⚛️ क्वांटम भौतिकी

Gap-Priced $|T\rangle$ -States: Dynamic $|T\rangle$ Post-Selection and Budget-Aware Factory Provisioning

यह शोध पत्र गैप-प्राइस्ड $|T\rangle$ -स्टेट्स (GP $|T\rangle$ -S) को प्रस्तुत करता है, जो एक गतिशील शेड्यूलर और फैक्ट्री एलोकेटर है जो स्पेसटाइम वॉल्यूम और निष्पादन समय में स्टेटिक प्रोविजनिंग विधियों की तुलना में महत्वपूर्ण कमी लाने के लिए एक सख्त त्रुटि बजट के तहत स्टेट कल्टिवेशन और डिस्टिलेशन को सह-अनुकूलित करता है।

मूल लेखक: Maxwell Poster, Sayam Sethi, Yuhao Liu, Jonathan Baker, Costin Iancu

प्रकाशित 2026-10-15

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Maxwell Poster, Sayam Sethi, Yuhao Liu, Jonathan Baker, Costin Iancu

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

एक ऐसा कंप्यूटर बनाना जो आज की मशीनों के लिए असंभव समस्याओं को हल कर सके, इसके लिए सूचना को संभालने के तरीके में एक मौलिक बदलाव की आवश्यकता है। आज के क्लासिकल इलेक्ट्रॉनिक्स के स्थिर, अनुमानित बिट्स पर निर्भर रहने के बजाय, ये भविष्य के उपकरण क्वांटम बिट्स, या क्यूबिट्स का उपयोग करते हैं, जो एक ही समय में कई अवस्थाओं में मौजूद हो सकते हैं। हालाँकि, यह शक्ति एक गंभीर कमजोरी के साथ आती है: क्यूबिट्स अविश्वसनीय रूप से नाजुक होते हैं। मामूली कंपन या गर्मी भी उनके द्वारा रखे गए डेटा को दूषित कर सकती है, जिससे गणना विफल हो सकती है। इसे दूर करने के लिए, वैज्ञानिक क्वांटम एरर करेक्शन (त्रुटि सुधार) नामक तकनीक का उपयोग करते हैं। कल्पना कीजिए कि सूचना के एक एकल, नाजुक तार्किक टुकड़े को कई भौतिक टुकड़ों के एक बड़े, अतिरेकपूर्ण (redundant) कवच के भीतर लपेटा गया है। यदि एक भौतिक टुकड़ा गड़बड़ी करता है, तो सिस्टम सूचना खोए बिना त्रुटि का पता लगा सकता है और उसे ठीक कर सकता है। इस कवच को 'सरफेस कोड' कहा जाता है, और यह वर्तमान में एक विश्वसनीय क्वांटम कंप्यूटर बनाने का सबसे आशाजनक तरीका है।

फिर भी, इस सुरक्षात्मक कवच के साथ भी, कंप्यूटर अपने सभी आवश्यक कार्यों को स्वयं नहीं कर सकता है। एक विशिष्ट प्रकार की क्वांटम अवस्था होती है, जिसे अक्सर 'मैजिक स्टेट' कहा जाता है, जो मशीन की पूर्ण शक्ति को अनलॉक करने के लिए आवश्यक है। इन अवस्थाओं का निर्माण करना कठिन और महंगा है। यह क्वांटम प्रोग्राम चलाने का सबसे समय लेने वाला और संसाधन-भारी हिस्सा है। वर्षों से, शोधकर्ता एक समझौते (trade-off) से जूझ रहे थे: वे इन अवस्थाओं को तेजी से बना सकते हैं लेकिन कम गुणवत्ता के साथ, या वे उन्हें बहुत उच्च गुणवत्ता के साथ धीरे-धीरे बना सकते हैं। यदि गुणवत्ता बहुत कम है, तो त्रुटियां जमा हो जाती हैं और गणना को खराब कर देती हैं; यदि प्रक्रिया बहुत धीमी है, तो कंप्यूटर खाली बैठा रहता है। चुनौती इस काम को करने के लिए मशीन के सीमित संसाधनों को बर्बाद किए बिना सही संतुलन खोजने की रही है।

