Real-time single-shot qubit-state discrimination on FPGA with a parameter-efficient Trace–IQ fusion network

एक व्यावहारिक क्वांटम कंप्यूटर बनाने की दौड़ में, मशीन का सबसे नाजुक हिस्सा स्वयं प्रोसेसर नहीं है, बल्कि वह क्षण है जब हम इसे सुनने की कोशिश करते हैं। सुपरकंडक्टिंग क्वबिट्स (superconducting qubits), जो इन कंप्यूटरों के मस्तिष्क के रूप में कार्य करने वाले सूक्ष्म सर्किट हैं, एक नाजुक सुपरपोजिशन (superposition) की अवस्था में होते हैं, जो ऐसी जानकारी को धारण करते हैं जो यदि बहुत अधिक विक्षेपित (disturbed) की जाए तो लुप्त हो जाती है। यह पढ़ने के लिए कि एक क्वबिट क्या कर रहा है, वैज्ञानिक उस पर एक माइक्रोवेव सिग्नल चमकाते हैं और एक मंद प्रतिध्वनि (echo) के लिए सुनते हैं। यह प्रतिध्वनि डेटा बिंदुओं के एक प्रवाह के रूप में आती है, एक शोर भरा फुसफुसाहट जो समय के साथ बदलती रहती है। चुनौती यह निर्णय लेने की है कि एक सेकंड के बहुत छोटे हिस्से में, क्या क्वबिट अपनी ग्राउंड स्टेट (ground state) में है या अपनी एक्साइटेड स्टेट (excited state) में। यह निर्णय तुरंत होना चाहिए, जबकि क्वबिट अभी भी जीवित है, ताकि कंप्यूटर किसी भी त्रुटि को फैलने से पहले ठीक कर सके। यदि सुनने की प्रक्रिया बहुत धीमी या बहुत अनाड़ी है, तो जानकारी खो जाती है, और गणना विफल हो जाती है। वर्षों से, सुनने का मानक तरीका एक सरल, कठोर विधि रही है जो सिग्नल को एक स्थिर स्नैपशॉट के रूप में मानती है, और उन सूक्ष्म परिवर्तनों को अनदेखा करती है जो सिग्नल के प्रकट होने के दौरान होते हैं।

एक शोधकर्ता ने अब एक स्मार्ट तरीके से सुनने का प्रदर्शन किया है, जो सीधे क्वांटम कंप्यूटर को नियंत्रित करने वाले हार्डवेयर पर चलता है। उन्होंने इन सिग्नलों को पढ़ने के लिए एक नई विधि विकसित की है जो न केवल अधिक सटीक है, बल्कि अविश्वसनीय रूप से कुशल भी है, जिसमें पिछले प्रयासों की तुलना में बहुत कम कंप्यूटिंग पावर की आवश्यकता होती है। एक छोटे, विशिष्ट कंप्यूटर प्रोग्राम को सिग्नल के विकास के विशिष्ट आकार को पहचानने के लिए प्रशिक्षित करके, उन्होंने सटीकता का एक ऐसा स्तर प्राप्त किया जो लंबे समय से चले आ रहे उद्योग मानक से बेहतर है। यह उपलब्धि महत्वपूर्ण है क्योंकि यह सिद्ध करती है कि जटिल निर्णय लेना वास्तविक समय में, सीधे क्वांटम प्रोसेसर के बगल में, सिस्टम के सीमित संसाधनों को अभिभूत किए बिना किया जा सकता है। शोधकर्ता ने दिखाया कि सिग्नल के औसत मान पर ध्यान केंद्रित करने के बजाय, समय के साथ उसके बदलने के विशिष्ट तरीके पर ध्यान केंद्रित करके, वे 0.9962 की फिडेलिटी (fidelity) के साथ दो अवस्थाओं के बीच अंतर कर सके, जो सही होने की संभावना को दर्शाता है।

