Aligning Quantum Operators with Large Language Models
यह शोध पत्र एक नवीन दृष्टिकोण प्रस्तुत करता है जो क्वांटम यूनिटरी ऑपरेटरों को लार्ज लैंग्वेज मॉडल्स के लेटेंट स्पेस में मैप करता है, जिससे प्रतिस्पर्धी सर्किट सिंथेसिस और भाषाई तर्क एवं क्वांटम ऑपरेशन्स के बीच के अंतर को पाटने के लिए प्राकृतिक भाषा-आधारित गेट बाधाएं सक्षम होती 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
मुख्य विचार: एक लैंग्वेज मॉडल को गणित "देखना" सिखाना
कल्पना कीजिए कि आपके पास एक अत्यंत बुद्धिमान अनुवादक है जो दुनिया की हर भाषा धाराप्रवाह बोल सकता है। वह कविता लिख सकता है, पहेलियाँ सुलझा सकता है, और यहाँ तक कि कंप्यूटर कोड भी लिख सकता है। हालाँकि, एक चीज़ है जो वह नहीं कर सकता: वह इस बात के प्रति अंधा है कि एक क्वांटम कंप्यूटर के वास्तविक गणितीय ब्लूप्रिंट (blueprints) कैसे काम करते हैं। वह मशीन के पुर्जे का नाम (जैसे "T-gate") तो पढ़ सकता है, लेकिन वह उस जटिल गणितीय आकार (जिसे "unitary matrix" कहते हैं) को नहीं देख सकता जो वह पुर्जा वास्तव में बनाता है।
यह शोध पत्र इस कमी को दूर करने का एक नया तरीका पेश करता है। शोधकर्ताओं ने एक ऐसा सेतु (bridge) बनाया है जो एक लार्ज लैंग्वेज मॉडल (LLM) को इन गणितीय आकारों को सीधे "देखने" की अनुमति देता है, ठीक वैसे ही जैसे वह किसी चित्र को देखता है या किसी वाक्य को पढ़ता है।
समस्या: "लेबल" बनाम "वस्तु"
वर्तमान में, यदि आप चाहते हैं कि कोई AI क्वांटम सर्किट डिजाइन करे, तो आपको इसे टेक्स्ट लेबल का उपयोग करके वर्णित करना होगा (जैसे, "Qubit 1 पर T-gate लगाएँ")। AI मूल रूप से निर्देशों की एक सूची के आधार पर "अगले शब्द का अनुमान लगाने" का खेल खेल रहा है।
समस्या यह है कि क्वांटम ऑपरेशन्स जटिल संख्याओं (complex numbers) और मैट्रिसेस (matrices) द्वारा परिभाषित होते हैं, न कि केवल नामों द्वारा। मौजूदा AI उस शेफ की तरह हैं जो केवल सामग्रियों के नाम ("नमक", "चीनी") जानते हैं लेकिन उन्होंने कभी वास्तविक सामग्री को चखा या देखा नहीं है। वे रेसिपी का पालन कर सकते हैं, लेकिन वे भोजन के रसायन विज्ञान (chemistry) को सहजता से नहीं समझ सकते।
समाधान: गणित को "चित्रों" में बदलना
शोधकर्ताओं ने इसे जटिल गणित को ऐसी चीज़ में बदलकर हल किया जिसे AI विज़ुअली प्रोसेस कर सके।
- अनुवाद: उन्होंने एक क्वांटम ऑपरेशन (जिसे Pauli Transfer Matrix कहा जाता है) के गणितीय "ब्लूप्रिंट" को लिया और उसे एक डिजिटल इमेज की तरह माना।
- लेंस: उन्होंने एक छोटा, हल्का कैमरा (एक एनकोडर) बनाया जो इस "मैथ इमेज" को देखता है, इसे छोटे पैच में तोड़ता है, और उन पैचों को उस भाषा में अनुवादित करता है जिसे LLM समझता है।
- बातचीत: अब, LLM एक ही समय में "मैथ पिक्चर" और टेक्स्ट निर्देशों को देख सकता है। यह एक शेफ को कच्चे माल की फोटो और रेसिपी दोनों दिखाने जैसा है, जिससे वे कार्य को बहुत बेहतर तरीके से समझ पाते हैं।
खेल: प्याज छीलना
AI जिस कार्य को हल करने की कोशिश कर रहा है उसे सर्किट सिंथेसिस (Circuit Synthesis) कहा जाता है। कल्पना कीजिए कि आपके पास एक जटिल, लिपटी हुई भेंट (टारगेट क्वांटम ऑपरेशन) है। आपका लक्ष्य एक-एक करके परतें (gates) उतारकर इसे खोलने का है जब तक कि आप इसके केंद्र तक न पहुँच जाएँ।
