கடினமான குவாண்டம் கணினி சிக்கலுக்கான வன்பொருள் சோதனை
Google Quantum AI ஆராய்ச்சியாளர்கள், நிறுவனத்தின் Willow சூப்பர் கண்டக்டிங் செயலியில் மேஜிக்-ஸ்டேட் கல்டிவேஷன் எனப்படும் நுட்பத்தை காட்சிப்படுத்தியுள்ளனர். தயாரிக்கப்பட்ட குவாண்டம் நிலைகளில் பிழை 40 மடங்கு குறைந்ததாக அவர்கள் தெரிவித்தனர். Science இதழில் வெளியான இந்த முடிவு, இந்த அணுகுமுறையின் முதல் வெற்றிகரமான வன்பொருள் சோதனையாக முன்வைக்கப்பட்டுள்ளது.
இந்தப் பணி குவாண்டம் கணினியின் மையத் தடையைச் சமாளிக்கிறது: க்யூபிட்கள் மிகவும் நுட்பமானவை. வழக்கமான டிஜிட்டல் பிட்களைப் போலல்லாமல், குவாண்டம் பிட்கள் சுற்றுச்சூழல் மற்றும் கட்டுப்பாட்டில் உள்ள குறைபாடுகளால் பாதிக்கப்படலாம். இந்தப் பிழைகள் நம்பகமான கணக்கீடுகளைச் செய்வதை மிகவும் கடினமாக்குகின்றன, குறிப்பாக பயனுள்ள fault-tolerant குவாண்டம் கணினிகளுக்குத் தேவையான மேம்பட்ட செயல்பாடுகளை.
இந்தச் சோதனை “மேஜிக் ஸ்டேட்ஸ்” எனப்படும் மேம்பட்ட கணக்கீடுகளுக்குத் தேவையான சிறப்பாகத் தயாரிக்கப்பட்ட குவாண்டம் நிலைகளில் கவனம் செலுத்துகிறது. உயர்தர மேஜிக் ஸ்டேட்ஸை உருவாக்குவது ஒரு பெரிய சவால்; ஏனெனில் நிலையில் ஏற்படும் சிறிய பிழையும் பெரிய கணக்கீட்டை பாதிக்கக்கூடும். Google-ன் முடிவு fault-tolerant குவாண்டம் கணினியின் பரந்த சவாலை நீக்கவில்லை. ஆனால் நிஜ வன்பொருளில் மதிப்புமிக்க ஒரு கூறை மேம்படுத்துவதற்கான வழியை இது காட்டுகிறது.
டிஸ்டில்லேஷனிலிருந்து கல்டிவேஷன் வரை
மேஜிக் ஸ்டேட்ஸை மேம்படுத்துவதற்கான பரிச்சயமான வழி மேஜிக்-ஸ்டேட் டிஸ்டில்லேஷன் ஆகும். பொதுவாகச் சொன்னால், டிஸ்டில்லேஷன் குவாண்டம் வளங்களில் உள்ள குறைபாடுகளை வடிகட்டுகிறது. இது செயல்படலாம்; ஆனால் அதிக வளங்கள் தேவைப்படும்: குறைந்த எண்ணிக்கையிலான பயனுள்ள நிலைகளை உருவாக்க கணிசமான வன்பொருளும் செயலாக்கமும் தேவைப்படலாம்.
மேஜிக்-ஸ்டேட் கல்டிவேஷன் வேறுபட்ட முன்மொழிவு. அதே வகையான அதிக வளம் தேவைப்படும் வடிகட்டுதலை நம்புவதற்குப் பதிலாக, பாதுகாக்கப்பட்ட க்யூபிட்டிற்குள் சத்தமுள்ள மேஜிக் ஸ்டேட்டை நேரடியாகச் சுத்திகரிக்க இது முயல்கிறது. குவாண்டம் தகவலை ஒரே பாதிக்கப்படக்கூடிய கூறில் வைப்பதற்குப் பதிலாக, பல இயற்பியல் க்யூபிட்களில் குறியாக்கம் செய்வதிலிருந்து இந்தப் பாதுகாப்பு கிடைக்கிறது.
