Efficient and identifiable noise models for symmetry-preserving quantum circuits
यह शोध पत्र SA-IBF को प्रस्तुत करता है, जो एक दो-पैरामीटर वाला, पहचाने योग्य (identifiable) शोर मॉडल है जो मानक स्वतंत्र बिट-फ्लिप मॉडलों से बेहतर प्रदर्शन करता है और समरूपता-संरक्षण (symmetry-preserving) क्वांटम सर्किटों के लिए सटीकता में जटिल बेयस-अनुकूलित (Bayesian-optimized) मॉडलों के बराबर है, जबकि कम्प्यूटेशनल लागत को काफी कम करता है।
मूल पेपर CC BY 4.0 (https://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
क्वांटम कंप्यूटर उन समस्याओं को हल करने का वादा करते हैं जो आज की मशीनों के लिए असंभव हैं, जैसे कि नई दवाओं को डिजाइन करना या जटिल सामग्रियों का मॉडल बनाना। हालाँकि, ये मशीनें अविश्वसनीय रूप से नाजुक होती हैं। वे जिन नाजुक क्वांटम अवस्थाओं पर निर्भर करती हैं, वे उनके वातावरण से आसानी से विचलित हो जाती हैं, जिससे कंप्यूटर गलतियाँ करने लगता है। इन त्रुटियों को समझने और ठीक करने के लिए, वैज्ञानिक "नॉइज़ मॉडल" (noise models) बनाते हैं। इन मॉडलों को एक इलाके के मानचित्र की तरह समझें; वे वर्णन करते हैं कि कैसे एक सर्किट का आदर्श, सैद्धांतिक आउटपुट हार्डवेयर की अव्यवस्थित वास्तविकता द्वारा बिखेर दिया जाता है। यदि मानचित्र सटीक है, तो शोधकर्ता भविष्यवाणी कर सकते हैं कि कंप्यूटर वास्तव में क्या करेगा और त्रुटियों को सुधार सकते हैं। लेकिन ये मानचित्र बनाना कठिन है। हार्डवेयर बदलता है, वर्कलोड बदलता है, और मॉडलों को उपयोगी होने के लिए पर्याप्त सरल लेकिन सत्य होने के लिए पर्याप्त विस्तृत होना चाहिए।
क्वांटम सर्किटों के एक विशिष्ट वर्ग के लिए, आदर्श परिणाम एक सख्त नियम का पालन करता है: अंतिम उत्तर में "ऑन" बिट्स की संख्या समान रहनी चाहिए। इसे एक समरूपता (symmetry) कहा जाता है। वास्तविक दुनिया में, शोर कभी-कभी इस नियम को तोड़ देता है, जिससे कंप्यूटर वर्जित अवस्थाओं (forbidden states) में प्रायिकता (probability) का रिसाव करने लगता है। यूटी चैटानूगा के यी पान और उनके सहयोगियों के नेतृत्व में शोधकर्ताओं के एक दल ने इन विशिष्ट सर्किटों के लिए एक बेहतर मानचित्र बनाने का लक्ष्य रखा। उन्होंने SA-IBF नामक एक नया, सुव्यवस्थित मॉडल पेश किया। पुराने मॉडलों के विपरीत, जो सभी त्रुटियों को एक एकल, समान धुंधलेपन के रूप में देखते थे, यह नया दृष्टिकोण शोर को दो अलग-अलग व्यवहारों में विभाजित करता है: अनुमत अवस्थाओं के भीतर प्रायिकता का प्रसार, और उनसे प्रायिकता का रिसाव। इन दोनों को अलग-अलग विशेषताओं के रूप में मानकर, टीम ने एक ऐसा मॉडल बनाया जो अत्यधिक सटीक और गणनात्मक रूप से कुशल भी है।
