Spiking neural networks for streaming qubit readout

क्वांटम कंप्यूटर उन समस्याओं को हल करने का वादा रखते हैं जो वर्तमान में सबसे शक्तिशाली सुपर कंप्यूटरों के लिए भी असंभव हैं, जैसे कि नई दवाओं की डिजाइनिंग से लेकर जटिल सामग्रियों का अनुकरण करना। हालाँकि, ये मशीनें अविश्वसनीय रूप से नाजुक होती हैं। काम करने के लिए, उन्हें एक नाजुक संतुलन की स्थिति में रखा जाना चाहिए, और जरा सी भी गड़बड़ी के कारण वे अपनी जानकारी खो सकती हैं। क्वांटम कंप्यूटर को चालू रखने के लिए, वैज्ञानिकों को इसके व्यक्तिगत घटकों की स्थिति की लगातार जांच करनी पड़ती है, जिन्हें क्यूबिट (qubit) कहा जाता है, और जो वे पाते हैं उसके आधार पर तेजी से समायोजन करना पड़ता है। इस प्रक्रिया में क्यूबिट की स्थिति की जांच करना, या "रीड आउट" (read out) करना, केवल एक अंतिम चरण नहीं है; यह मशीन और वैज्ञानिक के बीच एक निरंतर, उच्च-दांव वाली बातचीत है। यदि रीडिंग बहुत धीमी या गलत है, तो कंप्यूटर समय पर अपनी त्रुटियों को ठीक नहीं कर सकता है, और गणना विफल हो जाती है। वर्षों से, वैज्ञानिक इन संकेतों की व्याख्या करने के लिए मानक तरीकों पर भरोसा करते आए हैं, लेकिन जैसे-जैसे क्वांटम मशीनें बड़ी और अधिक जटिल होती जा रही हैं, ये पुराने उपकरण डेटा की अस्त-व्यस्त, वास्तविक समय की प्रकृति को संभालने के लिए बहुत धीमे और बहुत कठोर होते जा रहे हैं।

शोधकर्ताओं की एक टीम ने अब इन क्वांटम संकेतों को सुनने का एक नया तरीका पेश किया है, जो मानव तंत्रिका तंत्र से प्रेरित एक प्रकार के कंप्यूटर मस्तिष्क का उपयोग करता है। पूरे माप के समाप्त होने का इंतजार करने के बजाय, उनका नया सिस्टम सिग्नल के आते ही उसे सुनता है, और क्षण-प्रति-क्षण अपनी समझ को अपडेट करता है। यह दृष्टिकोण, जो स्पाइकिंग न्यूरल नेटवर्क (spiking neural networks) का उपयोग करता है, कंप्यूटर को पहले की तुलना में बहुत तेज़ी से निर्णय लेने में सक्षम बनाता है, जो बड़े पैमाने पर क्वांटम कंप्यूटिंग के लिए आवश्यक तीव्र सुधारों को संभव बना सकता है। शोधकर्ताओं ने इस पद्धति का परीक्षण पांच क्यूबिट वाले एक छोटे क्वांटम प्रोसेसर पर किया और पाया कि यह उच्च सटीकता के साथ क्यूबिट की स्थिति की पहचान कर सकता है, जो बहुत बड़े और धीमे सिस्टम के प्रदर्शन से मेल खाता है, जबकि यह वास्तविक समय में कार्य करता है।

