Multi-Outcome Circuit Optimization for Enhanced Non-Gaussian State Generation

यहाँ शोध पत्र "Multi-Outcome Circuit Optimization for Enhanced Non-Gaussian State Generation" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

फोटोनिक क्वांटम कंप्यूटिंग, विशेष रूप से निरंतर-चर (continuous-variable - CV) शासन में, सार्वभौमिक दोष-सहिष्णु (fault-tolerant) गणना प्राप्त करने के लिए गैर-गॉसियन अवस्थाओं (जैसे, GKP अवस्थाएँ, श्रोडिंगर कैट अवस्थाएँ) के निर्माण पर निर्भर करती है। ये अवस्थाएँ आमतौर पर गॉसियन बोसन सैंपलिंग (GBS) जैसी आर्किटेक्चर का उपयोग करके उत्पन्न की जाती हैं, जहाँ स्क्वीज़्ड वैक्यूम अवस्थाएँ रैखिक इंटरफेरोमीटर से गुजरती हैं और सहायक मोड (ancillary modes) पर फोटॉन-संख्या-विभेदन (PNR) डिटेक्शन द्वारा सशर्त (conditioned) होती हैं।

मुख्य चुनौती:

• कम सफलता दर (Low Success Rates): विशिष्ट गैर-गॉसियन अवस्थाओं का निर्माण स्वाभाविक रूप से संभावabilistic (संभाव्यता आधारित) होता है। पारंपरिक अनुकूलन रणनीतियाँ एक विशिष्ट एकल मापन परिणाम (heralding pattern) के लिए सफलता की संभावना को अधिकतम करने पर ध्यान केंद्रित करती हैं।
• संसाधनों की बर्बादी (Wasted Resources): एकल-परिणाम दृष्टिकोण उसी भौतिक सर्किट द्वारा उत्पन्न अन्य मापन पैटर्नों की अनदेखी करता है जो उपयोगी, उच्च-फिडेलिटी (fidelity) वाली गैर-गॉसियन अवस्थाएँ भी बना सकते हैं। इन वैकल्पिक परिणामों को आमतौर पर "अपशिष्ट" (waste) मानकर छोड़ दिया जाता है, जिससे संसाधन उपयोग उप-इष्टतम (suboptimal) हो जाता है और समग्र स्वीकृति प्रायिकता कम हो जाती है।

2. कार्यप्रणाली (Methodology)

लेखक एक बहु-परिणाम अनुकूलन रणनीति (Multi-Outcome Optimization Strategy) का प्रस्ताव करते हैं जो गैर-गॉसियन अवस्थाओं के निर्माण को एक बहु-उद्देश्यीय समस्या के रूप में देखती है। एक एकल परिणाम को लक्षित करने के बजाय, यह ढांचा सर्किट मापदंडों को विविध मापन पैटर्नों में कुल उपयोगिता (aggregate utility) को अधिकतम करने के लिए अनुकूलित करता है।

प्रमुख तकनीकी घटक:

