Leveraging Machine Learning to Gain Insights on Quantum Thermodynamic Entropy

नन्हा इंजन और डिजिटल भूत

एक ऐसी दुनिया की कल्पना करें जहाँ ऊष्मा और ऊर्जा के नियम थोड़े अजीब हो जाते हैं क्योंकि सब कुछ नन्हे, थरथराहट वाले कणों से बना है जो ठोस गोलों और रहस्यमयी तरंगों, दोनों की तरह व्यवहार करते हैं। यह क्वांटम थर्मोडायनामिक्स (quantum thermodynamics) का क्षेत्र है, जो यह समझने की कोशिश करता है कि जब चीजें इतनी छोटी हो जाती हैं कि वे क्वांटम मैकेनिक्स के विचित्र नियमों का पालन करती हैं, तो ऊष्मा, कार्य और ऊर्जा कैसे व्यवहार करती हैं। इस कहानी के केंद्र में 1800 के दशक की एक प्रसिद्ध पहेली है जिसे मैक्सवेल का डेमन (Maxwell's Demon) कहा जाता है। एक शरारती छोटे भूत की कल्पना करें जो कमरे में मौजूद हवा के हर एक अणु को देख सकता है। यदि यह भूत तेज़ गति वाले अणुओं को धीरे चलने वाले अणुओं से अलग कर सके, तो वह बिना किसी ऊर्जा का उपयोग किए कमरे के एक हिस्से को गर्म और दूसरे को ठंडा कर सकता है, जिससे ब्रह्मांड का सबसे प्रसिद्ध नियम टूटता हुआ प्रतीत होता है: कि चीजें समय के साथ हमेशा अधिक अव्यवस्थित (अधिक विस्केंद्रित) होती जाती हैं। लंबे समय तक वैज्ञानिकों ने सोचा कि यह केवल एक मजेदार काल्पनिक प्रयोग था, लेकिन फिर उन्हें एहसास हुआ कि उस "भूत" को खुद भी एक कीमत चुकानी पड़ती है। हर बार जब डेमन कणों को छांटने के लिए किसी कण को देखता है, या नई जानकारी के लिए जगह बनाने हेतु अपनी स्मृति को मिटाता है, तो वह ऊष्मा उत्पन्न करता है। यह विचार, जिसे लैंडावर का सिद्धांत (Landauer's Principle) कहा जाता है, हमें बताता है कि सूचना केवल अमूर्त नहीं है; यह भौतिक है, और इसे संभालने की एक लागत होती है। इसे समझना इसलिए महत्वपूर्ण है क्योंकि जैसे-जैसे हमारे कंप्यूटर छोटे और तेज़ होते जा रहे हैं, वे इन्हीं सीमाओं से टकरा रहे हैं। यदि हम बेहतर क्वांटम कंप्यूटर या अत्यंत कुशल ऊर्जा प्रणालियाँ बनाना चाहते हैं, तो हमें यह जानना होगा कि सूचना संसाधित करने के लिए हमें कितना "ऊर्जा कर" (energy tax) चुकाना होगा।

शोध पत्र की कहानी: एक मशीन लर्निंग मस्तिष्क वाला क्वांटम इंजन

Srinivasa Rao. P द्वारा ∇×V Techno Labs का यह शोध पत्र इस पहेली के एक विशिष्ट संस्करण में गहराई तक जाता है: सिलार्ड इंजन (Szilard Engine)। सिलार्ड इंजन को एक नन्हे, एक-कण वाले ऊष्मा इंजन के रूप में समझें। इसके क्लासिक संस्करण में, एक एकल कण एक बॉक्स में फंसा होता है, बॉक्स को विभाजित करने के लिए बीच में एक दीवार गिरा दी जाती है, और एक "डेमन" यह जाँचता है कि कण किस तरफ है। उस जानकारी के आधार पर, इंजन काम निकालने के लिए दीवार को धकेलता है, जैसे कार में एक पिस्टन। यह शोध पत्र पूछता है: क्या होगा यदि हम इस इंजन को एक क्लासिकल कण के बजाय एक क्वांटम कण का उपयोग करके बनाएं, और क्या हम यह जानने के लिए कि यह कैसे काम करता है, मशीन लर्निंग (Machine Learning) का उपयोग कर सकते हैं?

