⚛️ quantum physics

An iterative Ising decoder for quantum error correction codes

यह शोध पत्र इटरेटिव लो-ऑर्डर डिकोडिंग (ILOD) एल्गोरिदम का प्रस्ताव करता है, जो अल्टरनेटिंग सब-हैमिल्टोनियन्स और बेयसियन प्रायर्स के माध्यम से क्वांटम एरर करेक्शन में उच्च-क्रम $X$ - $Z$ एरर सहसंबंधों का सन्निकटन करता है, जिससे इंटरैक्शन जटिलता कम होती है, बड़े कोड दूरियों के लिए सॉल्वर अभिसरण में सुधार होता है, और प्रतिस्पर्धी एरर थ्रेशोल्ड बनाए रखते हुए हार्डवेयर एम्बेडिंग ओवरहेड को काफी कम किया जाता है।

मूल लेखक: Yuanqi Liu, Weilei Zeng, Peixiang Li, Yantong Liu, Guangyao Huang, Yingwen Liu, Dongyang Wang, Junjie Wu, Lingling Lao

प्रकाशित 2026-06-11

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yuanqi Liu, Weilei Zeng, Peixiang Li, Yantong Liu, Guangyao Huang, Yingwen Liu, Dongyang Wang, Junjie Wu, Lingling Lao

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 क्वांटम बिट्स (qubits) से बनी एक विशाल, जटिल पहेली को ठीक करने की कोशिश कर रहे हैं। कभी-कभी, "शोर" (noise/त्रुटियों) के कारण पहेली के कुछ टुकड़े पलट या बिगड़ जाते हैं। आपका काम यह पता लगाना है कि वास्तव में कौन से टुकड़े खराब हुए हैं ताकि आप पूरे चित्र को बिगाड़े बिना उन्हें ठीक कर सकें। इसे क्वांटम एरर करेक्शन (Quantum Error Correction) कहा जाता है।

इसे हल करने के लिए, वैज्ञानिक एक "डिकोडर" का उपयोग करते हैं। डिकोडर को एक जासूस के रूप में समझें जो कुछ सुरागों (जिन्हें "सिंड्रोम" कहा जाता है) के आधार पर अपराध स्थल का पुनर्निर्माण करने की कोशिश कर रहा है।

समस्या: बहुत अधिक जटिल अपराध स्थल

अतीत में, शोधकर्ताओं ने इस पहेली को हल करने के लिए इज़िंग फ्रेमवर्क (Ising framework) नामक एक विधि का उपयोग करने का प्रयास किया। इस फ्रेमवर्क को एक विशाल, उलझे हुए धागों के जाल के रूप में समझें जो पहेली के सभी टुकड़ों को जोड़ता है।

अच्छी खबर: यह जाल बहुत सटीक है। यह समझता है कि यदि एक टुकड़ा पलट जाता है, तो वह दूसरे टुकड़े के फटने के एक विशिष्ट तरीके से संबंधित हो सकता है (जैसे कि डोमिनो प्रभाव)।
बुरी खबर: इन सभी जटिल संबंधों को पकड़ने के लिए, यह जाल अविश्वसनीय रूप से अव्यवस्थित हो जाता है। इसमें ऐसे "गांठें" बन जाती हैं जहाँ 10 धागे एक ही बिंदु पर आपस में बंध जाते हैं।
परिणाम: 10 धागों वाली गांठ को सुलझाने की कोशिश करना कंप्यूटर के लिए अत्यंत कठिन है। इसमें बहुत समय लगता है, यह अक्सर "डेड एंड" (जहाँ कंप्यूटर समाधान नहीं खोज पाता) में फंस जाता है, और इसे उस गांठ को दर्शाने के लिए भारी मात्रा में अतिरिक्त मेमोरी (auxiliary spins) की आवश्यकता होती है। यह एक रूबिक क्यूब को ओवन मिट्स (ओवन दस्ताने) पहनकर हल करने जैसा है; क्यूब जितना जटिल होगा, हाथों को चलाना उतना ही कठिन होगा।

समाधान: "ILOD" जासूस

इस शोध पत्र के लेखक इटरेटिव लो-ऑर्डर डिकोडिंग (Iterative Low-Order Decoding - ILOD) नामक एक नई रणनीति प्रस्तावित करते हैं। पूरे 10-धागे वाली गांठ को एक साथ सुलझाने के बजाय, वे समस्या को दो सरल, अलग कार्यों में तोड़ देते हैं और उन्हें एक के बाद एक, बारी-बारी से हल करते हैं।

