Revisiting Quantum Code Generation: Where Should Domain Knowledge Live?
यह अध्ययन प्रदर्शित करता है कि Qiskit कोड उत्पन्न करने के लिए, रिट्रीवल-ऑगमेंटेड जनरेशन और इटरेटिव एक्जीक्यूशन-फीडबैक एजेंटों से सुसज्जित आधुनिक सामान्य-उद्देश्यीय लार्ज लैंग्वेज मॉडल्स, पैरामीटर-विशिष्ट फाइन-ट्यून्ड बेसलाइन्स की तुलना में काफी बेहतर प्रदर्शन करते हैं, जो यह सुझाव देता है कि इन्फरेंस-टाइम ऑग्मेंटेशन, डोमेन-विशिष्ट फाइन-ट्यूनिंग की तुलना में डोमेन ज्ञान को शामिल करने के लिए एक अधिक लचीला और रखरखाव योग्य मार्ग प्रदान करता 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 एक प्रतिभाशाली लेकिन अनुभवहीन प्रशिक्षु (apprentice) को Qiskit नामक उपकरणों के एक विशिष्ट और तेजी से बदलते सेट का उपयोग करके जटिल क्वांटम सर्किट बनाना सिखाने की कोशिश कर रहे हैं।
लंबे समय तक, मानक सलाह यह थी: "प्रशिक्षु को केवल एक मैनुअल न दें; उसके मस्तिष्क को फिर से लिखें।" इसका अर्थ था एक सामान्य AI मॉडल को "फाइन-ट्यूनिंग" करना—यानी उसे Qiskit कोड के हजारों उदाहरण खिलाना जब तक कि वह नियमों को याद न कर ले। यह एक मास्टर बढ़ई को काम पर रखने जैसा है जिसने केवल एक विशिष्ट प्रकार के घर बनाने में 20 साल बिताए हैं। वे उस विशेष घर के लिए बेहतरीन हैं, लेकिन अगर अगले महीने ब्लूप्रिंट बदल जाता है, तो उन्हें नया डिज़ाइन सीखने के लिए महीनों तक वापस स्कूल भेजना होगा।
यह शोध पत्र एक सरल, क्रांतिकारी प्रश्न पूछता है: क्या होगा यदि हमें प्रशिक्षु के मस्तिष्क को फिर से प्रशिक्षित करने की आवश्यकता ही न हो? क्या होगा यदि हम उन्हें बस एक बेहतर टूलबॉक्स और काम करने का एक स्मार्ट तरीका दे दें?
परीक्षण की गई तीन रणनीतियाँ
शोधकर्ताओं ने AI को क्वांटम कोड लिखने में मदद करने के तीन तरीकों का परीक्षण किया:
- "हार्ड-ड्राइव" दृष्टिकोण (Zero-Shot): आप AI को कार्य देते हैं और उसे अपने विशाल प्रशिक्षण डेटा से जो कुछ भी वह पहले से जानता है, उसका उपयोग करके समस्या को हल करने देते हैं। यह प्रशिक्षु को स्मृति से सर्किट बनाने के लिए कहने जैसा है।
- "लाइब्रेरी" दृष्टिकोण (RAG - Retrieval-Augmented Generation): आप AI को कार्य देते हैं, लेकिन आप उसे नवीनतम Qiskit दस्तावेज़ों से जुड़ा एक सर्च इंजन भी देते हैं। यदि वह फंस जाता है, तो वह उस विशिष्ट नियम को खोज सकता है जिसकी उसे आवश्यकता है। यह प्रशिक्षु को एक लाइब्रेरी कार्ड देने और यह कहने जैसा है, "काम शुरू करने से पहले इस विशिष्ट टूल के लिए मैनुअल ढूंढ लो।"
- "स्व-सुधार" दृष्टिकोण (Agentic Inference): यह गेम-चेंजर है। आप AI को कोड लिखने, उसे चलाने और यह देखने देते हैं कि क्या वह टूट जाता है। यदि वह टूट जाता है, तो AI त्रुटि संदेश (error message) पढ़ता है, समझता है कि क्या गलत हुआ, और फिर से प्रयास करता है। वह इस लूप (लिखें → चलाएं → ठीक करें) को तब तक पांच बार दोहराता है जब तक कि वह काम न करने लगे। यह प्रशिक्षु को एक टेस्ट बेंच देने जैसा है जहाँ वे एक प्रोटोटाइप बना सकते हैं, उसे विफल होते देख सकते हैं, गलती सुधार सकते हैं, और इसे तब तक फिर से प्रयास कर सकते हैं जब तक कि यह परफेक्ट न हो जाए।
सबसे बड़ा आश्चर्य
शोधकर्ताओं ने इन "स्मार्ट टूलबॉक्स" विधियों की तुलना पुराने "पुनर्लिखित मस्तिष्क" विधि (फाइन-ट्यून्ड मॉडल) से की।
परिणाम? "पुनर्लिखित मस्तिष्क" वाला मॉडल अच्छा था, लेकिन आधुनिक, सामान्य-उद्देश्य वाले AI मॉडल जो "स्व-सुधार" (Self-Correcting) दृष्टिकोण का उपयोग करते थे, वे कहीं अधिक बेहतर थे।
