Fast Quantum Amplitude Encoding of Typical Classical Data

क्वांटम कंप्यूटर कुछ विशेष समस्याओं को ऐसी गति से हल करने का वादा करते हैं जिसे क्लासिकल मशीनें आसानी से नहीं पकड़ सकतीं। इस नए शस्त्रागार में सबसे शक्तिशाली उपकरणों में से एक क्वांटम फूरियर ट्रांसफॉर्म है, जो एक गणितीय संचालन है जो अपने क्लासिकल समकक्ष की तुलना में डेटा में पैटर्न का विश्लेषण घातांकीय रूप से तेजी से कर सकता है। यह क्षमता क्रिप्टोग्राफी से लेकर मेडिकल इमेजिंग तक के क्षेत्रों के लिए अपार क्षमता रखती है। हालांकि, इस क्षमता को साकार करने के मार्ग में एक महत्वपूर्ण बाधा खड़ी है। इससे पहले कि एक क्वांटम कंप्यूटर इन बिजली जैसी तेज गणनाओं को कर सके, इसे जिस डेटा को प्रोसेस करने की आवश्यकता है, उसे बिट्स और बाइट्स की क्लासिकल दुनिया से क्यूबिट्स की क्वांटम दुनिया में अनुवादित किया जाना चाहिए। यह अनुवाद प्रक्रिया, जिसे स्टेट प्रिपरेशन (state preparation) कहा जाता है, ऐतिहासिक रूप से एक धीमी और बोझिल बाधा रही है। यदि डेटा लोड करने में लगने वाला समय क्वांटम कंप्यूटर द्वारा गणना के दौरान बचाए गए समय से अधिक है, तो पूरा लाभ समाप्त हो जाता है। विशाल डेटासेट के लिए, जैसे कि उपग्रहों द्वारा कैप्चर की गई विस्तृत छवियां, यह लोडिंग समस्या एक प्रमुख बाधा रही है।

जर्मन एयरोस्पेस सेंटर और कोलोन विश्वविद्यालय के शोधकर्ताओं की एक टीम ने इस बाधा को दूर करने के लिए एक नई विधि विकसित की है, जो क्लासिकल डेटा को पहले की तुलना में बहुत तेजी से क्वांटम अवस्था में लोड करने का एक तरीका प्रदान करती है। उनका दृष्टिकोण 'एम्प्लीट्यूड एनकोडिंग' (amplitude encoding) नामक एक तकनीक पर केंद्रित है, जहाँ एक क्लासिकल वेक्टर के मानों को एक क्वांटम अवस्था की संभावनाओं, या आयामों (amplitudes) के रूप में संग्रहीत किया जाता है। शोधकर्ताओं ने एक मौजूदा प्रोटोकॉल में सुधार करते हुए डेटा को समानांतर (parallel) रूप से संभालने का एक चतुर तरीका पेश किया और एनकोडिंग की सफलता दर को बढ़ाने के लिए 'एम्प्लीट्यूड एम्प्लीफिकेशन' (amplitude amplification) नामक एक गणितीय ट्रिक का उपयोग किया। अपने सिमुलेशन में, इस नई विधि ने क्वांटम अवस्था को तैयार करने के लिए आवश्यक समय को डेटा के आकार के साथ रैखिक संबंध से घटाकर एक बहुत ही अनुकूल स्केलिंग में बदल दिया। विशिष्ट, यादृच्छिक रूप से वितरित डेटा के लिए, सूचना को लोड करने के लिए आवश्यक समय बहुत धीरे बढ़ता है, जो $O(\log^{1.5} N)$ के पैटर्न का पालन करता है, जो सामान्य इनपुट के लिए पहले की तुलना में काफी बेहतर है।

