Logical Neural Belief Propagation for Linear-Complexity Decoding of Surface Codes
यह शोध पत्र लॉजिकल न्यूरल बिलीफ प्रोपेगेशन (L-NBP) का प्रस्ताव करता है, जो एक एंड-टू-एंड ट्रेन करने योग्य डिकोडर है जो उच्च सटीकता और रैखिक जटिलता प्राप्त करने के लिए डिकोडिंग उद्देश्य को तार्किक स्तर पर पुनर्निर्देशित करता है, जो सरफेस कोड्स पर MWPM और BP-OSD जैसी अत्याधुनिक विधियों के बराबर या उनसे 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
क्वांटम कंप्यूटर उन समस्याओं को हल करने का वादा करते हैं जो आज की मशीनों के लिए असंभव हैं, जैसे कि नई दवाओं को डिजाइन करने से लेकर जटिल कोडों को तोड़ने तक। लेकिन ये मशीनें अविश्वसनीय रूप से नाजुक होती हैं; गर्मी या विद्युत चुम्बकीय तरंगों से होने वाला मामूली सा व्यवधान भी उनके पास मौजूद जानकारी को अस्त-व्यस्त कर सकता है। इस नाजुक डेटा की रक्षा करने के लिए, वैज्ञानिक 'क्वांटम एरर करेक्शन' (क्वांटम त्रुटि सुधार) नामक एक विधि का उपयोग करते हैं। सूचना के एक टुकड़े को एक स्थान पर संग्रहीत करने के बजाय, वे इसे कई भौतिक कणों में फैला देते हैं, जिससे एक सुरक्षा जाल बन जाता है। यदि कुछ कण दूषित हो जाते हैं, तो सिस्टम क्षति का पता लगा सकता है और समग्र संदेश को खोए बिना उसे ठीक कर सकता है। चुनौती यह है कि यह मरम्मत प्रक्रिया कंप्यूटर के काम करने की प्रक्रिया को भूलने से पहले होनी चाहिए, जिसके लिए एक ऐसे डिकोडर की आवश्यकता है जो अविश्वसनीय रूप से सटीक और बिजली की तरह तेज हो।
वर्षों तक, शोधकर्ताओं ने इस डिकोडर के रूप में कार्य करने के लिए 'बलीफ प्रोपेगेशन' (विश्वास प्रसार) नामक एक मानक गणितीय उपकरण पर भरोसा किया है। यह कणों के बीच संदेशों को पास करके यह पता लगाने का काम करता है कि त्रुटियां कहां हुईं। हालांकि यह विधि तेज है और जैसे-जैसे कंप्यूटर बड़े होते हैं वैसे ही यह बेहतर तरीके से स्केल करती है, लेकिन यह अक्सर सबसे आशाजनक प्रकार के क्वांटम कोड, जिसे 'सरफेस कोड' कहा जाता है, के लिए आवश्यक उच्च स्तर की सटीकता तक पहुँचने में विफल रहती है। समस्या यह है कि मानक दृष्टिकोण हर एक भौतिक कण पर सटीक त्रुटि की पहचान करने की कोशिश करता है, जो कि एक कठिन कार्य है और क्वांटम यांत्रिकी की भ्रमित करने वाली प्रकृति के कारण गलतियों के प्रति संवेदनशील भी है। एक नया अध्ययन इस समस्या के बारे में सोचने का एक अलग तरीका प्रस्तावित करता है। प्रत्येक छोटी गलती को सटीक रूप से पहचानने के बजाय, शोधकर्ता सुझाव देते हैं कि डिकोडर को केवल अंतिम परिणाम पर ध्यान केंद्रित करना चाहिए: यह निर्धारित करना कि समग्र तार्किक संदेश (लॉजिकल मैसेज) सुरक्षित रहा है या दूषित हो गया है।
