⚛️ quantum physics

Plaquette: A hardware-aware design platform for fault-tolerant quantum computers

यह शोध पत्र प्लैक्वेट (Plaquette) को प्रस्तुत करता है, जो एक हार्डवेयर-जागरूक डिज़ाइन प्लेटफ़ॉर्म है जो विविध भौतिक त्रुटि मॉडलों—जैसे कि लीकेज (leakage), स्कैटरिंग (scattering), और हीटिंग (heating)—को सीधे सटीक सिमुलेशन परिणामों में अनुवादित करके फॉल्ट-टॉलरेंट क्वांटम कंप्यूटरों के तार्किक प्रदर्शन की गणना करता है, जिससे विश्वसनीय त्रुटि बजट और थ्रेशोल्ड अनुमान के लिए पारंपरिक स्टोकेस्टिक पॉली सन्निकटन (stochastic Pauli approximations) की सीमाओं को दूर किया जा सके।

मूल लेखक: Raul Conchello Vendrell, Carlos Díaz López, Ish Dhand, Kshitij Kapoor, Davide Laureti, Marcello Massaro, Pranjal Nayak, Ivan Ogloblin, Martin B. Plenio, Shreya Prasanna Kumar, Matteo Santandrea, Varun

प्रकाशित 2026-07-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Raul Conchello Vendrell, Carlos Díaz López, Ish Dhand, Kshitij Kapoor, Davide Laureti, Marcello Massaro, Pranjal Nayak, Ivan Ogloblin, Martin B. Plenio, Shreya Prasanna Kumar, Matteo Santandrea, Varun Seshadri, Antal Száva, Trevor Vincent, Raphael Weber

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 सुपर-एडवांस्ड रोबोट बना रहे हैं जो क्वांटम मैकेनिक्स में सोचता है। आप इसे परफेक्ट बनाना चाहते हैं, लेकिन वास्तविक दुनिया अव्यवस्थित है। रोबोट का मस्तिष्क (हार्डवेयर) थक जाता है, ऊर्जा लीक करता है, और कभी-कभी कमरे के तापमान से भ्रमित हो जाता है।

लंबे समय तक, इन रोबोटों को बनाने की कोशिश करने वाले इंजीनियरों को अपनी यात्रा की योजना बनाने के लिए एक बहुत ही सरल मानचित्र (map) का उपयोग करना पड़ता था। उन्होंने माना कि रोबोट का मस्तिष्क केवल सरल, यादृच्छिक (random) गलतियाँ करता है, जैसे कि सिक्का उछालना। उन्होंने इसे "पॉली नॉइज़" (Pauli noise) कहा। यह ऐसा था जैसे कहना, "ठीक है, रोबोट पत्थर से टकराकर लड़खड़ा सकता है, लेकिन वह कभी पेड़ में नहीं फँसेगा या गड्ढे में नहीं गिरेगा।"

लेकिन वास्तव में, क्वांटम रोबोट अधिक जटिल हैं।

सुपरकंडक्टिंग रोबोट (जैसे ट्रांसमोन) कभी-कभी अपने सामान्य "बेडरूम" (कंप्यूटेशनल स्पेस) से बाहर निकलकर एक "तीसरी मंजिल" पर चले जाते हैं जहाँ उन्हें नहीं जाना चाहिए।
न्यूट्रल एटम रोबलेट (जैसे रिडबर्ग परमाणु) कभी-कभी कमरों के बीच जाने के दौरान एक "गलियारे" (मध्यवर्ती अवस्था) में फंस जाते हैं।
ट्रैप्ड आयन रोबोट (जैसे पिंजरे में आयन) जैसे-जैसे कंपन करते हैं, गर्म होते जाते हैं, जिससे समय के साथ उनका व्यवहार बदल जाता है।

पुराने मानचित्रों में ये अतिरिक्त मंजिलें, गलियारे या तापमान परिवर्तन नहीं दिखाए गए थे। वे केवल कहते थे, "ओह, रैंडम एरर।" इसने इंजीनियरों को यह सोचने पर मजबूर कर दिया कि उनके रोबोट वास्तव में जितने खराब हैं, उससे कहीं बेहतर हैं।

