Sparse Mamba Decoder for Quantum Error Correction: Efficient Defect-Centric Processing of Surface Code Syndromes

क्वांटम कंप्यूटर उन समस्याओं को हल करने का वादा करते हैं जिन्हें हल करने में आज की मशीनों को हजारों साल लग जाएंगे, लेकिन वे अविश्वसनीय रूप से नाजुक हैं। सूचना धारण करने वाले सूक्ष्म कण, जिन्हें क्वबिट्स (qubits) कहा जाता है, गर्मी, कंपन या यहां तक कि बिखरी हुई विद्युत चुम्बकीय तरंगों से भी आसानी से विचलित हो जाते हैं। जब एक क्वबिट विचलित होता है, तो वह एक गलती करता है, और यदि ये गलतियां जमा होने लगें, तो पूरी गणना ध्वस्त हो जाती है। एक उपयोगी क्वांटम कंप्यूटर बनाने के लिए, वैज्ञानिकों को एक ऐसा सिस्टम बनाना होगा जो इन गलतियों को उनके होने के दौरान ही ढूंढ सके और ठीक कर सके, जिसे क्वांटम एरर करेक्शन (quantum error correction) कहा जाता है। इसे करने के लिए सबसे लोकप्रिय विधि क्वबिट्स के एक ग्रिड का उपयोग करती है जहाँ सिस्टम लगातार अपने स्वास्थ्य की जांच करता रहता है। ये जांच एक डेटा स्ट्रीम उत्पन्न करती है जिसे 'सिंड्रोम' (syndrome) कहा जाता है, जो एक मानचित्र की तरह कार्य करता है कि त्रुटियां कहाँ हुई हैं। चुनौती यह है कि कंप्यूटर को इस मानचित्र को पढ़ना होगा और यह तय करना होगा कि त्रुटियों को कैसे ठीक किया जाए, और यह काम नई त्रुटियों के प्रकट होने से भी तेज गति से करना होगा—यह समय के विरुद्ध एक दौड़ है जिसके लिए अत्यधिक गति और सटीकता की आवश्यकता होती है।

वर्षों से, इन एरर मैप्स को पढ़ने के लिए सबसे अच्छे उपकरण शास्त्रीय एल्गोरिदम (classical algorithms) रहे हैं जो पूरे ग्रिड को डेटा के एक ठोस ब्लॉक के रूप में देखते हैं, और हर एक वर्ग की जांच करते हैं चाहे वहां कुछ गलत हुआ हो या नहीं। यह दृष्टिकोण विश्वसनीय तो है लेकिन धीमा है, क्योंकि यह खाली स्थान को प्रोसेस करने में समय बर्बाद करता है। एक नए अध्ययन में, कैलिफोर्निया विश्वविद्यालय, इरविन के शोधकर्ताओं ने सोचने का एक अलग तरीका पेश किया है। उन्होंने एक ऐसा डिकोडर बनाया जो ग्रिड के खाली हिस्सों को अनदेखा करता है और केवल उन कुछ स्थानों पर ध्यान केंद्रित करता है जहाँ वास्तव में कोई त्रुटि हुई है। एरर मैप को एक पूर्ण चित्र के बजाय सक्रिय घटनाओं की एक विरल सूची (sparse list) के रूप में मानकर, उन्होंने एक ऐसी प्रणाली बनाई जो मौजूदा सर्वोत्तम विधियों की तुलना में नाटकीय रूप से तेज और उतनी ही सटीक है।

शोधकर्ताओं ने, जिसका नेतृत्व समिरा सायदसालेही (Samira Sayedsalehi) ने किया, जिसे वे 'स्पार्स माम्बा डिकोडर' (Sparse Mamba Decoder) कहते हैं, विकसित किया है। यह समझने के लिए कि यह एक बड़ी सफलता क्यों है, पहले त्रुटियों की प्रकृति को समझना आवश्यक है। एक विशिष्ट प्रयोग चला रहे क्वांटम कंप्यूटर में, त्रुटियां दुर्लभ होती हैं। हजारों संभावित स्थानों में जहाँ गलती दर्ज की जा सकती है, आमतौर पर पांच प्रतिशत से भी कम स्थान वास्तव में समस्या दिखाते हैं। पुराने तरीके से डिकोडिंग करना एक सुरक्षा गार्ड की तरह था जो एक विशाल, खाली होटल के हर कमरे में घुसखोसियों की जांच के लिए घूम रहा है, जबकि गार्ड जानता था कि घुसखोसियां केवल कुछ विशिष्ट कमरों में ही आती हैं। नया डिकोडर खाली कमरों को पूरी तरह से छोड़ देता है। यह अलार्म बजने का इंतजार करता है, उस विशिष्ट कमरे की पहचान करता है जहाँ से शोर आया है, और फिर केवल उसी कमरे और उसके आस-पास के पड़ोसियों का विश्लेषण करता है।