टेक्सास विश्वविद्यालय एट ऑस्टिन और लॉरेंस बर्कले नेशनल लेबोरेटरी के शोधकर्ताओं की एक टीम ने इस संतुलन को हल करने के लिए एक नई प्रणाली विकसित की है। वे अपने दृष्टिकोण को 'गैप-प्राइस्ड स्टेट्स' (Gap-Priced States) कहते हैं, एक ऐसी विधि जो इन मैजिक स्टेट्स के निर्माण को एक निश्चित, स्थिर प्रक्रिया के रूप में नहीं, बल्कि एक गतिशील संसाधन के रूप में देखती है जिसे वास्तविक समय में प्रबंधित किया जा सकता है। पिछले सिस्टमों में, इंजीनियरों को कंप्यूटर शुरू करने से पहले यह तय करना होता था कि गुणवत्ता के नियम कितने सख्त होने चाहिए। वे एक एकल मानक निर्धारित करते थे कि एक अवस्था कितनी अच्छी होनी चाहिए ताकि उसे स्वीकार किया जा सके। यदि मानक बहुत ऊंचा होता, तो कंप्यूटर पूर्ण अवस्थाओं की प्रतीक्षा में समय बर्बाद करता। यदि यह बहुत कम होता, तो कंप्यूटर गणना समाप्त होने से पहले अपना एरर बजट खत्म कर सकता था। नया सिस्टम इस कठोरता को हटा देता है। एक निश्चित नियम के बजाय, यह एक स्मार्ट मैनेजर की तरह कार्य करता है जो प्रोग्राम के चलने के दौरान कंप्यूटर के शेष एरर बजट पर नज़र रखता है।

शोधकर्ताओं ने एक शेड्यूलर बनाया है जो लगातार यह जांचता है कि प्रोग्राम के पास कितना "एरर बजट" बचा है। यह बजट वह कुल मात्रा है जिसे अंतिम गणना सहन कर सकती है। जैसे-जैसे कंप्यूटर इस बजट का उपयोग करता है, शेड्यूलर अपनी अपेक्षाओं को समायोजित करता है। यदि प्रोग्राम के पास पर्याप्त बजट बचा है, तो शेड्यूलर कम गुणवत्ता वाली अवस्थाओं को स्वीकार करने का खर्च उठा सकता है, जो बहुत तेजी से आती हैं, जिससे पूरी प्रक्रिया तेज हो जाती है। यदि बजट कम हो रहा है, तो शेड्यूलर अपने मानकों को कड़ा कर देता है, उच्च गुणवत्ता वाली अवस्थाओं की प्रतीक्षा करता है ताकि अंतिम परिणाम सटीक बना रहे। यह गतिशील समायोजन बिना किसी अतिरिक्त समय के शुद्ध गति में अप्रयुक्त सुरक्षा मार्जिन को परिवर्तित करने की अनुमति देता है। यह सिस्टम यह भी पुनर्विचार करता है कि इन अवस्थाओं को कैसे बनाया जाए। यह दो मौजूदा विधियों को जोड़ता है: एक तेज़, संक्षिप्त तकनीक जो अवस्थाओं को तुरंत (on the fly) विकसित करती है, और एक धीमी, अधिक मजबूत विधि जो समर्पित कारखानों में उन्हें शुद्ध (purify) करती है। शोधकर्ताओं ने पाया कि शुद्धिकरण कारखानों के खाली स्थानों के भीतर तेज़ विकास पद्धति को चलाकर, वे पारंपरिक तरीकों की तुलना में बहुत कम भौतिक स्थान की आवश्यकता के बिना उच्च गुणवत्ता प्राप्त कर सकते हैं।