Willow சோதனையில், திருத்த வேண்டிய பிழைகளுடனேயே குழு திட்டமிட்டு தொடங்கியது. ஆராய்ச்சியாளர்கள் சத்தமுள்ள மேஜிக் ஸ்டேட்டை சிறிய இயற்பியல் க்யூபிட் கட்டத்தில் குறியாக்கினர். பின்னர் நுட்பமான குவாண்டம் தரவை அழிக்காமல் குறியாக்கப்பட்ட தகவலில் உள்ள தவறுகளைச் சரிபார்க்க உதவி க்யூபிட்களைப் பயன்படுத்தினர்.
சோதனைகள் குறைபாட்டைக் கண்டறிந்தபோது, அந்த முயற்சி நிராகரிக்கப்பட்டு அமைப்பு மீண்டும் தொடங்கியது. ஒரு முயற்சி அனைத்து சோதனைகளிலும் தேர்ச்சி பெற்றபோது, மேம்படுத்தப்பட்ட மேஜிக் ஸ்டேட் அடுத்தடுத்த செயலாக்கத்திற்காக வைத்துக்கொள்ளப்பட்டது. இந்த post-selection முக்கியமானது: ஒவ்வொரு முயற்சியும் வெற்றியடையும் என்று இந்த முறை கூறவில்லை. மாறாக, விரும்பிய பாதுகாக்கப்பட்ட நிலை சோதனைகளில் தப்பித்துள்ள நிகழ்வுகளை அடையாளம் காண முயல்கிறது.
40 மடங்கு என்ற எண்ணின் பொருள்
ஆராய்ச்சியாளர்களின் கூற்றுப்படி, கல்டிவேஷன் பிழையை 40 மடங்கு குறைத்தது. ஏற்றுக்கொள்ளப்பட்ட மேஜிக் ஸ்டேட்ஸ் குறைந்தது சுமார் 99.99% fidelity-ஐ அடைந்தன; இது தயாரிக்கப்பட்ட நிலை எதிர்பார்த்த நிலையுடன் எவ்வளவு நெருக்கமாகப் பொருந்துகிறது என்பதை அளவிடுகிறது.
இந்த எண்ணிக்கை இந்தத் துறையில் அளவீடு ஏன் சவாலாக உள்ளது என்பதையும் காட்டுகிறது. மீதமுள்ள பிழைகள் மிகச் சிறியதாக இருந்தால், அவை சிறியவை என்பதை நிரூபிக்க கவனமான சரிபார்ப்பு தேவைப்படும். வழக்கமான அணுகுமுறைகளுக்குத் தேவையானதை விட குறைவான அளவீடுகளுடன் மீதமுள்ள பிழைகளைக் கண்டறிய, குழு kickback tomography எனப்படும் நுட்பத்தை உருவாக்கியது.
வடிகட்டுதல் தேர்வுசார் தன்மை கொண்டது. ஆரம்ப முயற்சிகளில் சுமார் 8% மட்டுமே ஒவ்வொரு சோதனையிலும் தேர்ச்சி பெற்றன. கல்டிவேஷனைச் சுற்றியுள்ள நடைமுறை கேள்வியின் ஒரு பகுதிதான் இந்த சமரசம்: ஏற்றுக்கொள்ளப்பட்ட நிலைகளின் தரத்தை ஒரு நுட்பம் பெரிதும் மேம்படுத்தலாம்; ஆனால் அதற்கு மீண்டும் மீண்டும் முயற்சிகள் தேவைப்படலாம். எனவே பொருத்தமான ஒப்பீடு உயிர் பிழைத்த நிலைகளின் பிழை விகிதம் மட்டும் அல்ல; பயனுள்ள கணக்கீட்டிற்குத் தேவையான அளவு நிலைகளை உருவாக்குவதற்கான முழுச் செலவும் ஆகும்.
மேஜிக் ஸ்டேட்ஸ் ஏன் முக்கியம்
குவாண்டம் செயலிகள் சில செயல்பாடுகளை மற்றவற்றைக் காட்டிலும் இயல்பாகச் செய்ய முடியும். குவாண்டம் கணினியின் மிகவும் சிக்கலான வடிவங்களுக்கு, தேவையான மேம்பட்ட செயல்பாடுகளை அமைப்பு செய்ய அனுமதிக்கும் வகையில் கவனமாகத் தயாரிக்கப்பட்ட வளங்கள் தேவைப்படுகின்றன. மேஜிக் ஸ்டேட்ஸ் அத்தகைய ஒரு வளமாகும்.
