⚛️ quantum physics

Physics-Informed Learning of Effective Error Processes from Limited Noisy Transmon Measurements for Robust QAOA Reliability

यह शोध पत्र एक भौतिकी-सूचित (physics-informed) पाइपलाइन प्रस्तुत करता है जो सीमित शोर वाले ट्रांसमोन मापों से संक्षिप्त प्रभावी त्रुटि मॉडल सीखता है, यह प्रदर्शित करते हुए कि ये अनुमानित मॉडल हार्डवेयर खामियों के कारण होने वाले लागत परिदृश्य (cost landscape) विरूपणों को प्रभावी ढंग से कम करके मैक्सकट (MaxCut) के लिए क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन एल्गोरिदम (QAOA) की विश्वसनीयता को महत्वपूर्ण रूप से बढ़ाते हैं।

मूल लेखक: Ebrahim Khaleghian, Özgür E. Müstecaplıoğlu

प्रकाशित 2026-06-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ebrahim Khaleghian, Özgür E. Müstecaplıoğlu

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 आदर्श केक बनाने की कोशिश कर रहे हैं, लेकिन आपका ओवन खराब है। यह असमान रूप से गर्म होता है, इसका तापमान गेज अटका हुआ है, और कभी-कभी यह नीचे के हिस्से को जला देता है जबकि ऊपर का हिस्सा कच्चा छोड़ देता है। आप यह नहीं जानते कि ओवन वास्तव में कैसे खराब है (आप इसके आंतरिक तारों या थर्मोस्टेट की विशिष्ट खराबी को नहीं देख सकते), लेकिन आप उन केक का स्वाद चख सकते हैं जो यह बनाता है।

यह शोध एक "स्मार्ट टेस्ट-टेस्टर" (स्वाद चखने वाला) बनाने के बारे में है जो यह सीखता है कि आपका खराब ओवन केक को कैसे बिगाड़ता है, ताकि आप फिर भी एक आदर्श परिणाम प्राप्त करने के लिए अपनी रेसिपी में सुधार कर सकें।

यहाँ इस शोध का एक उपमा (analogy) के माध्यम से विवरण दिया गया है:

समस्या: "ब्लैक बॉक्स" ओवन

क्वांटम कंप्यूटरों की दुनिया में (विशेष रूप से "ट्रांसमोन" नामक प्रकार के), ये मशीनें इन खराब ओवन की तरह होती हैं। उन्हें सटीक गणनाएं (जैसे एक आदर्श केक बनाना) करनी होती हैं, लेकिन वास्तव में, वे शोर (noisy) से भरी होती हैं।

शोर (The Noise): ओवन में "लीकेज" (ऊर्जा का निकलना), "ड्रिफ्ट्स" (तापमान का बदलना), और "ग्लिच" (बटन का अटक जाना) होते हैं।
सीमा (The Limitation): आमतौर पर, एक ओवन को ठीक करने के लिए, आपको इसे खोलकर हर तार और सेंसर को मापने की आवश्यकता होती है। लेकिन क्वांटम कंप्यूटिंग में, हम अक्सर इसके अंदर नहीं देख पाते हैं। हमें केवल कुछ त्वरित मापों (जिन्हें "फाइनाइट-शॉट मेजरमेंट्स" कहा जाता है) के अंतिम परिणाम देखने को मिलते हैं। यह बिल्कुल वैसा ही है जैसे बिना ओवन को छुए, केवल केक के कुछ निवालों का स्वाद लेकर यह समझने की कोशिश करना कि ओवन कैसे काम करता है।

समाधान: "विकृति" (Distortion) को सीखना

शोधकर्ताओं ने एक ऐसा सिस्टम बनाया है जो एक जासूस की तरह काम करता है। सूक्ष्म टूटे हुए तारों को खोजने के बजाय, जासूस विकृति का एक मानचित्र (map of the distortion) सीखता है।

