Witnessing Magic (and other Quantum Resources)
यह शोध पत्र यह स्थापित करता है कि इष्टतम साक्षी (विटनेस) के माध्यम से क्वांटम संसाधन सुदृढ़ता (क्वांटम रिसोर्स रोबस्टनेस) का अनुमान लगाने में लगने वाली नमूना लागत (सैंपलिंग कॉस्ट), अत्यधिक संसाधनपूर्ण अवस्थाओं के लिए, संसाधन मान के साथ कम से कम रैखिक या द्विघातीय रूप से बढ़ती है, जिसका अर्थ यह है कि जबकि ऐसी अवस्थाओं के लिए पूर्ण त्रुटि अनुमान अक्षम हो जाता है, अत्यधिक संसाधनपूर्ण शुद्ध अवस्थाओं पर निम्न सापेक्ष त्रुटि पर सामान्यीकृत सुदृढ़ता का अनुमान लगाना सबसे व्यवहार्य दृष्टिकोण बना रहता 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 लेखक 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 नए पदार्थों की डिजाइनिंग से लेकर वर्तमान एन्क्रिप्शन को तोड़ना। यह जानने के लिए कि क्या कोई मशीन वास्तव में इस वादे पर खरी उतर रही है, वैज्ञानिकों को उस विशिष्ट "ईंधन" को मापने का एक तरीका चाहिए जो इन क्वांटम लाभों को शक्ति देता है। यह ईंधन कोई एक चीज़ नहीं है, बल्कि विशेष गुणों का एक संग्रह है, जैसे कि कणों का दूरियों तक जुड़े रहने या एक साथ कई अवस्थाओं में मौजूद रहने की क्षमता। एक विशेष रूप से शक्तिशाली रूप वाला यह ईंधन, जिसे अक्सर "मैजिक" (जादू) कहा जाता है, वही है जो क्वांटम कंप्यूटर को ऐसे गणना कार्य करने की अनुमति देता है जो किसी भी क्लासिकल डिवाइस के लिए असंभव हैं। चुनौती यह है कि हालांकि हम जानते हैं कि ये संसाधन मौजूद हैं, लेकिन उन्हें सटीक रूप से मापना अविश्वत रूप से कठिन है। यह एक भूत को तौलने की कोशिश करने जैसा है: इसे खोजने की क्रिया स्वयं इतनी मांग वाली हो सकती है कि माप स्वयं एक उचित समय में पूरा करने के लिए अत्यधिक महंगी हो जाती है।
लॉस अलामोस नेशनल लेबोरेटरी के शोधकर्ताओं की एक टीम ने अब ठीक से मानचित्रित किया है कि ये माप संबंधी कठिनाइयाँ कहाँ स्थित हैं। उन्होंने क्वांटम संसाधनों को मापने की लागत का अध्ययन किया, विशेष रूप से इस बात पर ध्यान केंद्रित किया कि एक विश्वसनीय उत्तर प्राप्त करने के लिए एक कंप्यूटर को कितनी बार एक परीक्षण को दोहराना पड़ता है। उनका कार्य एक आश्चर्यजनक परिदृश्य प्रकट करता है: जबकि कुछ क्वांटम अवस्थाएँ मापने में आसान होती हैं, अन्य एक छिपी हुई बाधा पैदा करती हैं जो सटीक माप को अक्षम बनाती है, चाहे आप कितनी भी बार प्रयास क्यों न करें। शोधकर्ताओं ने पाया कि कई अत्यधिक शक्तिशाली क्वांटम अवस्थाओं के लिए, एक सटीक उत्तर प्राप्त करने के लिए आवश्यक मापों की संख्या इतनी तेजी से बढ़ती है कि यह अव्यवहारिक हो जाता है। हालाँकि, उन्होंने इस दीवार से बचने का एक तरीका भी खोजा है। यदि वैज्ञानिक उस प्रश्न को बदल देते हैं जो वे पूछ रहे हैं—एक संसाधन की सटीक मात्रा को मापने के बजाय यह मापने की ओर स्थानांतरित होना कि वह अपने शुरुआती बिंदु के सापेक्ष कितना बढ़ा है—तो कार्य प्रबंधनीय हो जाता है, यहाँ तक कि सबसे शक्तिशाली अवस्थाओं के लिए भी।
शोधकर्ताओं ने इस समस्या के प्रति एक सांख्यिकीय खेल (statistical game) के रूप में दृष्टिकोण अपनाया। इस खेल में, वैज्ञानिक एक उपकरण का उपयोग करते हैं जिसे "विटनेस" (witness) कहा जाता है, जो अनिवार्य रूप से एक संसाधन की उपस्थिति का पता लगाने के लिए डिज़ाइन किया गया एक विशिष्ट परीक्षण है। यदि परीक्षण उच्च स्कोर लौटाता है, तो संसाधन वहाँ है। समस्या यह है कि ये परीक्षण शोरयुक्त (noisy) होते हैं। ठीक वैसे ही जैसे कुछ बार सिक्का उछालने से भ्रामक परिणाम मिल सकते हैं, एक एकल क्वांटम माप शायद ही कभी पूर्ण होता है। एक वास्तविक चित्र प्राप्त करने के लिए, वैज्ञानिकों को परीक्षण को कई