← नवीनतम पेपर
🔬 प्रयुक्त भौतिकी

QCap: a physics-corrected graph neural network for the capacitance matrix of any planar superconducting device layout

QCap एक भौतिकी-सुधारित ग्राफ न्यूरल नेटवर्क है जो एक तेज़ भौतिकी-आधारित पूर्व अनुमान (प्रायर) को सुधारकर किसी भी मनमाने प्लेनर सुपरकंडक्टिंग डिवाइस लेआउट के लिए कैपेसिटेंस मैट्रिक्स की तेजी से और सटीक भविष्यवाणी करता है, जिससे पारंपरिक इलेक्ट्रोमैग्नेटिक सिमुलेशन के कम्प्यूटेशनल बोझ के बिना बड़े पैमाने पर सर्किट डिजाइन करना सक्षम होता है।

मूल लेखक: Sadman Ahmed Shanto, Saikat Das, Eli M. Levenson-Falk

प्रकाशित 2026-11-18
📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

मूल लेखक: Sadman Ahmed Shanto, Saikat Das, Eli M. Levenson-Falk

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

अगली पीढ़ी के क्वांटम कंप्यूटरों को शक्ति देने वाले सर्किट डिजाइन करना एक अत्यंत सूक्ष्म संतुलन का कार्य है। ये मशीनें सूचना को प्रोसेस करने के लिए परम शून्य (absolute zero) के करीब के तापमान पर ठंडी की गई सुपरकंडक्टिंग लूप्स पर निर्भर करती हैं। उन्हें काम करने के योग्य बनाने के लिए, इंजीनियरों को एक चिप पर धातु के सूक्ष्म आकारों को अत्यधिक सटीकता के साथ व्यवस्थित करना होता है। इन सर्किटों का व्यवहार 'कैपेसिटेंस' (capacitance) नामक एक गुण पर बहुत अधिक निर्भर करता है, जो यह बताता है कि धातु के लेआउट के विभिन्न हिस्सों के बीच विद्युत आवेश (electric charge) खुद को कैसे संग्रहीत करता है। यदि कैपेसिटेंस थोड़ा भी गलत हुआ, तो क्वांटम बिट्स, या क्यूबिट्स (qubits), सही ढंग से कार्य नहीं कर पाएंगे। सही डिजाइन खोजने के लिए, इंजीनियर पारंपरिक रूप से बिजली के भौतिकी (physics of electricity) का अनुकरण करने वाले शक्तिशाली कंप्यूटर प्रोग्रामों का उपयोग करते हैं। हालांकि, ये सिमुलेशन अविश्वसनीय रूप से धीमे होते हैं। एक एकल डिजाइन को गणना करने में घंटों या यहाँ तक कि दिन भी लग सकते हैं, और जैसे-जैसे सर्किट बड़े और अधिक जटिल होते जाते हैं, आवश्यक समय इतना लंबा हो जाता है कि यह प्रगति को प्रभावी रूप रूप से रोक देता है।

शोधकर्ताओं के एक दल ने QCap नामक एक नया टूल विकसित किया है जो इस बाधा को दूर करता है। हर बार डिजाइन बदलने पर एक धीमे, पूर्ण भौतिकी सिमुलेशन को चलाने के बजाय, यह नई प्रणाली एक मशीन लर्निंग मॉडल का उपयोग करके सर्किट के विद्युत गुणों की सेकंडों में भविष्यवाणी करती है। शोधकर्ताओं ने इस मॉडल को हजारों मौजूदा डिजाइनों पर प्रशिक्षित किया, लेकिन एक महत्वपूर्ण मोड़ के साथ: कंप्यूटर को शुरुआत से भौतिकी के नियमों को सीखने के लिए कहने के बजाय, उन्होंने इसे एक मोटा, तेज़ भौतिकी गणना (physics calculation) के रूप में शुरुआती बिंदु दिया। इसके बाद मॉडल ने केवल उन छोटे सुधारों को सीखा जो उस मोटे अनुमान को सटीक, धीमे सिमुलेशन परिणामों के अनुरूप बनाने के लिए आवश्यक थे। यह दृष्टिकोण सिस्टम को किसी भी लेआउट पर काम करने की अनुमति देता है, चाहे उसमें कितने भी धातु के हिस्से हों या किस सॉफ्टवेयर का उपयोग करके उसे बनाया गया हो।

इस पद्धति की शक्ति इसके परिणामों की गति और पैमाने को देखने पर स्पष्ट होती है। परीक्षणों में, मॉडल ने एक मानक लैपटॉप पर मात्र 12 सेकंड में एक जटिल नौ-क्यूबिट डिवाइस के कैपेसिटेंस की भविष्यवाणी की। वही गणना, जिसे पारंपरिक उद्योग-मानक सॉफ्टवेयर द्वारा किया गया था, लगभग 20 घंटे ले ली और इसके लिए सैकड़ों गीगाबाइट कंप्यूटर मेमोरी की आवश्यकता थी। नए मॉडल की भविष्यवाणियां धीमी सिमुलेशन के एक प्रतिशत के अंश के भीतर सटीक थीं। इससे भी अधिक आश्चर्यजनक बात यह है कि शोधकर्ताओं ने इस टूल का उपयोग एक काल्पनिक 100-क्यूबिट चिप के कैपेसिटेंस की भविष्यवाणी करने के लिए किया जिसमें 781 अलग-अलग कंडक्टर शामिल थे। यह डिवाइस इतना बड़ा है कि पारंपरिक सॉफ्टवेयर इसका सिमुलेशन बिल्कुल भी नहीं कर सकता; इसके लिए उतनी मेमोरी की आवश्यकता होगी जितनी टीम के पास उपलब्ध सबसे बड़े सुपरकंप्यूटरों में भी मौजूद नहीं है। हालाँकि, QCap ने एक लैपटॉप पर मात्र 3.4 मिनट में इस विशाल डिवाइस के लिए पूर्ण विद्युत मानचित्र (electrical map) की गणना कर ली।

