OmniQEC: discovering practical quantum error-correcting codes by an AI scientist

कल्पना कीजिए कि आप एक ऐसा सुपर-पावरफुल कंप्यूटर बनाने की कोशिश कर रहे हैं जो क्वांटम दुनिया के अजीब और अस्थिर नियमों के साथ सोचता है। समस्या यह है कि ये क्वांटम बिट्स (क्यूबिट्स) अविश्वसनीय रूप से नाजुक होते हैं; गर्मी की एक हल्की सी फुसफुसाहट या एक भटकता हुआ चुंबकीय क्षेत्र उन्हें यह भुला सकता है कि वे क्या कर रहे थे, जिससे एक शानदार गणना निरर्थक जानकारी में बदल सकती है। इसे ठीक करने के लिए, वैज्ञानिक क्वांटम एरर करेक्शन (QEC) नामक एक तरकीब का उपयोग करते हैं। इसे एक गुप्त संदेश की रक्षा करने वाली जासूसों की एक टीम के रूप में सोचें। संदेश को एक कागज पर लिखने के बजाय, जो फट सकता है, वे इसे लोगों की एक पूरी टीम में लिखते हैं। यदि एक व्यक्ति विचलित हो जाता है या कोई गलती करता है, तो अन्य लोग समझ सकते हैं कि मूल संदेश क्या होना चाहिए था और उसे ठीक कर सकते हैं।

हालाँकि, इस "जासूसों की टीम" को डिजाइन करना एक दुःस्वप्न है। वे कैसे खड़े होते हैं, बात करते हैं और एक-दूसरे की जाँच करते हैं, इसके नियम आपके द्वारा उपयोग किए जा रहे विशिष्ट हार्डवेयर, उनकी बातचीत सुनने के लिए उपलब्ध उपकरणों और संदेश को डिकोड करने के लिए उपयोग किए जाने वाले गणित पर निर्भर करते हैं। यदि आप एक ऐसी टीम डिजाइन करते हैं जो कागज पर तो एकदम सही दिखती है लेकिन उस कमरे में फिट नहीं बैठती जिसमें आप उन्हें रख रहे हैं, तो पूरा सिस्टम विफल हो जाता है। लंबे समय तक, वैज्ञानिक हाथ से सबसे उत्तम टीम संरचना खोजने की कोशिश कर रहे हैं, लेकिन संभावनाओं की संख्या इतनी विशाल है कि यह रेगिस्तान में रेत के एक विशिष्ट कण को खोजने जैसा महसूस होता है। यहीं पर एक नया प्रकार का सहायक आता है: एक आर्टिफिशियल इंटेलिजेंस जो केवल अनुमान नहीं लगाता, बल्कि वास्तव में उन बिखरे हुए वास्तविक अनुभवों से सीखता है जो इन कंप्यूटरों के निर्माण में आते हैं।

---

मिलिए OmniQEC से: क्वांटम सुरक्षा का AI आर्किटेक्ट

यहाँ OmniQEC का प्रवेश होता है, जो एक नया "AI वैज्ञानिक" है जिसे वास्तविक दुनिया के लिए सर्वोत्तम संभव क्वांटम एरर-करेक्टिंग कोड खोजने के लिए डिज़ाइन किया गया है। केवल व्हाइटबोर्ड पर गणित देखने के बजाय, OmniQEC एक अथक, आत्म-सुधार करने वाले आर्किटेक्ट की तरह कार्य करता है जो क्वांटम सुरक्षा टीमों का निर्माण, परीक्षण और शोधन तब तक करता है जब तक कि वे काम के लिए तैयार न हो जाएं।

यह पेपर OmniQEC को एक ऐसे सिस्टम के रूप में पेश करता है जो इन कोडों की खोज को "जनरेट, टेस्ट और इम्प्रूव" (बनाओ, परीक्षण करो और सुधारो) के खेल के रूप में मानता है। इस सिस्टम के केंद्र में एक "कंडक्टर" (एक उन्नत लार्ज लैंग्वेज मॉडल) है जो दो-गति वाले वर्कफ़्लो का समन्वय करता है। एक शेफ की कल्पना करें जो एक आदर्श सूप बनाने की कोशिश कर रहा है।