यह कैसे काम करता है, इसके लिए एक सरल उपमा देखें:

"दो-टीम" रणनीति
कल्पना कीजिए कि पहेली में दो प्रकार की त्रुटियाँ हैं: X-त्रुटियाँ (मान लीजिए "लाल गलतियाँ") और Z-त्रुटियाँ (मान लीजिए "नीली गलतियाँ")। कभी-कभी, एक "पीली गलती" होती है, जो वास्तव में एक लाल और एक नीली गलती का एक साथ होना है।

पुराना तरीका (संयुक्त रूप): आप लाल और नीली गलतियों को एक साथ हल करने की कोशिश करते हैं। क्योंकि वे आपस में जुड़े हुए हैं, इसलिए आपको एक विशाल, जटिल नियम पुस्तिका पर विचार करना पड़ता है जहाँ लाल और नीली गलतियाँ जटिल तरीकों से परस्पर क्रिया करती हैं। यह "10-धागे वाली गांठ" बनाता है।
नया तरीका (ILOD):
- चरण 1: आप टीम रेड (लाल टीम) से पूछते हैं कि वे पहेली को यह मानकर हल करें कि केवल लाल गलतियाँ मौजूद हैं। वे आपको उनके सर्वोत्तम अनुमान के बारे में बताते हैं कि लाल गलतियाँ कहाँ हैं।
- चरण 2: आप टीम रेड के अनुमान को लेते हैं और टीम ब्लू (नीली टीम) को बताते हैं: "हे, रेड ने जो पाया उसके आधार पर, यहाँ नीली गलतियाँ होने की कितनी संभावना है।" यह टीम ब्लू के लिए नियमों को अपडेट करता है।
- चरण 3: टीम ब्लू इन नए, अपडेटेड नियमों के साथ पहेली को हल करती है।
- चरण 4: आप टीम ब्लू के नए अनुमान को लेते हैं और टीम रेड के लिए नियमों को फिर से अपडेट करते हैं।
- दोहराएं: आप दोनों टीमों के बीच नोट्स (सूचनाएं) पास करते रहते हैं जब तक कि वे समाधान पर सहमत न हो जाएं।

यह एक बड़ी बात क्यों है

समस्या को विभाजित करके, लेखकों ने तीन बड़ी जीत हासिल की हैं:

सरल गांठें: 8 या 10 धागों वाली गांठों से निपटने के बजाय, नया तरीका केवल 4 या 5 धागों वाली गांठों से निपटता है। एक 10-धागे वाली गांठ को सुलझाने की तुलना में 4-धागे वाली गांठ को सुलझाना कंप्यूटर के लिए बहुत आसान है।
तेज़ गति: क्योंकि गांठें सरल हैं, कंप्यूटर पहेली को बहुत तेज़ी से हल करता है। शोध पत्र दिखाता है कि जैसे-जैसे पहेली बड़ी होती जाती है (बड़ा "कोड डिस्टेंस"), पुराना तरीका तेजी से धीमा होता जाता है, जबकि नया तरीका अपेक्षाकृत तेज़ बना रहता है।
कम मेमोरी: इन जटिल गांठों को हल करने के लिए, कंप्यूटरों को आमतौर पर गांठ को थामे रखने के लिए "नकली" अतिरिक्त टुकड़े (auxiliary spins) बनाने की आवश्यकता होती है। नए तरीके को इन टुकड़ों की लगभग 2.5 गुना कम आवश्यकता होती है। इसका मतलब है कि यह छोटे, सस्ते हार्डवेयर पर चल सकता है।

परिणाम

लेखकों ने इन दो प्रसिद्ध प्रकार के क्वांटम पहेलियों पर इसका परीक्षण किया: टोरिक कोड (Toric Code) और कलर कोड (Color Code)।

सटीकता: नया तरीका पुराने, जटिल तरीके के लगभग उतना ही सटीक है। कुछ मामलों में, यह सांख्यिकीय रूप से समान है; अन्य मामलों में, यह थोड़ा कम सटीक हो सकता है, लेकिन यह ट्रेड-ऑफ (समझौता) सार्थक है।
अभिसरण (Convergence): सबसे बड़ी पहेलियों के लिए, पुराना तरीका अक्सर हार मान लेता था और समाधान नहीं खोज पाता था। नया तरीका चलता रहा और उत्तर ढूंढ लिया।
हार्डवेयर: क्योंकि इसमें कम संसाधनों की आवश्यकता होती है, यह उन विशेष "इज़िंग मशीनों" (समर्पित हार्डवेयर जो इन विशिष्ट प्रकार की पहेलियों को हल करने के लिए डिज़ाइन किए गए हैं) पर चलने के लिए बहुत अधिक तैयार है जिन्हें वर्तमान में बनाया जा रहा है।