अपने विचार का परीक्षण करने के लिए, टीम ने सरल अंकगणित से लेकर जटिल रासायनिक सिमुलेशन तक, सोलह अलग-अलग क्वांटम प्रोग्रामों पर सिमुलेशन चलाया। उन्होंने अपने नए सिस्टम की तुलना पुराने तरीकों से की जो केवल तेज़ विकास तकनीक या केवल धीमी शुद्धिकरण कारखानों का उपयोग करते थे। परिणाम सुसंगत और महत्वपूर्ण थे। सभी परीक्षणों में, नया सिस्टम कम तार्किक चक्रों (logical cycles) में गणना पूरी करता है, जिसका अर्थ है कि कंप्यूटर ने काम तेजी से किया। कई मामलों में, इसने कुल समय को आधे से अधिक कम कर दिया। इसने कम भौतिक स्थान का भी उपयोग किया, जिससे समान कार्यों को चलाने के लिए आवश्यक कंप्यूटर का समग्र आकार छोटा हो गया। महत्वपूर्ण रूप से, सिस्टम ने कभी भी एरर बजट को पार नहीं किया, जिससे यह सुनिश्चित हुआ कि गति के लाभों से सटीकता का समझौता न हो। शोधकर्ताओं ने प्रदर्शित किया कि इन अवस्थाओं की गुणवत्ता को एक निश्चित सेटिंग के बजाय एक लचीले चर (variable) के रूप में प्रबंधित करके, वे पूरी प्रक्रिया को तेज़ और अधिक कुशल दोनों बना सकते हैं।

यह अध्ययन इस बात पर प्रकाश डालता है कि भविष्य में क्वांटम कंप्यूटरों को कैसे संचालित किया जा सकता है। स्थिर मशीनों के बजाय, जिनमें निश्चित सेटिंग्स होती हैं, वे अनुकूलन योग्य प्रणालियाँ बन सकते हैं जो अपनी प्रगति पर प्रतिक्रिया देती हैं। शोधकर्ताओं ने दिखाया कि पुराना अनुमान—कि आपको गति और गुणवत्ता के बीच चयन करना ही होगा—आवश्यक नहीं है। यह प्रदर्शित करके कि एरर बजट को गतिशील रूप से प्रबंधित किया जा सकता है, गति और गुणवत्ता दोनों प्राप्त करना संभव है। उनका कार्य सुझाव देता है कि व्यावहारिक क्वांटम कंप्यूटिंग का मार्ग केवल बेहतर हार्डवेयर बनाने में नहीं है, बल्कि स्मार्ट सॉफ्टवेयर बनाने में भी है जो जानता है कि उसके पास मौजूद संसाधनों का उपयोग कैसे करना है। सिमुलेशन ने पुष्टि की कि यह दृष्टिकोण आपूर्ति श्रृंखलाओं के अनुकूलन से लेकर आणविक अंतःक्रियाओं के मॉडलिंग तक, विविध प्रकार की समस्याओं के लिए काम करता है। टीम के निष्कर्षों ने उस विशाल ओवरहेड को कम करने के लिए एक स्पष्ट रोडमैप प्रदान किया है जो वर्तमान में क्वांटम कंप्यूटिंग को स्केल करना कठिन बनाता है, जिससे एक सैद्धांतिक संभावना एक अधिक मूर्त वास्तविकता में बदल जाती है।

तकनीकी सारांश: गैप-प्राइस्ड |𝑇⟩-स्टेट्स (GP|𝑇⟩-S)

