Efficient Circuit Transpilation of Commuting Gates on 2D Grids
यह शोध पत्र 2D ग्रिड पर कम्यूटिंग गेट सर्किट के लिए एक अनुकूली ट्रांसपाइलेशन योजना पेश करता है जो समस्या-निर्भर SWAP अनुक्रमों और क्यूबिट लेआउट अपडेट के बीच बारी-बारी से कार्य करता है, जो मैक्सिमम कट और मैक्सिमम इंडिपेंडेंट सेट समस्याओं पर QAOA के प्रदर्शन को बढ़ाने के लिए सर्किट डेप्थ और गेट काउंट को महत्वपूर्ण रूप से कम 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 मेज पर एक विशाल, उलझे हुए पहेली (पज़ल) को सुलझाने की कोशिश कर रहे हैं, लेकिन इसमें एक शर्त है: आप केवल उन्हीं टुकड़ों को हिला सकते हैं जो एक-दूसरे के ठीक बगल में रखे हों। यदि वे दो टुकड़े जिन्हें आपको जोड़ना है, मेज के विपरीत छोरों पर हैं, तो आपको पूरी मेज को इधर-उधर घुमाना होगा, पड़ोसियों को तब तक बदलना होगा जब तक कि वे अंततः एक-दूसरे के संपर्क में न आ जाएं। यह बिल्कुल वही सिरदर्द है जिसका सामना क्वांटम कंप्यूटर जटिल ऑप्टिमाइज़ेशन एल्गोरिदम जैसे QAOA को चलाते समय करते हैं।
समस्या यह है कि "मेज" (क्वांटम हार्डवेयर) अक्सर एक ग्रिड के रूप में व्यवस्थित होती है, जैसे कि शतरंज का बोर्ड। लेकिन "पहेली के टुकड़े" (गणितीय समस्या) अक्सर केवल कुछ विशिष्ट पड़ोसियों से बात करने की आवश्यकता रखते हैं, न कि सभी से। इसे हल करने का पुराना तरीका यह था कि ग्रिड के अतिरिक्त कनेक्शनों को अनदेखा कर दिया जाए और मान लिया जाए कि मेज केवल एक लंबी रेखा है। आप टुकड़ों को उस रेखा के साथ बार-बार इधर-उधर घुमाते थे, जब तक कि वे आपस में जुड़ न जाएं। यह काम तो करता था, लेकिन यह ऐसा था जैसे 1 मील के मैदान को पार करने के लिए 10 मील लंबे घुमावदार रास्ते का चक्कर लगाना।
मुख्य खोज: "स्मार्ट शफल" (Smart Shuffle)
इस शोध पत्र में, लेखक टुकड़ों को हिलाने का एक बहुत अधिक स्मार्ट तरीका प्रस्तावित करते हैं। सब कुछ एक एकल रेखा में मजबूर करने के बजाय, उन्होंने एक "ग्रीडी" (greedy) रणनीति का आविष्कार किया है जो उस विशिष्ट पहेली को देखती है जिसे आप हल करने की कोशिश कर रहे हैं और एक कस्टम शफल योजना बनाती है।
इसे एक व्यस्त चौराहे पर ट्रैफिक कंट्रोलर की तरह समझें। पुरानी विधि (पुरानी "लीनियर स्ट्रैटेजी") हर कार को एक कतार में चलने के लिए मजबूर करती थी, भले ही बगल वाली सड़क खुली हो। नई विधि मानचित्र को देखती है, देखती है कि एक कार को केवल दो ब्लॉक पूर्व की ओर जाना है, और कहती है, "हे, आप बस साइड स्ट्रीट ले सकते हैं!" यह स्वैप्स (swaps) का एक ऐसा क्रम बनाता है जो आवश्यक कनेक्शनों के लिए सबसे छोटा रास्ता अपनाता है।
उन्होंने क्या खारिज किया
लेखक स्पष्ट रूप से इस विचार के विरुद्ध तर्क देते हैं कि एक "एक-आकार-सभी-के-लिए-उपयुक्त" (one-size-fits-all) शफल योजना सबसे अच्छा दृष्टिकोण है। वे दिखाते हैं कि स्वैप्स का एक पूर्व-निर्धारित, निश्चित पैटर्न (जैसे मानक "लाइन" रणनीति) का उपयोग करना अक्सर उप-इष्टतम (suboptimal) होता है, खासकर जब समस्या को हर एक टुकड़े के आपस में बात करने की आवश्यकता नहीं होती है। वे यह भी दिखाते हैं कि ग्रिड लेआउट पर मानक, 'ऑफ-द-शेल्फ' ट्रैफिक कंट्रोलर (जैसे Qiskit ट्रांसपाइलर) का उपयोग करने से बहुत गहरे और अव्यवस्थित सर्किट बनते हैं। वे केवल सुझाव नहीं देते; उन्होंने इसे मापा भी है।
