⚛️ quantum physics

PropHunt: Automated Optimization of Quantum Syndrome Measurement Circuits

यह शोध पत्र PropHunt प्रस्तुत करता है, जो एक स्वचालित उपकरण है जो पारंपरिक मेट्रिक्स के बजाय लॉजिकल एरर रेट्स को प्राथमिकता देकर CSS कोड्स के लिए क्वांटम सिंड्रोम मेजरमेंट सर्किट को ऑप्टिमाइज़ करता है, जिससे हैंड-डिज़ाइन किए गए सर्किट्स की रिकवरी संभव होती है और नई हुक-ZNE एरर मिटिगेशन रणनीति को सुगम बनाया जा सकता है।

मूल लेखक: Joshua Viszlai, Satvik Maurya, Swamit Tannu, Margaret Martonosi, Frederic T. Chong

प्रकाशित 2026-01-27

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Joshua Viszlai, Satvik Maurya, Swamit Tannu, Margaret Martonosi, Frederic T. Chong

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

एक बड़ी तस्वीर: क्वांटम कंप्यूटर के "सुरक्षा गार्ड" को ठीक करना

कल्पना कीजिए कि आप एक सुपर-कंप्यूटर बनाने की कोशिश कर रहे हैं जो असंभव समस्याओं को हल कर सके, जैसे कि नई दवाएं डिजाइन करना या अटूट कोड को तोड़ना। यह एक क्वांटम कंप्यूटर है। हालाँकि, ये कंप्यूटर अविश्वसनीय रूप से नाजुक होते हैं। यदि आप बहुत ज़ोर से फुसफुसाते हैं या कमरा बहुत गर्म हो जाता है, तो वे जो जानकारी रख रहे होते हैं वह अर्थहीन कचरे में बदल जाती है। इसे "शोर" (noise) या "त्रुटि" (error) कहा जाता है।

इसे ठीक करने के लिए, वैज्ञानिक क्वांटम एरर करेक्शन (QEC) नामक एक प्रणाली का उपयोग करते हैं। QEC को कंप्यूटर की मेमोरी की निगरानी करने वाले सुरक्षा गार्डों की एक टीम के रूप में समझें। उनका काम लगातार यह जांचना है कि क्या डेटा खराब हुआ है और उसे तुरंत ठीक करना है।

डेटा की जांच करने के लिए इन गार्डों द्वारा उपयोग किए जाने वाले उपकरण को सिंड्रोम मेजरमेंट (SM) सर्किट कहा जाता है। यह निर्देशों का एक विशिष्ट सेट है जिसका गार्ड पालन करते हैं ताकि वे पूछ सकें, "क्या सब कुछ ठीक है?"

समस्या: गार्ड गलत निर्देशों का पालन कर रहे हैं

पेपर का तर्क है कि हालांकि हमें पता है कि गार्डों को क्या करने की आवश्यकता है, लेकिन हम यह डिजाइन करने में बहुत अच्छे नहीं रहे हैं कि वे इसे कैसे करें।

पुराना तरीका: पहले, शोधकर्ता इन निर्देशों को हाथ से डिजाइन करते थे। यह एक मास्टर शेफ द्वारा किसी विशिष्ट व्यंजन के लिए रेसिपी लिखने जैसा था। यह कुछ प्रसिद्ध व्यंजनों (जैसे "सरफेस कोड") के लिए काम करता था, लेकिन यदि आप एक नया, जटिल व्यंजन (एक नए प्रकार का एरर-करेक्टिंग कोड) बनाना चाहते थे, तो आपको शुरुआत से शुरू करना पड़ता था। यह धीमा, महंगा और अक्सर जटिल रेसिपी के लिए असंभव था।
दोषपूर्ण उपकरण: मौजूदा कंप्यूटर टूल्स ने निर्देशों को "छोटा" या "तेज़" (कम स्टेप्स) बनाने में मदद करने की कोशिश की। लेकिन लेखकों ने एक समस्या पाई: छोटा होना हमेशा बेहतर नहीं होता।
- उपमा: कल्पना कीजिए कि लोगों की एक कतार बाल्टी से पानी पास कर रही है ताकि आग बुझाई जा सके। यदि आप उन्हें गलत क्रम में छोटी लाइन में व्यवस्थित करते हैं, तो एक व्यक्ति गलती से गलत तरफ पानी छिड़क सकता है, जिससे बड़ी गड़बड़ी हो सकती है। यदि आप उन्हें थोड़ी लंबी लेकिन एकदम सही क्रम में व्यवस्थित करते हैं, तो पानी बिल्कुल वहीं जाएगा जहाँ उसकी ज़रूरत है।
- पेपर दिखाता है कि केवल स्टेप्स की संख्या (सर्किट डेप्थ) गिनने से यह पता नहीं चलता कि क्या गार्ड वास्तव में त्रुटियों को पकड़ पाएंगे। कभी-कभी, निर्देशों का एक "छोटा" सेट वास्तव में त्रुटियों को दरारों से फिसलने देता है।

