आधुनिक भौतिकी के विशाल परिदृश्य में, एक मौलिक चुनौती है: यह समझना कि एक जटिल प्रणाली कैसे व्यवहार करती है जब हम केवल उसके एक बहुत छोटे हिस्से को देख पाते हैं। कल्पना कीजिए कि एक क्वांटम कंप्यूटर है, एक ऐसी मशीन जो कई सूक्ष्म कणों से बनी है जिन्हें क्यूबिट्स कहा जाता है। यह जानने के लिए कि यह मशीन कैसे काम करती है, वैज्ञानिकों को आमतौर पर इसके हर एक हिस्से को मापने की आवश्यकता होती है, लेकिन क्वांटम दुनिया में, एक साथ सब कुछ देखना अक्सर असंभव होता है या उस जानकारी को नष्ट कर देता है जिसे वे खोजने का प्रयास कर रहे हैं। इसके बजाय, शोधकर्ताओं के पास अक्सर केवल आंशिक सुराग होते हैं, जैसे कि कुछ पड़ोसी कणों का औसत व्यवहार। प्रश्न यह उठता है कि क्या हम सिस्टम के सीमित स्थानीय संकेतों से उसकी पूरी छिपी हुई अवस्था का पुनर्निर्माण कर सकते हैं? यह 'मैक्सिमम एंट्रॉपी इन्फरेंस' (अधिकतम एन्ट्रॉपी अनुमान) नामक समस्या के केंद्र में है। यह 20वीं सदी के मध्य के एक मार्गदर्शक सिद्धांत पर निर्भर करता है जो यह सुझाव देता है कि जब हमारे पास पूर्ण जानकारी का अभाव होता है, तो किसी प्रणाली की अवस्था के लिए सबसे ईमानदार अनुमान वह है जो कम से कम छिपे हुए क्रम (order) को मानकर चलता है, या तकनीकी शब्दों में, वह अवस्था जिसमें उच्चतम संभव अनिश्चितता हो। यह दृष्टिकोण केवल एक सैद्धांतिक जिज्ञासा नहीं है; यह उन अंतर्निहित नियमों, या हैमिल्टोनियन्स (Hamiltonians) को सीखने की कुंजी है जो कैसे क्वांटम मशीनें संचालित होती हैं, उन्हें नियंत्रित करते हैं—एक ऐसा कार्य जो बेहतर क्वांटम कंप्यूटर बनाने और नई सामग्रियों को समझने के लिए आवश्यक है।

द दशकों तक, वैज्ञानिकों ने शास्त्रीय प्रणालियों, जैसे कि गैसों या सरल चुम्बकों के लिए इस पहेली को हल करने हेतु शक्तिशाली गणितीय उपकरण विकसित किए हैं। हालाँकि, जब इन उपकरणों को क्वांटम क्षेत्र पर लागू किया जाता है, तो वे एक दीवार से टकरा जाते हैं। कठिनाई इसलिए उत्पन्न होती है क्योंकि क्वांटम कण स्वतंत्र सिक्कों या पासे की तरह व्यवहार नहीं करते; उनके गुण आपस में इस तरह गहराई से जुड़े होते हैं जो सरल जोड़ से परे है, एक ऐसी विशेषता जिसे 'नॉन-कम्यूटेटिविटी' (non-commutativity) कहा जाता है। यह सूक्ष्म अंतर शास्त्रीय समस्याओं के लिए उपयोग किए जाने वाले मानक गणितीय शॉर्टकट को विफल कर देता है या क्वांटम प्रणालियों पर लागू होने पर अविश्वसनीय रूप से धीमा बना देता है। अब शोधकर्ताओं की एक टीम इस अंतर को पाटने के लिए आगे आई है। उन्होंने दो प्रसिद्ध एल्गोरिदम को लिया है—एक जो अनुमानों को पुनरावृत्ति से बढ़ाता है और दूसरा जो ढलान के सबसे तीव्र पथ का अनुसरण करता है—और सफलतापूर्वक उन्हें क्वांटम दुनिया के लिए अनुकूलित किया है। अधिक महत्वपूर्ण बात यह है कि उन्होंने यह भी सिद्ध किया है कि ये नए क्वांटम संस्करण विश्वसनीय रूप से काम करते हैं और उन्होंने इन्हें हजारों गुना तेज़ चलाने का एक तरीका भी विकसित किया है।

