The practical cost of magic state cultivation

एक ऐसा कंप्यूटर बनाना जो आज की मशीनों की पहुंच से परे समस्याओं को हल कर सके, इसके लिए सूचना को संग्रहीत और संरक्षित करने के तरीके में एक मौलिक बदलाव की आवश्यकता है। क्वांटम दुनिया में, डेटा को धारण करने वाली नाजुक अवस्थाएं पर्यावरण से होने वाले मामूली से मामूली व्यवधान से भी आसानी से टूट जाती हैं। इसे रोकने के लिए, वैज्ञानिक क्वांटम एरर करेक्शन (क्वांटम त्रुटि सुधार) नामक एक तकनीक का उपयोग करते हैं, जो सूचना को कई भौतिक कणों में फैला देती है ताकि यदि एक विफल हो जाए, तो अन्य मोर्चा संभाल सकें। हालांकि, सबसे शक्तिशाली गणनाएं करने के लिए, इन संरक्षित प्रणालियों को एक विशिष्ट प्रकार का ऑपरेशन भी निष्पादित करना चाहिए जो मानक त्रुटि सुधार अकेले नहीं कर सकता है। यह ऑपरेशन विशेष, अत्यधिक परिष्कृत संसाधनों पर निर्भर करता है जिन्हें 'मैजिक स्टेट्स' (जादुई अवस्थाएं) कहा जाता है। इन अवस्थाओं का निर्माण करना एक शोर भरे मिश्रण से शुद्ध रसायन को आसवन (डिस्टिल) करने जैसा है: आप एक खुरदरे, अपूर्ण संस्करण से शुरू करते हैं और इसे बार-बार परीक्षण और परिष्कृत करते हैं जब तक कि यह जटिल कार्यों के लिए आवश्यक उच्च गुणवत्ता तक नहीं पहुंच जाता। इस शोधन की प्रक्रिया को 'कल्टिवेशन' (संवर्धन) कहा जाता है, और इसे एक उपयोगी क्वांटम कंप्यूटर बनाने के लिए एक महत्वपूर्ण कदम माना जाता है।

वर्षों तक, इस कल्टिवेशन प्रक्रिया की लागत का अनुमान लगाने वाले शोधकर्ताओं ने एक सरलीकृत धारणा बनाई जो भौतिक रूप से असंभव साबित हुई। उन्होंने माना कि शोधन प्रक्रिया के बिल्कुल अंत में, वे अंतिम परिणाम को यह तय करने के लिए कि उसे रखना है या फेंक देना है, एक पूर्ण, शोर रहित माप (मेजरमेंट) कर सकते हैं। वास्तव में, ऐसा माप उसी अवस्था को नष्ट कर देगा जिसे वे बचाने की कोशिश कर रहे हैं। वास्तविक प्रक्रिया को उन संकेतों पर निर्भर रहना चाहिए जो अवस्था के निर्माण के दौरान एकत्र किए जाते हैं, बिना अंतिम उत्पाद को सीधे देखे। यह एक महत्वपूर्ण 'ब्लाइंड स्पॉट' (अंध बिंदु) पैदा करता है। हार्वर्ड यूनिवर्सिटी और मैसाचुसेट्स इंस्टीट्यूट ऑफ टेक्नोलॉजी के शोधकर्ताओं के एक नए अध्ययन से पता चलता है कि इस ब्लाइंड स्पॉट ने संसाधनों की आवश्यकता का गंभीर रूप से कम अनुमान लगाया है। बिना अवस्था को नष्ट किए निर्णय लेने के लिए एक नई विधि विकसित करके, उन्होंने पाया कि कई मामलों में, इन आवश्यक संसाधनों को बनाने की लागत पहले की तुलना में बहुत अधिक है, और त्रुटि दर पहले के सिमुलेशन द्वारा सुझाए गए स्तरों से कहीं अधिक खराब है।

