोस्टसेलेक्शन के हालिया विकास के पूरक के रूप में काम करता है, जो इस बात का सैद्धांतिक आधार प्रदान करता है कि ये रणनीतियाँ क्यों काम करती हैं।