Sufficient quantum provenance: retained fields and certified recording precision
यह शोध पत्र सर्किट-आधारित प्रमाणों को व्युत्पन्न करके "पर्याप्त क्वांटम प्रोवेनेंस" (sufficient quantum provenance) को परिभाषित करने के लिए एक रूपरेखा प्रस्तुत करता है, जो परिणाम वितरणों के बीच एक सीमित हेलिंगर दूरी (Hellinger distance) की गारंटी देने के लिए आवश्यक न्यूनतम निष्पादन क्षेत्रों और रिकॉर्डिंग परिशुद्धता को निर्धारित करते हैं, जिससे पूर्ण वितरण सिमुलेशन के बिना क्वांटम गणनाओं के विश्वसनीय तुलना को सुनिश्चित किया जा सके।
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
जब वैज्ञानिक एक क्वांटम कंप्यूटर बनाते हैं, तो वे केवल एक प्रोग्राम नहीं चला रहे होते; वे एक सूक्ष्म प्रयोग कर रहे होते हैं जहाँ वातावरण, मशीन की आंतरिक विचित्रताएँ, और जिस तरह से प्रोग्राम को मशीन कोड में अनुवादित किया जाता है, वे सभी अंतिम परिणाम को आकार देते हैं। दो शोधकर्ता दो अलग-अलग मशीनों पर, या यहाँ तक कि एक ही मशीन पर अलग-अलग समय पर, बिल्कुल एक ही तार्किक कार्य (logical task) चला सकते हैं, और उन्हें उत्तरों के थोड़े अलग पैटर्न मिल सकते हैं। क्लासिकल कंप्यूटिंग की दुनिया में, हम अक्सर यह मान लेते हैं कि यदि कोड समान है, तो परिणाम भी समान होगा। लेकिन क्वांटम कंप्यूटिंग में, उत्तर तक पहुँचने के लिए अपनाया गया मार्ग स्वयं उत्तर जितना ही महत्वपूर्ण होता है। एक क्वांटम परिणाम पर भरोसा करने के लिए, हमें यह जानना आवश्यक है कि उस रन के दौरान सटीक स्थितियाँ क्या थीं। प्रश्न यह उठता है कि: यह सिद्ध करने के लिए कि दो रन तुलनीय (comparable) हैं, हमें कितने विवरण लिखने की आवश्यकता है? यदि हम एक छोटा सा विवरण छोड़ देते हैं, जैसे कि मशीन के शोर (noise) में एक मामूली बदलाव या इस बात में थोड़ा सा परिवर्तन कि कंप्यूटर सूचना को कैसे रूट करता है, तो क्या हम दो पूरी तरह से अलग वास्तविकताओं की तुलना कर सकते हैं?
इटली और ग्रीस की एक शोध टीम ने इस समस्या का समाधान करने के लिए एक नया तरीका विकसित किया है जिससे यह तय किया जा सके कि कौन से विवरण आवश्यक हैं और किन्हें सुरक्षित रूप से अनदेखा किया जा सकता है। उन्होंने एक सरल लेकिन गहन प्रश्न पूछा: यदि दो क्वांटम प्रयोग कागज़ पर एक जैसे दिखते हैं, तो उनके वास्तविक परिणाम कितने करीब होने चाहिए ताकि उन्हें एक मैच माना जा सके? इसका उत्तर देने के लिए, उन्होंने दो प्रयोगों के संभाव्यता पैटर्न (probability patterns) के बीच "दूरी" मापने का एक तरीका विकसित किया। यदि यह दूरी पर्याप्त रूप से कम है, तो प्रयोगों को अध्ययन के उद्देश्य के लिए समतुल्य माना जाता है। उनका कार्य एक प्रमाण-पत्र (certificate)—नियमों का एक सेट—प्रदान करता है, जो वैज्ञानिकों को ठीक से बताता है कि शोर के स्तर और रोटेशन कोणों जैसी चीजों के लिए उन्हें कितने अंकों की सटीकता रिकॉर्ड करने की आवश्यकता है ताकि यह गारंटी दी जा सके कि उनकी तुलनाएँ वैध हैं।
