⚛️ quantum physics

Non-Clifford Benchmarking via Ensemble Feature Selection

यह शोध पत्र एक एन्सेम्बल फीचर सिलेक्शन विधि प्रस्तावित करता है जो नॉन-क्लिफ़ोर्ड मल्टी-क्यूबिट गेट्स, जैसे कि CCZ, के प्रोसेस इन्फिडेलिटी (process infidelity) को तेजी से और सटीक रूप से बेंचमार्क करने के लिए एक लीनियर एस्टिमेटर (linear estimator) बनाने हेतु नॉइज़ी चैनल एन्सेम्बल्स पर ऑफलाइन ट्रेनिंग का लाभ उठाता है, जहाँ मानक क्लिफ़ोर्ड-आधारित तकनीकें लागू नहीं होती हैं।

मूल लेखक: Stancho G. Stanchev, Nikolay V. Vitanov

प्रकाशित 2026-07-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Stancho G. Stanchev, Nikolay V. Vitanov

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 यह आंकने की कोशिश कर रहे हैं कि एक नया, जटिल मशीन का पुर्जा (part) कितनी अच्छी तरह काम करता है। क्वांटम कंप्यूटरों की दुनिया में, ये "पुर्जे" सूचना को नियंत्रित करने वाले लॉजिक गेट्स (logic gates) हैं। कुछ गेट मानक, अच्छी तरह से समझे गए उपकरणों (जिन्हें Clifford gates कहा जाता है) की तरह हैं, और उन्हें टेस्ट करने का हमारे पास एक सटीक, स्थापित तरीका है। लेकिन अन्य गेट, जो गैर-मानक (non-standard) उपकरण हैं (जिन्हें non-Clifford gates कहा जाता है), वे अधिक विचित्र और कठिन होते हैं क्योंकि वे हमारे मानक परीक्षण बॉक्स में फिट नहीं बैठते, फिर भी शक्तिशाली कंप्यूटिंग के लिए वे आवश्यक हैं।

यह शोध पत्र एन्सेम्बल फीचर सिलेक्शन (Ensemble Feature Selection - EFS) नामक एक नई विधि पेश करता है, जो इन पेचीदा, गैर-मानक गेट्स को एक विशाल, महंगे और धीमे परीक्षण प्रक्रिया की आवश्यकता के बिना, तेजी से और सटीकता से टेस्ट करने के लिए है।

यह विधि कैसे काम करती है, इसे सरल अवधारणाओं में नीचे समझाया गया है:

1. समस्या: "ब्लैक बॉक्स" गेट

एक क्वांटम गेट को एक ब्लैक बॉक्स की तरह समझें। आप इसमें एक इनपुट डालते हैं, और आउटपुट बाहर आता है। यदि बॉक्स एकदम सही है, तो आउटपुट बिल्कुल वैसा ही होगा जैसा आप उम्मीद करते हैं। यदि इसमें शोर (noise) है, तो आउटपुट थोड़ा गलत होगा।

मानक गेट (Standard gates) एक ज्ञात रेसिपी की तरह हैं; हमें पता है कि केक जल गया है या नहीं, यह देखने के लिए किन सामग्रियों (माप/measurements) की जांच करनी है।
Non-Clifford गेट्स एक गुप्त पारिवारिक रेसिपी की तरह हैं। हमें यह नहीं पता कि किन विशिष्ट सामग्रियों की जांच करनी है, और सब कुछ मापने की कोशिश करना (जैसे हर एक कण को चखना) बहुत लंबा समय लेगा और बहुत अधिक संसाधनों का उपयोग करेगा।

2. समाधान: "स्मार्ट टेस्टिंग पैनल"

हर एक कण को चखने के बजाय, लेखक एक स्मार्ट टेस्टिंग पैनल (Smart Tasting Panel) का प्रस्ताव देते हैं।