- AI इसे कैसे करता है: एक बार में पूरी परतों की सूची का अनुमान लगाने के बजाय, AI उपहार की वर्तमान स्थिति (जिसे "residual" मैथ कहते हैं) को देखता है, अगली परत को हटाने की भविष्यवाणी करता है, और फिर उपहार की तस्वीर को अपडेट करता है।
- फीडबैक लूप: जब AI एक परत का अनुमान लगाता है, तो सिस्टम गणितीय रूप से उस परत को उपहार से हटा देता है और उपहार की नई, छोटी "तस्वीर" को अगले अनुमान के लिए AI को दिखाता है। यह चरण-दर-चरण होता है, जैसे "हॉट एंड कोल्ड" (hot and cold) का खेल हो, जहाँ AI हर मोड़ पर समाधान के करीब पहुँचता जाता है।
उन्होंने क्या पाया
शोधकर्ताओं ने इसका परीक्षण 4-qubit क्वांटम सर्किट्स (एक छोटा लेकिन जटिल स्तर) पर किया। यहाँ क्या हुआ:
- अधिक डेटा = बेहतर दिमाग: ठीक वैसे ही जैसे एक छात्र अधिक किताबें पढ़कर स्मार्ट होता है, यह AI भी काफी बेहतर हो गया जैसे-जैसे उन्हें अधिक प्रशिक्षण उदाहरण दिए गए। जब उन्होंने प्रशिक्षण डेटा को 1,45,000 उदाहरणों से बढ़ाकर 92 लाख (9.2 million) कर दिया, तो सफलता दर तीन गुना बढ़ गई। इसके "रुक जाने" या किसी सीमा तक पहुँचने का कोई संकेत नहीं मिला; इसमें लगातार सुधार होता रहा।
- गहराई से सोचना काम आता है: यदि AI को कुछ अलग अनुमान लगाने और सबसे अच्छा चुनने की अनुमति दी गई (जैसे एक छात्र अपने काम को कई बार चेक करता है), तो यह लगभग पूर्ण हो गया, जिसने 99.4% समस्याओं को हल किया।
- पुराने तरीकों को पछाड़ना: इस नए तरीके ने पिछले "स्पेशलिस्ट" AI तरीकों (जैसे Reinforcement Learning) और पारंपरिक खोज एल्गोरिदम को हरा दिया। यह तेज़ था, अधिक सटीक था, और इसे पुराने तरीकों की तरह कठिन 'ट्रायल-एंड-एरर' ट्यूनिंग की आवश्यकता नहीं थी।
सुपरपावर: AI से बात करना
सबसे रोमांचक बात यह है कि क्योंकि यह एक लैंग्वेज मॉडल है, आप इसे काम करने के तरीके को बदलने के लिए साधारण अंग्रेजी में निर्देश दे सकते हैं।
एक विशेष परीक्षण में, शोधकर्ताओं ने AI को निर्देश दिए जैसे, "केवल इन विशिष्ट गेट्स का उपयोग इन विशिष्ट वायरों पर करें।" AI ने टेक्स्ट को समझा और नियमों का पालन किया, भले ही उसने पहले कभी उन सटीक नियमों को नहीं देखा था। यह कुछ ऐसा है जो पुराने, विशेष गणितीय सॉल्वर नहीं कर सकते थे; वे कठोर होते हैं, लेकिन यह AI लचीला है और इसे एक साधारण वाक्य से निर्देशित किया जा सकता है।
निष्कर्ष
यह शोध पत्र यह सिद्ध करता है कि हम एक सामान्य-उद्देश्य वाले AI को क्वांटम कंप्यूटरों के कच्चे गणितीय "सार" (soul) को समझने के लिए सिखा सकते हैं, न कि केवल उनके टेक्स्ट लेबल को। जटिल गणित को विजुअल इनपुट में बदलकर, AI क्वांटम सर्किटों को अधिक कुशलता से बनाना सीख सकता है और यहाँ तक कि उन्हें बनाने के लिए प्राकृतिक भाषा के निर्देशों का पालन भी कर सकता है। यह एक ऐसे भविष्य की ओर एक कदम है जहाँ AI केवल क्वांटम भौतिकी के बारे में पढ़ नहीं सकता, बल्कि स्वाभाविक रूप से उसके बारे में तर्क (reasoning) भी कर सकता 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।