Non-Markovianity and memory enhancement in Quantum Reservoir Computing

कल्पना कीजिए कि आप एक रोबोट को कहानी सुनाना सिखाने की कोशिश कर रहे हैं। इसे अच्छी तरह से करने के लिए, रोबोट को एक ऐसी स्मृति (मेमोरी) की आवश्यकता है जो न केवल उसके द्वारा सुनी गई पिछली पंक्ति को याद रखे, बल्कि दस पन्नों पहले आए कथानक के मोड़ (प्लॉट ट्विस्ट) को भी याद रखे। आर्टिफिशियल इंटेलिजेंस की दुनिया में, इसे "मेमोरी" कहा जाता है, और यह भाषा, संगीत या मौसम के पैटर्न जैसे समय-निर्भर डेटा को समझने के लिए एक गुप्त सूत्र है। दशकों से, वैज्ञानिकों ने इसे संभालने के लिए डिजिटल मस्तिष्क बनाए हैं, लेकिन वे ऊर्जा के भूखे हैं और उन्हें बड़े पैमाने पर विकसित करना कठिन है। यहाँ आता है क्वांटम रिज़र्वोयर कंप्यूटिंग (Quantum Reservoir Computing): सूचनाओं के एक "रिज़र्वोयर" (जलाशय) के रूप में सूक्ष्म क्वांटम कणों (क्यूबिट्स) का उपयोग करने का एक तरीका। इस रिज़र्वोयर को पानी के एक घूमते हुए कुंड के रूप में समझें; आप इसमें एक कंकड़ (इनपुट) डालते हैं, और लहरें (सिस्टम की स्थिति) सूचना को आगे ले जाती हैं। लक्ष्य अगली घटना की भविष्यवाणी करने के लिए उन लहरों को पढ़ना है।

हालाँकि, इन क्वांटम कुंडों के काम करने के तरीके में एक समस्या है। अधिकांश डिज़ाइन "मार्कोवियन" (Markovian) गतिकी पर निर्भर करते हैं, जो एक फैंसी तरीका है यह कहने का कि सिस्टम का ध्यान बहुत कम अवधि के लिए रहता है। यह एक गोल्डफिश (गोल्डफिश) की तरह है जो सतह पर पानी की एक नई बूंद गिरते ही सब कुछ भूल जाती है। इन प्रणालियों में, अतीत के बारे में जानकारी अविश्वसनीय गति से लुप्त हो जाती है, जैसे तूफान में खोई हुई एक फुसफुसाहट। यह शोध पत्र एक बड़ा सवाल पूछता है: क्या हम अपने क्वांटम रिज़र्वोयर को लंबी याददाश्त सिखा सकते हैं? क्या हम इसे दस मिलीसेकंड पहले गिराए गए कंकड़ के बजाय दस सेकंड पहले गिराए गए कंकड़ को याद रखने के योग्य बना सकते हैं? इसका उत्तर नॉन-मार्कोवियनिटी (non-Markovianity) नामक एक घटना में निहित है, जहाँ सिस्टम का भविष्य न केवल उसकी वर्तमान स्थिति पर, बल्कि उसके संपूर्ण इतिहास पर निर्भर करता है, जिससे सूचना अतीत से "वापस प्रवाहित" होने में सक्षम होती है।

---

गोल्डफिश बनाम समय-यात्रा करने वाली गूँज (The Goldfish vs. The Time-Traveling Echo)

इस अध्ययन में, स्पेन के IFIC के शोधकर्ताओं ने यह सिद्ध करने का प्रयास किया कि वर्तमान क्वांटम कंप्यूटरों की मानक "गोल्डफिश" जैसी स्मृति एक मौलिक सीमा है, न कि केवल एक त्रुटि। उन्होंने दिखाया कि किसी भी मानक क्वांटम रिज़र्वोयर में, जहाँ सिस्टम केवल तात्कालिक वर्तमान को देखता है (मार्कोवियन), अतीत के इनपुट को याद रखने की क्षमता तेजी से घटती है। यह ऐसा है जैसे रिज़र्वोयर में एक अंतर्निर्मित इरेज़र (मिटाने वाला) हो जो बहुत ही भयानक गति से स्लेट को साफ कर देता है। यदि आप रिज़र्वोयर से बहुत पहले के पैटर्न को याद करने के लिए कहते हैं, तो वह ऐसा नहीं कर पाता; सूचना वाष्पित हो चुकी होती है।

