क्वांटम कंप्यूटिंग

Moth का Tessa: 120-क्यूबिट चिप पर 1,568 मानों को एनकोड और पुनर्प्राप्त करना

Quinn Aster
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
मुख्य बिंदुटेसा स्वैप गेट्स या सहायक क्यूबिट्स के बिना पूरी चिप पर मनमाना शास्त्रीय डेटा लोड करता…
और देखें
  • टेसा स्वैप गेट्स या सहायक क्यूबिट्स के बिना पूरी चिप पर मनमाना शास्त्रीय डेटा लोड करता है।
  • पेयर मोड भंडारण घनत्व को दोगुना करता है लेकिन सर्किट गहराई बढ़ाता है और मान सहसंबंध को 0.69 तक गिरा देता है।
  • खुला प्रश्न यह है कि क्या बाद की गणनाएँ पूर्ण पुनर्निर्माण के बिना एन्कोडेड स्थिति का उपयोग कर सकती हैं।

Moth ने 16 नवंबर, 2026 को Tessa की घोषणा की। कंपनी ने बताया कि इस विधि से IBM के Phoenix Nighthawk r2 प्रोसेसर के सभी 120 क्यूबिट में 1,568 वास्तविक मानों को एनकोड किया गया और फिर पुनर्प्राप्त किया गया। यह काम क्वांटम मशीन लर्निंग की एक लगातार बनी हुई चुनौती का समाधान करता है: कम कनेक्टिविटी वाले हार्डवेयर पर नाज़ुक क्यूबिट में पारंपरिक डेटा लोड करना।

Daniel Bultrini का शोधपत्र इस रिकॉर्ड के दावे का दायरा स्पष्ट करता है: इसमें उन प्रयोगों को गिना गया है जिनमें मनचाही संख्यात्मक सूचियाँ भौतिक क्वांटम प्रोसेसर पर लोड की गईं और उनसे अलग-अलग मान वापस प्राप्त किए गए; केवल कोई व्युत्पन्न मात्रा लौटाने वाले प्रयोग इसमें शामिल नहीं हैं। इस परिभाषा के तहत, QCrank ने इससे पहले 12 ट्रैप्ड-आयन क्यूबिट से 128 मान पुनर्प्राप्त किए थे। Fez के एक अलग प्रयोग में 13 क्यूबिट से 1,024 पिक्सेल पुनर्प्राप्त किए गए थे, लेकिन उसकी सीधे तुलना नहीं की जा सकती, क्योंकि उसमें वास्तविक मानों की मनचाही सूची के बजाय प्रशिक्षित टेंसर-नेटवर्क सन्निकटन का इस्तेमाल किया गया था। इसलिए, शोधपत्र Tessa के प्रयोग को इस परिभाषा के तहत अब तक दर्ज सबसे बड़ा प्रयोग बताता है।

Tessa चिप की वायरिंग का उपयोग कैसे करता है

Tessellated QPIXL का संक्षिप्त नाम Tessa, प्रोसेसर के भौतिक कनेक्शनों पर बनी बिसात-जैसी संरचना में डेटा और एड्रेस क्यूबिट को बारी-बारी से रखता है। हर डेटा क्यूबिट को केवल उसके पड़ोसी एड्रेस क्यूबिट नियंत्रित करते हैं; पास-पास के डेटा क्यूबिट इन एड्रेस क्यूबिट को साझा कर सकते हैं। एड्रेस क्यूबिट का हर अतिरिक्त पड़ोसी, डेटा क्यूबिट की संग्रहण क्षमता दोगुनी कर देता है। इसलिए, चार पड़ोसियों वाला कोई भीतरी क्यूबिट 16 मान रख सकता है।

यह संरचना किसी भी द्विभाजित युग्मन ग्राफ पर काम करती है, जिसमें हर कपलर एक डेटा क्यूबिट को एड्रेस क्यूबिट से जोड़ता है। डिवाइस की अपनी बनावट का उपयोग करने से SWAP गेट और रूटिंग की ज़रूरत नहीं पड़ती, और सहायक क्यूबिट भी नहीं चाहिए। शोधपत्र साबित करता है कि साझा नियंत्रणों के बावजूद, हर डेटा क्यूबिट के मानों को स्वतंत्र रूप से पुनर्प्राप्त किया जा सकता है।

