Generative AI Beyond Tokens: Quantum Resource Consumption of IQP Circuits

द क्वांटम शेफ का सीक्रेट इंग्रीडिएंट (The Quantum Chef's Secret Ingredient)

कल्पना कीजिए कि आप एक बेहतरीन केक बनाने की कोशिश कर रहे हैं, लेकिन आटा और चीनी के बजाय, आप क्वांटम भौतिकी के अजीब और डगमगाते नियमों के साथ काम कर रहे हैं। यह क्वांटम जेनेरेटिव मॉडलिंग की दुनिया है। इसे एक ऐसे हाई-टेक शेफ के रूप में सोचें जो केवल एक रेसिपी का पालन नहीं करता, बल्कि शून्य से एक विशिष्ट फ्लेवर प्रोफाइल बनाना सीखता है। लक्ष्य केवल एक केक बनाना नहीं है; बल्कि एक ऐसी क्वांटम मशीन बनाना है जो, जब आप उससे अपने निर्माण को "सैंपल" (या चखने) के लिए कहें, तो आपको एक ऐसा परिणाम दे जो बिल्कुल एक जटिल, वास्तविक दुनिया के पैटर्न जैसा दिखे, जैसे कि खिड़की पर गिरती बारिश की बूंदों का तरीका या शेयर बाजार की कीमतों का उतार-चढ़ाव।

इसे करने के लिए, शेफ एक विशेष किचन टूल का उपयोग करता है जिसे IQP सर्किट कहा जाता है। आप इसे क्वांटम बिट्स (क्यूबिट्स) के लिए एक बहुत ही विशिष्ट, सुव्यवस्थित असेंबली लाइन के रूप में देख सकते हैं। इसे आज के समय में बनाने के लिए पर्याप्त सरल बनाया गया है, लेकिन इतना जटिल भी है कि एक सामान्य कंप्यूटर इसके काम की नकल करने की कोशिश में बुरी तरह खो जाएगा। लेकिन यहाँ एक पेंच है: इन क्वांटम मशीनों को बनाना महंगा है। उन्हें मैजिक (Magic) नामक एक दुर्लभ, कीमती संसाधन की आवश्यकता होती है। क्वांटम दुनिया में, "मैजिक" कोई जादू की छड़ी या मंत्र नहीं है; यह एक तकनीकी शब्द है जो उस "गैर-मानक" चीज़ को दर्शाता है जो एक क्वांटम कंप्यूटर को वास्तव में शक्तिशाली और एक सामान्य लैपटॉप के साथ सिम्युलेट करने में असंभव बनाता है। यह एक साधारण टोस्टर और एक टाइम-ट्रैवलिंग ओवन के बीच का अंतर है। वैज्ञानिक जो बड़ा सवाल पूछ रहे हैं वह यह है: क्या हमारे क्वांटम शेफ इस महंगे 'मैजिक' का कुशलतापूर्वक उपयोग कर रहे हैं, या वे इसे उन चीजों पर बर्बाद कर रहे हैं जो वास्तव में केक का स्वाद बेहतर बनाने में मदद नहीं करती हैं?

पेपर की कहानी: मैजिक को मापना (The Paper's Story: Measuring the Magic)

इस शोध पत्र में, दो शोधकर्ताओं, टॉम क्रुगर और वोल्फगैंग मौरर ने इन क्वांटम शेफों को सूक्ष्मदर्शी के नीचे रखने का निर्णय लिया। वे यह देखना चाहते थे कि इन IQP सर्किट्स में उपयोग किया जा रहा "मैजिक" वास्तव में मशीन को सीखने में मदद कर रहा था या यह केवल शोर (noise) था।

पुराना तरीका बनाम नया तरीका
इससे पहले, वैज्ञानिक यह मापने की कोशिश करते थे कि एक क्वांटम कंप्यूटर कितनी अच्छी तरह सीख रहा है, इसके लिए वे हिल्बर्ट स्पेस (Hilbert space) नामक एक गणितीय स्थान में क्वांटम अवस्थाओं (कच्चे माल) के बीच की "दूरी" को देखते थे। लेखक तर्क देते हैं कि यह एक शेफ की सफलता को दो अलग-अलग आटे के कटोरे के बीच की दूरी मापकर आंकने जैसा है, भले ही दोनों कटोरे से बिल्कुल एक जैसा स्वादिष्ट केक बनता हो। यह काम के लिए गलत उपकरण है।

इसके बजाय, लेखक प्रगति को मापने का एक नया तरीका प्रस्तावित करते हैं। चूंकि एक जेनेरेटिव मॉडल का लक्ष्य परिणामों का एक विशिष्ट पैटर्न (प्रोबेबिलिटी डिस्ट्रीब्यूशन) उत्पन्न करना है, इसलिए उन्होंने जेन्सन-शैनन डायवर्जेंस (Jensen-Shannon divergence) नामक एक टूल का उपयोग करके मशीन के आउटपुट और लक्षित पैटर्न के बीच के अंतर को मापने का निर्णय लिया। इसे केक के स्वाद की तुलना रेसिपी से करने के रूप में सोचें, न कि मिक्सिंग बाउल्स के बीच की दूरी मापने के रूप में।