सारांश में

यह शोध पत्र क्वांटम कंप्यूटरों को ठीक करने का एक स्मार्ट तरीका पेश करता है। एक विशाल, उलझी हुई गड़बड़ी को एक साथ हल करने के बजाय, यह समस्या को दो छोटे, प्रबंधनीय संवादों में तोड़ देता जो बारी-बारी से चलते हैं। यह समाधान को तेज़ बनाता है, इसके लिए कम कंप्यूटर मेमोरी की आवश्यकता होती है, और यह सिस्टम को उन बड़ी पहेलियों को हल करने की अनुमति देता है जिन्हें पहले सुलझाना असंभव था।

तकनीकी सारांश: क्वांटम एरर करेक्शन कोड के लिए एक इटरेटिव आइसिंग डिकोडर

समस्या विवरण
यह शोध पत्र क्वांटम एरर करेक्शन (QEC) कोड, विशेष रूप से टोरिक कोड (Toric code) और 6.6.6 कलर कोड (Color code) के लिए डिकोडिंग की चुनौती को संबोधित करता है, जो डिपोलराइजिंग नॉइज़ (depolarizing noise) के अंतर्गत कार्य करते हैं। जबकि आइसिंग फ्रेमवर्क एक क्लासिकल हैमिल्टोनियन के ग्राउंड-स्टेट ऑप्टिमाइजेशन में समस्या को मैप करके डिकोडिंग के लिए एक शक्तिशाली विधि प्रदान करता है, यह डिपोलराइजिंग नॉइज़ के तहत महत्वपूर्ण स्केलेबिलिटी संबंधी समस्याओं का सामना करता है। बिट-फ्लिप नॉइज़ के विपरीत, जो 2-बॉडी इंटरैक्शन प्रदान करती है, डिपोलराइजिंग नॉइज़ $X$ - $Z$ एरर सहसंबंधों (Y एरर के माध्यम से) को पेश करती है जो हैमिल्टोनियन में क्रॉस-टर्म्स के रूप में प्रकट होते हैं।
फेनोमेनोलॉजिकल डिपोलराइजिंग नॉइज़ के तहत, ये सहसंबंध उच्च-क्रम (high-order) के इंटरैक्शन टर्म्स उत्पन्न करते हैं: टोरिक कोड के लिए 8-बॉडी तक और कलर कोड के लिए 10-बॉडी तक। ये उच्च-क्रम के टर्म्स एक रग्ड एनर्जी लैंडस्केप (rugged energy landscapes) बनाते हैं जो ह्यूरिस्टिक सॉल्वर को बाधित करते हैं (कन्वर्जेंस को कम करते हैं और रनटाइम को बढ़ाते हैं), और नेटिव 2-बॉडी आइसिंग हार्डवेयर में एम्बेड करने के लिए एक भारी ओवरहेड थोपते हैं, क्योंकि इसके लिए क्वाड्रेटाइजेशन (quadratization) हेतु अनेक ऑक्सिलरी स्पिन की आवश्यकता होती है।

कार्यप्रणाली: इटरेटिव लो-ऑर्डर डिकोडिंग (ILOD)
इन बाधाओं को कम करने के लिए, लेखक इटरेटिव लो-ऑर्डर डिकोडिंग (ILOD) एल्गोरिदम का प्रस्ताव करते हैं। एक एकल संयुक्त हैमिल्टोनियन को ऑप्टिमाइज़ करने के बजाय जिसमें उच्च-क्रम के क्रॉस-टर्म्स हों, ILOD समस्या को वैकल्पिक $X$ -टाइप और $Z$ -टाइप सब-हैमिल्टोनियंस में विभाजित करता है।

