Machine Learning-based Quantum Error Mitigation for Variational Algorithms
यह शोध पत्र एक व्यावहारिक मशीन लर्निंग-आधारित क्वांटम त्रुटि शमन (क्वांटम एरर मिटिगेशन) प्रोटोकॉल प्रस्तावित करता है जो सिम्युलेटेड (नियर-) क्लिफोर्ड सर्किट का उपयोग करके प्रशिक्षण डेटा उत्पन्न करता है, जिससे शोर वाले इंटरमीडिएट-स्केल क्वांटम उपकरणों पर वेरिएशनल क्वांटम एल्गोरिदम के लिए प्रभावी त्रुटि दमन और ज़ीरो-नॉइज़ एक्सट्रैपोलेशन की तुलना में बेहतर प्रदर्शन सक्षम होता है।
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: एक शोर वाले क्वांटम कंप्यूटर को ठीक करना
कल्पना कीजिए कि आपके पास एक बिल्कुल नया, अविश्वसनीय रूप से शक्तिशाली क्वांटम कंप्यूटर है। यह एक बहुत ही बुद्धिमान शेफ की तरह है जो जटिल व्यंजन (कठिन समस्याओं को हल करना) बना सकता है जिसे कोई सामान्य रसोई नहीं संभाल सकती। हालाँकि, एक पेंच है: रसोई अभी निर्माणाधीन है। लाइटें झपका रही हैं, चूल्हा रुक-रुक कर चल रहा है, और शेफ बार-बार सामग्री गिरा रहा है। वैज्ञानिक इसे NISQ (नोइज़ी इंटरमीडिएट-स्केल क्वांटम) डिवाइस कहते हैं।
इस "शोर" (noise) के कारण, शेफ का अंतिम व्यंजन (एक समस्या का उत्तर) अक्सर स्वाद में थोड़ा खराब हो जाता है। यह पेपर इस व्यंजन के स्वाद को ठीक करने का एक नया तरीका प्रस्तावित करता है, बिना रसोई को दोबारा बनाए या पूर्ण उपकरणों का इंतजार किए। वे इसे मशीन लर्निंग-आधारित क्वांटम एरर मिटिगेशन (ML-QEM) कहते हैं।
समस्या: आप एक कंप्यूटर को शोर (noise) को ठीक करना कैसे सिखाते हैं?
शोर वाले परिणाम को ठीक करने के लिए, आपको आमतौर पर यह जानने की आवश्यकता होती है कि "परफेक्ट" परिणाम कैसा दिखता है ताकि आप दोनों की तुलना कर सकें।
- पुराना तरीका: कुछ विधियाँ शोर को सीधे मापने की कोशिश करती हैं (जैसे बल्ब की हर एक झपकी का नक्शा बनाने की कोशिश करना)। यह कठिन और धीमा है।
- नया तरीका (यह पेपर): लेखक मशीन लर्निंग का उपयोग करते हैं। इसे एक "टेस्टर" AI को काम पर रखने के रूप में सोचें। आप AI को "खराब व्यंजनों" (शोर वाले परिणामों) और "परफेक्ट व्यंजनों" (आदर्श परिणामों) के हजारों उदाहरण खिलाते हैं। AI सीख जाता है कि शोर ने स्वाद को कैसे बिगाड़ा और वह एक "सुधार रेसिपी" (correction recipe) बनाता है।
पेंच: आप अभी वास्तविक क्वांटम कंप्यूटर से AI को परफेक्ट व्यंजन नहीं खिला सकते क्योंकि कंप्यूटर बहुत शोर वाला है। और आप बड़े कामों के लिए सामान्य कंप्यूटर पर परफेक्ट व्यंजन भी सिम्युलेट (simulate) नहीं कर सकते क्योंकि वे बहुत जटिल होते हैं।
समाधान: "क्लिफोर्ड" (Clifford) शॉर्टकट
लेखकों ने एक चतुर रास्ता निकाला। पूरी जटिल क्वांटम रेसिपी को सिम्युलेट करने के बजाय, उन्होंने क्लिफोर्ड सर्किट्स नामक एक विशेष प्रकार की गणितीय ट्रिक का उपयोग किया।
- उपमा (Analogy): कल्पना कीजिए कि आप एक छात्र को एक जटिल वेडिंग केक बनाना सिखाना चाहते हैं। पूरा केक बनाने के बजाय (जिसमें बहुत समय लगता है और विफल भी हो सकता है), आप साधारण, सपाट पैनकेक्स बनाते हैं जिनमें वही बुनियादी सामग्री और तकनीकें इस्तेमाल होती हैं।