उपमा: कल्पना कीजिए कि ओवन हमेशा केक में एक विशिष्ट "खटास" जोड़ देता है। जासूस को यह जानने की ज़रूरत नहीं है कि ओकी वजह से ओवन खट्टा हुआ है; उसे बस यह सीखने की ज़रूरत है कि "यदि आप चॉकलेट केक बनाते हैं, तो वह उम्मीद से 10% अधिक खट्टा होगा।"
विधि: उन्होंने एक कंप्यूटर प्रोग्राम (एक न्यूरल नेटवर्क और गणितीय मॉडल) का उपयोग किया जो सीमित, शोर वाले "स्वाद परीक्षणों" को देखता है और "खटास के मानचित्र" का अनुमान लगाता है। यह मानचित्र एक प्रभावी त्रुटि प्रक्रिया (effective error process) कहलाता है। यह एक सरल, संक्षिप्त विवरण है कि मशीन चीजों को कैसे बिगाड़ती है।

प्रयोग: दो स्तर की कठिनाई

शोधकर्ताओं ने इस विचार का परीक्षण दो चरणों में किया, जो एक प्रशिक्षण पाठ्यक्रम की तरह है:

1. टू-क्यूबिट टेस्ट (छोटा ओवन)

सेटअप: उन्होंने जासूस को एक 24-भाग वाली पहेली (पूर्ण त्रुटि मानचित्र) को समझने के लिए केवल 12 सुराग (माप) दिए। यह केवल दो व्यंजन चखकर किसी रेस्टोरेंट के पूरे मेनू का अनुमान लगाने जैसा है।
परिणाम: जासूस (न्यूरल नेटवर्क का उपयोग करके) इसमें आश्चर्यजनक रूप से अच्छा था। उसने छिपी हुई विकृति को इतनी अच्छी तरह से समझा कि जब उन्होंने इस ज्ञान का उपयोग "क्वांटम एप्रोक्सिमेट ऑप्टिमाइजेशन एल्गोरिदम" (QAOA)—जो गणितीय समस्याओं को हल करने के लिए एक जटिल रेसिपी की तरह है—को ठीक करने के लिए किया, तो परिणाम 20 गुना अधिक विश्वसनीय हो गए।

2. थ्री-क्यूबिट टेस्ट (बड़ी रसोई)

सेटअप: उन्होंने तीसरा "ओवन" (क्यूबिट) जोड़ा और समस्या को अधिक वास्तविक बनाया। अब, ओवन केवल व्यक्तिगत रूप से गड़बड़ी नहीं करते; वे एक-दूसरे को भी प्रभावित करने लगते (सह-संबंधित त्रुटियां/correlated errors)। यह ऐसा है जैसे यदि एक ओवन बहुत गर्म हो जाता है, तो वह पड़ोसी ओवन को बहुत ठंडा कर देता है।
ट्विस्ट: इस बड़े परिदृश्य में, रिज रिग्रेशन (Ridge Regression) नामक एक सरल गणितीय उपकरण (एक प्रकार का रैखिक समीकरण) वास्तव में फैंसी न्यूरल नेटवर्क से बेहतर काम कर गया।
पेयर प्रोब्स (Pair Probes): "पड़ोसी वाली" त्रुटियों को पकड़ने के लिए, उन्होंने विशेष "पेयर प्रोब्स" जोड़े—यानी दो केक को एक साथ चखना ताकि यह देखा जा सके कि वे कैसे परस्पर क्रिया करते हैं। इसने साझा त्रुटियों को पहचानने में बहुत मदद की, हालांकि उन विशिष्ट साझा त्रुटियों को ठीक करके अंतिम रेसिपी में सुधार करना अभी भी थोड़ा कठिन था।

प्रतिफल (The Payoff): रेसिपी को ठीक करना

अंतिम लक्ष्य केवल खराब ओवन का वर्णन करना नहीं था; बल्कि आउटपुट को ठीक करना था।

एक बार जब सिस्टम ने "विकृति मानचित्र" सीख लिया, तो वह भविष्यवाणी कर सकता था कि शोर वाली मशीन गणना को ठीक कैसे बिगाड़ेगी।
इसके बाद, उसने अंतिम उत्तर से उस अनुमानित खराबी को घटा दिया।
परिणाम: "शोर युक्त" क्वांटम कंप्यूटर ऐसे उत्तर देने लगा जो "आदर्श, सटीक" उत्तर के बहुत करीब थे। सर्वोत्तम मामलों में, एल्गोरिदम की विश्वसनीयता में 13 से 20 गुना का सुधार हुआ।