समस्या विवरण
सरफेस कोड का उपयोग करने वाले फॉल्ट-टोलरेंट क्वांटम कंप्यूटेशन (FTQC) में, मैजिक |𝑇⟩-स्टेट्स की तैयारी में क्वबिट्स और लेटेंसी (latency) की सबसे अधिक लागत आती है। वर्तमान दृष्टिकोण आमतौर पर |𝑇⟩-स्टेट उत्पादन को स्थिर रूप से प्रावधानित (provision) करते हैं: या तो कल्टीवेशन (एक स्टोकेस्टिक, स्पेस-एफिशिएंट विधि जिसमें परिवर्तनशील फिडेलिटी होती है) या डिस्टिलेशन (एक डिटर्मिनिस्टिक, स्पेस-इंटेंसिव विधि) के माध्यम से। मौजूदा लैटिस सर्जरी शेड्यूलर इन विधियों को स्थिर इनपुट के रूप में मानते हैं, जिससे अक्सर एक प्रोग्राम के कुल |𝑇⟩-एरर बजट का एक महत्वपूर्ण हिस्सा अप्रयुक्त रह जाता है। यह स्थिर प्रावधान निष्पादन समय (execution time), स्पेस ओवरहेड और एरर रेट्स के बीच उप-इष्टतम (suboptimal) ट्रेड-ऑफ की ओर ले जाता है। विशेष रूप से, स्थिर गैप कटऑफ कल्टीवेशन द्वारा उपयोगी अवस्थाओं को त्याग देते हैं, जबकि स्थिर फैक्ट्री आवंटन वास्तविक प्रोग्राम के एरर बजट स्लैब (slack) को अनदेखा करते हुए, वर्स्ट-केस फिडेलिटी आवश्यकताओं को पूरा करने के लिए संसाधनों का अत्यधिक प्रावधान करते हैं।

कार्यप्रणाली
लेखक गैप-प्राइस्ड |𝑇⟩-स्टेट्स (GP|𝑇⟩-S) का प्रस्ताव करते हैं, जो कल्टीवेशन पोस्ट-सिलेक्शन, डिस्टिलेशन फैक्ट्री आवंटन और लैटिस सर्जरी शेड्यूलिंग को एक वैश्विक |𝑇⟩-एरर बजट ( $\epsilon$ ) के तहत सह-अनुकूलित (co-optimize) करता है। यह प्रणाली तीन एकीकृत तंत्रों के माध्यम से कार्य करती है:

डायनेमिक कल्टीवेशन पोस्ट-सिलेक्शन:
एक निश्चित गैप कटऑफ के बजाय, GP|𝑇⟩-S शेष एरर बजट के आधार पर कल्टीवेटेड स्टेट्स के लिए स्वीकृति मानदंडों (acceptance criteria) को गतिशील रूप से समायोजित करता है।

फिडेलिटी एस्टीमेशन (Fidelity Estimation): सिस्टम डिकोडर द्वारा रिपोर्ट किए गए कॉम्प्लीमेंट्री गैप (सबसे संभावित सुधार और अगले सबसे संभावित सुधार के बीच लॉग-लाइक्लीहुड अंतर) का उपयोग स्टेट फिडेलिटी के प्रॉक्सी के रूप में करता है। एक लुकअप टेबल, जो मोंटे कार्लो सिमुलेशन से प्राप्त की गई है, गैप वैल्यूज को लॉजिकल एरर रेट्स (LER) के साथ मैप करती है।
बजट-अवेयर शेड्यूलिंग: जैसे-जैसे शेड्यूलर |𝑇⟩-स्टेट्स का उपभोग करता है, वह शेष बजट ( $\epsilon_{rem}$ ) को ट्रैक करता है। यदि बजट सरप्लस (surplus) है, तो गैप कटऑफ को कम कर दिया जाता है ताकि कम-फिडेलिटी (लेकिन तेज़) स्टेट्स को स्वीकार किया जा सके, जिससे बजट स्लैक को गति में बदला जा सके। यदि बजट कम है, तो फिडेलिटी सुनिश्चित करने के लिए कटऑफ को बढ़ाया जाता है। यह सिस्टम उन स्टेट्स को स्वीकार करने की अनुमति देता है जिन्हें एक स्थिर कटऑफ अस्वीकार कर देता यदि वे शेष प्रोग्राम स्टेप्स के लिए पर्याप्त होते।

