Logical error estimation from syndrome data of surface-code experiments
यह शोध पत्र यह प्रदर्शित करता है कि स्वतंत्र डिवाइस बेंचमार्किंग या सुपरवाइज्ड फिटिंग के बिना, सीधे प्रयोगात्मक सिंड्रोम डेटा से डिटेक्टर एरर मॉडल संभावनाओं का अनुमान लगाना, गूगल के विलो (Willow) और आईबीएम के मियामी (Miami) प्रोसेसरों पर सरफेस-कोड प्रयोगों में लॉजिकल एरर अनुमान और कमी में सुधार करता 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
कल्पना कीजिए कि आप एक बहुत ही जटिल, नाजुक मशीन (एक क्वांटम कंप्यूटर) को ठीक करने की कोशिश कर रहे हैं जो गलतियाँ करने के प्रति संवेदनशील है। इसे चालू रखने के लिए, आप "जासूसों" (डिकोडर) की एक टीम रखते हैं जो लगातार सुरागों (सिंड्रोम) की जाँच करते हैं ताकि यह पता लगाया जा सके कि गलतियाँ कहाँ हो रही हैं ताकि उन्हें ठीक किया जा सके।
समस्या यह है: आप जासूसों को यह कैसे बताएंगे कि उन्हें किस तरह की गलतियों की उम्मीद करनी चाहिए?
पुराना तरीका: नियमों का अनुमान लगाना
पारंपरिक रूप से, जासूसों को सिखाने के लिए, वैज्ञानिकों को मशीन को रोकना पड़ता था, विशिष्ट परीक्षणों (कैलिब्रेशन सर्किट) का एक बड़ा सेट चलाना पड़ता था, और हर एक हिस्से को मापकर "यह मशीन आमतौर पर कैसे टूटती है" का एक मैनुअल बनाना पड़ता था। यह ऐसा है जैसे किसी कार के इंजन को खोलने और हर बोल्ट को मापने के बाद यह सीखने की कोशिश करना कि कार कैसे काम करती है। यह धीमा, महंगा है, और जब तक आप इसे पूरा करते हैं, तब तक कार थोड़ी बदल भी सकती है।
नया तरीका: सुरागों से सीखना
यह शोध पत्र एक स्मार्ट और तेज़ तरीके से परिचय कराता है। मशीन को अतिरिक्त परीक्षण चलाने के लिए रोकने के बजाय, लेखक जासूसों को सीधे उन सुरागों से सीखने के लिए सिखाते हैं जो वे मशीन के चलते समय पहले से ही एकत्र कर रहे हैं।
इसे एक जासूस द्वारा अपराध सुलझाने की तरह समझें। हर संदिग्ध की फोरेंसिक रिपोर्ट का इंतज़ार करने के बजाय, जासूस पैरों के निशान, टूटे हुए कांच और गायब सामान के पैटर्न को देखते हैं जैसे-जैसे वे होते हैं ताकि यह पता लगाया जा सके कि अपराधी कौन है और वह कैसे काम करता है।
उन्होंने क्या किया
शोधकर्ताओं ने इस विचार का परीक्षण दो अलग-अलग "क्वांटम मशीनों" (गूगल का विलो चिप और आईबीएम का ibm मियामी प्रोसेसर) पर किया।
- सेटअप: उन्होंने मेमोरी प्रयोग चलाए जहाँ क्वांटम कंप्यूटर ने कुछ समय के लिए जानकारी को थामे रखने की कोशिश की।
- विधि: उन्होंने इन प्रयोगों के दौरान उत्पन्न कच्चे डेटा ( "सिंड्रोम" या सुराग) को लिया। उन्होंने किसी भी अतिरिक्त परीक्षण या पूर्व-निर्मित मैनुअल का उपयोग नहीं किया। उन्होंने बस यह पूछा: "अभी देखे गए सुरागों के आधार पर, वास्तव में इस विशिष्ट प्रकार की त्रुटि होने की क्या संभावना है?"
