Parallel variational quantum algorithms with gradient-informed restart to speed up optimisation in the presence of barren plateaus

द ग्रेट क्वांटम ट्रेजर हंट (The Great Quantum Treasure Hunt)

कल्पना कीजिए कि आप एक विशाल, धुंधले पहाड़ी क्षेत्र में सबसे गहरी घाटी को खोजने की कोशिश कर रहे हैं। यह कोई साधारण पहाड़ी क्षेत्र नहीं है; यह एक "वैरिएशनल क्वांटम एल्गोरिदम" (VQA) के परिदृश्य (landscape) का गणितीय रूप है, जो एक विशेष प्रकार का गणितीय प्रश्न है जिसे नवीनतम, सबसे शक्तिशाली क्वांटम कंप्यूटरों पर चलाने के लिए डिज़ाइन किया गया है। ये कंप्यूटर सुपर-स्मार्ट खोजकर्ताओं की तरह हैं जो किसी भी सामान्य कंप्यूटर की तुलना में रसायन विज्ञान, भौतिकी और लॉजिस्टिक्स जैसे जटिल पहेलियों को तेज़ी से हल कर सकते हैं। लेकिन यहाँ एक पेच है: वे जिस मानचित्र का उपयोग समाधान खोजने के लिए करते हैं, वह अक्सर "बैरन प्लेटो" (barren plateaus - बंजर पठार) से भरा होता है।

एक बैरन प्लेटो को पहाड़ की चोटी के रूप में नहीं, बल्कि एक विशाल, सपाट, और बिना किसी विशेषता वाले मैदान के रूप में सोचें। यदि आप एक सामान्य पहाड़ पर चल रहे हैं, तो आप जमीन के ढलान को महसूस कर सकते हैं और नीचे जाने वाले रास्ते का अनुसरण कर सकते हैं। लेकिन एक बैरन प्लेटो पर, जमीन इतनी सपाट होती है कि आपका दिशा-सूचक यंत्र (ग्रेडिएंट) या तो बेतरतीब ढंग से घूमता है या कहीं संकेत ही नहीं देता। आप धुंध में फंस जाते हैं, ऐसे कदम उठाते हैं जिनका कहीं कोई परिणाम नहीं निकलता, और अपना समय और ऊर्जा बर्बाद करते हैं। यह एक बड़ी समस्या है क्योंकि यदि कंप्यूटर इन सपाट मैदानों पर फंस जाता है, तो वह कभी भी "ग्लोबल ऑप्टिमम" (global optimum)—यानी पूर्णतः सर्वोत्तम समाधान—तक नहीं पहुँच पाता। वैज्ञानिक इन खोजकर्ताओं को इन सपाट मैदानों से बाहर निकालने और वापस ढलानों पर लाने के तरीके खोजने की कोशिश कर रहे हैं जो खजाने की ओर ले जाते हैं।

पेपर का बड़ा विचार: लापरवाह खोजकर्ताओं की एक टीम

यह शोध पत्र "धुंध में फंसने" की समस्या के लिए एक चतुर, थोड़ा अराजक समाधान प्रस्तावित करता है। पहाड़ में अकेले भटकने के लिए एक अकेले खोजकर्ता को भेजने के बजाय, लेखक एक साथ उनकी पूरी टीम भेजने का सुझाव देते हैं। वे इसे एक "पैरेलल वैरिएशनल क्वांटम एल्गोरिदम" कहते हैं, जो फ्लेमिंग-वियट प्रक्रिया (Fleming-Viot process) नामक एक जैविक अवधारणा से प्रेरित है।

यह प्रणाली कैसे काम करती है, इसके लिए एक मनोरंजक उपमा देखें:

कल्पना कीजिए कि आपके पास घाटी के निचले हिस्से की खोज के लिए 10 खोजकर्ताओं (पेपर में 10 कणों का उपयोग किया गया है) की एक टीम है। वे सभी पहाड़ से नीचे उतरना शुरू करते हैं। नियम सरल है: यदि कोई खोजकर्ता एक सपाट, धुंधले मैदान (बैरन प्लेटो) पर कदम रखता है जहाँ वह यह नहीं बता सकता कि नीचे जाने का रास्ता किस ओर है, तो उसे तुरंत "मार दिया" (रोक दिया) जाता है। लेकिन वे केवल गायब नहीं होते!

इसके बजाय, टीम के पास एक जादुई 'रीस्पॉन' (respawn) तंत्र है। जब कोई खोजकर्ता फंस जाता है, तो उसे तुरंत एक नई जगह पर टेलीपोर्ट कर दिया जाता है। पेपर दो तरीकों के साथ परीक्षण करता है कि इस नई जगह को कैसे चुना जाए:

1. "कॉपीकैट" रणनीति (Exploitation - दोहन): फंसे हुए खोजकर्ता को ठीक उसी स्थान पर टेलीपोर्ट किया जाता है जहाँ उनके किसी सफल साथी टीम के सदस्य के पास वर्तमान में खड़ा है। उन्हें उम्मीद है कि यदि वह साथी अभी भी आगे बढ़ रहा है, तो वह स्थान एक ढलान पर होना चाहिए, न कि किसी सपाट मैदान पर।
2. "रोलरकोस्टर" रणनीति (Exploration - अन्वेषण): फंसे हुए खोजकर्ता को मानचित्र पर पूरी तरह से एक यादृच्छिक (random), बिल्कुल नई जगह पर टेलीपोर्ट किया जाता है। यह एक जंगली अनुमान है, लेकिन यह उन्हें सीधे समाधान के करीब पहुँचा सकता है।

