Machine learning of measurement schemes for efficient quantum observable estimation
यह शोध पत्र एक मशीन लर्निंग फ्रेमवर्क प्रस्तावित करता है, जिसे कंपोजिट-लोकलली बायस्ड क्लासिकल शैडो (C-LBCS) विधि के रूप में साकार किया गया है, जो बड़े पैमाने की प्रणालियों के लिए क्वांटम एक्सपेक्टेशन वैल्यूज का अनुमान लगाने हेतु मौजूदा ह्यूरिस्टिक दृष्टिकोणों से बेहतर प्रदर्शन करने के लिए ऑब्जर्वेबल्स से कुशल मेजरमेंट स्कीम्स को स्वचालित रूप से सीखता 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 हज़ार अलग-अलग फलों से बने एक विशाल, अदृश्य स्मूदी के स्वाद का अनुमान लगाने की कोशिश कर रहे हैं। क्वांटम कंप्यूटिंग की दुनिया में, यह "स्मूदी" एक जटिल क्वांटम अवस्था (quantum state) है, और "स्वाद" वे गुण (observables) हैं जिन्हें वैज्ञानिक मापना चाहते हैं। समस्या यह है कि क्वांटम माप एक एकतरफा दरवाजे की तरह है: एक बार जब आप अंदर झाँककर स्वाद देखते हैं, तो स्मूदी बदल जाती है, और आपको नए बैच के साथ फिर से शुरुआत करनी पड़ती है। यदि आप बहुत सटीक स्वाद चाहते हैं, तो आपको इन हज़ारों नए बैचों की आवश्यकता होगी, जिसमें बहुत समय लगता है और कीमती संसाधन बर्बाद होते हैं।
लंबे समय तक, वैज्ञानिकों ने इसे हाथ से नियम बनाने (hand-crafting rules) के जरिए हल करने की कोशिश की। वे कहते थे, "ठीक है, पहले सेब वाले हिस्से को मापते हैं, फिर केले वाले हिस्से को," जो चतुर लेकिन कठोर तरकीबें थीं। यह काम करता था, लेकिन यह एक ऐसे व्यक्ति द्वारा बनाए गए मानचित्र के साथ भूलभुलैया में नेविगेट करने जैसा था जिसने कभी उस भूलभुलैया को देखा ही नहीं था।
बड़ा विचार: कंप्यूटर को नक्शा बनाना सीखने दें
इस शोध पत्र में, लेखक एक नया तरीका प्रस्तावित करते हैं: हाथ से नक्शा बनाने के बजाय, आइए मशीन लर्निंग का उपयोग यह सिखाने के लिए करें कि स्मूदी को मापने का सबसे अच्छा तरीका कैसे पता लगाया जाए। उन्होंने एक ऐसा ढांचा बनाया है जहाँ कंप्यूटर एक "मापन योजना" (measurement scheme) सीखता है—यानी यह तय करने की रेसिपी कि क्वांटम अवस्था के किन हिस्सों को कितनी बार देखना है।
इसे एक मास्टर शेफ (मशीन लर्निंग मॉडल) के रूप में सोचिए जो केवल एक एकल रेसिपी का पालन नहीं करता है। इसके बजाय, शेफ एक कंपोजिट लोकली-बायस्ड क्लासिकल शैडो (C-LBCS) बनाता है। यह एक फैंसी नाम है "रेसिपी के मिश्रण" के लिए। कल्पना कीजिए कि शेफ के पास अलग-अलग मिनी-रेसिपी (सब-स्कीम्स) का एक थैला है। जब मापने का समय आता है, तो शेफ एक सीखी हुई प्रायिकता (learned probability) के आधार पर एक मिनी-रेसिपी चुनता है, उसका पालन करता है, और फिर अगले पर आगे बढ़ जाता है। इन रेसिपीओं को आपस में मिलाकर, शेफ कम से कम स्मूदी बैचों के साथ सबसे सटीक स्वाद प्राप्त करने के लिए सही संतुलन सीखता है।
उन्होंने किसे खारिज किया