प्रवेश हुआ प्लैकेट (Plaquette) में: एक यथार्थवादी GPS

QC Design GmbH की एक टीम ने Plaquette नामक एक नया टूल बनाया है। Plaquette को एक हाई-टेक GPS के रूप में समझें जो केवल एक सपाट मानचित्र नहीं देखता; बल्कि यह रोबोट के मस्तिष्क के वास्तविक भौतिकी (physics) को देखता है।

यह मानने के बजाय कि रोबोट केवल साधारण सिक्का उछालने जैसी गलतियाँ करता है, Plaquette इंजीनियरों को रोबोट की वास्तविक भौतिकी का वर्णन करने की अनुमति देता है—गति और ऊर्जा के वास्तविक नियमों (जैसे हैमिल्टोनियन और लिंडब्लाड समीकरणों) का उपयोग करके। फिर, Plaquette स्वचालित रूप से इस जटिल भौतिकी को विभिन्न "भाषाओं" में अनुवादित करता है जिन्हें विभिन्न सिमुलेशन टूल समझ सकते हैं।

यह एक मास्टर शेफ की तरह है जो एक जटिल रेसिपी (वास्तविक भौतिकी) लेता है और तुरंत उसे एक नौसिखिए रसोइये के लिए सरल सामग्री की सूची में, एक प्रो के लिए एक विस्तृत आरेख में, या एक रोबोट के लिए एक 3D मॉडल में बदल देता है, और वह भी मूल रेसिपी को बदले बिना।

नए उपकरण: XPauli और Near-Clifford

पेपर में Plaquet के भीतर दो विशेष "लेंस" पेश किए गए हैं जो हमें वह दिखाते हैं जो पुराने मानचित्रों ने मिस कर दिया था:

XPauli लेंस (एक "लीकेज ट्रैकर"):
कल्पना कीजिए कि आपके रोबोट की एक गुप्त तीसरी मंजिल है। यदि वह वहां कूद जाता है, तो पुराने मानचित्र बस कहते थे, "यह गायब हो गया!" और ट्रैकिंग बंद कर देते थे। XPauli लेंस कहता है, "रुको, यह तीसरी मंजिल पर है! चलो इसे एक 'लीक्ड' स्टेट के रूप में ट्रैक करते हैं।" यह रोबोट के मुख्य मस्तिष्क को एक स्थिर, आसानी से गणना योग्य प्रणाली के रूप में मानता है, लेकिन एक सरल टैग जोड़ता है कि, "ओह, और यह हिस्सा वर्तमान में अटारी में फंसा हुआ है।" यह सिमुलेशन को तेज़ (पुराने मानचित्रों की तरह) रखता है, लेकिन उन पेचीदा उछालों को भी पकड़ लेता है।
Near-Clifford लेंस (एक "कोहेरेंस कैचर"):
कभी-कभी रोबोट केवल एक यादृच्छिक गलती नहीं करता; वह एक सुचारू, समन्वित (coordinated) गलती करता है, जैसे कि कोई डांसर गलत दिशा में घूम रहा हो। पुराने मानचित्र इस नृत्य को नहीं देख सके; उन्होंने केवल एक ठोकर देखी। Near-Clifford लेंस इस सुचारू नृत्य को सरल चरणों की एक श्रृंखला में तोड़ देता है, कई अलग-अलग संभावनाओं का औसत निकालकर परिणाम की गणना करता है। यह गणना करने में थोड़ा महंगा है, लेकिन यह उन सूक्ष्म, समन्वित त्रुटियों को पकड़ लेता है जिन्हें सरल मानचित्र मिस कर देते हैं।

सिमुलेशन ने क्या दिखाया

लेखकों ने केवल टूल नहीं बनाया; उन्होंने तीन अलग-अलग प्रकार के क्वांटम रोबोटों के साथ इसका परीक्षण किया ताकि यह देखा जा सके कि क्या पुराने मानचित्र उन्हें झूठ बोल रहे थे।

1. सुपरकंडक्टिंग रोबोट (लीकी ट्रांसमोन):
उन्होंने एक रोबोट का सिमुलेशन किया जहाँ "तीसरी मंजिल" (लीकेज) एक बड़ी समस्या थी।

