Physics-inspired Generative AI models via real hardware-based noisy quantum diffusion

आर्टिफिशियल इंटेलिजेंस की तेजी से बदलती दुनिया में, एक विशेष प्रकार का कंप्यूटर प्रोग्राम उभरा है जो नई, मौलिक सामग्री बनाने में उत्कृष्ट है। ये सिस्टम, जिन्हें जेनेरेटिव मॉडल (generative models) के रूप में जाना जाता है, मौजूदा डेटा के संग्रह—जैसे कि हजारों फोटोग्राफ्स—के भीतर छिपे पैटर्न को सीखते हैं और फिर उस ज्ञान का उपयोग करके नए चित्र बनाते हैं जो बिल्कुल वास्तविक दिखते हैं। ऐसा करने के लिए सबसे शक्तिशाली तरीकों में से एक है जिसे डिफ्यूजन मॉडल (diffusion model) कहा जाता है। एक ऐसी प्रक्रिया की कल्पना करें जहाँ एक स्पष्ट छवि को धीरे-धीरे, चरण-दर-चरण, स्टैटिक नॉइज़ (static noise) में बदल दिया जाता है, जैसे टेलीविजन पर दिखने वाली बर्फ जैसी झिलमिलाहट। एक डिफ्यूजन मॉडल इस प्रक्रिया को उलटने (reverse करने) का काम सीखता है। इसे रैंडम शोर (random noise) से भरी एक स्क्रीन लेने और धीरे-धीरे उस अराजकता को हटाने के लिए प्रशिक्षित किया जाता है, ताकि एक सुसंगत चित्र उभर सके। यह तकनीक आधुनिक रचनात्मक तकनीक का एक आधार बन गई है, जो शानदार दृश्य और ध्वनियाँ उत्पन्न करने में सक्षम है।

साथ ही, वैज्ञानिक क्वांटम मैकेनिक्स के अजीब नियमों पर आधारित एक अलग प्रकार की कंप्यूटिंग शक्ति की खोज कर रहे हैं। उन कंप्यूटरों के विपरीत जिनका हम रोजमर्रा में उपयोग करते हैं, जो जानकारी को सरल ऑन या ऑफ स्विच के रूप में प्रोसेस करते हैं, क्वांटम कंप्यूटर ऐसे कणों का उपयोग करते हैं जो एक साथ कई अवस्थाओं में मौजूद हो सकते हैं। यह उन्हें कुछ जटिल समस्याओं को उन तरीकों से हल करने की अनुमति देता है जिन्हें क्लासिकल मशीनें नहीं कर सकतीं। हालाँकि, वर्तमान क्वांटम कंप्यूटर अभी भी अपने शुरुआती चरणों में हैं। वे छोटे, नाजुक और 'क्वांटम नॉइज़' नामक घटना के कारण होने वाली त्रुटियों के प्रति संवेदनशील हैं। यह शोर आमतौर पर गणनाओं को बाधित करता है, जिससे शोधकर्ताओं को इसे ठीक करने या छिपाने के लिए अपार संसाधन खर्च करने पड़ते हैं। एक नई शोध रेखा को प्रेरित करने वाला प्रश्न यह है कि क्या ये शोर वाले मशीनें अपनी खामियों के बावजूद कुछ उपयोगी कर सकती हैं, या क्या उन्हें उपयोगी होने के लिए पूर्ण होने तक प्रतीक्षा करनी होगी।

फ्लोरेंस विश्वविद्यालय और अन्य संस्थानों के शोधकर्ताओं की एक टीम ने इस प्रश्न का उत्तर देने के लिए एक साहसी कदम उठाया है। अपने क्वांटम कंप्यूटर में शोर को खत्म करने के बजाय, उन्होंने इसे एक उपकरण के रूप में उपयोग करने का निर्णय लिया। उन्होंने एक नया तरीका विकसित किया जिससे एक इमेज-जेनरेटिंग एआई बनाया जा सके जो सीधे एक वास्तविक, अपूर्ण क्वांटम प्रोसेसर पर चलता है। उनका काम बताता है कि जिस क्वांटम शोर को आमतौर पर क्वांटम गणनाओं को तोड़ देता है, वह वास्तव में एक जेनेरेटिव मॉडल को विशुद्ध रूप से क्लासिकल दृष्टिकोण की तुलना में बेहतर चित्र बनाने में मदद कर सकता है। इस शोर को एक बग के रूप में नहीं, बल्कि एक विशेषता (feature) के रूप में मानकर, उन्होंने एक ऐसे हाइब्रिड आर्टिफिशियल इंटेलिजेंस के लिए मार्ग प्रदर्शित किया जो कल के हार्डवेयर का इंतजार करने के बजाय आज के उपलब्ध हार्डवेयर के साथ काम करता है।

