Quantinuum ने Helios पर 99.9995% लॉजिकल मेमोरी फ़िडेलिटी की रिपोर्ट दी

Quantinuum ने क्वांटम त्रुटि-सुधार से जुड़ा एक ऐसा परिणाम पेश किया है, जो उपयोगी क्वांटम कंप्यूटिंग की एक बुनियादी ज़रूरत को और स्पष्ट करता है: क्वांटम जानकारी को इतनी देर तक अक्षुण्ण बनाए रखना कि उससे कोई उपयोगी काम किया जा सके। अपने Helios ट्रैप्ड-आयन कंप्यूटर पर कंपनी ने त्रुटि-जाँच के हर चक्र में 99.9995% लॉजिकल मेमोरी फ़िडेलिटी मापी—यानी प्रति दस लाख चक्रों में लगभग पाँच लॉजिकल विफलताएँ।

19 अक्टूबर को घोषित यह नतीजा कंपनी के पहले रिपोर्ट किए गए रिकॉर्ड की तुलना में दस गुना कमी दर्शाता है। Quantinuum का कहना है कि इससे Apollo के पक्ष में मामला और मज़बूत होता है। Apollo उसकी प्रस्तावित सार्वभौमिक दोष-सहिष्णु प्रणाली है, जिसे 2029 तक तैयार करने का लक्ष्य है। हालांकि, यह प्रयोग मेमोरी के प्रदर्शन का एक अहम मानदंड है, न कि इतनी सटीकता से चलने वाले किसी संपूर्ण उपयोगी अनुप्रयोग का प्रदर्शन।

इसके साथ प्रकाशित शोध, एआई और क्वांटम कंप्यूटिंग के बीच बढ़ते संबंध को भी रेखांकित करता है: न्यूरल नेटवर्क त्रुटि-मापों की व्याख्या इतनी तेज़ी से करने में मदद कर सकते हैं कि भविष्य में वास्तविक समय में त्रुटि-सुधार संभव हो सके। इस प्रगति का आकलन करने के लिए यह समझना ज़रूरी है कि क्या मापा गया और उन डिकोडरों का परीक्षण कैसे किया गया।

99.9995% का नतीजा क्या मापता है

भौतिक क्यूबिट ऐसे व्यवधानों के प्रति संवेदनशील होते हैं, जो उनकी क्वांटम अवस्थाओं को बिगाड़ सकते हैं। त्रुटि-सुधार जानकारी को कई भौतिक क्यूबिटों में फैलाकर एक लॉजिकल क्यूबिट बनाता है, जबकि अतिरिक्त माप सुरक्षित जानकारी को सीधे पढ़े बिना त्रुटियों के संकेत उजागर करते हैं।

मुख्य कसौटी यह है कि क्या अधिक सुरक्षा जोड़ने से लॉजिकल त्रुटि दर वास्तव में घटती है। त्रुटि-सुधार की सीमा से नीचे, बड़े कोड बेहतर प्रदर्शन करने चाहिए। इससे ऊपर, कोड को बनाए रखने के लिए ज़रूरी अतिरिक्त प्रक्रियाएँ बहुत अधिक शोर पैदा कर सकती हैं।

रंग कोड की सीमा से काफ़ी नीचे क्वांटम त्रुटि-सुधार में Quantinuum के शोधकर्ताओं ने तीन, पाँच और सात की दूरी वाले रंग कोडों का परीक्षण किया। कोड की दूरी सुरक्षा की मज़बूती बताती है। मापी गई लॉजिकल मेमोरी त्रुटि दर, तीन की दूरी पर हर चक्र में लगभग 10,000 में 5.5 से घटकर पाँच की दूरी पर 100,000 में 3.8 रह गई; सात की दूरी पर यह लगभग दस लाख में पाँच थी।

सबसे बड़े मेमोरी प्रयोग में एक लॉजिकल क्यूबिट की सुरक्षा के लिए मापन सहायक क्यूबिटों सहित 73 भौतिक क्यूबिटों का इस्तेमाल किया गया। इसका अनुमान 29,000 प्रयोगात्मक शॉट्स में हुई तीन विफलताओं के आधार पर लगाया गया; हर शॉट में सुधार के 20 दौर शामिल थे। विफलताओं की संख्या कम होने के कारण सांख्यिकीय अनिश्चितता महत्त्वपूर्ण है: शोधपत्र में केंद्रीय त्रुटि अनुमान दस लाख में पाँच दिया गया है, जबकि एक मानक विचलन का अंतराल लगभग दस लाख में तीन से नौ तक है।

