Accelerating Quantum Eigensolver Algorithms With Machine Learning
यह शोध पत्र NISQ उपकरणों पर क्वांटम आइजनसॉल्वर एल्गोरिदम को त्वरित करने के लिए इष्टतम हाइपरपैरामीटरों की भविष्यवाणी करने हेतु शास्त्रीय डेटा पर प्रशिक्षित मशीन लर्निंग मॉडलों के उपयोग की जांच करता है, जो 28-qubit प्रणालियों पर एक मामूली त्रुटि कमी प्राप्त करता है और हैमिल्टोनियन विशेषताओं के आधार पर प्रशिक्षण डेटा के और अधिक परिष्करण की आवश्यकता को रेखांकित 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
यहाँ इस शोध पत्र का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।
मुख्य विचार: तूफान में रेडियो ट्यून करना
कल्पना कीजिए कि आप एक पुराने ज़माने के रेडियो को ट्यून करने की कोशिश कर रहे हैं ताकि एक विशिष्ट गाना (एक अणु की "ग्राउंड स्टेट एनर्जी") ढूँढा जा सके। हालाँकि, रेडियो खराब है, सिग्नल शोर (स्टैटिक) से भरा है, और स्टेशन बहुत दूर है। वर्तमान क्वांटम कंप्यूटरों का उपयोग करते समय वैज्ञानिकों को इसी स्थिति का सामना करना पड़ता है, जिन्हें NISQ डिवाइसेस (नोइज़ी इंटरमीडिएट-स्केल क्वांटम) कहा जाता है। वे शक्तिशाली तो हैं लेकिन "शोर" (नॉइज़ी) से भरे हैं, जिससे स्पष्ट उत्तर प्राप्त करना कठिन हो जाता है।
इस शोध के शोधकर्ताओं ने इस रेडियो को तेज़ी से और अधिक सटीकता से ट्यून करने का तरीका ढूँढना चाहा। उनका विचार क्या था? मशीन लर्निंग (AI) को एक स्मार्ट गाइड के रूप में उपयोग करना। सही सेटिंग्स का अनुमान लगाने के बजाय, उन्होंने एक कंप्यूटर को छोटे और आसान समस्याओं से सीखकर सबसे अच्छी सेटिंग्स का पूर्वानुमान लगाना सिखाया।
समस्या: घुमाने के लिए बहुत सारे नॉब्स (Knobs)
क्वांटम एल्गोरिदम में कई "नॉब्स" या हाइपरपै參數 (Hyperparameters) होते हैं जिन्हें सही ढंग से काम करने के लिए घुमाना पड़ता है। इन्हें एक स्टीरियो पर वॉल्यूम, बास, ट्रेबल और बैलेंस नॉब्स की तरह समझें।
- यदि आप उन्हें बेतरतीब ढंग से घुमाते हैं, तो आपको केवल शोर सुनाई दे सकता है।
- यदि आप उन्हें पूरी तरह से सही घुमाते हैं, तो आपको संगीत सुनाई देगा।
- लेकिन इनके लाखों संयोजन (combinations) हैं, और उन सभी को आज़माने में बहुत समय और ऊर्जा लगती है।
शोधकर्ताओं ने रसायन विज्ञान की समस्याओं को हल करने के लिए उपयोग किए जाने वाले दो विशिष्ट "रेडियो" (एल्गोरिदम) पर ध्यान केंद्रित किया:
- ADAPT-QSCI: एक विधि जो एक समाधान को टुकड़ों में बनाती है, जैसे पहेली (puzzle) को जोड़ना।
- QCELS: एक विधि जो यह समझने के लिए कि सिस्टम समय के साथ कैसे बदलता है, उसकी ऊर्जा का पता लगाती है, जैसे ताल का अनुमान लगाने के लिए ड्रम की थाप को सुनना।
समाधान: "स्मार्ट अप्रेंटिस" (AccelerQ)
टीम ने AccelerQ नामक एक टूल बनाया। यह कैसे काम करता है, इसके चरण यहाँ दिए गए हैं:
प्रशिक्षण चरण (Apprentice/शिक्षु):
कल्पना कीजिए कि आपके पास एक मास्टर शेफ है जो छोटे परिवारों (16 "सामग्रियों" या क्यूबिट्स वाले सिस्टम) के लिए बेहतरीन भोजन बनाना जानता है। शोधकर्ताओं ने इस शेफ को हज़ारों रेसिपी और उनके परिणामी भोजन की गुणवत्ता के स्कोर खिलाए। उन्होंने एक मशीन लर्निंग मॉडल (जिसे XGBoost नामक टूल का उपयोग करके बनाया गया है) को सामग्रियों को देखना और सबसे स्वादिष्ट भोजन पाने के लिए सर्वोत्तम कुकिंग सेटिंग्स (हाइपरपैरामीटर्स) का अनुमान लगाना सिखाया।- उदाहरण: AI ने सीखा कि "यदि आपके पास बहुत अधिक मसालेदार सामग्रियां हैं, तो आपको नमक कम चाहिए।"