शोधकर्ताओं ने शास्त्रीय शिक्षण के तर्क को क्वांटम यांत्रिकी की भाषा में अनुवादित करके शुरुआत की। वे एक विशिष्ट कार्य पर केंद्रित हुए: दिए गए क्वांटम सिस्टम से लिए गए स्थानीय मापों की सूची को देखते हुए, उन मापदंडों के सेट को खोजना जो सिस्टम की ऊर्जा परिदृश्य (energy landscape) को परिभाषित करते हैं। शास्त्रीय दुनिया में, यह एक गैस के कुछ अणुओं को देखकर उसके तापमान और दबाव को समझने जैसा है। क्वांटम दुनिया में, यह केवल कुछ चालों को देखकर एक जटिल खेल के नियमों को समझने जैसा है, जहाँ वे चालें स्वयं नियमों को बदल देती हैं। टीम ने 'क्वांटम इटरेटिव स्केलिंग' नामक एक नया एल्गोरिदम पेश किया। यह विधि लगातार इस बात की तुलना करती है कि वर्तमान अनुमान क्या भविष्यवाणी करता है कि सिस्टम कैसा दिखना चाहिए, बनाम वास्तव में क्या मापा गया था। यदि भविष्यवाणी सटीक नहीं है, तो एल्गोरिदम अपने अनुमान को समायोजित करता है। हालांकि यह शास्त्रीय विधियों के समान लगता है, इसके पीछे का गणित बहुत अधिक जटिल है क्योंकि इसमें शामिल क्वांटम ऑपरेटर आपस में 'कम्यूट' नहीं होते, जिसका अर्थ है कि उन्हें लागू करने का क्रम मायने रखता है। शोधकर्ताओं ने सिद्ध किया कि इस जटिलता के बावजूद, एल्गोरिदम सही उत्तर तक पहुँचने की गारंटी देता है, बशर्ते कि सिस्टम कुछ मानक शर्तों को पूरा करता हो।

यह समझने के लिए कि यह नई विधि कितनी तेज़ काम करती है, टीम ने एक कठोर गणितीय विश्लेषण किया। उन्होंने प्रत्येक चरण के साथ त्रुटि (error) कितनी कम होती है, इसका अध्ययन करके एल्गोरिदम की "गति सीमा" की जांच की। शास्त्रीय समस्याओं में, यह विश्लेषण सीधा है, लेकिन क्वांटम मामले में, कणों की नॉन-कम्यूटेटिव प्रकृति गणित को काफी कठिन बना देती है। शोधकर्ताओं ने अभिसरण (convergence) की गति पर सख्त ऊपरी और निचली सीमाएं स्थापित करने में सफलता प्राप्त की। उन्होंने दिखाया कि एल्गोरिदम केवल बिना किसी दिशा के भटक नहीं रहा है; यह एक अनुमानित दर के साथ समाधान की ओर निरंतर बढ़ता है। उनके विश्लेषण से पता चला कि स्थानीय अंतःक्रियाओं (local interactions) के लिए, त्रुटि ज्यामितीय रूप से (geometrically) घटती है, जिसका अर्थ है कि एल्गोरिदम प्रत्येक पुनरावृत्ति के साथ एक सुसंगत कारक के साथ सत्य के करीब पहुँचता है। यह प्रमाण एक महत्वपूर्ण तकनीकी उपलब्धि है क्योंकि यह पुष्टि करता है कि क्वांटम संस्करण की समस्या एक उचित समय में हल करने योग्य है, न कि एक असंभव कार्य जो गणना करने में अनंत समय ले लेगा।

हालाँकि, यह जानना कि एक एल्गोरिदम काम करता है, लड़ाई का केवल आधा हिस्सा है; यह जानना कि इसे उपयोगी होने के लिए पर्याप्त तेज़ कैसे बनाया जाए, दूसरा आधा हिस्सा है। शोधकर्ताओं ने पाया कि जबकि उनका मूल क्वांटम एल्गोरिदम गणितीय रूप से सुदृढ़ है, व्यवहार में यह सुस्त हो सकता है, जिससे उच्च स्तर की सटीकता तक पहुँचने में सैकड़ों या हजारों चरण लग सकते हैं। इसे हल करने के लिए, वे 'क्वासी-न्यूटन मेथड्स' (quasi-Newton methods) नामक तकनीकों के एक वर्ग की ओर मुड़े। ये चतुर 'ह्यूरिस्टिक्स' (heuristics), या स्मार्ट शॉर्टकट हैं, जिनका उपयोग दशकों से शास्त्रीय कंप्यूटिंग में अनुकूलन (optimization) को तेज करने के लिए किया जाता रहा है। टीम ने अपने क्वांटम एल्गोरिदम पर दो विशिष्ट प्रकार के त्वरकों (accelerators) को लागू किया। पहला, जिसे 'एंडर्सन मिक्सिंग' (Anderson mixing) के रूप में जाना जाता है, पिछले कुछ चरणों के इतिहास को देखता है और उस जानकारी का उपयोग एक बहुत बेहतर अगला कदम अनुमानित करने के लिए करता है, जिससे धीमी, क्रमिक प्रगति को छोड़ा जा सके। दूसरा, जिसे 'L-BFGS' कहा जाता है, परिदृश्य के आकार के एक अनुमान का निर्माण करने की विधि है ताकि समाधान की ओर अधिक प्रत्यक्ष पथ लिए जा सकें।

