Hybrid quantum-classical approach for combinatorial problems at hadron colliders

लार्ज हैड्रोन कोलाइडर एक ऐसी मशीन है जिसे ब्रह्मांड के सबसे गहरे सवालों के जवाब देने के लिए बनाया गया है, जो प्रोटॉन को लगभग प्रकाश की गति से आपस में टकराती है। जब ये कण टकराते हैं, तो वे छोटे टुकड़ों के एक अराजक छिड़काव में टूट जाते हैं, जिससे ऊर्जा का एक क्षणिक दृश्य बनता है जिसे भौतिकविदों को यह समझने के लिए पुनर्गठित करना पड़ता है कि क्या हुआ था। कण भौतिकी की दुनिया में, यह पुनर्गठन अक्सर अनुमान लगाने का एक खेल होता है। वैज्ञानिक मलबे को देखते हैं और यह पता लगाने की कोशिश करते हैं कि कौन से टुकड़े किस मूल कण से आए थे, एक ऐसा कार्य जो अविश्वसनीय रूप से कठिन हो जाता है जब टकराव कई जेट्स, या कणों के छिड़काव, उत्पन्न करता है जो आपस में मिल जाते हैं। इसे एक कॉम्बिनेटोरियल (संयोजन संबंधी) समस्या के रूप में जाना जाता है: इतने सारे टुकड़ों के साथ, उन्हें सही ढंग से समूह में बांटने के तरीकों की संख्या बहुत विशाल है, और उन्हें सही ढंग से छांटना एक लॉन्ड्री रूम में कपड़ों के एक विशिष्ट सेट को खोजने जैसा है जहाँ हर मोजा एक जैसा दिखता है।

दशकों से, भौतिकविद इन पहेलियों को हल करने के लिए शास्त्रीय कंप्यूटिंग विधियों पर भरोसा करते रहे हैं, जो गति और ऊर्जा के नियमों पर आधारित गणितीय नियमों का उपयोग करते हैं। हाल ही में, उन्होंने मशीन लर्निंग की ओर रुख किया है, जिसमें कंप्यूटर प्रोग्रामों को लाखों सिम्युलेटेड घटनाओं पर प्रशिक्षित किया जाता है ताकि वे पैटर्न पहचान सकें। हालांकि, एक नया अध्ययन बताता है कि एक अलग प्रकार की कंप्यूटिंग शक्ति, जो क्वांटम यांत्रिकी के अजीब नियमों का लाभ उठाती है, इन समान चुनौतियों से निपटने के लिए एक नया और शक्तिशाली तरीका प्रदान कर सकती है। पेकिंग यूनिवर्सिटी, यूनिवर्सिटी ऑफ कंसास और IonQ सहित संस्थानों के शोधकर्ताओं ने इस बात की खोज की है कि कैसे क्वांटम एल्गोरिदम का उपयोग टॉप क्वार्क टकरावों के मलबे को छांटने के लिए किया जा सकता है, जो कि एक विशिष्ट प्रकार की भारी कण घटना है जिसका विश्लेषण करना अत्यंत कठिन होता है। उनका काम दिखाता है कि ये क्वांटम विधियां न केवल मौजूदा सर्वोत्तम तकनीकों के प्रदर्शन का मुकाबला कर सकती हैं, बल्कि ऐसा बिना उन विशाल प्रशिक्षण सत्रों की आवश्यकता के भी कर सकती हैं जिनकी पारंपरिक मशीन लर्निंग को आवश्यकता होती है।

