Ancilla-free randomized Toffoli gates and the T-count of Boolean oracles
यह शोध पत्र प्रदर्शित करता है कि बिना एंसिला (ancilla-free) वाले रैंडमाइज्ड टोफ़ोली गेट्स को केवल गेट के अपने आइडल इनपुट्स का उपयोग करके लागू किया जा सकता है, जिसमें आकार से स्वतंत्र T-काउंट होता है, जो बूलियन ओरेकल के लिए संसाधन दक्षता में महत्वपूर्ण सुधार करता है और सटीक मल्टी-कंट्रोल्ड गेट्स बनाम रैंडमाइज्ड एप्रोक्सिमेशन्स के T-लागत की मौलिक सीमाओं को प्रकट करता 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
ऐसे कंप्यूटर बनाने की खोज में जो आज की मशीनों के लिए असंभव समस्याओं को हल कर सकें, वैज्ञानिक ऐसे सर्किट डिजाइन कर रहे हैं जो भौतिक दुनिया के अराजक शोर (chaotic noise) को चुनौती देने वाली सटीकता के स्तर पर काम करते हैं। ये भविष्य की मशीनें सूचना को क्वांटम बिट्स में संग्रहीत करने के लिए निर्देशों के एक विशेष सेट पर निर्भर करती हैं, जिन्हें 'गेट्स' (gates) कहा जाता है। जबकि इनमें से अधिकांश निर्देशों को निष्पादित करना अपेक्षाकृत आसान है, एक विशिष्ट प्रकार का गेट, जो कई इनपुट्स द्वारा नियंत्रित एक जटिल स्विच की तरह कार्य करता है, त्रुटियों के बिना निष्पादित करना अत्यंत कठिन और महंगा है। इन गेट्स को काम करने के योग्य बनाने के लिए, इंजीनियरों को एक संसाधन का उपयोग करना पड़ता है जिसे "मैजिक स्टेट" (magic state) कहा जाता है, जो ऊर्जा का एक अत्यधिक शुद्ध रूप है जिसे बनाना और उपभोग करना महंगा होता है। चूंकि ये मैजिक स्टेट्स इतने कीमती हैं, इसलिए एक कंप्यूटर को कितनी बार इनका उपयोग करने की आवश्यकता होती है, जिसे "टी-काउंट" (T-count) कहा जाता है, वह गणना की दक्षता का एक प्राथमिक पैमाना है। इसके अलावा, इन सर्किट्स को सही ढंग से कार्य करने के लिए अतिरिक्त, खाली मेमोरी स्पेस की आवश्यकता होती है, जिन्हें "एनसिला क्यूबिट्स" (ancilla qubits) कहा जाता है। छोटे पैमाने पर, ये अतिरिक्त स्थान आसानी से मिल जाते हैं, लेकिन जैसे-जैसे समस्याएं बड़ी होती जाती हैं, इनकी आवश्यकता एक प्रमुख बाधा बन जाती है, जो पूरी गणना को रोकने की क्षमता रखती है।
एक शोधकर्ता ने अब समस्याओं के एक विशिष्ट वर्ग के लिए इन बाधाओं को दूर करने का एक तरीका खोज निकाला है, जिससे ये जटिल स्विच बिना किसी अतिरिक्त मेमोरी स्पेस के संचालित हो सकते हैं। उनका कार्य एक ऐसी पद्धति पर केंद्रित है जो यादृच्छिकता (randomness) का उपयोग दोष के रूप में नहीं, बल्कि एक उपकरण के रूप में करती है। एक एकल, पूर्ण सर्किट बनाने का प्रयास करने के बजाय जो हमेशा काम करे, उन्होंने एक ऐसी रणनीति प्रस्तावित की जहाँ कंप्यूटर को हर बार कोई कार्य करने के लिए कहा जाने पर एक अलग, थोड़ा अपूर्ण सर्किट चलाना पड़ता है। कई यादृच्छिक प्रयासों के परिणामों का औसत निकालकर, कंप्यूटर उच्च विश्वसनीयता के साथ सही उत्तर प्राप्त करता है। इस यादृच्छिक दृष्टिकोण के पिछले प्रयासों में एक छिपा हुआ खर्च था: उपयोगकर्ता द्वारा चाही गई प्रत्येक सटीकता के लिए उन्हें एक नए, स्वच्छ मेमोरी स्पेस की आवश्यकता होती थी। इसका अर्थ यह था कि जैसे-जैसे समस्या अधिक सटीक होती गई, अतिरिक्त मेमोरी की आवश्यकता रैखिक रूप से (linearly) बढ़ती गई, जो इस पद्धति के उद्देश्य को ही विफल कर देती थी।
