Distance Prediction for Quantum Codes
यह शोध पत्र BB-Net को प्रस्तुत करता है, जो एक अटेंशन-आधारित न्यूरल नेटवर्क है जो न्यूनतम कम्प्यूटेशनल लागत के साथ उच्च सटीकता से बाइवेरिएट बाइसिकलल क्वांटम कोड्स की दूरी का पूर्वानुमान लगाने में अत्याधुनिक ह्यूरिस्टिक्स (heuristics) से काफी बेहतर प्रदर्शन करता है, जिससे इष्टतम क्वांटम एरर-करेक्टिंग कोड्स की खोज में तेजी आती 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 क्लासिकल मशीनों को हजारों साल लग सकते हैं, जैसे कि अटूट कोड को तोड़ना या जटिल अणुओं का अनुकरण करना। फिर भी, इन मशीनों के भौतिक निर्माण खंड, जिन्हें क्वबिट (qubits) कहा जाता है, अविश्वसनीय रूप से नाजुक होते हैं। वे गर्मी, कंपन और इलेक्ट्रोमैग्नेटिक शोर के प्रति इतने संवेदनशील होते हैं कि वे अपनी जानकारी लगभग तुरंत खो देते हैं, जिसे डिकोहेरेंस (decoherence) नामक घटना कहा जाता है। एक उपयोगी मशीन बनाने के लिए, वैज्ञानिकों को इन नाजुक क्वबिट्स को सुरक्षा की परतों में लपेटना होगा, जिसे क्वांटम एरर करेक्शन (quantum error correction) नामक प्रणाली कहा जाता है। यह प्रणाली एक जानकारी के एक हिस्से को कई भौतिक क्वबिट्स में फैलाकर काम करती है, जिससे एक सुरक्षा जाल (safety net) बनता है जो डेटा को नष्ट किए बिना गलतियों का पता लगा सकता है और उन्हें ठीक कर सकता है। इस सुरक्षा जाल की मजबूती को "दूरी" (distance) नामक एक एकल संख्या द्वारा मापा जाता है। इस दूरी को उस संख्या के रूप में समझें कि एक कोड कितने स्वतंत्र दोषों (errors) को झेल सकता है इससे पहले कि जानकारी अप्राप्य हो जाए। उच्च दूरी का अर्थ है अधिक मजबूत कोड, जो लंबे समय तक और अधिक जटिल गणनाएं करने में सक्षम है।
सर्वश्रेष्ठ कोड खोजना एक विशाल खोज समस्या है। वैज्ञानिकों ने कोड के परिवारों को विकसित किया है, जैसे कि बाइवैरियट बाइसिकल संरचनाओं (bivariate bicycle structures) पर आधारित, जो दक्षता और सुरक्षा के बीच एक आशाजनक संतुलन प्रदान करते हैं। हालांकि, किसी विशिष्ट कोड की सटीक दूरी निर्धारित करना अत्यंत कठिन है। यह एक ऐसा कम्प्यूटेशनल पहेली है जो इतनी जटिल है कि सबसे शक्तिशाली सुपरकंप्यूटर भी बड़े कोडों के लिए इसे हल करने में संघर्ष करते हैं। शोधकर्ता वर्तमान में दो मुख्य दृष्टिकोणों पर भरोसा करते हैं: सटीक सॉल्वर (exact solvers) जो सही उत्तर की गारंटी देते हैं लेकिन चलाने में दिनों या हफ्तों का समय लेते हैं, या तेज़ ह्यूरिस्टिक सर्च (heuristic searches) जो एक सर्वोत्तम अनुमान प्रदान करते हैं लेकिन कभी-कभी वास्तविक सीमा को चूक सकते हैं। यह बाधा कोड की खोज को धीमा कर देती है, क्योंकि शोधकर्ता वास्तव में असाधारण कोडों को खोजने के लिए लाखों संभावित डिजाइनों की तेजी से जांच नहीं कर पाते हैं।
एक नए अध्ययन में, बेन-गुरियन यूनिवर्सिटी ऑफ द नेगेव के शोधकर्ताओं नादव श्नाइडर और एलिया नैचमनी ने आगे बढ़ने का एक अलग तरीका पेश किया है। हर बार दूरी की पहेली को शून्य से हल करने के बजाय, उन्होंने एक आर्टिफिशियल इंटेलिजेंस को उत्तर की भविष्यवाणी करने के लिए प्रशिक्षित किया। उन्होंने लगभग 59,000 क्वांटम कोडों का एक डेटासेट बनाया, प्रत्येक के लिए महंगी और उच्च-बजट वाली कंप्यूटर खोजों का उपयोग करके उनकी दूरी की गणना की। ये गणनाएँ एक मशीन लर्निंग मॉडल के लिए "उत्तर" के रूप में काम करती थीं जिसे उन्होंने BB-Net नाम दिया। मॉडल को एक कोड के गणितीय ब्लूप्रिंट को देखने के लिए डिज़ाइन किया गया था—विशेष रूप से इसके सुरक्षात्मक नियमों की व्यवस्था को—और उन पैटर्न को सीखने के लिए जो उच्च या निम्न दूरी के साथ सह-संबंध रखते हैं। कोड की संरचना का सीधे विश्लेषण करके, धीमी सिमुलेशन चलाने के बजाय, AI ने तेजी से भविष्यवाणियां करना सीख लिया।