मुख्य निष्कर्ष (The Bottom Line)

यह पेपर सिद्ध करता है कि आपको एक खराब क्वांटम मशीन के आउटपुट को ठीक करने के लिए उसके सूक्ष्म भौतिकी को पूरी तरह से समझने की आवश्यकता नहीं है। आपको बस उसके गलतियों का एक संक्षिप्त, व्यावहारिक मानचित्र सीखने की आवश्यकता है।

सरल निष्कर्ष: यदि आप खराब मशीन को ठीक नहीं कर सकते, तो यह सीखें कि वह चीजों को ठीक कैसे बिगाड़ती है, और फिर गणितीय रूप से परिणामों को "ठीक" (un-break) करें।
मुख्य खोज: कभी-कभी एक सरल गणितीय मॉडल सबसे अच्छा काम करता है, लेकिन जब डेटा बहुत कम हो तो एक स्मार्ट AI की आवश्यकता होती है।
भविष्य का कदम: शोधकर्ता सुझाव देते हैं कि भविष्य में, कंप्यूटर विशिष्ट नए परीक्षणों के लिए पूछ सकता है (जैसे, "केक को फिर से चखें, लेकिन इस बार अधिक चीनी के साथ") ताकि वह त्रुटियों को और भी तेज़ी से सीख सके, जिससे सीखने और ठीक करने का एक निरंतर चक्र (closed loop) बन सके।

नोट: यह पेपर पूरी तरह से इस "त्रुटि सीखने" की प्रक्रिया और एक विशिष्ट गणितीय समस्या (MaxCut) पर इसके परीक्षण पर केंद्रित है। यह दावा नहीं करता है कि यह बीमारियों का इलाज करता है, शेयर बाजार की भविष्यवाणी करता है, या अन्य वास्तविक दुनिया की समस्याओं को हल करता है; यह पूरी तरह से क्वांटम कंप्यूटर को स्वयं अधिक विश्वसनीय बनाने के बारे में है।

तकनीकी सारांश: सुदृढ़ QAOA के लिए प्रभावी त्रुटि प्रक्रियाओं का भौतिकी-सूचित शिक्षण (Physics-Informed Learning)

समस्या विवरण
नॉयजी इंटरमीडिएट-स्केल क्वांटम (NISQ) उपकरण, विशेष रूप से सुपरकंडक्टिंग ट्रांसमोन (superconducting transmons), आदर्श गेटों के बजाय अपूर्ण भौतिक गतिकी (physical dynamics) के माध्यम से एल्गोरिदम निष्पादित करते हैं। ये खामियां कमजोर एनहारमोनिसिटी (anharmonicity), कोहेरेंट डिट्यूनिंग (coherent detuning), अवशिष्ट अंतःक्रियाओं (residual interactions), विसर्जन (dissipation), डीफेजिंग (dephasing), गैर-कंप्यूटेशनल स्तरों में लीकेज (leakage), और रीडआउट त्रुटियों से उत्पन्न होती हैं। जबकि क्वांटम एरर मिटिगेशन (QEM) का लक्ष्य पूर्ण फॉल्ट टॉलरेंस के बिना एक्सपेक्टेशन वैल्यू (expectation values) में पूर्वाग्रह (bias) को कम करना है, कई मौजूदा दृष्टिकोण अतिरिक्त सर्किट निष्पादन, शोर-स्केलिंग धारणाओं, या भौतिक रूप से संरचित डिवाइस मॉडल से कटे हुए प्रशिक्षण डेटा पर निर्भर करते हैं।

