10 सवालों में quantum computing

1. qubit, bit से अलग कैसे है?

classical bit हमेशा 0 या 1 होता है — एक light switch। qubit एक two-level quantum system है: इसे |0⟩ और |1⟩ states में तैयार किया जा सकता है, लेकिन इन दोनों के किसी भी मिश्रण (blend) में भी — |ψ⟩ = α|0⟩ + β|1⟩। इस मिश्रण को superposition कहते हैं, और यह सिर्फ "हमें पता नहीं कौन-सा है" वाली बात नहीं है — दोनों हिस्से waves की तरह interfere कर सकते हैं, एक-दूसरे को काट या बढ़ा सकते हैं। कोई classical probability distribution इस interference को दोहरा नहीं सकती। जब आप qubit को measure करते हैं, तो मिश्रण collapse हो जाता है: आपको ठीक एक classical जवाब मिलता है — 0 probability |α|² के साथ, 1 probability |β|² के साथ। यही Born rule है।

2. qubit बन किस चीज़ से सकता है?

कोई भी चीज़ जो एक controllable two-level quantum system हो। असल में इसका मतलब कई competing technologies हैं: superconducting circuits (बिना resistance वाले तार के छोटे loops, absolute zero के पास चलाए जाते हैं — IBM और Google की machines का तरीका), trapped ions (electromagnetic पिंजरों में पकड़े गए अलग-अलग atoms — IonQ का तरीका), neutral atoms (optical tweezers में पकड़े गए), photon की polarization, और silicon में electron का spin। अभी कोई विजेता नहीं है: superconducting qubits तेज़ हैं लेकिन नाज़ुक, और उन्हें भारी cooling चाहिए; ions धीमे हैं लेकिन high-quality; photons environment से लगभग interact ही नहीं करते, लेकिन उन्हें पकड़ना मुश्किल है। हर platform quality, speed और scale के बीच एक अलग समझौता है।

3. superposition से असल में क्या मिलता है?

मशहूर नारा — "qubit एक साथ सब कुछ try करता है" — गुमराह करता है, क्योंकि आपको पढ़ने को हमेशा सिर्फ एक जवाब मिलता है। superposition से असल में मिलता है amplitudes से compute करने का एक नया तरीका: n qubits 2ⁿ complex numbers रखते हैं, और एक quantum circuit एक ही बार में सबको transform कर देता है। फिर interference steering करती है — computation को ऐसे arrange किया जाता है कि ग़लत जवाबों की amplitudes कट जाएँ और सही जवाब की amplitude बढ़ जाए। superposition कच्चा माल देता है; interference काम करती है।

4. state space 2ⁿ की रफ़्तार से क्यों बढ़ती है?

क्योंकि quantum systems को जोड़ने पर उनकी संभावनाएँ गुणा हो जाती हैं। 1 qubit को describe करने के लिए 2 numbers (α, β) चाहिए; 2 qubits के लिए 4; 3 के लिए 8। गणित में इसे tensor product कहते हैं। यह बढ़त बेरहम है: 50 qubits की state लिखने के लिए इतने numbers चाहिए जितने कोई classical supercomputer store नहीं कर सकता। यही exponential दीवार quantum computing का वादा भी है (compute करने के लिए ज़बरदस्त जगह) और classically quantum systems को simulate करने की मुश्किल भी। यही वजह है कि quantum computer के काम को verify करना भी कठिन होता है — आप पूरी state में झाँक नहीं सकते।

5. measurement हर amplitude क्यों नहीं बता सकता?

यही qubit का "शाप" वाला पहलू है। 2ⁿ amplitudes असली होती हैं — वे interference चलाती हैं और outcomes तय करती हैं — लेकिन n qubits का measurement सिर्फ n classical bits देता है, हर qubit से एक outcome, और इस process में superposition नष्ट हो जाता है। यह qubits की privacy में दख़ल जैसा है: देखना ही disturb करना है। इसलिए quantum algorithm सारे जवाब compute करके print नहीं कर सकता; उसे इस बारे में चालाक होना पड़ता है कि वह कौन-सा सवाल पूछे — interference को ऐसे arrange करना पड़ता है कि आखिरी measurement से कुछ काम की चीज़ निकले — एक period, एक marked item, एक energy — न कि random noise।

6. quantum speedup आ कहाँ से सकता है?

speedup उन problems से आता है जिनकी structure interference को वह करने देती है जो classical brute force नहीं कर सकता। मशहूर examples: Shor's algorithm (1994) बड़ी संख्याओं के factors best known classical तरीकों से exponentially तेज़ निकालता है — वही नतीजा जो आज की encryption को खतरे में डालता है; Grover's algorithm (1996) बिना structure वाली list में quadratically तेज़ search करता है; और quantum simulation — Feynman का 1982 का original proposal — quantum systems को सीधे model करता है, exponential दीवार से लड़ने के बजाय। ईमानदार fine print: speedup problem-specific है, universal नहीं। रोज़मर्रा के ज़्यादातर computing tasks को quantum computer से कुछ नहीं मिलता, और "तेज़" का मतलब हमेशा "कुछ खास structured problems के लिए कम fundamental steps" होता है, तेज़ clock नहीं।

7. quantum algorithms के बड़े families कौन-से हैं?