लेकिन टीम केवल समस्या बताने तक ही नहीं रुकी। उन्होंने प्रदर्शन किया कि नॉन-मार्कोवियन गतिकी को पेश करके, वे इस घातीय क्षय (exponential decay) को तोड़ सकते हैं। कल्पना कीजिए कि एक ऐसा रिज़र्वोयर जो लहरों को केवल फीका नहीं पड़ने देता, बल्कि जिसमें एक छिपा हुआ तंत्र है जो फीकी पड़ती लहरों को पकड़ता है और उन्हें वापस कुंड में भेज देता है। यह "सूचना का वापस प्रवाह" (information backflow) सिस्टम को दूर के अतीत के इनपुट के साथ संबंध बनाए रखने की अनुमति देता है, प्रभावी रूप से क्वांटम कंप्यूटर को एक सुपर-लॉन्ग मेमोरी प्रदान करता है।

"रेसिड्यूअल" ट्रिक: एक क्वांटम इको चैंबर

यह सिद्ध करने के लिए कि यह काम करता है, लेखकों ने पहले एक सैद्धांतिक मॉडल बनाया जिसे वे क्वांटम रेसिड्यूअल रिज़र्वोयर (Quantum Residual Reservoir) कहते हैं। इसे क्लासिकल AI के "रेसिड्यूअल नेटवर्क" के क्वांटम संस्करण के रूप में समझें, लेकिन एक ट्विस्ट के साथ। उनके सेटअप में, किसी भी क्षण में रिज़र्वोयर की स्थिति केवल वर्तमान इनपुट द्वारा निर्धारित नहीं होती है; बल्कि यह एक विशिष्ट समय के अतीत की स्थिति का मिश्रण भी होती है।

उन्होंने इस सिस्टम का अनुकरण एक "लुप्त होती स्मृति" (गोल्डफिश वाला हिस्सा) और एक "विलंबित पुनरुद्धार" (टाइम-ट्रैवल वाला हिस्सा) के साथ किया। जब उन्होंने इस पर एक ऐसे कार्य का परीक्षण किया जिसके लिए सिस्टम को 10 चरणों पहले के एक विशिष्ट इनपुट को याद रखने की आवश्यकता थी, तो परिणाम चौंकाने वाले थे। मानक मार्कोवियन संस्करण (जहाँ अतीत को भुला दिया जाता है) में, उस इनपुट को याद रखने की क्षमता कुछ ही चरणों के बाद शून्य के करीब पहुँच गई। हालाँकि, नॉन-मार्कोवियन संस्करण में, स्मृति क्षमता केवल फीकी नहीं पड़ी; बल्कि वह पुनर्जीवित (revive) हुई। उस विशिष्ट समय अंतराल पर जिसे उन्होंने प्रोग्राम किया था (10 चरण), सिस्टम ने अचानक इनपुट को फिर से "याद" किया, जिससे प्रदर्शन में उछाल आया। इसने सिद्ध किया कि नॉन-मार्कोवियनिटी उन कार्यों के लिए स्मृति को वापस चालू करने वाले एक स्विच के रूप में कार्य कर सकती है जिनमें अल्पकालिक और दीर्घकालिक दोनों प्रकार के फोकस की आवश्यकता होती है।

"एम्बेडेड" दृष्टिकोण: मेमोरी डायल को ट्यून करना

शोध पत्र का दूसरा भाग शुद्ध सिद्धांत से अधिक व्यावहारिक, प्रयोगात्मक रूप से अनुकूल डिज़ाइन की ओर बढ़ता है। यहाँ, उन्होंने एक एम्बेडिंग विधि (embedding method) का उपयोग किया। कल्पना कीजिए कि मुख्य रिज़र्वोयर एक छोटा कमरा है, और उन्होंने इसके साथ एक "मेमोरी रूम" (सहायक क्यूबिट्स) जोड़ दिया है। हर बार जब सिस्टम अपडेट होता है, तो वह इस मेमोरी रूम के साथ कुछ सूचना साझा करता है।

इस डिज़ाइन की बुद्धिमत्ता एक ट्यूनेबल डायल है जिसे $\Omega$ (ओमेगा) कहा जाता है।

• यदि आप $\Omega = 1$ सेट करते हैं, तो मेमोरी रूम को हर टाइम स्टेप पर साफ कर दिया जाता है। सिस्टम एक मानक गोल्डफिश की तरह व्यवहार करता है, और स्मृति तेजी से लुप्त हो जाती है।
• यदि आप $\Omega = 0$ सेट करते हैं, तो मेमोरी रूम अपनी स्थिति को पूरी तरह से बनाए रखता है, जिससे अतीत के साथ एक मजबूत संबंध बनता है।
• यदि आप $\Omega$ को मध्यम मान (जैसे 0.5) पर सेट करते हैं, तो आपको सूचना के आने-जाने का एक नियंत्रित प्रवाह प्राप्त होता है।