शोधकर्ताओं ने अपने नए मॉडल का परीक्षण IBM के हेरॉन (Heron) क्वांटम प्रोसेसरों पर चलने वाले सर्किटों पर किया। उन्होंने SA-IBF की तुलना स्वतंत्र बिट-फ्लिप मॉडल (independent bit-flip model) से की, जो यह मानता है कि प्रत्येक त्रुटि स्वतंत्र रूप से होती है और आंतरिक प्रसार को जिस तरह प्रभावित करती है, उसी तरह समरूपता को प्रभावित करती है। परिणाम स्पष्ट थे: नए मॉडल ने पुराने मॉडल की तुलना में हर एक परीक्षण में वास्तविक हार्डवेयर व्यवहार की अधिक सटीकता से भविष्यवाणी की। 230 विभिन्न सर्किटों वाले प्रयोगों के एक सेट में, नए मॉडल ने लगातार वास्तविक डेटा के अधिक करीब भविष्यवाणियां कीं। सुधार केवल कुछ प्रतिशत अंकों का मामला नहीं था; कुछ मामलों में, त्रुटि में कमी इतनी पर्याप्त थी कि उसे आसानी से मापा जा सके। टीम ने यह भी सत्यापित किया कि उनके द्वारा पाए गए पैरामीटर गणितीय रूप से सुदृढ़ थे, जिसका अर्थ है कि मॉडल उन दो प्रकार के शोर के बीच विश्वसनीय रूप से अंतर कर सकता था जिसे वह माप रहा था।
इस कार्य को जो बात विशेष रूप से महत्वपूर्ण बनाती है, वह है इस नए मॉडल का उपयोग करने की गति। शोधकर्ताओं ने अपने दो-पैरामीटर वाले मॉडल की तुलना एक बहुत अधिक जटिल मॉडल से की जिसमें इक्कीस पैरामीटर थे और जिसे फिट करने के लिए एक परिष्कृत अनुकूलन प्रक्रिया (optimization process) की आवश्यकता थी। जबकि जटिल मॉडल कभी-कभी नए मॉडल की सटीकता से मेल खा सकता था, इसे चलाने में दो सौ गुना अधिक समय लगा। एक तुलना में, नए मॉडल ने जटिल, इक्कीस-पैरामीटर वाले मॉडल के प्रदर्शन से एक बहुत ही मामूली अंतर के भीतर मेल खाया, लेकिन ऐसा उसने एक सेकंड के अंश में किया। यह गति महत्वपूर्ण है क्योंकि हार्डवेयर बदलने के साथ नॉइज़ मॉडल को बार-बार पुन: अंशांकित (recalibrate) करने की आवश्यकता होती है। एक मॉडल जिसे फिट करने में मिनट या घंटे लगते हैं, वह नियमित उपयोग के लिए अव्यवहारिक है, जबकि एक मॉडल जिसे सेकंड लगते हैं, वह शोधकर्ताओं को मशीन के बारे में अपनी समझ को लगातार अपडेट करने की अनुमति देता है।
अध्ययन ने यह भी पता लगाया कि ये मॉडल एक ही प्रोसेसर के विभिन्न हिस्सों के बीच या यहाँ तक कि विभिन्न प्रोसेसरों के बीच कितनी अच्छी तरह काम करते हैं। टीम ने पाया कि एक समूह के सर्किटों से सीखे गए पैरामीटर अक्सर उसी मशीन पर दूसरे समूह पर अच्छे परिणामों के साथ लागू किए जा सकते हैं, जो यह सुझाव देता है कि हार्डवेयर में शोर की विशेषताएं काफी हद तक सुसंगत हैं। हालाँकि, उन्होंने यह भी नोट किया कि मॉडल तब सबसे अच्छा काम करता है जब शोर इतना मजबूत हो कि वह स्पष्ट रूप से दिखाई दे सके। जब त्रुटि दर अत्यंत कम होती है, तो वे दो विशेषताएं जिन्हें मॉडल अलग करने की कोशिश करता है, उन्हें पहचानना कठिन हो जाता है, जो एक ऐसी सीमा है जिसे शोधकर्ताओं ने सावधानीपूर्वक मैप किया है।
इन सर्किटों की विशिष्ट समरूपता पर ध्यान केंद्रित करके, शोधकर्ता अनावश्यक जटिलता को हटा सके। उन्होंने दिखाया कि आपको एक अच्छा अनुमान लगाने के लिए प्रत्येक संभावित त्रुटि के विशाल, विस्तृत सिमुलेशन की आवश्यकता नहीं है। इसके बजाय, सिस्टम के नियमों का सम्मान करने वाला एक सरल, दो-संख्या वाला विवरण अक्सर पर्याप्त होता है। यह दृष्टिकोण आज की अपूर्ण मशीनों पर क्वांटम एल्गोरिदम चलाने के लिए एक व्यावहारिक मार्ग प्रदान करता है। यह वैज्ञानिकों को प्रोसेसर की अगली पीढ़ी की प्रतीक्षा किए बिना, केवल वहां मौजूद शोर को समझने के एक स्मार्ट और तेज़ तरीके का उपयोग करके, अपने हार्डवेयर से बेहतर उत्तर प्राप्त करने की अनुमति देता 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।