Data Verification is the Future of Quantum Computing Copilots
यह शोध पत्र तर्क देता है कि क्वांटम कंप्यूटिंग को-पायलटों के लिए सांख्यिकीय एलएलएम (LLM) तर्क की अंतर्निहित सीमाओं को पार करने और आवश्यक सटीकता प्राप्त करने के लिए, डेटा सत्यापन को जनरेशन के बाद के फ़िल्टर से ऊपर उठाकर एक मौलिक स्थापत्य प्रिमिटिव (architectural primitive) के रूप में स्थापित किया जाना चाहिए जो जनरेशन को प्रतिबंधित करे और भौतिक शुद्धता मानदंडों को समाहित करे।
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
यहाँ इस शोध पत्र का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ हिंदी अनुवाद दिया गया है।
मुख्य विचार: क्यों "अनुमान लगाना" क्वांटम कंप्यूटरों के लिए काम नहीं करता
कल्पना कीजिए कि आप एक घर बनाने की कोशिश कर रहे हैं। यदि आप एक मानक AI सहायक का उपयोग करते हैं, तो यह फर्नीचर की व्यवस्था या पेंट के रंगों का सुझाव देने में बहुत अच्छा हो सकता है। यह उन पैटर्न के आधार पर अनुमान लगाता है जो इसने पहले देखे हैं। लेकिन यदि आप इसे नींव और भार वहन करने वाली दीवारों (load-bearing walls) को डिजाइन करने के लिए कहते हैं, तो अनुमान लगाना खतरनाक है। यदि गणित गलत हुआ, तो घर ढह जाएगा।
यह शोध पत्र तर्क देता है कि क्वांटम कंप्यूटिंग उस नींव की तरह है। यह एक ऐसा क्षेत्र है जहाँ "सांख्यिकीय अनुमान" (जो लार्ज लैंग्वेज मॉडल्स आमतौर पर करते हैं) विफल हो जाता है क्योंकि इसके नियम सख्त, गणितीय और निर्दयी होते हैं। आप एक ऐसा क्वांटम सर्किट नहीं रख सकते जो "99% सही" हो। या तो यह पूरी तरह से काम करता है, या यह बिल्कुल काम नहीं करता।
लेखक, जो इंपीरियल कॉलेज लंदन, पर्ड्यू और अन्य संस्थानों के शोधकर्ताओं की एक टीम है, का प्रस्ताव है कि क्वांटम कंप्यूटिंग के लिए AI सहायकों का भविष्य इस बारे में नहीं है कि AI को अनुमान लगाने में कितना स्मार्ट बनाया जाए। बल्कि, यह इस बारे में है कि AI को वाक्य पूरा करने से पहले ही अपने काम को सत्यापित (verify) करने के लिए मजबूर करना।
वर्तमान AI के साथ तीन मुख्य समस्याएँ
शोध पत्र तीन कारणों की पहचान करता है कि वर्तमान AI क्वांटम कार्यों के साथ संघर्ष क्यों करता है:
- "भ्रम" (Hallucination) का जाल: AI मॉडल वाक्य में अगले शब्द की भविष्यवाणी करने के लिए प्रशिक्षित होते हैं। वे पैटर्न की नकल करने में उत्कृष्ट हैं लेकिन सख्त तर्क (logic) में खराब हैं। क्वांटम कंप्यूटिंग में, एक गलत कदम पूरे प्रोग्राम को तोड़ देता है। शोध पत्र कहता है कि यदि आप केवल मॉडल के आकार को बढ़ाते हैं और सीखने के तरीके को नहीं बदलते हैं, तो ये त्रुटियाँ गणितीय रूप से अपरिहार्य हैं।