उम्मीदवार पूल (The Candidate Pool): कल्पना करें कि आपके पास 8,000 अलग-अलग "टेस्ट टेस्ट" (सर्किट मेजरमेंट्स) का एक बड़ा बाल्टी भर भंडार है जिन्हें आप कर सकते थे।
प्रशिक्षण वर्ग (The Ensemble): वास्तविक मशीन को टेस्ट करने से पहले, लेखक कंप्यूटर पर नकली, शोर वाले मशीनों का एक "प्रशिक्षण वर्ग" बनाते हैं। वे इन नकली मशीनों को इस तरह प्रोग्राम करते हैं कि वे वास्तविक क्वांटम कंप्यूटरों द्वारा किए जाने वाले विशिष्ट प्रकार के एरर (जैसे स्टैटिक, सिग्नल लॉस, या अस्थिर कनेक्शन) की नकल कर सकें।
चयन (The Selection): वे इन नकली मशीनों पर उन 8,000 संभावित टेस्ट को चलाते हैं। रिज रिग्रेशन (Ridge Regression) नामक एक सांख्यिकीय ट्रिक (जिसे आप एक स्मार्ट फिल्टर मान सकते हैं) का उपयोग करके, वे यह पता लगाते हैं कि कौन से 24 विशिष्ट टेस्ट सबसे अधिक जानकारीपूर्ण हैं। ये 24 टेस्ट वे "फीचर्स" हैं जो सबसे ज्यादा बताते हैं कि मशीन कितनी खराब है।

3. "एंकर" का तरीका (The "Anchor" Trick)

यह सुनिश्चित करने के लिए कि टेस्ट निष्पक्ष हो, वे एक "एंकर" का उपयोग करते हैं।

कल्पना कीजिए कि आप एक तराजू का परीक्षण कर रहे हैं। आप पहले एक ज्ञात 1 किलो के वजन को तौलते हैं ताकि यह सुनिश्चित हो सके कि तराजू शून्य त्रुटि (error) दिखा रहा है।
इस पद्धति में, वे गेट के एक "परफेक्ट" (आदर्श) संस्करण पर उन 24 चयनित टेस्ट को चलाते हैं। वे इस परफेक्ट रिजल्ट को शोर वाले रिजल्ट से घटा देते हैं। यह परीक्षण उपकरणों के अपने बैकग्राउंड शोर को खत्म कर देता है, जिससे केवल उस गेट से होने वाली त्रुटि ही बचती है जिसका परीक्षण किया जा रहा है।

4. वास्तविक दुनिया का परीक्षण

लेखकों ने इस विधि को एक वास्तविक क्वांटम कंप्यूटर (IBM का एक मशीन जिसे ibm_kingston कहा जाता है) पर परखा।

वैलिडेशन (The Validation): वे सीधे "परफेक्ट" नॉन-क्लिफोर्ड गेट को टेस्ट नहीं कर सकते थे क्योंकि ऐसा करने का कोई मानक तरीका नहीं है। इसलिए, उन्होंने गेट के एक "क्लिफोर्ड कजिन" (एक समान गेट जो कि मानक है) का परीक्षण किया। उन्होंने अपने नए "स्मार्ट टेस्टिंग पैनल" (EFS) की तुलना गोल्ड-स्टैंडर्ड टेस्ट (जिसे IRB कहा जाता है) से की।
परिणाम: दोनों विधियों के परिणाम बहुत करीब थे। नई विधि गेट की गुणवत्ता की एक विस्तृत श्रृंखला में लगभग 0.01 (1%) त्रुटि के भीतर सटीक थी।
नॉन-क्लिफोर्ड छलांग (The Non-Clifford Leap): एक बार जब उन्होंने सिद्ध कर दिया कि यह विधि एक समान गेट पर काम करती है, तो उन्होंने इसे सीधे कठिन CCZ गेट (लक्ष्य नॉन-क्लिफोर्ड गेट) पर लागू किया।

5. "मैजिक रोटेशन" का अंतर्दृष्टि (The "Magic Rotation" Insight)

