🔬 applied physics

Active Learning for Calibrating Entangling Gates via Surrogate-Based Optimization

यह शोध पत्र हैमिल्टनियन गतिकी (Hamiltonian dynamics) को मॉडल करने और नियंत्रण मापदंडों को अनुकूलित करने के माध्यम से एंटैंगलिंग गेट्स को कुशलतापूर्वक कैलिब्रेट करने के लिए गाऊसी प्रक्रिया सरोगेट्स (Gaussian process surrogates) के साथ बेयसियन ऑप्टिमाइज़ेशन का उपयोग करते हुए एक सक्रिय शिक्षण ढांचे (active learning framework) को प्रस्तुत करता है, जैसा कि एक ट्रैप्ड-आयन मॉल्मर-सोरेनसन गेट के संख्यात्मक अंशांकन (numerical calibration) के माध्यम से प्रदर्शित किया गया है।

मूल लेखक: Caleb Walton, Patricia García-Caspueñas, Filippo Zacchei, Ana Larrañaga, Steven L. Brunton, Sara Mouradian

प्रकाशित 2026-07-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Caleb Walton, Patricia García-Caspueñas, Filippo Zacchei, Ana Larrañaga, Steven L. Brunton, Sara Mouradian

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 पुराने, अनिश्चित रेडियो को एक सटीक, बेहतरीन गाने को पकड़ने के लिए ट्यून करने की कोशिश कर रहे हैं। समस्या यह है कि रेडियो के नॉब्स (knobs) ठीक वैसे काम नहीं करते जैसा मैनुअल में बताया गया है। कभी-कभी "वॉल्यूम" (Volume) के नॉब को थोड़ा सा घुमाने से "स्टेशन" (Station) की फ्रीक्वेंसी बदल जाती है, और "ट्यूनिंग" (Tuning) का नॉब शायद चिपचिपा या अटकने वाला हो सकता है। आप यह नहीं जानते कि इन नॉब्स के बीच क्या नियम काम कर रहे हैं, और आप रेडियो की आंतरिक वायरिंग को देखकर भी इसे समझने का तरीका नहीं निकाल सकते।

यही वह समस्या है जिसका सामना वैज्ञानिक क्वांटम कंप्यूटरों को नियंत्रित करने के लिए करते हैं। ये मशीनें सूक्ष्म कणों (जैसे ट्रैप्ड आयन) का उपयोग गणना करने के लिए करती हैं, लेकिन उन्हें काम करने के लिए, आपको कई "नॉब्स" (जैसे लेजर पावर और फ्रीक्वेंसी) को अत्यधिक सटीकता के साथ सेट करना होता है। यदि आप सेटिंग्स में थोड़ा सा भी गलत होते हैं, तो कंप्यूटर गलतियाँ करता है।

यहाँ यह पेपर बताता है कि उन्होंने इस ट्यूनिंग समस्या को कैसे हल किया, सरल उपमाओं (analogies) का उपयोग करके:

समस्या: "ब्लैक बॉक्स" रेडियो

एक आदर्श दुनिया में, वैज्ञानिकों के पास इस बात का एक सटीक मानचित्र (गणितीय मॉडल) होगा कि क्वांटम कंप्यूटर कैसे काम करता है। वे बस सटीक सेटिंग्स की गणना कर सकते थे। लेकिन वास्तविकता में, "मानचित्र" गलत है क्योंकि लेजर और नियंत्रण पेश करने वाले उपकरण अप्रत्याशित व्यवहार करते हैं।

यदि आप सेटिंग्स को खोजने के लिए नॉब्स को बेतरतीब ढंग से घुमाते हैं या उन्हें एक-एक करके जांचते हैं (जैसे वॉल्यूम नॉब को 1 से 100 तक घुमाना), तो इसमें बहुत समय लगता है। इसके अलावा, "रेडियो" शोर वाला (noisy) है। जब आप यह देखते हैं कि गाना कितनी स्पष्टता से बज रहा है, तो स्वयं का मापन भी थोड़ा धुंधला होता है, जैसे किसी तूफान के बीच फुसफुसाहट सुनने की कोशिश करना।