- भूसे के ढेर में सुई की समस्या: कल्पना कीजिए कि एक लाइब्रेरी में 148 ट्रिलियन किताबें हैं। उनमें से केवल 200,000 ही वे "सही" किताबें हैं जिन्हें आप ढूंढ रहे हैं। यदि आप AI से केवल "एक किताब लिखने" के लिए कहते हैं, तो वह लगभग निश्चित रूप से 147.9 बिलियन गलत किताबों में से एक को चुनेगा। AI द्वारा लिखे जाने के बाद गलत उत्तरों को छानना असंभव है क्योंकि जाँचने के लिए बहुत अधिक गलत उत्तर मौजूद हैं।
- "लीकी एब्स्ट्रैक्शन" (Leaky Abstraction) का मुद्दा: क्वांटम डिज़ाइन परतों में होता है। आप सर्किट का एक ब्लॉक डिज़ाइन कर सकते हैं जो अपने आप में अच्छा दिखता है, लेकिन जब आप इसे अगले ब्लॉक से जोड़ते हैं, तो यह नियमों को तोड़ देता है। वर्तमान AI यह देखने में संघर्ष करता है कि एक छोटा स्थानीय परिवर्तन विशाल वैश्विक चित्र को कैसे प्रभावित करता है।
समाधान: AI के लिए तीन नए नियम
लेखक इस समस्या को ठीक करने के लिए तीन विशिष्ट नियम प्रस्तावित करते हैं, जिन्हें वे "पोजीशन" (Positions) कहते हैं।
1. सत्यापन न्यूनतम आवश्यकता है ( "सुरक्षित शिक्षक" का उदाहरण)
दावा: आप क्वांटम AI को अव्यवस्थित, बिना सत्यापित डेटा पर प्रशिक्षित नहीं कर सकते।
उदाहरण: एक बच्चे को गाड़ी चलाना सिखाने की कल्पना करें। यदि आप उन्हें नकली स्टॉप साइन और टूटी हुई ट्रैफिक लाइट वाले ट्रैक पर अभ्यास करने देते हैं, तो वे बुरी आदतें सीखेंगे। चाहे वे कितने भी घंटे गाड़ी चला लें, वे वास्तविक दुनिया में टकरा जाएंगे।
शोध पत्र का समाधान: AI को केवल ऐसे डेटा पर प्रशिक्षित किया जाना चाहिए जो गणितीय उपकरणों (जैसे Lean या Z3) का उपयोग करके औपचारिक रूप से सिद्ध (formally proven) किया गया हो। AI को सड़क के नियमों को केवल याद नहीं करना चाहिए, बल्कि उन्हें "आंतरिक" (internalize) करना चाहिए। शोध पत्र दिखाता है कि सत्यापित डेटा पर प्रशिक्षित मॉडलों ने 79% सटीकता तक हासिल की, जबकि अन्य रैंडम अनुमान के करीब (25%) रहे।
2. निर्माण से पहले जाँच करें ( "वास्तुकार" का उदाहरण)
दावा: AI को दस लाख खराब डिज़ाइन बनाने न दें और फिर उनमें से अच्छे को खोजने की कोशिश न करें। इसके बजाय, AI को खराब डिज़ाइन बनाने से ही रोक दें।
उदाहरण: कल्पना कीजिए कि एक वास्तुकार 1,000,000 ब्लूप्रिंट बनाता है, जिनमें से 999,999 में सीढ़ियाँ दीवार में जा रही हैं। एक अच्छा ब्लूप्रिंट खोजने में समय बर्बाद करना बेकार है। इसके बजाय, वास्तुकार के पास एक नियम होना चाहिए: "यदि सीढ़ियाँ फर्श से नहीं जुड़ती हैं, तो उन्हें न बनाएं।"
शोध पत्र का समाधान: सत्यापन प्रक्रिया के दौरान (a priori) होना चाहिए, न कि बाद में (a posteriori)। क्योंकि "गलत" उत्तरों का स्थान "सही" उत्तरों के स्थान से घातांकीय (exponentially) रूप से बड़ा है, इसलिए बाद में फ़िल्टर करना गणनात्मक रूप से असंभव है। AI को केवल वैध रास्तों पर ही चलने के लिए बाध्य किया जाना चाहिए।
3. सत्यापन एक निर्माण खंड है, न कि बाद का विचार
