Quantum Encoding of Structured Data with Matrix Product States
यह शोध पत्र प्रदर्शित करता है कि मैट्रिक्स प्रोडक्ट स्टेट्स (MPS) तकनीकें क्वांटम कंप्यूटरों पर चिकित्सा छवियों जैसे संरचित डेटा की तैयारी को कम-गहराई वाले सर्किटों के साथ उच्च निष्ठा (fidelity) से सक्षम बनाती हैं, जिससे मनमाने एम्प्लीट्यूड एनकोडिंग से जुड़ी विशिष्ट घातांकीय गेट जटिलता (exponential gate complexity) पर विजय प्राप्त होती 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
क्वांटम कंप्यूटर उन समस्याओं को हल करने का वादा करते हैं जो वर्तमान में क्लासिकल मशीनों के लिए असंभव हैं, लेकिन उन्हें शुरू करने से पहले ही उन्हें एक मौलिक बाधा का सामना करना पड़ता है: उनके भीतर सही जानकारी प्राप्त करना। गणना करने के लिए, एक क्वांटम कंप्यूटर को पहले क्लासिकल डेटा—संख्याओं, छवियों या फलनों (functions)—को अपनी क्वांटम अवस्था में लोड करना चाहिए। यह प्रक्रिया, जिसे 'स्टेट प्रिपरेशन' (state preparation) कहा जाता है, अत्यंत कठिन है। क्योंकि प्रत्येक जोड़े गए कण के साथ एक क्वांटम सिस्टम की संभावनाओं का स्थान तेजी से बढ़ता है, एक जटिल, असंरचित डेटासेट को लोड करने के लिए आमतौर पर एक ऐसा सर्किट चाहिए होता है जो इतना गहरा और जटिल हो कि उसे चलाने में ब्रह्मांड की आयु से भी अधिक समय लग जाए। यह बाधा उस गति लाभ को शून्य करने का खतरा पैदा करती है जो क्वांटम कंप्यूटर वित्त, चिकित्सा और मशीन लर्निंग जैसे क्षेत्रों में प्रदान करते हैं। इसलिए, चुनौती न केवल तेज़ मशीनें बनाने की है, बल्कि डेटा की विशाल मात्रा को एक ऐसे क्वांटकल फॉर्मेट में कंप्रेस करने का तरीका खोजने की है जो जल्दी और सटीक रूप से लोड करने के लिए पर्याप्त सरल हो।
वेस्टर्न ऑस्ट्रेलिया विश्वविद्यालय के शोधकर्ताओं ने कई वास्तविक दुनिया के डेटासेट्स में पाई जाने वाली छिपी हुई संरचना का लाभ उठाकर इस बाधा को दूर करने के लिए एक नई विधि विकसित की है। एक क्वांटम कंप्यूटर को किसी छवि के हर एक पिक्सेल या किसी जटिल फलन के हर मान को याद रखने के लिए मजबूर करने के बजाय, वे 'मैट्रिक्स प्रोडक्ट स्टेट' नामक एक गणितीय तकनीक का उपयोग करते हैं। इसे एक लंबे, जटिल डेटा स्ट्रिंग को छोटे, जुड़े हुए टुकड़ों में तोड़कर वर्णित करने के तरीके के रूप में समझें, जिन्हें केवल अपने निकटतम पड़ोसियों को याद रखने की आवश्यकता होती है, न कि पूरी स्ट्रिंग को एक साथ। यह दृष्टिकोण इसलिए काम करता है क्योंकि कई प्राकृतिक घटनाएं, जैसे कि गणितीय फलन के सुचारू वक्र (curves) से लेकर मेडिकल स्कैन के पैटर्न तक, यादृच्छिक या अराजक (chaotic) संबंधों वाली नहीं होती हैं; उनमें एक सीमित, स्थानीय संरचना होती जिसे एक पूर्ण, असंरचित विवरण की तुलना में बहुत कम संसाधनों के साथ कैप्चर किया जा सकता है।