बार दोहराना पड़ता है और परिणामों का औसत निकालना पड़ता है। शोधकर्ताओं ने गणना की कि कितने दोहराव की आवश्यकता होती है, जो परीक्षण के परिणामों में "वैरिएंस" (variance), या उतार-चढ़ाव की मात्रा पर आधारित है। उन्होंने पाया कि बहुत अधिक मिश्रित या अव्यवस्थित अवस्थाओं के लिए, आवश्यक मापों की संख्या संसाधन की शक्ति के वर्ग के साथ बढ़ती है। इसका अर्थ है कि यदि किसी अवस्था में दोगुना संसाधन है, तो आपको इसे स्पष्ट रूप से देखने के लिए चार गुना अधिक मापों की आवश्यकता होगी। बहुत अधिक संसाधन वाली अवस्थाओं के लिए, यह संख्या खगोलीय रूप से बड़ी हो जाती है, जिससे माप अक्षम हो जाता है।
जब एक क्वांटम प्रणाली को विकसित होते हुए देखना हो, तो स्थिति और भी जटिल हो जाती है। कल्पना कीजिए कि एक मशीन बिना किसी विशेष शक्ति के शुरू होती है और धीरे-धीरे अपार शक्ति वाली अवस्था की ओर बढ़ती है। शोधकर्ताओं ने दिखाया कि आप इस मशीन को उसके कमजोर शुरुआती बिंदु से शक्तिशाली अंत तक कैसे भी निर्देशित करें, हमेशा एक यात्रा का मध्य भाग होता है जहाँ संसाधन को कुशलतापूर्वक नहीं मापा जा सकता है। भले ही शुरुआत और अंत मापने में आसान हों, जोड़ने वाला पथ एक ऐसे क्षेत्र से गुजरना चाहिए जहाँ माप का शोर इतना अधिक होता है कि सिग्नल का कुशलतापूर्वक अनुमान नहीं लगाया जा सकता है। यह एक "नो-गो" (no-go) ज़ोन बनाता है: आप उच्च सटीकता के साथ एक क्वांटम संसाधन के जन्म को ट्रैक नहीं कर सकते। सिस्टम को ऐसी अवस्थाओं से गुजरना ही होगा जो मापने में बहुत शोरयुक्त हैं, जो प्रभावी रूप से उस क्षण को छिपा देती हैं जब संसाधन वास्तव में पकड़ बनाना शुरू करता है।
हालाँकि, यह अध्ययन लक्ष्य बदलकर आगे बढ़ने का एक स्पष्ट मार्ग प्रदान करता है। शोधकर्ताओं ने पाया कि यदि वैज्ञानिक संसाधन की पूर्ण मात्रा को मापने के बजाय सापेक्ष वृद्धि—अर्थात अंतिम शक्ति और प्रारंभिक शक्ति का अनुपात—को मापने पर ध्यान केंद्रित करते हैं, तो कठिनाई गायब हो जाती है। इस परिदृश्य में, आवश्यक मापों की संख्या सिस्टम के आकार के साथ विस्फोट नहीं करती है। इसके बजाय, यह धीरे-धीरे बढ़ती है, जिससे शक्तिशाली क्वांटम अवस्थाओं के विकास को ट्रैक करना संभव हो जाता है, बिना उस असंभव बाधा से टकराए। यह अंतर महत्वपूर्ण है क्योंकि यह सुझाव देता है कि भविष्य के क्वांटम कंप्यूटरों का बेंचमार्क करने का सबसे अच्छा तरीका यह नहीं है कि उनके पास शक्ति की सटीक इकाइयाँ कितनी हैं, बल्कि यह मापना है कि वे अपने शुरुआती बिंदु की तुलना में कितने अधिक शक्तिशाली हो गए हैं।
निष्कर्ष भी मापे जा रहे क्वांटम स्टेट के प्रकार पर निर्भर करते हैं। शुद्ध, स्वच्छ अवस्थाओं के लिए, माप की कठिनाई संसाधन की ज्यामिति (geometry) से जुड़ी होती है। शोधकर्ताओं ने दिखाया कि कोहेरेंट सिस्टम या एंटैंगल्ड पेयर्स जैसे कुछ प्रकार के संसाधनों के लिए, यदि सही परीक्षण चुना जाए तो माप की लागत को कम किया जा सकता है। लेकिन अन्य संसाधनों के लिए, समस्या की ज्यामिति यह सुनिश्चित करती है कि शोर बना रहे। अध्ययन निष्कर्ष निकालता है कि जबकि एक अत्यधिक जटिल प्रणाली में किसी संसाधन की पूर्ण शक्ति को मापना संभवतः एक खोया हुआ प्रयास है, सापेक्ष वृद्धि को मापना एक व्यवहार्य और कुशल रणनीति है। यह अंतर्दृष्टि प्रयोगकर्ताओं के लिए एक व्यावहारिक मार्ग प्रदान करती है: अगली पीढ़ी के क्वांटम उपकरणों की क्षमताओं को वास्तव में समझने के लिए, उन्हें पूर्ण मूल्यों के बजाय सापेक्ष परिवर्तनों पर ध्यान केंद्रित करना चाहिए, जिससे उन सांख्यिकीय जालों से बचा जा सके जिन्होंने अब तक ऐसे मापों को मायावी बना रखा था।
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।