Comparing and learning figures of merit for quantum circuit compilation
यह शोध पत्र एक मशीन लर्निंग फ्रेमवर्क प्रस्तावित करता है जो पहले आवश्यक संकलन गेटों (compilation gates) का अनुमान लगाकर और फिर हार्डवेयर शोर (hardware noise) को ध्यान में रखकर क्वांटम सर्किटों के लिए एक नवीन भारित मेरिट ऑफ मेरिट (wPST) का पूर्वानुमान लगाता है, जिससे यह क्वांटम उपकरणों के लिए उच्च-गुणवत्ता वाले सर्किट चुनने में पारंपरिक मेट्रिक्स की तुलना में काफी बेहतर प्रदर्शन 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 बेहतरीन केक बनाने की कोशिश कर रहे हैं, लेकिन आपके पास एक मानक रसोई नहीं है। इसके बजाय, आपके पास एक अराजक, शोर वाला ओवन है जहाँ गर्मी लगातार घटती-बढ़ती रहती है, और आपका मिक्सिंग बाउल केवल काउंटर के विशिष्ट स्थानों से ही जुड़ सकता है। यह क्वांटम कंप्यूटिंग की वर्तमान वास्तविकता है। वैज्ञानिक ऐसी मशीनें बना रहे हैं जो क्वांटम मैकेनिक्स के अजीब नियमों का उपयोग करती हैं—जैसे सुपरपोजिशन (एक ही समय में दो जगहों पर होना) और एंटैंगलमेंट (कणों के बीच रहस्यमय संबंध)—ताकी उन समस्याओं को हल किया जा सके जिन्हें सुलझाने में सुपरकंप्यूटर हजारों साल लगा सकते हैं। लेकिन ये मशीनें नाजुक हैं। वे उस दौर में हैं जिसे विशेषज्ञ "नॉइज़ी इंटरमीडिएट-स्केल" (noisy intermediate-scale) युग कहते हैं, जिसका अर्थ है कि वे शक्तिशाली तो हैं लेकिन त्रुटियों के प्रति संवेदनशील हैं, और उनके हिस्से (क्यूबिट्स) हमेशा सीधे एक-दूसरे से बात नहीं कर सकते।
इस बिखरी हुई हार्डवेयर पर एक क्वांटम एल्गोरिदम को काम करने के लिए, आपको इसे "कंपाइल" (compile) करना होगा। कंपाइलेशन को एक आदर्श रसोई के लिए लिखे गए रेसिपी को निर्देशों के एक ऐसे सेट में अनुवाद करने के रूपारा समझें जिसे आपके अराजक रसोई में वास्तव में पालन किया जा सके। आपको अतिरिक्त कदम जोड़ने पड़ सकते हैं, जैसे सही बाउल तक पहुँचने के लिए सामग्री को इधर-उधर ले जाना (SWAP गेट्स), या आपको एक फैंसी व्हिस्क (फेंटने वाला उपकरण) को चम्मच से बदलना पड़ सकता है क्योंकि व्हिस्क वहां फिट नहीं बैठता। बड़ा सवाल यह है कि आपको कैसे पता चलेगा कि निर्देशों का कौन सा सेट वास्तव में एक अच्छा केक बनाएगा? आपको ओवन चालू करने से पहले ही अपनी रेसिपी की गुणवत्ता मापने का एक तरीका चाहिए। यहीं पर "फिगर्स ऑफ मेरिट" (figures of merit) काम आते हैं—जो मूल रूप से एक स्कोरकार्ड की तरह हैं कि आपका क्वांटम सर्किट कितना अच्छा प्रदर्शन करेगा।
यह शोध पत्र एक सटीक स्कोरकार्ड खोजने की पेचीदा समस्या को हल करता है। लेखक, हर्षदीप सिंह और उनकी टीम (चाल्मर्स यूनिवर्सिटी ऑफ टेक्नोलॉजी और यूनिवर्सिटी ऑफ गोटरबर्ग से) का तर्क है कि क्वांटम सर्किटों को स्कोर करने के पुराने तरीके या तो बहुत सरल हैं या गणना करने में बहुत कठिन हैं। सरल स्कोर, जैसे कि रेसिपी में चरणों की संख्या गिनना, जांचने में आसान हैं लेकिन वे यह नहीं बताते कि केक वास्तव में स्वादिष्ट होगा या नहीं। दूसरी ओर, "परफेक्ट" स्कोर में केक बनाना (सर्किट चलाना) और उसे चखना शामिल है, लेकिन हर संभव रेसिपी वेरिएशन के लिए ऐसा करना अनंत काल तक ले जाएगा।
