An unconditional distribution learning advantage with shallow quantum circuits
यह शोध पत्र यह प्रदर्शित करके कि निरंतर-गहराई वाले क्वांटम सर्किट (QNC^0), गैर-स्थानीय सहसंबंधों (non-local correlations) का लाभ उठाकर एक विशिष्ट जनरेटिव डिस्ट्रीब्यूशन समस्या को निरंतर-गहराई वाले क्लासिकल सर्किट (NC^0) की तुलना में अधिक प्रभावी ढंग से सीख सकते हैं, प्रोबेबली एप्रोक्सिमेटली करेक्ट (PAC) डिस्ट्रीब्यूशन लर्निंग फ्रेमवर्क में एक बिना शर्त क्वांटम लाभ को सिद्ध 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
आधुनिक कंप्यूटिंग के विशाल परिदृश्य में, एक मौलिक प्रश्न लंबे समय से शोधकर्ताओं को विभाजित करता रहा है: क्या वे मशीनें जो क्वांटम भौतिकी के विचित्र नियमों का उपयोग करती हैं, वास्तव में उन क्लासिकल कंप्यूटरों से बेहतर प्रदर्शन कर सकती हैं जिनका हम प्रतिदिन उपयोग करते हैं, भले ही हमने अभी तक पूर्ण, त्रुटि-रहित क्वांटम उपकरण न बनाए हों? वर्षों तक, उत्तर कार्य की जटिलता पर निर्भर करता प्रतीत हुआ। जबकि क्वांटम कंप्यूटर अत्यधिक संरचित, अमूर्त समस्याओं में उत्कृष्ट होने के लिए जाने जाते हैं, मशीन लर्निंग—डेटा से पैटर्न पहचानने के लिए कंप्यूटर को सिखाने की कला—अक्सर वास्तविक दुनिया के अव्यवस्थित उदाहरणों से सामान्यीकरण करने पर निर्भर करती है। यह एक तनाव पैदा करता है। यदि एक क्वांटम कंप्यूटर गलतियाँ किए बिना गहरे, जटिल गणनाएँ चलाने के लिए बहुत नाजुक है, तो क्या वह उन सीखने के कार्यों में वास्तविक लाभ दे सकता है जो महत्वपूर्ण हैं? क्वांटम मशीन लर्निंग का क्षेत्र इसी को हल करने का प्रयास करता है, यह पूछते हुए कि क्या छोटे, सरल क्वांटम सर्किट कुछ ऐसा कर सकते हैं जो एक क्लासिकल कंप्यूटर बिल्कुल नहीं कर सकता, भले ही दोनों समान बुनियादी बाधाओं तक सीमित हों।
बर्लिन के शोधकर्ताओं की एक टीम ने अब इस प्रश्न का एक निर्णायक उत्तर प्रदान किया है, यह सिद्ध करते हुए कि बहुत उथले (shallow) क्वांटम सर्किट भी एक विशिष्ट प्रकार की सीखने की समस्या में अपने क्लासिकल समकक्षों पर एक बिना शर्त लाभ रखते हैं। यह अध्ययन उस परिदृश्य पर केंद्रित है जहाँ एक कंप्यूटर को डेटा का एक विशिष्ट पैटर्न बनाना सीखना होता है, अनिवार्य रूप से एक ऐसी मशीन के रूप में कार्य करना जो नए उदाहरण उत्पन्न करती है जो एक छिपे हुए स्रोत के बिल्कुल समान दिखते हैं। शोधकर्ताओं ने एक गणितीय पहेली का निर्माण किया जहाँ लक्ष्य एक ऐसे नियम को सीखना है जो यादृच्छिक इनपुट के एक सेट को एक विशिष्ट आउटपुट से जोड़ता है। उन्होंने प्रदर्शित किया कि एक क्वांटम कंप्यूटर, जो केवल कुछ परतों गहरा है और जिसमें क्वांटम बिट्स के बीच सरल अंतःक्रियाएं शामिल हैं, उस छिपे हुए पैरामीटर को सीखने में सक्षम है जो वितरण को परिभाषित करता है ताकि एक ऐसा जनरेटर बनाया जा सके जो लक्षित वितरण को शून्य त्रुटि के साथ उत्पन्न करे। इसके विपरीत, एक क्लासिकल कंप्यूटर, जो समान उथले डेप्थ और सीमित कनेक्शनों तक ही सीमित है, गणितीय रूप से इस कार्य में विफल होने के लिए सिद्ध होता है, चाहे उसे कितना भी डेटा दिया जाए।
