Physics-informed neural networks for quantum control
यह शोध पत्र इष्टतम क्वांटम नियंत्रण के लिए एक भौतिकी-सूचित तंत्रिका नेटवर्क (PINN) ढांचे को प्रस्तुत करता है जो उच्च प्रायिकता, कम विकास समय और कम ऊर्जा खपत के साथ ओपन क्वांटम सिस्टम में स्टेट-टू-स्टेट ट्रांसफर समस्याओं को कुशलतापूर्वक हल करता है, और पारंपरिक अनुकूलन तकनीकों की तुलना में विभिन्न भौतिक मापदंडों और प्रारंभिक स्थितियों के अनुकूल होने में बेहतर लचीलापन प्रदर्शित करता है।
मूल पेपर CC BY 4.0 (http://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
कल्पना कीजिए कि आप एक तूफानी महासागर में एक नन्ही, अदृश्य नाव को चलाने की कोशिश कर रहे हैं। हालाँकि, यह कोई सामान्य नाव नहीं है; यह एक क्वांटम सिस्टम है, एक ऐसी दुनिया जहाँ कण तरंगों की तरह व्यवहार करते हैं, एक साथ दो जगहों पर हो सकते हैं, और मामूली स्पर्श के प्रति भी अविश्वसनीय रूप से संवेदनशील होते हैं। इस दुनिया में, "क्वांटम कंट्रोल" इन कणों को एक अवस्था से दूसरी अवस्था में ले जाने की कला है—जैसे कि एक क्वांटम बिट को "ऑफ" से "ऑन" की ओर ले जाना—बिना शोर और ऊर्जा हानि की चट्टानों से टकराए। वैज्ञानिक इसे करने के लिए एक आदर्श स्टीयरिंग व्हील (एक कंट्रोल पल्स) खोजने की कोशिश कर रहे हैं, लेकिन महासागर इतना जटिल है कि पारंपरिक गणित अक्सर कीचड़ में फंस जाता है, सर्वोत्तम पथ की गणना करने में बहुत समय लेता है या मौसम बदलने पर विफल हो जाता है।
यहाँ एक नए प्रकार के नाविक का प्रवेश होता है: फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क, या PINN। एक मानक न्यूरल नेटवर्क को एक ऐसे छात्र के रूप में समझें जिसने अतीत के तूफानों के हजारों फ्लैशकार्ड याद किए हैं। वह अच्छा है, लेकिन यदि कोई नया तूफान आता है जिसे उसने पहले नहीं देखा है, तो वह भ्रमित हो सकता है। एक PINN, हालांकि, एक ऐसे छात्र की तरह है जिसने फ्लैशकार्ड के साथ-साथ सितारों में लिखे भौतिकी के मौलिक नियमों को भी याद किया है। यह केवल डेटा के आधार पर अनुमान नहीं लगाता; यह जानता है कि ब्रह्मांड के नियम (जैसे कि ऊर्जा कैसे बहती है या कण कैसे परस्पर क्रिया करते हैं) गैर-परक्राम्य हैं। यह पेपर इन "नियमों का पालन करने वाले" AI नाविकों का उपयोग क्वांटम सिस्टम को चलाने के लिए, कणों को तेजी से, कुशलता से और सटीकता से चलाने के लिए आदर्श नियंत्रण संकेतों को खोजने के लिए करने का एक तरीका पेश करता है, भले ही स्थितियाँ कठिन क्यों न हों।
इस पेपर के लेखक, एरियल नोरम्बुएना और उनके सहयोगियों ने इन इष्टतम क्वांटम नियंत्रण समस्याओं को हल करने के लिए एक नई कम्प्यूटेशनल विधि प्रस्तावित की है। पिछले प्रयोगों के विशाल डेटासेट पर निर्भर रहने के बजाय, उन्होंने एक ऐसा न्यूरल नेटवर्क बनाया है जो स्वयं भौतिकी समीकरणों द्वारा "सूचित" (informed) है। उन्होंने एक खेल सेट किया जहाँ नेटवर्क को एक "लॉस फंक्शन" को कम करना होता है—जो अनिवार्य रूप से एक स्कोरकार्ड है जो इसे भौतिकी के नियमों को तोड़ने, लक्ष्य तक पहुँचने में विफल होने, या बहुत अधिक ऊर्जा का उपयोग करने के लिए दंडित करता है। इस खेल को खेलकर, नेटवर्क उन सुचारू, इष्टतम नियंत्रण कार्यों की खोज करता है जो क्वांटम अवस्थाओं को निर्देशित करने के लिए आवश्यक हैं।