प्रयोग: द स्पार्स IQP किचन (The Sparse IQP Kitchen)
टीम ने "रैंडम $\gamma$-स्पार्स IQP सर्किट्स" का उपयोग करके सिमुलेशन चलाए। कल्पना कीजिए कि $n$ स्टेशनों (क्यूबिट्स) वाला एक किचन है। सर्किट को "स्पार्स" बनाने के लिए, उन्होंने एक निश्चित संभावना के साथ दो-स्टेशन वाले टूल (एक टू-क्यूबिट गेट) के माध्यम से स्टेशनों के जोड़ों को जोड़ने का निर्णय लिया, जिसे $\gamma$ नामक संख्या द्वारा नियंत्रित किया जाता है। उन्होंने प्रत्येक स्टेशन पर एक-स्टेशन वाले टूल्स (वन-क्यूबिट गेट्स) भी जोड़े। उन्होंने इन सर्किट्स को रैंडम "बिनोमियल मिक्सचर" डिस्ट्रीब्यूशंस—बेसिक रूप से, संख्याओं के जटिल, लहरदार पैटर्न—की नकल करने के लिए प्रशिक्षित किया।

उन्होंने सिमुलेशन के दो मुख्य बैच चलाए:

1. बैच 1: उन्होंने विभिन्न घनत्वों ($\gamma$ का मान 1 से 3.4 तक) के साथ 500 अलग-अलग सर्किट्स को प्रशिक्षित किया ताकि यह देखा जा सके कि प्रत्येक चरण में कितना "मैजिक" (जिसे स्टेबिलाइज़र-रेनी-एन्ट्रॉपी, या SRE द्वारा मापा जाता है) खर्च किया गया और केक का स्वाद कितना सुधरा (जेन्सन-शैनन डायवर्जेंस में परिवर्तन द्वारा मापा गया)।
2. बैच 2: उन्होंने क्वांटम अवस्थाओं के "डिग्री ऑफ फ्रीडम" (degrees of freedom) को देखा। उन्होंने महसूस किया कि आप क्वांटम सामग्रियों के "फेज़" (जैसे कि लय या टाइमिंग) को बदले बिना अंतिम स्वाद को बदले बिना बदल सकते हैं। उन्होंने इन फेज़ों के रैंडम संस्करण बनाए यह देखने के लिए कि क्या प्रशिक्षित सर्किट स्वाभाविक रूप से अनावश्यक मैजिक से बच रहे हैं।

उन्हें क्या मिला
परिणाम काफी खुलासा करने वाले थे। जब उन्होंने अंतिम पैटर्न में सुधार के विरुद्ध खर्च किए गए मैजिक की मात्रा को प्लॉट किया, तो उन्हें एक स्पष्ट संबंध मिला, लेकिन एक ट्विस्ट के साथ:

• टू-क्यूबिट गेट्स के नायक: "मैजिक" का उपभोग केवल तभी मजबूती से प्रगति के साथ सह-संबंधित था जब टू-क्यूबिट गेट्स का उपयोग किया गया था। ये वे जटिल उपकरण हैं जो दो स्टेशनों को आपस में जोड़ते हैं। डेटा ने दिखाया कि यही गेट्स सीखने को वास्तव में संचालित कर रहे थे।
• वन-क्यूबिट गेट्स के भूत: आश्चर्यजनक रूप से, वन-क्यूबिट गेट्स (सरल, सिंगल-स्टेशन टूल्स) ने मैजिक के उपयोग और केक का स्वाद बेहतर होने के बीच लगभग कोई सहसंबंध नहीं दिखाया। वे बहुत सारा काम कर रहे थे, लेकिन वास्तव में उस कीमती संसाधन का उपभोग करने में नहीं जो सीखने की प्रक्रिया में मदद करता है।
• द एफिशिएंसी सरप्राइज (The Efficiency Surprise): दूसरे बैच में, उन्होंने कुछ अद्भुत खोजा। प्रशिक्षित सर्किट्स ने ऐसे मध्यवर्ती अवस्थाएं (intermediate states) बनाईं जिनमें रैंडम अवस्थाओं की तुलना में अत्यधिक कम मैजिक था जो बिल्कुल वैसा ही अंतिम स्वाद दे सकती थीं। वास्तव में, प्रशिक्षित अवस्थाएं सांख्यिकीय रूप से आउटलेयर (outliers) थीं, जो कि एक रैंडम क्वांटम अवस्था में अपेक्षित औसत मैजिक की मात्रा से बहुत नीचे थीं, जो उसी आउटपुट को प्रदान करती है।

निष्कर्ष
लेखकों का सुझाव है कि IQP-आधारित क्वांटम जेनेरेटिव मॉडल शुरुआती, फॉल्ट-टोलरेंट क्वांटम कंप्यूटरों के लिए एक बहुत ही आशाजनक उम्मीदवार हैं। क्योंकि ये सर्किट अपने "मैजिक" का बहुत कुशलता से उपयोग करते हैं—मुख्य रूप से टू-क्यूबिटी गेट्स पर निर्भर करते हैं और कुल मैजिक खपत को कम रखते हैं—वे अन्य क्वांटम विधियों की तुलना में भारी, महंगे संसाधनों की आवश्यकता के बिना "क्वांटम एडवांटेज" (कुछ ऐसा करना जो एक सामान्य कंप्यूटर नहीं कर सकता) दिखा सकते हैं।

हालाँकि, लेखक सावधानी बरतते हुए नोट करते हैं कि ये निष्कर्ष सिमुलेशन से आए हैं। उन्होंने कुछ घनत्व स्तरों ( $\gamma$ के मान 1 और 1.4 के बीच, और फिर 3 और 3.4 के बीच) पर दक्षता में कुछ दिलचस्प "जंप" देखे, लेकिन वे सुझाव देते हैं कि ये सिमुलेशन रेजोल्यूशन के आर्टिफैक्ट हो सकते हैं या गहरे फेज ट्रांजिशन (phase transitions) की ओर संकेत कर सकते हैं जिन्हें और अधिक जांच की आवश्यकता है। फिलहाल, पेपर सुझाव देता है कि यदि हम भविष्य के लिए कुशल क्वांटम शेफ बनाना चाहते हैं, तो IQP सर्किट सबसे अच्छा रेसिपी हो सकता है।