कल्पना कीजिए कि आप एक ऐसे खेल में सबसे अच्छी चाल खोजने की कोशिश कर रहे हैं जिसमें अरबों संभावित बोर्ड सेटअप हो सकते हैं। कंप्यूटर विज्ञान की दुनिया में, इसे "कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन" (combinatorial optimization) समस्या कहा जाता है। यह उस तरह की पहेली है जो लॉजिस्टिक्स कंपनियों, वित्तीय व्यापारियों और AI डिजाइनरों की रातों की नींद उड़ा देती है: एक हजार डिलीवरी ट्रकों को कैसे रूट किया जाए, एक विशाल निवेश पोर्टफोलियो को कैसे संतुलित किया जाए, या एक नई दवा के अणु को बिना हर एक संभावना की जांच किए कैसे डिजाइन किया जाए। दशकों से, हम जानते हैं कि क्लासिकल कंप्यूटर (जो आपके लैपटॉप में होते हैं) इन समस्याओं में फंस जाते हैं क्योंकि विकल्पों की संख्या इतनी तेजी से बढ़ती है कि उन्हें सटीक रूप से हल करना असंभव हो जाता है।

क्वांटम कंप्यूटर का आगमन हुआ। क्वांटम कंप्यूटर को एक तेज़ कैलकुलेटर के रूप में नहीं, बल्कि एक जादुई खोजकर्ता के रूप में सोचें जो एक साथ कई संभावनाओं को देख सकता है। इसके लिए एक प्रसिद्ध उपकरण "ग्रोवर का एल्गोरिदम" (Grover's algorithm) है, जो एक सुपर-पावर्ड आवर्धक लेंस (magnifying glass) की तरह काम करता है। हर दरवाजे को एक-एक करके जांचने के बजाय, यह सही दरवाजे के सिग्नल को बढ़ाता है, जिससे वह इतना स्पष्ट हो जाता है कि आप उसे बहुत तेज़ी से ढूंढ सकें। हालाँकि, इस जादु적인 लेंस में एक दोष है: यह तब सबसे अच्छा काम करता है जब "सही" उत्तर बाकी सब से पूरी तरह अलग और स्पष्ट हो। यदि उत्तर अव्यवस्थित हैं, या यदि भूलभुलैया में सख्त नियम (constraints) हैं जिन्हें अधिकांश रास्ते तोड़ देते हैं, तो यह लेंस भ्रमित हो सकता है, और कभी-कभी गलत दरवाजे को ही उभार सकता है। यह शोध पत्र उस आवर्धक लेंस को और भी पैना बनाने का एक नया तरीका बताता है ताकि यह काम भी कर सके जब भूलभुलैया अव्यवस्थित हो और नियमों से भरी हो।

द ब्लेंडर: क्वांटम उत्तरों को मिलाने का एक नया तरीका

इस शोध पत्र में, मैसिमिलियानो कुटुनो (Massimiliano Cutugno) ग्रोवर के एल्गोरिदम का एक नया रूप पेश करते हैं जिसे "ब्लेंडर" (Blender) एल्गोरिदम कहा गया है। लक्ष्य सरल लेकिन कठिन है: एक जटिल गणितीय समस्या के सर्वोत्तम समाधान (minimizer) को खोजना, भले ही समाधान बिखरे हुए हों और समस्या में ऐसे सख्त नियम हों जिन्हें अधिकांश समाधान तोड़ देते हैं।

यह समझने के लिए कि इसकी आवश्यकता क्यों है, कल्पना करें कि आप एक शेफ हैं जो एक आदर्श रेसिपी खोजने की कोशिश कर रहे हैं। आपके पास सामग्रियों की एक विशाल सूची (variables) है, और आप वह व्यंजन चाहते हैं जिसमें कैलोरी की मात्रा सबसे कम हो (objective function)। लेकिन एक शर्त है: आप केवल उन्हीं सामग्रियों का उपयोग कर सकते हैं जो एक विशिष्ट आकार के कटोरे में फिट बैठती हैं (constraints)।

पुराने तरीके, जैसे कि मूल ग्रोवर एल्गोरिदम, एक स्विच को बदलकर यह बताने की कोशिश करते हैं कि "हाँ, यह अच्छा है" या "नहीं, यह बुरा है।" लेकिन यदि "अच्छी" रेसिपी दुर्लभ हैं और "बुरी" रेसिपी हर जगह मौजूद हैं, तो स्विच भ्रमित हो सकता है। एक अन्य विधि, जिसे ग्रोवर एडेप्टिव सर्च (GAS) कहा जाता है, एक जटिल गणितीय उपकरण (Quantum Fourier Transform) का उपयोग करके रेसिपी को क्रमबद्ध करके इसे ठीक करने की कोशिश करती है, लेकिन यह उपकरण भारी, धीमा है और इसके लिए बहुत अधिक महंगे उपकरणों की आवश्यकता होती है।

