⚛️ quantum physics

Tensor network characterization and mitigation of readout errors

यह शोध पत्र एक स्केलेबल टेंसर-नेटवर्क फ्रेमवर्क पेश करता है जो रीडआउट त्रुटियों को मैट्रिक्स प्रोडक्ट ऑपरेटर्स के रूप में मॉडल करता है ताकि निकट-अवधि क्वांटम प्रोसेसर में सहसंबद्ध शोर (correlated noise) को कुशलतापूर्वक अभिलक्षणिक और कम किया जा सके, जो विभिन्न कार्यों और सिस्टम आकारों में असंरचित (uncorrelated) मॉडलों की तुलना में बेहतर सटीकता प्रदर्शित करता है।

मूल लेखक: Yuchen Guo, Shuo Yang

प्रकाशित 2026-06-25

📖 4 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yuchen Guo, Shuo Yang

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 शोर से भरे कमरे में एक बहुत ही धीमी बातचीत सुनने की कोशिश कर रहे हैं। क्वांटम कंप्यूटर की दुनिया में, यह "बातचीत" वह डेटा है जो कंप्यूटर उत्पन्न करता है, और यह "शोर" रीडआउट एरर (readout error) है।

जब एक क्वांटम कंप्यूटर अपनी गणना पूरी करता है, तो उसे अपनी क्वांटम अवस्था (quantum state) को एक साधारण "0" या "1" में बदलना होता है (जैसे कि लाइट स्विच का बंद या चालू होना)। दुर्भाग्य से, हार्डवेयर दोषरहित नहीं है। कभी-कभी, एक "0" को गलती से "1" पढ़ लिया जाता है, या इसके विपरीत। यही रीडआउट एरर है।

लंबे समय तक, वैज्ञानिकों ने इन त्रुटियों को स्वतंत्र, यादृच्छिक (random) गड़बड़ियों की तरह माना। उन्होंने माना कि यदि क्यूबिट A ने कोई गलती की, तो उसका क्यूबिट B से कोई लेना-देना नहीं था। यह ऐसा था जैसे यह मानना कि यदि भीड़ भरे कमरे में एक व्यक्ति छींकता है, तो इसका किसी और पर कोई प्रभाव नहीं पड़ता।

पुराने तरीके के साथ समस्या
वास्तविकता में, क्वांटम चिप्स बहुत घनी बसी हुई होती हैं। तार और नियंत्रण एक-दूसरे के बहुत करीब होते हैं। यदि क्यूबिट A छींकता है (त्रुटि करता है), तो अक्सर यह क्यूबिट B को भी छींकने के लिए मजबूर कर देता है। इसे कोरिलेटेड एरर (correlated error) कहा जाता है। पुराने "स्वतंत्र" मॉडल इस बात को नहीं समझ पाए, जिससे गलत परिणाम मिले, विशेष रूप से जब वैज्ञानिक कई क्यूबिट्स वाले जटिल पैटर्न को मापने की कोशिश करते थे।

नया समाधान: "टेंसर नेटवर्क" अनुवादक
इस पेपर के लेखक, युचेन गुओ और शुओ यांग, प्रस्तावित करते हैं कि इसे एक गणितीय उपकरण जिसे टेंसर नेटवर्क (Tensor Network) (विशेष रूप से, एक मैट्रिक्स प्रोडक्ट ऑपरेटर, या MPO) कहा जाता है, का उपयोग करके ठीक किया जा सकता है।

पुराने तरीके को एक शोर भरी फोन कॉल को ठीक करने के लिए प्रत्येक व्यक्ति से अपना वाक्य अलग से दोहराने के लिए कहने जैसा समझें। यह संदर्भ (context) को छोड़ देता है।

नया तरीका एक अति-बुद्धिमान अनुवादक को काम पर रखने जैसा है जो एक साथ पूरी बातचीत को समझता है।