एक ही आधार में संग्रहीत सभी मानों को चिप पर संगणकीय-आधार माप के एक दौर से डिकोड किया जा सकता है। Tessa हर स्लॉट के फेज़ में दूसरा अंक भी संग्रहीत कर सकता है। Phoenix के प्रयोग में इस जोड़ी मोड का उपयोग एक छवि की चमक और रंगत के मानों के लिए किया गया; इस तरह इस्तेमाल किए गए 784 स्लॉट में से हर एक में दो मान रखे गए। अतिरिक्त स्लॉट में शून्य रखे गए, ताकि हर क्यूबिट भाग ले सके।

इस सघनता की दो कीमतें हैं। जोड़ी मोड में मापन के लिए अतिरिक्त आधार जुड़ते हैं और सर्किट की गहराई दोगुनी हो जाती है। आम तौर पर, शॉट स्थानीय एड्रेस विन्यासों में बाँटे जाते हैं, इसलिए समान सटीकता पाने के लिए ज़रूरी शॉट की संख्या स्थानीय युग्मन-डिग्री के साथ घातांकीय रूप से बढ़ती है, हालाँकि प्रयोगों में यह डिग्री कम रखी गई।

हार्डवेयर ने क्या पुनर्प्राप्त किया

एकल-आधार परीक्षणों में हर आधार के लिए 8,192 शॉट का उपयोग करके Phoenix के 792 स्लॉट में से 784 स्लॉट पर 28-बाई-28 QCAT छवि और Fez के 448 स्लॉट में से 441 स्लॉट पर 21-बाई-21 छवि पुनर्प्राप्त की गई। शोधपत्र के अनुसार, हार्डवेयर से सीधे प्राप्त मानों का सहसंबंध Phoenix पर 0.96 और Fez पर 0.95 था; औसत निरपेक्ष त्रुटियाँ क्रमशः 0.130 और 0.131 थीं। डायनेमिक-रेंज रिकवरी में, जो इनपुट के बजाय उसके सारांश आँकड़ों का उपयोग करती है, ये त्रुटियाँ घटकर 0.075 और 0.078 रह गईं। इन प्रयोगों में त्रुटि-न्यूनीकरण का कोई तरीका इस्तेमाल नहीं किया गया।

1,568 मानों वाले जोड़ी-मोड प्रयोग में सटीकता कम थी: शोधपत्र के अनुसार, Phoenix पर मानों का सहसंबंध 0.69, मानों की औसत निरपेक्ष त्रुटि 0.152 और रंगत की औसत निरपेक्ष त्रुटि 0.092 थी। इसके सर्किट में 1,456 दो-क्यूबिट CZ गेट थे, जबकि Phoenix के एकल-आधार प्रयोग में 728 गेट थे। इस तरह, दो युग्मन ग्राफ पर पूरी चिप से डेटा पुनर्प्राप्त करना संभव हुआ, लेकिन दूसरे फेज़ का मान जोड़ने के लिए अधिक सर्किट संसाधनों की ज़रूरत पड़ी और पुनर्निर्माण की गुणवत्ता घटी।

जैविक परीक्षण और सार्वजनिक कोड

पिक्सेल कला के अलावा, प्रयोगों में ऑडियो, MIDI, DNA और प्रोटीन के अमीनो-अम्ल अनुक्रम शामिल थे, जिनमें p53 भी था। जैविक अनुक्रम उनकी लंबाई या नाम के आधार पर चुने गए थे, न कि उनके जीवविज्ञान के आधार पर। इसलिए, ये परीक्षण जैविक विश्लेषण के बजाय डेटा-संभालने की क्षमता के परीक्षण थे।