फैक्ट्री कैरेक्टराइजेशन और कैटलॉग:
लेखक इस मानक अनुमान को चुनौती देते हैं कि एक 15-टू-1 डिस्टिलेशन फैक्ट्री आउटपुट इन्फिडेलिटी $p_{out} \approx 35p^3$ देती है। डेंसिटी मैट्रिक्स सिमुलेशन के माध्यम से, वे दिखाते हैं कि आवंटन के लिए प्रासंगिक कोड डिस्टेंस के लिए, आउटपुट इन्फिडेलिटी ऑर्डर्स ऑफ मैग्नीट्यूड तक भिन्न होती है और टाइल आयामों ( $d_x, d_z$ ) पर बहुत अधिक निर्भर करती है।

कल्टीवेटिंग फैक्टरीज: PureMagic से प्रेरित होकर, सिस्टम 15-टू-1 डिस्टिलेशन फैक्ट्री के रूटिंग चैनल्स के भीतर कल्टीवेशन प्रक्रियाओं को एम्बेड करने वाले "कल्टीवेटिंग फैक्टरीज" पेश करता है। यह दोषपूर्ण फिजिकल $T$ इंजेक्शनों को कल्टीवेटेड स्टेट्स से बदल देता है, जिससे सिंगल-लेवल फुटप्रिंट के साथ दो-लेवल डिस्टिलेशन स्कीम्स के समान फिडेलिटी प्राप्त होती है।
फैक्ट्री कैटलॉग: एक कैटलॉग जनरेट किया गया है जो फैक्टरीज को उनके आकार ( $d_x, d_z$ ), प्रोडक्शन रेट ( $\tau$ ), और आउटपुट इन्फिडेलिटी ( $p_{out}$ ) द्वारा कैरेक्टराइज करता है।

डायनेमिक प्रोग्रामिंग एलोकेटर:
GP|𝑇⟩-S फैक्टरीज के आवंटन और गैप कटऑफ के चयन को एक संयुक्त अनुकूलन समस्या के रूप में स्वरूपित करता है।

पारेटो फ्रंट कंस्ट्रक्शन (Pareto Front Construction): डायनेमिक प्रोग्रामिंग एल्गोरिदम का उपयोग करके, सिस्टम तीन मेट्रिक्स के आधार पर वैध फैक्ट्री कॉन्फ़िगरेशन के पारेटो फ्रंट की गणना करता है: कुल फिजिकल क्वबिट काउंट ( $q$ ), प्रोडक्शन रेट ( $r$ ), और इन्फिडेलिटी-वेटेड आउटपुट रेट ( $\phi$ )।
ह्यूरिस्टिक सॉल्वर: सॉल्व टाइम को कम करने के लिए (जो सटीक DP के लिए मिनटों तक लग सकता है), एक बाउंडेड नैपसैक-आधारित ह्यूरिस्टिक एलोकेटर प्रदान किया गया है। यह सर्च के दौरान स्पष्ट प्लेसमेंट डाइमेंशन को हटा देता है और बाद में ग्रिडीली (greedily) कंक्रीट पोर्ट असाइनमेंट को हल करता है, जिससे ऑर्डर-ऑफ-मैग्निट्यूड तेज़ समय के साथ लगभग इष्टतम परिणाम प्राप्त होते हैं।

प्रमुख योगदान

गैप-टू-फिडेलिटी मैपिंग: कल्टीवेटेड स्टेट्स के कॉम्प्लीमेंट्री गैप को फिडेलिटी एस्टीमेट में बदलने की एक एस्टीमेशन विधि, जो डायनेमिक पोस्ट-सिलेक्शन को सक्षम बनाती है।
डायनेमिक शेड्यूलर: एक लैटिस सर्जरी शेड्यूलर जो शेष एरर बजट के आधार पर कल्टीवेशन गैप कटऑफ को गतिशील रूप से समायोजित करके फिडेलिटी को गति के साथ ट्रेड करता है।
को-ऑप्टिमाइज्ड एलोकेशन: एक डायनेमिक प्रोग्रामिंग एलोकेटर जो एरर बजट को पार किए बिना निष्पादन समय या स्पेस-टाइम वॉल्यूम को कम करने के लिए गैप कटऑफ और फैक्ट्री कॉन्फ़िगरेशन (साइज और काउंट) को संयुक्त रूप से अनुकूलित करता है।
रिफाइंड फैक्ट्री कैरेक्टराइजेशन: 15-टू-1 फैक्टरीज का डिस्टेंस-रिजॉल्व्ड कैरेक्टराइजेशन जो दर्शाता है कि $35p^3$ अनुमान व्यावहारिक आकारों के लिए अक्सर गलत होता है, और "कल्टीवेटिंग फैक्टरीज" का परिचय जो कम स्थानिक लागत पर उच्च फिडेलिटी प्राप्त करती हैं।