यह लगातार अधिक प्रभावी होती सुरक्षा का मज़बूत प्रमाण है। इसका अर्थ यह नहीं है कि बिना किसी त्रुटि के दस लाख मनमाने क्वांटम गेट या किसी व्यावसायिक एल्गोरिदम के दस लाख चरण पूरे किए गए हैं।

Helios अलग-अलग त्रुटि-सुधार कोडों का परीक्षण कैसे कर सकता है

प्रयोग का तकनीकी विवरण Quantinuum के अनुसार, उसी Helios हार्डवेयर में किए गए सुधारों पर ज़ोर देता है जिसका इस्तेमाल उसके पहले के नतीजे में हुआ था। इस प्लेटफ़ॉर्म में ट्रैप्ड आयन हैं और इसकी कनेक्टिविटी एक निश्चित निकटतम-पड़ोसी व्यवस्था से आगे के आयनों के बीच परस्पर क्रिया की अनुमति देती है। इस लचीलेपन से शोधकर्ता प्रोसेसर को किसी एक कोड के अनुरूप नए सिरे से डिज़ाइन किए बिना त्रुटि-सुधार की रणनीतियाँ बदल सकते हैं।

नया काम लीकेज की समस्या पर भी ध्यान देता है, जिसमें कोई आयन क्यूबिट को दर्शाने के लिए इस्तेमाल की जाने वाली अवस्थाओं से बाहर चला जाता है। लीकेज से परस्पर-संबद्ध त्रुटियाँ पैदा हो सकती हैं, जो सुधार योजनाओं को विशेष रूप से नुकसान पहुँचाती हैं। शोधकर्ता ऑप्टिकल रीपंपिंग—जो लीकेज वाले आयनों को वापस कम्प्यूटेशनल अवस्थाओं में लाती है—को ऐसी सर्किट तकनीकों के साथ जोड़ते हैं, जिन्हें त्रुटियों के फैलाव को सीमित करने के लिए बनाया गया है।

परीक्षण की गई कोड-दूरियों में, दूरी हर बार दो बढ़ने पर लॉजिकल मेमोरी त्रुटि दर में लगभग 12 गुना सुधार हुआ। दो-क्यूबिट क्लिफ़र्ड गेट के एक अलग प्रयोग में तीन से पाँच की दूरी के बीच लगभग नौ गुना दमन दिखाया गया। ये आपस में जुड़े हुए, लेकिन अलग-अलग मानदंड हैं: मेमोरी फ़िडेलिटी के मुख्य नतीजे को गेट के नतीजे पर लागू नहीं करना चाहिए।

त्रुटि संकेतों को डिकोड करने में एआई की मदद

क्वांटम त्रुटि-सुधार एक क्लासिकल डिकोडर पर निर्भर करता है, जो माप के पैटर्न की व्याख्या करके संभावित त्रुटियों का पता लगाता है। केवल बेहतर भौतिक हार्डवेयर काफ़ी नहीं है, अगर यह व्याख्या प्रोसेसर की गति के साथ तालमेल न रख सके।

अध्ययन में कई तरीकों की तुलना की गई है। इनमें Tesseract नाम का A* सर्च डिकोडर, Frontier नाम का स्ट्रीमिंग डिकोडर, एक त्रि-आयामी कन्वोल्यूशनल न्यूरल नेटवर्क और एक राउंड-टोकन ट्रांसफ़ॉर्मर शामिल हैं। न्यूरल मॉडलों को Helios एमुलेटर के डेटा पर प्रशिक्षित किया गया और फिर हार्डवेयर डेटा पर फ़ाइन-ट्यून किए बिना प्रयोगात्मक डेटा पर लागू किया गया।