शोधकर्ताओं ने कल्टिवेशन के अंतिम चरण पर ध्यान केंद्रित किया, जिसे 'एस्केप स्टेज' (पलायन चरण) कहा जाता है, जहाँ परिष्कृत अवस्था को त्रुटियों से बचाने के लिए एक बड़े आकार में विकसित किया जाता है। पिछले कार्यों में, वैज्ञानिकों ने यह तय करने के लिए कि क्या कोई अवस्था रखने के लिए पर्याप्त अच्छी है, 'कॉम्प्लीमेंट्री गैप' नामक विधि का उपयोग किया था। यह विधि सिमुलेशन में अच्छी तरह काम करती थी क्योंकि इसकी पहुंच एक "क्लोज्ड बाउंड्री" (बंद सीमा) तक थी—एक पूर्ण, अंतिम रीडआउट जो सिस्टम को ठीक से बताता था कि क्या हुआ है। लेकिन एक वास्तविक कंप्यूटर में, ऐसा रीडआउट मौजूद नहीं होता है। सिस्टम के पास केवल संकेतों का एक "विज़िबल हिस्ट्री" (दृश्य इतिहास) होता है जो प्रक्रिया के दौरान एकत्र किया जाता है, जबकि अंतिम परिणाम छिपा रहता है। जब शोधकर्ताओं ने इस खुले अंत वाली स्थिति में पुराने तरीके को लागू करने की कोशिश की, तो यह अच्छी और बुरी अवस्थाओं के बीच अंतर करने में विफल रहा। निर्णय लेने वाला मीट्रिक ढह गया, और यह एक विश्वसनीय अवस्था और एक दोषपूर्ण अवस्था के बीच अंतर करने के लिए बहुत संकी والا (सीमित) हो गया, चाहे कोड कितना भी बड़ा क्यों न हो।

इसे हल करने के लिए, टीम ने एक नया दृष्टिकोण विकसित किया जिसे उन्होंने 'कैलिपर' (Caliper) नाम दिया। अंतिम परिणाम का अनुमान लगाने के बजाय, कैलिपर उपलब्ध संकेतों का उपयोग संभावित छिपे हुए परिणामों की भविष्यवाणी करने के लिए करता है और एक स्कोर की गणना करता है कि प्रत्येक संभावना के लिए विफलता की संभावना कितनी है। यह संभावित त्रुटियों के परिदृश्य का अन्वेषण करके काम करता है, कुशलतापूर्वक उन परिदृश्यों की खोज करता है जो सबसे अधिक समस्या पैदा कर सकते हैं। यदि स्कोर विफलता के उच्च जोखिम का संकेत देता है, तो अवस्था को हटा दिया जाता है; यदि स्कोर कम है, तो अवस्था को रखा जाता है। यह विधि सिस्टम को अंतिम माप से पहले उपलब्ध जानकारी का उपयोग करके निर्णय लेने की अनुमति देती है, जिससे भविष्य के उपयोग के लिए अवस्था सुरक्षित रहती है। शोधकर्ताओं ने दो अलग-अलग प्रकार के क्वांटम एरर-करेक्टिंग कोड्स (जो डेटा को सुरक्षित करने के लिए उपयोग किए जाने वाले ढांचे हैं) के विस्तृत कंप्यूटर सिमुलेशन का उपयोग करके इस विधि का परीक्षण किया।

परिणामों ने पुराने अनुमानों और नई वास्तविकता के बीच एक स्पष्ट अंतर दिखाया। एक प्रकार के कोड के लिए, नई विधि आदर्श, असंभव परिदृश्य के लगभग उतना ही अच्छा प्रदर्शन करती है, जिससे पता चलता है कि उस विशिष्ट सेटअप के लिए संसाधन अनुमान सटीक बने रह सकते हैं। हालांकि, दूसरे प्रकार के कोड के लिए, जो वर्तमान डिजाइनों में अधिक उपयोग किया जाता है, अंतर बहुत बड़ा था। इन सिमुलेशन में, मौजूदा सर्वोत्तम विधियां जो बिना अंतिम रीडआउट के काम करने की कोशिश करती थीं, त्रुटियों को प्रभावी ढंग से दबाने में विफल रहीं, जिससे लॉजिकल एरर रेट लक्षित स्तर से कई गुना अधिक हो गया। यहाँ तक कि जब शोधकर्ताओं ने नए कैलिपर मेथड का उपयोग किया, तो उन्होंने पाया कि उन्हीं निम्न त्रुटि दरों तक पहुँचने के लिए, उन्हें बहुत बड़े कोड का उपयोग करना पड़ा और शोधन प्रक्रिया को काफी लंबा चलाना पड़ा। कुछ मामलों में, एक एकल उपयोगी अवस्था का उत्पादन करने के लिए आवश्यक समय और स्थान पिछले अनुमानों की तुलना में पांच गुना या उससे अधिक बढ़ गया।