समस्या का मूल भौतिक दुनिया की खामियों में निहित है। जब एक क्वबिट को मापा जाता है, तो वह हमेशा उसी अवस्था में नहीं रहता है जिसमें उसने शुरुआत की थी। यह क्षय (decay) हो सकता है, ऊर्जा लीक कर सकता है और माप विंडो के बीच में ही अपनी पहचान बदल सकता है। यह एक तीसरी, अवांछित अवस्था में भी लीक हो सकता है जिसकी मानक पढ़ने वाली विधियाँ अपेक्षा नहीं करती हैं। इसके अलावा, उपकरण स्वयं समय के साथ थोड़ा विचलित (drift) होता है, जिससे सिग्नल की स्थिति बदल जाती है। पारंपरिक विधि, जिसे 'मैच्ड फिल्टर' (matched filter) कहा जाता है, तब अच्छा काम करती है जब सिग्नल डेटा बिंदुओं का एक आदर्श, स्थिर बादल होता है। हालाँकि, यह तब विफल हो जाती है जब सिग्नल एक चलते हुए लक्ष्य की तरह होता है जो माप के दौरान अपना आकार या स्थिति बदल देता है। यह अनिवार्य रूप से पूरे सिग्नल का औसत निकाल देता है, जिससे उस महत्वपूर्ण जानकारी को फेंक दिया जाता है कि सिग्नल क्षण-दर-क्षण कैसे बदला। इस सीमा का अर्थ था कि संभावित सटीकता का एक बड़ा हिस्सा हाथ से निकल रहा था।

इसे हल करने के लिए, शोधकर्ता ने एक सिमुलेशन बनाया जो क्वांटम माप की वास्तविक दुनिया के शोर और खामियों, जिसमें क्षय (decay) और ड्रिफ्ट (drift) शामिल हैं, की नकल करता है। उन्होंने इस सिमुलेशन का उपयोग चालीस हजार व्यक्तिगत माप घटनाओं का एक विशाल डेटासेट उत्पन्न करने के लिए किया। फिर उन्होंने चार पारंपरिक गणितीय विधियों का एक नए दृष्टिकोण के विरुद्ध परीक्षण किया, जो न्यूरल नेटवर्क (neural networks) पर आधारित है—ये ऐसे कंप्यूटर सिस्टम हैं जिन्हें डेटा से पैटर्न सीखने के लिए डिज़ाइन किया गया है। पारंपरिक विधियाँ, जिनमें मानक मैच्ड फिल्टर और एक सरल एकीकरण तकनीक शामिल है, सिमुलेशन की अव्यवस्थित वास्तविकता के साथ तालमेल बिठाने में संघर्ष करती रहीं। उन्होंने लगभग 0.97 से 0.98 की फिडेलिटी प्राप्त की, जिसका अर्थ है कि उन्होंने लगभग दो से तीन प्रतिशत मामलों में गलतियाँ कीं।

शोधकर्ता ने एक नया आर्किटेक्चर पेश किया जिसे वे 'ट्रेस-IQ फ्यूजन नेटवर्क' (Trace–IQ Fusion Network) कहते हैं। यह प्रणाली दो अलग-अलग पथों के साथ डिज़ाइन की गई है जो एक साथ काम करते हैं। एक पथ सिग्नल के संपूर्ण इतिहास को देखता है, यह विश्लेषण करता है कि तरंग का आकार समय के साथ कैसे बदलता है ताकि माप के दौरान होने वाले क्षय और लीकेज को पकड़ा जा सके। दूसरा पथ केवल सिग्नल की औसत स्थिति की गणना करता है, जिस पर पुराने तरीके निर्भर थे। इन दोनों दृश्यों को जोड़कर, नेटवर्क को दोनों दुनियाओं का सर्वश्रेष्ठ मिलता है: वह समग्र स्थिति को जानता है और साथ ही यह भी समझता है कि वह वहाँ तक कैसे पहुँची। उल्लेखनीय रूप से, इस नए नेटवर्क ने 0.9962 की फिडेलिटी प्राप्त की, जो पारंपरिक सर्वोत्तम विधि से स्पष्ट अंतर से बेहतर है। इसने मानक दृष्टिकोण की तुलना में कम त्रुटियाँ कीं, और लगभग हर शॉट में अवस्था की सही पहचान की।

