Decoder- and Noise-Aware Optimization Framework for Clifford-Deformed Quantum Error-Correcting Codes

एक ऐसा कंप्यूटर बनाना जो आज की मशीनों की पहुंच से परे समस्याओं को हल कर सके, इसके लिए सूचना को संभालने के तरीके में एक मौलिक बदलाव की आवश्यकता है। क्वांटम दुनिया में, डेटा की बुनियादी इकाइयाँ अविश्वसनीय रूप से नाजुक होती हैं, जो गर्मी या विद्युत चुम्बकीय हस्तक्षेप की हल्की सी आहट से भी अपनी अवस्था खोने के प्रति संवेदनशील होती हैं। इन प्रणालियों को चालू रखने के लिए, वैज्ञानिक क्वांटम एरर करेक्शन (क्वांटम त्रुटि सुधार) नामक एक विधि का उपयोग करते हैं, जो एक सुरक्षा जाल की तरह काम करता है, जो लगातार गलतियों की जाँच करता है और उन्हें गणना को खराब करने से पहले ठीक करता है। हालाँकि, यह सुरक्षा जाल महंगा है; इसे सूचना के केवल एक हिस्से की रक्षा के लिए कई भौतिक घटकों की आवश्यकता होती है। शोधकर्ताओं के लिए चुनौती इस सुरक्षा को यथासंभव कुशल बनाना है, ताकि कम से कम संसाधनों में अधिकतम विश्वसनीयता प्राप्त की जा सके। एक आशाजनक रणनीति में सुरक्षा जाल के नियमों में ही बदलाव करना शामिल है। हर घटक के लिए नियमों का एक मानक, समान सेट उपयोग करने के बजाय, वैज्ञानिक घटकों के बीच के कनेक्शनों को थोड़ा बदल सकते हैं ताकि वे उन विशिष्ट प्रकार की त्रुटियों से बेहतर तालमेल बिठा सकें जो उनका हार्डवेयर करने की प्रवृत्ति रखता है। क्लिफोर्ड डीफॉर्मेशन (Clifford deformation) के रूप में जानी जाने वाली यह पद्धति, बिना किसी नए हार्डवेयर को जोड़े प्रदर्शन बढ़ाने का एक तरीका प्रदान करती है, लेकिन एक बड़े सिस्टम के लिए ट्वीक्स (tweaks) के सटीक पैटर्न को खोजना इतना विशाल कार्य है कि हर संभावना की जाँच करना असंभव है।

कोपेनहेगन के नील बोहर संस्थान के शोधकर्ताओं ने इस विशाल खोज स्थान (search space) में नेविगेट करने के लिए एक नई विधि विकसित की है, जिससे उन्होंने सफलतापूर्वक उन बेहतर त्रुटि-सुधार पैटर्नों की पहचान की है जो पहले छूट गए थे। उन्होंने इवोल्यूशन-बेस्ड बेस्ट-आर्म आइडेंटिफिकेशन (Evolution-Based Best-arm Identification) नामक एक बुद्धिमान खोज एल्गोरिदम बनाया, जो जटिल क्वांटम प्रणाली को एक 'ब्लैक बॉक्स' के रूप में मानता है। शोर (noise) और डिकोडिंग सॉफ़्टवेयर के हर आंतरिक विवरण को समझने के बजाय, यह एल्गोरिदम विभिन्न पैटर्नों का परीक्षण करता है, परिणामों से सीखता है, और धीरे-धीरे सर्वोत्तम समाधान की ओर विकसित होता है। यह एक क्वांटम कंप्यूटर का हजारों बार अनुकरण (simulation) करके काम करता है, यह देखता है कि कितनी बार त्रुटियाँ निकल जाती हैं, और उन अवलोकनों का उपयोग अगले परीक्षणों को निर्देशित करने के लिए करता है। इस विधि को चलाने वाली मुख्य अंतर्दight यह है कि जो पैटर्न एक-दूसरे के बहुत समान होते हैं, वे समान परिणाम देने की प्रवृत्ति रखते हैं। यह एल्गोरिदम को एक परीक्षण से प्राप्त जानकारी का उपयोग करके पास के पैटर्न के बारे में शिक्षित अनुमान लगाने की अनुमति देता है, जिससे प्रभावी रूप से बेकार विकल्पों के विशाल बहुमत को छाँटा जा सकता है और अपनी ऊर्जा सबसे आशाजनक उम्मीदवारों पर केंद्रित की जा सकती है।

