Exploiting biased noise in variational quantum models
यह शोध पत्र यह प्रदर्शित करके पारंपरिक शोर-निवारण रणनीतियों को चुनौती देता है कि वेरिएशनल क्वांटम एल्गोरिदम में पक्षपाती, गैर-यूनिटल शोर (non-unital noise) को संरक्षित करना वास्तव में शास्त्रीय अनुकूलन को बढ़ा सकता है और बेहतर समाधान प्रदान कर सकता है, जबकि मानक ट्वर्लिंग तकनीकें जो शोर को सममित बनाती हैं, अक्सर प्रदर्शन को कम कर देती हैं।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक रोबोट को एक सुंदर सूर्यास्त की सटीक तस्वीर बनाना सिखाने की कोशिश कर रहे हैं। आपके पास कुछ नॉब्स और डायल (पैरामीटर्स) हैं जो रोबोट के ब्रशस्ट्रोक को नियंत्रित करते हैं। आपका लक्ष्य उन नॉब्स को तब तक घुमाना है जब तक कि रोबोट की पेंटिंग वास्तविक सूर्यास्त से यथासंभव मेल न खा जाए। वेरिएशनल क्वांटम एल्गोरिदम (VQAs) इसी तरह काम करते हैं: वे हाइब्रिड सिस्टम हैं जहाँ एक क्वांटम कंप्यूटर (रोबोट) किसी समस्या को हल करने की कोशिश करता है, और एक क्लासिकल कंप्यूटर (शिक्षक) परिणामों को बेहतर बनाने के लिए नॉब्स को एडजस्ट करता है।
क्वांटम दुनिया में अभी सबसे बड़ी समस्या नॉइज़ (शोर/अशांति) है। बिल्कुल एक कांपते हुए हाथ या गंदे लेंस की तरह, क्वांटम कंप्यूटर गलतियों के प्रति संवेदनशील होते हैं। आमतौर पर, वैज्ञानिक इस शोर को "ठीक" करने की कोशिश करते हैं ताकि यह पूरी तरह से सममित (symmetrical) और यादृच्छिक (random) दिखे, जिसे ट्वर्लिंग (twirling) कहा जाता है। इसे ऐसे समझें जैसे कि रेत के एक अस्त-व्यस्त, असमान ढेर को तब तक हिलाना जब तक कि वह एक पूरी तरह से चिकना और एकसमान ढेर न बन जाए। तर्क यह था: "यदि शोर एकसमान और अनुमानित है, तो हम इसे आसानी से ठीक कर सकते हैं।"
पेपर का बड़ा आश्चर्य
यह पेपर इस तर्क को पूरी तरह उलट देता है। शोधकर्ताओं ने पाया कि जब आप एक क्वांटम मॉडल को ट्रेन कर रहे होते हैं (उन नॉब्स को घुमा रहे होते हैं), तो शोर को पूरी तरह से एकसमान बनाना वास्तव में सीखने की प्रक्रिया को नुकसान पहुँचाता है।
यहाँ उनके निष्कर्षों का सरल उपमाओं (analogies) के माध्यम से विवरण दिया गया है:
1. "कांपता हुआ हाथ" बनाम "पक्षपाती हवा" (The "Shaky Hand" vs. The "Biased Wind")
कल्पना कीजिए कि क्वांटम कंप्यूटर में शोर आपके रोबोट के पेंटिंग करने वाले हाथ पर चलने वाली हवा की तरह है।
- एकसमान शोर (ट्वर्ल्ड दृष्टिकोण): यह ऐसी हवा की तरह है जो हर दिशा में समान रूप से चलती है—ऊपर, नीचे, बाएँ, दाएँ और तिरछी। यह एक अराजक, सममित गड़बड़ी है। पेपर दिखाता है कि जब हवा इस तरह एकसमान होती है, तो वह रोबोट के हाथ को एक ही समय में हर दिशा में धकेलती है, जिससे कोई भी उपयोगी हलचल प्रभावी रूप से रद्द हो जाती है। रोबोट फंस जाता है, और "ग्रेडिएंट्स" (वे संकेत जो बताते हैं कि रोबोट को नॉब्स को किस दिशा में घुमाना चाहिए) इतने कमजोर हो जाते हैं कि रोबोट सीख ही नहीं पाता। यह कमर तक गहरे पानी में चलने की कोशिश करने जैसा है जहाँ पानी आपको हर तरफ से समान रूप से धकेलता है; आप बस डूब जाते हैं।