शोधकर्ताओं ने शुरुआत में यह अध्ययन करके कि जानकारी एक नेटवर्क के माध्यम से कैसे चलती है। अपने मॉडल में, उन्होंने छवि के प्रत्येक पिक्सेल को एक मानचित्र पर यात्रा करने वाले यात्री के रूप में माना। एक मानक कंप्यूटर में, यह यात्री यादृच्छिक (randomly) रूप से चलता है, जैसे कि कोई व्यक्ति यह तय करने के लिए सिक्का उछाल रहा हो कि अगली गली कौन सी लेनी है। यह एक धीमी, विसरित (diffusive) प्रक्रिया है। हालाँकि, एक क्वांटम सिस्टम में, यात्री एक साथ कई स्थानों पर मौजूद हो सकता है, जो एक तरंग-नुमा पैटर्न (wave-like pattern) में मानचित्र के माध्यम से बहुत तेजी से फैलता है। टीम ने एक हाइब्रिड सिस्टम बनाया जहाँ यात्री का मूवमेंट क्लासिकल कंप्यूटर के धीमे, रैंडम स्टेप्स और क्वांटम कंप्यूटर के तेज, तरंग-नुमा प्रसार का मिश्रण है। उन्होंने पाया कि जब उन्होंने इन दोनों व्यवहारों को सही ढंग से संतुलित किया, तो सिस्टम छवियों की संभावनाओं को अधिक कुशलता से एक्सप्लोर करता है।

इसका परीक्षण करने के लिए, उन्होंने हस्तलिखित अंकों (handwritten digits) को उत्पन्न करने पर ध्यान केंद्रित किया, जो आर्टिफिशियल इंटेलिजेंस के लिए एक मानक परीक्षण है। उन्होंने मानक एआई प्रक्रिया के रैंडम नॉइज़ इंजेक्शन स्टेप को अपने नए क्वांटम-प्रेरित तरीके से बदल दिया। अपने अध्ययन के पहले भाग में, उन्होंने यह देखने के लिए कि क्वांटम और क्लासिकल व्यवहार के विभिन्न मिश्रण कैसे प्रदर्शन करते हैं, शक्तिशाली क्लासिकल कंप्यूटरों पर इस प्रक्रिया का अनुकरण (simulate) किया। उन्होंने पाया कि एक विशिष्ट मिश्रण, जहाँ क्वांटम प्रभाव मौजूद थे लेकिन अत्यधिक नहीं थे, ने सर्वोत्तम परिणाम दिए। इस हाइब्रिड पद्धति द्वारा उत्पन्न चित्र वास्तविक प्रशिक्षण डेटा के सांख्यिकीय रूप से अधिक करीब थे। यह सिस्टम अधिक सुसंगत भी था, जो कई अलग-अलग प्रयासों में विश्वसनीय रूप से उच्च गुणवत्ता वाले परिणाम उत्पन्न करता था।

इन सिमुलेशन से उत्साहित होकर, टीम अगले चरण की ओर बढ़ी: वास्तविक हार्डवेयर पर प्रयोग चलाना। उन्होंने IBM के एक वास्तविक क्वांटम प्रोसेसर का उपयोग किया, जो एक ऐसी मशीन है जिसमें वर्तमान में केवल कुछ सौ क्यूबिट्स (qubits), जो क्वांटम सूचना की बुनियादी इकाइयाँ हैं, मौजूद हैं। यह विशिष्ट मशीन 'नॉइज़ी' (noisy) मानी जाती है, जिसका अर्थ है कि इसकी गणना अक्सर वातावरण के कारण बाधित होती है। शोधकर्ताओं ने एक सर्किट डिजाइन किया जिसने छवियों को उत्पन्न करने के लिए केवल चार क्यूबिट्स का उपयोग किया। उन्होंने एक पिक्सेल के ग्रे शेड्स (gray shades) को आठ बिंदुओं के एक छोटे लूप या चक्र (cycle) के स्थानों पर मैप किया। क्वांटम कंप्यूटर ने एक ऐसी प्रक्रिया चलाई जहाँ "वॉकर" (walker) इस लूप के चारों ओर घूमता है, जिसमें मशीन का प्राकृतिक शोर डेटा को नियंत्रित तरीके से बिखेरने में मदद करता है।