शोर को सीखना: सबसे पहले, टीम इस अनुवादक को "प्रशिक्षित" करती है। वे इसे बहुत सारा ज्ञात परीक्षण डेटा (कैलिब्रेशन डेटा) देते हैं और इसे शोर के विशिष्ट पैटर्न को सीखने देते हैं। त्रुटियों को एक-एक करके देखने के बजाय, MPO क्यूबिट्स के "पड़ोस" को देखता है, यह समझते हुए कि यदि एक गलत है, तो उसके पड़ोसी भी गलत होने की संभावना है।
दक्षता: इस अनुवादक की खूबसूरती यह है कि यह अविश्वसनीय रूप से कुशल है। भले ही क्वांटम कंप्यूटर 10 क्यूबिट से बढ़कर 20 या अधिक हो जाए, इस अनुवादक को करने में लगने वाला काम केवल धीरे-धीरे बढ़ता है (लगभग रैखिक रूप से), न कि तेजी से (exponentially) विस्फोट करता है।

उन्होंने इस पर क्या परीक्षण किया
टीम ने केवल सिद्धांत नहीं लिखा; उन्होंने इसे एक वास्तविक सुपरकंडक्टिंग क्वांटम चिप ("बाइहुआ" चिप) और विशाल कंप्यूटर सिमुलेशन पर परखा। उन्हें यहाँ क्या मिला:

वास्तविक हार्डवेयर: वास्तविक चिप पर, नया MPO मॉडल पुराने मॉडलों की तुलना में वास्तविक शोर का वर्णन करने में बहुत बेहतर था। इसने उन "छींकते पड़ोसियों" को पकड़ लिया जिन्हें पुराने मॉडलों ने अनदेखा कर दिया था।
जटिल चीजों को मापना: "नॉन-लोकल" चीजों (ऐसी विशेषताएं जो दूर स्थित क्यूबिट्स के बीच संबंध पर निर्भर करती हैं) को मापने के लिए, नए तरीके ने बहुत अधिक सटीक उत्तर दिए।
रैंडम सर्किट: उन कार्यों के लिए जिनमें रैंडम पैटर्न उत्पन्न करना शामिल है (जैसे यह परीक्षण करना कि क्या एक क्वांटम कंप्यूटर वास्तव में शक्तिशाली है), नया तरीका शोर के नीचे छिपे वास्तविक पैटर्न को प्रकट करने के लिए डेटा को साफ कर सकता है।
एरर करेक्शन (Error Correction): उन्होंने यह भी दिखाया कि कैसे इस अनुवादक को क्वांटम एरर करेक्शन के लिए "डिकोडर" में सीधे शामिल किया जा सकता है। केवल अंतिम उत्तर को ठीक करने के बजाय, यह कंप्यूटर को संदेश को डिकोड करते समय सबसे संभावित सही पथ तय करने में मदद करता है, जिससे अंतिम तार्किक परिणाम में कम गलतियाँ होती हैं।

मुख्य निष्कर्ष
यह पेपर क्वांटम कंप्यूटरों में "स्टैटिक" (शोर) को साफ करने का एक एकीकृत, स्केलेबल तरीका पेश करता है। एक स्मार्ट, नेटवर्क-आधारित अनुवादक का उपयोग करके जो यह समझता है कि त्रुटियां पड़ोसियों के बीच कैसे फैलती हैं, हम वर्तमान शोर वाले मशीनों से बहुत अधिक विश्वसनीय जानकारी निकाल सकते हैं। यह आज के क्वांटम कंप्यूटरों के डेटा को बहुत अधिक भरोसेमंद बनाता है और भविष्य में बड़े, अधिक जटिल प्रयोगों का मार्ग प्रशस्त करता है।

तकनीकी सारांश: टेंसर नेटवर्क अभिलक्षण और रीडआउट त्रुटियों का शमन (Mitigation)

समस्या विवरण (Problem Statement)