इस खोज का मूल तत्व एक ज्ञात सैंपलिंग समस्या को एक लर्निंग चुनौती में बदलने की एक चतुर विधि है। शोधकर्ताओं ने "मेजॉरिटी मोड पी" (majority mod p) फंक्शन से जुड़ी एक अवधारणा से शुरुआत की, जो विशिष्ट नियमों के आधार पर डेटा को गिनने और वर्गीकृत करने का एक तरीका है। उन्होंने महसूस किया कि यदि वे एक मशीन को इस फंक्शन के छिपे हुए मापदंडों को सीखना सिखा सकें, तो वे क्वांटम और क्लासिकल क्षमताओं के बीच तुलना करने के लिए मजबूर कर सकते हैं। उन्होंने एक सीखने का कार्य डिजाइन किया जहाँ मशीन को इनपुट और आउटपुट के कई उदाहरण दिखाए जाते हैं और उसे छिपे हुए नियम को समझना होता है ताकि वह अपने आप नए, सही जोड़े बना सके। क्वांटम समाधान पदार्थ की एक विशेष अवस्था पर निर्भर करता जिसे जल्दी से तैयार किया जा सकता है, एक ऐसी अवस्था जो प्रणाली के दूरस्थ हिस्सों के बीच एक अद्वितीय प्रकार का संबंध बनाती है। यह संबंध, जिसे 'नॉन-लोकल कोरिलेशन' (non-local correlation) के रूप में जाना जाता है, क्वांटम सर्किट को डेटा की वैश्विक संरचना को पकड़ने की अनुमति देता है, जिसे एक क्लासिकल सर्किट, जो केवल छोटे, स्थानीय सूचना के टुकड़ों को एक समय में देख सकता है, नहीं कर सकता।
इसे ठोस बनाने के लिए, कल्पना करें कि सीखने के कार्य को स्विचों की एक लंबी श्रृंखला के आधार पर यह अनुमान लगाने के रूप में लिया जा रहा है कि लाइट चालू होगी या बंद होगी। शोधकर्ताओं ने दिखाया कि एक क्वांटम मशीन एक बहुत ही संक्षिप्त संचालन अनुक्रम का उपयोग करके कोड को परिभाषित करने वाले विशिष्ट पैरामीटर को सीख सकती है। यह पहले डेटा से छिपे हुए पैरामीटर की पहचान करके और फिर उस ज्ञान का उपयोग करके एक ऐसा क्वांटम सर्किट बनाने के माध्यम से करता है जो उस सर्किट के समान है जिसने लक्षित वितरण को बनाया था। यह सर्किट एक विशिष्ट क्वांटम अवस्था का उपयोग करता है जो एक अत्यधिक एंटैंगल्ड (entangled) अवस्था के "गरीब आदमी" के संस्करण की तरह कार्य करती है, जो एक ऐसा संसाधन है जिसे आमतौर पर बनाने के लिए गहरे, जटिल सर्किटों की आवश्यकता होती है। यह अवस्था क्वांटम मशीन को सभी स्विचों के सामूहिक व्यवहार को एक साथ महसूस करने की अनुमति देती है। जब शोधकर्ताओं ने क्लासिकल मशीनों की सीमाओं का परीक्षण किया, तो उन्होंने पाया कि समान गहराई और सीमित कनेक्शनों वाला कोई भी क्लासिक सर्किट वैश्विक पैटर्न के प्रति मौलिक रूप से अंधा था। चाहे क्लासिकल मशीन ने कितने भी उदाहरणों का अध्ययन किया हो, वह सही उत्तर के करीब एक निश्चित त्रुटि मार्जिन से अधिक नहीं पहुँच सकती थी। हालाँकि, क्वांटम मशीन शून्य त्रुटि तक पहुँच सकती थी, सटीक रूप से उस जनरेटर का पुनर्निर्माण करके जिसने मूल वितरण बनाया था।