- ट्रिक: ये "पैनकेक्स" (क्लिफोर्ड सर्किट्स) इतने सरल हैं कि एक सामान्य कंप्यूटर उन्हें पूरी तरह से सिम्युलेट कर सकता है। लेखकों ने अपने AI को प्रशिक्षित करने के लिए हजारों इन सरल, परफेक्ट "पैनकेक्स" और उनके शोर वाले संस्करणों को तैयार किया।
- जादू: भले ही प्रशिक्षण डेटा सरल था, AI ने शोर के सामान्य "नियमों" को सीख लिया। जब उन्होंने इसे जटिल "वेडिंग केक" (वास्तविक क्वांटम एल्गोरिदम जिसे वे हल करना चाहते थे) पर परखा, तो AI त्रुटियों को प्रभावी ढंग से ठीक करने में सक्षम था।
उन्होंने इसका परीक्षण कैसे किया
उन्होंने इस विधि का परीक्षण VQE (वेरिएशनल क्वांटम आइजनसॉल्वर) नामक एक विशिष्ट समस्या पर किया, जिसका उपयोग किसी अणु (molecule) की सबसे स्थिर अवस्था (lowest energy state) खोजने के लिए किया जाता है।
- सेटअप: उन्होंने 12 क्यूबिट्स (क्वांटम सूचना की बुनियादी इकाइयाँ) तक के क्वांटम कंप्यूटर का अनुकरण (simulate) किया और तीन अलग-अलग प्रकार के "शोर" (जैसे रेडियो पर स्टेटिक, रैंडम ग्लिच, या दोनों का मिश्रण) पेश किए।
- तुलना: उन्होंने अपनी नई AI विधि की तुलना ZNE (जीरो-नॉइज़ एक्सट्रैपोलेशन) नामक एक मानक विधि से की। ZNE ऐसा है जैसे आप 100% वॉल्यूम, 200% वॉल्यूम और 300% वॉल्यूम पर व्यंजन बनाकर यह अनुमान लगाने की कोशिश करते हैं कि 0% वॉल्यूम पर इसका स्वाद कैसा होगा।
परिणाम
- यह बहुत अच्छा काम करता है: AI विधि ने शोर वाले परिणामों को सफलतापूर्वक साफ किया, जिससे लगभग सभी परीक्षणों में त्रुटियों को कई गुना (कभी-कभी 8 गुना बेहतर) कम कर दिया गया।
- अधिक शोर में बेहतर: जब शोर बहुत अधिक था (रसोई वास्तव में अराजक थी), तो AI विधि मानक ZNE विधि की तुलना में बहुत बेहतर थी। जब शोर बहुत तेज हुआ तो ZNE संघर्ष करने लगा, लेकिन AI काम करता रहा।
- प्रशिक्षण डेटा मायने रखता है: उन्होंने पाया कि AI को थोड़े अधिक जटिल "नियर-क्लिफोर्ड" (near-Clifford) डेटा (थोड़े अतिरिक्त मसाले वाले पैनकेक्स) पर प्रशिक्षित करने से सुपर-सिंपल डेटा की तुलना में बेहतर परिणाम मिले।
- सुधार कब लागू करें: उन्होंने इस सुधार को उपयोग करने के दो तरीके परीक्षण किए:
- खाना पकाने के दौरान: शेफ अभी भी खाना पकाने का निर्णय ले रहा है तभी स्वाद को ठीक करना।
- खाना पकाने के बाद: व्यंजन को प्लेट में सजाने के बाद स्वाद को ठीक करना।
- निष्कर्ष: इससे कोई फर्क नहीं पड़ा कि वे इसे किस तरह से करते थे; अंतिम परिणाम समान था। हालांकि, "बाद में" ठीक करना तेज़ और आसान है, इसलिए यही अनुशंसित दृष्टिकोण है।
निचोड़ (The Bottom Line)
यह पेपर दिखाता है कि अच्छे परिणाम प्राप्त करने के लिए हमें त्रुटि-मुक्त क्वांटम कंप्यूटरों के पूर्ण होने का इंतजार करने की आवश्यकता नहीं है। सरल, सिम्युलेटेड उदाहरणों पर प्रशिक्षित एक स्मार्ट AI का उपयोग करके, हम आज के शोर वाले मशीनों के अव्यवस्थित परिणामों को "साफ" कर सकते हैं। यह एक सुपर-स्मार्ट संपादक होने जैसा है जो एक बिखरी हुई पांडुलिपि को ठीक कर सकता है, भले ही उसने मूल लेखक को कभी लिखते न देखा हो, बस हजारों अन्य ड्राफ्ट्स का अध्ययन करके।
मुख्य बात: यह विधि आज के क्वांटम कंप्यूटरों के लिए व्यावहारिक है और जब मशीनें बहुत शोर वाली होती हैं, तो यह वर्तमान मानक विधियों से बेहतर काम करती है।
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।