रीडआउट त्रुटियाँ (Readout errors) निकट-अवधि मध्यवर्ती-पैमाने के क्वांटम (NISQ) उपकरणों में एक प्रमुख शोर स्रोत बनी हुई हैं, जो सीधे शास्त्रीय मापन परिणामों को विकृत करती हैं और एक्सपेक्टेशन-वैल्यू अनुमान (expectation-value estimation), टोमोग्राफी और सैंपलिंग बेंचमार्क जैसे कार्यों को पक्षपाती (bias) बनाती हैं। मानक रीडआउट एरर मिटिगेशन (REM) दृष्टिकोण आमतौर पर एक शास्त्रीय ट्रांजिशन मैट्रिक्स $\Lambda$ को अभिलक्षित करते हैं जो आदर्श वितरणों को शोर वाले वितरणों से मैप करता है। हालाँकि, $\Lambda$ का पूर्ण अभिलक्षण सिस्टम के आकार के साथ तेजी से (exponentially) बढ़ता है ( $2^N \times 2^N$ )। इस बाधा को दूर करने के लिए, मौजूदा विधियाँ अक्सर स्वतंत्र सिंगल-क्विबिट रीडआउट प्रक्रियाओं (असहसंबंधित मॉडल) को मान लेती हैं। ये फैक्टराइज्ड मॉडल क्रॉसटॉक, साझा नियंत्रण लाइनों और हार्डवेयर-विशिष्ट तंत्रों द्वारा प्रेरित स्थानिक सहसंबंधों (spatial correlations) की उपेक्षा करते हैं। ऐसे सहसंबंध वास्तविक उपकरणों में, विशेष रूप से नॉनलोकल ऑब्जर्वेबल्स और बड़े पैमाने के सैंपलिंग कार्यों के लिए, गैर-नगण्य होते हैं, जो अनकोरिलेटेड मिटिगेशन रणनीतियों के प्रदर्शन को सीमित करते हैं।

कार्यप्रणाली (Methodology)

लेखक एक एकीकृत टेंसर-नेटवर्क फ्रेमवर्क प्रस्तावित करते हैं जो रीडआउट एरर मैट्रिक्स $\Lambda$ को एक मैट्रिक्स प्रोडक्ट ऑपरेटर (MPO) के रूप में मॉडल करता है। यह प्रतिनिधित्व स्वाभाविक रूप से स्थानीय और लघु-दूरी के सहसंबंधों को बहुपद जटिलता (polynomial complexity) के साथ कैप्चर करता है।

1. MPO लर्निंग के माध्यम से अभिलक्षण (Characterization via MPO Learning)

प्रतिनिधित्व (Representation): रीडआउट एरर मैट्रिक्स $\Lambda_{x,y}$ (सत्य अवस्था $y$ दिए जाने पर परिणाम $x$ की प्रायिकता) को $|\text{Tr}(M^{[1]}_{x_1,y_1} \cdots M^{[N]}_{x_N,y_N})|^2$ के रूप में दर्शाया गया है, जहाँ $M^{[k]}$ एक परिमित बॉन्ड डायमेंशन $\chi$ वाले स्थानीय टेंसर हैं। यह मैट्रिक्स तत्वों की धनात्मकता (positivity) सुनिश्चित करता है।
नॉर्मलाइजेशन (Normalization): मैट्रिक्स प्रोडक्ट यूनिटरीज (MPUs) के विपरीत, MPO मॉडल केवल यह आवश्यक करता है कि पंक्ति योग (row sums) इकाई हो ( $\sum_x \Lambda_{x,y} = 1$ ), जो एक कमजोर स्थिति है और शास्त्रीय स्टोकेस्टिक प्रक्रियाओं के लिए उपयुक्त है।
प्रशिक्षण (Training): MPO मापदंडों को कैलिब्रेशन डेटा (प्रोडक्ट स्टेट्स तैयार करना और मापना) का उपयोग करके लाइकलीहुड-आधारित अनुकूलन (likelihood-based optimization) के माध्यम से सीखा जाता है। लॉस फंक्शन देखे गए परिणामों के नेगेटिव लॉग-लाइक्लीहुड को कम करता है, जिसमें नॉर्मलाइजेशन बाधा को लागू करने के लिए एक पेनल्टी टर्म भी शामिल है। ग्रेडिएंट्स की गणना कुशलतापूर्वक टेंसर नेटवर्क कॉन्ट्रैक्शन के माध्यम से की जाती है।

2. शमन रणनीतियाँ (Mitigation Strategies)

यह फ्रेमवर्क सीखे गए MPO मॉडल को विभिन्न REM कार्यों में एकीकृत करता है:

नॉनलोकल ऑब्जर्वेबल्स (Nonlocal Observables): आदर्श एक्सपेक्टेशन वैल्यू $\langle O \rangle_{ideal}$ का अनुमान ऑब्जर्वेबल (जिसे MPS के रूप में दर्शाया गया है) को रीडआउट एरर मैट्रिक्स ( $\Lambda^{-1}$ ) के साथ कॉन्ट्रैक्ट करके लगाया जाता है। इनवर्स को $\|\Lambda \Omega - I\|_F^2$ को मिनिमाइज करने के लिए एक सिंगल-लेयर MPO का उपयोग करके वेरिएशनल रूप से अनुमानित किया जाता है।
ग्लोबल सैंपलिंग (Global Sampling): शोर वाले सैंपल्स से आदर्श वितरण $P_{ideal}$ को पुनः प्राप्त करने के लिए, यह विधि $P_{noisy} = \Lambda P_{ideal}$ रूपांतरण के तहत $P_{ideal}$ के लिए एक MPS मॉडल सीखती है।
रैंडम मेजरमेंट्स (Random Measurements): क्लासिकल शैडो और लर्निंग-आधारित टोमोग्राफी (जैसे, लोकेली प्यूरीफाइड डेंसिटी ऑपरेटर्स, LPDOs का उपयोग करके) जैसे कार्यों के लिए, रीडआउट एरर मॉडल को सीधे अनुकूलन उद्देश्य (optimization objective) में एकीकृत किया जाता है। सैंपल्स के पोस्ट-प्रोसेसिंग के बजाय, लाइकलीहुड फंक्शन को रीडआउट एरर मैट्रिक्स $\Lambda$ द्वारा भारित (weighted) सत्य अवस्थाओं पर योग करने के लिए संशोधित किया जाता है।
क्वांटम एरर करेक्शन (QEC) डिकोडिंग: 2D सरफेस कोड के लिए, MPO मॉडल को प्रोजेक्टेड एंटैंगल्ड-पेयर ऑपरेटर (PEPO) में सामान्यीकृत किया जाता है। रीडआउट एरर मॉडल को डेटा एरर्स और रीडआउट एरर्स पर संयुक्त अनुमान (joint inference) करने के लिए डिकोडर के टेंसर नेटवर्क (PEPS) के साथ स्थानीय रूप से फ्यूज किया जाता है, जो सिंड्रोम रीडआउट को हार्ड-वोटेड बिट्स के बजाय सॉफ्ट-इंफॉर्मेशन इनपुट के रूप में प्रभावी ढंग से उपयोग करता है।

मुख्य परिणाम (Key Results)

प्रयोगात्मक सत्यापन (सुपरकंडक्टिंग प्रोसेसर)

प्रयोग 6-क्विबिट चेन्स के साथ बाईहुआ (Baihua) सुपरकंडक्टिंग क्वांटम चिप (Quafu प्लेटफॉर्म) पर किए गए थे।

सहसंबंध कैप्चर (Correlation Capture): MPO मॉडल ( $\chi=4$ ) ने पूर्ण एरर मैट्रिक्स $\Lambda_{Full}$ के अभिलक्षण के लिए अनकोरिलेटेड प्रोडक्ट मॉडल की तुलना में लगातार बेहतर प्रदर्शन किया। MPO मॉडल ने पूर्ण अभिलक्षण से $\approx 0.043$ की सापेक्ष दूरी प्राप्त की, जबकि अनकोरिलेटेड मॉडल की दूरी $\approx 0.074$ थी, जो मानक मॉडलों द्वारा छोड़े गए सहसंबंधित शोर को कैप्चर करने की इसकी क्षमता को प्रदर्शित करता है।
नॉनलोकल ऑब्जर्वेबल्स: 7-क्विबिट क्लस्टर स्टेट्स पर प्रयोगों में, MPO-आधारित REM ने नॉनलोकल स्ट्रिंग ऑर्डर पैरामीटर्स के अनुमान में महत्वपूर्ण सुधार किया, विशेष रूप से लंबी स्ट्रिंग्स के लिए जहाँ त्रुटियाँ अधिक स्पष्ट होती हैं।

संख्यात्मक सिमुलेशन (Numerical Simulations)