ब्लेंडर कुछ अलग करने की कोशिश करता है। केवल एक स्विच को बदलने के बजाय, यह क्वांटम स्टेट के "फेज" (phase) का उपयोग करता है—इसे एक घूमते हुए लट्टू (spinning top) की दिशा के रूप में समझें। यह एल्गोरिदम प्रत्येक संभावित रेसिपी को उसकी कैलोरी की मात्रा के आधार पर एक दिशा सौंपता है। सबसे अच्छी रेसिपी (minimizer) को पूरी तरह से घुमाकर एक विशिष्ट दिशा (फेज $-\pi$) की ओर इशारा करने के लिए सेट किया जाता है, जबकि सबसे खराब रेसिपी विपरीत दिशा में इशारा करती है।

गुप्त सामग्रियां: स्टेबलाइजर्स और ब्लेड्स

शोध पत्र इस काम को बेहतर बनाने के लिए दो विशेष "सामग्रियां" पेश करता है: स्टेबलाइजर क्वबिट्स (Stabilizer qubits) और ब्लेड क्वबिट्स (Blade qubits)।

1. द स्टेबलाइजर (दर्पण): कल्पना कीजिए कि आपके पास एक घूमता हुआ लट्टू है जो डगमगा रहा है। इसे सीधा घुमाने के लिए, आप इसके बगल में एक दर्पण रखते हैं। स्टेबलाइजर क्वबिट इसी तरह काम करता है। यह घूमती हुई अवस्थाओं की एक सटीक प्रतिलिपि बनाता है लेकिन दूसरी तरफ। यह सुनिश्चित करता है कि सभी स्पिन की "औसत" दिशा सबसे अच्छी रेसिपी के साथ पूरी तरह से संरेखित हो। इसके बिना, सबसे अच्छी रेसिपी अन्य शोर (noise) के बीच खो सकती है।

2. द ब्लेड्स (मिक्सिंग पैडल्स): यह सबसे रचनात्मक हिस्सा है। लेखक "ब्लेड क्वबिट्स" नामक अतिरिक्त क्वबिट्स जोड़ते हैं। एक किचन ब्लेंडर की कल्पना करें। यदि आप इसमें केवल कुछ ही सामग्रियां डालते हैं, तो वे अच्छी तरह से नहीं मिल पातीं। लेकिन यदि आप अधिक ब्लेड जोड़ते हैं, तो मिश्रण अधिक अच्छी तरह से ब्लेंड होता है। क्वांटम दुनिया में, ये "ब्लेड क्वबिट्स" रेसिपी को नहीं बदलते; वे बस वहां रहते हैं और स्पिन के औसत दिशा को केंद्र से दूर धकेलते हैं। आप जितने अधिक ब्लेड जोड़ेंगे (शोध पत्र लगभग 9 ब्लेड का सुझाव देता है जिससे 99% सफलता दर मिलती है), उतने ही "बुरे" रेसिपी को केंद्र की ओर धकेला जाएगा (जहाँ वे गायब हो जाते हैं) और "सबसे अच्छी" रेसिपी को किनारे की ओर फेंका जाएगा (जहाँ उसे ढूंढना आसान हो जाता है)।

लेखक इसे "ब्लेंडर" कहते हैं क्योंकि, बिल्कुल एक किचन ब्लेंडर की तरह, यह संभावनाओं के एक अस्त-व्यस्त मिश्रण को लेता है और इन "ब्लेड्स" का उपयोग करके अच्छे और बुरे को अलग करता है, जिससे एक भंवर (vortex) बनता है जो गलत उत्तरों को बीच में खींच लेता है और सही उत्तर को ऊपर की ओर उछाल देता है।

व्यवहार में यह कैसे काम करता है

शोध पत्र केवल सिद्धांत की बात नहीं करता है; यह सिमुलेशन चलाकर देखता है कि क्या ब्लेंडर वास्तव में काम करता है।

