← नवीनतम पेपर
⚛️ quantum physics

Reinforcement Learning Control of Quantum Error Correction

यह शोध पत्र एक सुदृढीकरण शिक्षण (reinforcement learning) ढांचे को प्रस्तुत करता है जो क्वांटम त्रुटि सुधार को निरंतर प्रणाली अंशांकन (continuous system calibration) के साथ एकीकृत करता है, जो एक सुपरकंडक्टिंग प्रोसेसर पर लॉजिकल स्थिरता में 3.5-गुना सुधार का प्रयोगात्मक प्रदर्शन करता है और रिकॉर्ड निम्न लॉजिकल त्रुटि दर प्राप्त करते हुए भविष्य के फॉल्ट-टोलरेंट क्वांटम कंप्यूटिंग के लिए इस दृष्टिकोण की स्केलेबिलिटी को सिद्ध करता है।

मूल लेखक: Volodymyr Sivak, Alexis Morvan, Michael Broughton, Rodrigo G. Cortiñas, Johannes Bausch, Andrew W. Senior, Matthew Neeley, Alec Eickbusch, Noah Shutty, Laleh Aghababaie Beni, James S. Spencer, Francis
प्रकाशित 2026-03-10
📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Volodymyr Sivak, Alexis Morvan, Michael Broughton, Rodrigo G. Cortiñas, Johannes Bausch, Andrew W. Senior, Matthew Neeley, Alec Eickbusch, Noah Shutty, Laleh Aghababaie Beni, James S. Spencer, Francisco J. H Heras, Thomas Edlich, Dmitry Abanin, Amira Abbas, Rajeev Acharya, Georg Aigeldinger, Ross Alcaraz, Sayra Alcaraz, Trond I. Andersen, Markus Ansmann, Frank Arute, Kunal Arya, Walt Askew, Nikita Astrakhantsev, Juan Atalaya, Brian Ballard, Joseph C. Bardin, Hector Bates, Andreas Bengtsson, Majid Bigdeli Karimi, Alexander Bilmes, Simon Bilodeau, Felix Borjans, Alexandre Bourassa, Jenna Bovaird, Dylan Bowers, Leon Brill, Peter Brooks, David A. Browne, Brett Buchea, Bob B. Buckley, Tim Burger, Brian Burkett, Nicholas Bushnell, Jamal Busnaina, Anthony Cabrera, Juan Campero, Hung-Shen Chang, Silas Chen, Ben Chiaro, Liang-Ying Chih, Agnetta Y. Cleland, Bryan Cochrane, Matt Cockrell, Josh Cogan, Roberto Collins, Paul Conner, Harold Cook, William Courtney, Alexander L. Crook, Ben Curtin, Martin Damyanov, Sayan Das, Dripto M. Debroy, Sean Demura, Paul Donohoe, Ilya Drozdov, Andrew Dunsworth, Valerie Ehimhen, Aviv Moshe Elbag, Lior Ella, Mahmoud Elzouka, David Enriquez, Catherine Erickson, Vinicius S. Ferreira, Marcos Flores, Leslie Flores Burgos, Ebrahim Forati, Jeremiah Ford, Austin G. Fowler, Brooks Foxen, Masaya Fukami, Alan Wing Lun Fung, Lenny Fuste, Suhas Ganjam, Gonzalo Garcia, Christopher Garrick, Robert Gasca, Helge Gehring, Robert Geiger, Élie Genois, William Giang, Dar Gilboa, James E. Goeders, Edward C. Gonzales, Raja Gosula, Stijn J. de Graaf, Alejandro Grajales Dau, Dietrich Graumann, Joel Grebel, Alex Greene, Jonathan A. Gross, Jose Guerrero, Loïck Le Guevel, Tan Ha, Steve Habegger, Tanner Hadick, Ali Hadjikhani, Michael C. Hamilton, Matthew P. Harrigan, Sean D. Harrington, Jeanne Hartshorn, Stephen Heslin, Paula Heu, Oscar Higgott, Reno Hiltermann, Hsin-Yuan Huang, Mike Hucka, Christopher Hudspeth, Ashley Huff, William J. Huggins, Evan