Reinforcement Learning to Disentangle Multiqubit Quantum States from Partial Observations
यह शोध पत्र एक परम्यूटेशन-इक्विवैरिएंट ट्रांसफॉर्मर आर्किटेक्चर का उपयोग करते हुए एक डीप रिइन्फोर्समेंट लर्निंग दृष्टिकोण प्रस्तुत करता है, जो केवल स्थानीय टू-क्यूबिट रिड्यूस्ड डेंसिटी मैट्रिसेस पर निर्भर करते हुए, NISQ उपकरणों पर मल्टी-क्यूबिट अवस्थाओं के लिए कुशल और शोर-प्रतिरोधी डिसेंटैंगलिंग सर्किटों को स्वायत्त रूप से निर्मित करता है, जो मनमाने 4-क्यूबिट अवस्था निर्माण के लिए इष्टतम गेट काउंट प्राप्त 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
मुख्य विचार: एक "स्मार्ट असिस्टेंट" के साथ क्वांटम गांठ को सुलझाना
कल्पना कीजिए कि आपके पास 16 धागों से बनी एक विशाल, जटिल गांठ है (जो qubits नामक क्वांटम कणों का प्रतिनिधित्व करती है)। आपका लक्ष्य इस गांठ को तब तक सुलझाना है जब तक कि हर धागा पूरी तरह से सीधा और एक-दूसरे से अलग न हो जाए। क्वांटम दुनिया में, इसे disentangling (एंटैंगलमेंट हटाना) कहा जाता है।
समस्या यह है कि आप पूरी गांठ को एक साथ नहीं देख सकते। आप केवल उन छोटे हिस्सों को देख सकते हैं जहाँ दो धागे एक-दूसरे को काटते हैं। यह एक ऊन के गोले को सुलझाने जैसा है, जहाँ आपने ऐसी पट्टी (blinders) पहनी हुई है जिससे आप एक समय में केवल दो धागे ही देख सकते हैं।
इस शोध पत्र के लेखकों ने एक स्मार्ट कंप्यूटर असिस्टेंट बनाया है (जिसे Reinforcement Learning नामक आर्टिफिशियल इंटेलिजेंस का एक प्रकार उपयोग करके बनाया गया है) जो इन छोटे, स्थानीय दृश्यों को देख सकता है और चरण-दर-चरण पूरे उलझाव को सुलझाने का सबसे अच्छा तरीका खोज सकता है।
यह "स्मार्ट असिस्टेंट" कैसे काम करता है
AI एजेंट को एक मास्टर पज़ल सॉल्वर के रूप में समझें जो एक खेल खेल रहा है।
- दृश्य (आंशिक जानकारी): AI पूरी क्वांटम अवस्था (पूरी गांठ) को नहीं देख सकता। यह केवल two-qubit reduced density matrices को देख पाता है। सरल भाषा में कहें तो, इसका मतलब है कि यह केवल यह माप सकता है कि कोई भी दो धागे आपस में कैसे क्रिया कर रहे हैं। यह एक ऐसे मानचित्र को देखने जैसा है जहाँ आप केवल दो विशिष्ट चौराहों के बीच के ट्रैफिक को देखते हैं, पूरे शहर को नहीं।
- चाल (Action): जो कुछ वह देखता है, उसके आधार पर, AI तय करता है कि किन दो धागों को पकड़ना है और उन्हें घुमाना है (एक quantum gate लागू करना है)। यह केवल अनुमान नहीं लगाता; यह एक "मस्तिष्क" (एक न्यूरल नेटवर्क) का उपयोग करता है जिसे पैटर्न पहचानने के लिए प्रशिक्षित किया गया है।
- पुरस्कार (Reward): हर बार जब AI ऐसी चाल चलता है जिससे गांठ थोड़ी ढीली होती है (entanglement कम होता है), तो उसे एक "पॉइंट" मिलता है। यदि वह ऐसी चाल चलता है जिससे कोई मदद नहीं मिलती, तो उसे कोई पॉइंट नहीं मिलता। लक्ष्य न्यूनतम चालों का उपयोग करके गांठ को पूरी तरह से सीधा करना है।
"जादुई" मस्तिष्क: द ट्रांसफॉर्मर (The Transformer)
शोध पत्र में permutation-equivariant transformer नामक एक विशिष्ट AI आर्किटेक्चर का उल्लेख किया गया है। इसे समझने का एक सरल तरीका यहाँ दिया गया है:
कल्पना कीजिए कि आपके पास एक गांठ सुलझाने वाली श्रमिकों की एक टीम है। यदि आप श्रमिकों के नाम बदल देते हैं (श्रमिक A बदलकर श्रमिक B हो जाता है, और इसके विपरीत), तो टीम को अभी भी पता होना चाहिए कि क्या करना है क्योंकि गांठ की संरचना नहीं बदली है, केवल लेबल बदले हैं।