समाधान: "स्मार्ट गेसिंग" (Smart Guessing) प्रणाली

शोधकर्ताओं ने एक ऐसी प्रणाली बनाई है जो एक स्मार्ट, सहज ट्यूनर की तरह काम करती है। रेडियो के लिए एक सटीक मानचित्र की आवश्यकता के बिना, यह चलते-चलते अपना एक "सरोगेट" (stand-in) मॉडल बनाता है।

सरोगेट (द मैप-मेकर):
कल्पना कीजिए कि एक मानचित्रकार (cartographer) जिसने उस क्षेत्र को कभी देखा नहीं है, लेकिन वह कुछ बिखरे हुए सुरागों के आधार पर एक नक्शा बना रहा है। टीम एक गणितीय उपकरण का उपयोग करती है जिसे गौसियन प्रोसेस (Gaussian Process) कहा जाता है। इसे एक लचीले, रबर जैसी शीट वाले मानचित्र के रूप में समझें।

जब वे एक सेटिंग का परीक्षण करते हैं, तो उन्हें एक स्कोर मिलता है (गाना कितना अच्छा सुनाई देता है)।
रबर की शीट उस बिंदु के अनुरूप खिंचती और मुड़ती है।
महत्वपूर्ण बात यह है कि मानचित्र केवल बिंदुओं को ही नहीं दिखाता; यह अनिश्चितता (uncertainty) को भी दिखाता है। यह जानता है कि वह कहाँ अनुमान लगा रहा है और कहाँ वह आश्वस्त है। यह उन क्षेत्रों पर एक "कोहरा" खींच देता है जिनका उसने अभी तक अन्वेषण नहीं किया है।

एक्टिव लर्निंग (द स्मार्ट एक्सप्लोरर):
यह ऑपरेशन का "मस्तिष्क" है। यादृच्छिक स्थानों की जाँच करने के बजाय, सिस्टम अपने रबर-शीट वाले मानचित्र को देखता है और पूछता है: "मुझे सबसे अधिक सीखने के लिए अगली बार कहाँ देखना चाहिए?"

एक्सप्लॉयटेशन (Exploitation): यह उन क्षेत्रों की जाँच करता है जो ऐसे लग सकते हैं जो "परफेक्ट सॉन्ग" (उच्च स्कोर) हो सकते हैं।
एक्सप्लोरेशन (Exploration): यह उन क्षेत्रों की जाँच करता है जहाँ "कोहरा" सबसे घना है (उच्च अनिश्चितता) ताकि मानचित्र को साफ किया जा सके।
यह इन दोनों रणनीतियों के बीच संतुलन बनाता है ताकि कम से कम परीक्षणों का उपयोग करके सर्वोत्तम सेटिंग्स को तेजी से पाया जा सके।

शोर को संभालना (द "फजी" मेजरमेंट्स):
पेपर नोट करता है कि "रेडियो" शोर वाला है। यदि आप केवल एक बार गाने की गुणवत्ता मापते हैं, तो आप संयोग से एक बुरा परिणाम प्राप्त कर सकते हैं। सिस्टम इस बात को ध्यान में रखता है कि मापन की "धुंधलापन" (fuzziness) इस बात पर निर्भर करती है कि आपने कितनी बार जाँच की है (परीक्षणों की संख्या)। यह अपने रबर शीट को यह समझने के लिए समायोजित करता है कि कुछ क्षेत्र स्वाभाविक रूप से अधिक धुंधले हैं, ताकि वह एक भाग्यशाली (या दुर्भाग्यपूर्ण) एकल मापन से धोखा न खा जाए।