जोष ग्रीन और जिंगबो वांग के नेतृत्व में टीम ने प्रदर्शित किया कि यह कंप्रेशन तकनीक उन्हें उल्लेखनीय गति और सटीकता के साथ जटिल फलनों और छवियों का प्रतिनिधित्व करने वाली क्वांटम अवस्थाओं को तैयार करने की अनुमति देती है। उन्होंने एक विशिष्ट एल्गोरिदम पर ध्यान केंद्रित किया जिसे 'मैट्रिक्स प्रोडक्ट डिसेंटैंगलर' (Matrix Product Disentangler) कहा जाता है, जो एक रिवर्स-इंजीनियरिंग टूल की तरह कार्य करता है। यह एक लक्षित डेटासेट लेता है और उसे बनाने के लिए आवश्यक क्वांटम ऑपरेशन्स के सबसे सरल क्रम का पता लगाता है। हालाँकि, यह प्रारंभिक टूल अपने आप में पूर्ण नहीं है। परिणाम को परिष्कृत करने के लिए, शोधकर्ताओं ने इसे 'टेंसर नेटवर्क ऑप्टिमाइजेशन' (tensor network optimization) नामक दूसरे चरण के साथ जोड़ा। यह प्रक्रिया एक फाइन-ट्यूनिंग तंत्र के रूप में कार्य करती है, जो त्रुटियों को कम करने और सटीकता को पूर्णता के करीब ले जाने के लिए क्वांटम सर्किट के मापदंडों को समायोजित करती है। परिणाम एक ऐसी विधि है जो आज की अपूर्ण मशीनों, जिन्हें NISQ डिवाइस कहा जाता है, पर चलाने के लिए पर्याप्त उथले (shallow) सर्किट का उपयोग करके डेटा को क्वांटम कंप्यूटर में लोड कर सकती है।
शोधकर्ताओं ने विभिन्न प्रकार के गणितीय फलनों पर अपने दृष्टिकोण का परीक्षण किया, जिनमें तीखे ब्रेक, अचानक उछाल और अनियमित आकार शामिल थे जो आमतौर पर क्वांटम एल्गोरिदम को भ्रमित कर देते हैं। उन्होंने पाया कि उन फलनों के लिए जो पूरी तरह से यादृच्छिक नहीं हैं—जैसे कि लो-डिग्री पॉलिनोमिअल्स, रूट फंक्शन्स और लॉगरिदमिक कर्व्स—उनकी विधि उस क्वांटम अवस्था को 99.99 प्रतिशत से अधिक सटीकता के साथ तैयार कर सकती है। यह स्तर सटीकता केवल कुछ सौ चरणों गहरे सर्किटों का उपयोग करके प्राप्त की जाती है, जो आमतौर पर आवश्यक लाखों चरणों की तुलना में एक बड़ी कमी है। टीम ने दिखाया कि विच्छिन्नता (discontinuities) वाले फलनों के लिए भी, जहाँ मान अचानक बदल जाता है, यह विधि मजबूत बनी रहती है, बशर्ते डेटा की समग्र संरचना बहुत अधिक अराजक न हो।
इस क्षमता का सबसे प्रभावशाली प्रदर्शन एक वास्तविक दुनिया की मेडिकल इमेज में शामिल था। शोधकर्ताओं ने चेस्ट-एमनिस्ट (ChestMNIST) डेटासेट से 128 गुणा 128 पिक्सेल की एक छवि ली, जिसमें फेफड़ों की स्थितियों के निदान के लिए उपयोग किए जाने वाले चेस्ट एक्स-रे शामिल हैं। उन्होंने केवल 14 क्यूबिट्स का उपयोग करके इस छवि को एक क्वांटम अवस्था में सफलतापूर्वक एनकोड किया। परिणामी क्वांटम सर्किट, जिसमें केवल 425 बुनियादी ऑपरेशन थे, ने 99.2 प्रतिशत से अधिक की फिडेलिटी (fidelity) के साथ छवि का पुनर्निर्माण किया। इसका अर्थ है कि क्वांटम अवस्था ने मूल मेडिकल स्कैन की लगभग पूर्ण प्रतिलिपि धारण की थी। इस प्रयोग की सफलता महत्वपूर्ण है क्योंकि यह सिद्ध करता है कि यह विधि केवल एक-आयामी गणितीय वक्रों को ही नहीं, बल्कि छवियों जैसे संरचित, दो-आयामी डेटा को भी संभाल सकती है।
हालाँकि, अध्ययन स्पष्ट रूप से इस दृष्टिकोण की सीमाओं को भी परिभाषित करता है। यह विधि इस बात पर निर्भर करती है कि डेटा में एक विशिष्ट प्रकार का क्रम हो, जहाँ डेटा के विभिन्न हिस्सों के बीच संबंध तेजी से घटते हों। जब शोधकर्ताओं ने पूरी तरह से यादृच्छिक डेटा या अत्यधिक जटिल, असंरचित शोर (noise) पर इस विधि का परीक्षण किया, तो सटीकता काफी गिर गई। एल्गोरिदम उस जानकारी को जादुई रूप से कंप्रेस नहीं कर सकता जिसमें कोई अंतर्निहित पैटर्न नहीं है; यदि डेटा वास्तव में अराजक है, तो उसे दर्शाने के लिए आवश्यक क्वांटम सर्किट मूल समस्या जितना ही गहरा और कठिन होगा। यह अंतर महत्वपूर्ण है: यह तकनीक संरचित डेटा के लिए एक शक्तिशाली उपकरण है, लेकिन यह हर प्रकार की सूचना के लिए सार्वभौमिक समाधान नहीं है।
