Lifting: Quantum State Discrimination Framework for Mid-Circuit Measurements
यह शोध पत्र "लिफ्टिंग" (Lifting) प्रस्तुत करता है, जो एक क्वांटम स्टेट डिस्क्रिमिनेशन फ्रेमवर्क है जो शोर और अवस्था क्षरण (state deterioration) को कम करने के लिए रिपिटिशन एनकोडिंग, न्यूरल नेटवर्क डिकोडिंग और इन सीटू कैलिब्रेशन को जोड़कर सुपरकंडक्टिंग हार्डवेयर पर मिड-सर्किट मेजरमेंट विश्वसनीयता को बढ़ाता 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, लेकिन वे अविश्वसनीय रूप से नाजुक होते हैं। कार्य करने के लिए, उन्हें त्रुटियों की लगातार जांच करते हुए जटिल ऑपरेशनों के अनुक्रमों को निष्पादित करना होता है। इस प्रक्रिया का एक महत्वपूर्ण हिस्सा पूरी गणना को नष्ट किए बिना, गणना के बीच में एक क्वांटम बिट, या क्यूबिट (qubit) को मापने की क्षमता है। इसे मिड-सर्किट मेजरमेंट (mid-circuit measurement) कहा जाता है। जब एक क्यूबिट को मापा जाता है, तो यह एक मंद माइक्रोवेव सिग्नल उत्पन्न करता है जिसे यह निर्धारित करने के लिए व्याख्यायित किया जाना चाहिए कि क्यूबिट शून्य या एक की स्थिति में है। हालांकि, आज उपयोग किए जाने वाले सुपरकंडक्टिंग चिप्स पर, यह सिग्नल अक्सर शोर युक्त और विकृत होता है। जैसे-जैसे गणना आगे बढ़ती है और क्यूबिट्स को बार-बार मापा जाता है, हार्डवेयर की भौतिक स्थिति खराब होती जाती है, जिससे सिग्नल्स को पढ़ना और भी कठिन हो जाता है। यदि कंप्यूटर सिग्नल की गलत व्याख्या करता है, तो यह गलत सुधार लागू कर सकता है, जिससे पूरी गणना विफल हो सकती है।
शोधकर्ताओं ने आर्टिफिशियल इंटेलिजेंस, विशेष रूप से न्यूरल नेटवर्क का उपयोग करके इस पठन प्रक्रिया को बेहतर बनाने का प्रयास किया है, जो अव्यवस्थित डेटा में पैटर्न खोजने में कुशल होते हैं। फिर भी, यदि वे केवल एक एकल क्यूबिट के सिग्नल को देख रहे हैं, तो इन नेटवर्कों के प्रदर्शन की एक कठिन सीमा है। यदि शोर के कारण शून्य और एक के सिग्नल्स बहुत अधिक ओवरलैप (overlap) हो जाते हैं, तो कोई भी सॉफ्टवेयर ट्रेनिंग निश्चितता के साथ उन्हें अलग नहीं कर सकती। इसके अलावा, मानक कैलिब्रेशन विधियां, जो रन शुरू होने से पहले कंप्यूटर को सिग्नल पढ़ना सिखाती हैं, अक्सर एक लंबी, जटिल गणना के दौरान होने वाली वास्तविकता से मेल खाने में विफल रहती हैं। जैसे-जैसे सर्किट चलता है, सिग्नल बदलते रहते हैं, जिससे सॉफ्टवेयर पुराने (outdated) सूचना पर प्रशिक्षित रह जाता है।
इन बाधाओं को दूर करने के लिए, इंडियाना यूनिवर्सिटी और लॉरेंस बर्कले नेशनल लेबोरेटरी के शोधकर्ताओं की एक टीम ने 'लिफ्टिंग' (Lifting) नामक एक नया फ्रेमवर्क विकसित किया है। लिफ्टिंग एकल क्यूबिट को पढ़ने को पूर्ण बनाने के बजाय, जानकारी एकत्र करने के तरीके को बदल देता है। एक लक्षित (target) क्यूबिट को मापने से पहले, सिस्टम इसे एक या अधिक सहायक (helper) क्यूबिट्स के साथ अस्थायी रूप से जोड़ देता है। यह क्यूबिट्स का एक समूह बनाता है जो एक ही अवस्था साझा करते हैं। सिस्टम फिर उन सभी को बिल्कुल एक ही समय में मापता है, जिससे एक संयुक्त सिग्नल प्राप्त होता जिसमें लक्षित और उसके सहायक दोनों शामिल होते हैं। एक एकल अलग-थलग सिग्नल के बजाय इस संयुक्त चित्र को देखकर, सिस्टम अतिरिक्त जानकारी प्राप्त करता है जो शून्य और एक अवस्थाओं को अलग करने में मदद करती है, भले ही वे शोर युक्त हों।
शोधकर्ताओं ने इस दृष्टिकोण का परीक्षण तीन अलग-अलग IBM क्वांटम प्रोसेसरों पर किया। उन्होंने पाया कि केवल सहायक क्यूबिट्स को जोड़ने और उन्हें एक साथ मापने से अवस्थाओं के बीच भ्रम काफी कम हो गया। हालांकि, टीम ने यह भी पाया कि प्रशिक्षण का समय हार्डवेयर जितना ही महत्वपूर्ण था। उन्होंने सर्किट के चलते समय ही पठन सॉफ्टवेयर को कैलिब्रेट करने की एक विधि बनाई, जिससे यह सुनिश्चित हुआ कि कंप्यूटर वास्तविक कार्य के दौरान सामना की जाने वाली सटीक स्थितियों के तहत सिग्नल्स की व्याख्या करना सीख सके। इस "इन सीटू" (in situ) कैलिब्रेशन ने इस बात का ध्यान रखा कि जैसे-जैसे गणना आगे बढ़ती है, हार्डवेयर कैसे बदलता है।
जब शोधकर्ताओं ने संयुक्त मापन तकनीक को वास्तविक समय के कैलिब्रेशन के साथ जोड़ा, तो परिणाम पर्याप्त थे। बार-बार मापन वाले एक परीक्षण में, पुराने कैलिब्रेशन विधियों पर निर्भर एक मानक प्रणाली केवल लगभग 54 प्रतिशत बार कार्य को सही ढंग से पूरा करने में सफल रही। नया लिफ्टिंग फ्रेमवर्क, संयुक्त सिग्नल्स और वास्तविक समय के प्रशिक्षण का उपयोग करते हुए, सबसे अस्पष्ट परिणामों को फ़िल्टर करने के बाद सफलता दर को लगभग 62 प्रतिशत तक ले आया। त्रुटि सुधार (error correction) और डेटा टेलीपोर्टेशन से जुड़े अन्य परीक्षणों में, नया तरीका मानक दृष्टिकोणों से लगातार बेहतर प्रदर्शन करता रहा। अध्ययन बताता है कि क्वांटम कंप्यूटर को पढ़ने का सबसे अच्छा तरीका केवल एक बेहतर डिकोडर बनाना नहीं है, बल्कि उपलब्ध जानकारी को बदलना और इसे उन्हीं स्थितियों का उपयोग करके सिखाना है जिनका यह वास्तविक दुनिया में सामना करेगा। यह दृष्टिकोण पूरी तरह से नए हार्डवेयर की आवश्यकता के बिना क्वांटम कंप्यूटरों को अधिक विश्वसनीय बनाने के लिए एक व्यावहारिक मार्ग प्रदान 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।