Reinforcement Learning for Syndrome Extraction
यह शोध पत्र क्वांटम एरर करेक्शन सिंड्रोम एक्सट्रैक्शन के लिए एक सुदृढीकरण शिक्षण (reinforcement learning) और इम्पॉर्टेंस सैंपलिंग दृष्टिकोण प्रस्तुत करता है जो अल्फासिंड्रोम (AlphaSyndrome) और प्रॉपहंट (PropHunt) जैसे मौजूदा उपकरणों की तुलना में काफी बेहतर प्रदर्शन करता है, जो सभी पैमानों पर लॉजिकल एरर दरों को कम करते हुए डिस्टेंस-15 सरफेस कोड्स के लिए 97.8% तक का सुधार प्राप्त 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 जिन्हें सुलझाने में आज की मशीनों को हजारों साल लग सकते हैं, जैसे कि जटिल कोड को तोड़ना या नई दवाओं का अनुकरण करना। लेकिन ये मशीनें अविश्वसनीय रूप से नाजुक होती हैं। सूचना संग्रहीत करने के लिए उपयोग किए जाने वाले सूक्ष्म कण, जिन्हें क्यूबिट्स (qubits) कहा जाता है, गर्मी, कंपन या यहां तक कि बिखरी हुई विद्युत चुम्बकीय तरंगों से भी आसानी से विचलित हो जाते हैं। एक एकल गलती भी पूरी गणना को भ्रष्ट कर सकती है। क्वांटम कंप्यूटिंग को व्यावहारिक बनाने के लिए, वैज्ञानिकों ने 'क्वांटम एरर करेक्शन' (त्रुटि सुधार) नामक एक सुरक्षा जाल विकसित किया है। एक आदर्श क्यूबिट पर भरोसा करने के बजाय, वे कई अविश्वसनीय भौतिक क्यूबिट्स को एक साथ जोड़कर एक एकल, अधिक विश्वसनीय "लॉजिकल" (तार्किक) क्यूबिट बनाते हैं। यह प्रणाली लगातार गलतियों की जांच करके काम करती है। यह डेटा को देखे बिना क्यूबिट्स के विशिष्ट पैटर्न को मापकर ऐसा करता है, जो "सिंड्रोम" नामक सुरागों का एक सेट उत्पन्न करता है। यदि सिंड्रोम खाली है, तो सब कुछ ठीक है। यदि सिंड्रोम एक पैटर्न दिखाता है, तो यह संकेत देता है कि एक त्रुटि हुई है, और कंप्यूटर इसे गलती फैलने से पहले ठीक कर सकता है।
चुनौती यह है कि ये जांच कैसे की जाती हैं। एक सिंड्रोम को मापने के लिए, कंप्यूटर को संचालन (operations) का एक क्रम निष्पादित करना होगा, जिसमें क्यूबिट्स को एक विशिष्ट क्रम में जोड़ा जाता है। हालांकि गणित इन कनेक्शनों को व्यवस्थित करने के कई अलग-अलग तरीकों की अनुमति देता है, लेकिन सभी व्यवस्थाएं समान रूप से सुरक्षित नहीं होती हैं। एक शोर वाले वातावरण में, इन ऑपरेशनों का क्रम यह निर्धारित करता है कि एक छोटी सी गलती कितनी आसानी से एक क्यूबिट से कई अन्य क्यूबिट्स तक फैल सकती है, जिससे संभावित रूप से एक ऐसी विनाशकारी विफलता हो सकती है जिसे एरर करेक्शन ठीक न कर सके। सबसे सुरक्षित व्यवस्था खोजना घास के ढेर में सुई खोजने जैसा है, जो प्रत्येक अतिरिक्त क्यूबिट के साथ तेजी से बड़ा होता जाता है। सर्वोत्तम व्यवस्था खोजने के पिछले प्रयास गति और गुणवत्ता के बीच संतुलन बनाने में संघर्ष करते रहे हैं; जिन तरीकों ने अच्छे समाधान खोजे वे बड़े सिस्टम के लिए बहुत धीमे थे, जबकि तेज़ तरीकों ने अक्सर ऐसे शेड्यूल बनाए जो अभी भी त्रुटियों के प्रति संवेदनशील थे।
एक नए अध्ययन में, कैलिफोर्निया विश्वविद्यालय, लॉस एंजिल्स के शोधकर्ताओं ने 'फास्टशेड' (FastSched) नामक एक उपकरण विकसित किया है जो दो शक्तिशाली तकनीकों को मिलाकर इस समस्या को हल करता है। उन्होंने 'रीइन्फोर्समेंट लर्निंग' (reinforcement learning) का उपयोग करके एक कंप्यूटर प्रोग्राम को प्रशिक्षित किया, जो एक ऐसी विधि है जहां एक कृत्रिम बुद्धिमत्ता (AI) परीक्षण और त्रुटि के माध्यम से सीखती है, बिल्कुल वैसे ही जैसे एक बच्चा साइकिल चलाना सीखता है। प्रोग्राम को प्रत्येक जांच के लिए ऑपरेशनों का क्रम, एक-एक करके, चुनने का कार्य सौंपा गया था। इस