- पुराने, विशिष्ट मॉडल ने पहली बार में लगभग 47% कार्यों को सही ढंग से पूरा किया।
- आधुनिक AI, केवल "स्व-सुधार" लूप का उपयोग करके, 85% तक कार्यों को सही ढंग से पूरा करने में सक्षम रहा।
यह क्यों मायने रखता है (रूपक/Metaphors)
1. "जमी हुई बनाम तरल" ज्ञान की समस्या
पुराने "फाइन-ट्यून्ड" मॉडल को एक जमी हुई विश्वकोश (frozen encyclopedia) के रूप में सोचें। एक बार जब यह प्रिंट हो जाता है, तो जानकारी स्थिर हो जाती है। यदि Qiskit अपने सॉफ़्टवेयर को अपडेट करता है (जो क्वांटम कंप्यूटिंग में बहुत अक्सर होता है), तो वह विश्वकोश तुरंत पुराना हो जाता है। आपको इसे पिघलाना पड़ता है और एक नया संस्करण प्रिंट करना पड़ता है (मॉडल को फिर से प्रशिक्षित करना), जो महंगा और धीमा है।
नया दृष्टिकोण एक तरल, जीवंत बातचीत की तरह है। AI को नियमों को याद करने की आवश्यकता नहीं है; उसे बस यह जानने की आवश्यकता है कि नियम कैसे खोजे जाएं और अपनी गलतियों को कैसे सुधारा जाए। यदि सॉफ़्टवेयर कल अपडेट होता है, तो आप बस लाइब्रेरी या त्रुटि-जांच लूप को अपडेट कर देते हैं। AI वही रहता है, लेकिन उसका प्रदर्शन वर्तमान रहता है।
2. "परीक्षण और त्रुटि" (Trial and Error) की सुपरपावर
सबसे बड़ा विजेता एजेंटिक (स्व-सुधार) विधि थी। यह कोड जनरेशन को "एक बार के अनुमान" से बदलकर एक "अभ्यास सत्र" में बदल देता है।
- उपमा: कल्पना कीजिए कि आप ड्राइविंग टेस्ट दे रहे हैं।
- Zero-Shot: आप कार में बैठते हैं और गाड़ी चलाते हैं। यदि आप एक शंकु (cone) से टकराते हैं, तो आप तुरंत फेल हो जाते हैं।
- Agentic: आप गाड़ी चलाते हैं, एक शंकु से टकराते हैं, प्रशिक्षक कहता है "आपने मोड़ छोड़ दिया," आप रुकते हैं, अपने स्टीयरिंग को ठीक करते हैं, और फिर से प्रयास करते हैं। आप तब तक प्रयास करते रहते हैं जब तक कि आप पास न हो जाएं।
- शोध पत्र ने पाया कि इस "अभ्यास लूप" ने सामान्य AI मॉडलों को उन विशिष्ट "विशेषज्ञ" मॉडलों से बेहतर प्रदर्शन करने की अनुमति दी जिन्होंने कभी अभ्यास करने की अनुमति नहीं पाई थी।
3. पूर्णता की लागत
यहाँ एक पकड़ है। "स्व-सुधार" विधि में अधिक समय लगता है। यह एक स्प्रिंट और मैराथन के बीच के अंतर जैसा है।
- "Zero-Shot" मॉडल तेज़ है लेकिन गलतियाँ करता है।
- "Agentic" मॉडल धीमा है क्योंकि इसे कोड चलाना, त्रुटियों की जांच करना और इसे कई बार फिर से लिखना पड़ता है।
- हालाँकि, शोधकर्ताओं ने पाया कि इस अतिरिक्त समय के बावजूद, सर्वश्रेष्ठ मॉडल (जैसे Claude Opus 4.6) अभी भी व्यावहारिक होने के लिए पर्याप्त तेज़ थे, और सटीकता में भारी उछाल (47% से 85% तक) प्रति कार्य कुछ अतिरिक्त सेकंडों के लायक था।
मुख्य निष्कर्ष
यह शोध पत्र सुझाव देता है कि हमें हर नए सॉफ़्टवेयर लाइब्रेरी के लिए एक नया, विशिष्ट AI मस्तिष्क बनाने की आवश्यकता नहीं है। इसके बजाय, हमें स्मार्ट वर्कफ़्लो बनाने चाहिए।
सामान्य AI मॉडलों को चीजें खोजने (RAG) और अपनी गलतियों से सीखने (Agentic loops) की क्षमता देकर, हम ऐसे क्वांटम कोडिंग सहायक बना सकते हैं जो हैं:
- अधिक सटीक: वे काम को अधिक बार सफलतापूर्वक पूरा करते हैं।
- अधिक लचीले: वे बिना पुन: प्रशिक्षण के सॉफ़्टवेयर अपडेट के अनुकूल तुरंत हो जाते हैं।
- अधिक टिकाऊ: हम मॉडलों को लगातार पुन: प्रशिक्षित करने की भारी लागत और ऊर्जा बचाते हैं।
संक्षेप में: AI को केवल उत्तर न सिखाएं; AI को उत्तर कैसे ढूँढना है और गलत होने पर उसे कैसे ठीक करना है, यह सिखाएं। यही कोडिंग सहायकों का भविष्य 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।