परिणाम: जब उन्होंने पुराने "पॉली-ओनली" मानचित्र का उपयोग किया, तो रोबमान 0.0177 के शोर स्तर को संभाल सकता था। लेकिन जब उन्होंने नए XPauli लेंस का उपयोग किया, तो रोबोट केवल 0.0148 ही संभाल सका।
सीख: पुराना मानचित्र बहुत आशावादी था। इसने रोबोट को वास्तव में जितना था उससे लगभग 20% बेहतर दिखाया। यदि आप पुराने मानचित्र के आधार पर रोबोट बनाते हैं, तो यह आपकी सोच से पहले ही विफल हो सकता है।

2. न्यूट्रल एटम रोबोट (स्कैटरिंग गलियारा):
उन्होंने एक ऐसे रोबोट को देखा जो एक मध्यवर्ती गलियारे में फंस जाता है।

परिणाम: पुराने मानचित्र ने कहा कि रोबोट "स्कैटरिंग" (फंसने) की एक निश्चित मात्रा को संभाल सकता है। नए XPauli मानचित्र ने कहा, "बिल्कुल नहीं, यह बहुत अधिक है!" अंतर बहुत बड़ा था: पुराने मानचित्र ने सोचा कि रोबोट वास्तव में झेलने की क्षमता से 2.6 गुना अधिक स्कैटरिंग झेल सकता है।
सीख: यदि आप गलियारे को अनदेखा करते हैं, तो आप सोचते हैं कि आपका रोबोट बहुत मजबूत है। वास्तव में, यह नाजुक है।

3. ट्रैप्ड आयन रोबोट (हीटिंग अप):
उन्होंने एक रोबोट का सिमुलेशन किया जो काम करते समय गर्म होता जाता है, जिससे समय के साथ इसकी त्रुटि दर बदल जाती है।

परिणाम: पुराने मानचित्रों ने माना कि रोबोट का तापमान स्थिर, औसत रहता है। नया सिमुलेशन राउंड-दर-राउंड गर्मी बढ़ते हुए ट्रैक करता है। परिणामों ने दिखाया कि रोबोट का प्रदर्शन सरल औसत की तुलना में बहुत तेजी से गिरा। नए सिमुलेशन ने 0.01087 का थ्रेशोल्ड पाया, जिससे साबित हुआ कि "हीटिंग" प्रभाव एक वास्तविक, मापने योग्य समस्या है जिसे सरल मॉडल मिस कर देते हैं।

बड़ी तस्वीर

पेपर का तर्क है कि यदि आप एक फॉल्ट-टोलरेंट क्वांटम कंप्यूटर (एक ऐसा जो अपनी गलतियों को खुद ठीक कर सकता है) बनाना चाहते हैं, तो आप अब सरल "पॉली नॉइज़" मानचित्रों पर भरोसा नहीं कर सकते। वे एक 3D शहर में नेविगेट करने के लिए 2D मानचित्र का उपयोग करने के समान हैं; आप सीढ़ियां, लिफ्ट और ट्रैफिक जाम मिस कर देंगे।

Plaquette वह टूल है जो आपको 3D शहर देखने की अनुमति देता है। यह हार्डवेयर की वास्तविक भौतिकी लेता है, विभिन्न स्तरों के विवरण के साथ इसका सिमुलेशन करता है (तेज़ सन्निकटन से लेकर सटीक गणना तक), और आपको आपकी मशीन की वास्तविक सीमा बताता है।

लेखक दिखाते हैं कि इन अधिक सटीक सिमुलेशन का उपयोग करके, हम यह ओवरएस्टिमेट करना बंद कर सकते हैं कि हमारा हार्डवेयर कितना अच्छा है। यह इंजीनियरों को अपने प्रयासों को वास्तविक समस्याओं को ठीक करने पर केंद्रित करने में मदद करता है—जैसे लीकेज, स्कैटरिंग और हीटिंग—बज बजाय उन भूतों के पीछे भागने के जो केवल सरलीकृत मानचित्रों में मौजूद हैं।

संक्षेप में: पुराना तरीका एक अनुमान था। Plaquette एक माप है। और माप कहता है, "आपका रोबोट आपकी सोच से अधिक कूल है, लेकिन यह आपकी सोच से अधिक नाजुक भी है। आइए वास्तविक लीकेज को ठीक करें।"

तकनीकी सारांश: प्लैकेट (Plaquette): फॉल्ट-टोलरेंट क्वांटम कंप्यूटरों के लिए एक हार्डवेयर-जागरूक डिज़ाइन प्लेटफ़ॉर्म

