⚛️ quantum physics

Controllable Quantum Memory Capacity in Quantum Reservoir Networks with Tunable partial-SWAPs

यह शोध पत्र क्वांटम रिज़र्वर नेटवर्क के लिए एक हार्डवेयर-साध्य ट्यूनेबल पार्शियल-SWAP तंत्र प्रस्तुत करता है जो मेमोरी डिसिपेशन दरों पर सीधा नियंत्रण प्रदान करता है, जिससे सिमुलेशन और IBM क्वांटम प्रोसेसरों के माध्यम से मान्य पुनरावर्ती क्वांटम आर्किटेक्चर में मेमोरी क्षमता की नियंत्रणीयता और समझ को बढ़ाया जा सकता है।

मूल लेखक: Erik L. Connerty, Ethan N. Evans

प्रकाशित 2026-05-14

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Erik L. Connerty, Ethan N. Evans

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 आपके पास एक जादुई, सुपर-फास्ट बाल्टी है जो पानी (सूचना) रख सकती है। क्लासिकल कंप्यूटरों की दुनिया में, यदि आप चाहते हैं कि यह बाल्टी कुछ सेकंड पहले क्या हुआ था उसे याद रखे, तो आपको इस बात को सावधानी से नियंत्रित करना होगा कि पानी कितनी तेजी से बाहर निकलता है। यदि यह बहुत तेजी से लीक होता है, तो आप सब कुछ तुरंत भूल जाएंगे। यदि यह बिल्कुल भी लीक नहीं होता है, तो बाल्टी भर जाएगी और आप कुछ भी नया याद नहीं रख पाएंगे।

यह पेपर एक नया तरीका पेश करता है जिससे एक "क्वांटम बाल्टी" (जिसे क्वांटम रिज़र्वोइर नेटवर्क कहा जाता है) बनाई जा सकती है जो इस तरह से लीक कर सकती है कि वह एकदम सटीक हो: आप एक सिंगल डायल (घुमाने वाला बटन) का उपयोग करके ठीक यह नियंत्रित कर सकते हैं कि मेमोरी कितनी तेजी से धुंधली होगी।

यहाँ इस पेपर के विचारों का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. समस्या: "लीकी" (Leaky) क्वांटम बाल्टी

अतीत में, वैज्ञानिकों ने चीजों को याद रखने के लिए क्वांटम कंप्यूटरों को दो मुख्य तरीकों से बनाया था:

"फुल रिसेट" विधि (The "Full Reset" Method): हर बार जब वे मेमोरी को चेक करना चाहते थे, तो वे पूरे सिस्टम को मापते थे। यह बाल्टी के पानी के स्तर की फोटो लेने, पानी के स्तर को नोट करने और फिर तुरंत पूरी बाल्टी खाली कर देने और फिर से शुरू करने जैसा है। यह विश्वसनीय है, लेकिन इस प्रक्रिया में आप सारी "क्वांटम जादू" (सुपरपोजिशन और एंटैंगलमेंट) खो देते हैं।
"पार्शियल रिसेट" विधि (The "Partial Reset" Method): यह बिना मापे बाल्टी में कुछ पानी को बनाए रखता है। यह "क्वांटम जादू" को बनाए रखने में बेहतर है, लेकिन अब तक वैज्ञानिकों के पास एक सिंगल नॉब (knob) नहीं था जिससे यह नियंत्रित किया जा सके कि कितना पानी बचा रहे। उन्हें अंदाज़ा लगाना पड़ता था और उम्मीद करनी पड़ती थी कि रैंडम सेटिंग्स काम कर जाएं, जिससे सिस्टम को ट्यून करना कठिन हो जाता था।

2. समाधान: "ट्यूनेबल पार्शियल-स्वैप" (The "Tunable Partial-SWAP")