समाधान: "PropHunt" का परिचय

लेखकों ने PropHunt नामक एक नया स्वचालित टूल बनाया है। निर्देशों को छोटा करने के बजाय, PropHunt निर्देशों को कम भ्रमित करने वाला बनाने की कोशिश करता है।

"अस्पष्टता" (Ambiguity) की समस्या: कभी-कभी, गार्ड भ्रमित हो जाते हैं। वे एक ऐसा संकेत देखते हैं जिसका अर्थ "डेटा ठीक है" या "डेटा खराब है" दोनों हो सकता है। यदि वे अंतर नहीं कर पाते हैं, तो वे गलत चीज़ को ठीक कर सकते हैं, जिससे एक स्थायी त्रुटि पैदा हो सकती है। पेपर इसे "अस्पष्टता" कहता है।
PropHunt कैसे काम करता है:
1. यह निर्देशों के वर्तमान सेट को देखता है।
2. यह उन विशिष्ट क्षणों को ढूंढता है जहाँ गार्ड भ्रमित होते हैं (जहाँ संकेत अस्पष्ट होते हैं)।
3. यह स्वचालित रूप से चरणों के क्रम को इधर-उधर करता है (जैसे बाल्टी पास करने वाले लोगों को पुनर्व्यवस्थित करना) ताकि उस भ्रम को हटाया जा सके।
4. यह इस प्रक्रिया को तब तक दोहराता है जब तक कि निर्देश यथासंभव स्पष्ट न हो जाएं।

PropHunt को क्वांटम त्रुटियों के लिए एक ट्रैफिक कंट्रोल सिस्टम के रूप में समझें। सड़क पर कारों की संख्या गिनने के बजाय, यह ट्रैफिक लाइट और टाइमिंग को देखता है ताकि यह सुनिश्चित हो सके कि दो कारें आपस में न टकराएं।

परिणाम: बेहतर गार्ड, नई रेसिपी

लेखकों ने विभिन्न प्रकार के एरर-करेक्टिंग कोड पर Prophunt का परीक्षण किया:

क्लासिक को फिर से खोजना: जब उन्होंने PropHunt को प्रसिद्ध "सरफेस कोड" दिया, तो इसने स्वचालित रूप से ठीक वही सटीक निर्देश खोज निकाले जिन्हें मानव विशेषज्ञों ने वर्षों तक हाथ से डिजाइन करने में बिताया था। यह साबित करता है कि टूल काम करता है।
1. असंभव को हल करना: उन्होंने इसे नए, अधिक जटिल कोड्स (जिन्हें "लिफ्टेड प्रोडक्ट" और "रैंडम क्वांटम टैनर" कोड कहा जाता है) पर आजमाया जहाँ किसी इंसान ने अभी तक सबसे अच्छे निर्देश नहीं खोजे थे। Prophunt ने ऐसे निर्देश खोजे जो वर्तमान में उपयोग किए जाने वाले मानक तरीकों की तुलना में त्रुटियों को रोकने में 2.5 से 4 गुना बेहतर थे।

एक बोनस ट्रिक: "Hook-ZNE"

पेपर इस टूल के लिए एक चतुर साइड-यूज़ का सुझाव भी देता है, जिसे वे Hook-ZNE कहते हैं।