चुनौती इस बात से शुरू होती है कि क्वांटम कंप्यूटरों को कैसे मापा जाता है। कई शोधकर्ताओं द्वारा उपयोग किए जाने वाले सुपरकंडक्टिंग क्वांटम प्रोसेसरों में, सूचना को मशीन के माध्यम से माइक्रोवेव सिग्नल भेजकर पढ़ा जाता है। जब एक क्यूबिट एक अवस्था या दूसरी अवस्था में होता है, तो यह इन सिग्नलों की आवृत्ति (frequency) को थोड़ा बदल देता है। आधुनिक सेटअप में, वैज्ञानिक अक्सर एक ही तार के माध्यम से विभिन्न आवृत्तियों को भेजकर एक साथ कई क्यूबिट्स को मापते हैं, जिसे फ्रीक्वेंसी मल्टीप्लेक्सिंग (frequency multiplexing) नामक तकनीक कहा जाता है। हालांकि यह कुशल है, लेकिन यह एक जटिल सिग्नल बनाता है जो सभी क्यूबिट्स की प्रतिक्रियाओं का मिश्रण है। सिग्नल एक साफ, सरल रेखा नहीं है; यह एक शोरयुक्त, उतार-चढ़ाव वाला ट्रेस है जिसे क्यूबिट्स के एक-दूसरे के साथ परस्पर क्रिया करने से या माप के दौरान क्यूबिट्स की स्थिति बदलने से विकृत किया जा सकता है। पारंपरिक रूप से, वैज्ञानिक इन ट्रेसेस की व्याख्या करने के लिए 'मैच्ड फिल्टरिंग' (matched filtering) नामक विधि का उपयोग करते हैं। यह विधि एक विचार के विरुद्ध काम करती है कि सिग्नल को कैसा दिखना चाहिए, जिसका एक आदर्श, पूर्व-निर्धारित टेम्पलेट होता है। हालाँकि, इस दृष्टिकोण में एक महत्वपूर्ण दोष है: इसके लिए विश्लेषण शुरू करने से पहले पूरे माप को रिकॉर्ड करना आवश्यक है। यह सिग्नल को एक स्थिर चित्र के रूप में मानता है, इस तथ्य को अनदेखा करता है कि सिग्नल समय के साथ बदलता है और महत्वपूर्ण सुराग माप के शुरुआती हिस्से में दिखाई दे सकते हैं और फिर गायब हो सकते हैं।

इस सीमा को दूर करने के लिए, शोधकर्ताओं ने आर्टिफिशियल इंटेलिजेंस के एक अलग प्रकार की ओर रुख किया जिसे स्पाइकिंग न्यूरल नेटवर्क कहा जाता है। मानक आर्टिफिशियल न्यूरल नेटवर्क के विपरीत, जो निरंतर प्रवाह में डेटा को प्रोसेस करते हैं और पूरे इनपुट को देखने के बाद ही उत्तर देते हैं, स्पाइकिंग न्यूरल नेटवर्क सूचना को उसके आने के समय ही संभालने के लिए डिज़ाइन किए गए हैं, बिल्कुल वैसे ही जैसे मस्तिष्क के न्यूरॉन्स विशिष्ट घटनाओं के जवाब में सक्रिय होते हैं। इस नई प्रणाली में, इनकमिंग माइक्रोवेव सिग्नल को 100 नैनोसेकंड के छोटे समय अंतराल (slices) में विभाजित किया जाता है। जैसे ही प्रत्येक स्लाइस आता है, नेटवर्क इसे तुरंत प्रोसेस करता है, अपनी आंतरिक स्मृति को अपडेट करता है और क्यूबिट की स्थिति के बारे में अपना अनुमान लगाता है। यह पूरे माप के पूरा होने का इंतजार नहीं करता है। यह सिस्टम को माप शुरू होते ही निर्णय लेने में सक्षम बनाता है, बजाय इसके कि वह अंत तक प्रतीक्षा करे। शोधकर्ताओं ने इस प्रणाली को फील्ड-प्रोग्रामेबल गेट एरे (FPGA) नामक विशेष हार्डवेयर पर चलाने के लिए बनाया है, जो एक प्रकार की चिप है जिसका उपयोग क्वांटम कंट्रोल सिस्टम में बहुत कम विलंब (delay) के साथ गणना करने के लिए किया जाता है।

टीम ने अपने नए तरीके का परीक्षण पांच-क्यूबिट क्वांटम प्रोसेसर पर किया, जो एक छोटा लेकिन वास्तविक बेंचमार्क है जिसमें एक बड़ी मशीन की सभी जटिलताएं शामिल हैं, जैसे कि शोर और क्यूबिट्स के बीच हस्तक्षेप। उन्होंने अपने स्पाइकिंग न्यूरल नेटवर्क की तुलना पारंपरिक मैच्ड-फिल्टर विधि और एक मानक आर्टिफिशियल न्यूरल नेटवर्क से की जो निर्णय लेने से पहले पूरे डेटा का इंतजार करता है। परिणामों ने दिखाया कि स्पाइकिंग न्यूरल नेटवर्क अत्यधिक प्रभावी था। इसने एक सटीकता प्राप्त की जो बहुत बड़े मानक न्यूरल नेटवर्क के लगभग समान थी, जिसके पास एक साथ सारा डेटा उपलब्ध था, लेकिन इसने यह सब वास्तविक समय में डेटा को प्रोसेस करते हुए किया। पारंपरिक मैच्ड-फिल्टर विधि, जो वर्तमान मानक है, कम सटीक थी, विशेष रूप से तब जब क्यूबिट्स एक-दूसरे के साथ परस्पर क्रिया कर रहे थे या जब सिग्नल शोरयुक्त था। नया सिस्टम इन जटिल पैटर्न को पहचानने और उनके लिए सुधार करने में सक्षम था, जिससे वे त्रुटियां कम हुईं जो तब होती हैं जब एक क्यूबिट की माप दूसरे की स्थिति से भ्रमित हो जाती है।