- पक्षपाती शोर (एम्प्लीट्यूड डैम्पिंग दृष्टिकोण): यह ऐसी हवा की तरह है जो लगातार बाईं ओर से चलती है। यह अस्त-व्यस्त तो है, लेकिन इसकी एक दिशा है। शोधकर्ताओं ने पाया कि यह "पक्षपाती" (biased) हवा वास्तव में मदद करती है! क्योंकि हवा हमेशा बाईं ओर धकेलती है, रोबोट यह सीख सकता है कि दाईं ओर मुड़कर इसकी भरपाई कैसे की जाए। यह पक्षपात एक सुराग देता है। यह एक तेज, स्थिर हवा में चलने जैसा है; आप जानते हैं कि आगे बढ़ने के लिए आपको किस ओर झुकना है।
2. "निचोड़ा हुआ स्पंज" (अभिव्यक्ति क्षमता - Expressivity)
शोधकर्ताओं ने देखा कि रोबोट कितना "पेंट" कर सकता है (उसकी एक्सप्रेसिविटी)।
- जब उन्होंने एकसमान, सममित शोर (पॉली नॉइज़) का उपयोग किया, तो यह रोबोट के पेंट स्पंज को एक वाइस ग्रिप (पकड़) में रखने जैसा था। स्पंज दबकर चपटा हो गया, और रोबोट केवल बहुत हल्के, कमजोर रंग ही बना सका। इसने जटिल, विस्तृत चित्र बनाने की उसकी क्षमता को छीन लिया।
- जब उन्होंने पक्षपाती शोर का उपयोग किया, तो स्पंज गीला तो था, लेकिन वह पूरी तरह से पिचका नहीं था। रोबोट अभी भी रंगों और आकृतियों की एक विस्तृत श्रृंखला बना सकता था, भले ही वह एक आदर्श दुनिया की तरह एकदम सटीक न हो।
3. "टूटा हुआ कंपास" (ट्रेनबिलिटी - Trainability)
रोबोट को ट्रेन करने के लिए, कंप्यूटर को यह जानने की आवश्यकता होती है कि नॉब्स को किस दिशा में घुमाना है। इसे ग्रेडिएंट कहते हैं।
- एकसमान शोर के साथ, कंपास बेतहाशा घूमता है और कहीं भी संकेत नहीं देता। सिग्नल इतना कमजोर होता है कि कंप्यूटर यह तय नहीं कर पाता कि उसे नॉब को बाईं ओर घुमाना चाहिए या द로는। रोबोट एक "बैरन प्लेटो" (एक सपाट क्षेत्र जहाँ कोई प्रगति संभव नहीं है) में फंस जाता है।
- पक्षपाती शोर के साथ, कंपास थोड़ा डगमगाता तो है, लेकिन फिर भी वह मोटे तौर पर एक दिशा में संकेत देता है। रोबोट अभी भी ढलान को महसूस कर सकता है और सर्वोत्तम समाधान की ओर चढ़ना जारी रख सकता है।
4. "जादुई ट्रिक" (कोहेरेंट एरर - Coherent Errors)
पेपर ने "कोहेरेंट नॉइज़" नामक एक विशिष्ट प्रकार की त्रुटि पर भी गौर किया, जो यादृच्छिक अराजकता के बजाय एक सुसंगत, लयबद्ध कंपन की तरह है। उन्होंने पाया कि इसे ठीक करना सबसे आसान है। यह ऐसा है जैसे रोबोट का हाथ थोड़ा मुड़ा हुआ है, लेकिन चूंकि वह मोड़ सुसंगत है, इसलिए रोबोट बस अपने कंधे को अलग तरह से हिलाकर इसकी भरपाई करना सीख सकता है। इस "खराबी" को रोबोट के निर्देशों में बिना पेंट करने की क्षमता खोए, फिर से प्रोग्राम किया जा सकता है।
मुख्य निष्कर्ष (The Bottom Line)
पेपर का तर्क है कि क्वांटम कंप्यूटरों को प्रशिक्षित करने की दुनिया में, पूर्णता प्रगति की दुश्मन है।
- पुराना तरीका: शोर को पूरी तरह से सममित और यादृच्छिक बनाने की कोशिश करें (ट्वर्लिंग) ताकि बाद में इसे ठीक करना आसान हो।
- नई खोज: यह सममित शोर प्रशिक्षण प्रक्रिया को अंधा कर देता है, जिससे कंप्यूटर के लिए सीखना असंभव हो जाता है।
- बेहतर तरीका: कभी-कभी, यदि शोर की एक विशिष्ट दिशा या पक्षपात है, तो उसे वैसा ही छोड़ देना बेहतर होता है। यह पक्षपात एक मार्गदर्शक के रूप में कार्य करता है, जो क्लासिकल ऑप्टिमाइज़र को एक बेहतर समाधान खोजने में मदद करता है जो एक एकसमान गड़बड़ी में बदलने के बाद संभव नहीं होता।
संक्षेप में: सड़क के हर उभार को चिकना करने की कोशिश न करें यदि वह सड़क ही आपकी कार को दिशा देने में मदद कर रही है। कभी-कभी, वे उभार ही आपको बताते हैं कि आपको किस ओर जाना है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।