विचार: कभी-कभी, आप नहीं चाहते कि गार्ड तुरंत परफेक्ट हों। आप यह परीक्षण करना चाह सकते हैं कि जब चीजें थोड़ी गलत होती हैं, तो कंप्यूटर कैसा व्यवहार करता है, ताकि बाद में इसे बेहतर ढंग से ठीक करने के बारे में सीखा जा सके।
उपमा: एक पायलट की कल्पना करें जो फ्लाइट सिम्युलेटर में प्रशिक्षण ले रहा है। यदि सिम्युलेटर बहुत अधिक परफेक्ट है, तो पायलट सीख नहीं पाएगा। यदि सिम्युलेटर बहुत अधिक अराजक है, तो वह क्रैश हो जाएगा। आपको "गोल्डिलॉक्स" (Goldilocks) स्तर की अराजकता की आवश्यकता है—न बहुत ज्यादा, न बहुत कम।
यह कैसे मदद करता है: क्योंकि PropHunt ऐसे निर्देश बना सकता है जो लगभग परफेक्ट हैं लेकिन जिनमें थोड़ा सा भ्रम बचा हुआ है, इसका उपयोग जानबूझकर नियंत्रित मात्रा में त्रुटि पैदा करने के लिए किया जा सकता है। यह वैज्ञानिकों को आज के अपूर्ण क्वांटम कंप्यूटरों पर अपने एरर-करेक्शन सिस्टम का परीक्षण करने और सुधारने में मदद करता है।

सारांश

समस्या: क्वांटम कंप्यूटरों को त्रुटियों को पकड़ने के लिए "सुरक्षा गार्डों" (SM circuits) की आवश्यकता होती है, लेकिन हमें यह नहीं पता कि उनके लिए सबसे अच्छे निर्देश कैसे डिजाइन किए जाएं, विशेष रूप से नए प्रकार के कोड के लिए।
गलती: पिछले टूल्स ने निर्देशों को छोटा बनाने की कोशिश की, लेकिन उसने हमेशा त्रुटियों को नहीं रोका।
समाधान: PropHunt एक स्वचालित टूल है जो "भ्रम" (अस्पष्टता) को हटाने के लिए निर्देशों को पुनर्व्यवस्थित करता है, जिससे यह सुनिश्चित होता है कि गार्ड हर त्रुटि को पकड़ लें।
जीत: यह पुराने कोड पर मानव विशेषज्ञों के बराबर प्रदर्शन करता है और नए, जटिल कोड के लिए काफी बेहतर निर्देश (4 गुना तक बेहतर) बनाता है। यह निकट भविष्य के प्रयोगों के लिए त्रुटि परीक्षण को फाइन-ट्यून करने का एक तरीका भी प्रदान करता है।

तकनीकी सारांश: PropHunt: क्वांटम सिंड्रोम मेजरमेंट सर्किट्स का स्वचालित अनुकूलन (Automated Optimization)

1. समस्या विवरण (Problem Statement)

फॉल्ट-टोलरेंट क्वांटम कंप्यूटिंग (FTQC) क्वांटम एरर करेक्शन (QEC) कोड्स पर निर्भर करती है, जो डेटा क्वबिट्स पर त्रुटियों (errors) का पता लगाने और उन्हें सुधारने के लिए सिंड्रोम मेजरमेंट (SM) सर्किट्स का उपयोग करते हैं। जबकि QEC कोड्स के सैद्धांतिक प्रदर्शन का मूल्यांकन अक्सर कोड डिस्टेंस ( $d$ ) के आधार पर किया जाता है, वास्तविक लॉजिकल एरर रेट (logical error rate) SM सर्किट के भौतिक कार्यान्वयन (physical implementation) पर अत्यधिक निर्भर करता है।

मौजूदा सर्किट ऑप्टिमाइज़ेशन टूल्स, जो मुख्य रूप से NISQ युग के लिए डिज़ाइन किए गए हैं, भौतिक त्रुटियों की संभावना को कम करने के लिए गेट काउंट और सर्किट डेप्थ (circuit depth) को कम करने पर ध्यान केंद्रित करते हैं। हालांकि, FTQC में, त्रुटियां होने की अपेक्षा की जाती है और उन्हें सहन किया जाना चाहिए। महत्वपूर्ण चुनौती यह है कि SM सर्किट के भीतर CNOT गेट्स का क्रम (ordering) यह निर्धारित करता है कि त्रुटियां कैसे प्रसारित होती हैं (विशेष रूप से "हुक एरर्स" जहाँ एक एंसिला फॉल्ट कई डेटा क्वबिट्स तक फैल जाता है)। खराब क्रमिंग अस्पष्ट त्रुटि पैटर्न (ambiguous error patterns) बना सकती है जो अनडिटेक्टेड लॉजिकल एरर्स की ओर ले जाते हैं, जिससे कोड का प्रदर्शन प्रभावी रूप से कम हो जाता है, भले ही सर्किट डेप्थ न्यूनतम हो।