शोधकर्ताओं ने अपने विचारों का परीक्षण छोटे क्वांटम सर्किटों पर किया, विशेष रूप से एक प्रकार के एल्गोरिदम पर जिसे QAOA कहा जाता है, जिसका उपयोग अनुकूलन समस्याओं (optimization problems) को हल करने के लिए किया जाता है। उन्होंने हजारों विभिन्न परिदृश्यों का अनुकरण (simulate) किया, जिसमें कंप्यूटर चिप्स के लेआउट, शोर की ताकत, और उन कोणों को बदला गया जिन पर क्वांटम बिट्स को घुमाया गया था। उन्होंने पाया कि प्रयोग के व्यापक विवरणों को रिकॉर्ड करना अक्सर पर्याप्त नहीं होता है। उदाहरण के लिए, एक विशिष्ट परीक्षण मामले में, दो रन के पास लेआउट और शोर की शक्ति के लिए समान रिकॉर्ड थे, लेकिन वे इस बात में थोड़े भिन्न थे कि कंप्यूटर डेटा को कैसे रूट करता है और रोटेशन कोणों में एक सूक्ष्म पूर्वाग्रह (bias) था। भले ही ये अंतर मामूली लग रहे थे, लेकिन इनके कारण अंतिम परिणाम निर्धारित सीमा से अधिक विचलित हो गए। इसका मतलब था कि एक निष्पक्ष तुलना सुनिश्चित करने के लिए, शोधकर्ताओं को उन विशिष्ट रूटिंग विवरणों और कोण पूर्वाग्रहों को रिकॉर्ड करना था, न कि केवल सामान्य सेटअप को।
इसे व्यवस्थित रूप से हल करने के लिए, टीम ने एक गणितीय ढांचा तैयार किया जो एक छलनी (sieve) की तरह कार्य करता है। यह उन विवरणों को छान देता है जिनका महत्व नहीं है और केवल उन्हें रखता है जो परिणाम को बदलते हैं। उन्होंने पाया कि एक विशिष्ट चार-क्यूबिट सर्किट के लिए, केवल तेरह बिट्स की जानकारी वाला रिकॉर्ड यह गारंटी देने के लिए पर्याप्त था कि दो मिलान करने वाले रन के बीच का अंतर एक सख्त सीमा के भीतर रहेगा। यह आश्चर्यजनक रूप से कम डेटा है, लेकिन यह सटीक है। टीम ने दिखाया कि यदि आप उन विवरणों को रिकॉर्ड करने में जगह बचाने की कोशिश करते हैं, तो आप एक ऐसे अंतर को छिपाने का जोखिम उठाते हैं जो तुलना को अमान्य बना देता है। उन्होंने यह भी पाया कि इन विवरणों को समूहित करने का तरीका मायने रखता है; शोर और कोणों को एक विशिष्ट तरीके से एक साथ रिकॉर्ड करना उन्हें अलग-अलग रिकॉर्ड करने की तुलना में अधिक कुशल है, क्योंकि क्वांटम प्रणालियों में त्रुटियाँ जटिल तरीकों से जुड़ती हैं जिन्हें सरल जोड़ द्वारा नहीं समझा जा सकता।
