Probabilistic Computers for Neural Quantum States
यह शोध पत्र प्रदर्शित करता है कि स्पार्स बोल्ट्ज़मैन मशीन आर्किटेक्चर को संभाव्य कंप्यूटिंग हार्डवेयर (FPGAs) के साथ संयोजित करने से न्यूरल क्वांटम अवस्थाओं में मोंटे कार्लो सैंपलिंग की बाधा दूर हो जाती है, जिससे 6400 स्पिन तक के 2D ट्रांसवर्स-फील्ड आइसिंग मॉडल के लिए सटीक ग्राउंड-स्टेट ऊर्जा गणना और 900 स्पिन के लिए गहरे मॉडलों का कुशल प्रशिक्षण सक्षम होता है।
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 लोगों की एक विशाल भीड़ के व्यवहार की भविष्यवाणी करने की कोशिश कर रहे हैं, जहाँ हर व्यक्ति अपने पड़ोसियों के साथ जटिल, अदृश्य तरीकों से लगातार प्रतिक्रिया कर रहा है। भौतिकी की दुनिया में, वैज्ञानिक इसे "क्वांटम मेनी-बॉडी सिस्टम" (quantum many-body system) कहते हैं। एक सामान्य कंप्यूटर पर इसका अनुकरण (simulate) करना समुद्र तट पर रेत के हर एक कण को गिनने जैसा है जबकि हवा उन्हें उड़ा रही हो; यह अविश्वसनीय रूप से धीमा है और अक्सर बड़े समूहों के लिए असंभव होता है।
यह शोध पत्र इस समस्या को हल करने का एक नया तरीका पेश करता है, जो स्मार्ट सॉफ्टवेयर को विशेष हार्डवेयर के साथ जोड़ता है। यहाँ उनके दृष्टिकोण का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:
1. समस्या: सिमुलेशन का "ट्रैफिक जाम"
वैज्ञानिक इन क्वांटम भीड़ को मॉडल करने के लिए "न्यूरल क्वांटम स्टेट्स" (NQS) नामक एक विधि का उपयोग करते हैं। एक न्यूरल नेटवर्क को एक बहुत ही स्मार्ट मानचित्र की तरह समझें जो भीड़ के व्यवहार की भविष्यवाणी करता है। हालाँकि, इस मानचित्र को अपडेट करने के लिए, कंप्यूटर को लाखों रैंडम सिमुलेशन चलाने होते हैं (जैसे भीड़ से पूछना, "क्या होगा यदि हर कोई एक कदम बाईं ओर बढ़ जाए?") यह देखने के लिए कि क्या होता है।
मानक कंप्यूटरों (CPUs) पर, यह सैंपलिंग प्रक्रिया एक विशाल ट्रैफिक जाम की तरह है। कंप्यूटर इन रैंडम परिदृश्यों को उत्पन्न करने में इतना समय बिता देता है कि वह वास्तव में उत्तर सीख ही नहीं पाता। यह वह "बॉटलनेक" (रुकावट) है जिसे लेखक ठीक करना चाहते थे।
2. समाधान: एक विशेष "प्रोबेबिलिस्टिक" इंजन
एक सामान्य उद्देश्य वाले कंप्यूटर को यादृच्छिकता (randomness) का अनुकरण करने के लिए कहने के बजाय, लेखकों ने FPGAs (ऐसे चिप्स जिन्हें विशेष हार्डवेयर के रूप में कार्य करने के लिए पुन: प्रोग्राम किया जा सकता है) का उपयोग करके एक कस्टम मशीन बनाई है।
- उपमा: कल्पना करें कि एक मानक कंप्यूटर एक अकेला, बहुत बुद्धिमान लाइब्रेरियन है जो हाथ से पुस्तकालय को व्यवस्थित करने की कोशिश कर रहा है। यह सटीक है लेकिन धीमा है। लेखकों का प्रोबेबिलिस्टिक कंप्यूटर 2,200 छोटे, तेज़ श्रमिकों (जिन्हें p-bits कहा जाता है) को काम पर रखने जैसा है जो एक साथ किताबें इधर-उधर कर सकते हैं।
- यह कैसे काम करता है: ये p-bits सरल इकाइयाँ हैं जो अपने पड़ोसियों के आधार पर दो अवस्थाओं के बीच बदलती रहती हैं (जैसे सिक्का उछालने पर चित या पट आना)। क्योंकि ये सीधे हार्डवेयर में निर्मित हैं, उन्हें रैंडम होने के बारे में "सोचने" की आवश्यकता नहीं होती; वे स्वभाव से ही रैंडम हैं। यह उन्हें सिमुलेशन के लिए आवश्यक लाखों परिदृश्यों को लगभग तुरंत उत्पन्न करने की अनुमति देता है।