दावा: किसी भी क्षेत्र के लिए जो सख्त नियमों द्वारा शासित है (जैसे भौतिकी या गणित), सत्यापन को AI के मस्तिष्क में बनाया जाना चाहिए, न कि बाद में एक प्लगइन के रूप में जोड़ा जाना चाहिए।
उदाहरण: एक कार के बारे में सोचें। आप कार बनाने के बाद ब्रेक नहीं जोड़ते और फिर उम्मीद नहीं करते कि वह रुकेगी। ब्रेकिंग सिस्टम कार के डिज़ाइन का एक मौलिक हिस्सा है।
शोध पत्र का समाधान: लेखक तर्क देते हैं कि यह क्वांटम कंप्यूटिंग से परे दवा की खोज (drug discovery) और पदार्थ विज्ञान (materials science) जैसे अन्य कठिन विज्ञानों पर भी लागू होता है। इन क्षेत्रों में, आप समाधान का केवल "अनुमान" नहीं लगा सकते; भौतिकी के नियमों का सटीक पालन होना चाहिए। AI को इन नियमों को अपनी नींव के रूप में लेकर बनाया जाना चाहिए।
प्रयोगों ने क्या दिखाया
शोधकर्ताओं ने इस सिद्धांत का परीक्षण करने के लिए 2,00,000+ सत्यापित क्वांटम सर्किट डिज़ाइनों (विशेष रूप से एक "क्वांटम एडर" के लिए) का एक विशाल डेटासेट बनाया। उन्होंने विभिन्न AI मॉडलों का परीक्षण किया:
- "अ-सत्यापित" (Unverified) मॉडल: मानक डेटा पर प्रशिक्षित ये मॉडल खराब प्रदर्शन करते हैं। वे अक्सर आत्मविश्वासपूर्ण लेकिन गलत उत्तर देते हैं, या भ्रमित होने के कारण उत्तर देने से मना कर देते हैं।
- "सत्यापित" (Verified) मॉडल: सत्यापित डेटासेट पर प्रशिक्षित मॉडल बहुत बेहतर थे। वे न केवल अधिक सही उत्तर दे रहे थे; बल्कि उन्हें पता था कि वे कब सही थे। उनके आत्मविश्वास के स्कोर उनकी वास्तविक सटीकता से मेल खाते थे।
- परिणाम: शोध पत्र निष्कर्ष निकालता है कि सत्यापित डेटा के बिना, AI केवल एक "आत्मविश्वासपूर्ण अनुमान लगाने वाला" है। सत्यापित डेटा के साथ, यह एक "विश्वसनीय इंजीनियर" बन जाता है।
भविष्य: आगे क्या है?
शोध पत्र भविष्य के लिए दो मुख्य चरणों का सुझाव देता है:
- वास्तुकला (Architecture) बदलें: AI मॉडलों को फिर से डिज़ाइन करने की आवश्यकता है ताकि वे कोड लिखने के दौरान अपने गणित की जाँच कर सकें, न कि समाप्त करने के बाद।
- डेटा साझा करें: समुदाय को "प्रतिबंध-समृद्ध" (constraint-rich) बेंचमार्क (जैसे कि उनके द्वारा बनाया गया सत्यापित एडर डेटासेट) बनाने और साझा करने की आवश्यकता है ताकि हर कोई अपने AI को समान कड़े मानकों के विरुद्ध परख सके।
सारांश
संक्षेप में, यह शोध पत्र कहता है: AI को बेहतर अनुमान लगाने में स्मार्ट बनाने की कोशिश करना बंद करें। क्वांटम कंप्यूटिंग और अन्य कठिन विज्ञानों के लिए, हमें AI को एक रचनात्मक लेखक के रूप में मानना बंद करना होगा और एक कठोर इंजीनियर के रूप में मानना शुरू करना होगा। ऐसा करने के लिए, हमें इसे केवल सत्यापित तथ्यों से खिलाना होगा और सत्यापन को इसके डीएनए में बनाना होगा, जिससे यह सुनिश्चित हो सके कि यह कभी भी एक भी अमान्य डिज़ाइन उत्पन्न न करे।
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।