The Sample Complexity of Quantum Entanglement Allocation
यह शोध पत्र यह अभिलक्षणित करके कि मेमोरी का आकार और क्वेरी संरचनाएं भविष्यवाणी की सटीकता को कैसे प्रभावित करती हैं, शोर अंशांकन (noise calibration) के लिए सटीक ट्रेडऑफ़्स व्युत्पन्न करता है, और एक 15-क्विबिट क्वांटम डिवाइस और रिटेल ट्रांजेक्शन डेटासेट पर प्रयोगों के माध्यम से इन सैद्धांतिक निष्कर्षों को मान्य करते हुए क्वांटम एंटैंगलमेंट एलोकेशन के लिए सैंपल कॉम्प्लेक्सिटी बाउंड्स स्थापित 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 कंप्यूटिंग की दुनिया में, जानकारी को क्यूबिट्स (qubits) नामक सूक्ष्म कणों में संग्रहीत किया जाता है। एक मानक कंप्यूटर के बिट्स के विपरीत जो या तो शून्य या एक होते हैं, क्यूबिट्स एक साथ दोनों की नाजुक अवस्था में भी रह सकते हैं, जिसे सुपरपोजिशन (superposition) कहा जाता है। इन कणों को जटिल गणनाओं के लिए उपयोगी बनाने के लिए, वैज्ञानिक अक्सर उन्हें एंटैंगलमेंट (entanglement) नामक एक विशेष तरीके से आपस में जोड़ते हैं। जब क्यूबिट्स एंटैंगल्ड होते हैं, तो एक की स्थिति तुरंत दूसरे की स्थिति को प्रभावित करती है, चाहे वे एक-दूसरे से कितनी भी दूर क्यों न हों। यह जुड़ाव वह इंजन है जो क्वांटम गति को संचालित करता है, लेकिन यह नाजुक भी है। एंटैंगलमेंट बनाने और बनाए रखने के लिए ऊर्जा और समय की आवश्यकता होती है, और इसे खोना आसान है। चूंकि संसाधन सीमित हैं, इसलिए एक क्वांटम कंप्यूटर एक ही समय में कणों के हर संभावित समूह को एंटैंगल नहीं कर सकता। इसे यह तय करना होगा कि कौन से संबंध बनाने हैं, इससे पहले कि इसे पता चले कि इससे वास्तव में क्या सवाल पूछा जाएगा। यह एक मौलिक पहेली पैदा करता है: भविष्य के लिए सही चुनाव करने के लिए एक मशीन को अतीत के सवालों के बारे में कितनी जानकारी की आवश्यकता है?
स्टैनफोर्ड यूनिवर्सिटी के एक शोधकर्ता, नाथन रोल ने इस पहेली को इस तरह हल किया जैसे कि क्वांटम मेमोरी को एक ऐसे स्टोरेज सिस्टम के रूप में देखा जाए जिसे मांग आने से पहले प्री-लोड किया जाना चाहिए। एक लाइब्रेरी की कल्पना करें जिसे यह तय करना है कि कौन सी किताबें एक ही शेल्फ पर रखनी हैं, इससे पहले कि उसे पता चले कि कोई आगंतुक किन किताबों के लिए पूछेगा। यदि आगंतुक ऐसी दो किताबें मांगता है जो अलग-अलग शेल्फ पर हैं, तो लाइब्रेरियन उन्हें अलग-अलग लाने में समय बर्बाद करता है। क्वांटम संस्करण में, "किताबें" क्यूबिट्स के विशिष्ट गुणों को मापने के अनुरोध हैं, और "शेल्फ" एंटैंगल्ड कणों के समूह हैं। अध्ययन एक सरल लेकिन गहरा प्रश्न पूछता है: सिस्टम को अपने एंटैंगलमेंट को व्यवस्थित करने का सबसे अच्छा तरीका सीखने के लिए कितने पिछले अनुरोधों को देखने की आवश्यकता है? उत्तर पूरी तरह से उन कनेक्शनों के आकार पर निर्भर करता है जिन्हें सिस्टम बनाने की अनुमति दी गई है।