लेखकों ने एक नया तंत्र विकसित किया जिसे ट्यूनेबल पार्शियल-स्वैप कहा जाता है।

उपमा (Analogy): कल्पना कीजिए कि आपकी क्वांटम बाल्टी एक विशेष पाइप द्वारा दूसरी खाली बाल्टी (रीडआउट बाल्टी) से जुड़ी हुई है।
डायल (पैरामीटर $\gamma$ ): आपके पास इस पाइप पर एक डायल है।
- यदि आप डायल को 1 पर घुमाते हैं, तो पाइप पूरी तरह खुल जाता है। सारा पानी (सूचना) मेमोरी बाल्टी से रीडआउट बाल्टी में तेजी से बह जाता है, और मेमोरी बाल्टी तुरंत खाली (शून्य पर रिसेट) हो जाती है। यह एक फुल स्वैप की तरह है।
- यदि आप डायल को 0 पर रखते हैं, तो पाइप बंद रहता है। कुछ भी नहीं हिलता। मेमोरी बिल्कुल वैसी ही रहती है जैसी वह थी।
- स्वीट स्पॉट (0 < $\gamma$ < 1): लेखकों ने पाया कि यदि आप डायल को बीच में कहीं सेट करते हैं, तो पाइप केवल कुछ पानी को गुजरने देता है। यह रीडआउट बाल्टी में थोड़ी सी सूचना भेजता है (ताकि हम इसे माप सकें) लेकिन मेमोरी बाल्टी में थोड़ी सी "क्वांटम फजीनेस" (सुपरपोजिशन) छोड़ देता है।

यह "आंशिक रिसाव" (partial leak) ही कुंजी है। यह एक नियंत्रित फिल्टर की तरह कार्य करता है जो कंप्यूटर को हाल के अतीत को याद रखने में मदद करता है जबकि दूर के अतीत को धीरे-धीरे भुला देता है, ठीक वैसे ही जैसे मानव स्मृति काम करती है।

3. उन्होंने इसका परीक्षण कैसे किया

टीम ने इस नए "डायल" का परीक्षण दो अलग-अलग चुनौतियों पर किया:

"इको" टेस्ट (लघु-कालिक स्मृति - Short-Term Memory): उन्होंने कंप्यूटर को संख्याओं की एक रैंडम स्ट्रीम दी और उससे पूछा कि 1, 2, या 10 स्टेप्स पहले कौन सी संख्या थी।
- परिणाम: उन्होंने पाया कि डायल के लिए एक "गोल्डिलॉक्स" (Goldilocks) सेटिंग है (यानी एकदम सही सेटिंग)। यदि डायल बहुत अधिक खुला या बहुत अधिक बंद है, तो कंप्यूटर विफल हो जाता है। लेकिन सही सेटिंग पर, यह पूरी तरह से याद रखता है। उन्होंने यह भी पाया कि अधिक "बाल्टियाँ" (qubits) जोड़ने से मेमोरी और भी मजबूत हो जाती है।
"कॉम्प्लेक्स पैटर्न" टेस्ट (NARMA-5): यह एक कठिन परीक्षण था जहाँ कंप्यूटर को पिछले डेटा के आधार पर एक जटिल, लहरदार रेखा (wiggly line) की भविष्यवाणी करनी थी।
- परिणाम: "डायल" वाले कंप्यूटर ने बहुत अच्छा काम किया। इसने पैटर्न को सफलतापूर्वक सीख लिया। उन्होंने इसे एक वास्तविक, शोर वाले (noisy) क्वांटम कंप्यूटर (एक IBM मशीन) पर भी चलाया और यह अभी भी काम कर गया, जिससे साबित होता है कि "लीकी" तंत्र कंप्यूटर को उस शोर और त्रुटियों को अनदेखा करने में मदद करता है जो आमतौर पर क्वांटम मशीनों को परेशान करते हैं।

4. यह क्यों महत्वपूर्ण है

इस पेपर से पहले, क्वांटम मेमोरी बनाना बिना रेसिपी के केक बनाने जैसा था—आपको सामग्री का अंदाज़ा लगाना पड़ता था और उम्मीद करनी पड़ती थी कि स्वाद सही आए।

यह पेपर हमें रेसिपी और मापने वाले कप देता है। एक सिंगल "डायल" (ट्यूनेबल पार्शियल-स्वैप) पेश करके, लेखकों ने क्वांटम मेमोरी को बनाया है:

नियंत्रणीय (Controllable): अब हम शास्त्रीय कंप्यूटरों की तरह अपनी मेमोरी क्षमता को ट्यून कर सकते हैं।
समझने योग्य (Understandable): हम जानते हैं कि यह क्यों काम करता है (यह सूचना का एक नियंत्रित "लीक" है)।
व्यावहारिक (Practical): यह आज के अपूर्ण, शोर वाले क्वांटम हार्डवेयर पर भी काम करता है।

संक्षेप में, उन्होंने एक रहस्यमय क्वांटम ट्रिक को एक विश्वसनीय, समायोज्य उपकरण में बदल दिया है जो हमें उन क्वांटम कंप्यूटरों की ओर एक कदम करीब लाता है जो वास्तव में अतीत को याद रख सकते हैं और उससे सीख सकते हैं।

तकनीकी सारांश: ट्यूनेबल पार्टियल-SWAP के साथ क्वांटम रिज़र्वोइर नेटवर्क में नियंत्रणीय क्वांटम मेमोरी क्षमता

समस्या विवरण
क्वांटम रिज़र्वोइर कंप्यूटिंग (QRC) नॉयज़ी इंटरमीडिएट-स्केल क्वांटम (NISQ) हार्डवेयर पर निकट-अवधि क्वांटम मशीन लर्निंग के लिए एक आशाजनक ढांचा प्रदान करती है। हालाँकि, मौजूदा आर्किटेक्चर अपनी मेमोरी तंत्रों की नियंत्रणीयता और समझ के संबंध में महत्वपूर्ण चुनौतियों का सामना करते हैं। दो प्राथमिक प्रतिस्पर्धी आर्किटेक्चर फीडबैक-आधारित मॉडल और रिकरेंट मॉडल हैं। फीडबैक-आधारित मॉडल शास्त्रीय मापों को क्वांटम अवस्था में पुनः एनकोड करते हैं, लेकिन यह प्रक्रिया क्वांटम अवस्था को ढहा देती है, जिससे सुपरपोजिशन और एंटैंगलमेंट नष्ट हो जाता है, और सर्किट की गहराई (depth) बढ़ जाती है। इसके विपरीत, रिकरेंट मॉडल एक आंशिक माप-और-रीसेट (measure-and-reset) तंत्र के साथ अलग मेमोरी और रीडआउट रजिस्टरों का उपयोग करते हैं। जबकि इन रिकरेंट मॉडलों ने हार्डवेयर पर अत्याधुनिक प्रदर्शन प्रदर्शित किया है, उनके अंतर्निहित मेमोरी जनरेशन तंत्र को पूरी तरह से समझा नहीं गया है। विशेष रूप से, कोई एकल पैरामीटर मेमोरी क्षमता को नियंत्रित नहीं करता है; सिस्टम रैंडम वेट इनिशियलाइजेशन (weight initialization) पर निर्भर करता है, जिससे मेमोरी डिसिपेशन दर अप्रत्याशित और विशिष्ट कार्यों के लिए ट्यून करना कठिन हो जाता है।

कार्यप्रणाली (Methodology)
लेखक एक हार्डवेयर-रियलाइजेबल तंत्र पेश करके रिकरेंट QRC आर्किटेक्चर में एक प्रगति का प्रस्ताव करते हैं जिसे ट्यूनेबल पार्टियल-SWAP कहा जाता है। यह दृष्टिकोण एम्प्लीट्यूड डैम्पिंग सर्किट को एक पैरामीटराइज्ड सब-सर्किट में सामान्यीकृत करता है जो माप से ठीक पहले रीडआउट और मेमोरी रजिस्टरों को आंशिक रूप से स्वैप (swap) करता है।

प्रस्तावित पार्टियल-SWAP क्वांटम रिज़र्वोइर नेटवर्क (QRN) में तीन प्राथमिक परतें शामिल हैं:

एम्बेडिंग लेयर (Embedding Layer): क्लासिकल टाइम-सीरीज डेटा को रोटेशन एंगल्स में मैप किया जाता है और मेमोरी क्वबिट्स पर एनकोड किया जाता है। नॉन-लिनियरिटी पेश करने के लिए एंटैंगलिंग गेट्स (CRZ) और सिंगल-क्विबिट रोटेशन के माध्यम से एक डेटा री-अपलोडिंग स्कीम का उपयोग किया जाता है।
मेमोरी एक्सचेंज लेयर (Memory Exchange Layer): यह मुख्य नवाचार है। एक सब-सर्किट एक हाइपरपैरामीटर $\gamma \in (0, 1]$ $γ \in (0, 1]$ द्वारा नियंत्रित, आसन्न (adjacent) मेमोरी और रीडआउट क्वबिट्स के बीच एक पार्टियल-SWAP ऑपरेशन करता है।
- जब $\gamma = 1$ होता है, तो ऑपरेशन एक कैनोनिकल SWAP होता है, जो सूचना को पूरी तरह से स्थानांतरित करता है और मेमोरी क्वबिट को $|0\rangle$ पर रीसेट करता है।
- जब $0 < \gamma < 1$ होता है, तो यह एक नियंत्रित एम्प्लीट्यूड-डैम्पिंग चैनल के रूप में कार्य करता है। यह रीडआउट रजिस्टर को आंशिक सूचना स्थानांतरित करता है जबकि मेमोरी क्वबिट पर अवशिष्ट सुपरपोजिशन (residual superposition) छोड़ देता है।
- इसके बाद रीडआउट क्वबिट को मापा जाता है और $|0\rangle$ पर रीसेट किया जाता है।
मेजर एंड रीसेट लेयर (Measure & Reset Layer): फीचर वेक्टर (बिटस्ट्रिंग्स का अनुभवजन्य वितरण) उत्पन्न करने के लिए रीडआउट रजिस्टर को Pauli-Z बेसिस में मापा जाता है, और अगले टाइम स्टेप के लिए रजिस्टर को रीसेट किया जाता है।

सैद्धांतिक रूप से, यह तंत्र एक नियंत्रित एम्प्लीट्यूड-डैम्पिंग चैनल बनाता है जो समय के साथ मेमोरी रजिस्टर को शुद्ध (purify) करता है। पैरामीटर $\gamma$ , क्लासिकल इको स्टेट नेटवर्क्स (ESNs) में "लीक रेट" के समान कार्य करता है, जो मेमोरी डिसिपेशन की दर पर सीधा नियंत्रण प्रदान करता है।

मुख्य योगदान

नियंत्रणीय मेमोरी क्षमता: यह पेपर एक एकल ट्यूनेबल हाइपरपैरामीटर ( $\gamma$ ) पेश करता है जो सीधे QRN की मेमोरी क्षमता और डिसिपेशन दर को नियंत्रित करता है, जो पिछले रिकरेंट मॉडलों में नियंत्रणीयता की कमी को दूर करता है।
सैद्धांतिक एकीकरण: लेखक इन सर्किट्स में फेडिंग मेमोरी के अंतर्निहित तंत्र को एक नियंत्रित एम्प्लीट्यूड-डैम्पिंग चैनल के रूप में पहचानते हैं, जो क्लासिकल लीकी इंटीग्रेशन का एक स्पष्ट क्वांटम एनालॉग प्रदान करता है।
हार्डवेयर रियलाइजेबिलिटी: पार्टियल-SWAP तंत्र को गेट-बेस्ड QPUs पर लागू करने योग्य बनाया गया है और इसमें एक "प्यूरीफाइंग" प्रभाव शामिल है जो दीर्घकालिक रिकरेंट निष्पादन के लिए त्रुटि-निवारण (error-mitigation) विधि के रूप में कार्य कर सकता है।

परिणाम
लेखकों ने नोइज़लेस Aer सिम्युलेटर और ibm_boston QPU पर प्रयोगों के माध्यम से अपने दृष्टिकोण को मान्य किया।