विभाजन और प्रत्यावर्तन (Decomposition and Alternation): एल्गोरिदम गॉस-सीडेल सीरियल शेड्यूल (Gauss–Seidel serial schedule) में $X$ -टाइप और $Z$ -टाइप सब-प्रॉब्लम्स को हल करता है। यह अधिकतम इंटरैक्शन ऑर्डर को टोरिक और कलर कोड के लिए क्रमशः 8/10-बॉडी से घटाकर 4/5-बॉडी कर देता है।
बायेसियन रीवेटिंग (Bayesian Reweighting): लापता $X$ - $Z$ सहसंबंधों का अनुमान लगाने के लिए, ILOD एक बायेसियन प्रायर मैकेनिज्म का उपयोग करता है। एक प्रकार (जैसे $X$ ) को हल करने के बाद, अनुमानित एरर कॉन्फ़िगरेशन का उपयोग विपरीत प्रकार ( $Z$ ) के कपलिंग्स को रीवेट करने के लिए किया जाता है। विशेष रूप से, यदि किसी क्यूबिट में $X$ -कंपोनेंट एरर का अनुमान लगाया जाता है, तो उसके $Z$ -कंपोनेंट होने की प्रायिकता को अपडेट किया जाता है (उदाहरण के लिए, यदि $X$ या $Y$ मौजूद है तो $1/2$ होगा) और निशिमोरी कंडीशन (Nishimori condition) के माध्यम से कपलिंग स्ट्रेंथ $J$ को समायोजित किया जाता है।
सॉल्वर अपूर्णताओं के प्रति मजबूती (Robustness to Solver Imperfections): यह पहचानते हुए कि व्यावहारिक सॉल्वर सटीक ग्राउंड स्टेट्स नहीं लौटा सकते हैं, लेखक एक "सॉफ्ट-डिसीजन" फॉर्मूलेशन पेश करते हैं। हार्ड असाइनमेंट के बजाय, वे कपलिंग्स को अपडेट करने के लिए सॉल्वर विश्वसनीयता को दर्शाने वाली कंडीशनल प्रोबेबिलिटीज ( $a$ और $b$ ) का उपयोग करते हैं, जिससे त्रुटिपूर्ण स्थानीय अनुमानों को अगले ऑप्टिमाइजेशन स्टेप को कठोरता से बाधित करने से रोका जा सके।
फेनोमेनोलॉजिकल नॉइज़ का विस्तार: यह विधि 3D स्पेसटाइम डिटेक्टर ग्राफ (जो फेनोमेनोलॉजिकल नॉइज़ के लिए आवश्यक है) के लिए पद्धति को विस्तारित करती है, जो स्थानिक और टेम्पोरल दोनों आयामों में अल्टरनेटिंग ऑप्टिमाइजेशन और बायेसियन अपडेट लागू करती है, जबकि मेजरमेंट एरर कपलिंग्स को स्थिर रखती है।

प्रमुख योगदान

एल्गोरिद्मिक नवाचार: ILOD का प्रस्ताव, जो सटीक संयुक्त ऑप्टिमाइजेशन के बदले एक इटरेटिव, लो-ऑर्डर एप्रोक्सिमेशन का उपयोग करता है जो डायनेमिक कपलिंग अपडेट के माध्यम से क्रॉस-टाइप सहसंबंधों को कैप्चर करता है।
जटिलता में कमी: एल्गोरिदम इंटरैक्शन टर्म्स की अधिकतम बॉडी काउंट को आधा कर देता है। यह महत्वपूर्ण रूप से ऊर्जा परिदृश्य (energy landscape) को सुगम बनाता है, जिससे मेटास्टेबल अवस्थाओं का प्रसार कम होता है।
हार्डवेयर दक्षता: इंटरैक्शन ऑर्डर्स को कम करके, ILOD नेटिव 2-बॉडी आइसिंग हार्डवेयर (जैसे कोहेरेंट आइसिंग मशीन, क्वांटम एनीलर्स) में एम्बेड करने के लिए आवश्यक ऑक्सिलरी स्पिन ओवरहेड को काफी कम कर देता है।
कन्वर्जेंस की बहाली: यह विधि उन बड़े कोड डिस्टेंस पर सॉल्वर कन्वर्जेंस को बहाल करती है जहाँ संयुक्त फॉर्मूलेशन विफल हो जाता है।

संख्यात्मक परिणाम
लेखकों ने कोड-कैपेसिटी और फेनोमेनोलॉजिकल डिपोलराइजिंग नॉइज़ दोनों के तहत जॉइंट आइसिंग फॉर्मूलेशन और मिनिमम-वेट परफेक्ट मैचिंग (MWPM) वेरिएंट्स के विरुद्ध ILOD का मूल्यांकन किया।