रणनीति के इस बदलाव ने टीम को 'स्टेट-स्पेस मॉडल' (state-space model) नामक एक शक्तिशाली नए प्रकार के आर्टिफिशियल इंटेलिजेंस आर्किटेक्चर का उपयोग करने की अनुमति दी, विशेष रूप से 'माम्बा' (Mamba) के रूप में ज्ञात एक संस्करण। यह मॉडल सूचना के अनुक्रमों (sequences) को कुशलतापूर्वक संसाधित करने के लिए डिज़ाइन किया गया है। डेटा के पूरे ग्रिड को सिस्टम में डालने के बजाय, शोधकर्ताओं ने केवल सक्रिय त्रुटि संकेतों को निकाला, जिन्हें वे 'डिफेक्ट्स' (defects) कहते हैं। फिर उन्होंने प्रत्येक डिफेक्ट को एक विस्तृत विवरण में लपेटा जिसमें उसका स्थान, त्रुटि का प्रकार और आस-पास की त्रुटियों के साथ उसका संबंध शामिल था। इसने एक विशाल, स्थिर डेटा ब्लॉक के बजाय घटनाओं की एक छोटी, परिवर्तनशील लंबाई वाली सूची बना दी। एआई मॉडल ने फिर यह भविष्यवाणी करने के लिए इस सूची को पढ़ा कि क्या कंप्यूटर ने एक 'लॉजिकल फेलियर' (logical failure) का सामना किया है, जो एक ऐसी गलती है जिसे सुधारा नहीं जा सकता और जो पूरी गणना को बर्बाद कर देती है।

इस दृष्टिकोण के परिणाम आश्चर्यजनक थे। वास्तविक क्वांटम हार्डवेयर के व्यवहार की नकल करने वाले सिम्युलेटेड डेटा पर परीक्षण करने पर, नए डिकोडर ने क्षेत्र में उपयोग की जाने वाली मानक विधि की तुलना में अनकंटेक्टेबल (uncorrectable) त्रुटियों की दर को 49 प्रतिशत तक कम कर दिया। इससे भी महत्वपूर्ण बात यह है कि इसने अविश्वसनीय गति के साथ ऐसा किया। परीक्षणों में, नया सिस्टम वर्तमान अग्रणी 'नियर-परफेक्ट' डिकोडर, जिसे टेसेरेक्ट (Tesseract) के नाम से जाना जाता है, की तुलना में 95 से 467 गुना अधिक तेज चला। जहाँ टेसेरेक्ट डिकोडर को एक एकल एरर मैप को प्रोसेस करने में मिलीसेकंड का समय लगता था, वहीं नए सिस्टम ने यह कार्य माइक्रोसेकंड में पूरा कर लिया। यह गति महत्वपूर्ण है क्योंकि क्वांटम कंप्यूटर लगभग एक माइक्रोसेकंड के चक्रों पर काम करते हैं; यदि डिकोडर बहुत धीमा है, तो कंप्यूटर अपनी गलतियों के साथ तालमेल नहीं बिठा पाएगा।

शोधकर्ताओं ने अपने सिस्टम का परीक्षण गूगल के साइकामोर (Sycamore) क्वांटम प्रोसेसर से एकत्र किए गए वास्तविक डेटा पर भी किया। इन प्रयोगों में, नए डिकोडर ने एक पिछले, अधिक जटिल न्यूरल नेटवर्क की बराबरी की या उससे थोड़ा बेहतर प्रदर्शन किया जो डेटा के पूरे ग्रिड को प्रोसेस करता था। इससे यह सिद्ध हुआ कि खाली स्थान को अनदेखा करके नए तरीके ने अपनी सटीकता नहीं खोई; इसने केवल सिग्नल को देखने का एक अधिक कुशल तरीका खोज लिया। सिस्टम ने इस उच्च प्रदर्शन को मानक, व्यावसायिक रूप रूप से उपलब्ध ग्राफिक्स कार्ड पर प्राप्त किया, जिसके लिए अन्य उन्नत डिकोडर्स की तरह विशेष, महंगे सुपरकंप्यूटिंग हार्डवेयर की आवश्यकता नहीं पड़ी।

सबसे महत्वपूर्ण निष्कर्षों में से एक यह था कि सिस्टम ने क्वांटम कंप्यूटर के आकार को कैसे संभाला। जैसे-जैसे अधिक जटिल गणनाएं करने के लिए क्वबिट्स का ग्रिड बड़ा होता जाता है, प्रोसेस किए जाने वाले डेटा की मात्रा आमतौर पर विस्फोट की तरह बढ़ती है, जिससे डिकोडिंग धीमी और धीमी होती जाती है। हालाँकि, नया डिकोडर, ग्रिड के आकार के बावजूद लगभग स्थिर गति बनाए रखता है। जबकि अन्य विधियाँ ग्रिड बढ़ने के साथ सैकड़ों गुना धीमी हो गईं, यह प्रणाली केवल एक छोटे कारक से धीमी हुई। यह सुझाव देता है कि जैसे-जैसे क्वांटम कंप्यूटर व्यावहारिक उपयोग के लिए आवश्यक विशाल आकार तक बढ़ेंगे, यह डिफेक्ट-केंद्रित दृष्टिकोण न केवल तेज, बल्कि अनिवार्य भी हो जाएगा।