समस्या विवरण

फॉल्ट-टोलरेंट क्वांटम कंप्यूटरों (FTQCs) के डिज़ाइन में अमूर्त सैद्धांतिक थ्रेशोल्ड और हार्डवेयर की भौतिक वास्तविकताओं के बीच एक महत्वपूर्ण अंतर है। जबकि थ्रेशोल्ड प्रमेय यह गारंटी देता है कि यदि भौतिक शोर (noise) पर्याप्त रूप से कम हो, तो लॉजिकल एरर को दबाया जा सकता है, यह अमूर्त फॉल्ट दरों और मान्यताओं (जैसे, तेजी से क्षय होने वाले सह-संबंधित एरर) पर निर्भर करता है जो सीधे मापने योग्य डिवाइस मापदंडों जैसे कि कोहेरेंस समय (coherence times), लीकेज दर (leakage rates), हीटिंग दर (heating rates), या कंट्रोल मिसकैलिब्रेशन (control miscalibrations) से मैप नहीं होते हैं।

वर्तमान स्केलेबल सिमुलेशन विधियाँ मुख्य रूप से स्टेबलाइज़र सिम्युलेटर्स (जैसे, Stim) पर निर्भर करती हैं जो स्टोकेस्टिक पॉली नॉइज़ (stochastic Pauli noise) मानती हैं। हालाँकि, वास्तविक हार्डवेयर खामियाँ अक्सर इस मॉडल से काफी अलग होती हैं:

सुपरकंडक्टिंग ट्रांसमोंस (Superconducting transmons) उच्च ऊर्जा स्तरों (जैसे, $|2\rangle$ ) में लीक हो जाते हैं।
न्यूट्रल एटम्स (Neutral atoms) मध्यवर्ती इलेक्ट्रॉनिक अवस्थाओं के माध्यम से स्कैटर होते हैं।
ट्रैप्ड आयन्स (Trapped ions) मोशनल मोड द्वारा फोनोन (phonons) को अवशोषित करने के कारण हीटिंग का अनुभव करते हैं।
कंट्रोल फील्ड्स (Control fields) कोहेरेंट ओवर-रोटेशन (coherent over-rotations) का कारण बन सकते हैं।

इन प्रक्रियाओं में नॉन-पॉली संरचनाएं, लीकेज और पर्यावरणीय इंटरैक्शन शामिल हैं, जिन्हें स्टोकेस्टिक पॉली अनुमान (जो अक्सर पॉली ट्वर्लिंग के माध्यम से प्राप्त किए जाते हैं) सटीक रूप से कैप्चर करने में विफल रहते हैं। फलस्वरूप, मौजूदा डिज़ाइन टूल्स लॉजिकल एरर रेट और थ्रेशोल्ड के बारे में अत्यधिक आशावादी अनुमान प्रदान कर सकते हैं, जिससे त्रुटिपूर्ण रिसोर्स बजट और इंजीनियरिंग निर्णय हो सकते हैं।

कार्यप्रणाली: प्लैकेट फ्रेमवर्क (The Plaquette Framework)

लेखक प्लैकेट प्रस्तुत करते हैं, जो एक सॉफ्टवेयर सुइट और सैद्धांतिक ढांचा है जिसे किसी डिवाइस के ओपन-सिस्टम फिजिक्स से FTQC आर्किटेक्चर के लॉजिकल प्रदर्शन की गणना करने के लिए डिज़ाइन किया गया है। इसका मूल दर्शन एक "चैनल-फर्स्ट" (channel-first) दृष्टिकोण है: भौतिक एरर मॉडल को एक बार कम्पलीटली पॉजिटिव ट्रेस-प्रिजर्विंग (CPTP) मैप के रूप में निर्दिष्ट किया जाता है, और फ्रेमवर्क इसे विभिन्न सिमुलेशन सैंपलर द्वारा आवश्यक विशिष्ट प्रतिनिधित्व में स्वचालित रूप से संकलित (compile) करता है।