यह एआई की एक विशिष्ट भूमिका है: क्वांटम मापों में त्रुटि-पैटर्न की पहचान करना। ये मॉडल न तो क्वांटम प्रोसेसर की जगह लेते हैं, न ही किसी सामान्य प्रयोजन वाले एआई अनुप्रयोग का प्रदर्शन करते हैं। इनका महत्त्व डिकोडिंग की सटीकता और बार-बार होने वाले सुधार चक्रों को बनाए रखने के लिए ज़रूरी गति के बीच संतुलन बनाने में है।

शोधकर्ताओं के अनुसार, न्यूरल इन्फरेंस में सैकड़ों माइक्रोसेकंड लगते हैं, जो इस श्रेणी के हार्डवेयर पर रीयल-टाइम संचालन के अनुकूल है। अहम बात यह है कि अध्ययन में समूची डिकोडिंग ऑफ़लाइन की गई। समय का आकलन करने के लिए स्ट्रीमिंग परीक्षणों में हर राउंड के माप उपलब्ध कराए गए; ये इस बात का प्रदर्शन नहीं थे कि प्रयोग के दौरान न्यूरल डिकोडर लगातार लाइव फ़ीडबैक लूप को नियंत्रित कर रहे थे।

यह अंतर बताता है कि इंजीनियरिंग के क्षेत्र में अभी एक पड़ाव हासिल करना बाकी है, लेकिन इससे नतीजे का महत्त्व कम नहीं होता: सिमुलेशन में प्रशिक्षित मॉडलों ने एक वास्तविक क्वांटम मशीन की त्रुटियों की सफलतापूर्वक व्याख्या की।

मेमोरी रिकॉर्ड से उपयोगी कंप्यूटिंग तक अभी क्या बाकी है

Quantinuum इस नतीजे को विश्व रिकॉर्ड बताती है और कहती है कि इसकी सटीकता अब Apollo के लक्ष्य-क्षेत्र में है। इन दावों को दोष-सहिष्णु कंप्यूटिंग की व्यापक आवश्यकताओं के संदर्भ में देखा जाना चाहिए। किसी व्यावहारिक प्रणाली को कई तार्किक क्यूबिट सुरक्षित रखने होंगे, पर्याप्त रूप से व्यापक गेट-समुच्चय निष्पादित करना होगा, गणना के दौरान सुधार जारी रखना होगा और उपयोगी कार्यभार पूरे करने के लिए पर्याप्त थ्रूपुट देना होगा।

इस अध्ययन में भी संसाधनों की सीमाएँ स्पष्ट हैं। शोधकर्ताओं ने दूरी-सात वाला दो-क्यूबिट गेट प्रयोग नहीं किया, क्योंकि इसके लिए Helios में उपलब्ध क्यूबिटों से अधिक की आवश्यकता थी। कंपनी का ब्लॉग यह भी बताता है कि बड़े पैमाने पर और सीमा-स्तर से नीचे मैजिक-स्टेट तैयार करने की क्षमता का प्रदर्शन अभी बाकी है—यह सार्वभौमिक दोष-सहिष्णु कंप्यूटिंग तक पहुँचने के एक अहम रास्ते के लिए आवश्यक है।

Quantinuum की योजनाओं में 2027 में उसका Sol सिस्टम और 2029 में Apollo शामिल हैं। ये अभी विकास के लक्ष्य हैं। मौजूदा साक्ष्य का दायरा सीमित, लेकिन महत्त्वपूर्ण है: मौजूदा हार्डवेयर पर कोड बदलने, लीकेज को नियंत्रित करने और डिकोडिंग में सुधार करने से तार्किक मेमोरी की त्रुटियाँ काफ़ी कम हुईं।

क्वांटम उद्योग के लिए, यह नतीजा ध्यान को इस सवाल से आगे ले जाता है कि क्या कोई प्रोसेसर त्रुटि-सुधार का प्रदर्शन कर सकता है: क्या यह सुरक्षा उपयोगी कंप्यूटिंग की पूरी प्रणाली में बड़े पैमाने पर लागू की जा सकती है? एआई शोधकर्ताओं के लिए, यह इस बात का ठोस उदाहरण है कि मशीन लर्निंग नियंत्रण अवसंरचना के स्तर पर इस प्रयास में योगदान दे सकती है।