Quantum machine learning interatomic potential: Application of variational quantum algorithm
यह अध्ययन प्रदर्शित करता है कि क्वांटम ट्रांसफर लर्निंग के माध्यम से एक क्लासिकल न्यूरल नेटवर्क में क्वांटम सर्किट को एकीकृत करने से आणविक ऊर्जा भविष्यवाणी के लिए मशीन लर्निंग इंटरएटॉमिक पोटेंशियल की सटीकता में मामूली सुधार हो सकता है, विशेष रूप से तब जब प्री-ट्रेन्ड क्लासिकल मॉडल में सुधार की गुंजाइश हो।
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 केवल एक कार के इंजन या एक जीवित कोशिका जैसे किसी जटिल यंत्र के ब्लूप्रिंट को देखकर यह अनुमान लगाने की कोशिश कर रहे हैं कि वह कैसे व्यवहार करेगा। रसायन विज्ञान की दुनिया में, वैज्ञानिक इसी तरह की चुनौती का सामना करते हैं: वे जानना चाहते हैं कि परमाणु आपस में कैसे जुड़ते हैं और उनमें कितनी ऊर्जा होती है। इसे पूरी तरह से करने के लिए, उन्हें आमतौर पर एक विशाल, दिमाग घुमा देने वाली गणितीय समस्या को हल करना होता है जिसे श्रोडिंगर समीकरण (Schrödinger equation) कहा जाता है। यह बिल्कुल वैसा ही है जैसे तूफान में गिरने वाली हर एक बूंद के सटीक पथ की गणना करने की कोशिश करना; यह अविश्वसनीय रूप से सटीक है लेकिन इसमें इतनी अधिक कंप्यूटर शक्ति लगती है कि बड़े, जटिल अणुओं के लिए यह अक्सर असंभव हो जाता है।
यहाँ "मशीन लर्निंग इंटरएटोमिक पोटेंशियल" (MLIPs) का प्रवेश होता है। इन्हें "सुपर-स्मार्ट, प्रशिक्षित सहायकों" के रूप में सोचें। हर बार शून्य से कठिन गणित हल करने के बजाय, ये सहायक उदाहरणों से सीखते हैं। वे हजारों ज्ञात अणुओं का अध्ययन करते हैं, परमाणुओं के व्यवस्थित होने के पैटर्न को याद करते हैं, और फिर नए अणुओं की ऊर्जा का तुरंत अनुमान लगाते हैं। यह एक मौसम पूर्वानुमानकर्ता की तरह है जिसने दशकों के तूफानों का अध्ययन किया है और वह पलक झपकते ही कल की बारिश की भविष्यवाणी कर सकता है। हाल ही में, वैज्ञानिकों ने एक विचित्र सवाल पूछा है: क्या होगा यदि हम इन सहायकों को सोचने में मदद करने के लिए एक छोटा, प्रयोगात्मक "क्वांटम मस्तिष्क" दे दें? क्वांटम कंप्यूटर उप-परमाणु दुनिया के अजीब नियमों का उपयोग करते हैं, जहाँ कण एक ही समय में दो स्थानों पर हो सकते हैं, ताकि सूचना को उन तरीकों से संसाधित किया जा सके जो सामान्य कंप्यूटर नहीं कर सकते। यह शोध पत्र इस बात की जांच करता है कि क्या एक मानक रासायनिक भविष्यवाणी मॉडल के एक छोटे से हिस्से को क्वांटम सर्किट के साथ बदलकर उसे एक बेहतर अनुमान लगाने वाला बनाया जा सकता है।
इस विचार का परीक्षण करने के लिए शोधकर्ताओं ने ANI (Accurate NeurAl netwOrk engINe for Molecular Energies) नामक एक लोकप्रिय, उच्च-प्रदर्शन वाले मॉडल का उपयोग करने का निर्णय लिया। कल्पना कीजिए कि ANI एक बहुत ही कुशल, क्लासिकल शेफ (रसोइया) है जिसने आणविक ऊर्जा की भविष्यवाणी करने की रेसिपी को सिद्ध करने में वर्षों बिताए हैं। टीम की रणनीति इस शेफ के अंतिम चरण—वह क्षण जब वे व्यंजन को प्लेट पर सजाते हैं—को बदलने और उसकी जगह एक "क्वांटम सू-शेफ" (सहायक रसोइया) को रखने की थी। यह नया सू-शेफ एक वेरिएशनल क्वांटम एल्गोरिदम, विशेष रूप से एक क्वांटम सर्किट लर्निंग (QCL) मॉडल है। विचार यह है कि क्लासिकल शेफ सामग्री (परमाणुओं और उनकी स्थितियों) को समझने का सारा भारी काम करता है, उस जानकारी को एक सारांश में संकुचित करता है, और फिर अंतिम ऊर्जा गणना करने के लिए उसे क्वांटम सू-शेफ को सौंप देता है।