1. इनपुट और फॉर्मलिज्म

डिवाइस मॉडल: भौतिक मापदंडों $\eta$ (जैसे, हैमिल्टोनियन, लिंडब्लाड ऑपरेटर्स, कंट्रोल ड्यूरेशन) द्वारा परिभाषित किया जाता है। ये प्रत्येक सर्किट लोकेशन के लिए एक CPTP चैनल $\mathcal{E}_\eta$ को परिभाषित करते हैं।
कंपाइलेशन: प्लैकेट भौतिक चैनल को चुने गए सैंपलर द्वारा आवश्यक प्रतिनिधित्व और डिकोडर के लिए एक अलग डिटेक्टर एरर मॉडल (DEM) में परिवर्तित करता है।
वर्कफ़्लो: एक नॉइलेस सिंड्रोम-एक्सट्रैक्शन सर्किट एक QEC कोड से जेनरेट किया जाता है। संकलित एरर चैनल्स को नॉइज़ी सर्किट बनाने के लिए डाला जाता है। इस सर्किट को सैंपल किया जाता है, सिंड्रोम को डिकोड किया जाता है, और थ्रेशोल्ड और ओवरहेड्स निर्धारित करने के लिए लॉजिकल एरर रेट को एग्रीगेट किया जाता है।

2. सैंपलर पदानुक्रम (Sampler Hierarchy)

प्लैकेट एक सैंपलर पदानुक्रम का उपयोग करता है जो सटीकता और स्केलेबिलिटी के बीच संतुलन बनाता है, और ये सभी एक ही अंतर्निहित भौतिक चैनल पर कार्य करते हैं:

Stim (स्टेबलाइज़र): स्टोकेस्टिक पॉली और इरेज़र नॉइज़ को हैंडल करता है। यह मानक पॉली-ट्वर्ल्ड सन्निकटन (approximation) का उपयोग करता है, जो ऑफ-डायगोनल कोहेरेंस और लीकेज को त्याग देता है।
XPauli सैंपलर: लीकेज और एनवायरनमेंट सेक्टर्स वाले सिस्टम के लिए एक नया विस्तार। यह कंप्यूटेशनल सबस्पेस में क्वबिट्स को एक स्टेबलाइज़र स्टेट के रूप में ट्रैक करता है, जबकि नॉन-कंप्यूटेशनल अवस्थाओं और सेक्टर्स (sectors) को क्लासिकल लेबल के माध्यम से दर्शाता है। यह इन नॉन-कंप्यूटेशनल अवस्थाओं के बीच इनकोहेरेंस (incoherence) को मानता है, जिससे कुशल क्लासिकल-जंप सिमुलेशन की अनुमति मिलती है जबकि लीकेज डायनेमिक्स को बनाए रखा जाता है।
नियर-क्लिफोर्ड (Near-Clifford) सैंपलर: कोहेरेंट एरर और नॉन-यूनिटल चैनल्स के लिए डिज़ाइन किए गए। ये नॉन-क्लिफोर्ड ऑपरेशंस को क्लिफोर्ड ऑपरेशंस के वेटेड सम्स (weighted sums) में डीकंपोज़ करते हैं (क्वासीप्रोबेबिलिटीिटी डीकंपोजिशन)।
- चैनल-लेवल: चैनल $\mathcal{E} = \sum \alpha_k \Phi_k$ को डीकंपोज़ करता है।
- ऑपरेटर-लेवल: यूनिटरीज $U = \sum c_i C_i$ को डीकंपोज़ करता है।
  ये तरीके "रोबस्टनेस" के अनुपात में एक वेरिएंस कॉस्ट पेश करते हैं लेकिन फुल-स्टेट सिमुलेशन लागतों से बचते हैं।
फुल-स्टेट सैंपलर: सटीक स्टेट वेक्टर या डेंसिटी मैट्रिक्स को प्रोपेगेट करते हैं (CPU के माध्यम से Cirq, GPU के माध्यम से cuQuantum)। ये सटीक संदर्भ के रूप में कार्य करते हैं जिनका उपयोग अनुमानित सैंपलर को वैलिडेट करने के लिए किया जाता है, लेकिन इनका स्केल एक्सपोनेंशियल होता है।

3. डिकोडिंग और विश्लेषण

डिकोडर्स: प्लैकेट सैंपलिंग को डिकोडिंग से अलग करता है। डिकोडर्स (जैसे, PyMatching, Fusion-Blossom) को एक DEM से इनिशियलाइज़ किया जाता है जो सर्किट के पॉली-ट्वर्ल्ड वर्जन से प्राप्त होता है। फ्रेमवर्क विलंबित हेरलडिंग इवेंट्स के लिए "लॉस-अवेयर डिकोडिंग" का समर्थन करता है।
थ्रेशोल्ड्स: फ्रेमवर्क स्केल्ड कोड फैमिलीज़ के माध्यम से लॉजिकल एरर रेट्स की गणना करके थ्रेशोल्ड और थ्रेशोल्ड सरफेस (मल्टी-डायमेंशनल पैरामीटर स्पेस) का अनुमान लगाता है। यह थ्रेशोल्ड निर्धारित करने के लिए फाइनाइट-साइज़ स्केलिंग (FSS) और इंटरपोलेशन का उपयोग करता है।