इस पेपर का सबसे चतुर हिस्सा यह है कि उन्होंने यह कैसे जांचा कि क्या यह विधि नॉन-क्लिफोर्ड गेट की विशिष्ट "अजीबियत" को संभाल सकती है।

नॉन-क्लिफोर्ड गेट में "वर्चुअल रोटेशन" (गणितीय बदलाव जो भौतिक ऊर्जा खर्च नहीं करते) वाला एक विशेष चरण शामिल होता है।
लेखकों ने महसूस किया कि ये रोटेशन नया शोर (noise) नहीं जोड़ते; वे केवल मौजूदा शोर को बदल (shuffle) देते हैं (एक प्रकार के एरर से दूसरे प्रकार के एरर में)।
उन्होंने इन रोटेशन के साथ गेट (CCZ) और बिना रोटेशन के गेट (ICCZ) के टेस्ट परिणामों की तुलना की।
निष्कर्ष: अधिकांश समय के लिए, परिणाम लगभग समान थे, जो पुष्टि करते हैं कि शोर मुख्य रूप से "डायगोनल" (सरल) है। हालांकि, बहुत कम मामलों में (लगभग 3-4%), परिणाम थोड़े भिन्न थे। इससे सिद्ध हुआ कि यह विधि उन सूक्ष्म बदलावों को पकड़ने के लिए पर्याप्त संवेदनशील है जो केवल इन नॉन-क्लिफोर्ड गेट्स में होने वाले जटिल एरर्स के "शफलिंग" को दर्शाते हैं।

सारांश

यह शोध पत्र टूटे हुए क्वांटम गेट्स के निदान के लिए एक तेज़ और संसाधन-कुशल तरीका प्रस्तुत करता है।

एक पूर्ण-स्तरीय लंबी जांच के बजाय, यह केवल 24 त्वरित टेस्ट के माध्यम से पूर्व-प्रशिक्षित, स्मार्ट चयन का उपयोग करता है।
यह सीखने के लिए कि क्या देखना है, सिम्युलेटेड शोर वाली मशीनों पर अभ्यास करता है जो वास्तविक हार्डवेयर की नकल करती हैं।
इसे समान गेट्स पर मानक परीक्षणों के साथ तुलना करके प्रमाणित किया गया था और फिर इसे भविष्य के क्वांटम कंप्यूटरों के लिए आवश्यक कठिन, गैर-मानक गेट्स पर सफलतापूर्वक लागू किया गया।

संक्षेप में: उन्होंने एक त्वरित, स्मार्ट डायग्नोस्टिक टूल बनाया है जो जानता है कि यह पता लगाने के लिए कौन से कुछ चुनिंदा प्रश्न पूछने हैं कि एक जटिल क्वांटम गेट ठीक से काम कर रहा है या नहीं, जिससे समय और संसाधनों की बचत होती है और उच्च सटीकता बनी रहती है।

तकनीकी सारांश: एन्सेम्बल फीचर सिलेक्शन के माध्यम से नॉन-क्लिफ़ॉर्ड बेंचमार्किंग

समस्या विवरण
नॉन-क्लिफ़ॉर्ड गेट्स का लक्षण वर्णन करना यूनिवर्सल क्वांटम कंप्यूटेशन के लिए एक महत्वपूर्ण बाधा है। जबकि रैंडमाइज्ड बेंचमार्किंग (RB) और इंटरलीव्ड रैंडमाइज्ड बेंचमार्किंग (IRB) क्लिफ़ॉर्ड गेट्स के लिए उनके बीजगणितीय (algebraic) ढांचे के कारण अच्छी तरह स्थापित हैं, ये विधियाँ सीधे नॉन-क्लिफ़ॉर्ड लक्ष्यों पर लागू नहीं होती हैं। मौजूदा विकल्प, जैसे कि क्वांटम प्रोसेस टोपोलॉजी (QPT) और गेट सेट टोपोलॉजी (GST), सिस्टम के आकार के साथ तेजी से (exponentially) बढ़ते हैं, जो मल्टी-क्यूबिट सिस्टम के लिए इन्हें अव्यावहारिक बना देता है। इसके विपरीत, स्केलेबल मशीन-लर्निंग दृष्टिकोण अक्सर दक्षता के लिए सूचना का त्याग करते हैं लेकिन विशिष्ट गेट परिवारों के लिए उनमें एक कठोर ढांचा नहीं होता है। लेखक नोट करते हैं कि व्यावहारिक क्वांटम कंप्यूटिंग वर्कफ्लो (कैलिब्रेशन, एरर करेक्शन) को अल्ट्रा-हाई-प्रिसिजन मेट्रोलॉजी के बजाय तेज़, अनुमानित फीडबैक की आवश्यकता होती है, विशेष रूप से तीन-क्यूबिट नॉन-क्लिफ़ॉर्ड गेट्स के लिए जिनमें आमतौर पर कुछ प्रतिशत की त्रुटि दर होती है।