सीखने की प्रक्रिया को कुशल बनाने के लिए, शोधकर्ताओं ने 'इंपॉर्टेंस सैंपलिंग' (importance sampling) नामक एक सांख्यिकीय ट्रिक का उपयोग किया। सामान्यतः, एक अच्छी तरह से डिज़ाइन किए गए सर्किट में लॉजिकल एरर खोजना इतना दुर्लभ होता है कि एक कंप्यूटर को केवल एक विफलता देखने के लिए लाखों सिमुलेशन चलाने की आवश्यकता होगी। यह सीखने की प्रक्रिया को अत्यंत धीमा बना देता है। शोधकर्ताओं ने प्रशिक्षण चरण के दौरान त्रुटियों की संभावना को कृत्रिम रूप से बढ़ा दिया, जिससे प्रोग्राम को गलतियाँ बार-बार देखने और उनसे बचने के लिए सीखने का अवसर मिला। फिर उन्होंने परिणामों को गणितीय रूप से समायोजित किया ताकि वे सामान्य, कम-त्रुटि वाली स्थितियों के तहत क्या होगा, उसे दर्शा सकें। इस दृष्टिकोण ने AI को संभावित शेड्यूल के विशाल परिदृश्य को खोजने और बिना अटके या समय बर्बाद किए सबसे सुरक्षित रास्तों की पहचान करने की अनुमति दी।
इस दृष्टिकोण के परिणाम महत्वपूर्ण हैं। मौजूदा सर्वोत्तम उपकरणों के विरुद्ध परीक्षण किए जाने पर, फास्टशेड ने लगातार बहुत कम त्रुटि दर वाले शेड्यूल बनाए। औसतन, इसने एक अग्रणी टूल की तुलना में लॉजिकल एरर रेट को लगभग 26 प्रतिशत और दूसरे की तुलना में 71 प्रतिशत से अधिक कम कर दिया। जैसे-जैसे क्वांटम कोड बड़े होते गए, यह सुधार और भी नाटकीय होता गया। 15 की दूरी (दूरी, जो इसके आकार और मजबूती का एक माप है) वाले एक विशिष्ट प्रकार के क्वांटम कोड के लिए, इस नए टूल ने पिछले अत्याधुनिक (state-of-the-art) तरीके की तुलना में त्रुटि दर को लगभग 98 प्रतिशत कम कर दिया। इसका मतलब है कि समान हार्डवेयर के लिए, नए शेड्यूल कंप्यूटर को बहुत अधिक विश्वसनीय बना सकते हैं। शोधकर्ताओं ने वास्तविक हार्डवेयर डेटा से प्राप्त यथार्थवादी शोर मॉडल का उपयोग करके व्यापक सिमुलेशन के माध्यम से इन निष्कर्षों को सत्यापित किया। उन्होंने पाया कि यह टूल तब भी प्रभावी रहा जब सिस्टम में भौतिक शोर कम हो गया, जो कि एक ऐसी स्थिति है जहाँ पारंपरिक तरीकों के लिए त्रुटियों को खोजना और भी कठिन हो जाता है।
अध्ययन ने एक महत्वपूर्ण ट्रेड-ऑफ (समझौते) को भी संबोधित किया जिसने पिछले कार्यों को सीमित किया था। पुराने तरीकों ने या तो उच्च-गुणवत्ता वाले शेड्यूल बनाए जिनमें गणना करने में बहुत समय लगा या तेज़ शेड्यूल बनाए जो गंभीर अनुप्रयोगों के लिए पर्याप्त विश्वसनीय नहीं थे। फास्टशेड तेज़ और सटीक दोनों होने में सक्षम है, और बड़े एवं जटिल क्वांटम कोड के लिए प्रभावी ढंग से स्केल करता है। शोधकर्ताओं ने प्रदर्शित किया कि उनका तरीका विभिन्न प्रकार के क्वांटम कोड संरचनाओं पर काम करता है, न कि केवल एक विशिष्ट प्रकार पर। ऑपरेशनों के विशिष्ट क्रम और सिस्टम के माध्यम से त्रुटियों के प्रसार पर ध्यान केंद्रित करके, वे ऐसी व्यवस्थाएँ खोजने में सक्षम रहे जो छोटी गलतियों को बड़ी आपदाओं में बदलने से रोकती हैं। यह कार्य यह दावा नहीं करता है कि इसने क्वांटम कंप्यूटिंग की सभी समस्याओं को हल कर दिया है, लेकिन यह एक पहेली का एक महत्वपूर्ण हिस्सा प्रदान करता है। यह उन नियंत्रण अनुक्रमों (control sequences) को डिजाइन करने का एक व्यावहारिक तरीका प्रदान करता है जो भविष्य में बड़े पैमाने पर, फॉल्ट-टोलरेंट क्वांटम कंप्यूटर चलाने के लिए आवश्यक होंगे। कोड और परिणाम अन्य वैज्ञानिकों के उपयोग और निर्माण के लिए उपलब्ध हैं, जो विश्वसनीय क्वांटम कंप्यूटिंग की समयरेखा को संभावित रूप से तेज कर सकते हैं।
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।