मुख्य योगदान

एक चैनल-फर्स्ट डिज़ाइन फ्रेमवर्क: प्लैकेट भौतिक एरर मॉडल्स को CPTP चैनल्स (जो हैमिल्टोनियंस, लिंडब्लाड डायनेमिक्स, या एक्सपेरिमेंटल रिकंस्ट्रक्शन से प्राप्त होते हैं) के रूप में निर्दिष्ट करने में सक्षम बनाता है और उन्हें बिना किसी मैनुअल पुनर्गठन के विभिन्न सैंपलर रिप्रेजेंटेशन में स्वचालित रूप से संकलित करता है।
XPauli सैंपलर: लीकेज और एनवायरनमेंट सेक्टर्स के लिए एक कुशल सिम्युलेटर। यह नॉन-कंप्यूटेशनल लेवल्स और सेक्टर्स को क्लासिकली ट्रैक करने के लिए स्टेबलाइज़र सिमुलेशन का विस्तार करता है, जो फास्ट पॉली सिम्युलेटर्स और जटिल फुल-स्टेट सिमुलेशन के बीच के अंतर को पाटता है।
अनुमान सीमाओं का प्रमाण: पेपर यह प्रदर्शित करता है कि क्लिफोर्ड-ओनली (पॉली-ट्वर्ल्ड) सिमुलेशन, वास्तविक हार्डवेयर नॉइज़ के मामले में अधिक सटीक तरीकों (XPauli, Near-Clifford, Full-State) की तुलना में काफी अलग (और अक्सर अत्यधिक आशावादी) लॉजिकल एरर रेट और थ्रेशोल्ड दे सकते हैं।

परिणाम और सत्यापन

लेखक तीन अलग-अलग हार्डवेयर प्लेटफॉर्म और एरर मॉडल्स का उपयोग करके फ्रेमवर्क को वैलिडेट करते हैं:

1. सरलीकृत एरर मॉडल (सत्यापन)

कोहेरेंट ओवर-रोटेशन: एक यूनिटरी रोटेशन एरर को सिम्युलेट किया गया था। Near-Clifford सैंपलर ने फुल-स्टेट परिणामों से मिलान किया, जबकि पॉली-ट्वर्ल्ड Stim सिमुलेशन ने लॉजिकल एरर रेट को काफी कम करके दिखाया (कोहेरेंस को त्याग दिया)।
लीकेज: एक लीकेज चैनल ( $|11\rangle \leftrightarrow |02\rangle$ ) को सिम्युलेट किया गया था। XPauli सैंपलर ने फुल-स्टेट परिणामों से मिलान किया, जबकि Stim (जो लीकेज को ट्रेस आउट करता है) एरर डायनेमिक्स को कैप्चर करने में विफल रहा, जिससे फिर से लॉजिकल एरर रेट का कम अनुमान लगा।

2. सुपरकंडक्टिंग क्वबिट्स (लीकेज)

मॉडल: हीटिंग लिंडब्लाड ऑपरेटर्स वाले हैमिल्टोनियन से प्राप्त एक ट्रांसमोन CZ गेट।
निष्कर्ष: लीकेज-अवेयर XPauli थ्रेशोल्ड ( $\gamma_{th} \approx 0.0148$ ) क्लिफोर्ड-ओनली पॉली-ट्वर्ल्ड सन्निकटन ( $\gamma_{th} \approx 0.0177$ ) द्वारा अनुमानित थ्रेशोल्ड से लगभग 20% कम था। बड़े कोड डिस्टेंस ( $d=19$ ) पर, लॉजिकल एरर रेट का अंतर एक ऑर्डर ऑफ मैग्नीट्यूड तक पहुँच गया। यह इंगित करता है कि लीकेज को अनदेखा करने से हार्डवेयर के फॉल्ट-टोलरेंस मार्जिन का अति-अनुमान लगता है।