यह कार्य एक परिचालन प्रश्न को संबोधित करता है: क्या एक छिपे हुए ट्रांसमोन-जैसे उपकरण से सीमित, परिमित-शॉट (finite-shot) मापों का उपयोग करके प्रभावी त्रुटि प्रक्रियाओं (effective error processes) को सीखा जा सकता है जो लक्षित एल्गोरिदम की विश्वसनीयता में सुधार कर सके? लक्षित एल्गोरिदम मैक्सकट (MaxCut) समस्या के लिए क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन एल्गोरिदम (QAOA) है। महत्वपूर्ण रूप से, लर्निंग मॉडल के पास सूक्ष्म हैमिल्टोनियन पैरामीटर (microscopic Hamiltonian parameters) तक पहुंच नहीं है; इसे केवल स्थानीय और युग्मवार (pairwise) माप विशेषताओं (measurement features) को प्राप्त होता है। लक्ष्य सूक्ष्म हार्डवेयर मापदंडों को पुनः प्राप्त करना नहीं है, बल्कि प्रभावी त्रुटि प्रक्रिया का एक संक्षिप्त, परिचालन प्रतिनिधित्व सीखना है।

कार्यप्रणाली (Methodology)
लेखक एक भौतिकी-सूचित पाइपलाइन का प्रस्ताव करते हैं जिसमें तीन मुख्य चरण शामिल हैं:

छिपी हुई भौतिक सिमुलेशन (Hidden Physical Simulation):
- भौतिक परत को एक क्यूट्रिट ट्रांसमोन सिम्युलेटर (स्तर $|0\rangle, |1\rangle, |2\rangle$ ) के रूप में मॉडल किया गया है ताकि लीकेज को स्पष्ट रूप से शामिल किया जा सके, जिसे एक मानक टू-लेवल क्वबिट मॉडल छोड़ सकता है।
- गतिकी (Dynamics) एक समय-निर्भर हैमिल्टोनियन द्वारा शासित होती है जिसमें ड्रिफ्ट (डिट्यूनिंग, एनहारमोनिसिटी, एक्सचेंज कपलिंग, अवशिष्ट ZZ) और कंट्रोल ड्राइव्स (एम्प्लीट्यूड/फेज त्रुटियों के साथ माइक्रोवेव क्वाड्रचर) शामिल हैं।
- ओपन-सिस्टम शोर को लिंडब्लाड मास्टर इक्वेशन (Lindblad master equation) के माध्यम से मॉडल किया गया है जिसमें ऊर्जा विश्रांति ( $T_1$ ), शुद्ध डीफेजिंग ( $T_\phi$ ), और सहसंबद्ध (correlated) डीफेजिंग शामिल है।
- सिमुलेशन में रीडआउट असाइनमेंट त्रुटियां और परिमित-शॉट सैंपलिंग शोर शामिल है।
मापन प्रोटोकॉल (Measurement Protocols):
- लोकल टोमोग्राफी (Local Tomography): शिक्षार्थी प्रत्येक क्वबिट के लिए छह इनपुट अवस्थाओं के लिए पॉली एक्सपेक्टेशन वैल्यूज़ ( $X, Y, Z$ ) के परिमित-शॉट अनुमानों को देखता है। दो-क्वबिट प्रूफ ऑफ कॉन्सेप्ट में, 36 स्थानीय विशेषताओं में से केवल 12 प्रदान की जाती हैं (अनिर्धारित/underdetermined)। तीन-क्वबिट विस्तार में, आंशिक मास्क के साथ $K \in \{6, 12, \dots, 54\}$ सेटिंग्स का उपयोग किया जाता है।
- पेयर प्रोब्स (Pair Probes): स्थानीय टोमोग्राफी में अदृश्य सहसंबद्ध त्रुटियों को पकड़ने के लिए, प्रोटोकॉल में किनारों $(1,2)$ और $(2,3)$ के लिए दो-क्वबिट पॉली उत्पादों $\langle \sigma^a_i \sigma^b_j \rangle$ के मापन शामिल हैं।
प्रभावी त्रुटि प्रतिनिधित्व और शिक्षण (Effective Error Representations & Learning):
- लोकल चैनल्स (Local Channels): त्रुटियों को स्थानीय एफाइन ब्लॉच चैनल्स ( $r_{out} = A r_{in} + b$ ) के रूप में दर्शाया गया है। एक एकल क्वबिट चैनल में 12 पैरामीटर होते हैं (मैट्रिक्स $A$ के लिए 9, वेक्टर $b$ के लिए 3)।
- पेयरवाइज रेसिडुअल्स (Pairwise Residuals): सहसंबद्ध त्रुटियों को रेसिडुअल्स $\delta_{ij}^{ab} = \langle \sigma^a_i \sigma^b_j \rangle_{true} - \langle \sigma^a_i \rangle_{local}\langle \sigma^b_j \rangle_{local}$ के रूप में पकड़ा जाता है।
- लर्निंग मॉडल (Learning Models): अध्ययन कई मॉडलों की तुलना करता है:
  - डायरेक्ट रिकंस्ट्रक्शन (Direct Reconstruction): मापे गए प्रविष्टियों का सीधे उपयोग करता है (आंशिक डेटा के तहत विफल होता है)।
  - मीन बेसलाइन (Mean Baseline): औसत चैनल मापदंडों की भविष्यवाणी करता है।
  - रिज रिग्रेशन (Ridge Regression): एक रेगुलराइज्ड लीनियर मॉडल।
  - रैंडम फॉरेस्ट (Random Forest): एक नॉन-न्यूरल नॉनलीन बेसलाइन।
  - चैनलनेट (ChannelNet): एक मल्टीलेयर न्यूरल नेटवर्क जो सीमित डेटा से नॉनलीन संरचना सीखने के लिए डिज़ाइन किया गया है।
  - पेयर-प्रोब-अवेयर मॉडल (Pair-Probe-Aware Model): स्थानीय चैनल्स और एज रेसिडुअल्स दोनों की भविष्यवाणी करने के लिए विस्तार करता है।
- मिटिगेशन रणनीति (Mitigation Strategy): सीखा गया मॉडल QAOA कॉस्ट लैंडस्केप में बायस $\hat{b}_C$ की भविष्यवाणी करता है। इस बायस को शोर वाले ऑब्जर्व्ड लैंडस्केप से घटाकर एक सुधारा गया लैंडस्केप ( $C_{mit} = C_{noisy} - \hat{b}_C$ ) बनाया जाता है।