यह अध्ययन सूचना की उपलब्धता और संसाधनों के बीच एक महत्वपूर्ण ट्रेड-ऑफ (संतुलन) को उजागर करता है। अंतिम परिणाम देखने की क्षमता के बिना, सिस्टम को अपने निर्णयों के प्रति आश्वक होने के लिए अधिक मेहनत करनी पड़ती है। शोधकर्ताओं ने पाया कि प्रक्रिया को लंबे समय तक चलाने या बड़े कोड का उपयोग करने से प्रदर्शन को वापस पाया जा सकता है, लेकिन इसकी भारी कीमत चुकानी पड़ती है। उन्होंने यह भी पता लगाया कि इस समस्या की कठिनाई कोड के विशिष्ट डिजाइन पर निर्भर करती है। कुछ डिजाइन अंतिम सूचना की कमी के प्रति अधिक मजबूत हैं, जबकि अन्य बहुत संवेदनशील हैं। इसका अर्थ है कि एक फॉल्ट-टोरेंट क्वांटट कंप्यूटर बनाने का मार्ग एक समान नहीं है; आवश्यक संसाधन इस बात पर बहुत अधिक निर्भर करेंगे कि किस विशिष्ट एरर-करेक्टिंग कोड को चुना गया है और कल्टिवेशन प्रक्रिया को मिड-सर्किट निर्णय लेने की वास्तविकता के अनुकूल कैसे बनाया गया है।

इन निष्कर्षों के निहितार्थ भविष्य के क्वांटट कंप्यूटरों के व्यापक आर्किटेक्चर तक विस्तृत हैं। कई प्रस्तावित बड़े पैमाने के एल्गोरिदम यह मानकर चलते हैं कि मैजिक स्टेट्स को पुराने, आदर्श मॉडलों के आधार पर एक निश्चित दक्षता के साथ बनाया जा सकता है। यदि वास्तविक लागत पांच गुना अधिक है, जैसा कि सिमुलेशन सुझाव देते हैं, तो इन एल्गोरिदम को चलाने के लिए आवश्यक भौतिक घटकों की कुल संख्या वर्तमान योजना से बहुत बड़ी हो सकती है। इसका मतलब यह नहीं है कि लक्ष्य अप्राप्य है, बल्कि इसका मतलब यह है कि इंजीनियरिंग चुनौतियां अधिक गंभीर हैं। शोधकर्ता सुझाव देते हैं कि भविष्य के डिजाइनों को इन नई निर्णय लेने वाली विधियों के साथ सह-विकसित करने की आवश्यकता हो सकती है, शायद उन अनुकूल एडेप्टिव रणनीतियों का उपयोग करके जो सबसे कठिन मामलों के लिए अतिरिक्त संसाधन आरक्षित करती हैं। वे यह भी बताते हैं कि हालांकि उनकी विधि, कैलिपर, पिछले प्रयासों की तुलना में एक महत्वपूर्ण सुधार है, लेकिन यह एक पूर्ण समाधान नहीं है, और क्लासिकल कंप्यूटिंग पावर और क्वांटम संसाधनों के बीच संतुलन को अनुकूलित करने के लिए आगे काम करने की आवश्यकता है।

अंततः, यह कार्य क्षेत्र की अपेक्षाओं के लिए एक आवश्यक सुधार के रूप में कार्य करता है। यह बातचीत को सैद्धांतिक संभावनाओं से व्यावहारिक बाधाओं की ओर ले जाता है, यह दिखाते हुए कि एक कामकाजी क्वांटट कंप्यूटर का मार्ग उन कठिन विकल्पों से बना है कि किस सूचना का उपयोग किया जा सकता है और किसे त्यागना होगा। अंतिम रीडआउट के बिना संचालित होने की वास्तविक लागत को प्रकट करके, यह अध्ययन आगे की यात्रा के लिए एक अधिक यथार्थवादी मानचित्र प्रदान करता है। शोधकर्ताओं ने अपने सिमुलेशन डेटा और कोड को समुदाय के लिए उपलब्ध करा दिया है, दूसरों को इन निष्कर्षों का परीक्षण करने और विधियों को परिष्कृत करने के लिए आमंत्रित किया है। जैसे-जैसे यह क्षेत्र आगे बढ़ता है, इन लागतों का सटीक अनुमान लगाने की क्षमता हार्डवेयर बनाने की क्षमता जितनी ही महत्वपूर्ण होगी, जिससे यह सुनिश्चित होगा कि इन महत्वाकांक्षी मशीनों के लिए आवंटित संसाधन भौतिकी की मांगों को पूरा करने के लिए पर्याप्त हैं।