सबसे महत्वपूर्ण निष्कर्षों में से एक सिस्टम के निर्णय लेने के समय को नियंत्रित करने की क्षमता थी। क्योंकि नेटवर्क हर छोटे समय अंतराल के बाद अपने अनुमान को अपडेट करता है, शोधकर्ता इसे इतना प्रशिक्षित कर सकते थे कि यदि सिग्नल स्पष्ट हो तो यह जल्दी रुकने के लिए पर्याप्त आश्वस्त हो जाए, या यदि सिग्नल अस्पष्ट हो तो यह अधिक समय तक प्रतीक्षा करे। उन्होंने पाया कि प्रशिक्षण को समायोजित करके, वे कुल माप समय का एक महत्वपूर्ण हिस्सा, यानी केवल 600 नैनोसेकंड के बाद ही एक बहुत सटीक रीडिंग प्राप्त कर सकते थे, बिना अंतिम परिणाम की सटीकता से समझौता किए। यह लचीलापन क्वांटम एरर करेक्शन (त्रुटि सुधार) के लिए अत्यंत महत्वपूर्ण है, जहाँ सिस्टम को यह तय करने के लिए त्वरित निर्णय लेना होता है कि सुधार लागू किया जाए या और जानकारी की प्रतीक्षा की जाए। शोधकर्ताओं ने यह भी प्रदर्शित किया कि वे सरल संख्याओं का उपयोग करके, जिसे 'क्वांटाइजेशन' (quantization) कहा जाता है, इस जटिल प्रणाली को बिना अधिक सटीकता खोए चला सकते हैं। यह महत्वपूर्ण है क्योंकि इसका अर्थ है कि सिस्टम को किसी विशाल शक्ति या मेमोरी की आवश्यकता के बिना वास्तविक क्वांटम कंप्यूटर कंट्रोलर के सीमित संसाधनों पर चलाया जा सकता है।

हार्डवेयर परीक्षणों ने पुष्टि की कि सिस्टम काम के लिए पर्याप्त तेज़ है। शोधकर्ताओं ने गणना की कि चिप प्रत्येक 100-नैनोसेकंड के डेटा स्लाइस को लगभग 31 से 52 नैनोसेकंड में प्रोसेस कर सकता है। इसका मतलब है कि सिस्टम अगला डेटा स्लाइस आने से बहुत पहले ही अपनी गणना पूरी कर लेता है और अपने निर्णय को अपडेट कर देता है। स्ट्रीमिंग रीडआउट के लिए यह गति आवश्यक है, जहाँ सिस्टम को सूचना के प्रवाह के साथ तालमेल बिठाना होता है बिना पीछे छूटे। अध्ययन ने दिखाया कि यह दृष्टिकोण केवल एक सैद्धांतिक संभावना नहीं है बल्कि एक व्यावहारिक समाधान है जिसे वर्तमान तकनीक के साथ बनाया जा सकता है। जटिल, शोरयुक्त डेटा से सीखने की क्षमता और वास्तविक समय की प्रोसेसिंग की गति को जोड़कर, स्पाइकिंग न्यूरल नेटवर्क क्वांटम कंप्यूटरों को पढ़ने के लिए एक नया मार्ग प्रदान करता है। यह अतीत के धीमे, कठोर तरीकों और भविष्य की तीव्र, अनुकूलन योग्य आवश्यकताओं के बीच के अंतर को पाटता है, जो यह सुझाव देता है कि अगली पीढ़ी के क्वांटम कंप्यूटर ट्रैक पर रहने के लिए इन मस्तिष्क-प्रेरित प्रणालियों पर निर्भर हो सकते हैं।