शॉर्ट-टर्म मेमोरी कैपेसिटी (STMC): एक रैंडमाइज्ड रिकॉल बेंचमार्क का उपयोग करते हुए, अध्ययन ने दिखाया कि मेमोरी प्रदर्शन $\gamma$ पर अत्यधिक निर्भर है। इष्टतम प्रदर्शन लगातार $0 < \gamma < 1$ की सीमा में पाया गया। 0 के करीब (identity) या 1 के करीब (full SWAP) मान खराब प्रदर्शन का परिणाम देते हैं, जो पुष्टि करता है कि सूचना प्रतिधारण (retention) और डिसिपेशन के बीच संतुलन आवश्यक है। प्रदर्शन आम तौर पर बढ़ते क्वबिट काउंट के साथ बेहतर होता है।
NARMA-5 टास्क: नेटवर्क का परीक्षण पांचवें क्रम के नॉनलीनियर ऑटोरेग्रेसिव मूविंग एवरेज (NARMA-5) कार्य पर किया गया। परिणामों ने दिखाया कि STMC कार्य के लिए इष्टतम $\gamma$ , NARMA-5 कार्य के लिए इष्टतम $\gamma$ से निकटता से मेल खाता है। इसके अलावा, डेटा री-अपलोडिंग ब्लॉक्स ( $n_{repeats}$ ) की संख्या बढ़ाने से इस नॉनलीनियर कार्य पर प्रदर्शन में सुधार हुआ, जो मेमोरी क्षमता के साथ-साथ नॉन-लिनियरिटी की आवश्यकता का सुझाव देता है।
क्लासिकल ESN के साथ तुलना: समकक्ष नोड काउंट वाले क्लासिकल इको स्टेट नेटवर्क के साथ तुलना करने पर, पार्टियल-SWAP QRN ने लगभग सभी परीक्षण किए गए मामलों में प्रदर्शन लाभ दिखाया, बावजूद इसके कि सिमुलेशन लागत के कारण यह एक एकल रैंडम सीड तक सीमित था।
हार्डवेयर निष्पादन: ibm_boston QPU पर, सिस्टम ने 1,000 टाइम स्टेप्स के ऊपर 203,133 गेट्स की सर्किट डेप्थ के साथ NARMA-5 प्रेडिक्शन टास्क को सफलतापूर्वक निष्पादित किया। हार्डवेयर परिणाम (RMSE = 0.0646) नोइज़लेस सिमुलेशन (RMSE = 0.0484) के काफी करीब था, जो यह दर्शाता है कि पार्टियल-SWAP तंत्र QRN को उच्च-शोर वाले वातावरण में भी नॉनलीनियर प्रोसेसिंग क्षमताओं को बनाए रखते हुए कार्य करने में सक्षम बनाता है।

महत्व और दावे
पेपर का दावा है कि ट्यूनेबल पार्टियल-SWAP क्वांटम सर्किटों में $O(N)$ एसिम्प्टोटिक क्वबिट आवश्यकताओं के साथ "फेडिंग मेमोरी" बनाने का एक प्रभावी तरीका प्रदान करता है। मेमोरी क्षमता को रैंडम वेट इनिशियलाइजेशन से अलग करके और एक सीधा कंट्रोल नॉब ( $\gamma$ ) प्रदान करके, लेखक तर्क देते हैं कि यह QRN एल्गोरिदम को उनके क्लासिकल समकक्षों की नियंत्रणीयता के करीब लाता है।

यह कार्य सुझाव देता है कि यह तंत्र अधिक मजबूत और व्याख्या योग्य क्वांटम रिज़र्वोइर नेटवर्क के निर्माण को सक्षम बनाता है। लेखक तर्क देते हैं कि जैसे-जैसे कम त्रुटि दर और बेहतर कनेक्टिविटी वाले QPUs उपलब्ध होंगे, यह दृष्टिकोण वास्तव में नियंत्रणीय क्वांटम रिकरेंट न्यूरल नेटवर्क्स (QRNNs) के विकास को सुगम बनाएगा। वर्तमान NIS_Q हार्डवेयर पर सफल प्रदर्शन समय-श्रृंखला भविष्यवाणी कार्यों के लिए दृष्टिकोण की व्यावहारिकता को प्रमाणित करता है, यहाँ तक कि महत्वपूर्ण शोर की उपस्थिति में भी।

1. समस्या: "लीकी" (Leaky) क्वांटम बाल्टी

2. समाधान: "ट्यूनेबल पार्शियल-स्वैप" (The "Tunable Partial-SWAP")

3. उन्होंने इसका परीक्षण कैसे किया

4. यह क्यों महत्वपूर्ण है

इसी तरह के और पेपर