इन त्वरकों को लागू करने के परिणाम नाटकीय थे। संख्यात्मक सिमुलेशन में, मानक क्वांटम एल्गोरिदम को त्रुटि को बहुत कम स्तर तक कम करने के लिए लगभग 1,500 चरणों की आवश्यकता थी। इसके विपरीत, त्वरित संस्करणों ने 20 से भी कम चरणों में सटीकता का वही स्तर प्राप्त कर लिया। यह दो क्रमों (orders of magnitude) का सुधार है, एक ऐसी गति जो एक विधि को केवल सैद्धांतिक रूप से दिलचस्प से बदलकर व्यावहारिक रूप से व्यवहार्य बना देती है। शोधकर्ताओं ने परस्पर क्रिया करने वाले कणों की श्रृंखलाओं और अधिक जटिल व्यवस्थाओं सहित विभिन्न प्रकार के क्वांटम सिस्टम पर इन विधियों का परीक्षण किया, और पाया कि त्वरित संस्करण लगातार मानक दृष्टिकोण से बेहतर प्रदर्शन करते हैं। उन्होंने अपने नए क्वांटम इटरेटिव स्केलिंग पद्धति की तुलना एक मानक 'ग्रेडिएंट डिसेंट' दृष्टिकोण से भी की, जो अनुकूलन समस्याओं को हल करने का एक अन्य सामान्य तरीका है। उन्होंने पाया कि त्वरण के बिना भी, उनकी क्वांटम इटरेटिव स्केलिंग पद्धति आम तौर पर अधिक कुशल थी, लेकिन क्वासी-न्यूटन तकनीकों के जुड़ने से एक धीमी गणना और एक तीव्र समाधान के बीच का अंतर स्पष्ट हो गया।

इस कार्य के निहितार्थ केवल तेज़ गणनाओं से परे हैं। जैसे-जैसे क्वांटम कंप्यूटर आकार और जटिलता में बढ़ेंगे, सीमित डेटा से उनके आंतरिक नियमों को सीखना महत्वपूर्ण हो जाएगा। वर्तमान क्वांटम हार्डवेयर अभी अपने शुरुआती चरणों में है, जो त्रुटियों के प्रति संवेदनशील है और पैमाने में सीमित है। इस वातावरण में, कम्प्यूटेशनल संसाधन बहुमूल्य और दुर्लभ हैं। एल्गोरिदम द्वारा लिया गया प्रत्येक अतिरिक्त चरण उस समय और ऊर्जा की खपत करता है जिसे अन्य कार्यों के लिए बेहतर ढंग से उपयोग किया जा सकता है। यह सिद्ध करके कि ये एल्गोरिदम विश्वसनीय रूप से अभिसरित होते हैं और यह दिखाकर कि उन्हें कैसे त्वरित किया जाए, शोधकर्ताओं ने अधिक कुशल क्वांटम लर्निंग के लिए एक टूलकिट प्रदान किया है। यह 'हैमिल्टोनियन लर्निंग' जैसे कार्यों के लिए विशेष रूप से महत्वपूर्ण है, जहाँ वैज्ञानिक किसी क्वांटम सिस्टम के ऊर्जा नियमों को रिवर्स-इंजीनियर करने का प्रयास करते हैं ताकि उसके प्रदर्शन को सत्यापित किया जा सके या नई भौतिक घटनाओं की खोज की जा सके। अध्ययन बताता है कि इन त्वरित विधियों का उपयोग करके, हम अपनी वर्तमान, अपूर्ण क्वांटम मशीनों का अधिकतम लाभ उठा सकते हैं, न्यूनतम प्रयास के साथ अधिकतम जानकारी निकाल सकते हैं।

शोध पत्र इस बात पर जोर देते हुए समाप्त होता है कि जबकि अभिसरण का सैद्धांतिक प्रमाण एक बड़ा कदम है, व्यावहारिक त्वरण ही संभवतः इस क्षेत्र में इसे अपनाने के लिए प्रेरित करेगा। शोधकर्ता उल्लेख करते हैं कि उन्होंने जिन तकनीकों का उपयोग किया है, जैसे कि एंडर्सन मिक्सिंग और L-BFGS, वे मूल रूप से उन शास्त्रीय कंप्यूटरों के लिए विकसित किए गए थे जो अपने शुरुआती दिनों में अस्थिर और त्रुटिपूर्ण भी थे। जिस तरह उन शुरुआती ह्यूरिस्टिक्स ने शास्त्रीय कंप्यूटिंग को उसकी प्रारंभिक सीमाओं को पार करने में मदद की, उसी तरह ये समान तकनीकें आज क्वांटम कंप्यूटिंग की क्षमता को अनलॉक करने के लिए आवश्यक हो सकती हैं। यह कार्य यह दावा नहीं करता है कि इसने क्वांटम लर्निंग की हर समस्या को हल कर दिया है, न ही यह सुझाव देता है कि ये विधियाँ बिना किसी प्रतिबंध के हर संभावित प्रकार के क्वांटम सिस्टम के लिए काम करती हैं। इसके बजाय, यह एक विशिष्ट और अत्यधिक महत्वपूर्ण श्रेणी की समस्याओं के लिए एक मजबूत, प्रमाणित ढांचा प्रदान करता है, जो यह दर्शाता है कि सही गणितीय उपकरणों के साथ, हम आश्चर्यजनक गति और सटीकता के साथ नॉन-कम्यूटेटिव जटिलताओं वाली क्वांटम दुनिया में नेविगेट कर सकते हैं।