मोटे तौर पर 4। Algebraic / number-theoretic algorithms (Shor's factoring और discrete logarithms, quantum Fourier transform पर बने) dramatic exponential speedups देते हैं। Search और amplitude amplification (Grover's और उसके generalizations) बिना structure वाले problems में quadratic speedups देते हैं। Quantum simulation algorithms molecules और materials को model करते हैं — सबसे संभावित पहला practical win, क्योंकि nature अंदर तक quantum है। और variational / hybrid algorithms (VQE, QAOA) काम को बाँट देते हैं — एक shallow quantum circuit और एक classical optimizer के बीच — आज के imperfect hardware के लिए designed। landmark demonstrations — paper पर Shor's algorithm, Google का 2019 का "quantum supremacy" experiment जिसमें एक sampling task चलाया गया जो reasonable time में कोई supercomputer नहीं कर सकता था — हर एक इन्हीं families में से किसी एक का है।

8. काम के qubits बनाना इतना मुश्किल क्यों है?

qubit तभी quantum रहता है जब वह अलग-थलग हो; कोई भी disturbance — गर्मी, कंपन, stray fields — जानकारी बाहर leak कर देती है। इस leakage को decoherence कहते हैं, और यही central दुश्मन है। scale करने का मतलब है: सैकड़ों qubits को ठंडा, wired और एक-दूसरे से isolated रखना; gate error rates को नीचे धकेलना; और आखिरकार quantum error correction — जो कई physical qubits से एक भरोसेमंद "logical" qubit बचाता है — हर logical qubit पर सैकड़ों या हज़ारों physical qubits का overhead। इसीलिए field NISQ era की बात करती है (noisy intermediate-scale quantum — 2018 में John Preskill का दिया शब्द): दसियों से सैकड़ों qubits वाली machines, अभी error correction नहीं, ऐसे circuits चलाती हैं जो noise जीतने से पहले खत्म हो जाएँ।

9. quantum computers की तुलना कैसे करनी चाहिए?

सिर्फ qubit count लगभग बेमानी है — 100 खराब qubits, 10 अच्छे qubits से हार जाते हैं। मायने रखता है quality + scale: gate fidelity (operations कितनी बार सही होते हैं), coherence time (superpositions कितनी देर टिकते हैं), connectivity (कौन-से qubits सीधे interact कर सकते हैं), और इन सबका combination। industry ने इसीलिए composite metrics बनाए: quantum volume (IBM का single number जो qubit count और error rates को एक साथ जोड़ता है) और CLOPS — circuit layer operations per second — जो मापता है कि machine असल में कितनी तेज़ circuits चला सकती है। सही सवाल कभी "कितने qubits हैं?" नहीं होता, बल्कि "noise हावी होने से पहले यह कौन-सा काम का circuit चला सकती है?" होता है।

10. quantum machine learning कहाँ fit होता है?

यह 3 अलग तरीकों से fit होता है, और इन्हें अलग रखना बहुत confusion बचाता है। पहला, quantum systems के लिए classical ML — qubits को calibrate करने, errors कम करने और बेहतर control pulses खोजने के लिए machine learning। यह आज काम करता है। दूसरा, quantum-inspired/dequantized algorithms — cautionary tale: 2016 में Kerenidis और Prakash ने exponential speedup वाला quantum recommendation algorithm propose किया था, और 2018 में undergraduate Ewin Tang ने similar assumptions के तहत लगभग उतना ही तेज़ classical algorithm खोज निकाला — उसे "dequantize" कर दिया। हर quantum speedup किसी चालाक classical idea के सामने टिक नहीं पाता। तीसरा, fully quantum ML — quantum data पर learning models के रूप में quantum circuits। यह frontier है: theory में promising, असली रुकावटों के साथ (data loading bottlenecks, barren plateaus नाम के flat training landscapes), और अभी तक कोई proven practical advantage नहीं। field का arc ही course का arc है: पहले quantum computing, फिर machine learning, फिर दोनों का intersection।