स्पार्स माम्बा डिकोडर की सफलता त्रुटियों के वर्णन करने के एक चतुर तरीके पर निर्भर करती है। केवल यह जानने के बजाय कि त्रुटि कहाँ हुई है, सिस्टम को प्रत्येक त्रुटि घटना के लिए समृद्ध संकेतों (clues) का एक सेट दिया गया। इसे प्रत्येक त्रुटि का सटीक निर्देशांक, यह कि वह 'बिट-फ्लिप' (bit-flip) थी या 'फेज-फ्लिप' (phase-flip), और क्या उसके पड़ोसी भी अलार्म बजा रहे थे, बताया गया। इसे समय के साथ त्रुटि की स्थिति का इतिहास भी दिया गया। इस विस्तृत संदर्भ को एआई में फीड करके, सिस्टम ने गलतियों के जटिल पैटर्न को पहचानना सीख लिया जो पुराने तरीकों ने मिस कर दिए थे। इसने एक एकल माप की गड़बड़ी और चिप पर फैलने वाली त्रुटियों की एक श्रृंखला के बीच अंतर करना सीखा, जिससे इसे कंप्यूटर को ठीक करने के बारे में बेहतर निर्णय लेने में मदद मिली।

अध्ययन ने पुराने दृष्टिकोण की एक मौलिक सीमा को भी रेखांकित किया। पूरे ग्रिड को प्रोसेस करके, पिछले डिकोडर त्रुटि मानचित्र के क्षैतिज (horizontal) और ऊर्ध्वाधर (vertical) दिशाओं को अलग-अलग समस्याओं के रूप में मानने के लिए मजबूर थे। हालाँकि, क्वांटम दुनिया में, कुछ प्रकार की त्रुटियां एक साथ दोनों दिशाओं को प्रभावित करती हैं। नया डिकोडर, सभी त्रुटियों के अनुक्रम को एक साथ देखकर, स्वाभाविक रूप से इन कनेक्शनों को देख सका। इसने टीम को उन समस्याओं को हल करने की अनुमति दी जिन्हें पुराने, अलग-अलग विधियों ने नहीं सुलझा पाया था, जिससे परीक्षणों में देखी गई त्रुटियों की दर में महत्वपूर्ण गिरावट आई।

हालाँकि यह सिस्टम अभी तक सबसे तेज़ सुपरकंडक्टिंग क्वांटम कंप्यूटरों पर वास्तविक समय (real-time) में चलने के लिए पर्याप्त तेज़ नहीं है, जो एक माइक्रोसेकंड के चक्र पर काम करते हैं, फिर भी यह एक बड़ी छलांग का प्रतिनिधित्व करता है। शोधकर्ताओं ने उल्लेख किया कि वर्तमान संस्करण डेटा को बैचों (batches) में प्रोसेस करता है, जिससे थोड़ा विलंब होता है। हालाँकि, अंतर्निहित तर्क इतना कुशल है कि भविष्य का संस्करण, जिसे डेटा के आते ही उसे स्ट्रीम करने के लिए डिज़ाइन किया जाएगा, संभावित रूप से वास्तविक समय सुधार के लिए आवश्यक गति तक पहुँच सकता है। यह तथ्य कि इस स्तर का प्रदर्शन एक मानक ग्राफिक्स कार्ड पर प्राप्त किया गया, यह सुझाव देता कि उच्च-गुणवत्ता वाले क्वांटम एरर करेक्शन के लिए प्रवेश की बाधा पहले की तुलना में कम है।

यह कार्य प्रदर्शित करता है कि क्वांटम त्रुटियों की अंतर्निहित 'स्पार्सिटी' (sparsity - विरलता) एक विशेषता है, दोष नहीं। इस स्पार्सिटी का सम्मान करने वाले आर्किटेक्चर को डिजाइन करके, शोधकर्ताओं ने डिकोडिंग का एक ऐसा मार्ग खोजा जो तेज भी है और अधिक सटीक भी। अध्ययन इस विचार को खारिज करता है कि उच्च सटीकता के लिए डेटा के पूर्ण, घने ग्रिड को प्रोसेस करना आवश्यक है, बल्कि यह दिखाता है कि सक्रिय डिफेक्ट्स पर ध्यान केंद्रित करना एक बेहतर रणनीति है। जैसे-जैसे क्वांटम हार्डवेयर में सुधार और विस्तार होता रहेगा, त्रुटियों को तेजी से और कुशलता से डिकोड करने की क्षमता इन मशीनों की पूर्ण क्षमता को अनलॉक करने की कुंजी होगी। यह नया डिकोडर भविष्य की ओर एक स्पष्ट, व्यावहारिक मार्ग प्रदान करता है, जो यह सिद्ध करता है कि कभी-कभी जटिल समस्या को हल करने का सबसे अच्छा तरीका उन चीजों को अनदेखा करना है जो टूटी नहीं हैं।