टीम ने इस सेटअप का परीक्षण मैकी-ग्लास सीरीज़ (Mackey-Glass series) नामक एक अराजक (chaotic) टाइम-सीरीज प्रेडिक्शन टास्क पर किया। यह एक अत्यंत कठिन पहेली है जहाँ भविष्य वर्तमान और दूर के अतीत के एक जटिल मिश्रण पर निर्भर करता है। जब उन्होंने सिमुलेशन चलाए:

• पूरी तरह से मार्कोवियन संस्करण ($\Omega = 1$) संघर्ष कर रहा था, जिससे उसका माध्य वर्ग त्रुटि (mean square error) $1.8 \cdot 10^{-2}$ था।
• ट्यूनेबल डायल वाले नॉन-मार्कोवियन संस्करण ($\Omega = 0.5$) ने काफी बेहतर प्रदर्शन किया, जिससे त्रुटि घटकर $6.8 \cdot 10^{-3}$ रह गई।
• दिलचस्प बात यह है कि अधिकतम नॉन-मार्कोवियनिटी वाले संस्करण ($\Omega = 0$) ने ट्यून्ड संस्करण की तुलना में खराब प्रदर्शन किया, जिसकी त्रुटि $2 \cdot 10^{-2}$ थी।

यह अंतिम बिंदु अत्यंत महत्वपूर्ण है: बहुत अधिक स्मृति होना हमेशा बेहतर नहीं होता। सिस्टम को सही संतुलन की आवश्यकता होती। "परफेक्ट" स्मृति केवल हमेशा सब कुछ याद रखने के बारे में नहीं है; यह सही समय पर सूचना के सही प्रवाह के बारे में है। सिमुलेशन बताते हैं कि एक मध्यम मात्रा में नॉन-मार्कोवियनिटी एक ऐसा 'स्वीट स्पॉट' बनाती है जहाँ रिज़र्वोयर अपने स्वयं के इतिहास से भ्रमित हुए बिना जटिल, लंबी दूरी के सहसंबंधों (correlations) को संभाल सकता है।

यह क्यों महत्वपूर्ण है

शोध पत्र निष्कर्ष निकालता है कि नॉन-मार्कोवियनिटी केवल भौतिकी की एक विचित्रता नहीं है, बल्कि क्वांटम मशीन लर्निंग के लिए एक महत्वपूर्ण संसाधन (resource) है। मानक मॉडलों की "गोल्डफिश" स्मृति से हटकर, हम ऐसे क्वांटम कंप्यूटर बना सकते हैं जो उन कार्यों के लिए बेहतर हों जिनमें दीर्घकालिक संदर्भ की आवश्यकता होती है, जैसे कि अराजक मौसम पैटर्न की भविष्यवाणी करना या जटिल भाषा संरचनाओं को समझना।

शोधकर्ता इस बात पर जोर देते हैं कि यह केवल क्वांटम कंप्यूटर को बड़ा बनाने के बारे में नहीं है (जो आमतौर पर स्मृति के लुप्त होने को केवल टाल देता है)। इसके बजाय, यह स्मृति की प्रकृति को बदलने के बारे में है। उन्होंने दिखाया कि ओपन क्वांटम सिस्टम में सूचना के प्राकृतिक "बैकफ्लो" का लाभ उठाकर, हम ऐसे रिज़र्वोयर्स बना सकते हैं जो उनके मार्कोवियन समकक्षों से बेहतर प्रदर्शन करते हैं। हालांकि वर्तमान परिणाम संख्यात्मक सिमुलेशन और सैद्धांतिक मॉडलों पर आधारित हैं, लेकिन इन सिस्टमों को बनाने का मार्ग स्पष्ट है: सहायक क्यूबिट्स और नियंत्रित इंटरैक्शन का उपयोग करके मेमोरी डायल को ट्यून करें। यह क्वांटम न्यूरल नेटवर्क की एक नई पीढ़ी के द्वार खोलता है जो केवल डेटा को प्रोसेस नहीं करते, बल्कि वास्तव में उसे याद रखते हैं।