Transpilation-Aware Runtime Prediction for Noisy Quantum Circuit Simulation
यह शोध पत्र शोर वाले क्वांटम सर्किट सिमुलेशन रनटाइम की भविष्यवाणी करने के लिए ग्राफ न्यूरल नेटवर्क और पारंपरिक रिग्रेशन मॉडल का मूल्यांकन करता है, जिसमें यह पाया गया है कि हालांकि पोस्ट-ट्रांसपाइलेशन जानकारी का उपयोग करने वाले मॉडल आम तौर पर सर्वश्रेष्ठ प्रदर्शन करते हैं, मानक रिग्रेशन पर स्पष्ट ग्राफ मॉडलिंग की श्रेष्ठता काफी हद तक विशिष्ट बैकएंड और ट्रांसपाइलर अनुकूलन स्तर पर निर्भर करती 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 हल करने में आज के सुपरकंप्यूटरों को हजारों साल लग सकते हैं, लेकिन ये मशीनें अभी भी नाजुक हैं और त्रुटियों के प्रति संवेदनशील हैं। चूंकि वास्तविक क्वांटम हार्डवेयर दुर्लभ है और उस तक पहुंचना कठिन है, इसलिए वैज्ञानिक यह समझने के लिए कि क्वांटम प्रोग्राम कैसे व्यवहार करेंगे, शक्तिशाली क्लासिकल कंप्यूटरों पर भरोसा करते हैं। ये सिमुलेशन एक महत्वपूर्ण परीक्षण आधार के रूप में कार्य करते हैं, जिससे शोधकर्ता किसी भौतिक उपकरण को छूने से पहले ही कोड को डीबग कर सकते हैं और प्रयोगों की योजना बना सकते हैं। हालांकि, इन सिमुलेशन को चलाना स्वयं एक भारी कम्प्यूटेशनल कार्य है। एक क्वांटम प्रोग्राम के सिमुलेशन में लगने वाला समय प्रोग्राम की जटिलता और सिम्युलेटर की विशिष्ट सेटिंग्स के आधार पर बहुत अधिक भिन्न हो सकता है। इन सिमुलेशन का प्रबंधन करने वाली प्रणालियों के लिए, यह जानना अत्यंत महत्वपूर्ण है कि एक जॉब में कितना समय लगेगा; यह उन्हें कार्यों को कुशलतापूर्वक शेड्यूल करने और कंप्यूटिंग शक्ति को वहां आवंटित करने की अनुमति देता जहां इसकी सबसे अधिक आवश्यकता है।
चुनौती इस तथ्य में निहित है कि वैज्ञानिक जो क्वांटम प्रोग्राम लिखते हैं, वह शायद वह नहीं होता जिसे सिम्युलेटर वास्तव में चलाता है। सिमुलेशन शुरू होने से पहले, एक 'ट्रांसपाइलर' नामक एक विशेष सॉफ्टवेयर टूल मूल प्रोग्राम को लक्षित सिम्युलेटर के विशिष्ट नियमों के अनुरूप पुनर्गठित (रीराइट) करता है। यह प्रक्रिया आवश्यक है क्योंकि सिम्युलेटर के अपने अद्वितीय सेट के अनुमत संचालन और कनेक्शन नियम होते हैं। ट्रांसपाइलर जटिल निर्देशों को सरल निर्देशों में तोड़ देता है और अतिरिक्त चरण जोड़ता है ताकि यह सुनिश्चित किया जा सके कि प्रोग्राम इन बाधाओं के भीतर काम करे। यह पुनर्गठन प्रोग्राम की संरचना को नाटकीय रूप से बदल सकता है, जिससे यह अक्सर मूल कोड की तुलना में लंबा या अधिक जटिल हो जाता है। फलस्वरूप, केवल मूल कोड को देखकर यह अनुमान लगाना कि सिमुलेशन में कितना समय लगेगा, गंतव्य के केवल एक रेखाचित्र को देखकर सड़क यात्रा के समय का अनुमान लगाने जैसा है, बिना यह जाने कि कार वास्तव में किस मार्ग से जाएगी।
इस पहेली को सुलझाने के लिए, वोरसेस्टर पॉलिटेकनिक इंस्टीट्यूट के शोधकर्ताओं ने एक ऐसा सिस्टम बनाने के लिए हाथ मिलाया जो सिमुलेशन रनटाइम का सटीक अनुमान लगा सके। उन्होंने 1,400 से अधिक अद्वितीय क्वांटेंट सर्किट्स का एक विशाल डेटासेट एकत्र किया, जो गणित की विभिन्न समस्याओं का प्रतिनिधित्व करते हैं। उन्होंने प्रत्येक सर्किट को दो अलग-अलग वर्चुअल हार्डवेयर कॉन्फ़िगरेशन और चार अलग-अलग स्तरों की रीराइटिंग तीव्रता का उपयोग करके एक सिम्युलेटर के माध्यम से चलाया। लक्ष्य यह देखना था कि क्या एक कंप्यूटर पुनर्गठन से पहले के सर्किट, पुनर्गठन के बाद के सर्किट, या दोनों चरणों की जानकारी को मिलाकर, निष्पादन समय (एग्जीक्यूशन टाइम) की भविष्यवाणी करना सीख सकता है। उन्होंने कई अलग-अलग प्रकार के मशीन लर्निंग मॉडल का परीक्षण किया, जिसमें मानक सांख्यिकीय उपकरण और डेटा के आकार और कनेक्शनों को समझने के लिए डिज़ाइन किए गए अधिक उन्नत सिस्टम शामिल थे।