SM सर्किट डिजाइन के वर्तमान दृष्टिकोण तीन सीमाओं का सामना करते हैं:

हैंड-डिजाइन (Hand-design): विशेष रूप से तैयार किए गए सर्किट गहन कार्य हैं और उन कोड्स के लिए अव्यवहारिक हैं जिनमें रैंडम संरचनाएं होती हैं (जैसे कि लिफ्टेड प्रोडक्ट या रैंडम क्वांटम टैनर कोड्स)।
ब्रूट-फोर्स सर्च (Brute-force search): मध्यम से बड़े कोड साइज के लिए स्केलेबल नहीं है।
अपूर्ण भविष्यवक्ता (Imperfect predictors): केवल सर्किट डेप्थ या प्रभावी कोड डिस्टेंस ( $d_{eff}$ ) के लिए अनुकूलन करना अपर्याप्त है। जैसा कि पेपर में प्रदर्शित किया गया है, समान डेप्थ या $d_{eff}$ वाले सर्किट विशिष्ट CNOT शेड्यूल्स के माध्यम से त्रुटि प्रसार के कारण बहुत अलग लॉजिकल एरर रेट प्रदर्शित कर सकते हैं।

2. कार्यप्रणाली (Methodology): PropHunt

लेखक CSS कोड्स के लिए SM सर्किट्स को अनुकूलित करने के लिए एक स्वचालित टूल के रूप में PropHunt का प्रस्ताव करते हैं, जो डेप्थ जैसे अपूर्ण प्रॉक्सी पर निर्भर रहने के बजाय सीधे एरर एम्बिग्युटी (error ambiguity) को कम करने को लक्षित करता है।

मुख्य अवधारणा: एरर एम्बिग्युटी (Error Ambiguity)

पेपर एक 'एम्बिग्युअस एरर' को दो अलग-अलग त्रुटि पैटर्न ( $e_1$ और $e_2$ ) के रूप में परिभाषित करता है जो एक ही सिंड्रोम ( $H e_1 = H e_2$ ) उत्पन्न करते हैं लेकिन उनके लॉजिकल प्रभाव भिन्न होते हैं ( $L e_1 \neq L e_2$ )। एक मैक्सिमम लाइकलीहुड एस्टिमेटर (MLE) डिकोडर तब लॉजिकल स्टेट का गलत अनुमान लगाएगा जब ऐसी अस्पष्टता मौजूद होती है। लक्ष्य इन अस्पष्ट मार्गों (ambiguous pathways) को समाप्त करने के लिए SM सर्किट को संशोधित करना है।

अनुकूलन लूप (The Optimization Loop)

Prop-Hunt एक पुनरावृत्ति लूप (iterative loop) के माध्यम से संचालित होता है जिसमें पांच चरण शामिल हैं:

एम्बिग्युअस डिकोडिंग सबग्राफ खोजना (Ambiguous Decoding Subgraph Finding):
- टूल एक सर्किट-लेवल डिकोडिंग ग्राफ बनाता है जहाँ नोड्स त्रुटियों और सिंड्रोम का प्रतिनिधित्व करते हैं।
- यह रैंडम सबग्राफ का नमूना लेता है और उन्हें तब तक विस्तारित करता है जब तक कि यह एक ऐसा सबग्राफ नहीं पहचान लेता जहाँ लॉजिकल ऑब्जर्वेबल मैट्रिक्स $L'$ चेक मैट्रिक्स $H'$ के रो स्पेस में नहीं होता ( $L' \notin \text{rowsp}(H')$ )। यह स्थिति उस सबग्राफ के भीतर एक अस्पष्ट त्रुटि की उपस्थिति का संकेत देती है।
मिन-वेट लॉजिकल एरर सॉल्विंग (MaxSAT के माध्यम से):
- प्रत्येक पहचाने गए एम्बिग्युअस सबग्राफ के लिए, PropHunt एक MaxSAT फॉर्मूलेशन (जिसे Z3 और Loandra सॉल्वर के माध्यम से हल किया जाता है) का उपयोग करके न्यूनतम-भार वाली लॉजिकल त्रुटि (minimum-weight logical error) को खोजता है।
- XOR क्लॉज़ को कॉन्जंक्टिव नॉर्मल फॉर्म (CNF) में बदलने की घातीय जटिलता को संभालने के लिए, लेखक एक ट्री-लाइक स्ट्रक्चर में ऑक्सिलरी वेरिएबल्स का उपयोग करते हैं। यह वैश्विक, अव्यवहारिक खोज के बजाय स्थानीय सबग्राफ के कुशल समानांतर समाधान (parallelized solving) की अनुमति देता है।
कैंडिडेट सर्किट चेंज एन्यूमरेशन (Candidate Circuit Change Enumeration):
- एक बार न्यूनतम-भार वाली लॉजिकल त्रुटि की पहचान होने के बाद, टूल उस त्रुटि को SM सर्किट में विशिष्ट गेट एरर्स के साथ मैप करता है।
- यह त्रुटि प्रसार को बदलने के लिए दो प्रकार के संशोधनों को सूचीबद्ध करता है:
  - रीऑर्डरिंग (Reordering): वह क्रम बदलना जिसमें एक सिंड्रोम क्वबिट अपने जुड़े हुए डेटा क्वबिट्स के साथ इंटरैक्ट करता है।
  - रीशेड्यूलिंग (Rescheduling): एक साझा डेटा क्वबिट के साथ इंटरैक्ट करने वाले सिंड्रोम क्वबिट्स के सापेक्ष समय को बदलना (इंटरनल मल्टी-एज डायरेक्टेड ग्राफ रिप्रेजेंटेशन में किनारों को बदलना)।
कैंडिडेट्स की छंटनी (Pruning Candidates):
- उम्मीदवारों को सर्किट वैधता (स्टेबलाइजर कम्यूटेशन को बनाए रखना और सर्कुलर डिपेंडेंसी के बिना शेड्यूलेबिलिटी सुनिश्चित करना) और एम्बिग्युटी रिमूवल (यह सत्यापित करना कि परिवर्तन विशिष्ट अस्पष्टता को हल करता है) के आधार पर फ़िल्टर किया जाता है।
- अतिरिक्त जाँच यह सुनिश्चित करती है कि संशोधित सर्किट अनजाने में नई लॉजिकल त्रुटियां पैदा न करे।
परिवर्तनों को लागू करना (Applying Changes):
- सत्यापित परिवर्तनों को SM सर्किट पर लागू किया जाता है। यदि कई संगत परिवर्तन मौजूद हैं, तो वह परिवर्तन चुना जाता है जिसके परिणामस्वरूप न्यूनतम सर्किट डेप्थ प्राप्त होती है (एक माध्यमिक अनुकूलन लक्ष्य के रूप में)।

3. प्रमुख योगदान (Key Contributions)

नया अनुकूलन मीट्रिक (Novel Optimization Metric): डेप्थ या $d_{eff}$ के लिए अनुकूलन करने के बजाय, सर्किट-लेवल डिकोडिंग ग्राफ में एरर एम्बिग्युटी को हल करके सीधे लॉजिकल एरर रेट को कम करने की ओर बदलाव।
कुशल एल्गोरिदम (Efficient Algorithm): एम्बिग्युअस सबग्राफ पर समानांतर (parallelized) MaxSAT का उपयोग करके सर्किट-लेवल ग्राफ में मिन-वेट लॉजिकल एरर खोजने की एक विधि, जो वैश्विक समाधान की अव्यवहारिकता से बचती है।
PropHunt टूल: एक स्वचालित कार्यान्वयन जो सरफेस कोड्स के लिए हैंड-डिज़ाइन किए गए शेड्यूल्स को रिकवर करता है और उन कोड्स के लिए सर्किट्स को अनुकूलित करता है जहाँ कोई ज्ञात परफॉर्मेंट शेड्यूल्स मौजूद नहीं हैं।
Hook-ZNE: निकट-अवधि FTQC के लिए ज़ीरो-नॉइज़ एक्सट्रैपोलेशन (ZNE) को बेहतर बनाने के लिए PropHunt के इंटरमीडिएट ऑप्टिमाइज़ेशन स्टेट्स का एक नया अनुप्रयोग।

4. मूल्यांकन परिणाम (Evaluation Results)

लेखकों ने सरफेस कोड्स, लिफ्टेड प्रोडक्ट (LP) कोड्स और रैंडम क्वांटम टैनर (RQT) कोड्स सहित QEC कोड्स के एक समूह पर PropHunt का मूल्यांकन किया।