मुख्य चुनौती आधुनिक अनुप्रयोगों में शामिल डेटा की विशाल मात्रा है। सिंथेटिक अपर्चर रडार उपग्रह के एक एकल डेटासेट पर विचार करें, जिसमें पृथ्वी की सतह के मानचित्र का प्रतिनिधित्व करने वाले अरबों व्यक्तिगत नमूने हो सकते हैं। इसे क्वांटम कंप्यूटर पर प्रोसेस करने के लिए, उस विशाल ऐरे के प्रत्येक एकल नंबर को क्वांटम अवस्था में परिवर्तित किया जाना चाहिए। इसे करने के लिए पिछले तरीके अक्सर बहुत धीमे थे, जिनमें चरणों की संख्या डेटा के आकार के साथ सीधे बढ़ती थी, जिससे क्वांटम प्रोसेसर का गति लाभ प्रभावी रूप से समाप्त हो जाता था। नया एल्गोरिदम डेटा वेक्टर के कई प्रविष्टियों को एक साथ एनकोड करने की अनुमति देकर इस समस्या का समाधान करता है। शोधकर्ताओं ने एक पैरामीटर पेश किया है जो यह नियंत्रित करता है कि कितने डेटा को एक साथ समानांतर में प्रोसेस किया जा सकता है। इस पैरामीटर को समायोजित करके, वे क्वांट-कंप्यूटर को आवश्यक मेमोरी की मात्रा और डेटा लोड करने की गति के बीच संतुलन बना सकते हैं।

प्रक्रिया एक क्लासिकल कंप्यूटर के साथ शुरू होती है जो क्वांटम मशीन के लिए डेटा तैयार करता है। यह इनपुट नंबरों को एक विशिष्ट बाइनरी फॉर्मेट में परिवर्तित करता है जिसे क्वांटम सर्किट समझ सके। यह प्री-प्रोसेसिंग चरण अत्यधिक कुशल है और इसे सभी डेटा पॉइंट्स के लिए समानांतर में किया जा सकता है। एक बार जब डेटा तैयार हो जाता है, तो क्वांटम सर्किट कार्यभार संभाल लेता है। यह अवस्थाओं के एक समान सुपरपोजिशन (uniform superposition) को एक भारित (weighted) अवस्था में बदलने के लिए नियंत्रित रोटेशन की एक श्रृंखला का उपयोग करता है, जहाँ भार मूल डेटा के मानों के अनुरूप होते हैं। इस कार्य में एक प्रमुख नवाचार एम्प्लीट्यूड एम्प्लीफिकेशन का उपयोग है। इस प्रोटोकॉल के मूल संस्करण में, सर्किट केवल तभी सही परिणाम उत्पन्न करेगा यदि एक विशिष्ट माप (measurement) एक विशेष परिणाम देता है, जो एक निश्चित "घनत्व" (density) के बराबर प्रायिकता के साथ होता है। यदि माप विफल हो जाता है, तो पूरी प्रक्रिया को फिर से शुरू करना पड़ता है। नया तरीका ग्रोवर के सर्च एल्गोरिदम (Grover's search algorithm) के समान एक तकनीक का उपयोग करता है ताकि सही परिणाम की प्रायिकता को बढ़ाया जा सके, जिससे सर्किट को चलाने की संख्या को रैखिक संख्या से घटाकर उसके वर्गमूल (square root) तक कम किया जा सके। यह द्विघातीय गति-वृद्धि (quadratic speed-up) मुख्य कारण है जिससे पूरी प्रक्रिया बहुत अधिक तेज हो जाती है।

शोधकर्ताओं ने अपने सिद्धांत का परीक्षण न केवल यादृच्छिक नंबरों के साथ, बल्कि वास्तविक दुनिया के डेटा के साथ भी किया। उन्होंने सेंटिनल-1A उपग्रह की छवियों का विश्लेषण किया, जो पृथ्वी के विस्तृत रडार दृश्य कैप्चर करता है। इन बड़ी छवियों को छोटे क्षेत्रों में विभाजित करके और प्रत्येक के लिए डेटा घनत्व की गणना करके, उन्होंने पाया कि वास्तविक दुनिया के डेटा का औसत व्यवहार यादृच्छिक इनपुट के सैद्धांतिक भविष्यवाणियों के करीब था। इन छवियों में डेटा का घनत्व इतना कम था कि नया एल्गोरिदम डेटा के आकार $O(\log^{1.5} N)$ के साथ सूचना को क्वांटम अवस्था में लोड कर सकता है। इसका अर्थ यह है कि जैसे-जैसे छवियां बड़ी होती जाती हैं, उन्हें क्वांटम कंप्यूटर में लोड करने में लगने वाला समय बहुत धीरे बढ़ता है, हालांकि यह शुद्ध लॉगरिदमिक स्केलिंग जितना धीमा नहीं है। यह निष्कर्ष महत्वपूर्ण है क्योंकि यह सुझाव देता है कि अब इन विशाल डेटासेट पर क्वांटम फूरियर ट्रांसफॉर्म को वास्तविक गति लाभ के साथ लागू किया जा सकता है, जिससे वह घातांकीय गति-वृद्धि बनी रहती है जो क्वांटम एल्गोरिदम को इतना शक्तिशाली बनाती है।