लेखक स्पष्ट रूप से "हस्तनिर्मित ह्यूरिस्टिक्स" (hand-crafted heuristics) पर निर्भर रहने के खिलाफ तर्क देते हैं। ये पुराने ज़माने के कठोर नियम हैं जिनका उपयोग वैज्ञानिक मौके पर ही बनाते थे। शोध पत्र सुझाव देता है कि ये मैनुअल तरीके एक सीमा (ceiling) तक पहुँच जाते हैं; वे उस सिस्टम जितने कुशल नहीं हो सकते जो सीधे समस्या से सीखता है। वे यह भी दिखाते हैं कि जबकि कुछ विधियाँ एक एकल रेसिपी को चरण-दर-चरण सुधारने की कोशिश करती हैं (एक "बॉटम-अप" दृष्टिकोण), उनका तरीका ऊपर से नीचे (top-down) पूरे चित्र को देखता है, जिससे कहीं अधिक लचीला और शक्तिशाली समाधान मिलता है।
परिणाम: सिमुलेशन आशाजनक हैं
टीम ने केवल सपने नहीं देखे; उन्होंने यह देखने के लिए सिमुलेशन चलाए कि क्या यह काम करता है। उन्होंने अपने नए C-LBCS तरीके का परीक्षण आणविक प्रणालियों पर किया, जिसमें 30 क्यूबिट्स (क्वांटम समकक्ष बिट्स) वाला CO2 नामक एक अणु शामिल था।
इन सिमुलेशन में, उनके सीखे हुए तरीके ने लगभग हर मामले में पिछले सर्वोत्तम तरीकों (जैसे "शैडोग्रुपिंग" और "OGM") को पछाड़ दिया। उदाहरण के लिए, CO2 अणु को मापते समय, पुराने तरीकों को लगभग 2442 या 2754 का "वैरिएंस" (त्रुटि का माप) की आवश्यकता थी, जबकि उनके नए तरीके ने सेटअप के आधार पर उस संख्या को घटाकर 2335 या 2677 कर दिया। यहाँ कम संख्या बेहतर है, जिसका अर्थ है कि उन्होंने कम मापों के साथ एक स्पष्ट तस्वीर प्राप्त की।
उन्होंने यह भी पाया कि कंप्यूटर को मिलाने के लिए जितने अधिक "सब-रेसिपी" (सब-स्कीम्स) दिए जाते, वह उतना ही बेहतर होता जाता, एक निश्चित बिंदु तक। उन्होंने CO2 अणु के लिए 12,000 सब-स्कीम्स तक का परीक्षण किया और देखा कि त्रुटि कम होती गई।
हम कितने आश्वस्त हैं?
यह ध्यान रखना महत्वपूर्ण है कि ये परिणाम संख्यात्मक प्रदर्शन (सिमुलेशन) हैं। लेखक दिखाते हैं कि उनका तरीका एक कंप्यूटर मॉडल में खूबसूरती से काम करता है, लेकिन उन्होंने अभी तक इसे प्रयोगशाला में एक वास्तविक, भौतिक क्वांटम कंप्यूटर पर नहीं चलाया है। वे आश्वस्त हैं कि गणित सही है और यह तरीका स्केलेबल है, लेकिन वास्तविक दुनिया में "जीतने" का अंतिम प्रमाण अभी आना बाकी है।
यह क्यों मायने रखता है
सबसे अच्छी बात? यह सीखने की प्रक्रिया तेज़ है और यह शक्तिशाली ग्राफिक्स कार्ड (GPUs) पर चल सकती है, उन पुराने तरीकों के विपरीत जिन्हें चरण-दर-चरण एक धीमी, क्रमिक रेखा में बनाया जाना पड़ता था। लेखक सुझाव देते हैं कि एक बार जब कंप्यूटर सर्वश्रेष्ठ रेसिपी सीख लेता है, तो इसका बार-बार उपयोग किया जा सकता है। रेसिपी सीखने में लगने वाला समय एक बार की लागत है, और फिर क्वांटम कंप्यूटर बहुत तेज़ी से मापन के माध्यम से आगे बढ़ सकता है।
संक्षेप में, यह शोध पत्र सुझाव देता है कि मशीन लर्निंग को शून्य से मापन रणनीति डिजाइन करने देने से, हम क्वांटम कंप्यूटरों को उनके स्वयं के गणनाओं के परिणामों को पढ़ने में बहुत अधिक कुशल बना सकते हैं, जिससे भविष्य में बड़ी समस्याओं को हल करने के लिए एक विश्वसनीय मार्ग प्रशस्त होता है।
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।