टीम ने अपना ध्यान टॉप क्वार्क पेयर प्रोडक्शन के 'फुली हैड्रोनिक चैनल' पर केंद्रित किया, जो एक ऐसी स्थिति है जहाँ दो भारी टॉप क्वार्क बनते हैं और तुरंत छह जेट्स में टूट जाते हैं। इस वातावरण में, डिटेक्टर छह अलग-अलग जेट्स का एक बादल देखता है, लेकिन वह यह नहीं बता सकता कि कौन से तीन पहले टॉप क्वार्क के हैं और कौन से तीन दूसरे के। क्योंकि टॉप क्वार्क भारी होता है और तेजी से क्षय होता है, इसलिए इसके द्वारा उत्पन्न जेट अक्सर एक साथ क्लस्टर (समूह) में होते हैं, जिससे अंतर करना और भी कठिन हो जाता है। शोधकर्ताओं ने इस छंटनी कार्य को एक अनुकूलन (ऑप्टिमाइज़ेशन) समस्या के रूप में माना, जिसमें कंप्यूटर से यह पूछा गया कि जेट्स का वह एकल समूह खोजे जो ऊर्जा और संवेग के नियमों के अनुसार सबसे अधिक भौतिक अर्थ रखता हो। उन्होंने कई अलग-अलग क्वांटम एल्गोरिदम का परीक्षण किया, जिसमें क्वांटम एप्रोक्सिमेशन ऑप्टिमाइज़ेशन एल्गोरिदम नामक एक विधि, एक फीडबैक-आधारित दृष्टिकोण जो वास्तविक समय में अपने चरणों को समायोजित करता है, और एक तकनीक शामिल है जो एक क्वांटम सिस्टम में समय के प्रवाह का अनुकरण करती है ताकि निम्नतम ऊर्जा अवस्था पाई जा सके।

यह देखने के लिए कि ये विधियाँ कितनी अच्छी तरह काम करती हैं, वैज्ञानिकों ने बारह हजार टकराव की घटनाओं के डेटासेट पर सिमुलेशन चलाया। उन्होंने क्वांटम एल्गोरिदम की तुलना दो स्थापित बेंचमार्क के विरुद्ध की: एक पारंपरिक किनेमैटिक विधि जिसे 'हेमिस्फीयर अप्रोच' कहा जाता है, जो केवल प्रत्येक समूह के द्रव्यमान को कम करने का प्रयास करती है, और एक परिष्कृत मशीन लर्निंग नेटवर्क जिसे SPANet कहा जाता है जिसे लाखों उदाहरणों पर प्रशिक्षित किया गया है। परिणाम आश्चर्यजनक थे। क्वांटम एल्गोरिदम, विशेष रूप से फीडबैक-आधारित विधि और अनुकूलन एल्गोरिदम का एक संस्करण, लगभग 79 प्रतिशत घटनाओं में जेट्स के सही समूह को सफलतापूर्वक पहचानने में सक्षम रहे। इसने उन्नत मशीन लर्निंग नेटवर्क के प्रदर्शन का मुकाबला किया और पारंपरिक हेमिस्फीयर विधि से काफी बेहतर प्रदर्शन किया, जो केवल 50 प्रतिशत समय ही सफल हो पाई थी।

इस खोज को जो बात विशेष रूप से दिलचस्प बनाती है वह यह है कि क्वांटम विधियों ने ये परिणाम कैसे प्राप्त किए। मशीन लर्निंग दृष्टिकोण के विपरीत, जिसे वास्तविक घटनाओं पर उपयोग करने से पहले सिम्युलेटेड डेटा के एक विशाल पुस्तकालय पर प्रशिक्षित होना पड़ा था, क्वांटम एल्गोरिदम को किसी भी प्रशिक्षण की आवश्यकता नहीं थी। इसके बजाय, उन्होंने प्रत्येक व्यक्तिगत टकराव की घटना के लिए समाधान की गणना की, और उस विशिष्ट क्षण के लिए अपने आंतरिक मापदंडों को समायोजित किया। इसका अर्थ यह है कि यदि टकराव का भौतिक विज्ञान थोड़ा बदल जाता है, तो क्वांटम एल्गोरिदम को पुन: प्रशिक्षित करने की आवश्यकता नहीं होगी; यह तुरंत नई स्थितियों के अनुकूल हो जाएगा। अध्ययन में यह भी पाया गया कि ये क्वांटम विधियां विभिन्न प्रकार के टकरावों में मजबूत थीं, और अलग-अलग गति से चलने वाले कणों के मामले में भी अच्छा प्रदर्शन किया, जो अक्सर सरल विधियों को भ्रमित कर देता है।