अध्ययन ने सिमुलेशन से आगे बढ़कर इन विचारों का परीक्षण वास्तविक हार्डवेयर पर किया। शोधकर्ताओं ने एक छह-क्यूबिट प्रोसेसर पर एक नया प्रयोग चलाया, जिसमें एक कार्य शामिल था जिसमें एक सिंथेटिक छवि की सीमाओं को परिष्कृत करना था। उन्होंने मशीन से सीधे आने वाले कच्चे डेटा (raw data) की तुलना डिकोडर द्वारा संसाधित किए गए डेटा से की। उन्होंने पाया कि कच्चे डेटा के लिए, उन्हें दो विशिष्ट लेबल रिकॉर्ड करने की आवश्यकता थी ताकि रन तुलनीय सुनिश्चित हो सकें। हालाँकि, एक बार जब डेटा को डिकोडर द्वारा संसाधित किया गया, तो जटिलता कम हो गई, और केवल एक लेबल की आवश्यकता थी। इसने पुष्टि की कि आवश्यक विवरण का स्तर पूरी तरह से इस पर निर्भर करता है कि आप क्या देख रहे हैं: कच्चा मशीन व्यवहार या अंतिम, व्याख्या किया गया परिणाम। प्रयोग ने सिद्ध किया कि उनका तरीका वास्तविक दुनिया में काम करता है, जो ठीक से पहचानता है कि तुलना पर भरोसा करने के लिए जानकारी के कौन से टुकड़े आवश्यक हैं।
शोधकर्ताओं ने इस बात पर भी ध्यान दिया कि क्या होता है जब हम विवरणों को छोड़ देकर बहुत चतुर बनने की कोशिश करते हैं। उन्होंने दिखाया कि एक सामान्य शॉर्टकट—यह जांचना कि क्या एक बार में एक विवरण को हटाने से कोई समस्या होती है—पर्याप्त नहीं है। कभी-कभी, दो विवरण जिन्हें अपने आप में हानिरहित माना जाता है, उन्हें एक साथ हटाने से एक बड़ा एरर पैदा हो जाता है। उनका तरीका हर संभव लापता जानकारी के संयोजन के लिए सबसे खराब स्थिति (worst-case scenario) को देखकर इन छिपे हुए जालों को पकड़ लेता है। यह सुनिश्चित करता है कि रिकॉर्ड सुदृढ़ (robust) है। उन्होंने यह भी स्पष्ट किया कि यह पद्धति यह सुनिश्चित करने के बारे में है कि दो रन तुलनीय हैं, न कि यह सिद्ध करने के बारे में कि परिणाम किसी समस्या का "सही" उत्तर है। दो रन पूरी तरह से तुलनीय हो सकते हैं और फिर भी दोनों गलत हो सकते हैं यदि मशीन में कोई पूर्वाग्रह है। लक्ष्य केवल यह जानना है कि क्या दो प्रयोग एक ही चीज़ के बारे में बात कर रहे हैं।
अंत में, यह कार्य क्वांटम अनुसंधान के भविष्य के लिए एक स्पष्ट मानचित्र प्रदान करता है। यह वैज्ञानिकों को बताता है कि उन्हें अपने प्रयोग के हर एक डेटा के टुकड़े को रिकॉर्ड करने की आवश्यकता नहीं है ताकि उसे पुनरुत्पादित (reproducible) बनाया जा सके, लेकिन उन्हें इस बात के प्रति बहुत सावधान रहना होगा कि वे किन टुकड़ों को रखते हैं। एक सटीक, गणितीय रूप से प्राप्त प्रमाण-पत्र का उपयोग करके, वे एक "पर्याप्त रिकॉर्ड" को परिभाषित कर सकते हैं जो घोषित सहनशीलता (tolerance) के भीतर सहमति की गारंटी देता है। इसका अर्थ यह है कि जैसे-जैसे क्वांटम कंप्यूटर बड़े और अधिक जटिल होते जाएंगे, शोधकर्ताओं के पास एक विश्वसनीय तरीका होगा जिससे वे जान सकेंगे कि उनके परिणाम सुसंगत हैं, बिना डेटा की असंभव मात्रा में दबे। यह अध्ययन स्थापित करता है कि सही स्तर की सटीकता के साथ, हम विश्वास कर सकते हैं कि आज का एक क्वांटम प्रयोग कल के प्रयोग के साथ निष्पक्ष रूप से तुलना किया जा सकता है, भले ही मशीनें और उनके आसपास का शोर बदल 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।