फास्ट लूप: द टेस्ट-टेस्ट किचन
सबसे पहले, AI एक "फास्ट लूप" चलाता है। यह एक त्वरित स्वाद परीक्षण की तरह है। AI हजारों संभावित रेसिपी (कोड संरचनाएं) उत्पन्न करता है और सरल, सस्ते शॉर्टकट का उपयोग करके उनकी जांच करता है। यह सवाल पूछता है जैसे, "क्या इस रेसिपी में सही संख्या में सामग्री है?" या "क्या गणित संतुलित है?" ये जांच केवल सेकंडों में पूरी हो जाती है। यदि कोई रेसिपी इन त्वरित जांचों के आधार पर आशाजनक दिखती है, तो उसे अगले दौर के लिए टिकट मिलता है। यह AI को बिना अटके संभावनाओं के एक विशाल पुस्तकालय को स्कैन करने की अनुमति देता है।

स्लो लूप: द फुल सिमुलेशन
फिर आता है "स्लो लूप", जो असली चीज़ है। यहाँ, AI फास्ट लूप से सर्वश्रेष्ठ उम्मीदवारों को लेता है और उन्हें एक विस्तृत सिमुलेशन में विकसित करता है। यह वास्तविक "सिंड्रोम एक्सट्रैक्शन सर्किट्स" — त्रुटियों का पता लगाने के लिए उपयोग की जाने वाली जटिल मशीनरी — का निर्माण करता है और उन्हें एक शोर वाले, अपूर्ण वातावरण के माध्यम से चलाकर देखता है कि वे कितनी बार विफल होते हैं। यह बिल्कुल वैसा ही है जैसे सूप बनाना, उसे आलोचकों के पैनल को परोसना, और यह देखना कि क्या वह वास्तव में एक वास्तविक डाइनिंग रूम में अच्छा स्वाद देता है। यह चरण प्रति उम्मीदवार मिनटों या घंटों तक चल सकता है, इसलिए AI इस चरण तक पहुँचने वाले उम्मीदवारों के प्रति बहुत चयनात्मक होता है।

फीडबैक का जादू
OmniQEC की असली प्रतिभा यह है कि यह कैसे सीखता है। "स्लो लूप" (वास्तविक दुनिया के सिमुलेशन) के परिणाम AI कंडक्टर को वापस भेजे जाते हैं। यदि कोई रेसिपी त्वरित स्वाद परीक्षण में बहुत अच्छी दिखी लेकिन वास्तविक रसोई में विफल रही, तो AI सीखता है कि ऐसा क्यों हुआ और अपने भविष्य के अनुमानों को समायोजित करता है। यह अपने स्वयं के तर्क को विकसित करता है, हर चक्र के साथ स्मार्ट होता जाता है। यह एक "स्लो-फास्ट सिनर्जिस्टिक वर्कफ़्लो" बनाता है जहाँ AI व्यापक रूप से अन्वेषण करने के लिए सस्ते शॉर्टकट का उपयोग करता है, लेकिन वास्तव में सर्वोत्तम समाधानों की ओर बढ़ने के लिए महंगे, सटीक परीक्षणों का उपयोग करता है।

उन्होंने क्या पाया: पुराने चैंपियनों को पछाड़ना

शोधकर्ताओं ने OmniQEC को चार अलग-अलग क्वांटम कोड परिवारों और तीन अलग-अलग AI "मस्तिष्क" (Claude, GPT, और DeepSeek) के खिलाफ परखा। उन्होंने भौतिक क्यूबिट्स (हार्डवेयर के हिस्से) के लिए बजट निर्धारित किया, जो छोटे सेटअप से लेकर 288 क्यूबिट्स तक के बड़े सेटअप तक फैला हुआ था।

परिणाम प्रभावशाली थे। OmniQCT ने ऐसे कोड खोजे जो संसाधनों के बढ़ने के साथ त्रुटियों को दबाने में लगातार बेहतर होते गए। लेकिन सबसे रोमांचक खोज यह थी कि ये नए कोड वर्तमान "गोल्ड स्टैंडर्ड" की तुलना में कैसे प्रदर्शन करते हैं, जिसे BB कोड्स (बाइवेरिएट बाइसिकल कोड्स) के रूप में जाना जाता है।

• जब टीम ने OmniQEC को 98 फिजिकल क्यूबिट्स का बजट दिया, तो AI ने एक ऐसा कोड खोजा जिसने मानक BB कोड को पछाड़ दिया जिसके लिए 72 फिजिकल क्यूबिट्स (विशेष रूप से [[72, 12, 6]] कोड) की आवश्यकता थी।
• इससे भी अधिक आश्चर्यजनक बात यह है कि जब बजट बढ़ाकर 240 फिजिकल क्यूबिट्स कर दिया गया, तो Claude AI द्वारा खोजा गया सबसे मजबूत कोड उस विशाल BB बेंचमार्क कोड को हरा गया जो 144 फिजिकल क्यूबिट्स ([[144, 12, 12]] कोड) का उपयोग करता है।