इस नए अध्ययन में सफलता एक ऐसी तकनीक है जो कंप्यूटर को केवल उन मेमोरी स्पेसों का उपयोग करके इन यादृच्छिक गणनाओं को करने की अनुमति देती है जो कार्य के हिस्से के रूप में पहले से ही मौजूद हैं। शोधकर्ता ने दिखाया कि जब समस्या में इनपुट्स की संख्या बड़ी होती है, तो सर्किट उन इनपुट्स के निष्क्रिय हिस्सों को आवश्यक कार्य करने के लिए अस्थायी रूप से उधार ले सकता है, बशर्ते वह उन्हें बाद में उनकी मूल स्थिति में वापस कर दे। यह "उधार लेना" पर्याप्त बड़े सिस्टम होने पर किसी भी अतिरिक्त मेमोरी क्यूबिट की आवश्यकता को समाप्त कर देता है। इस दक्षता की लागत प्रति गणना आवश्यक महंगे मैजिक स्टेट्स की संख्या में थोड़ी वृद्धि है, लेकिन यह व्यापार (trade-off) अनुकूल है जब उपलब्ध मेमोरी स्पेस ही सीमित करने वाला कारक हो। शोधकर्ता ने सिद्ध किया कि बड़े सिस्टमों के लिए, यह विधि प्रत्येक सटीकता के लिए लगभग आठ मैजिक स्टेट्स का उपयोग करती है, और यह संख्या सिस्टम के आकार के बढ़ने के बावजूद स्थिर रहती है।
यह दृष्टिकोण विभिन्न प्रकार के लॉजिकल टेस्ट के लिए काम करता है, जिसमें यह जांचना शामिल है कि क्या शर्तों का एक सेट पूरा होता है या यह सत्यापित करना कि क्या डेटा एक विशिष्ट पैटर्न में फिट बैठता है। शोधकर्ता ने प्रदर्शित किया कि उनकी विधि इन प्रकार की गणनाओं के लिए सैद्धांतिक रूप से सर्वोत्तम संभव सीमा के करीब है, जो केवल एक छोटे स्थिरांक कारक (constant factor) से भिन्न है। उन्होंने यह भी पता लगाया कि क्या होता है जब डेटा जो जांचा जा रहा है वह व्यवस्थित या अनुमानित तरीके से संरचित नहीं होता है। उन्होंने पाया कि यदि डेटा एक सरल गणितीय पैटर्न का पालन करता है, तो लागत कम और प्रबंधनीय रहती है। हालांकि, यदि डेटा यादृच्छिक रूप से बिखरा हुआ है, तो इसे जांचने की लागत विस्फोट के साथ बढ़ती है, जिसके लिए मैजिक स्टेट्स की संख्या घातीय (exponentially) रूप से अधिक आवश्यक होती है। यह अंतर महत्वपूर्ण है क्योंकि यह प्रकट करता है कि समस्या की कठिनाई केवल इस बात पर निर्भर नहीं करती कि डेटा कितना है, बल्कि इस पर भी कि उस डेटा की व्यवस्था कैसी है।
अध्ययन ने यह भी संबोधित किया कि क्या हासिल किया जा सकता है इसकी मौलिक सीमाएं क्या हैं। शोधकर्ता ने सिद्ध किया कि उनकी विधि सर्वोत्तम संभव परिणाम के निकट है, जो यह सुझाव देता है कि किसी भी और सुधार के लिए इन जटिल स्विचों के सबसे बुनियादी, सटीक संस्करणों को बनाने के तरीके में एक बड़ी सफलता की आवश्यकता होगी। उन्होंने दिखाया कि इन सटीक स्विचों को बनाने के वर्तमान सर्वोत्तम तरीके संभवतः अपनी सीमा के करीब हैं, जिसका अर्थ है कि उनके द्वारा विकसित यादृच्छिक दृष्टिकोण पहले से ही उन सीमाओं को छू रहा है जो वर्तमान तकनीक के साथ भौतिक रूप से संभव हैं। अतिरिक्त मेमोरी की आवश्यकता को हटाकर, यह कार्य उन जटिल एल्गोरिदम को चलाने का मार्ग खोलता है जिनमें मेमोरी स्पेस बहुत कम है, एक ऐसी स्थिति जो इन शक्तिशाली मशीनों की शुरुआती पीढ़ियों में सामान्य होने की उम्मीद है। निष्कर्ष पुष्टि करते हैं कि जबकि यादृच्छिकता हर समस्या को कुशलतापूर्वक हल नहीं कर सकती, फिर भी यह विशिष्ट बाधाओं को दूर करने के लिए एक शक्तिशाली उपकरण हो सकती है, बशर्ते समस्या में सही प्रकार की संरचना हो।
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।