टीम ने यह देखने के लिए सिमुलेशन की एक श्रृंखला चलाई कि क्या यह हाइब्रिड किचन अकेले क्लासिकल किचन की तुलना में बेहतर काम करता है। उन्होंने विभिन्न आणविक डेटासेट्स पर अपने सेटअप का परीक्षण किया, जिसमें पानी और मीथेन जैसे सरल अणुओं से लेकर कोलेस्ट्रॉल और उसके आइसोमर्स (isomers) जैसे अधिक जटिल अणु शामिल थे। उन्होंने यह देखने के लिए कि क्या सबसे अच्छा काम करता है, क्वांटम सर्किट की "गहराई" (इसमें क्वांटम तर्क की कितनी परतें थीं) और "क्यूबिट्स" (सूचना के क्वांटित बिट्स जिनका यह उपयोग करता है) की संख्या में बदलाव किया।
परिणाम "अभी क्रांति नहीं हुई" और "उम्मीद जगाने वाली क्षमता" का मिश्रण थे। अध्ययन में पाया गया कि क्वांटम-संवर्धित मॉडल स्वचालित रूप से हर स्थिति में क्लासिकल मॉडल को नहीं हरा पाता है। वास्तव में, जब क्लासिकल शेफ पहले से ही बहुत अच्छा काम कर रहा था (भारी मात्रा में डेटा पर प्रशिक्षित होने के कारण), तो क्वांटम सू-शेफ ने बहुत अधिक मूल्य नहीं जोड़ा। हालांकि, शोध पत्र सुझाव देता है कि क्वांटम दृष्टिकोण तब चमकता है जब क्लासिकल मॉडल थोड़ा "भूखा" होता है—विशेष रूप से, जब प्रारंभिक प्रशिक्षण पूर्ण नहीं था या डेटासेट छोटा था। इन विशिष्ट स्थितियों में, क्वांटम सर्किट वाले मॉडल ने थोड़ा कम त्रुटि दर हासिल की, जिसमें कुछ परीक्षणों में रूट मीन स्क्वेर्ड एरर (RMSE) क्लासिकल-ओनली संस्करण के 1.80 kcal/mol की तुलना में गिरकर 1.48 kcal/mol हो गया।
जब उन्होंने कोलेस्ट्रॉल जैसे वास्तविक दुनिया के जटिल अणु पर इसका परीक्षण किया, तो क्वांटम मॉडल ने अपनी उपयोगिता दिखाई। इसने उच्च-स्तरीय गणनाओं की तुलना में 10 kcal/mol से कम की त्रुटियों के साथ कोलेस्ट्रॉल और उसके आइसोमर्स की ऊर्जा की सफलतापूर्वक भविष्यवाणी की और अणु के विभिन्न आकारों के ऊर्जा क्रम की सही भविष्यवाणी की। लेखक यह भी नोट करते हैं कि, एक विशिष्ट आइसोमर के लिए जिसमें डबल बॉन्ड की एक लंबी श्रृंखला थी, सटीकता में सुधार नहीं हुआ, संभवतः इसलिए क्योंकि प्रशिक्षण डेटा में उस विशिष्ट पैटर्न के पर्याप्त उदाहरण नहीं थे।
अंततः, यह शोध पत्र सुझाव देता है कि हालांकि क्वांटम कंप्यूटर कोई जादुွေई छड़ी नहीं हैं जो तुरंत सभी रसायन विज्ञान की समस्याओं को हल कर देते हैं, वे हमारे मॉडलों को सूक्ष्म रूप से बेहतर बनाने के लिए एक शक्तिशाली उपकरण हो सकते हैं। अध्ययन निष्कर्ष निकालता है कि क्वांटम लाभ तब सबसे अधिक दृश्यमान होता है जब क्लासिकल मॉडल में "सुधार की गुंजाइश" होती है। यदि क्लासिकल मॉडल पहले से ही लगभग पूर्ण है, तो क्वांटम हिस्सा अधिक मदद नहीं करता है। लेकिन उन स्थितियों के लिए जहाँ हमें सीमित डेटा या सरल नेटवर्क से अतिरिक्त सटीकता प्राप्त करने की आवश्यकता है, एक क्वांटम सर्किट डालना कुंजी हो सकता है। शोधकर्ता इस बात पर जोर देते हैं कि ये निष्कर्ष क्लासिकल कंप्यूटरों पर किए गए सिमुलेशन से आए हैं, वास्तविक क्वांटम हार्डवेयर से नहीं, इसलिए अगला कदम यह देखना होगा कि क्या ये परिणाम वास्तविक, शोर वाले (noisy) क्वांटम मशीनों पर चलने वाले क्वांटम सर्किटों पर भी टिक पाते हैं। फिलहाल, यह एक आशाजनक संकेत है कि पुराने और नए का मिश्रण ही अगली पीढ़ी की आणविक खोज का सही नुस्खा हो 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।