3. न्यूट्रल एटम्स (इंटरमीडिएट-स्टेट स्कैटरिंग)

मॉडल: इंटरमीडिएट स्टेट्स से स्पोंटेनियस एमिशन के साथ रिडबर्ग गेट्स।
निष्कर्ष: लेखकों ने डिपोलराइजेशन, डीफेजिंग और स्कैटरिंग रेट्स के माध्यम से थ्रेशोल्ड सरफेस को मैप किया। क्लिफोर्ड-ओनली सन्निकटन ने XPauli गणना की तुलना में स्वीकार्य स्कैटरिंग रेट को 2.6 गुना अधिक करके दिखाया। दोनों सतहों के बीच का वॉल्यूम उस क्षेत्र का प्रतिनिधित्व करता है जिसे सरल मॉडल द्वारा "करेक्टेबल" (सुधार योग्य) वर्गीकृत किया गया है लेकिन लीकेज-अवेयर मॉडल द्वारा "अनकरेक्टेबल" (असुधार योग्य) माना गया है।

4. ट्रैप्ड आयन्स (हीटिंग)

मॉडल: मोशनल मोड की हीटिंग को एक सेक्टर ट्रांजिशन प्रोसेस के रूप में मॉडल किया गया है, जहाँ एरर रेट वर्तमान फोन संख्या (सेक्टर) पर निर्भर करता है।
निष्कर्ष: फ्रेमवर्क ने नॉन-स्टेशनरी नॉइज़ का सफलतापूर्वक सिमुलेशन किया जहाँ एरर प्रोबेबिलिटीज हीटिंग हिस्ट्री के आधार पर समय के साथ विकसित होती हैं। परिणामों ने दिखाया कि एक स्टेशनरी पॉली सन्निकटन (औसत एरर रेट का उपयोग करके) नॉन-स्टेशनरी हीटिंग प्रक्रिया की डायनेमिक्स को कैप्चर करने में विफल रहता है, जो सेक्टर-रिजॉल्व्ड मॉडलिंग की आवश्यकता को उजागर करता है।

महत्व और दावे

पेपर का दावा है कि प्लैकेट किसी डिवाइस के ओपन-सिस्टम फिजिक्स से FTQC के लॉजिकल प्रदर्शन तक एक सीधा मार्ग प्रदान करता है।

डिज़ाइन प्रभाव: हार्डवेयर टीमों को व्यावहारिक इंजीनियरिंग प्रश्न पूछने में सक्षम बनाकर, प्लैकेट भौतिक त्रुटियों को क्वांटम चैनल्स के रूप में सटीक रूप से मॉडल करता है: क्या शोर थ्रेशोल्ड से नीचे है? कितना कम है? कौन सी विशिष्ट खामी प्रदर्शन को सीमित करती है?
विश्वसनीयता: लेखक तर्क देते हैं कि विश्वसनीय थ्रेशोल्ड, एरर बजट और ओवरहेड अनुमानों के लिए सबसे सटीक उपलब्ध सिमुलेशन की आवश्यकता होती है। नॉन-पॉली नॉइज़ के लिए क्लिफोर्ड-ओनली सन्निकटन पर भरोसा करने से ऐसे डिज़ाइन हो सकते हैं जो व्यवहार में फॉल्ट टॉलरेंस तक पहुँचने में विफल रहते हैं।
स्कोप: फ्रेमवर्क हार्डवेयर-अज्ञेइक (hardware-agnostic) है, जो सर्किट-आधारित, मेजरमेंट-आधारित और फ्यूजन-आधारित प्रतिमानों (paradigms) के लिए सुपरकंडक्टिंग सर्किट्स, न्यूट्रल एटम्स, ट्रैप्ड आयन्स, क्वांटम डॉट्स और फोटोनिक्स का समर्थन करता है।

पेपर निष्कर्ष निकालता है कि जबकि XPauli और Near-Clifford सैंपलर कुछ विशिष्ट सन्निकटन (सेक्टर्स के बीच इनकोहेरेंस या वेरिएंस कॉस्ट) पेश करते हैं, वे बड़े पैमाने पर FTQC डिज़ाइन के लिए अविश्वसनीय सरलता (पॉली ट्वर्लिंग) और अकल्पनीय फुल-स्टेट सिमुलेशन लागत के बीच एक आवश्यक और सटीक मध्य मार्ग प्रदान करते हैं।