पेपर का सुझाव है कि खोजकर्ताओं को लगातार पुनर्चक्रित (recycle) करके और उन्हें नई जगहों पर भेजकर, उनकी टीम पूरी तरह से एक अकेले खोजकर्ता (या खोजकर्ताओं की ऐसी टीम जो हार नहीं मानती और बस गोल-गोल घूमती रहती है) की तुलना में इन सपाट मैदानों में समय बर्बाद करने की संभावना बहुत कम होती है।

उन्होंने क्या पाया: खोज में तेजी लाना

लेखकों ने केवल यह अनुमान नहीं लगाया कि यह काम करेगा; उन्होंने इसे सिद्ध करने के लिए गणित का उपयोग किया और सिमुलेशन चलाए।

सबसे पहले, उन्होंने एक गणितीय मॉडल बनाया। उन्होंने दिखाया कि यदि आपके पास एक ऐसा परिदृश्य है जहाँ एक बड़ा हिस्सा सपाट और बेकार (एक बैरन प्लेटो) है, तो "सिमुलेटेड एनीलिंग" (simulated annealing) नामक एक मानक विधि का उपयोग करने वाला एक अकेला खोजकर्ता बहुत लंबे समय तक फंसा रहेगा। हालाँकि, उनकी टीम-आधारित विधि (फ्लेमिंग-वियट) बहुत तेज़ी से घाटी के निचले हिस्से को खोजने की भविष्यवाणी करती है। जितना अधिक सपाट और बेकार भूमि होगी, उनकी विधि का उतना ही बड़ा लाभ होगा। यह कहने जैसा है, "यदि मानचित्र 80% धुंध से भरा है, तो एक ऐसी टीम होना जो फंसने पर लगातार रीसेट होती है, उस व्यक्ति से कहीं बेहतर है जो हार मानने से इनकार करता है।"

इसका परीक्षण करने के लिए, उन्होंने दो प्रकार के प्रयोग चलाए:

1. सिंथेटिक माउंटेन (कृत्रिम पहाड़): उन्होंने विशिष्ट मात्रा में "धुंध" (25%, 50%, और 80% क्षेत्र) वाले कृत्रिम, कंप्यूटर-जनरेटेड परिदृश्य बनाए।
2. मैक्स-कट समस्या (Max-Cut Problem): उन्होंने एक 8-नोड ग्राफ पर QAOA नामक एक क्वांटम एल्गोरिदम का उपयोग करके एक वास्तविक दुनिया जैसी पहेली "मैक्स-कट" (जिसमें नोड्स के नेटवर्क को दो समूहों में विभाजित करना शामिल है ताकि कनेक्शन को अधिकतम किया जा सके) पर अपनी विधि को लागू किया।

परिणाम:
सिमुलेशन ने दिखाया कि उनका टीम-आधारित दृष्टिकोण लगातार मानक "एकल खोजकर्ता" पद्धति से बेहतर प्रदर्शन करता है।

• बेहतर परिणाम: टीम ने वास्तविक सर्वोत्तम उत्तर के करीब समाधान खोजे।
• तेज़ गति: उच्च मात्रा में धुंध (80% बैरन प्लेटो) वाले सिंथेटिक परीक्षणों में, उनकी टीम ने लगभग आधे समय में (लगभग 25 स्टेप्स में) समाधान खोज लिया, जबकि मानक विधि अक्सर अंत तक फंसी रहती थी (50 स्टेप्स)।
• निरंतरता: परिणाम अधिक विश्वसनीय थे। "एकल खोजकर्ता" विधि कभी भाग्यशाली हो जाती थी और कभी पूरी तरह से खो जाती थी, लेकिन टीम विधि स्थिर थी।

दिलचस्प बात यह है कि पेपर ने पाया कि "रोलरकोस्टर" रणनीति (एक रैंडम जगह पर टेलीपोर्ट करना) "कॉपीकैट" रणनीति (किसी को कॉपी करना) की तुलना में थोड़ी बेहतर काम करती है। यह सुझाव देता है कि जब ज़मीन पूरी तरह से सपाट और भ्रमित करने वाली हो, तो किसी और की नकल करने के बजाय एक जंगली अनुमान लगाना और पूरी तरह से एक नए क्षेत्र को आज़माना बेहतर होता है।

निष्कर्ष (The Bottom Line)

यह पेपर यह दावा नहीं करता है कि उसने क्वांटम कंप्यूटिंग की समस्या को हमेशा के लिए "हल" कर दिया है। इसके बजाय, यह उन जटिल, सपाट परिदृश्यों में नेविगेट करने का एक नया और आशाजनक तरीका सुझाता है जो वर्तमान में क्वांटम कंप्यूटरों को धीमा कर देते हैं। समानांतर खोजों की एक टीम का उपयोग करके, जो यह जानती है कि कब रुकना है और कब फिर से शुरू करना है, हम उपयोगी क्वांटम समाधानों की खोज को तेज़ करने में सक्षम हो सकते हैं। यह एक याद दिलाता है कि कभी-कभी, सर्वोत्तम उत्तर की खोज में, यह जानना कि कब रुकना है और पूरी तरह से अलग रास्ता आज़माना है, सबसे समझदारी भरा कदम होता है।