प्रयोग: "एंटैंगलिंग गेट" को ट्यून करना

यह सिद्ध करने के लिए कि यह काम करता है, शोधकर्ताओं ने एक विशिष्ट प्रकार के क्वांटम ऑपरेशन का अनुकरण किया जिसे मॉल्मर-सोरेनसन गेट (Mølmer-Sørensen gate) कहा जाता है। यह एक विशेष नृत्य मुद्रा की तरह है जहाँ दो आयनों (कणों) को आपस में जुड़ने (entangled होने) के लिए पूर्ण तालमेल में चलना होता है।

उन्होंने एक ट्रैप्ड-आयन कंप्यूटर का अनुकरण किया और अपने "स्मार्ट ट्यूनर" को सटीक लेजर सेटिंग्स खोजने दिया।

परिणाम: सिस्टम ने बहुत जल्दी इष्टतम (optimal) सेटिंग्स खोज लीं, भले ही शुरुआत व्यापक रेंज के अनुमानों के साथ की गई हो।
सीमा: उन्होंने पाया कि ट्यूनर चाहे कितना भी स्मार्ट क्यों न हो, एक सीमा (floor) है कि ट्यूनिंग कितनी सटीक हो सकती है। यह सीमा मौलिक "क्वांटम शोर" (पहले वर्णित तूफान) द्वारा निर्धारित होती है। एक पूर्ण एल्गोरिदम के साथ भी, यदि हवा बहुत तेज है, तो आप फुसफुसाहट को पूरी तरह से नहीं सुन सकते। हालाँकि, सिस्टम इस सीमा तक बहुत कुशलता से पहुँचा।

निष्कर्ष (The Takeaway)

यह पेपर दावा करता है कि यह विधि क्वांटम कंप्यूटरों को कैलिब्रेट करने का एक शक्तिशाली, "मॉडल-मुक्त" (model-free) तरीका है।

मैनुअल की आवश्यकता नहीं: आपको मशीन की गहरी भौतिकी को समझने या उसके सटीक सैद्धांतिक मॉडल की आवश्यकता नहीं है।
कुशल: यह बहुत कम परीक्षणों के साथ सर्वोत्तम सेटिंग्स खोज लेता है, जिससे समय और संसाधनों की बचत होती है।
मजबूत (Robust): यह तब भी अच्छी तरह से काम करता है जब माप शोर वाले हों और शुरुआती अनुमान बहुत दूर हों।

संक्षेप में, उन्होंने एक स्व-सुधारने वाला, बुद्धिमान ट्यूनर बनाया है जो एक जटिल गणितीय पहेली को हल करने के बजाय, कुछ स्मार्ट प्रयोगों के माध्यम से एक क्वांटम मशीन की विशिष्टताओं को सीखता है।

तकनीकी सारांश: सरोगेट-आधारित अनुकूलन के माध्यम से एंटैंगलिंग गेट्स के अंशांकन (कैलिब्रेशन) के लिए सक्रिय शिक्षण (एक्टिव लर्निंग)

समस्या विवरण
उच्च-निष्ठा (हाई-फिडेलिटी) क्वांटम गेट संचालन निकट-अवधि क्वांटम लाभ और फॉल्ट-टोलरेंट त्रुटि सुधार के लिए आवश्यक हैं। हालांकि, उच्च निष्ठा प्राप्त करने के लिए उन शास्त्रीय नियंत्रण मापदंडों का सटीक अंशांकन आवश्यक है जो सिस्टम के हैमिल्टनियन (Hamiltonian) को परिभाषित करते हैं। जबकि सैद्धांतिक मॉडल मौजूद हैं, हार्डवेयर पर लागू वास्तविक हैमिल्टनियन आदर्श मॉडल से भिन्न होता है, जिसका कारण शास्त्रीय नियंत्रण बुनियादी ढांचे में अज्ञात, संभावित रूप से गैर-रैखिक ट्रांसफर फंक्शन हो सकते हैं। पारंपरिक अंशांकन विधियां, जैसे कि अनुक्रमिक पैरामीटर स्वीप या सटीक फॉरवर्ड मॉडल (जैसे, सटीक सैद्धांतिक मॉडल के साथ बायेसियन अंशांकन) पर निर्भर अनुकूलन, महत्वपूर्ण सीमाओं का सामना करते हैं। इनमें सिस्टम के आकार के साथ खराब स्केलेबिलिटी, शास्त्रीय सिमुलेशन के लिए उच्च कम्प्यूटेशनल लागत, और हार्डवेयर ड्रिफ्ट (हल्के बदलाव) को संभालने की अक्षमता शामिल है, जिसके लिए आवधिक पुन: अंशांकन की आवश्यकता होती है। इसके अलावा, क्वांटम सिस्टम शोर वाले और कम डेटा वाले परिवेश में कार्य करते हैं, जो न्यूरल नेटवर्क जैसे डेटा-भूखे दृष्टिकोणों को अव्यवहारिक बनाता है। मुख्य चुनौती यह है कि माप शोर (measurement noise) को सहन करते हुए और प्रयोगात्मक प्रणाली के सटीक भौतिक मॉडल के बिना, इष्टतम नियंत्रण मापदंडों को कुशलतापूर्वक पहचानना है।