थ्रेशोल्ड्स (सटीकता):
- टोरिक कोड (फेनोमेनोलॉजिकल): ILOD 4.73% का थ्रेशोल्ड प्राप्त करता है, जो संयुक्त फॉर्मूलेशन के 4.83% से थोड़ा कम है लेकिन MWPM (3.80%) और कोरिलेटेड MWPM (4.65%) से काफी अधिक है।
- कलर कोड (फेनोमेनोलॉजिकल): ILOD 4.41% प्राप्त करता है, जो सांख्यिकीय अनिश्चितता के भीतर संयुक्त फॉर्मूलेशन के 4.36% के अनुरूप है, और दोनों ही MWPM (3.35%) से बेहतर प्रदर्शन करते हैं।
- कोड-कैपेसिटी: समान रुझान देखे गए हैं, जहाँ ILOD के थ्रेशोल्ड्स जॉइंट फॉर्मूलेशन से थोड़े नीचे लेकिन मैचिंग-आधारित डिकोडर्स से बेहतर हैं।
रनटाइम और कन्वर्जेंस:
- स्केलिंग: कोड-कैपेसिटी नॉइज़ के तहत टोरिक कोड के लिए एम्पिरिकल रनटाइम रेशियो (ILOD/Joint) $(0.81)^d$ के रूप में स्केल करता है, जो दर्शाता है कि जैसे-जैसे कोड डिस्टेंस $d$ बढ़ता है, इसमें घातीय (exponential) गति से सुधार होता है। फेनोमेनोलॉजिकल नॉइज़ के तहत, रनटाइम स्केलिंग बेस $b \approx 3.34$ (Joint) से घटकर $b \approx 2.70$ (ILOD) हो जाता है।
- कन्वर्जेंस: $d=9$ के लिए कलर कोड के मामले में, संयुक्त फॉर्मूलेशन एक बड़े एनीलिंग बजट ( $2 \times 10^5$ स्वीप्स) के साथ भी कन्वर्ज होने में विफल रहता है, जबकि ILOD काफी कम स्वीप्स के साथ सफलतापूर्वक कन्वर्ज होता है।
हार्डवेयर ओवरहेड:
- रोसेनबर्ग क्वाड्रेटाइजेशन (2-बॉडी टर्म्स में बदलने के बाद), ILOD दोनों कोड्स के लिए संयुक्त फॉर्मूलेशन की तुलना में कुल स्पिन काउंट (गेज + ऑक्सिलरी) को लगभग 2.5 के कारक से कम कर देता है।

महत्व और दावे
लेखक दावा करते हैं कि ILOD एक कुशल फ्रेमवर्क प्रदान करता है जो सटीकता, लेटेंसी और हार्डवेयर स्केलेबिलिटी के बीच संतुलन बनाता है। इसका प्राथमिक महत्व उच्च-क्रम वाले QEC कोड्स के लिए डिपोलराइजिंग नॉइज़ के तहत नेटिव 2-बॉडी आइसिंग हार्डवेयर के उपयोग को सक्षम करना है। इंटरैक्शन ऑर्डर को कम करके, ILOD डिकोडिंग समस्या को व्यावहारिक बनाता है, जिससे उन कोड डिस्टेंस पर कन्वर्जेंस बहाल होता है जहाँ सटीक संयुक्त फॉर्मूलेशन कम्प्यूटेशनल रूप से अव्यवहार्य हो जाता है। लेखक नोट करते हैं कि हालांकि ILOD को संयुक्त फॉर्मूलेशन की तुलना में थ्रेशोल्ड प्रदर्शन में मामूली एप्रोक्सिमेशन पेनल्टी का सामना करना पड़ता है, लेकिन यह सॉल्वर की गति और हार्डवेयर संसाधन दक्षता में पर्याप्त लाभ द्वारा संतुलित हो जाता है। इस दृष्टिकोण को अन्य CSS कोड्स, जैसे qLDPC कोड्स के लिए भी लागू करने योग्य बताया गया है, जहाँ उच्च स्टेबलाइजर वेट्स अन्यथा संयुक्त आइसिंग मैपिंग को अत्यधिक महंगा बना देते हैं।

समस्या: बहुत अधिक जटिल अपराध स्थल

समाधान: "ILOD" जासूस

यह एक बड़ी बात क्यों है

परिणाम

सारांश में

इसी तरह के और पेपर