- तुलना: उन्होंने इस "ऑन द फ्लाई" (चलते समय सीखा गया) तरीके की तुलना दो अन्य तरीकों से की:
- "टेक्स्टबुक" तरीका: एक मॉडल जो सैद्धांतिक भौतिकी और मानक डिवाइस स्पेसिफिकेशन (SI1000) से बना है।
- "सुपर-ऑप्टिमाइज़र" तरीका: एक मॉडल जो सर्वोत्तम सेटिंग्स खोजने के लिए जटिल AI प्रशिक्षण (रीइन्फोर्समेंट लर्निंग) का उपयोग करके बनाया गया है।
परिणाम: एक स्पष्ट जीत
शोध पत्र का दावा है कि यह "सुरागों से सीखें" वाला तरीका आश्चर्यजनक रूप से अच्छा रहा:
- इसने टेक्स्टबुक को हराया: लगभग हर मामले में, सीखे हुए मॉडल का उपयोग करने वाले जासूसों ने मानक टेक्स्टबुक मॉडल की तुलना में कम गलतियाँ कीं। उन्होंने त्रुटि दर को लगभग 5% से 10% तक कम कर दिया।
- यह AI के बराबर रहा: गूगल के चिप पर, सरल "सुरागों से सीखें" विधि ने जटिल, AI-प्रशिक्षित मॉडल के समान प्रदर्शन किया।
- यह विभिन्न मशीनों पर काम कर गया: भले ही गूगल और आईबीएम के कंप्यूटर बहुत अलग तरह से बनाए गए हैं और उनमें अलग-अलग प्रकार का शोर (noise) है, यह तरीका बिना किसी री-ट्यूनिंग या री-कैलिब्रेशन के दोनों पर काम कर गया।
- कुछ मामलों में बड़ी बढ़त: आईबीएम की मशीन पर, जाँच के एक एकल दौर के लिए, इस नए तरीके ने बेसलाइन की तुलना में त्रुटियों को लगभग 38% तक कम कर दिया।
यह क्यों महत्वपूर्ण है (शोध पत्र के अनुसार)
लेखक इस बात पर जोर देते हैं कि यह तरीका शक्तिशाली है क्योंकि यह स्व-निहित (self-contained) है।
- कोई अतिरिक्त काम नहीं: आपको कैलिब्रेशन सर्किट चलाने के लिए प्रयोग को रोकने की आवश्यकता नहीं है।
- गहन भौतिकी की आवश्यकता नहीं: आपको हर तार और गेट के सूक्ष्म भौतिक विज्ञान को समझने की आवश्यकता नहीं है; आपको बस त्रुटियों के पैटर्न को समझने की आवश्यकता है।
- अनुकूलन योग्य: यह स्वचालित रूप से मशीन के उस क्षण के विशिष्ट "मिजाज" के अनुसार खुद को ढाल लेता है, जिससे वे विचित्रताएं भी पकड़ी जाती हैं जिन्हें मानक मॉडल छोड़ देते हैं।
निष्कर्ष
शोध पत्र यह प्रदर्शित करता है कि आप एक क्वांटम एरर-करेक्शन सिस्टम को स्मार्ट बनाने के लिए उसे बस अपनी गलतियों का वास्तविक समय (real-time) में विश्लेषण करने देकर सिखा सकते हैं। यह एक ऐसे जासूस की तरह है जो किसी मैनुअल को पढ़ने से नहीं, बल्कि अपने सामने मौजूद अपराध स्थल के विशिष्ट विवरणों पर ध्यान देकर अपराध सुलझाने में बेहतर होता है। यह महंगी, समय लेने वाली अतिरिक्त टेस्टिंग की आवश्यकता के बिना एक अधिक विश्वसनीय क्वांटम कंप्यूटर की ओर ले जाता 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।