Parametrized Quantum Circuit Learning for Quantum Chemical Applications

रसायनशास्त्रियों ने लंबे समय से अणुओं के व्यवहार की भविष्यवाणी करने के लिए शक्तिशाली कंप्यूटरों पर भरोसा किया है, जो अक्सर इलेक्ट्रॉनों की अदृश्य दुनिया को समझने के लिए अविश्वसनीय रूप से जटिल समीकरणों को हल करने की मांग करता है। दशकों से, ये गणनाएँ शास्त्रीय (क्लासिकल) कंप्यूटरों का क्षेत्र रही हैं, जो जानकारी को एक सीधे, चरण-दर-चरण तरीके से संसाधित करते हैं। हालाँकि, एक नया मोर्चा उभरा है जहाँ वैज्ञानिक इन रासायनिक पहेलियों को हल करने के लिए क्वांटम मैकेनिक्स के विचित्र नियमों—उस भौतिकी का जो सबसे छोटे कणों को नियंत्रित करती है—का उपयोग करने का प्रयास कर रहे हैं। उम्मीद यह है कि क्वांटम कंप्यूटरों का उपयोग करके, जो एक ही समय में कई अवस्थाओं में मौजूद हो सकते हैं, शोधकर्ता एक दिन आणविक गुणों की भविष्यवाणी पहले की तुलना में अधिक तेज़ी से और अधिक सटीकता से कर पाएंगे। क्वांटम मशीन लर्निंग नामक एक विशिष्ट दृष्टिकोण इन दोनों दुनियाओं को मिलाने का प्रयास करता है, जिसमें क्वांटम कंप्यूटरों का उपयोग रासायनिक डेटा में पैटर्न सीखने के लिए किया जाता है, ठीक वैसे ही जैसे एक मनुष्य अनुभव से सीखता है। फिर भी, जबकि सिद्धांत रोमांचक है, यह स्पष्ट नहीं है कि क्या ये मशीनें वास्तव में उन शास्त्रीय कंप्यूटरों से बेहतर प्रदर्शन कर सकती हैं जिनका हम पहले से ही रोज़मर्रा की रासायनिक समस्याओं के लिए उपयोग करते हैं।

शोधकर्ताओं की एक टीम ने क्वांटम कंप्यूटरों पर चलने के लिए डिज़ाइन किए गए विभिन्न प्रकार के डिजिटल सर्किटों को बनाने और प्रशिक्षित करने के विचार का परीक्षण करने के लिए एक प्रयास किया। उन्होंने यह देखने के लिए कि ये सर्किट कितनी अच्छी तरह सीख सकते हैं, दो बहुत अलग रासायनिक चुनौतियों पर ध्यान केंद्रित किया। पहली चुनौती में अणुओं के एक बड़े संग्रह में विशिष्ट रासायनिक बंधों को तोड़ने के लिए आवश्यक ऊर्जा की भविष्यवाणी करना शामिल था, जो मानक कंप्यूटरों के लिए अपेक्षाकृत सरल कार्य है। दूसरी चुनौती अधिक विशिष्ट थी, जिसमें पानी के अणुओं में इलेक्ट्रॉन व्यवहार की भविष्यवाणी करना शामिल था, जो समस्या स्वयं क्वांटम मैकेनिक्स में गहराई से निहित है। ऐसा करने के लिए, वैज्ञानिकों ने इन क्वांटम सर्किटों के 168 अलग-अलग संस्करण बनाए, जिसमें डेटा को मशीन में फीड करने के 14 तरीकों और जानकारी को संसाधित करने के लिए डिज़ाइन की गई 12 विभिन्न आंतरिक संरचनाओं का मिश्रण और मिलान किया गया। उन्होंने अपने सर्वश्रेष्ठ डिज़ाइनों को वास्तविक, भौतिक क्वांटम हार्डवेयर पर चलाने से पहले, पाँच और सोलह क्वांटम बिट्स (क्वांटम सिस्टम में सूचना की बुनियादी इकाइयाँ) वाले क्वांटम कंप्यूटरों के सिमुलेशन पर इन सर्किटों का परीक्षण किया।