• आर्किटेक्चर: $N$ मोड वाला एक GBS-जैसा उपकरण। इनपुट मोड विस्थापन (displacement) और स्क्वीजिंग (squeezing) से गुजरते हैं, एक निष्क्रिय रैखिक यूनिटरी ($U$) से गुजरते हैं, और $N-1$ सहायक मोड पर मापे जाते हैं। शेष मोड हेराल्डेड आउटपुट (heralded output) होता है।
• अनुकूलन एल्गोरिदम (Optimization Algorithms):
  1. बीम सर्च (पैटर्न खोज - Pattern Discovery): फॉक बेसिस (Fock basis) परिणामों के तेजी से बढ़ते स्थान में नेविगेट करने के लिए, लेखक एक बीम सर्च रणनीति का उपयोग करते हैं। यह बिना किसी पूर्व भौतिक अंतर्ज्ञान या समरूपता धारणा के, गतिशील रूप से शीर्ष-$B$ सबसे संभावित मापन पैटर्न की पहचान करता है।
  2. फिक्स्ड-पैटर्न अनुकूलन (Fixed-Pattern Optimization): एक बार आशाजनक पैटर्न की पहचान हो जाने के बाद, सर्किट मापदंडों (स्क्वीजिंग स्तर, विस्थापन, इंटरफेरोमीटर फेज) को एक वैश्विक अनुकूलन प्रक्रिया (Basin-Hopping के साथ L-BFGS-B) का उपयोग करके फाइन-ट्यून किया जाता है।
• लॉस फंक्शन्स (Loss Functions):
  • फिक्स्ड पैटर्न के लिए: प्रायिकता ($p_k$) और फिडेलिटी ($F_k$) के एक रैखिक संयोजन को अधिकतम किया जाता है।
  • बीम सर्च के लिए: कम-फिडेलिटी वाले पैटर्न को दबाने और उच्च-गुणवत्ता वाले उम्मीदवारों के आसपास ग्रेडिएंट को तेज करने के लिए एक गैर-रैखिक फिल्ट्रेशन ऑब्जेक्टिव का उपयोग किया जाता है, जिससे यह सुनिश्चित होता है कि ऑप्टिमाइज़र व्यवहार्य अवस्थाओं पर ध्यान केंद्रित करे।
• घूर्णन अपरिवर्तनीयता (Rotation Invariance): फिडेलिटी मीट्रिक घूर्णन-अपरिवर्तनीय ($F = \max_\phi |\langle \phi | e^{i\hat{n}\phi} | \psi \rangle|^2$) है, जो ऑप्टिमाइज़र को फेज-स्पेस ओरिएंटेशन के बावजूद अवस्था खोजने की अनुमति देती है। यह अभिसरण (convergence) को सरल बनाता है और उन पैटर्न की पहचान करता है जिन्हें केवल एक फेज शिफ्ट सुधार की आवश्यकता हो सकती है।
• सिमुलेशन वातावरण: सिमुलेशन $D=30$ के ट्रंकेशन डायमेंशन के साथ फॉक बेसिस में Strawberry Fields फ्रेमवर्क का उपयोग करके किए गए थे (जिसे $D=50$ के विरुद्ध सत्यापित किया गया था)।

3. प्रमुख योगदान (Key Contributions)

यह शोध पत्र गैर-गॉसियन अवस्थाओं के निर्माण को बढ़ाने के लिए दो अलग-अलग तंत्र पेश करता है:

1. संसाधन मल्टीप्लेक्सिंग (Resource Multiplexing): एक ही सर्किट को विभिन्न मापन परिणामों से विभिन्न उपयोगी गैर-गॉसियन अवस्थाओं (जैसे, अलग-अलग फोटॉन संख्या के साथ GKP लॉजिकल $|0\rangle$ और $|1\rangle$, या दोनों सम और विषम कैट अवस्थाओं) की एक श्रेणी बनाने के लिए कॉन्फ़िगर करना।
2. संभाव्यता हार्वेस्टिंग (Probability Harvesting): अपभ्रष्ट परिणामों (degenerate outcomes) (अलग-अलग मापन पैटर्न जो एक ही लक्ष्य अवस्था को हेराल्ड करते हैं) को एकत्रित करना ताकि एक विशिष्ट संसाधन के उत्पादन दर को महत्वपूर्ण रूप से बढ़ाया जा सके।

4. परिणाम (Results)

इस ढांचे का परीक्षण 12 dB की स्क्वीजिंग के साथ 2-मोड और 3-मोड सर्किट का उपयोग करके चार लक्षित अवस्था परिवारों के विरुद्ध किया गया:

• GKP अवस्थाएँ:
  • मल्टीप्लेक्सिंग: एक 2-मोड सर्किट ने सफलतापूर्वक लॉजिकल अवस्थाओं ($n \in \{4, 6, 8, 10\}$ के लिए $|1_A\rangle$) की एक श्रेणी उत्पन्न की, जिसकी फिडेलिटी $>99\%$ और एकत्रित सफलता प्रायिकता 11.2% थी।
  • हार्वेस्टिंग: GKP $|0_A^4\rangle$ अवस्था के लिए, परिणामों $(1,3), (3,1),$ और $(2,2)$ को एकत्रित करने से सफलता की प्रायिकता ~2.1% (एकल परिणाम) से बढ़कर 6.5% हो गई, जिसमें केवल मामूली फिडेलिटी समझौता हुआ।
• श्रोडिंगर कैट अवस्थाएँ (Schrödinger Cat States):
  • ऑप्टिमाइज़र ने स्वाभाविक रूप से पैरिटी-आधारित क्लस्टरिंग (parity-based clustering) की खोज की। एक 2-मोड सर्किट ने सम ($|cat_+\rangle$) और विषम ($|cat_-\rangle$) दोनों कैट अवस्थाओं को 9.5% की एकत्रित प्रायिकता के साथ उत्पन्न किया।
  • पैटर्न क्लस्टर्स ($P n_i = 4$ और $P n_i = 5$) का उपयोग करने वाला 3-मोड सर्किट 10.0% की सफलता दर प्राप्त करता है।
• बिनोमियल कोड्स और क्यूबिक फेज अवस्थाएँ:
  • बिनोमियल कोड्स ($|0_{S=2}\rangle$ और $|0_{S=3}\rangle$) को 2.5% की एकत्रित प्रायिकता के साथ उत्पन्न किया गया, जो एकल-परिणाम दर से लगभग तीन गुना अधिक है।
  • क्यूबिक फेज अवस्थाओं ने 6.7% की सफलता दर प्राप्त की, जो डीप रिइन्फोर्समेंट लर्निंग दृष्टिकोणों की फिडेलिटी से मेल खाती है, लेकिन एक व्यवस्थित अनुकूलन ढांचे के साथ।

हानि के प्रति मजबूती (Robustness to Loss):
1% और 10% फोटॉन लॉस के साथ सिमुलेशन ने दिखाया कि हालांकि फिडेलिटी घट जाती है (विशेष रूप से उच्च-ऊर्जा अवस्थाओं के लिए), बहु-परिणाम रणनीति मजबूत बनी रहती है। प्रायिकता हार्वेस्टिंग के लिए, गिरावट सभी एकत्रित पैटर्नों में समान थी।

5. महत्व (Significance)

• अपशिष्ट को उपयोगिता में बदलना: यह कार्य प्रदर्शित करता है कि गॉसियन सर्किटों में "अपशिष्ट" परिणाम स्वाभाविक रूप से बेकार नहीं हैं, बल्कि वे एक समृद्ध, अनछुए संसाधन परिदृश्य का प्रतिनिधित्व करते हैं।
• हार्डवेयर अपग्रेड के बिना स्केलेबिलिटी: मौजूदा हार्डवेयर को कई परिणामों को स्वीकार करने के लिए अनुकूलित करके, महत्वपूर्ण गैर-गॉसियन संसाधनों को उत्पन्न करने की सफलता की संभावना को काफी बढ़ाया जा सकता है, जिसके लिए तत्काल हार्डवेयर सुधार (जैसे, उच्च स्क्वीजिंग या कम लॉस) की आवश्यकता नहीं है।
• व्यावहारिक कार्यान्वयन: यह रणनीति फोटोनिक क्वांटम कंप्यूटिंग को अधिक स्केलेबल बनाने के लिए एक स्पष्ट मार्ग प्रदान करती है। यह सुझाव देता है कि भविष्य के प्रयोगात्मक सेटअप डायनेमिक फीड-फॉरवर्ड सिस्टम (फेज शिफ्टर्स) या सॉफ्टवेयर-डिफाइंड ट्रैकिंग का उपयोग कर सकते हैं ताकि विभिन्न हेराल्डिंग पैटर्न से जुड़े फेज रोटेशन को ठीक किया जा सके, जिससे फोटोनिक सर्किट की पूरी क्षमता का उपयोग किया जा सके।
• एल्गोरिदम आधार: यह शोध पत्र जटिल फोटोनिक सर्किट को अनुकूलित करने के लिए आवश्यक एल्गोरिदम आधार (ओपन-सोर्स कोड के साथ) प्रदान करता है, जो सैद्धांतिक अवस्था इंजीनियरिंग और प्रयोगात्मक वास्तविकता के बीच के अंतर को पाटता है।