शोधकर्ताओं ने किसी भी सर्किट लेआउट को कनेक्शनों के एक नेटवर्क के रूप में वर्णित करने का एक सार्वभौमिक तरीका बनाकर यह उपलब्धि हासिल की। उन्होंने चिप के दृश्य डिजाइन को संख्याओं के एक सेट में बदल दिया जो धातु के प्रत्येक टुकड़े के आकार और दूसरे के साथ उसके संबंध का वर्णन करते हैं। यह विवरण विशिष्ट ड्राइंग टूल से स्वतंत्र है, जिसका अर्थ है कि मॉडल उन डिजाइनों को भी समझ सकता है जिन्हें उसने पहले कभी नहीं देखा है। उच्च सटीकता सुनिश्चित करने के लिए और लाखों प्रशिक्षण उदाहरणों की आवश्यकता के बिना, यह सिस्टम पहले एक बहुत ही तेज़, सरल भौतिकी गणना चलाता है। यह गणना पूर्ण नहीं है, लेकिन यह बिजली के बुनियादी व्यवहार को पकड़ लेती है। मशीन लर्निंग मॉडल फिर एक 'करेक्शन लेयर' (correction layer) के रूप में कार्य करता है, जो केवल इस तेज़ अनुमान और सटीक वास्तविकता के बीच के छोटे अंतरों को सीखता है। क्योंकि मॉडल को केवल इन छोटे समायोजनों को सीखने की आवश्यकता होती है, इसलिए यह उल्लेखनीय विश्वसनीयता के साथ नए, अनदेखे डिजाइनों पर भी सामान्यीकरण (generalize) कर सकता है।

व्यावहारिक रूप से, यह टूल इंजीनियरों के सर्किट डिजाइन करने के तरीके को बदल देता है। पहले, उन्हें एक डिजाइन का अनुमान लगाना होता था, एक धीमा सिमुलेशन चलाना होता था, परिणाम का इंतजार करना होता था, और फिर से अनुमान लगाना होता था। यह चक्र कई दिनों तक चल सकता था। QCap के साथ, इंजीनियर हजारों संभावित डिजाइनों को उत्पन्न कर सकते हैं और उन्हें मिनटों में स्क्रीन (जांच) कर सकते हैं। वे सबसे आशाजनक उम्मीदवारों की पहचान कर सकते हैं और फिर परिणामों की पुष्टि करने के लिए केवल उन्हीं कुछ शीर्ष विकल्पों पर धीमा और महंगा सिमुलेशन चला सकते हैं। शोधकर्ताओं ने सटीक प्रदर्शन लक्ष्यों को पूरा करने के लिए विशिष्ट क्वांटम सर्किटों को डिजाइन करके इसका प्रदर्शन किया। उन्होंने हजारों यादृच्छिक विविधताओं (random variations) की जांच की, सर्वोत्तम मिलानों को खोजा, और पारंपरिक सॉफ्टवेयर के साथ उनकी पुष्टि की, और यह सब उस समय के एक छोटे से हिस्से में किया जो प्रत्येक विकल्प का सिमुलेशन करने में लगता।

अध्ययन ने यह भी परीक्षण किया कि मॉडल भौतिक वातावरण में होने वाले परिवर्तनों, जैसे कि सिलिकॉन चिप की अलग-अलग मोटाई या अलग-अलग सामग्रियों को कितनी अच्छी तरह संभालता है। हालांकि प्रशिक्षण डेटा एक विशिष्ट मोटाई और सामग्री वाले चिप्स से आया था, मॉडल सटीक बना रहा जब इन स्थितियों में परिवर्तन हुआ, बशर्ते कि तेज़ भौतिकी गणना को नए डेटा के साथ अपडेट किया गया हो। यह सुझाव देता है कि मॉडल ने केवल प्रशिक्षण डेटा को याद करने के बजाय अंतर्निहित भौतिक संबंधों को सीखा है। शोधकर्ता मॉडल और डेटा को जनता के लिए उपलब्ध करा रहे हैं, जिससे बड़े और अधिक सक्षम क्वांटम प्रोसेसर के विकास में तेजी आने की उम्मीद है। डिजाइनिंग की कम्प्यूटेशनल बाधा को हटाकर, यह कार्य भविष्य की क्वांटम तकनीकों के लिए आवश्यक जटिल सर्किट बनाने की दिशा में एक 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।

Digest आज़माएँ →