शोधकर्ताओं ने पाया कि सबसे सटीक भविष्यवाणियां उन मॉडलों से आईं जिन्होंने ट्रांसपाइलर द्वारा पुनर्गठित किए गए सर्किट को देखा। जब टीम ने उस मॉडल का उपयोग किया जिसने प्रोग्राम की अंतिम, पुनर्गठित संरचना का विश्लेषण किया, तो इसने सभी स्तरों की रीराइटिंग तीव्रता के बीच उच्च स्तर की सटीकता प्राप्त की। इसके विपरीत, वे मॉडल जिन्होंने केवल मूल, बिना पुनर्गठित कोड को देखा, काफी खराब प्रदर्शन करते रहे, विशेष रूप से जब पुनर्गठन की प्रक्रिया आक्रामक थी। यह सुझाव देता है कि पुनर्गठन चरण के दौरान किए गए परिवर्तन यह समझने के लिए महत्वपूर्ण हैं कि सिमुलेशन में कितना समय लगेगा। अध्ययन से यह भी पता चला कि केवल पुनर्गठित प्रोग्राम के बारे में कुछ अतिरिक्त विवरण मूल कोड में जोड़ने मात्र से काम नहीं चला; विश्वसनीय भविष्यवाणियों के लिए मॉडल को पूरी नई संरचना को देखने की आवश्यकता थी।
हालांकि, अध्ययन ने यह भी दिखाया कि जटिल, आकार-जागरूक (शेप-अवेयर) मॉडल हमेशा एकमात्र उत्तर नहीं थे। कुछ विशिष्ट परिदृश्यों में, विशेष रूप से दो वर्चुअल हार्डवेयर कॉन्फ़िगरेशन में से एक के लिए रनटाइम की भविष्यवाणी करते समय, सरल और अधिक पारंपरिक सांख्यिकीय मॉडल उन्नत मॉडलों के समान ही अच्छा प्रदर्शन करते थे। यह इंगित करता है कि जबकि प्रोग्राम की अंतिम संरचना को समझना आवश्यक है, सबसे परिष्कृत गणितीय दृष्टिकोण हमेशा काम पूरा करने के लिए आवश्यक नहीं होता है। शोधकर्ताओं ने एक ट्रेड-ऑफ भी खोजा: सबसे आक्रामक रीराइटिंग सेटिंग्स का उपयोग करने से अक्सर सिमुलेशन को चलाने में लगने वाला समय कम हो गया, लेकिन इसने रीराइटिंग करने में लगने वाले समय को बढ़ा दिया। सबसे तेज़ और सरल प्रोग्रामों के लिए, यह अतिरिक्त रीराइटिंग समय गति में मामूली लाभ के लिए सार्थक नहीं था, लेकिन सबसे जटिल और धीमी गति से चलने वाले प्रोग्रामों के लिए, आक्रामक रीराइटिंग फायदेमंद रही।
अंततः, यह कार्य क्वांटम सिमुलेशन के प्रबंधन के लिए एक स्पष्ट मार्ग प्रदान करता है। यह प्रदर्शित करता है कि यह अनुमान लगाने के लिए कि एक क्वांटम सिमुलेशन में कितना समय लगेगा, आपको प्रोग्राम को उस रूप में देखना होगा जैसा वह वास्तव में मौजूद है जब वह चलने के लिए तैयार होता है, न कि केवल जैसा उसे मूल रूप से लिखा गया था। जबकि उन्नत मॉडल जो प्रोग्राम के कनेक्शनों को मैप करते हैं, सर्वोत्तम समग्र प्रदर्शन प्रदान करते हैं, सरल तरीके भी कुछ संदर्भों में प्रभावी हो सकते हैं। ये अंतर्दृष्टि क्वांटम कंप्यूटिंग के भविष्य के लिए आवश्यक हैं, जहाँ कुशल शेड्यूलिंग और संसाधन प्रबंधन, सीमित कंप्यूटिंग शक्ति का अधिकतम लाभ उठाने के लिए महत्वपूर्ण होगा। यह समझकर कि रीराइटिंग निष्पादन समय को कैसे प्रभावित करती है, डेवलपर्स यह बेहतर निर्णय ले सकते हैं कि जटिल अनुकूलन (ऑप्टिमाइजेशन) कब लागू किया जाए और अगली पीढ़ी के क्वांटम प्रयोगों के लिए संसाधनों को कैसे आवंटित किया जाए।
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।