कार्यप्रणाली: एन्सेम्बल फीचर सिलेक्शन (EFS)
यह शोध पत्र एन्सेम्बल फीचर सिलेक्शन (EFS) का प्रस्ताव करता है, जो एक फ्रेमवर्क है जिसे इनवोल्यूटरी (involutory) मल्टी-क्यूबिट गेट्स, विशेष रूप से नॉन-क्लिफ़ॉर्ड CCZ गेट के प्रोसेस इन्फिडेलिटी ( $\varepsilon$ ) का अनुमान लगाने के लिए डिज़ाइन किया गया है। यह विधि निम्नलिखित चरणों के माध्यम से कार्य करती है:

लीनियर एस्टिमेटर फॉर्मुलेशन: प्रोसेस इन्फिडेलिटी को पाउली ट्रांसफर मैट्रिसेस (PTM) से प्राप्त सर्वाइवल प्रोबेबिलिटीज के एक लीनियर फंक्शन के रूप में व्यक्त किया जाता है। लेखक एक "आदर्श" एस्टिमेटर को परिभाषित करते हैं जिसके लिए पूर्ण टोपोलॉजी की आवश्यकता होती है, लेकिन वे इसकी अव्यावहारिकता को पहचानते हैं। वे एक "व्यावहारिक" एस्टिमेटर की ओर बढ़ते हैं जो प्रयोगात्मक रूप से निष्पादित सर्किट मापों के एक संक्षिप्त उपसमुच्चय (subset) का उपयोग करता है।
एंकर कंस्ट्रेंट (Anchor Constraint): स्टेट प्रिपरेशन एंड मेजरमेंट (SPAM) त्रुटियों को कम करने के लिए, एस्टिमेटर को एंकर किया गया है। नॉइजी गेट $G$ और आइडेंटिटी $I$ के बीच सर्वाइवल प्रोबेबिलिटीज के अंतर ( $\Delta p_m = p_m(G) - p_m(I)$ ) को मापकर, एस्टिमेटर लक्ष्य गेट $T$ से स्वतंत्र हो जाता है (बशर्ते $T$ वर्चुअल $Z$ मिक्सर्स के साथ विशिष्ट कम्यूटेशन शर्तों को पूरा करता हो) और केवल एरर चैनल पर ध्यान केंद्रित करता है।
कैंडिडेट फीचर पूल: यह विधि 8,192 कैंडिडेट सर्किट्स के एक पूल का उपयोग करती है। इन सर्किट्स में एक डिस्क्रीट सेट ( $\{|0\rangle, |1\rangle, |+\rangle, |i\rangle\}^{\otimes n}$ ) से स्टेट्स तैयार करना, नॉइजी गेट को वर्चुअल $Z$ रोटेशन्स (from $\{I, S, Z, S^\dagger\}^{\otimes n}$ ) के साथ इंटरलीव करना और मापन करना शामिल है। वर्चुअल $Z$ रोटेशन्स का उपयोग "एनालिसिस मिक्सर्स" के रूप में कोहेरेंट $X/Y$ एरर कंपोनेंट्स को रोटेट करने के लिए किया जाता है, जिससे भौतिक शोर (physical noise) उत्पन्न किए बिना फीचर पूल समृद्ध होता है।
ट्रेनिंग एन्सेम्बल जनरेशन: EFS का एक महत्वपूर्ण घटक भौतिक रूप से प्रेरित ट्रेनिंग एन्सेम्बल का निर्माण है। यह एन्सेम्बल कोहेरेंट एरर्स (एक हैमिल्टोनियन द्वारा जनरेट की गई यूनिटरी रोटेशन्स के रूप में मॉडल किए गए) और डिसिपेटिव एरर्स (एम्प्लीट्यूड डैम्पिंग और डीफेजिंग) को जोड़कर बनाया गया है। स्पेक्ट्रल वेट्स को हार्डवेयर के प्रमुख शोर तंत्रों (जैसे कंडीशनल फेज एरर्स) के पूर्व ज्ञान के आधार पर ट्यून किया गया है।
फीचर सिलेक्शन और वेट लर्निंग: ट्रेनिंग एन्सेम्बल का उपयोग करते हुए, लेखक एक ग्रीडी फॉरवर्ड सिलेक्शन एल्गोरिदम को रिज रिग्रेशन (ridge regression) के साथ नियोजित करते हैं। यह प्रक्रिया फीचर्स के एक छोटे उपसमुच्चय ( $M$ ) का चयन करती है और शॉट-नॉइज़-अवेयर रूट मीन स्क्वायर एरर (RMSE) मानदंड को कम करने के लिए उनके वेट्स को सीखती है। अंतिम एस्टिमेटर चयनित $\Delta p_m$ मानों का एक लीनियर कॉम्बिनेशन है।