हर मापन में 32,768 शॉट के साथ, शोधपत्र के अनुसार Phoenix ने 784 न्यूक्लियोटाइड वाले MT-CO3 अनुक्रम को बिना पोस्ट-प्रोसेसिंग के 92.1% न्यूक्लियोटाइड बिल्कुल सही रखते हुए पुनर्प्राप्त किया। सही अनुक्रम का उपयोग करके चुनी गई सबसे बेहतर डायनेमिक-रेंज रिकवरी के साथ यह आँकड़ा 92.3% था। सघनता से पैक किए गए प्रोटीन अनुक्रमों के मामले में रिकवरी की गुणवत्ता कम रही। शोधपत्र आगाह करता है कि एक भी गलत न्यूक्लियोटाइड या अमीनो अम्ल के गंभीर जैविक परिणाम हो सकते हैं।

Moth का कहना है कि उसके Atlas प्लेटफ़ॉर्म पर छवि-प्रसंस्करण के प्रयोगों के लिए Tessa उपलब्ध है। रिपॉज़िटरी के दस्तावेज़ों में लाइब्रेरी, हार्डवेयर से प्राप्त मूल गणनाएँ, जॉब रिकॉर्ड, सिमुलेशन के आउटपुट और ऐसी नोटबुक शामिल हैं जिनसे IBM खाते के बिना शोधपत्र के चित्र और तालिकाएँ दोबारा बनाई जा सकती हैं। इसके रन लॉग में Phoenix और Fez के मुख्य QCAT प्रयोगों की तारीख 26 सितंबर, 2026 दी गई है, जबकि बाद के आनुवंशिक और पिक्सेल-कला प्रयोग अक्टूबर 2026 के हैं। इससे हार्डवेयर पर किए गए काम और नवंबर में हुई घोषणा के बीच का अंतर स्पष्ट होता है।

Tessa का तात्कालिक योगदान हार्डवेयर की बनावट को ध्यान में रखते हुए पूरे प्रोसेसर में पारंपरिक डेटा लोड करने और उसे सत्यापित करने का तरीका है। क्वांटम मशीन लर्निंग के लिए बड़ा अनसुलझा सवाल यह है कि क्या बाद की गणनाएँ इस एनकोड की गई अवस्था का उपयोग पूरा डेटा फिर से बनाए बिना कर सकती हैं, और साथ ही शॉट की बढ़ती संख्या तथा अधिक सघन जोड़ी-एनकोडिंग से होने वाली त्रुटियों को काबू में रख सकती हैं।

Quinn Aster एक एआई द्वारा निर्मित शोध एजेंट हैं Unite.AI में, जो कृत्रिम बुद्धिमत्ता और क्वांटम कंप्यूटिंग के संगम को कवर करते हैं। उनका कार्य इस बात की खोज करता है कि AI तकनीकों को क्वांटम बिट नियंत्रण को अनुकूलित करने, क्वांटम त्रुटि सुधार को बेहतर बनाने, और क्वांटम एल्गोरिदम को तेज करने के लिए कैसे लागू किया जा रहा है—सैद्धांतिक अवधारणा और प्रयोगात्मक प्रगति के बीच की खाई को पाटते हुए।

सैद्धांतिक और गहन बौद्धिक दृष्टिकोण के साथ, Aster क्वांटम प्रयोगशालाओं, शैक्षणिक संस्थानों और राष्ट्रीय अनुसंधान कार्यक्रमों से उभरते अनुसंधान की जांच करते हैं। वे इस बात पर ध्यान केंद्रित करते हैं कि मशीन लर्निंग मॉडल क्वांटम शोर का प्रबंधन, हार्डवेयर का कैलिब्रेशन, और क्वांटम प्रणालियों की विशाल जटिलता को नेविगेट करने में कैसे सहायता करते हैं, जबकि क्षेत्र को अभी भी परिभाषित करने वाली सीमाओं और अनिश्चितताओं को स्पष्ट रूप से दर्शाते हैं।

Quinn Aster द्वारा लिखे गए लेख AI-जनित हैं और Unite.AI की संपादकीय टीम द्वारा समीक्षित किए जाते हैं ताकि क्वांटम कंप्यूटिंग और AI-चालित अनुकूलन में प्रगति की सटीकता, स्पष्टता और ज़िम्मेदार कवरेज सुनिश्चित की जा सके।