मुख्य परिणाम (Key Results)

दो-क्वबिट प्रूफ ऑफ कॉन्सेप्ट:
- एक अनिर्धारित सेटिंग (24-पैरामीटर लक्ष्य के लिए 12 इनपुट) में, ChannelNet ने डायरेक्ट रिकंस्ट्रक्शन को काफी पीछे छोड़ दिया।
- ChannelNet ने चैनल मीन स्क्वेर्ड एरर (MSE) को $7.688 \times 10^{-2}$ से घटाकर $2.714 \times 10^{-3}$ कर दिया।
- परिचालन रूप से, इसने QAOA लैंडस्केप विश्वसनीयता (MAE में कमी) में 20.41× का सुधार किया (0.22611 से 0.01108), जबकि डायरेक्ट पार्शियल टोमोग्राफी ने केवल 2.68× का सुधार प्राप्त किया।
तीन-क्वबिट लोकल लर्निंग:
- जैसे-जैसे सिस्टम स्केल हुआ और अधिक डेटा उपलब्ध हुआ ( $K=18$ और $K=54$ ), Ridge regression सबसे मजबूत एस्टिमेटर के रूप में उभरा, जो यह सुझाव देता है कि स्थानीय टोमोग्राफी मास्क से एफाइन चैनल मापदंडों का मैपिंग एक रेगुलराइज्ड लीनियर इनवर्स प्रॉब्लम के करीब है।
- $K=18$ पर, Ridge ने QAOA MAE को 0.1775 से 0.0269 (6.60× सुधार) तक कम कर दिया।
- $K=54$ पर, Ridge ने 13.22× सुधार अनुपात प्राप्त किया।
- ChannelNet प्रतिस्पर्धी बना रहा लेकिन उच्च-डेटा शासन (higher-data regime) में लीनियर बेसलाइन पर हावी नहीं हुआ।
पेयर प्रोब्स और सहसंबद्ध त्रुटियां:
- पेयर प्रोब्स ने सहसंबद्ध त्रुटियों की पहचान क्षमता (identifiability) में काफी सुधार किया। पेयर प्रोब्स को 0 से 18 तक बढ़ाने से पेयर-रेसिड्यूल L2 एरर ~1.731 से घटकर ~1.122 हो गया।
- हालांकि, डाउनस्ट्रीम QAOA विश्वसनीयता में सुधार मामूली था (सुधार अनुपात 2.69× से 2.85× तक बढ़ा)। लेखक नोट करते हैं कि वर्तमान बायस-करेक्शन नियम पेयर रेसिडुअल्स की बेहतर पहचान को बड़े QAOA लाभों में पूरी तरह से परिवर्तित नहीं करता है, जो संभवतः अनुमानित रेसिडुअल्स में शोर के कारण है।