प्रायोगिक परिणाम
सिस्टम का मूल्यांकन 16 बेंचमार्क (Ising, QAOA, KNN, और QFT सर्किट्स सहित) पर किया गया, जिनमें $T$ -काउंट $1.4 \times 10^4$ से $8.2 \times 10^5$ तक थे, दो एरर बजट $\epsilon = 10^{-3}$ और $\epsilon = 10^{-5}$ के तहत।

बेसलाइन्स के मुकाबले प्रदर्शन: GP|𝑇⟩-S ने लगातार दो बेसलाइन्स को पछाड़ दिया: (1) एक स्थिर गैप कटऑफ के साथ कल्टीवेशन-ओनली अप्रोच, और (2) बिना कल्टीवेशन के सिंगल-फैक्ट्री अप्रोच।
मेट्रिक्स:
- लॉजिकल साइकिल काउंट: बेसलाइन्स की तुलना में 5.5× ज्योमेट्रिक मीन स्पीडअप (69% औसत कमी) प्राप्त किया।
- स्पेस-टाइम वॉल्यूम: 3.4× ज्योमेट्रिक मीन कमी (58% औसत कमी) प्राप्त की।
- बजट यूटिलाइजेशन: बेसलाइन्स के विपरीत जो अक्सर 50–95% एरर बजट का उपयोग नहीं कर पाते थे, GP|𝑇⟩-S ने हर रन में लगभग पूरे बजट का उपयोग किया, और कभी भी सीमा को पार नहीं किया।
व्यवहार्यता (Feasibility): उन बेंचमार्क्स के लिए जहाँ केवल कल्टीवेशन ही अव्यवहारिक था (कठोर फिडेलिटी आवश्यकताओं के कारण), कल्टीवेटिंग फैक्टरीज और डायनेमिक एलोकेशन के जुड़ने से बजट के भीतर निष्पादन संभव हो गया।

महत्व
यह पेपर तर्क देता है कि कल्टीवेशन ट्यूनिंग और फैक्ट्री आवंटन का पृथक्करण एक उप-इष्टतम डिज़ाइन विकल्प है। गैप कटऑफ और फैक्ट्री कॉन्फ़िगरेशन को एक एकल, युग्मित (coupled) डिज़ाइन स्पेस के रूप में मानकर, GP|𝑇⟩-S प्रदर्शित करता है कि एरर बजट को बढ़ाए बिना महत्वपूर्ण प्रदर्शन लाभ प्राप्त करना संभव है। यह कार्य रेखांकित करता है कि "बजट स्लैक" एक महत्वपूर्ण, और अक्सर बर्बाद होने वाला संसाधन है। प्रस्तावित प्रणाली क्वांटम प्रोग्राम के विशिष्ट एरर टॉलरेंस और निष्पादन प्रगति के अनुकूल रिसोर्स प्रोविजनिंग को गतिशील रूप से अनुकूलित करके सरफेस कोड आर्किटेक्चर की दक्षता को अधिकतम करने के लिए एक व्यावहारिक ढांचा प्रदान करती है।

तकनीकी सारांश: गैप-प्राइस्ड |𝑇⟩-स्टेट्स (GP|𝑇⟩-S)

इसी तरह के और पेपर