इस पेपर का AI इस तरह बनाया गया है कि उसे क्यूबिट्स के "नामों" या "लेबलों" से कोई फर्क नहीं पड़ता। यदि आप क्यूबिट्स को इधर-उधर घुमा देते हैं, तो AI तुरंत नई व्यवस्था को पहचान लेता है और अपनी योजना को तदनुसार समायोजित करता है। यह केवल धागों के क्रम को नहीं, बल्कि एंटैंगलमेंट के आकार को सीखता है।
उन्होंने क्या खोजा
शोधकर्ताओं ने विभिन्न आकारों की गांठों (4 धागों से लेकर 16 धागों तक) पर इस AI का परीक्षण किया। यहाँ उनके निष्कर्ष दिए गए हैं:
"रैंडम" और "ग्रीडी" खिलाड़ियों को मात देना:
- Random Player (यादृच्छिक खिलाड़ी): यह बिना सोचे-समझे बस दो धागों को चुनने और घुमाने का काम करता है। गांठ सुलझाने में इसे बहुत समय लगता है।
- Greedy Player (लालची खिलाड़ी): यह सभी संभावित जोड़ों को देखता है, उस जोड़े को चुनता है जो अभी मदद करता है, और आगे बढ़ जाता है। यह बेहतर है, लेकिन अक्सर एक स्थानीय जाल (local trap) में फंस जाता है।
- AI Agent: यह अधिक स्मार्ट है। यह कभी-कभी ऐसी चाल चलता है जो तुरंत मददगार नहीं लगती, लेकिन बाद के लिए एक बेहतर स्थिति तैयार करती है। यह गांठ की संरचना के "बड़े चित्र" (big picture) को देखना सीख जाता है।
- परिणाम: AI ने अन्य तरीकों की तुलना में काफी कम चालों (gates) का उपयोग किया। उदाहरण के लिए, 6-धागे वाली गांठ पर, इसने लगभग 56 चालों का उपयोग किया, जबकि ग्रीडी प्लेयर को 72 चालों की आवश्यकता थी।
4-धागे का रहस्य:
4-धागे वाली गांठ के लिए, AI ने एक सार्वभौमिक नुस्खा (universal recipe) खोजा। इसने चालों का एक विशिष्ट क्रम खोजा (अधिकतम 5 घुमावों के साथ) जो किसी भी 4-धागे वाली गांठ को सुलझा सकता है, चाहे वह कितनी भी उलझी हुई क्यों न हो। यह एक बड़ी खोज है क्योंकि यह सिद्ध करता है कि आप बहुत कम संसाधनों के साथ किसी भी 4-qubit अवस्था को तैयार कर सकते हैं।वास्तविक दुनिया में काम करना (Noisy Hardware):
वास्तविक क्वांटम कंप्यूटर "शोर वाले" (noisy) होते हैं—वे एक ऐसे कमरे की तरह हैं जहाँ एक तेज़ पंखा चल रहा है, जिससे निर्देश सुनना कठिन हो जाता है। इस AI को एक आदर्श, शांत सिमुलेशन में प्रशिक्षित किया गया था। जब शोधकर्ताओं ने इस AI को एक वास्तविक क्वांटम कंप्यूटर (एक ट्रैप्ड-आयन मशीन) पर रखा, तो यह अभी भी काम कर रहा था!- भले ही शोर के कारण माप "धुंधले" (fuzzy) थे, AI इतना मजबूत (robust) था कि वह सही चालों को समझ सका और सफलतापूर्वक अवस्था को सुलझाने में सफल रहा।
यह क्यों महत्वपूर्ण है (शोध पत्र के अनुसार)
यह शोध पत्र दावा करता है कि यह NISQ devices (वर्तमान, अपूर्ण क्वांटम कंप्यूटर) के लिए एक बड़ी सफलता है। क्योंकि AI को केवल क्यूबिट्स के जोड़ों (स्थानीय जानकारी) को देखने की आवश्यकता होती है, न कि पूरी प्रणाली को, इसलिए यह असंभव मात्रा में डेटा की आवश्यकता के बिना वास्तविक हार्डवेयर पर चल सकता है।
यह अनिवार्य रूप रूप से एक कंप्रेशन टूल (संपीड़न उपकरण) के रूप में कार्य करता है। जिस तरह आप एक बड़ी फ़ाइल को छोटी फ़ाइल में 'ज़िप' कर सकते हैं, उसी तरह यह AI एक जटिल, उलझी हुई क्वांटम अवस्था को न्यूनतम चरणों का उपयोग करके एक सरल, साफ अवस्था में "ज़िप" कर सकता है। इसके विपरीत, यदि आप इस प्रक्रिया को उल्टा चलाते हैं, तो आप एक सरल अवस्था को जटिल, उपयोगी अवस्था में "अनज़िप" कर सकते हैं।
सारांश
यह शोध पत्र एक "स्मार्ट असिस्टेंट" प्रस्तुत करता है जो पहेली के छोटे टुकड़ों को देखकर जटिल क्वांटम गांठों को सुलझाना सीखता है। यह यादृच्छिक अनुमान या सरल चरण-दर-चरण तर्क से कहीं अधिक स्मार्ट है, यह गांठ के आकार के अनुसार खुद को ढाल लेता है, और यह आश्चर्यजनक रूप से वास्तविक, शोर वाले क्वांटम मशीनों पर भी अच्छी तरह काम करता 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।