இதன் விளைவாக, நம்பகமான மேஜிக் ஸ்டேட்ஸை உருவாக்குவதற்கான செலவு எதிர்கால fault-tolerant இயந்திரத்தின் அளவையும் வடிவமைப்பையும் தீர்மானிக்கலாம். குறைந்த மொத்த வளங்களுடன் சிறந்த நிலைகளை உருவாக்கும் முறை, ஒரு ஆய்வகக் காட்சிப்படுத்தலைத் தாண்டியும் முக்கியத்துவம் பெறலாம். அதேநேரம், ஒரு கூறில் கிடைக்கும் வலுவான முடிவு மட்டும் முழுமையான fault-tolerant கணினியை நிறுவாது. அது இறுதியில் நம்பகமான க்யூபிட்கள், பிழை கண்டறிதல், கட்டுப்பாட்டு அமைப்புகள் மற்றும் முழு கட்டமைப்பின் பிற கூறுகளுடன் இணைந்து செயல்பட வேண்டும்.
Willow முடிவு குறிப்பிடத்தக்கது; ஏனெனில் இதற்கு முன்பு நிஜ வன்பொருளில் வெற்றிகரமாகச் சோதிக்கப்படாத அணுகுமுறையை எடுத்து, சூப்பர் கண்டக்டிங் செயலியின் குறைபாடுகளுக்கு உட்படுத்துகிறது. இதனால், இந்தச் சோதனை அந்தக் கருத்தை கோட்பாட்டு வாய்ப்பிலிருந்து வன்பொருள் கட்டுப்பாடுகளுக்கு எதிராக மதிப்பிடக்கூடிய பொறியியல் முடிவாக மாற்றுகிறது.
முக்கிய மைல்கல்; நடைமுறை கேள்விகள் இன்னும் திறந்துள்ளன
இந்த முடிவை நம்பிக்கையளிக்கும் கருவியின் காட்சிப்படுத்தலாகப் பார்ப்பதே சிறந்தது; குவாண்டம் பிழைத்திருத்தம் தீர்க்கப்பட்டுவிட்டதாக அறிவிப்பாக அல்ல. பாதுகாக்கப்பட்ட சத்தமுள்ள நிலைகளைத் தேர்வு செய்து மேம்படுத்த முடியும் என்றும், அதன் மூலம் ஏற்றுக்கொள்ளப்பட்ட நிலைகளின் பிழையை குறிப்பிடத்தக்க அளவில் குறைக்க முடியும் என்றும் சோதனை காட்டுகிறது.
இதன் முக்கியத்துவம் வன்பொருள் செயல்திறனும் சரிபார்ப்பும் இணைந்திருப்பதில் உள்ளது. கல்டிவேஷன் செயல்பட வேண்டும் என்று குழு வெறுமனே முன்மொழியவில்லை; அது சத்தமுள்ள நிலையை குறியாக்கி, உதவி க்யூபிட்களைப் பயன்படுத்தி சரிபார்த்து, தோல்வியடைந்த முயற்சிகளை நிராகரித்து, தப்பித்த நிலைகளின் தரத்தை அளந்தது. தெரிவிக்கப்பட்ட பிழை அளவில் இந்த அளவீடுகளைச் சாத்தியமாக்குவதில் புதிய tomography முறை ஒரு பகுதியாக இருந்தது.
குவாண்டம் கணினியில் முன்னேற்றம் பெரும்பாலும் இத்தகைய கூறு-நிலை முன்னேற்றங்களின் மூலம் வருகிறது. ஒரு முக்கிய வளத்தைச் சிறப்பாகத் தயாரிப்பது பெரிய அமைப்புகளுக்கான பொறியியல் சமநிலையை மாற்றக்கூடும்; பல கடினமான படிகள் இன்னும் மீதமிருந்தாலும். நம்பகமான குவாண்டம் கணக்கீட்டின் நோக்கில் ஆராய்ச்சியாளர்கள் செயல்படும் நிலையில், மேலும் நிறுவப்பட்ட அணுகுமுறைகளுடன் சேர்த்து மேஜிக்-ஸ்டேட் கல்டிவேஷனையும் கருத்தில் கொள்ள வேண்டும் என்பதற்கான ஆதாரத்தை Google Quantum AI-ன் 40 மடங்கு முடிவு வழங்குகிறது.
இந்தக் கட்டுரை Phys.org-ன் செய்தி அறிக்கையை அடிப்படையாகக் கொண்டது. அசல் கட்டுரையைப் படிக்கவும்.
Originally published on phys.org