परिणाम दर्शाते हैं कि यह दृष्टिकोण उल्लेखनीय रूप से प्रभावी है। जब उन कोडों के सेट पर परीक्षण किया गया जिन्हें उसने पहले कभी नहीं देखा था, तो BB-Net ने 96.39 प्रतिशत की सटीकता के साथ दूरी की भविष्यवाणी की। यह प्रदर्शन एक सेकंड के बहुत छोटे हिस्से में प्राप्त किया गया। इसके विपरीत, सर्वोत्तम मौजूदा कंप्यूटर विधियां, जिन्हें दस हजार गुना अधिक समय तक चलने की अनुमति दी गई है, केवल 94.86 प्रतिशत की सटीकता तक पहुंचीं। कोडों के एक छोटे उपसमूह पर, जहाँ सटीक दूरी निश्चित रूप से ज्ञात है, AI की सटीकता बढ़कर 98.94 प्रतिशत हो गई। अध्ययन यह प्रदर्शित करता है कि AI पारंपरिक, भारी कम्प्यूटेशनल विधियों की तुलना में बहुत कम समय का उपयोग करते हुए बेहतर प्रदर्शन कर सकता है। यह गति शोधकर्ताओं को संभावित कोडों की विशाल संख्या की तुरंत जांच करने, कमजोर कोडों को छानने और केवल सबसे आशाजनक उम्मीदवारों के लिए महंगी, धीमी गणनाओं को बचाने की अनुमति देती है।
शोधकर्ताओं ने केवल कच्ची गति पर ही भरोसा नहीं किया; उन्होंने कंप्यूटर द्वारा कोड को "पढ़ने" के तरीके को भी इंजीनियर किया ताकि कार्य आसान हो सके। उन्होंने एक कोड के जटिल बीजगणितीय विवरण को टोकन की एक संक्षिप्त सूची में अनुवादित करने की विधि विकसित की, ठीक वैसे ही जैसे एक वाक्य को शब्दों में तोड़ा जाता है। उन्होंने कोड के दो अलग-अलग दृश्य बनाए: एक जो नियमों के बीच स्थानीय कनेक्शन को देखता है, और दूसरा जो पूरी संरचना के वैश्विक, दोहराव वाले पैटर्न को देखता है। इन दो दृष्टिकोणों को जोड़कर, मॉडल ने एक गहरी समझ विकसित की कि एक कोड को मजबूत क्या बनाता है। उन्होंने मॉडल को यह पहचानने के लिए भी सिखाया कि कोड के शुरुआती बिंदु को बदलने से उसकी मजबूती नहीं बदलती है, जिससे यह सुनिश्चित हुआ कि वह मनमाने विवरणों के बजाय आवश्यक गुणों पर ध्यान केंद्रित करे।
यह कार्य क्वांटम एरर-करेक्टिंग कोड के डिजाइन के प्रति वैज्ञानिकों के दृष्टिकोण में एक महत्वपूर्ण बदलाव का प्रतिनिधित्व करता है। वर्षों से, यह क्षेत्र कोड की मजबूती को सत्यापित करने में लगने वाले समय से सीमित रहा है। मिलीसेकंड में इस मजबूती की भविष्यवाणी करने वाले उपकरण को पेश करके, शोधकर्ताओं ने खोज के एक प्रमुख अवरोध को हटा दिया है। अध्ययन पुष्टि करता है कि मशीन लर्निंग डेटा से क्वांटम एरर करेक्शन के छिपे हुए नियमों को सीख सकती है, जो बार-बार होने वाली महंगी गणनाओं के लिए एक व्यावहारिक विकल्प प्रदान करती है। जबकि AI हर मामले के लिए पूर्ण गणितीय प्रमाण के बजाय अनुमान प्रदान करता है, इसकी उच्च विश्वास के साथ उच्च-गुणवत्ता वाले कोडों की पहचान करने की क्षमता भविष्य के क्वांटम कंप्यूटरों के निर्माण के लिए आवश्यक मजबूत, स्केलेबल सिस्टम की खोज को तेज करती है। इस नए टूल का कोड अब सार्वजनिक रूप से उपलब्ध है, जो अन्य वैज्ञानिकों को क्वांटम संभावनाओं के विशाल परिदृश्य का पता लगाने के लिए आमंत्रित करता है।
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।