लेखक इस क्वांटम इंजन का एक सिमुलेशन तैयार करते हैं। उन्होंने एक एकल कण का मॉडल बनाया जो एक आयामी (one-dimensional) बॉक्स में फंसा हुआ है, जहाँ कण की ऊर्जा "क्वांटाइज्ड" (quantized) है, जिसका अर्थ है कि यह किसी भी स्तर पर होने के बजाय केवल विशिष्ट, अलग-अलग ऊर्जा स्तरों पर ही मौजूद हो सकता है। उन्होंने कण के द्रव्यमान, बॉक्स के आकार और प्रकृति के एक मौलिक स्थिरांक के आधार पर कण की ऊर्जा की गणना करने के लिए एक गणितीय सूत्र (समीकरण 1) का उपयोग किया। इसके बाद उन्होंने इंजन के चक्र का अनुकरण किया: कण को मापना, ऊर्जा निकालना और सिस्टम को रीसेट करना।

यहीं पर मशीन लर्निंग का प्रवेश होता है। समीकरणों को केवल हाथ से हल करने के बजाय, शोधकर्ता ने इंजन के व्यवहार का विश्लेषण करने के लिए न्यूरल नेटवर्क (neural networks) और रीइन्फोर्समेंट लर्निंग (reinforcement learning) (एक प्रकार की AI जो परीक्षण और त्रुटि से सीखती है) का उपयोग किया। उन्होंने अपने सिमुलेशन से प्राप्त डेटा पर इन कंप्यूटर मॉडलों को प्रशिक्षित किया ताकि विभिन्न स्थितियों, जैसे कि बदलते तापमान के तहत इंजन के प्रदर्शन की भविष्यवाणी की जा सके। लक्ष्य यह देखना था कि क्या AI उन "ऊष्मप्रवैगिकी एंट्रॉपी" (thermodynamic entropy - अव्यवस्था का एक माप) में पैटर्न पहचान सकता है जो अन्यथा कठिन हो सकते हैं।

अध्ययन सुझाव देता है कि हालांकि क्वांटम इंजन अपने क्लासिकल समकक्ष के समान चक्र का पालन करता है—मापना, ऊर्जा निकालना और रीसेट करना—लेकिन यह काफी अलग नियमों पर काम करता है। क्लासिकल दुनिया में, मुख्य लागत मापने और सूचना को मिटाने की क्रिया से आती है। हालाँकि, इस क्वांटम सिमुलेशन में, लेखक ने पाया कि विभाजन (partitions) डालने की लागत (वे दीवारें जो बॉक्स को विभाजित करती हैं) एक महत्वपूर्ण भूमिका निभाती है। यह एक प्रमुख अंतर है: क्वांटम इंजन केवल डेमन के "सोचने" की कीमत नहीं चुका रहा है; यह जाल स्थापित करने के भौतिक कार्य के लिए भुगतान कर रहा है।

शोधकर्ता ने अपने काम की जांच करने के लिए रेसिडुअल प्लॉट्स (residual plots) (ऐसे ग्राफ जो मॉडल द्वारा की गई भविष्यवाणी और सिमुलेशन में वास्तव में जो हुआ उसके बीच के अंतर को दिखाते हैं) का उपयोग किया। उन्होंने त्रुटियों में एक पैटर्न देखा, जो यह सुझाव देता है कि उनका वर्तमान मॉडल उन सभी कारकों को कैप्चर नहीं कर पा रहा है जो समय के साथ एंट्रॉपी को बदलते हैं। इंजन की नियंत्रण रणनीति को अनुकूलित करने के लिए मशीन लर्निंग का उपयोग करके, वे इंजन की दक्षता में भौतिक सुधार करने के बजाय, इष्टतम परिचालन मापदंडों (optimal operating parameters) की पहचान करने और सिमुलेशन परिणामों की सटीकता में सुधार करने में सक्षम हुए।

अंततः, यह शोध पत्र यह दावा नहीं करता है कि उन्होंने प्रयोगशाला में एक भौतिक, कार्यशील क्वांटम इंजन बनाया है। इसके बजाय, यह एक सिमुलेशन-आधारित विश्लेषण प्रस्तुत करता है जो एक एकल-कण क्वांटम इंजन के ऊष्मप्रवैगिक व्यापार-समझौतों (thermodynamic trade-offs) को समझने के लिए मशीन लर्निंग का उपयोग करता है। यह सुझाव देता है कि सूचना प्रसंस्करण को वास्तविक ऊर्जा लागत वाली एक भौतिक प्रक्रिया के रूप में मानकर, और जटिल गणित को समझने के लिए AI का उपयोग करके, हम यह बेहतर समझ सकते हैं कि हम क्वांटम दुनिया से कितना काम निकाल सकते हैं। निष्कर्ष बताते हैं कि क्वांटम क्षेत्र में, इंजन की यांत्रिकी क्लासिकल दुनिया से अलग है, जहाँ बाधाओं का भौतिक समावेश सूचना प्रसंस्करण जितना ही महत्वपूर्ण है।