• सेटअप: उन्होंने 7 वेरिएबल्स वाली समस्याओं पर इस एल्गोरिदम का परीक्षण किया (जिसका अर्थ है 128 संभावित संयोजन)।
• परिणाम: इन सिमुलेशन में, जब उन्होंने 5 "ब्लेड क्वबिट्स" जोड़े, तो एल्गोरिदम ने सही चरणों के बाद लगभग 95% बार सफलतापूर्वक सर्वोत्तम समाधान खोज लिया।
• विजुअल्स: शोध पत्र में रंगीन "हीटमैप्स" शामिल हैं जो दिखाते हैं कि क्वांटम स्टेट्स कैसे चलते हैं। आप देख सकते हैं कि "बुरे" स्टेट्स कैसे केंद्र में घूमकर गायब हो जाते हैं, जबकि "सबसे अच्छा" स्टेट कैसे किनारे की ओर घूमकर बाहर आता है, जो मापने के लिए तैयार होता है।

ब्लेंडर क्या नहीं करता (और यह क्यों महत्वपूर्ण है)

यह नोट करना बहुत महत्वपूर्ण है कि यह शोध पत्र क्या दावा नहीं करता है। लेखक अपनी सीमाओं के बारे में ईमानदार हैं:

• यह अभी बड़े समस्याओं के लिए जादू की छड़ी नहीं है: शोध पत्र स्वीकार करता है कि बड़े, वास्तविक दुनिया के औद्योगिक समस्याओं के लिए, ब्लेंडर सबसे अच्छे क्लासिकल तरीकों से तेज़ नहीं हो सकता है। इसके लिए एक बहुत शक्तिशाली क्वांटम कंप्यूटर की आवश्यकता है जिसमें "फॉल्ट टॉलरेंस" (अर्थात वह अपनी गलतियों को खुद ठीक कर सके) हो, जो हमारे पास अभी पूरी तरह से निर्मित नहीं है।
• इसे स्कोर पता होना चाहिए: काम करने के लिए, ब्लेंडर को "कैलोरी काउंट" की सीमा (ऑब्जेक्टिव फंक्शन का न्यूनतम और अधिकतम मान) पहले से पता होनी चाहिए ताकि घूमने की गति को सही ढंग से सेट किया जा सके। शोध पत्र स्पष्ट रूप से कहता है कि इन मानों को स्वचालित रूप से खोजना भविष्य के शोध के लिए एक समस्या है।
• यह सबके लिए "जीत" नहीं है: लेखक ब्लेंडर की तुलना पुराने "GAS" तरीके से करते हैं। हालांकि ब्लेंडर भारी उपकरणों से बचता है, लेकिन इसे अधिक "ब्लेड क्वबिट्स" और चलाने के लिए अधिक चरणों की आवश्यकता होती है। शोध पत्र सुझाव देता है कि फिलहाल, ब्लेंडर एक आशाजनक वेरिएंट है जो छोटी, विशिष्ट समस्याओं के लिए तेज़ हो सकता है, लेकिन इसने अभी तक सभी के लिए बड़े अनुकूलन (optimization) के पहेली को हल नहीं किया है।

ब्लेंडर का भविष्य

शोध पत्र भविष्य के अनुसंधान के लिए कुछ दिलचस्प दिशाओं का सुझाव देकर समाप्त होता है। क्या हम ब्लेंडर को न केवल एक अकेली सबसे अच्छी रेसिपी खोजने के लिए, बल्कि "काफी अच्छी" रेसिपीओं के एक पूरे समूह को खोजने के लिए ट्यून कर सकते हैं? लेखक सुझाव देते हैं कि "ब्लेड्स" को घुमाने के तरीके को बदलकर, हम अच्छी उत्तरों के एक पूरे क्लस्टर को बढ़ावा दे सकते हैं, जो बहुत तेज़ होगा। वे यह भी जानना चाहते हैं कि क्या हम एक ऐसा क्वांटम टूल बना सकते हैं जो कैलोरी काउंट को स्वचालित रूप से खोज सके, ताकि ब्लेंडर को शुरू होने से पहले उत्तर बताने की आवश्यकता न हो।

संक्षेप में, ब्लेंडर एल्गोरिदम एक अव्यवस्थित, नियमों से बंधी समस्या में सबसे अच्छा उत्तर खोजने के लिए "स्टेबलाइजर्स" और "ब्लेड्स" का उपयोग करके क्वांटम स्टेट्स को मिलाने का एक चतुर नया तरीका है। यह सिमुलेशन में खूबसूरती से काम करता है, छोटी समस्याओं के लिए 95% सफलता दर दिखाता है, लेकिन इसे वास्तविक दुनिया की विशाल पहेलियों के लिए एक व्यावहारिक उपकरण बनने के लिए बेहतर हार्डवेयर और अधिक शोध की आवश्यकता है। यह एक आशाजनक कदम है, लेकिन पूरी तरह से हल किए गए क्वांटम ऑप्टिमाइज़ेशन की यात्रा अभी बस शुरू ही हुई है।