शोधकर्ताओं ने एक सैद्धांतिक मॉडल बनाया जहाँ एक क्वांटम मेमोरी एक एकल क्लासिकल जानकारी, जैसे कि एक एकल शून्य या एक, को संग्रहीत करती है। इस मेमोरी को अनुरोधों की एक श्रृंखला द्वारा जांचा जाता है, जिसमें से प्रत्येक एक विशिष्ट माप के लिए पूछता है। सिस्टम को पहले से ही अपनी स्थिति तैयार करनी होती है, यह निर्णय लेते हुए कि किन क्यूबिट्स को एंटैंगल करना है। यदि सिस्टम गलत जोड़ी के क्यूबिट्स को एंटैंगल करता है, तो यह कुछ अनुरोधों का पूरी तरह से उत्तर दे सकता है लेकिन दूसरों पर पूरी तरह विफल हो सकता है। अध्ययन ने दिखाया कि सर्वोत्तम व्यवस्था सीखने के लिए आवश्यक पिछले अनुरोधों की संख्या निश्चित नहीं है; यह समस्या की ज्यामिति के आधार पर बदलती है। क्यूबिट्स की एक साधारण, रैखिक श्रृंखला (linear chain) के लिए, सिस्टम को पिछले अनुरोधों की एक ऐसी संख्या की आवश्यकता होती है जो श्रृंखला के आकार के साथ बढ़ती है। हालांकि, एक अलग प्रकार की संरचना के लिए, जहाँ क्यूबिट्स को कसकर जुड़े हुए क्लस्टर में समूहबद्ध किया जाता है, सिस्टम बिना किसी अतिरिक्त पिछले डेटा के सर्वोत्तम व्यवस्था सीखने के लिए बहुत बड़ा हो सकता है। इन क्लस्टर्ड मामलों में, सीखने की लागत स्थिर रहती है, जिसका अर्थ है कि एक विशाल सिस्टम को ट्यून करना उतना ही आसान हो सकता है जितना कि एक छोटे सिस्टम को, बशर्ते कि कनेक्शन स्थानीय और सीमित रहें।
इन विचारों का परीक्षण करने के लिए, टीम ने सिमुलेशन चलाए और एक पंद्रह क्यूबिट्स वाले क्वांटम प्रोसेसर पर प्रयोग भी किए। सिमुलेशन में, उन्होंने पुष्टि की कि क्यूबिट्स की एक रैखिक श्रृंखला के लिए, सर्वोत्तम व्यवस्था की भविष्यवाणी करने में त्रुटि पिछले अनुरोधों की संख्या के वर्गमूल के रूप में घटती है, लेकिन केवल तभी जब सिस्टम को एंटैंगलमेंट की एक विशिष्ट मात्रा उपयोग करने की अनुमति दी जाती है। उन्होंने पाया कि यदि सिस्टम बहुत अधिक प्रतिबंधित है, तो यह प्रभावी ढंग से सीख नहीं सकता है, लेकिन यदि इसके पास पर्याप्त स्वतंत्रता है, तो यह सबसे सामान्य अनुरोधों के अनुकूल तेजी से हो सकता है। IBM क्वांटम डिवाइस पर वास्तविक दुनिया के प्रयोग ने पुष्टि की कि एंटैंगल्ड क्यूबिट्स की एक पूरी तरह से जुड़ी हुई श्रृंखला (fully connected chain) सरल, पूर्व-निर्धारित व्यवस्थाओं की तुलना में बेहतर प्रदर्शन करती है। पूरी तरह से जुड़ी हुई श्रृंखला ने, जिसने अधिक एंटैंगलमेंट का उपयोग किया, त्रुटि दर को काफी कम कर दिया। इसने सिद्ध किया कि सही कनेक्शनों का उपयोग करने का सैद्धांतिक लाभ शोर वाले, वास्तविक हार्डवेयर पर भी बना रहता है, हालांकि इस डिवाइस पर डेटा से सर्वोत्तम व्यवस्था सीखने का विशिष्ट प्रयास तकनीकी टाइमआउट के कारण असफल रहा, जिससे केवल निश्चित रणनीतियों की तुलना ही मापी जा सकी।