Jeffrey, Shaun Jevons, Zhang Jiang, Xiaoxuan Jin, Chaitali Joshi, Pavol Juhas, Andreas Kabel, Dvir Kafri, Hui Kang, Kiseo Kang, Amir H. Karamlou, Ryan Kaufman, Kostyantyn Kechedzhi, Tanuj Khattar, Mostafa Khezri, Seon Kim, Can M. Knaut, Bryce Kobrin, Fedor Kostritsa, John Mark Kreikebaum, Ryuho Kudo, Ben Kueffler, Arun Kumar, Vladislav D. Kurilovich, Vitali Kutsko, Nathan Lacroix, David Landhuis, Tiano Lange-Dei, Brandon W. Langley, Pavel Laptev, Kim-Ming Lau, Justin Ledford, Joy Lee, Kenny Lee, Brian J. Lester, Wendy Leung, Lily Li, Wing Yan Li, Ming Li, Alexander T. Lill, William P. Livingston, Matthew T. Lloyd, Aditya Locharla, Laura De Lorenzo, Daniel Lundahl, Aaron Lunt, Sid Madhuk, Aniket Maiti, Ashley Maloney, Salvatore Mandrà, Leigh S. Martin, Orion Martin, Eric Mascot, Paul Masih Das, Dmitri Maslov, Melvin Mathews, Cameron Maxfield, Jarrod R. McClean, Matt McEwen, Seneca Meeks, Kevin C. Miao, Zlatko K. Minev, Reza Molavi, Sebastian Molina, Shirin Montazeri, Charles Neill, Michael Newman, Anthony Nguyen, Murray Nguyen, Chia-Hung Ni, Murphy Yuezhen Niu, Logan Oas, Raymond Orosco, Kristoffer Ottosson, Alice Pagano, Agustin Di Paolo, Sherman Peek, David Peterson, Alex Pizzuto, Elias Portoles, Rebecca Potter, Orion Pritchard, Michael Qian, Chris Quintana, Arpit Ranadive, Matthew J. Reagor, Rachel Resnick, David M. Rhodes, Daniel Riley, Gabrielle Roberts, Roberto Rodriguez, Emma Ropes, Lucia B. De Rose, Eliott Rosenberg, Emma Rosenfeld, Dario Rosenstock, Elizabeth Rossi, Pedram Roushan, David A. Rower, Robert Salazar, Kannan Sankaragomathi, Murat Can Sarihan, Kevin J. Satzinger, Max Schaefer, Sebastian Schroeder, Henry F. Schurkus, Aria Shahingohar, Michael J. Shearn, Aaron Shorter, Vladimir Shvarts, Spencer Small, W. Clarke Smith, David A. Sobel, Barrett Spells, Sofia Springer, George Sterling, Jordan Suchard, Aaron Szasz, Alexander Sztein, Madeline Taylor, Jothi Priyanka Thiruraman, Douglas Thor, Dogan Timucin, Eifu Tomita, Alfredo Torres, M. Mert Torunbalci, Hao Tran, Abeer Vaishnav, Justin Vargas, Sergey Vdovichev, Guifre Vidal, Catherine Vollgraff Heidweiller, Meghan Voorhees, Steven Waltman, Jonathan Waltz, Shannon X. Wang, Brayden Ware, James D. Watson, Yonghua Wei, Travis Weidel, Theodore White, Kristi Wong, Bryan W. K. Woo, Christopher J. Wood, Maddy Woodson, Cheng Xing, Z. Jamie Yao, Ping Yeh, Bicheng Ying, Juhwan Yoo, Noureldin Yosri, Elliot Young, Grayson Young, Adam Zalcman, Ran Zhang, Yaxing Zhang, Ningfeng Zhu, Nicholas Zobrist, Zhenjie Zou, Ryan Babbush, Dave Bacon, Sergio Boixo, Yu Chen, Zijun Chen, Michel Devoret, Monica Hansen, Jeremy Hilton, Cody Jones, Julian Kelly, Alexander N. Korotkov, Erik Lucero, Anthony Megrant, Hartmut Neven, William D. Oliver, Ganesh Ramachandran, Vadim Smelyanskiy, Paul V. Klimov