इस परिणाम का महत्व यह है कि यह भविष्य की तकनीक के बारे में धारणाओं की आवश्यकता को समाप्त करता है। यह प्रमाण इस उम्मीद पर निर्भर नहीं है कि हम अंततः दोष-सहिष्णु (fault-tolerant) क्वांटम कंप्यूटर बनाएंगे जो घंटों तक बिना त्रुटियों के चल सकें। इसके बजाय, यह दिखाता है कि आज उपलब्ध, या निकट भविष्य में बनाए जाने वाले शोर वाले, अपूर्ण क्वांटम सर्किटों में भी एक सैद्धांतिक बढ़त है। शोधकर्ताओं ने पहचाना कि इस लाभ का स्रोत बहुत उथले सर्किटों में भी क्वांटम अवस्थाओं द्वारा इन नॉन-लोकल कोरिलेशन को बनाए रखने की क्षमता है। यह खोज इस निराशावादी दृष्टिकोण को चुनौती देती है कि त्रुटि सुधार हटा दिए जाने और सर्किटों को छोटा रखे जाने पर क्वांटम लाभ समाप्त हो जाते हैं। यह सुझाव देता है कि ऐसे सार्थक लर्निंग कार्य हैं जहाँ क्वांटम दृष्टिकोण न केवल तेज़ है, बल्कि समान गहराई वाले किसी भी क्लासिकल दृष्टिकोण की तुलना में मौलिक रूप से अधिक सक्षम है।
हालाँकि इस अध्ययन में हल की गई विशिष्ट समस्या चिकित्सा निदान या मौसम पूर्वानुमान जैसे सीधे अनुप्रयोग के बजाय एक सावधानीपूर्वक निर्मित गणितीय अभ्यास है, फिर भी यह एक महत्वपूर्ण सिद्धांत के प्रमाण (proof of principle) के रूप में कार्य करती है। यह स्थापित करता है कि क्वांटम और क्लासिकल लर्निंग के बीच का अंतर केवल गति का मामला नहीं है, बल्कि क्षमता का भी है। यह कार्य सिद्ध करता है कि कुछ अच्छी तरह से परिभाषित समस्याओं के लिए, एक उथला क्वांटम सर्किट उस वितरण के जनरेटर को सीख सकता है जिसे एक उथला क्लासिकल सर्किट नहीं सीख सकता। यह क्वांटम एल्गोरिदम की मध्यम अवधि की क्षमता के बारे में आशावाद के लिए एक ठोस आधार प्रदान करता है। यह सुझाव देता है कि त्रुटि-रहित क्वांटम कंप्यूटिंग के 'होली ग्रेल' को प्राप्त करने से पहले भी, ऐसे विशिष्ट, सार्थक कार्य हैं जहाँ क्वांटम उपकरण उन चीजों को कर सकते हैं जो क्लासिकल मशीनें, चाहे कितनी भी चतुराई से डिज़ाइन की गई हों, बिल्कुल नहीं कर सकतीं। अब आगे का मार्ग इन सैद्धांतिक लाभों को व्यावहारिक एल्गोरिदम में अनुवादित करने की ओर है जो वास्तविक दुनिया के असंरचित डेटा को संभाल सकें, लेकिन यह संभावना कि क्वांटम लर्निंग केवल एक भविष्य का सपना नहीं, बल्कि एक वर्तमान वास्तविकता है, इसका द्वार मजबूती से खुल गया 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।