यह सुझाव देता है कि केवल अमूर्त गणितीय स्कोर को देखने के बजाय, कोड वास्तव में एक शोर वाले सर्किट में कैसे प्रदर्शन करता है, उसके लिए अनुकूलित करके, OmniQEC क्वांटम जानकारी की सुरक्षा करने के अधिक कुशल तरीके खोज सकता है।

"काफी अच्छा" गणित का जाल

इस पेपर का सबसे महत्वपूर्ण सबक पुराने तरीकों के शॉर्टकट के प्रति एक चेतावनी है। वैज्ञानिक अक्सर कोड को जल्दी से रैंक करने के लिए $\Phi_{code} = kd^2/n$ नामक एक सरल गणितीय स्कोर का उपयोग करते हैं। यह पेपर दिखाता है कि यह स्कोर भ्रामक हो सकता है।

अपने प्रयोगों में, OmniQEC ने ऐसे कोड खोजे जिनके गणितीय स्कोर प्रसिद्ध BB कोड्स की तुलना में कम थे, लेकिन वे वास्तविक दुनिया के सिमुलेशन में बेहतर प्रदर्शन करते थे। यह एक ऐसे छात्र की तरह है जिसे बहुविकल्पीय अभ्यास परीक्षा में कम ग्रेड मिलता है लेकिन अंत में वह फाइनल परीक्षा में उत्कृष्ट प्रदर्शन करता है क्योंकि उसने अवधारणाओं को बेहतर ढंग से समझा था। पेपर का तर्क है कि यदि आप केवल त्वरित गणित स्कोर के लिए अनुकूलित करते हैं, तो आप वास्तव में सबसे अच्छे समाधानों को मिस कर सकते हैं। आपको पूर्ण तस्वीर देखनी होगी, जिसमें यह भी शामिल है कि कोड शोर और डिकोडिंग को कैसे संभालता है।

खोज की लागत

शोधकर्ताओं ने इस AI को चलाने की "कीमत" की भी जांच की। उन्होंने पाया कि AI का उपयोग करने की लागत (जिसे "टोकन" में मापा जाता है, जो AI द्वारा प्रोसेस किए गए शब्दों की तरह हैं) केवल इसलिए नहीं बढ़ी क्योंकि कोड बड़े होते गए। लागत मुख्य रूप से इस बात से निर्धारित होती थी कि उन्होंने किस AI मस्तिष्क का उपयोग किया। उदाहरण के लिए, Claude बैकएंड ने प्रदर्शन और लागत के बीच सबसे अच्छा संतुलन प्रदान किया, जबकि DeepSeek सबसे सस्ता था लेकिन थोड़े कमजोर कोड खोजा। यह सुझाव देता है कि AI की तर्क करने और अपनी गलतियों से सीखने की क्षमता, उसके द्वारा डिजाइन किए जा रहे कोड के आकार से अधिक महत्वपूर्ण है।

यह क्यों मायने रखता है

पेपर निष्कर्ष निकालता है कि OmniQEC क्वांटम कंप्यूटरों के "सह-डिजाइन" (co-designing) के लिए एक शक्तिशाली नया उपकरण है। एक कोड डिजाइन करने, फिर एक मशीन बनाने, और फिर यह महसूस करने के बजाय कि वे फिट नहीं बैठते, OmniQEC मशीन को ध्यान में रखते हुए कोड को डिजाइन करता है। यह अमूर्त गणित और हार्डवेयर की वास्तविक दुनिया के बीच के अंतर को पाटता है।

हालांकि परिणाम सिमुलेशन पर आधारित हैं और अभी तक भौतिक क्वांटम कंप्यूटर पर नहीं बनाए गए हैं, लेकिन निष्कर्ष एक स्पष्ट मार्ग दिखाते हैं। कोड संरचना, हार्डवेयर सीमाओं और एरर डिकोडिंग के बीच जटिल ट्रेड-ऑफ को नेविगेट करने के लिए AI का उपयोग करके, हम व्यावहारिक, उच्च-प्रदर्शन वाले कोड पा सकते हैं जो हमें वास्तव में काम करने वाले फॉल्ट-टोलरेंट क्वांटम कंप्यूटर बनाने के करीब लाते हैं। पेपर सुझाव देता है कि इस दृष्टिकोण को और भी अधिक प्रकार के हार्डवेयर और कोड परिवारों में विस्तारित किया जा सकता है, जो संभावित रूप से क्वांटम कंप्यूटिंग की पूरी क्षमता को अनलॉक कर सकता है।