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 हवादार कमरे के बीच में ताश के पत्तों से बने घर (house of cards) को खड़ा रखने की कोशिश कर रहे हैं। ताश के पत्ते आपके क्वांटम कंप्यूटर के डेटा का प्रतिनिधित्व करते हैं, और हवा उन निरंतर, सूक्ष्म थरथराहटों और त्रुटियों (errors) का प्रतिनिधित्व करती है जो वातावरण (तापमान में बदलाव, विद्युत शोर आदि) के कारण होती हैं।

अतीत में, यदि ताश के पत्ते डगमगाने लगते थे, तो उन्हें ठीक करने का एकमात्र तरीका यह था कि सब कुछ रोक दिया जाए। आप कमरे को स्थिर कर देते, ताश के पत्तों को सावधानी से फिर से सजाते, प्रत्येक पत्ते की जांच करते और फिर से शुरू करते। लेकिन भविष्य की जटिल गणनाओं के लिए (जो शायद दिनों या हफ्तों तक चल सकती हैं), हर बार हवा चलने पर रुकना असंभव है। आप कभी भी काम पूरा नहीं कर पाएंगे।

Google Quantum AI और Google DeepMind का यह शोध पत्र इस समस्या को हल करने का एक क्रांतिकारी नया तरीका पेश करता है: क्वांटम कंप्यूटर को हवा से लड़ने के बजाय उस पर "सर्फिंग" करना सिखाना।

यहाँ बताया गया है कि उन्होंने इसे कैसे किया, सरल उपमाओं (analogies) का उपयोग करके:

1. समस्या: "ड्रिफ्टिंग" (विचलित होता हुआ) ट्यूनिंग फोर्क

क्वांटम कंप्यूटर अविश्वसनीय रूप से संवेदनशील एनालॉग मशीनें हैं। इन्हें एक विशाल, अत्यंत सटीक ऑर्केस्ट्रा की तरह समझें। एक आदर्श गाना (एक गणना) बजाने के लिए, हर वाद्य यंत्र (qubit) को पूरी तरह से ट्यून होना चाहिए।

  • पुराना तरीका: हर घंटे, कंडक्टर संगीत को रोकता है, हर वाद्य यंत्र की जांच करता है, उन्हें फिर से ट्यून करता है, और फिर से शुरू करता है। यह धीमा और संसाधनों की बर्बादी है।
  • नई समस्या: वाद्य यंत्र केवल आउट-ऑफ-ट्यून ही नहीं होते; वे ड्रिफ्ट (विचलित) भी होते हैं। तापमान बदलता है, और संगीत बजते समय ट्यूनिंग भी बदल जाती है। इसे ठीक करने के लिए रुकना प्रवाह को तोड़ देता है।

2. समाधान: "स्व-सुधार करने वाला" कंडक्टर

शोधकर्ताओं ने रिनफोर्समेंट लर्निंग (RL) नामक तकनीक का उपयोग करके एक आर्टिफिशियल इंटेलिजेंस (AI) एजेंट बनाया।

  • उपमा: एक ऐसे कंडक्टर की कल्पना करें जो न केवल संगीत सुनता है, बल्कि कमरे में बहने वाली हवा को भी महसूस करता है। संगीत बजाते समय ही, कंडक्टर वाद्य यंत्रों में सूक्ष्म, अदृश्य समायोजन करता है।
  • यह कैसे सीखता है: AI को हवा के भौतिक विज्ञान (physics) को जानने की आवश्यकता नहीं है। यह बस "गलतियों" को देखता है। क्वांटम कंप्यूटिंग में, जब कोई त्रुटि होती है, तो वह एक छोटा सा "पदचिह्न" (detection event) छोड़ देती है। AI इन पदचिह्नों को एक स्कोर के रूप में लेता है।
    • कम पदचिह्न? अच्छा काम! (पुरस्कार/Reward)।
    • अधिक पदचिह्न? नॉब (knobs) को अलग तरह से घुमाकर देखें। (दंड/Penalty)।

3. जादुई ट्रिक: त्रुटियों को एक मानचित्र (Map) में बदलना

आमतौर पर, त्रुटियां बुरी होती हैं। लेकिन यह सिस्टम त्रुटियों को एक GPS मैप में बदल देता है।