परिणाम चौंकाने वाले थे। सीमाओं के बावजूद, क्वांटम कंप्यूटर ने हस्तलिखित अंकों की छवियां सफलतापूर्वक उत्पन्न कीं। हालांकि छवियां पूर्णतः सटीक नहीं थीं, लेकिन प्रयोग ने सिद्ध किया कि एक क्वांटम डिवाइस का उपयोग जेनेरेटिव मॉडल के फॉरवर्ड पार्ट को चलाने के लिए किया जा सकता है। शोधकर्ताओं ने पाया कि मशीन में निहित शोर ने डेटा को इस तरह से दूषित किया जिसे एआई बाद में उलटने (reverse करने) के लिए सीख सकता है। यह क्वांटम कंप्यूटिंग के सामान्य दृष्टिकोण से एक महत्वपूर्ण विचलन है, जहाँ वैज्ञानिक एक साफ सिग्नल प्राप्त करने के लिए शोर को दबाने में वर्षों बिताते हैं। यहाँ, शोर इस प्रक्रिया का इंजन था।

अध्ययन ने इस दृष्टिकोण के व्यावहारिक लाभों को भी रेखांकित किया। क्योंकि मॉडल का क्वांटम हिस्सा केवल एक पिक्सेल के तीव्रता स्तरों (intensity levels) को संभालने की आवश्यकता रखता था, इसलिए आवश्यक क्यूबिट्स की संख्या छवि के आकार के साथ नहीं बढ़ी। वे केवल चार क्यूबिट्स का उपयोग करके पूर्ण 28-बाय-28 पिक्सेल की छवियां उत्पन्न करने में सक्षम थे। यह स्केलेबिलिटी (scalability) बताती है कि छोटे, शोर वाले क्वांटम कंप्यूटर भी अंततः बहुत बड़ी और अधिक जटिल छवियां उत्पन्न करने में योगदान दे सकते हैं। टीम ने उल्लेख किया कि यद्यपि वास्तविक हार्डवेयर से उत्पन्न छवियां उनके सिमुलेशन की तुलना में थोड़ी कम शार्प थीं, लेकिन मशीन की भौतिक बाधाओं को देखते हुए यह अंतर समझ में आता है।

अंततः, यह कार्य क्वांटम आर्टिफिशियल इंटेलिजेंस के भविष्य के लिए एक नया दृष्टिकोण प्रदान करता है। यह इस विचार को चुनौती देता है कि क्वांटम कंप्यूटरों को उपयोगी होने से पहले पूर्ण होना चाहिए। यह दिखाकर कि एक वास्तविक क्वांटम डिवाइस के शोर का उपयोग उत्पन्न डेटा की गुणवत्ता में सुधार करने के लिए किया जा सकता है, शोधकर्ताओं ने एक नए प्रकार के हाइब्रिड कंप्यूटिंग का द्वार खोल दिया है। उनके निष्कर्ष बताते हैं कि निकट भविष्य में, हमें क्वांटम एआई के लाभ देखने के लिए त्रुटि-मुक्त क्वांटम मशीनों की प्रतीक्षा करने की आवश्यकता नहीं हो सकती है। इसके बजाय, हम आज ऐसे सिस्टम बनाना शुरू कर सकते हैं जो तकनीक की अपूर्ण और शोर वाली प्रकृति को अपनाकर कुछ नया और उपयोगी बना सकें। आगे का मार्ग इन विधियों को परिष्कृत करने में निहित है, शायद विभिन्न मशीनों में विशिष्ट प्रकार के शोर को बेहतर ढंग से समझकर, लेकिन मूल विचार—कि शोर एक बाधा के बजाय एक संसाधन हो सकता है—सिद्ध हो चुका है।