दक्षिण कोरिया और इज़राइल के विश्वविद्यालयों में काम करने वाले शोधकर्ताओं ने 'लॉजिकल न्यूरल बलीफ प्रोपेगेशन' नामक एक नई प्रणाली विकसित की है। यह प्रणाली पारंपरिक संदेश-पासिंग विधि की गति को एक न्यूरल नेटवर्क के साथ जोड़ती है, जो कृत्रिम बुद्धिमत्ता (AI) का एक प्रकार है जो अनुभव से सीखता है। यह प्रक्रिया न्यूरल नेटवर्क द्वारा मानक संदेश-पासिंग रूटीन चलाने के साथ शुरू होती है, लेकिन सटीक भौतिक त्रुटियों का अनुमान लगाने के बजाय, यह अपने निष्कर्षों को दूसरे चरण को सौंप देता है। यह दूसरा चरण एक क्लासिफायर (वर्गीकरण करने वाला) के रूप में कार्य करता है, जो अव्यवस्थित और विस्तृत जानकारी को सिस्टम की तार्किक स्थिति के बारे में एक सरल भविष्यवाणी में बदल देता है। पूरे सिस्टम को केवल अंतिम तार्किक परिणाम के प्रति सचेत बनाकर प्रशिक्षित करने से, शोधकर्ताओं ने पाया कि डिकोडर उन भ्रमित करने वाले विवरणों को अनदेखा करना सीख जाता है जो आमतौर पर अन्य विधियों को उलझा देते हैं। यह एक डॉक्टर की तरह है जो रोगी के शरीर में हर मामूली लक्षण का निदान करने के बजाय केवल इस बात पर ध्यान केंद्रित करता है कि क्या रोगी घर जाने के लिए स्थिर है; ध्यान का यह बदलाव उसे कहीं अधिक स्पष्ट और तेज़ निर्णय लेने की अनुमति देता है।
अपने सिमुलेशन में, टीम ने विभिन्न शोर (नॉइज़) और त्रुटि की स्थितियों के तहत इस नए डिकोडर का मौजूदा सर्वोत्तम विधियों के विरुद्ध परीक्षण किया। उन्होंने पाया कि भौतिक त्रुटियों को ठीक करने के बजाय तार्किक परिणामों की भविष्यवाणी करने के लक्ष्य को बदलकर, नई प्रणाली ने पिछले प्रयासों से काफी बेहतर प्रदर्शन किया। जब इसे नौ की दूरी (डिस्टेंस ऑफ नाइन) वाले एक विशिष्ट प्रकार के क्वांटम कोड पर परखा गया, तो नए डिकोडर ने सबसे शक्तिशाली मौजूदा उपकरणों की सटीकता के बराबर प्रदर्शन किया, लेकिन इसके लिए केवल एक बहुत छोटे अंश कंप्यूटिंग शक्ति की आवश्यकता पड़ी। विशेष रूप से, इसने एक अग्रणी प्रतिस्पर्धी के समान विश्वसनीयता प्राप्त की जबकि इसने उसकी जटिलता का केवल 0.2 प्रतिशत ही उपयोग किया। इसका अर्थ है कि यह बहुत कम, कम ऊर्जा खपत वाले हार्डवेयर पर चल सकता है, जो व्यावहारिक क्वांटम कंप्यूटर बनाने के लिए एक महत्वपूर्ण लाभ है।
अध्ययन ने यह भी खुलासा किया कि यह दृष्टिकोण क्वांटम कंप्यूटर के बड़े होने पर बहुत खूबसूरती से स्केल करता है। जबकि अन्य उच्च-सटीकता वाली विधियां कोड बड़ा होने पर तेजी से धीमी और महंगी होती जाती हैं, यह नई प्रणाली एक स्थिर, रैखिक गति बनाए रखती है। इसने आदर्श स्थितियों में 17.5 प्रतिशत की प्रदर्शन सीमा तक पहुँच बनाई, जिसका अर्थ है कि यह विफल होने से पहले अपने कई प्रतिद्वंद्वियों की तुलना में त्रुटियों की उच्च दर को सहन कर सकती है। यहाँ तक कि अधिक वास्तविक, शोर वाले वातावरण में जहाँ माप प्रक्रिया के दौरान ही त्रुटियां होती हैं, यह प्रणाली कुशल और सटीक बनी रही। परिणाम बताते हैं कि पारंपरिक एल्गोरिदम की गति को न्यूरल नेटवर्क की अनुकूलन क्षमता के साथ जोड़कर, और भौतिक विवरणों के बजाय तार्किक लक्ष्य पर ध्यान केंद्रित करके, वैज्ञानिकों ने एक ऐसे डिकोडिंग का मार्ग खोज लिया है जो अत्यधिक सटीक है और भविष्य के बड़े पैमाने के क्वांटम कंप्यूटरों के लिए तैयार 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।