QFOR: A Fidelity-aware Orchestrator for Quantum Computing Environments using Deep Reinforcement Learning

क्वांटम कंप्यूटर उन समस्याओं को हल करने का वादा करते हैं जिन्हें सुलझाने में आज के सुपरकंप्यूटरों को हजारों साल लग सकते हैं, जैसे कि नई दवाओं को डिजाइन करना या जटिल कोड को तोड़ना। हालांकि, ये मशीनें अभी तक विज्ञान कथाओं (साइंस फिक्शन) की विश्वसनीय कार्यवाहक नहीं बनी हैं। वे नाजुक, संवेदनशील उपकरण हैं जो एक शोर-शराबे वाले और त्रुटि-पूर्ण युग में काम करते हैं, जहाँ एक मामूली व्यवधान भी गणना को खराब कर सकता है। चूंकि इन मशीनों को बनाना और बनाए रखना अविश्वसनीय रूप से कठिन और महंगा है, इसलिए अधिकांश शोधकर्ता क्लाउड के माध्यम से रिमोटली इनका उपयोग करते हैं, ठीक वैसे ही जैसे इंटरनेट पर एक शक्तिशाली कंप्यूटर किराए पर लेना। यह एक अनूठा लॉजिस्टिक पहेली पैदा करता है: आप यह कैसे तय करेंगे कि किस विशिष्ट क्वांटम मशीन को एक विशिष्ट कार्य चलाना चाहिए, जब हर मशीन अलग है, हर कार्य अद्वितीय है, और मशीनें स्वयं समय के साथ अपने प्रदर्शन की विशेषताओं को बदल लेती हैं?

इस वातावरण में, किसी कार्य को केवल उपलब्ध होने वाली पहली मशीन पर भेज देना अक्सर एक गलती होती है। एक मशीन जो कागज पर तेज दिख सकती है, वह एक जटिल काम के लिए बहुत अधिक शोर वाली (noisy) हो सकती है, जबकि एक शांत मशीन बहुत धीमी हो सकती है, जिससे काम पूरा होने से पहले ही नाजुक क्वांटम जानकारी फीकी पड़ सकती है। चुनौती गति और सटीकता के बीच सही संतुलन खोजने की है, जो एक ऐसा कार्य है जो मानक शेड्यूलिंग नियमों के लिए बहुत जटिल है। शोधकर्ताओं होआ टी. न्गुयेन, मुहम्मद उस्मान और राजकुमार बुय्या ने इसे QFOR नामक एक नई प्रणाली बनाकर संबोधित किया है। यह प्रणाली एक बुद्धिमान प्रबंधक के रूप में कार्य करती है, जो 'डीप रीइन्फोर्समेंट लर्निंग' नामक एक प्रकार की आर्टिफिशियल इंटेलिजेंस का उपयोग करती है ताकि वह वास्तविक समय में सर्वोत्तम निर्णय लेना सीख सके।

शोधकर्ताओं ने एक परिष्कृत सिमुलेशन बनाया जो एक वास्तविक क्वांटम क्लाउड वातावरण की नकल करता है, जिसमें 27 से 127 क्विबिट्स (क्वांटम सूचना की मूल इकाइयाँ) वाले पांच अलग-अलग प्रकार के क्वांटम प्रोसेसर शामिल हैं। उन्होंने इस प्रणाली में हजारों अलग-अलग क्वांटम कार्य डाले, जो एक प्रसिद्ध बेंचमार्क एल्गोरिदम संग्रह से लिए गए थे, और देखा कि उनके नए AI प्रबंधक ने पारंपरिक शेड्यूलिंग विधियों की तुलना में कैसा प्रदर्शन किया। उन्होंने जिन पारंपरिक विधियों का परीक्षण किया, उनमें उपलब्ध पहली मशीन को चुनने, मशीनों के बीच कार्यों को समान रूप से घुमाने, या हमेशा सबसे कम औसत त्रुटि दर वाली मशीन को चुनने जैसी सरल रणनीतियां शामिल थीं। ये पुराने दृष्टिकोण निश्चित नियमों पर निर्भर करते हैं जो क्वांटम हार्डवेयर की परिवर्तनशील और अप्रत्याशित प्रकृति के अनुकूल आसानी से नहीं ढल सकते।

इसके विपरीत, QFOR, करके सीखता है। यह शेड्यूलिंग समस्या को एक खेल की तरह मानता है जहाँ यह दो मुख्य कारकों के आधार पर एक स्कोर को अधिकतम करने की कोशिश करता है: फिडेलिटी (fidelity), यानी परिणाम की सटीकता, और कार्य को पूरा करने में लगने वाला समय। प्रणाली क्वांटम मशीनों की वर्तमान स्थिति का अवलोकन करती है, जिसमें उनकी वर्तमान त्रुटि दर और वे कितनी देर से चल रही हैं, और फिर निर्णय लेती है कि अगला कार्य करने के लिए कौन सी मशीन सबसे उपयुक्त है। हजारों प्रशिक्षण सत्रों के दौरान, AI ने ऐसे पैटर्न और रणनीतियाँ खोजीं जो मानव-निर्मित नियमों से छूट गई थीं। इसने सीखा कि केवल "सबसे तेज़" या "सबसे शांत" जैसे सरल मेट्रिक्स से परे देखना है और इसके बजाय क्वांटम सर्किट के विशिष्ट आकार और जटिलता पर विचार करना है, ताकि उसे उस मशीन के साथ मिलाया जा सके जो उस विशिष्ट काम को सबसे प्रभावी ढंग से संभाल सके।