कार्यप्रणाली
लेखक एक बायेसियन ऑप्टिमाइज़ेशन (BO) पर आधारित सक्रिय शिक्षण ढांचा प्रस्तावित करते हैं जो एक सरोगेट मॉडल के रूप में गॉसियन प्रोसेस (GP) का उपयोग करता है। यह दृष्टिकोण सीमित और शोर वाले मापों का उपयोग करके अंशांकन परिदृश्य (calibration landscape) को नेविगेट करने के लिए डिज़ाइन किया गया है।

सरोगेट मॉडलिंग: ढांचा अज्ञात अंशांकन परिदृश्य $f(x)$ को मॉडल करने के लिए एक GP का उपयोग करता है, जहाँ $x$ नियंत्रण मापदंडों (रैबी फ्रीक्वेंसी $\Omega$ , साइडबैंड डिट्यूनिंग $\delta$ , और सेंटर-लाइन डिट्यूनिंग $\omega_{cl}$ ) का एक वेक्टर है। मानक GPs के विपरीत, यह कार्यान्वयन एक हेटरोस्केडास्टिक शोर मॉडल (heteroskedastic noise model) का उपयोग करता है। माप शोर $\epsilon_i$ को शून्य-माध्य (zero-mean) गॉसियन के रूप में मॉडल किया गया है, जिसका विचरण (variance) नियंत्रण सेटिंग्स और माप शॉट्स की संख्या $N$ पर निर्भर करता है, जो क्वांटम प्रोजेक्शन शोर के भौतिकी को दर्शाता है।
बायेसियन ऑप्टिमाइज़ेशन लूप: अनुकूलन प्रक्रिया तीन चरणों के माध्यम से पुनरावृत्त होती है:
1. सरोगेट अपडेट: GP पोस्टीरियर को नए प्रयोगात्मक डेटा (नियंत्रण मापदंड और मापे गए स्कोर) के साथ अपडेट किया जाता है, जिसमें हाइपरपैरामीटर (लेंथ स्केल्स, सिग्नल वेरिएंस, नॉइज़ स्केलिंग) को टाइप-II मैक्सिमम लाइक्लीहुड के माध्यम से अनुकूलित किया जाता है।
2. एक्टिव लर्निंग एक्विजिशन: एक एक्विजिशन फंक्शन, विशेष रूप से अपर कॉन्फिडेंस बाउंड (UCB), अगले प्रयोगात्मक विन्यास का चयन करता है। यह फंक्शन एक्सप्लोइटेशन (उच्च अनुमानित निष्ठा वाले क्षेत्रों का नमूना लेना) और एक्सप्लोरेशन (उच्च अनिश्चितता वाले क्षेत्रों का नमूना लेना) के बीच संतुलन बनाता है ताकि वैश्विक इष्टतम (global optimum) को कुशलतापूर्वक खोजा जा सके।
3. भौतिक मूल्यांकन: चयनित मापदंडों को क्वांटम सिस्टम (इस कार्य में सिम्युलेटेड) पर लागू किया जाता है, और परिणामी गेट फिडेलिटी स्कोर मापा जाता है।
सिमुलेशन वातावरण: इस विधि को एक सिम्युलेटेड ट्रैप्ड-आयन मॉल्मर-सोरेनसन (MS) गेट का उपयोग करके मान्य किया गया है। सिमुलेशन दो $^{40}\text{Ca}^+$ आयनों को मॉडल करने के लिए IonSim.jl का उपयोग करता है, जिसमें ऑफ-रेजोनेंट कैरियर एक्साइटेशन और स्क्वायर पल्स प्रभावों को शामिल किया गया है, जबकि क्वांटम प्रोजेक्शन शोर के प्रभाव को अलग करने के लिए डिकोहेरेंस (decoherence) को नजरअंदाज किया गया है। अंशांकन अनुक्रम में $|gg\rangle$ अवस्था में क्यूबिट्स को इनिशियलाइज़ करना, दो MS गेट लागू करना और $|ee\rangle$ अवस्था की प्रायिकता ( $P_{ee}$ ) को स्कोर के रूप में मापना शामिल है।