इस खोज को जो चीज़ विशेष रूप से शक्तिशाली बनाती है, वह केवल सटीकता नहीं, बल्कि डिज़ाइन की अत्यधिक दक्षता है। नए नेटवर्क को कार्य सीखने के लिए केवल 686 समायोज्य संख्याओं, या पैरामीटर्स, की आवश्यकता थी। इसके विपरीत, एक मानक न्यूरल नेटवर्क जिसने समान सटीकता प्राप्त की थी, उसे सात हजार से अधिक पैरामीटर्स की आवश्यकता थी। इसका मतलब है कि नया सिस्टम लगभग दस गुना अधिक कुशल है, जो मेमोरी और कंप्यूटिंग पावर के एक अंश का उपयोग करता है। यह दक्षता महत्वपूर्ण है क्योंकि निर्णय एक फील्ड-प्रोग्रामेबल गेट एरे (FPGA) पर लिया जाना चाहिए, जो एक प्रकार की चिप है जो क्वांटम प्रोसेसर के ठीक बगल में स्थित होती है और जिसमें अतिरिक्त सॉफ़्टवेयर के लिए बहुत सीमित स्थान होता है। शोधकर्ता ने दिखाया कि उनके डिज़ाइन को और भी छोटा किया जा सकता है, जो बहुत छोटी संख्याओं के साथ प्रभावी ढंग से काम करता है, जिससे यह शेष सिस्टम को धीमा किए बिना हार्डवेयर पर चल सकता है।

यह सुनिश्चित करने के लिए कि यह डिज़ाइन वास्तव में वास्तविक हार्डवेयर में बनाया जा सके, शोधकर्ता को एक विशिष्ट तकनीकी बाधा को पार करना पड़ा। जब सॉफ़्टवेयर डिज़ाइन को उस भाषा में अनुवादित किया जाता है जिसे हार्डवेयर चिप्स समझते हैं, तो "पूलिंग" (pooling) नामक एक सामान्य चरण, जो डेटा को सरल बनाता है, अक्सर संख्याओं को गलत तरीके से स्केल कर देता है, जिससे नेटवर्क का तर्क टूट जाता है। शोधकर्ता ने इसे एक निश्चित, अपरिवizable गणना (unchangeable calculation) से बदलकर हल किया जो वही काम करती थी लेकिन हार्डवेयर अनुवाद में सही व्यवहार करती थी। इस छोटे लेकिन चतुर समायोजन ने पूरे सिस्टम को उनकी सीखी हुई बुद्धिमत्ता को खोए बिना एक कार्यात्मक चिप डिज़ाइन में संश्लेषित (synthesize) करने की अनुमति दी। उन्होंने एक डिजिटल चिप सिमुलेशन चलाकर इसकी पुष्टि की, जो मूल सॉफ़्टवेयर मॉडल के साथ लगभग पूर्ण सटीकता के साथ मेल खाता था, जिससे पुष्टि हुई कि निर्माण के समय डिज़ाइन इच्छानुसार काम करेगा।

परिणाम बताते हैं कि क्वांटम कंप्यूटिंग का भविष्य इन संक्षिप्त, बुद्धिमान श्रोताओं में निहित है। कठोर, एक ही आकार के तरीकों से दूर जाकर और उन प्रणालियों को अपनाकर जो क्वांटम सिग्नलों की अव्यवस्थित और परिवर्तनशील प्रकृति के अनुकूल हो सकें, वैज्ञानिक अपनी मशीनों से अधिक जानकारी निकाल सकते हैं। नया नेटवर्क यह सिद्ध करता है कि वास्तविक समय में उच्च-फिडेलिटी रीडिंग प्राप्त करना संभव है, भले ही क्वबिट्स क्षय (decay) या ड्रिफ्ट (drift) कर रहे हों। हालांकि यह अध्ययन एक भौतिक क्वांटम कंप्यूटर के बजाय एक अत्यधिक यथार्थवादी सिमुलेशन का उपयोग करके किया गया था, परिणाम नियंत्रण प्रणालियों की अगली पीढ़ी के लिए एक स्पष्ट रोडमैप प्रदान करते हैं। एक छोटे चिप पर ऐसे परिष्कृत डिस्क्रिमिनेटर (discriminator) को चलाने की क्षमता का अर्थ है कि क्वांटम कंप्यूटर अब पहले की तुलना में अधिक तेज़ी से और अधिक विश्वसनीयता के साथ अपनी त्रुटियों पर प्रतिक्रिया कर सकते हैं, जो एक स्थिर, बड़े पैमाने की क्वांटम मशीन के सपने को वास्तविकता के एक कदम और करीब लाता है।