शोधकर्ताओं ने सरफेस कोड (surface code) नामक एक व्यापक रूप से उपयोग किए जाने वाले डिज़ाइन पर इस दृष्टिकोण का परीक्षण किया, जो क्यूबिट्स को द्वि-आयामी ग्रिड में व्यवस्थित करता है। उन्होंने सिस्टम का यथार्थवादी स्थितियों में अनुकरण किया जहाँ हार्डवेयर एक प्रकार की त्रुटि करने की अधिक संभावना रखता है, जो कई आधुनिक क्वांटम उपकरणों की एक सामान्य विशेषता है। इन सिमुलेशन में, एल्गोरिदम को एक रैंडम सर्च (यादृच्छिक खोज) के विरुद्ध खड़ा किया गया था, जो बिना किसी रणनीति के केवल पैटर्न चुनकर परीक्षण करता है। परिणाम चौंकाने वाले थे। कोड के एक छोटे संस्करण के लिए, नई विधि ने रैंडम दृष्टिकोण की तुलना में लगभग एक हजार गुना कम सिमुलेशन रन का उपयोग करके इष्टतम पैटर्न खोजा। जैसे-जैसे कोड का आकार बढ़ा, लाभ और भी स्पष्ट हो गया। जहाँ रैंडम सर्च अरबों प्रयासों के बाद भी सर्वोत्तम पैटर्न खोजने में विफल रहा, वहीं नया एल्गोरिदम लगातार एक ऐसे समाधान पर पहुँचा जिसने तार्किक त्रुटियों (logical errors) की दर को काफी कम कर दिया। यह दक्षता महत्वपूर्ण है क्योंकि इन क्वांटम प्रणालियों का अनुकरण करना गणनात्मक रूप से महंगा है, और कम परीक्षणों के साथ अच्छे समाधान खोजने की क्षमता बड़े पैमाने के क्वांटम कंप्यूटरों के अनुकूलन को व्यवहार्य बनाती है।

शायद सबसे महत्वपूर्ण खोज एक नया त्रुटि सुधार पैटर्न था जिसे एल्गोरिदम ने खोजा, जिसे शोधकर्ताओं ने बी-जेडजेडएक्स (B-XZZX) कोड नाम दिया। यह एक पहले से ज्ञात डिज़ाइन का एक रूपांतर है, लेकिन ग्रिड के किनारों में एक विशिष्ट संशोधन के साथ। हालाँकि नया पैटर्न कुल घटकों के एक बहुत छोटे अंश पर पुराने वाले से भिन्न है, लेकिन जैसे-जैसे सिस्टम बड़ा होता है, इसका प्रदर्शन सुधरता जाता है। तीन की कोड दूरी (code distance) पर, इसने पिछले सर्वश्रेष्ठ की तुलना में पांच प्रतिशत का सुधार दिखाया, लेकिन ग्यारह की दूरी पर, वह लाभ बढ़कर लगभग बारह प्रतिशत हो गया। यह अंतर्निमान के विपरीत है, क्योंकि एक उम्मीद की जा सकती है कि एक छोटे से बदलाव के लाभ सिस्टम के बढ़ने के साथ कम हो जाएंगे। इसके बजाय, शोधकर्ताओं ने पाया कि किनारों को ट्यून करने के विशिष्ट तरीके ने सिस्टम को उनके सिम्युलेटेड हार्डवेयर की अद्वितीय शोर विशेषताओं को अधिक प्रभावी ढंग से संभालने में मदद की। उन्होंने यह भी पाया कि सर्वोत्तम पैटर्न शोर के विशिष्ट प्रकार और त्रुटियों को डिकोड करने के लिए उपयोग किए जाने वाले सॉफ़्टवेयर पर बहुत अधिक निर्भर करता है, जो यह सिद्ध करता है कि 'एक-आकार-सभी-के-लिए' (one-size-fits-all) वाला समाधान मौजूद नहीं है और अनुकूलन को विशिष्ट हार्डवेयर वातावरण के अनुरूप होना चाहिए।

यह कार्य यह प्रदर्शित करता है कि मौजूदा हार्डवेयर के लिए सही कॉन्फ़िगरेशन खोजकर, बिना नया हार्डवेयर बनाए क्वांटम त्रुटि सुधार में व्यवस्थित रूप से सुधार करना संभव है। शोधकर्ताओं ने दिखाया कि उनकी विधि छोटे परीक्षण मामलों से लेकर बड़े, अधिक जटिल सिस्टम तक स्केल कर सकती है, और ऐसे पैटर्न की पहचान कर सकती है जिन्हें मानवीय अंतर्ज्ञान या यादृच्छिक संयोग शायद ही कभी पकड़ पाते। उन्होंने यह भी रेखांकित किया कि इन पैटर्नों की सफलता त्रुटियों को ठीक करने के लिए उपयोग किए जाने वाले विशिष्ट डिकोडर सॉफ़्टवेयर से जुड़ी हुई है, जो यह सुझाव देती है कि भविष्य के क्वांटम कंप्यूटरों को उनकी त्रुटि-सुधार रणनीतियों को ध्यान में रखकर सह-डिज़ाइन (co-designed) करने की आवश्यकता होगी। इन कोडों को वास्तविक उपकरणों के अद्वितीय शोर हस्ताक्षरों (noise signatures) के अनुरूप बनाने के लिए एक व्यावहारिक उपकरण प्रदान करके, यह शोध फॉल्ट-टोलरेंट क्वांटम कंप्यूटिंग को वास्तविकता बनाने की दिशा में एक स्पष्ट मार्ग प्रदान करता है, जो त्रुटि सुधार के सैद्धांतिक वादे को एक व्यावहारिक इंजीनियरिंग समाधान में बदल देता है।