प्रमुख योगदान

एक नॉन-क्लिफ़ॉर्ड एस्टिमेटर: यह पेपर इनवोल्यूटरी नॉन-क्लिफ़ॉर्ड गेट्स (जैसे CCZ) के लिए प्रोसेस इन्फिडेलिटी का अनुमान लगाने के लिए एक विधि पेश करता है, जो क्लिफ़ॉर्ड गुणों या अतिरिक्त शोर पैदा करने वाले करेक्शन गेट्स पर निर्भर नहीं है।
स्पष्ट ट्रेनिंग एन्सेम्बल: "ब्लैक बॉक्स" मशीन लर्निंग दृष्टिकोणों के विपरीत, ट्रेनिंग एन्सेम्बल प्रोटोकॉल का एक स्पष्ट, ट्यूनेबल घटक है, जो हार्डवेयर-विशिष्ट शोर प्रायर (priors) को शामिल करने की अनुमति देता है।
वैलिडेशन स्ट्रैटेजी: लेखक अपने EFS एस्टिमेटर को ibm_kingston सुपरकंडक्टिंग प्रोसेसर पर दो क्लिफ़ॉर्ड बेंचमार्क्स (ICCZ और CZ(0,2)) का उपयोग करके मान्य करते हैं, जो ट्रांसपाइल्ड CCZ सर्किट से संरचनात्मक रूप से संबंधित हैं। यह स्वतंत्र IRB मापों के साथ तुलना करने की अनुमति देता है।
वर्चुअल रोटेशन्स के माध्यम से स्ट्रेस टेस्ट: यह पेपर इस तथ्य का लाभ उठाता है कि CCZ और ICCZ सर्किट्स के बीच एकमात्र अंतर वर्चुअल $R_z(\pm \pi/4)$ रोटेशन्स का एक सेट है। चूंकि ये रोटेशन्स आंतरिक शोर जोड़े बिना कोहेरेंट $X/Y$ एरर्स को पुनर्वितरित करते हैं, इसलिए CCZ और ICCZ के लिए EFS अनुमानों की तुलना करना नॉन-डायगोनल एरर स्ट्रक्चर के प्रति एस्टिमेटर की संवेदनशीलता का एक नियंत्रित परीक्षण प्रदान करता है।