अध्ययन ने इस बात की भी खोज की कि क्या होता है जब क्वांटम अवस्था की तैयारी अपूर्ण होती है, जो वास्तविक मशीनों में हमेशा होता है। उन्होंने पाया कि सर्वोत्तम व्यवस्था सीखने के लिए न केवल अनुरोधों के बारे में डेटा की आवश्यकता होती है, बल्कि मशीन की अपनी त्रुटियों के बारे में भी डेटा की आवश्यकता होती है। यदि मशीन शोर वाली (noisy) है, तो सिस्टम को उन त्रुटियों की अपनी समझ को कैलिब्रेट करने के लिए अतिरिक्त समय खर्च करने की आवश्यकता होती है। शोधकर्ताओं ने दिखाया कि एक ट्रेड-ऑफ है: आप या तो अनुरोधों के बारे में अधिक डेटा एकत्र कर सकते हैं या मशीन के शोर के बारे में अधिक डेटा, लेकिन आप एक को पूरी तरह से छोड़ नहीं सकते। यदि आप शोर को ठीक से नहीं जानते हैं, तो अनुरोधों का पूर्ण ज्ञान भी आपको सही चुनाव करने में मदद नहीं करेगा। यह दोहरा मानदंड बताता है कि एक स्मार्ट क्वांटम मेमोरी बनाना उपयोगकर्ता को देखने और मशीन को देखने के बीच एक संतुलन है।
क्वांटम क्षेत्र से परे, शोधकर्ताओं ने पाया कि वही गणितीय नियम एक पूरी तरह से अलग समस्या पर लागू होते हैं: एक क्लासिकल डेटाबेस को व्यवस्थित करना। जब एक डेटाबेस रिकॉर्ड संग्रहीत करता है, तो उसे यह तय करना होता है कि लेनदेन आने से पहले किन रिकॉर्ड्स को एक ही भौतिक डिस्क पर रखना है। यदि लेनदेन को ऐसे रिकॉर्ड की आवश्यकता है जो विभिन्न डिस्क में बिखरे हुए हैं, तो सिस्टम धीमा हो जाता है। अध्ययन ने दिखाया कि रिकॉर्ड को समूहबद्ध करने के सर्वोत्तम तरीके को सीखने के नियम क्यूबिट्स को एंटैंगल करने के नियमों के समान हैं। खुदरा खरीदारी के सार्वजनिक डेटासेट का उपयोग करते हुए एक परीक्षण में, टीम ने पाया कि पिछले लेनदेन से सीखी गई विधि ने एक सरल, निश्चित समूहीकरण रणनीति से बेहतर प्रदर्शन किया। हालांकि, सबसे बड़े रिटेल सेटिंग में, आइटम फ्रीक्वेंसी (वस्तु की आवृत्ति) पर आधारित एक सरल विधि जटिल सीखी गई पद्धति की तुलना में बेहतर काम करती है। यह सुझाव देता है कि जबकि सीखना शक्तिशाली है, यह हमेशा सबसे अच्छा उपकरण नहीं होता है; कभी-कभी, एक सरल, निश्चित नियम पर्याप्त होता है, विशेष रूप से जब डेटा बड़ा हो और सीखने की लागत अधिक हो।
पेपर निष्कर्ष निकालता है कि एक क्वांटम सिस्टम में संसाधनों को आवंटित करने के तरीके को सीखने की लागत केवल मेमोरी के आकार से निर्धारित नहीं होती है, बल्कि कनेक्शनों की संरचना से होती है। क्यूबिट्स की एक रैखिक श्रृंखला बढ़ने पर अधिक विकल्प पैदा करती है, जिससे सर्वोत्तम व्यवस्था सीखना कठिन हो जाता है। इसके विपरीत, छोटे, कसकर जुड़े क्लस्टरों से बना एक सिस्टम बढ़ने पर अधिक विकल्प पैदा नहीं करता है, इसलिए सीखने की लागत स्थिर रहती है। यह अंतर भविष्य के क्वांटम कंप्यूटरों को डिजाइन करने के लिए महत्वपूर्ण है। यह इंजीनियरों को बताता है कि यदि वे एक बड़ा, कुशल क्वांटम मेमोरी बनाना चाहते हैं, तो उन्हें लंबे, रैखिक कनेक्शनों के बजाय मॉड्यूलर, क्लस्टर्ड डिजाइनों का उपयोग करना चाहिए। ऐसा करके, वे इसे ट्यून करने के लिए असंभव मात्रा में डेटा की आवश्यकता के बिना सिस्टम को स्केल कर सकते हैं। यह अध्ययन बताता है कि एंटैंगलमेंट कहाँ खर्च किया जाना चाहिए, जो क्वांटम संसाधनों के बारे में एक अस्पष्ट अंतर्ज्ञान को एक सटीक, सीखने योग्य रणनीति में बदल देता 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।