परिणामों ने आशा और महत्वपूर्ण सीमा दोनों की एक तस्वीर पेश की। जब शोधकर्ताओं ने बॉन्ड-ब्रेकिंग (बंध तोड़ने वाली) ऊर्जा डेटा पर सर्किट का परीक्षण किया, तो क्वांटम मॉडल अत्यधिक संघर्ष करते दिखे। सबसे अच्छा प्रदर्शन करने वाले सर्किट भी ऊर्जा मूल्यों की किसी भी उपयोगी सटीकता के साथ भविष्यवाणी नहीं कर सके, और अक्सर हर अणु के लिए केवल औसत मान का अनुमान लगाने से बेहतर प्रदर्शन नहीं कर पाए। अध्ययन बताता है कि जिस तरह से रासायनिक डेटा को क्वांटम कंप्यूटर द्वारा समझे जाने योग्य प्रारूप में अनुवादित किया गया था, उसने शायद बहुत अधिक विवरण हटा दिया, जिससे मशीन के पास सीखने के लिए बहुत कम जानकारी रह गई। इसके विपरीत, क्वांट-सर्किट ने पानी के अणु के डेटा पर बहुत बेहतर प्रदर्शन किया, जो सीधे इलेक्ट्रॉन व्यवहार से संबंधित है। यहाँ, मॉडल पैटर्न को इतनी अच्छी तरह से सीखने में सक्षम थे कि सटीक भविष्यवाणियाँ की जा सकें, जिससे सफलता का एक स्तर प्राप्त हुआ जिसे उपयोगी माना जा सकता है। यह अंतर बताता है कि क्वांटम मशीनें उन समस्याओं के लिए अधिक उपयुक्त हो सकती हैं जो स्वाभाविक रूप से क्वांटम प्रकृति की हैं, बजाय इसके कि उन्हें उन समस्याओं को हल करने के लिए मजबूर किया जाए जिन्हें शास्त्रीय कंप्यूटर पहले से ही आसानी से संभालते हैं।

शोधकर्ताओं ने यह भी जांचा कि क्या सर्किटों को अधिक जटिल बनाने से उन्हें बेहतर सीखने में मदद मिलेगी। उन्होंने सर्किटों में अधिक परतें जोड़ने और डेटा को मशीन के माध्यम से कई बार फीड करने का प्रयास किया, जो एक ऐसी तकनीक है जिसका उद्देश्य मॉडल को अधिक जटिल पैटर्न को समझने में मदद करना है। बॉन्ड-ब्रेकिंग डेटा के लिए, जटिलता जोड़ने से कोई अंतर नहीं पड़ा; मॉडल वहीं अटके रहे। हालाँकि, पानी के अणु के डेटा के लिए, सर्किट की गहराई बढ़ाने से सटीकता में सुधार हुआ, जिससे मॉडल अधिक प्रभावी ढंग से सीख सका। फिर भी, इन सुधारों के साथ भी, क्वांटम मॉडल अभी भी सर्वश्रेष्ठ शास्त्रीय कंप्यूटर मॉडलों का मुकाबला नहीं कर सके, जिन्होंने दोनों समस्याओं को लगभग पूर्ण सटीकता के साथ हल किया। अध्ययन स्पष्ट रूप से इस विचार के विरुद्ध तर्क देता है कि केवल क्वांटम सर्किट में अधिक पैरामीटर या प्रशिक्षण डेटा जोड़ने से स्वचालित रूप से बेहतर परिणाम मिलेंगे, यह दिखाते हुए कि इन विशिष्ट रासायनिक कार्यों के लिए, क्वांटम दृष्टिकोण वर्तमान में पारंपरिक तरीकों से पीछे है।

अंतिम परीक्षण में सार्वजनिक रूप से उपलब्ध वास्तविक क्वांटम कंप्यूटर पर सबसे सफल वाटर-मॉलिक्यूल (पानी के अणु) मॉडल को चलाना शामिल था। जबकि कंप्यूटर पर किए गए सिमुलेशन ने उच्च सटीकता के साथ परिणामों की भविष्यवाणी की, जैसे ही प्रयोग वास्तविक भौतिक उपकरण पर चला, प्रदर्शन ढह गया। वास्तविक मशीन का शोर वाला वातावरण, जो हस्तक्षेप और त्रुटियों से भरा है, भविष्यवाणियों को अविश्वसनीय और गलत बना देता है। यह परिणाम एक प्रमुख बाधा को उजागर करता है: जबकि इन सर्किटों का गणितीय सिद्धांत एक आदर्श, शोर-मुक्त सिमुलेशन में अच्छी तरह काम करता है, वर्तमान पीढ़ी का क्वांटम हार्डवेयर व्यावहारिक रासायनिक अनुप्रयोगों के लिए आवश्यक नाजुक गणनाओं को संभालने के लिए बहुत अपूर्ण है। अध्ययन निष्कर्ष निकालता है कि हालांकि क्वांटम मशीन लर्निंग में सैद्धांतिक क्षमता है, विशेष रूप से उन समस्याओं के लिए जो स्वाभाविक रूप से क्वांटम हैं, फिर भी यह तकनीक उन रासायनिक कार्यों के लिए शास्त्रीय कंप्यूटरों को बदलने के लिए तैयार नहीं है जिनके लिए इसे डिज़ाइन किया गया था। लेखक सुझाव देते हैं कि आगे का रास्ता न केवल बड़ी मशीनें बनाने में है, बल्कि रासायनिक समस्याओं को नए तरीके से फ्रेम करने में भी है ताकि वे क्वांटम कंप्यूटिंग की अनूठी क्षमताओं से वास्तव में लाभान्वित हो सकें।