अपने विचार का परीक्षण करने के लिए, टीम ने पहले एक सरल टू-लेवल सिस्टम (two-level system) पर काम किया, जो एक क्वांटम सिक्के की तरह है जो 'हेड्स' या 'टेल्स' हो सकता है। उनका लक्ष्य इस सिक्के को एक विशिष्ट "मिक्स्ड" अवस्था (हेड्स और टेल्स का संतुलित मिश्रण) में ले जाना था जिसे गिब्स स्टेट (Gibbs state) कहा जाता है, जो उच्च-तापमान सुपरकंडक्टिविटी को सिम्युलेट करने के लिए उपयोगी है। PINN ने सफलतापूर्वक एक नियंत्रण संकेत खोजा जिसने सिस्टम को 0.99 की फिडेलिटी (सटीकता) के साथ उस लक्ष्य तक पहुँचाया, जिसका अर्थ है कि यह लगभग पूर्ण था। दिलचस्प बात यह है कि नेटवर्क ने पाया कि नियंत्रण संकेत को उस अवस्था को बनाए रखने के लिए एक विशिष्ट स्थिर मान पर स्थिर होना चाहिए, जो एक ऐसा परिणाम था जो सैद्धांतिक भविष्यवाणियों से मेल खाता था, लेकिन यह बिना किसी पूर्व जानकारी के खोजा गया था।
इसके बाद, टीम ने एक अधिक जटिल थ्री-लेवल सिस्टम (three-level system) पर काम किया, जो ग्रीक अक्षर लैम्डा (Λ) के आकार का है। यह सेटअप STIRAP नामक एक तकनीक के लिए प्रसिद्ध है, जहाँ वैज्ञानिक एक कण को एक अवस्था से दूसरी अवस्था में ले जाने के लिए दो लेजर पल्स का उपयोग करते हैं, बिना उसे कभी किसी "लॉसी" (ऊर्जा खोने वाली) मध्य अवस्था में फँसे हुए छोड़े। पारंपरिक रूप से, STIRAP के लिए एक बहुत ही विशिष्ट, प्रति-सहज क्रम की आवश्यकता होती है: "स्टोक्स" पल्स को "पंप" पल्स से पहले शुरू होना चाहिए। हालाँकि, अपने सिमुलेशन में, PINN ने एक नियंत्रण रणनीति खोजी जो उतनी ही अच्छी तरह से काम करती थी, लेकिन एक मोड़ के साथ: इसने दोनों पल्स को लगभग एक ही समय में चालू कर दिया। नेटवर्क को "डार्क स्टेट" सिद्धांत या STIRAP के नियमों के बारे में पता नहीं था; इसने बस एक ऐसा पथ खोजा जो ऊर्जा हानि को कम करता था और 2.0 अनिश्चित इकाइयों (arbitrary units) के रिकॉर्ड समय में 0.97 की उच्च फिडेलिटी के साथ लक्ष्य तक पहुँच गया, जो कई मानक तरीकों को पछाड़ दिया जो बहुत अधिक समय लेते थे या काफी अधिक ऊर्जा का उपयोग करते थे।
यह पेपर इस दृष्टिकोण के लचीलेपन को भी उजागर करता है। जब शोधकर्ताओं ने प्रारंभिक स्थितियों को बदला या "डिट्यूनिंग" (लेजर आवृत्तियों में बेमेल जो आमतौर पर ट्रांसफर को खराब कर देता है) पेश की, तो PINN तुरंत अनुकूलित हो गया। मानक तरीकों के विपरीत जो मापदंडों के बदलने पर अक्सर विफल हो जाते हैं, PINN मजबूत बना रहा, और पर्यावरण बदलने पर भी उच्च-गुणवत्ता वाले ट्रांसफर प्रदान करता रहा। लेखकों ने यह भी दिखाया कि उनका तरीका स्केल-अप हो सकता है, और पांच क्यूबिट्स (क्वांटम बिट्स) तक के सिस्टम के लिए नियंत्रण का सफलतापूर्वक सिमुलेशन किया, जबकि जटिलता बढ़ने पर भी उच्च फिडेलिटी बनाए रखी।
इन सिमुलेशन में, PINN ने एक बहुमुखी उपकरण के रूप में खुद को साबित किया जो क्वांटम नियंत्रणों को डिजाइन करने का एक नया तरीका सुझाता है। यह डेटा-मुक्त पथ प्रदान करता है जिससे सुचारू, ऊर्जा-कुशल नियंत्रण पल्स खोजे जा सकते हैं जो अंतर्निहित भौतिकी का सम्मान करते हैं। हालाँकि वर्तमान परिणाम सिमुलेशन पर आधारित हैं, लेखक सुझाव देते हैं कि यह विधि भविष्य की क्वांटम तकनीकों के लिए एक शक्तिशाली संपत्ति हो सकती है, चाहे वह बेहतर क्वांटम कंप्यूटर बनाना हो या जटिल एंटैंगल्ड अवस्थाओं को नियंत्रित करना हो, और वह भी कम ऊर्जा का उपयोग करते हुए और वास्तविक समय में परिवर्तनों के अनुकूल होते हुए।
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।