प्रमुख योगदान

मॉडल-मुक्त अंशांकन: पेपर एक ऐसा अंशांकन प्रोटोकॉल प्रदर्शित करता है जिसे क्वांटम सिस्टम के प्रमाणित फॉरवर्ड मॉडल की आवश्यकता नहीं है, बल्कि यह एक डेटा-संचालित GP सरोगेट पर निर्भर करता है।
हेटरोस्केडास्टिक शोर हैंडलिंग: लेखक एक शोर मॉडल को एकीकृत करते हैं जहाँ अवलोकन विचरण (observation variance) नियंत्रण मापदंडों और माप शॉट्स पर निर्भर करता है, जो इस तथ्य को स्वीकार करता है कि क्वांटम प्रोजेक्शन शोर पूरे परिदृश्य में बदलता रहता है।
सक्रिय शिक्षण दक्षता: ढांचा इष्टतम मापदंडों की खोज को तेज करने के लिए सक्रिय शिक्षण का उपयोग करता है, यह दिखाते हुए कि GP शोर वाले डेटा पर प्रशिक्षित होने के बावजूद स्थानिक सुगमता (spatial smoothness) को लागू करके सिस्टम को प्रभावी ढंग से "डीनॉइज़" कर सकता है।
सीमाओं का परिमाणीकरण: अध्ययन स्पष्ट रूप से सीमित-शॉट क्वांटम प्रोजेक्शन शोर द्वारा लगाए गए फिडेलिटी संतृप्ति (fidelity saturation) सीमाओं को स्पष्ट करता है, जो एल्गोरिदम अभिसरण (convergence) और भौतिक माप सीमाओं के बीच अंतर करता है।

परिणाम
लेखकों ने ट्रैप्ड-आयन MS गेट के संख्यात्मक सिमुलेशन के माध्यम से दृष्टिकोण को मान्य किया:

सरोगेट सटीकता: GP सरोगेट ने नियंत्रण परिदृश्य को सफलतापूर्वक मॉडल किया। प्रशिक्षण बिंदुओं ( $m$ ) और माप शॉट्स ( $N$ ) की संख्या बढ़ाने से सटीकता में सुधार हुआ। विशेष रूप से, बड़े $m$ के लिए, GP मीन डेटा के औसत शोर स्तर से नीचे RMSE प्राप्त कर सकता था, जिससे अनकोरिलेटेड प्रोजेक्शन शोर को फ़िल्टर किया जा सका।
अनुकूलन अभिसरण (Optimization Convergence):
- पैरामीटर रेंज: मापदंडों की प्रारंभिक अनिश्चितता रेंज को कम करने (जैसे, $\pm 10$ kHz से $\pm 1$ kHz तक) से अभिसरण का समय काफी कम हो गया और अनुकूलन पथ में भिन्नता भी कम हुई। हालांकि, अनुकूलक पूर्ण-पैमाने के खोज डोमेन ( $r=1.0$ ) में भी वैश्विक इष्टतम को खोजने के लिए पर्याप्त मजबूत बना रहा।
- शॉट बजट: अनुकूलन निष्ठा (fidelity) मूल्यांकन के प्रति शॉट्स की संख्या ( $N$ ) के आधार पर संतृप्त हुई। यह संतृप्ति अपेक्षित स्केलिंग $1 - Q \approx Q_\infty + \gamma N^{-1/2}$ का पालन करती है। $N=100$ शॉट्स के कम बजट के साथ भी, अनुकूलक विश्वसनीय रूप से $\sim 10^{-3}$ के फिडेलिटी फ्लोर तक पहुँच गया, हालांकि और अधिक पुनरावृत्तियों से भी फिडेलिटी को सीमित-शॉट सीमा से नीचे नहीं सुधारा जा सका।
- पैरामीटर परिशुद्धता: आवृत्ति मापदंडों ( $\omega_{cl}$ और $\delta$ ) को आदर्श मानों के भीतर दहाई के स्थानों (tens of Hz) तक अभिसरित किया गया, जबकि रैबी फ्रीक्वेंसी ( $\Omega$ ) न्यूनतम भिन्नता के साथ आदर्श अनुपात में अभिसरित हुई।
विज़ुअलाइज़ेशन: सक्रिय शिक्षण प्रक्रिया को परिदृश्य का बुद्धिमानी से नमूना लेते हुए दिखाया गया, जो इष्टतम क्षेत्र के आसपास मापों को केंद्रित करता है और आवृत्ति चोटियों (frequency peaks) के आसपास अनिश्चितता को कम करता है, जबकि एम्प्लीट्यूड परिदृश्य चुने गए अंशांकन अनुक्रम में कम संवेदनशीलता के कारण व्यापक बना रहता है।

महत्व और दावे
यह पेपर क्वांटम अंशांकन और नियंत्रण के लिए सक्रिय शिक्षण और सरोगेट मॉडल की उपयोगिता स्थापित करता है। लेखक दावा करते हैं कि उनका मॉडल-मुक्त दृष्टिकोण एक "स्वचालित गेट रखरखाव के लिए हल्का मार्ग" प्रदान करता है, जो अंशांकन ड्रिफ्ट को संभालने में सक्षम है और विस्तृत भौतिक मॉडल के बिना कार्य कर सकता है। परिणाम बताते हैं कि गॉसियन प्रोसेस बायेसियन ऑप्टिमाइज़ेशन शोर वाले, महंगे क्वांटम-नियंत्रण कार्यों के लिए एक व्यावहारिक उपकरण है। यह कार्य रेखांकित करता है कि हालांकि संसाधन-कुशल अंशांकन संभव है, अंतिम निष्ठा (fidelity) माप प्रक्रिया में निहित क्वांटम प्रोजेक्शन शोर द्वारा सीमित होती है। लेखक इस पद्धति को स्केलिंग क्वांटम सिस्टमों के लक्षण वर्णन, अंशांकन और नियंत्रण की ओर एक आधारभूत कदम के रूप में देखते हैं, यह नोट करते हुए कि भविष्य के कार्यों को वास्तविक दुनिया की गैर-आदर्शताओं और शास्त्रीय सिमुलेशन के साथ क्वांटम मापों को संयोजित करने वाले मल्टी-फिडेलिटी दृष्टिकोणों को संबोधित करना चाहिए।

समस्या: "ब्लैक बॉक्स" रेडियो

समाधान: "स्मार्ट गेसिंग" (Smart Guessing) प्रणाली

प्रयोग: "एंटैंगलिंग गेट" को ट्यून करना

निष्कर्ष (The Takeaway)

इसी तरह के और पेपर