टीम एक नया, स्मार्ट स्कोरकार्ड प्रस्तावित करती है जिसे wPST (वेटेड प्रोबेबिलिटी ऑफ सक्सेसफुल ट्रायल्स) कहा जाता है। कल्पना कीजिए कि आप एक छात्र के टेस्ट को ग्रेड दे रहे हैं। पुराना तरीका (PST) कहता है कि आपको 100% पूर्ण अंक तभी मिलेंगे जब आप हर एक उत्तर सही देंगे। यदि आप एक भी प्रश्न गलत करते हैं, तो आपको शून्य मिलेगा। यह बहुत कठोर है और यह नहीं बताता कि छात्र ने 99% सामग्री सीखी थी या केवल 10%। नया wPST तरीका अधिक उदार और सूचनात्मक है: यह आपको आंशिक क्रेडिट देता है। यदि आप 10 में से 9 उत्तर सही देते हैं, तो आपको 0.9 का स्कोर मिलता है। यह परिणाम की "अच्छाई" को बहुत बेहतर तरीके से पकड़ता है, खासकर जब मशीन शोर वाली हो और छोटी त्रुटियां अपरिहार्य हों।
हालांकि, इस नए स्कोर की गणना करने के लिए भी आमतौर पर सर्किट चलाना आवश्यक होता है, जो बहुत धीमा है। इसे हल करने के लिए, लेखकों ने एक मशीन लर्निंग मॉडल—एक डिजिटल मस्तिष्क—को प्रशिक्षित किया जो केवल रेसिपी (सर्किट) और रसोई के मानचित्र (हार्डवेयर) को देखकर wPST स्कोर की भविष्यवाणी कर सके। उन्होंने इस मॉडल को हजारों उदाहरण दिए, जिससे इसे पैटर्न पहचानने की शिक्षा मिली जैसे कि "बहुत अधिक चरण," "बहुत अधिक उलझे हुए (entangled) घटक," या "ऐसा क्यूबिट जिसका ध्यान भटकने का स्वभाव (short attention span) छोटा है।"
परिणाम उत्साहजनक हैं। सिमुलेशन और वास्तविक IBM क्वांटम कंप्यूटरों पर किए गए परीक्षणों में, उनके मशीन लर्निंग मॉडल ने पारंपरिक तरीकों की तुलना में बहुत अधिक सटीकता के साथ सर्किट की सफलता की भविष्यवाणी की। जबकि पुराने तरीके जैसे गेट्स की गिनती, वास्तविक सफलता के साथ केवल 40-50% सहसंबंध (correlation) रखते थे, उनके नए मॉडल ने इस सहसंबंध को 90% से ऊपर पहुंचा दिया। यह एक विशाल सुधार है, जो प्रभावी रूप से उनकी भविष्यवाणियों की सटीकता को 50% से अधिक बढ़ा देता है।
वास्तविक दुनिया के क्वांटम कंपाइलर्स के लिए इसे उपयोगी बनाने के लिए, लेखकों ने एक दो-चरणीय ट्रिक भी डिजाइन की है। आमतौर पर, आप सर्किट के पूरी तरह से अनुवादित होने तक अंतिम स्कोर नहीं जान सकते। लेकिन उनका सिस्टम पहले यह अनुमान लगा सकता है कि मशीन कितने अतिरिक्त कदम जोड़ेगी (जैसे कि यह अनुमान लगाना कि जीपीएस कितने घुमावदार रास्ते जोड़ेगा), और फिर उस अनुमान का उपयोग अंतिम wPST स्कोर की भविष्यवाणी करने के लिए कर सकता है। यह कंपाइलर को धीमे और महंगे परीक्षण को पहले चलाए बिना, तुरंत सबसे अच्छी रेसिपी चुनने की अनुमति देता है।
संक्षेप में, यह शोध पत्र सुझाव देता है कि एक स्मार्ट, आंशिक-क्रेडिट स्कोरिंग सिस्टम (wPST) को एक तेज़, प्रशिक्षित AI प्रेडिक्टर के साथ जोड़कर, हम बेहतर क्वांटम सर्किट तेज़ी से बना सकते हैं। यह क्वांटम कंप्यूटिंग की सभी समस्याओं को हल नहीं करता है, लेकिन यह आज के शोर वाले और उतार-चढ़ाव वाले क्वांटम हार्डवेयर के माध्यम से नेविगेट करने का एक बहुत अधिक विश्वसनीय तरीका प्रदान करता है, जो हमें उन परफेक्ट क्वांटम केक्स के करीब पहुंचने में मदद करता 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।