हालाँकि इस विधि को समानांतर में संचालित करने के लिए बड़ी संख्या में सहायक क्यूबिट्स (auxiliary qubits) की आवश्यकता होती है, शोधकर्ता नोट करते हैं कि यह एक प्रबंधनीय समझौता है। मुख्य क्वांटम रजिस्टर जो अंतिम एनकोडेड अवस्था को रखता है, वह मूल डेटा को संग्रहीत करने के लिए आवश्यक क्लासिकल मेमोरी की तुलना में घातांकीय रूप से छोटा है। यह संपीड़न क्वांटम कंप्यूटिंग के मौलिक लाभों में से एक है। डेटा को तेजी से लोड करने और फिर उसे क्वांटम फूरियर ट्रांसफॉर्म के साथ प्रोसेस करने की क्षमता इमेज विश्लेषण और मशीन लर्निंग में नए अनुप्रयोगों के द्वार खोलती है। उदाहरण के लिए, रूपांतरित डेटा का उपयोग सीधे अन्य क्वांटम एल्गोरिदम के लिए इनपुट के रूप में किया जा सकता है, बिना इसे मापने और वापस क्लासिकल रूप में बदले, जिससे गति का लाभ बना रहता है। अध्ययन पुख्ता संख्यात्मक साक्ष्य प्रदान करता है कि यह अनुकूल स्केलिंग जटिल, वास्तविक दुनिया के परिदृश्यों के लिए भी मान्य है, जो क्षेत्र को उन व्यावहारिक अनुप्रयोगों के करीब ले जाता है जहाँ क्वांटम कंप्यूटर वास्तव में अपने क्लासिकल समकक्षों से बेहतर प्रदर्शन कर सकते हैं।

यह कार्य सरल वास्तविक संख्याओं से आगे बढ़कर कॉम्प्लेक्स नंबर्स (complex numbers) को संभालने के लिए भी विस्तारित है, जो रडार में पाए जाने वाले सिग्नल प्रोसेसिंग जैसे कई कार्यों के लिए आवश्यक हैं। डेटा के परिमाण (magnitude) और फेज (phase) दोनों को अलग-अलग एनकोड करके, एल्गोरिदम इन अधिक जटिल इनपुट के लिए भी अपनी दक्षता बनाए रखता है। शोधकर्ता इस बात पर जोर देते हैं कि उनका दृष्टिकोण हर प्रकार के डेटा के लिए कोई जादुई समाधान नहीं है; गति-वृद्धि इनपुट की विशिष्ट विशेषताओं, जैसे कि इसके घनत्व पर निर्भर करती है। हालाँकि, डेटा के उस विशाल वर्ग के लिए जो यादृच्छिक वितरण की तरह व्यवहार करता है या जिसमें उपग्रह इमेजरी जैसी स्पार्स (sparse) और संरचित प्रकृति है, परिणाम आशाजनक हैं। अध्ययन प्रदर्शित करता है कि डेटा लोडिंग की लंबे समय से चली आ रही बाधा को काफी हद तक कम किया जा सकता है, जिससे क्वांटम एल्गोरिदम की सैद्धांतिक शक्ति को व्यवहार में साकार करने का मार्ग प्रशस्त होता है। यह सिद्ध करके कि विशिष्ट इनपुट के लिए औसत रनटाइम (runtime) सबसे खराब स्थिति (worst-case scenario) की तुलना में बहुत तेज है, शोधकर्ताओं ने भारी मात्रा में जानकारी को संभालने वाले वर्कफ़्लो में क्वांटम प्रोसेसिंग को एकीकृत करने के लिए एक स्पष्ट मार्ग प्रदान किया है।