स्केलेबिलिटी (Scalability): $N=20$ क्विबिट तक के सिमुलेशन ने दिखाया कि MPO मॉडल को सीखने के लिए आवश्यक सैंपल कॉस्ट सिस्टम साइज के साथ लगभग रैखिक (linearly) रूप से स्केल करती है, जो पूर्ण अभिलक्षण की एक्सपोनेंशियल लागत के बिल्कुल विपरीत है।
ग्लोबल सैंपलिंग: रैंडम सर्किट सैंपलिंग के लिए, इस विधि ने क्रॉस-एन्ट्रॉपी बेंचमार्किंग (XEB) फिडेलिटी में सुधार किया। जबकि नए आदर्श सैंपल्स उत्पन्न करने के लिए एक्सपोनेंशियल रूप से बढ़ते बॉन्ड डायमेंशन वाले MPS की आवश्यकता होती है, इस विधि ने टेंसर कॉन्ट्रैक्शन का उपयोग करके शोर वाले सैंपल्स से सीधे XEB फिडेलिटी को सफलतापूर्वक इन्फर किया, जिससे स्पष्ट सैंपलिंग के बिना रीडआउट बायस को समाप्त किया गया।
रैंडम मेजरमेंट्स: 1D XY मॉडल गिब्स स्टेट के क्लासिकल शैडो एस्टीमेशन और LPDO-आधारित टोमोग्राफी में, REM विधि ने अनमिटिगेटेड (unmitigated) तरीकों की तुलना में मैग्नेटाइजेशन अनुमान में बायस को काफी कम किया और डेंसिटी मैट्रिक्स पुनर्निर्माण में सुधार किया।
QEC डिकोडिंग: $d=7$ रोटेटेड सरफेस कोड पर सिमुलेशन ने दिखाया कि PEPO-फ्यूज्ड डिकोडर ने मानक डिकोडर्स की तुलना में लॉजिकल एरर रेट को काफी कम कर दिया, विशेष रूप से उच्च रीडआउट फ्लिप रेट वाले शासन (regimes) में। यह विधि 'मेजोरिटी-वोट' दृष्टिकोणों से बेहतर प्रदर्शन करते हुए, बार-बार किए गए मेजरमेंट्स से सॉफ्ट इंफॉर्मेशन का प्रभावी ढंग से उपयोग करती है।

महत्व और दावे (Significance and Claims)

यह पेपर स्थापित करता है कि टेंसर-नेटवर्क रीडआउट एरर मिटिगेशन एक स्केलेबल और वर्सेटाइल दृष्टिकोण है। इसके प्राथमिक योगदान हैं:

एकीकृत फ्रेमवर्क: यह एक एकल MPO/PEPO फॉर्मलिज्म प्रदान करता है जो स्थानीय ऑब्जर्वेबल्स से लेकर ग्लोबल सैंपलिंग और QEC डिकोडिंग तक विविध अनुप्रयोगों में सहसंबंधित रीडआउट त्रुटियों को संभालता है।
दक्षता (Efficiency): यह दृष्टिकोण पूर्ण एरर अभिलक्षण के एक्सपोनेंशियल ओवरहेड से बचता है जबकि उन सहसंबंधों को कैप्चर करता है जिन्हें अनकोरिलेटेड मॉडल छोड़ देते हैं। सैंपल कॉम्प्लेक्सिटी सिस्टम साइज के साथ लगभग रैखिक रूप से बढ़ती है।
व्यावहारिकता (Practicality): वास्तविक हार्डवेयर पर प्रयोगात्मक परिणाम पुष्टि करते हैं कि सहसंबंधित रीडआउट त्रुटियाँ महत्वपूर्ण हैं और MPO मॉडल उन्हें प्रभावी ढंग से मिटा सकता है।
एकीकरण (Integration): इस फ्रेमवर्क को केवल एक पोस्ट-प्रोसेसिंग स्टेप के रूप में नहीं, बल्कि एक बिल्डिंग ब्लॉक के रूप में डिज़ाइन किया गया है जिसे मौजूदा एल्गोरिदम (जैसे क्लासिकल शैडो और QEC डिकोडर) में एकीकृत किया जा सकता है।

लेखक निष्कर्ष निकालते हैं कि यह विधि दोनों निकट-अवधि और भविष्य के फॉल्ट-टोलरेंट क्वांटम उपकरणों से विश्वसनीय भौतिक जानकारी निकालने के लिए एक आशाजनक मार्ग प्रदान करती है, विशेष रूप से एक एकीकृत टेंसर-नेटवर्क इंफरेंस समस्या के भीतर मेजरमेंट क्रॉसटॉक के उपचार को सक्षम करके।