3. पहली सफलता: एक विशाल भीड़ का अनुकरण
टीम ने इस नए हार्डवेयर का उपयोग क्वांटम स्पिन (छोटे चुंबकों की ग्रिड की तरह) के 2D ग्रिड का अनुकरण करने के लिए किया।
- परिणाम: उन्होंने सफलतापूर्वक 80 x 80 (6,400 स्पिन) का ग्रिड सिम्युलेट किया।
- यह क्यों मायने रखता है: पिछली विधियाँ बिना क्रैश हुए या बहुत अधिक समय लिए बिना इस स्तर तक पहुँचने में संघर्ष करती थीं। उनके कस्टम हार्डवेयर ने उन्हें उच्च सटीकता के साथ इस आकार तक पहुँचने की अनुमति दी, जिससे यह सिद्ध हुआ कि विशेष "प्रोबेबिलिस्टिक" चिप्स उन क्वांटम सिमुलेशन को संभाल सकते हैं जो मानक कंप्यूटरों के लिए बहुत बड़े हैं।
4. दूसरी सफलता: "डीप" लर्निंग ट्रिक
लेखक "डीपर" न्यूरल नेटवर्क (तर्क की अधिक परतें जोड़ना) का उपयोग करना भी चाहते थे क्योंकि वे जटिल पैटर्न को समझने में बेहतर होते हैं। हालाँकि, डीप नेटवर्क के लिए आमतौर पर "मार्जिनलाइजेशन" (marginalization) नामक एक गणितीय चरण की आवश्यकता होती है, जो भीड़ की औसत ऊंचाई की गणना करने के लिए हर एक व्यक्ति को व्यक्तिगत रूप से मापने जैसा है—जो गहरे नेटवर्क के लिए कम्प्यूटेशनल रूप से असंभव है।
- नवाचार: उन्होंने एक "डुअल-सैंपलिंग एल्गोरिदम" का आविष्कार किया।
- उपमा: पूरी भीड़ को एक साथ मापने के बजाय, वे बाहरी लोगों (दृश्य परत/visible layer) को स्थिर कर देते हैं और केवल बीच के लोगों (छिपी हुई परतों/hidden layers) को इधर-उधर घूमने के लिए कहते हैं। ऐसा करके, वे इस असंभव गणित को किए बिना उत्तर निकाल सकते हैं।
- परिणाम: उन्होंने सफलतापूर्वक एक सिंगल FPGA चिप पर 30 x 30 (900 स्पिन) के सिस्टम के लिए इन डीप नेटवर्क को प्रशिक्षित किया। उन्होंने पाया कि ये डीप नेटवर्क वास्तव में अधिक कुशल थे, क्योंकि उन्हें सरल, उथले (shallower) नेटवर्क की तुलना में समान सटीक परिणाम प्राप्त करने के लिए कम "सेटिंग्स" (पैरामीटर्स) की आवश्यकता थी।
सारांश
संक्षेप में, यह शोध पत्र मुख्य रूप से दो बातें दावा करता है:
- हार्डवेयर की गति: एक कस्टम चिप (FPGA) बनाकर जो रैंडम कॉइन-फ्लिपर्स की एक विशाल सेना की तरह कार्य करती है, उन्होंने उस गति की सीमा को हटा दिया जो क्वांटम सिमुलेशन को बड़ा होने से रोक रही थी। उन्होंने 6,400 कणों वाले सिस्टम का अनुकरण किया, जो इस प्रकार की विधि के लिए पहले पहुंच से बाहर था।
- स्मार्ट एल्गोरिदम: उन्होंने क्वांटम भौतिकी के लिए "डीप" न्यूरल नेटवर्क को प्रशिक्षित करने का एक नया तरीका बनाया जो असंभव गणितीय गणनाओं से बचता है। यह अधिक शक्तिशाली मॉडलों की अनुमति देता है जो अधिक कुशल भी हैं।
लेखक निष्कर्ष निकालते हैं कि इस विशेष हार्डवेयर को अपने नए एल्गोरिदम के साथ जोड़कर, हम अब पहले की तुलना में बहुत बड़े और अधिक जटिल क्वांटम सिस्टम का अनुकरण कर सकते हैं, जो उन सामग्रियों और भौतिकी को समझने का मार्ग खोलता है जिनका अध्ययन करना पहले बहुत कठिन था।
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।