शोधकर्ताओं ने सावधानीपूर्वक नोट किया कि हालांकि ये परिणाम आशाजनक हैं, लेकिन ये आदर्श डेटा के सिमुलेशन पर आधारित हैं, जहाँ डिटेक्टर के प्रभावों और कणों के शोर-शराबे वाले विवरणों को सरल बनाया गया है। वास्तविक दुनिया में, भौतिक हार्डवेयर के शोर और सीमाएं एक महत्वपूर्ण बाधा पेश करती हैं। अध्ययन में उपयोग किए गए क्वांटम सर्किट अपेक्षाकृत छोटे थे, जिनमें केवल छह क्यूबिट्स (क्वांटम सूचना की बुनियादी इकाइयाँ) शामिल थे। जैसे-जैसे टकराव में कणों की संख्या बढ़ती है, समस्या की जटिलता तेजी से बढ़ती है, और भार को संभालने के लिए क्वांटम सर्किट को बहुत गहरा और जटिल होना पड़ेगा। लेखक बताते हैं कि वर्तमान क्वांटम कंप्यूटर अभी भी विकास के प्रारंभिक चरण में हैं, जो त्रुटियों और शोर के प्रति संवेदनशील हैं जो नाजुक गणनाओं को बाधित कर सकते हैं। हालांकि, यह अध्ययन एक 'प्रूफ ऑफ कॉन्सेप्ट' के रूप में कार्य करता है, जो यह प्रदर्शित करता है कि इन समस्याओं को हल करने के लिए गणितीय ढांचा मौजूद है और क्वांटम कंप्यूटर, सिद्धांत रूप में, उच्च दक्षता के साथ कण टकराव के जटिल परिदृश्य को नेविगेट कर सकते हैं।

यह कार्य यह भी रेखांकित करता है कि भविष्य में वैज्ञानिक डेटा विश्लेषण के प्रति अपने दृष्टिकोण में कैसे बदलाव ला सकते हैं। जबकि मशीन लर्निंग भौतिकी में एक प्रमुख उपकरण बन गया है, यह इस धारणा पर बहुत अधिक निर्भर करता है कि जो डेटा यह प्रशिक्षण के दौरान देखता है, वह बिल्कुल वैसा ही होगा जैसा कि यह बाद में सामना करेगा। यदि वास्तविक दुनिया सिमुलेशन की तुलना में अलग व्यवहार करती है, तो मॉडल विफल हो सकता है। क्वांटम दृष्टिकोण एक अलग मार्ग प्रदान करता है, जो पिछले डेटा से पैटर्न पहचान के बजाय मौलिक भौतिक सिद्धांतों पर निर्भर करता है। जैसे-जैसे प्रयोग अधिक जटिल होते जा रहे हैं और डेटा को सटीक रूप से सिम्युलेट करना कठिन होता जा रहा है, यह एक महत्वपूर्ण लाभ हो सकता है। अध्ययन सुझाव देता है कि जैसे-जैसे क्वांटम हार्डवेयर परिपक्व होगा, ये एल्गोरिदम भौतिकविदों के टूलकिट का एक मानक हिस्सा बन सकते हैं, जो उच्च-ऊर्जा टकरावों के अराजक शोर से स्पष्ट संकेतों को निकालने का एक तरीका प्रदान करेंगे।

अंततः, यह शोध यह दावा नहीं करता है कि इसने कण पुनर्गठन की समस्या को हल कर लिया है या सभी शास्त्रीय कंप्यूटिंग विधियों पर निर्णायक बढ़त प्रदर्शित की है। तुलना के लिए उपयोग किए गए शास्त्रीय एल्गोरिदम, जैसे कि 'टाबू सर्च' नामक खोज तकनीक, इस विशिष्ट, छोटे पैमाने की समस्या पर क्वांटम विधियों के लगभग समान प्रदर्शन करते हैं। इस अध्ययन का वास्तविक मूल्य यह दिखाने में निहित है कि क्वांटम एल्गोरिदम एक व्यवहार्य और अनुकूलनीय विकल्प हैं जिन्हें भारी प्रशिक्षण की आवश्यकता नहीं है। यह भविष्य के अन्वेषण के लिए एक द्वार खोलता है, यह सुझाव देते हुए कि जैसे-जैसे क्वांटम तकनीक में सुधार होगा, यह उप-परमाणु दुनिया के सबसे जटिल रहस्यों को सुलझाने का एक अनूता और शक्तिशाली तरीका प्रदान कर सकता है, जिससे कण टकराव के अराजक छिड़काव को एक स्पष्ट और समझने योग्य कहानी में बदला जा सके।