परिणाम: छोटे रास्ते, बेहतर उत्तर
टीम ने इस "ग्रीडी" शफल का परीक्षण दो प्रकार की पहेलियों पर किया: दोस्तों के एक समूह को दो टीमों में विभाजित करने का सबसे अच्छा तरीका (Maximum Cut) और उन दोस्तों के सबसे बड़े समूह को खोजना जो एक-दूसरे को नहीं जानते (Maximum Independent Set)।
उन्होंने 90 नोड्स (टुकड़ों) वाले ग्राफ पर सिमुलेशन चलाए। यहाँ उन्हें जो मिला:
- कम कदम: उनके कस्टम शफल ने पुराने लाइन-आधारित तरीके की तुलना में "स्वैप" मूव्स की संख्या को लगभग आधा कर दिया।
- कम गलतियाँ: क्योंकि सर्किट छोटा है, इसलिए त्रुटियों के आने की जगह कम है। उनके सिमुलेशन में, इसने उन्हें 80 क्यूबिट्स (पहेली के टुकड़ों) तक की समस्याओं को संभालने में सक्षम बनाया, जो पहले शोर (noise) के कारण प्रभावी ढंग से चलाने के लिए बहुत कठिन थीं।
- बेहतर स्कोर: जब उन्होंने इन सर्किट्स को वास्तव में IBM क्वांटम हार्डवेयर पर चलाया, तो परिणाम प्रभावशाली थे। "टीमों को विभाजित करने" की समस्या के लिए, उनकी विधि ने उत्तर की गुणवत्ता में 6.6% तक सुधार किया। "समूह खोजने" की समस्या के लिए, सुधार और भी अधिक था, जो 9.3% तक पहुँच गया।
वे कितने आश्वस्त हैं?
लेखक अपने नंबरों को लेकर बहुत आश्वस्त हैं, लेकिन वे इस बात को लेकर सावधान हैं कि उन्होंने क्या सिम्युलेट किया और क्या मापा।
- सिमुलेशन: सर्किट डेप्थ और गेट काउंट में भारी कमी (दो गुना तक) क्लासिकल कंप्यूटरों पर हजारों सिमुलेशन चलाने से आती है। ये सिमुलेशन दिखाते हैं कि उनकी विधि समस्या के बड़े होने पर बहुत बेहतर तरीके से स्केल करती है, जो आकार के वर्गमूल (square root) के साथ बढ़ती है, न कि स्वयं आकार के साथ।
- वास्तविक हार्डवेयर: "अनुमान अनुपात" (approximation ratio - यानी समाधान का स्कोर) में सुधार वास्तविक IBM क्वांटम उपकरणों पर मापा गया था। उन्होंने 80 नोड्स तक के ग्राफ पर ये प्रयोग किए। परिणामों ने लगातार दिखाया कि उनकी ग्रीडी विधि मानक लीनियर विधि से बेहतर प्रदर्शन करती है, भले ही इसमें किसी भी फैंसी एरर-करेक्शन ट्रिक का उपयोग न किया गया हो।
निष्कर्ष (The Bottom Line)
यह शोध पत्र सुझाव देता है कि यदि आप आज के शोर वाले (noisy) क्वांटम कंप्यूटरों से सबसे अधिक लाभ उठाना चाहते हैं, तो आपको समस्या को हार्डवेयर के आकार में फिट करने के लिए मजबूर नहीं करना चाहिए। इसके बजाय, आपको हार्डवेयर की गतिविधियों को समस्या के अनुकूल बनाना चाहिए। एक "ग्रीडी" दृष्टिकोण का उपयोग करके जो आवश्यक कनेक्शनों के अनुसार शफल को अनुकूलित करता है, वे मौजूदा मशीनों से अधिक प्रदर्शन निकालने में सफल रहे, जिससे हमें पहले की तुलना में बड़े और अधिक जटिल पहेलियों को हल करने की क्षमता मिली। यह कोई जादुई छड़ी नहीं है जो सब कुछ तुरंत हल कर देती है, लेकिन यह हमारे पास मौजूद उपकरणों को बहुत अधिक कठिन और स्मार्ट तरीके से काम करने का एक बहुत प्रभावी तरीका 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।