शोधकर्ताओं ने अपने अनुकूलित (optimized) तरीके की तुलना डेटा लोड करने की अन्य ज्ञात तकनीकों से भी की। उन्होंने पाया कि जबकि अन्य विधियाँ सैद्धांतिक रूप रूप से समान सटीकता प्राप्त कर सकती हैं, वे अक्सर बहुत गहरे सर्किटों की आवश्यकता रखती हैं या उन्हें अतिरिक्त "एंसिला" (ancilla) क्यूबिट्स की आवश्यकता होती है जो अस्थायी स्टोरेज के रूप में कार्य करें, जिसे वर्तमान हार्डवेयर सपोर्ट नहीं कर सकता। इसके विपरीत, नई विधि बिना किसी अतिरिक्त क्यूबिट के उच्च सटीकता प्राप्त करती है और एक ऐसा सर्किट उपयोग करती है जिसकी गहराई डेटा के आकार के साथ रैखिक रूप से (linearly) बढ़ती है, जो इसे निकट भविष्य के लिए बहुत अधिक व्यावहारिक बनाती है। टीम ने नोट किया कि चेस्ट-एमनिस्ट इमेज के लिए, उनके अनुकूलित दृष्टिकोण ने एक सैद्धांतिक "सटीक" पद्धति के समान स्तर की सटीकता प्राप्त की, लेकिन एक ऐसा सर्किट जो लगभग चार गुना कम गहरा था।
व्यापक क्षेत्र के संदर्भ में, यह कार्य क्वांटम कंप्यूटिंग अनुप्रयोगों के लिए एक स्पष्ट मार्ग सुझाता है। यह इंगित करता है कि संरचित डेटा वाले कार्यों के लिए—जैसे कि भौतिकी समीकरणों को हल करने के लिए बाउंड्री कंडीशंस सेट करना, वित्तीय सिमुलेशन के लिए प्रोबेबिलिटी डिस्ट्रीब्यूशन तैयार करना, या मशीन लर्निंग के लिए छवियों को एनकोड करना—क्वांटम कंप्यूटर पहले की तुलना में बहुत जल्द उपयोगी हो सकते हैं। हाई-फिडेलिटी के साथ उथले सर्किटों का उपयोग करके डेटा लोड करने की क्षमता उस प्रमुख बाधा को हटा देती है जिसने कई क्वांटम एल्गोरिदम को वास्तविक हार्डवेयर पर परीक्षण करने से रोका है। हालाँकि यह विधि पूरी तरह से असंरचित डेटा को लोड करने की समस्या को हल नहीं करती है, लेकिन यह उन विशाल संरचित डेटासेट्स को संभालने के लिए एक अत्यधिक कुशल और संसाधन-अनुकूल तरीका प्रदान करती है जिनका उपयोग वैज्ञानिक और इंजीनियर वास्तव में करते हैं।
अध्ययन इस निष्कर्ष पर पहुँचता है कि डिसेंटैंगलिंग एल्गोरिदम और उसके बाद के ऑप्टिमाइजेशन का संयोजन वर्तमान क्वांटम तकनीक के युग के लिए एक बहुमुखी उपकरण बनाता है। यह शोधकर्ताओं को स्टेट प्रिपरेशन की सैद्धांतिक सीमाओं से आगे बढ़ने और वास्तविक दुनिया के डेटा के साथ व्यावहारिक प्रयोग शुरू करने की अनुमति देता है। यह दिखाकर कि 128 गुणा 128 की छवि को इतने उच्च फिडेलिटी के साथ कम संख्या में क्यूबिट्स पर एनकोड किया जा सकता है, यह कार्य एक ठोस उदाहरण प्रस्तुत करता है कि कैसे क्वांटम कंप्यूटर जल्द ही मेडिकल डेटा या वित्तीय मॉडल को प्रोसेस करने के लिए उपयोग किए जा सकते हैं। निष्कर्ष यह दावा नहीं करते हैं कि उन्होंने क्वांटम स्टेट प्रिपरेशन की हर समस्या को हल कर लिया है, लेकिन वे निकट भविष्य के अनुप्रयोगों के लिए सबसे प्रासंगिक विशिष्ट श्रेणी की संरचित समस्याओं के लिए एक विश्वसनीय, कुशल और सटीक विधि स्थापित करते हैं।
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।