पूर्वानुमान चरण (Master Chef/मास्टर शेफ):
एक बार जब AI को छोटे भोजन के लिए प्रशिक्षित कर दिया गया, तो उन्होंने इसे एक विशाल दावत (20, 24, या यहाँ तक कि 28 क्यूबिट्स वाले सिस्टम) के लिए सर्वोत्तम सेटिंग्स का अनुमान लगाने के लिए कहा। AI ने स्वयं भोजन नहीं बनाया; इसने केवल शेफ को अनुशंसित सेटिंग्स की एक सूची सौंपी।निष्पादन (Execution):
क्वांटम एल्गोरिदम इन AI-अनुशंसित सेटिंग्स का उपयोग करके अणु की ऊर्जा खोजने के लिए चला।
उन्होंने क्या पाया: मिश्रित परिणाम
शोधकर्ताओं ने इस "स्मार्ट अप्रेंटिस" का परीक्षण 16 अलग-अलग बड़े सिस्टमों पर किया। यहाँ क्या हुआ:
- अच्छी खबर: सबसे कठिन, सबसे जटिल सिस्टमों (28-क्यूबिट "दावत") पर, AI-अनुशंसित सेटिंग्स बहुत अच्छी तरह से काम करती हैं। वास्तव में, उन्होंने डिफ़ॉल्ट सेटिंग्स की तुलना में त्रुटि (रेडियो पर "शोर") को लगभग 0.12% कम कर दिया। इसने एल्गोरिदम को अपना काम कम चरणों (iterations) में पूरा करने में भी मदद की, जिससे समय की बचत हुई।
- बुरी खबर: मध्यम आकार के सिस्टमों (20 और 24 क्यूबिट्स) पर, परिणाम असंगत थे। कभी-कभी AI ने मदद की, लेकिन अक्सर डिफ़ॉल्ट सेटिंग्स उतनी ही अच्छी या बेहतर रहीं।
- "क्यों": शोधकर्ताओं ने महसूस किया कि AI संघर्ष कर रहा था क्योंकि छोटे प्रशिक्षण सिस्टमों में "सामग्री" (समस्या की गणितीय संरचना) बड़े टेस्ट सिस्टमों से अलग थी। यह ऐसा है जैसे आपने एक शेफ को केवल इतालवी भोजन पर प्रशिक्षित किया और फिर उनसे एक जटिल थाई दावत बनाने के लिए कहा; वे मसालों का अनुमान तो लगा सकते हैं, लेकिन वे उसे एकदम सटीक नहीं बना पाएंगे।
निष्कर्ष: एक आशाजनक शुरुआत, लेकिन अभी और काम बाकी है
यह शोध पत्र निष्कर्ष निकालता है कि क्वांटम एल्गोरिदम को ट्यून करने के लिए मशीन लर्निंग का उपयोग करना एक आशाजनक विचार है। इसने दिखाया कि AI बहुत बड़ी, जटिल समस्याओं के लिए बेहतर सेटिंग्स खोजने में मदद कर सकता है, जो समय बचाने और सटीकता में सुधार करने के लिए एक शॉर्टकट के रूप में कार्य करता है।
हालाँकि, "स्मार्ट अप्रेंटिस" अभी भी पूर्ण नहीं है। शोधकर्ता स्वीकार करते हैं कि उनके वर्तमान मॉडल को समस्या के विशिष्ट "स्वाद" (हैमिल्टोनियन की विशेषताओं) को बेहतर ढंग से समझने की आवश्यकता है। वे AI को विभिन्न प्रकार की रासायनिक समस्याओं को संभालने के लिए और अधिक प्रशिक्षित करने की योजना बना रहे हैं ताकि यह सभी क्वांटम कंप्यूटरों के लिए, न कि केवल सबसे बड़े कंप्यूटरों के लिए, एक विश्वसनीय मार्गदर्शक बन सके।
संक्षेप में: उन्होंने एक ऐसा टूल बनाया है जो क्वांटम कंप्यूटरों के लिए सबसे अच्छी सेटिंग्स का अनुमान लगाने के लिए AI का उपयोग करता है। यह सबसे बड़े, सबसे कठिन पहेलियों के लिए बहुत अच्छा काम करता है, लेकिन यह मध्यम आकार की पहेलियों को संभालने के लिए अभी भी सीख रहा 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।