सिमुलेशन के परिणाम आश्चर्यजनक थे। जब पारंपरिक तरीकों के मुकाबले परीक्षण किया गया, तो QFOR प्रणाली ने लगातार बहुत अधिक सटीक परिणाम दिए। सबसे अनुकूल सेटिंग्स में, इसने सबसे अच्छा प्रदर्शन करने वाले पारंपरिक बेसलाइन की तुलना में गणनाओं की सापेक्ष फिडेलिटी में 29.5% से 84% तक सुधार किया। इसका अर्थ है कि गणनाएँ सही होने की संभावना काफी अधिक थी। महत्वपूर्ण रूप से, शोधकर्ताओं ने पाया कि सटीकता में यह भारी वृद्धि गति की कीमत पर नहीं आई। प्रणाली ने कार्यों को पूरा करने के लिए आवश्यक कुल समय को सबसे तेज़ पारंपरिक तरीकों के बराबर या केवल थोड़ा अधिक रखने में सफलता प्राप्त की। यह सुझाव देता है कि AI ने एक बेहतर मशीन की प्रतीक्षा करने और एक शोर वाली मशीन पर कार्य को जल्दबाजी में चलाने के बीच के कठिन समझौते को सफलतापूर्वक प्रबंधित किया।

एक सबसे महत्वपूर्ण निष्कर्ष यह था कि पुरानी धारणा—कि आपको केवल सबसे कम औसत त्रुटि दर वाली मशीन चुननी चाहिए—दोषपूर्ण थी। शोधकर्ताओं ने दिखाया कि एक मशीन जिसकी औसत त्रुटि दर कम है, वह भी खराब प्रदर्शन कर सकती है यदि विशिष्ट क्वांटम कार्य के लिए कनेक्शनों के एक जटिल विन्यास की आवश्यकता हो जिसे वह मशीन अच्छी तरह से नहीं संभाल सकती। AI ने सीखा कि सबसे अच्छा विकल्प विशिष्ट कार्य के विवरणों पर निर्भर करता है, न कि केवल मशीन की सामान्य रेटिंग पर। यह अंतर्दृष्टि बताती है कि क्यों एक लचीले, सीखने वाले दृष्टिकोण की आवश्यकता है, जहाँ हार्डवेयर विविध और निरंतर विकसित हो रहा है।

अध्ययन ने यह भी प्रदर्शित किया कि सिस्टम को विभिन्न लक्ष्यों को प्राथमिकता देने के लिए ट्यून किया जा सकता है। एक सेटिंग को बदलकर, शोधकर्ता AI को या तो सबसे सटीक परिणाम प्राप्त करने पर अधिक ध्यान केंद्रित करने के लिए, या कार्य को यथाशीघ्र पूरा करने को प्राथमिकता देने के लिए कह सकते थे। यह लचीलापन उस क्षेत्र के लिए अत्यंत महत्वपूर्ण है जहाँ विभिन्न उपयोगकर्ताओं की अलग-अलग ज़रूरतें होती हैं; एक दवा खोजकर्ता सटीकता को सर्वोपरि रख सकता है, जबकि एक वित्तीय विश्लेषक को त्वरित उत्तर की आवश्यकता हो सकती है। पूरे सिस्टम को फिर से बनाए बिना इस संतुलन को बदलने की क्षमता यह दर्शाती है कि यह दृष्टिकोण सुदृढ़ और अनुकूलन योग्य है।

हालाँकि ये परिणाम एक लाइव, भौतिक क्वांटम क्लाउड के बजाय एक सिमुलेशन से आए हैं, लेकिन शोधकर्ताओं ने शोर और त्रुटियों को मॉडल करने के लिए IBM के क्वांटम उपकरणों के वास्तविक डेटा का उपयोग किया है, जिससे यह सिमुलेशन अवधारणा का एक कठोर परीक्षण बन गया है। यह कार्य सुझाव देता है कि जैसे-जैसे क्वांटम कंप्यूटर अधिक सामान्य और जटिल होते जाएंगे, मानव संचालक उन्हें मैन्युअल रूप से प्रबंधित नहीं कर पाएंगे। इसके बजाय, QFOR जैसे बुद्धिमान सिस्टम कार्यों के प्रवाह को व्यवस्थित करने के लिए आवश्यक होंगे, जिससे यह सुनिश्चित होगा कि इन महंगे और नाजुक संसाधनों का कुशलतापूर्वक उपयोग किया जाए। अध्ययन का निष्कर्ष है कि फिडेलिटी और समय को संतुलित करने के लिए डीप रीइन्फोर्समेंट लर्निंग का उपयोग करके, हम एक ऐसे भविष्य के करीब पहुँच सकते हैं जहाँ क्वांटम कंप्यूटिंग अपने वादे को पूरा करे, और दुनिया की सबसे कठिन समस्याओं के लिए विश्वसनीय और लागत प्रभावी समाधान प्रदान करे।