महत्व और दावे (Significance and Claims)
यह पेपर दावा करता है कि यह एक भौतिकी-सूचित पाइपलाइन (physics-informed pipeline) का प्रदर्शन करता है जो सूक्ष्म हार्डवेयर ज्ञान की आवश्यकता के बिना सीमित, शोर वाले मापों से प्रभावी त्रुटि प्रक्रियाओं को सीखता है। इसके प्राथमिक योगदान हैं:

परिचालन सत्यापन (Operational Validation): यह प्रमाणित करता है कि एक न्यूरल मॉडल अत्यधिक अपूर्ण डेटा से पूर्ण प्रभावी चैनल्स का अनुमान लगाने के लिए एक "लर्नड फिजिकल प्रायर" (learned physical prior) के रूप में कार्य कर सकता है, जो लो-डेटा शासन में QAOA विश्वसनीयता को काफी बढ़ाता है।
स्केलेबिलिटी और लिनियरिटी (Scalability and Linearity): स्केल्ड सेटिंग्स में, यह प्रकट करता है कि संरचित लर्निंग विधियां (रेगुलराइज्ड लीनियर मॉडल सहित) अत्यधिक प्रभावी हैं, जो इस धारणा को चुनौती देती हैं कि जटिल न्यूरल नेटवर्क हमेशा त्रुटि सीखने के लिए आवश्यक होते हैं।
हार्डवेयर-अवेयर प्रोब्स (Hardware-Aware Probes): यह स्थापित करता है कि जबकि स्थानीय टोमोग्राफी सहसंबद्ध त्रुटियों के लिए अपर्याप्त है, लक्षित पेयर प्रोब्स इन त्रुटियों की पहचान कर सकते हैं, हालांकि एल्गोरिथमिक मिटिगेशन के लिए उनकी उपयोगिता के लिए और अंशांकन (calibration) की आवश्यकता है।
हार्डवेयर-अवेयर रूट (Hardware-Aware Route): यह कार्य इस दृष्टिकोण का समर्थन करता है कि हार्डवेयर-इन्फॉर्म्ड सिमुलेशन, संक्षिप्त प्रभावी प्रतिनिधित्व और एल्गोरिदम-स्तरीय मेट्रिक्स (जैसे QAOA लैंडस्केप फिडेलिटी) को जोड़ना अधिक विश्वसनीय वेरिएशनल क्वांटम एल्गोरिदम के लिए एक व्यवहार्य मार्ग है।

लेखक निष्कर्ष निकालते हैं कि स्केलेबल क्वांटम एरर लर्निंग को इन तत्वों को जोड़ना चाहिए, लेकिन वे वर्तमान सीमाओं के प्रति विनम्र रहते हैं, विशेष रूप से यह नोट करते हुए कि सहसंबद्ध-त्रुटि पहचान (correlated-error identifiability) को एल्गोरिथमिक लाभों में बदलने के लिए भविष्य के कैलिब्रेटेड या QAOA-अवेयर करेक्शन नियमों की आवश्यकता है।

समस्या: "ब्लैक बॉक्स" ओवन

समाधान: "विकृति" (Distortion) को सीखना

प्रयोग: दो स्तर की कठिनाई

प्रतिफल (The Payoff): रेसिपी को ठीक करना

मुख्य निष्कर्ष (The Bottom Line)

इसी तरह के और पेपर