  • AI देखता है कि त्रुटियां कहाँ हो रही हैं और पूछता है, "किस कंट्रोल नॉब के कारण यह हुआ?"
  • इसके बाद, यह उस नॉब को थोड़ा विपरीत दिशा में घुमाता है ताकि उसे ठीक किया जा सके।
  • क्योंकि AI लगातार ऐसा करता रहता है, यह एक फीडबैक लूप बनाता है: कंप्यूटर बिना रुके वास्तविक समय में अपनी गलतियों से सीखता है।

4. परिणाम: 3.5 गुना उछाल

उन्होंने "Willow" नामक एक सुपरकंडक्टिंग प्रोसेसर पर इसका परीक्षण किया।

  • प्रयोग: उन्होंने सिस्टम को जानबूझकर विचलित (ड्रिफ्ट) किया (जैसे कि हवा तेज कर दी गई हो) यह देखने के लिए कि क्या AI इसे संभाल सकता है।
  • परिणाम: AI-नियंत्रित सिस्टम पुराने तरीके की तुलना में 3.5 गुना अधिक स्थिर था। जब हवा तेज हुई, तब भी इसने ताश के पत्तों के घर को खड़ा रखा।
  • रिकॉर्ड तोड़ना: उन्होंने इस प्रकार के क्वांटम कोड्स के लिए अब तक की सबसे कम त्रुटि दर हासिल की, जिससे यह सिद्ध हुआ कि एक AI मानव विशेषज्ञों की तुलना में बेहतर तरीके से क्वांटम कंप्यूटर को ट्यून कर सकता है।

5. यह क्यों महत्वपूर्ण है: "कभी न रुकने वाला" कंप्यूटर

सबसे रोमांचक बात इसकी स्केलेबिलिटी (scalability) है।

  • पुराना डर: जैसे-जैसे क्वांटम कंप्यूटर बड़े होते जाएंगे (हजारों क्यूबिट्स के साथ), ट्यून करने वाले नॉब्स की संख्या लाखों में हो जाएगी। इंसान लाखों नॉब को ट्यून नहीं कर सकते, और उन्हें ट्यून करने के लिए रुकना बहुत लंबा समय लेगा।
  • नई उम्मीद: AI को इस बात से फर्क नहीं पड़ता कि कंप्यूटर कितना बड़ा है। वह त्रुटियों के पैटर्न को सीखता है और नॉब्स को स्वचालित रूप से समायोजित करता है। शोध पत्र सिमुलेशन दिखाता है कि यह विधि एक विशाल कंप्यूटर के लिए उतनी ही अच्छी तरह काम करती है जितनी कि एक छोटे कंप्यूटर के लिए।

निष्कर्ष (The Bottom Line)

यह शोध पत्र फॉल्ट-टोलरेंट क्वांटम कंप्यूटिंग की ओर एक बड़ा कदम है। यह हमें उस दुनिया से निकालकर जहाँ हमें अपने कंप्यूटरों को लगातार रोकना और ठीक करना पड़ता था, एक ऐसी दुनिया में ले जाता है जहाँ कंप्यूटर स्व-सुधार (self-healing) करने में सक्षम है।

यह एक ऐसी कार में अपग्रेड करने जैसा है जिसे हर 10 मील पर इंजन एडजस्ट करने के लिए मैकेनिक की जरूरत होती है, एक ऐसी सेल्फ-ड्राइविंग AI कार में, जो 100 मील प्रति घंटे की रफ्तार पर चलते समय भी लगातार सस्पेंशन, ईंधन और स्टीयरिंग को एडजस्ट करती रहती है, ताकि सड़क कितनी भी ऊबड़-खाबड़ क्यों न हो, आप कभी दुर्घटनाग्रस्त न हों।

संक्षेप में: उन्होंने क्वांटम कंप्यूटर को अपनी गलतियों से सीखने और चलते-फिरते खुद को ठीक करने का तरीका सिखाया है, जिससे उन मशीनों का मार्ग प्रशस्त हुआ है जो बिना रुके कई दिनों तक जटिल गणनाएं कर सकती हैं।

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।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें ⚛️ quant-ph →