सरफेस कोड्स (Surface Codes): Prop-Hunt ने प्रसिद्ध "N-Z" शेड्यूल की खोज को सफलतापूर्वक स्वचालित किया, जिससे हैंड-डिज़ाइन किए गए सर्किट्स का प्रदर्शन रिकवर हुआ।
LP और RQT कोड्स: उन कोड्स के लिए जिनके पास ज्ञात इष्टतम शेड्यूल्स नहीं हैं, Prop-Hunt ने 0.1% के फिजिकल एरर रेट पर मानक "कलरेशन" सर्किट्स की तुलना में लॉजिकल एरर रेट को 2.5x से 4x तक कम कर दिया।
स्केलेबिलिटी (Scalability): सबग्राफ-आधारित MaxSAT दृष्टिकोण वैश्विक समाधान की तुलना में काफी अधिक व्यवहार्य साबित हुआ। $d=7$ सरफेस कोड के लिए, ग्लोबल सॉल्विंग टाइम आउट हो गई, जबकि सबग्राफ दृष्टिकोण ने 2 सेकंड से कम समय में समाधान निकाला।
आइडल एरर सेंसिटिविटी (Idle Error Sensitivity): अध्ययन ने दिखाया कि Prop-Hunt के अनुकूलन द्वारा पेश की गई सर्किट डेप्थ में मामूली वृद्धि, न्यूट्रल एटम और सुपरकंडक्टिंग सिस्टम के लिए प्रासंगिक हार्डवेयर आइडल एरर स्ट्रेंथ की एक विस्तृत श्रृंखला में लॉजिकल एरर रेट में कमी द्वारा संतुलित हो जाती है।

5. Hook-ZNE अनुप्रयोग

पेपर Hook-ZNE को पेश करता है, जो एक निश्चित कोड डिस्टेंस पर अलग-अलग लॉजिकल एरर रेट वाले इंटरमीडिएट SM सर्किट्स उत्पन्न करने की PropHunt की क्षमता का लाभ उठाता है।

तंत्र (Mechanism): कोड डिस्टेंस बदलने (जो एक भारी और संसाधन-गहन प्रक्रिया है) या सर्किट को खींचने (जो डिकोहेरेंस को बढ़ाता है) के बजाय, Hook-ZNE अनुकूलन प्रक्रिया के दौरान खोजे गए सब-ऑप्टिमल SM सर्किट्स का उपयोग करके लॉजिकल नॉइज़ को सुचारू रूप से स्केल करता है।
प्रदर्शन: DS-ZNE की तुलना में, Hook-ZNE अधिक सूक्ष्म-स्तरीय (fine-grained) नॉइज़ कंट्रोल प्रदान करता है। मूल्यांकन दिखाते हैं कि Hook-ZNE, DS-ZNE की तुलना में एरर को 3x से 6x तक कम करता है, जिससे समान शॉट बजट के साथ एक्सपेक्टेशन वैल्यूज़ के लिए अधिक स्थिर फिट मिलता है।

6. महत्व और दावे (Significance and Claims)

पेपर दावा करता है कि Prop-حت (PropHunt) QEC डिज़ाइन स्पेस में एक महत्वपूर्ण अंतर को संबोधित करता है: SM सर्किट्स में एरर प्रोपेगेशन डायनेमिक्स को ध्यान में रखने वाले स्वचालित टूल्स की कमी। डेप्थ जैसे अपूर्ण भविष्यवाक्ताओं से आगे बढ़कर, Prop-حت जटिल QEC कोड्स के लिए उच्च-प्रदर्शन वाले SM सर्किट्स की खोज को सक्षम बनाता है जो पहले हैंड-डिजाइन या ब्रूट-फोर्स विधियों तक सीमित थे।

लेखक इस बात पर जोर देते हैं कि उनका काम सभी QEC चुनौतियों को हल करने का दावा नहीं करता है, बल्कि यह SM सर्किट्स (जो FTQC सिस्टम को जोड़ने वाले "गोंद" के रूप में कार्य करते हैं) को अनुकूलित करने के लिए एक आधारभूत टूल प्रदान करता है। उभरते हुए कोड परिवारों (जैसे LP और RQT) के लिए अनुकूलित सर्किट को स्वचालित रूप से उत्पन्न करने की क्षमता को बड़े पैमाने पर FTQC के व्यावहारिक क्रियान्वयन के लिए आवश्यक बताया गया है। इसके अलावा, Hook-ZNE का अनुप्रयोग यह दर्शाता है कि अनुकूलन प्रक्रिया स्वयं निकट-अवधि युग में एरर मिटिगेशन के लिए मूल्यवान आर्टिफैक्ट्स प्रदान करती है।