प्रायोगिक परिणाम

क्लिफ़ॉर्ड लक्ष्यों पर वैलिडेशन: ibm_kingston पर, EFS एस्टिमेटर की तुलना ICCZ और CZ(0,2) के लिए IRB से की गई। $M=24$ चयनित फीचर्स (आइडेंटिटी मेजरमेंट्स सहित 48 कुल सर्किट) का उपयोग करके, विधि ने 0.02–0.20 की प्रोसेस इन्फिडेलिटी रेंज में 0.957 का पियर्सन कोरिलेशन ( $r$ ) और लगभग 0.01 का कैलिब्रेटेड RMSE प्राप्त किया। EFS बनाम IRB फिट के स्लोप लगभग 0.93–0.94 थे।
CCZ पर अनुप्रयोग: एस्टिमेटर को सीधे CCZ गेट पर लागू किया गया। परिणामों ने अधिकांश क्यूबिट ट्रिपल्स के लिए EFS(CCZ) और EFS(ICCZ) के बीच घनिष्ठ सहमति दिखाई, जो पुष्टि करती है कि डायगोनल नॉइज़ प्रभावी है। हालांकि, ~3–4% ट्रिपल्स में विचलन देखा गया, जिसने मापने योग्य नॉन-डायगोनल (कोहेरेंट $X/Y$ ) एरर स्ट्रक्चर को प्रकट किया, जिसे वर्चुअल रोटेशन्स के पुनर्वितरण ने डिटेक्ट करने योग्य बनाया।
दक्षता: इस सटीकता को प्राप्त करने के लिए विधि को केवल 48 सर्किट ( $2 \times M$ ) की आवश्यकता होती है, जो पूर्ण टोपोलॉजी की तुलना में एक महत्वपूर्ण कमी है।

महत्व और दावे
शोध पत्र का दावा है कि EFS उन नॉन-क्लिफ़ॉर्ड गेट्स के लिए एक व्यावहारिक, संसाधन-कुशल फ्रेमवर्क प्रदान करता है जहाँ मानक संदर्भ उपलब्ध नहीं हैं। लेखक तर्क देते हैं कि क्लिफ़ॉर्ड लक्ष्यों पर स्थापित सटीकता नॉन-क्लिफ़ॉर्ड लक्ष्यों पर भी स्थानांतरित होती है क्योंकि एस्टिमेटर लक्षित गेट की विशिष्ट बीजगणितीय संरचना पर नहीं, बल्कि एरर चैनल की फीचर पूल के साथ अंतःक्रिया (interaction) पर निर्भर करता है।

इस कार्य का महत्व कैलिब्रेशन और एरर-करेक्शन वर्कफ्लो के लिए तीव्र डायग्नोस्टिक फीडबैक प्रदान करने की इसकी क्षमता में निहित है। हार्डवेयर शोर के पूर्व ज्ञान को अपने ट्रेनिंग एन्सेम्बल में शामिल करके, यह विधि बेंचमार्किंग टूल और हार्डवेयर शोर लक्षण वर्णन के लिए एक सिद्धांत आधारित दृष्टिकोण दोनों के रूप में कार्य करती है। लेखक विनम्र रहते हुए कहते हैं कि यह विधि अल्ट्रा-हाई-प्रिसिजन मेट्रोलॉजी के लिए नहीं है, बल्कि वर्तमान नॉइज़ी इंटरमीडिएट-स्केल क्वांटम (NISQ) डिवाइसेस में खराब प्रदर्शन करने वाले क्यूबिट ट्रिपल्स की पहचान करने के लिए उपयुक्त स्केलेबल, तेज़ अनुमान के लिए है। वे निष्कर्ष निकालते हैं कि परिणाम नॉन-क्लिफ़ॉर्ड गेट्स के संसाधन-कुशल, हार्डवेयर-इंफोर्मड कैरेक्टराइजेशन की व्यवहार्यता को प्रदर्शित करते हैं।