Complementary Matrix-Gated QKAN Fast-Weight Programmers for Quantum Dynamics Forecasting

कल्पना कीजिए कि आप एक रोबोट को भविष्य की भविष्यवाणी करना सिखाने की कोशिश कर रहे हैं, चाहे वह एक पेंडुलम का झूलना हो या एक सूक्ष्म क्वांटम कण का नृत्य। इसे करने के लिए, रोबोट को एक मेमोरी बैंक की आवश्यकता है जहाँ वह जो कुछ भी देख चुका है उसे संग्रहीत कर सके। लेकिन पेच यह है: रोबोट को हर क्षण यह निर्णय लेना होगा कि क्या रखना है और क्या फेंक देना है। यदि वह सब कुछ रखता है, तो वह अभिभूत (overwhelmed) हो जाएगा; यदि वह सब कुछ फेंक देता है, तो वह कहानी भूल जाएगा। "क्वांटम-प्रेरित" मशीन लर्निंग की दुनिया में, वैज्ञानिक ऐसे विशेष मेमोरी सिस्टम बनाने की कोशिश कर रहे हैं जो क्वांटम कंप्यूटर के सोचने के तरीके की नकल करते हैं, जिसे "फास्ट-वेट प्रोग्रामर्स" कहा जाता है। इन्हें एक सुपर-फास्ट, हाई-टेक नोटबुक की तरह समझें जो हर नई जानकारी के साथ खुद को तुरंत अपडेट करती है। हालाँकि, इस नोटबुक को प्रबंधित करने का पुराना तरीका थोड़ा अनाड़ी था: इसने पूरी मेमोरी को एक साथ नियंत्रित करने के लिए एक विशाल "वॉल्यूम नॉब" का उपयोग किया। यदि आप नॉब को अधिक याद रखने के लिए घुमाते, तो मेमोरी में सब कुछ तेज़ हो जाता; यदि आप इसे कम करते, तो सब कुछ धीमा हो जाता। इसका मतलब था कि रोबोट एक विशिष्ट विवरण को याद रखने के लिए दूसरे को भूलने का निर्णय नहीं ले सकता था, और यह जटिल, लहरदार पैटर्न की भविष्यवाणी करने के लिए एक बड़ी समस्या थी।

यह शोध पत्र इस मेमोरी को प्रबंधित करने का एक चतुर नया तरीका पेश करता है, जिसे "कॉम्प्लीमेंट्री मैट्रिक्स गेटिंग" (CMG) कहा जाता है। एक पूरे कमरे के लिए एक विशाल वॉल्यूम नॉब देने के बजाय, लेखकों ने रोबोट को हर एक लाइट बल्ब के लिए एक बटन वाला रिमोट कंट्रोल दिया है। अब, रोबोट एक विशिष्ट स्मृति के लिए रोशनी चालू रख सकता है और उसी समय दूसरी स्मृति के लिए रोशनी बंद कर सकता है। शोधकर्ताओं ने इस नए "रिमोट कंट्रोल" का परीक्षण विभिन्न कार्यों पर किया, सरल गणितीय पहेलियों से लेकर वास्तविक क्वांटम प्रणालियों (जैसे एक बॉक्स में फंसा हुआ कण) के व्यवहार के सिमुलेशन तक। उन्होंने पाया कि यह नया तरीका उन्हें भविष्य की भविष्यवाणी करने में बहुत अधिक सटीक बनाता है, विशेष रूप से लंबी अवधि के लिए। वास्तव में, क्वांटम कणों के जटिल नृत्य की भविष्यवाणी करते समय, उनकी नई विधि ने पुराने "एक-नॉब" तरीके की तुलना में त्रुटियों को 91% से अधिक कम कर दिया, जिससे उनकी भविष्यवाणियां बहुत दूर भविष्य को देखते समय भी अविश्वसनीय रूप से सटीक बनी रहीं।

समस्या: "एक ही आकार के लिए उपयुक्त" मेमोरी नॉब

यह समझने के लिए कि यह नया आविष्कार इतना महत्वपूर्ण क्यों है, आइए देखें कि ये मेमोरी सिस्टम आमतौर पर कैसे काम करते हैं। कल्पना कीजिए कि आप एक नोटबुक में कहानी लिख रहे हैं। पुराने "स्केलर गेटिंग" तरीके में (जिसमें सुधार करने का प्रयास यह पेपर करता है), आपके पास एक एकल रूलर होता है जो इस बात को मापता है कि आप कहानी का कितना हिस्सा रखते हैं। यदि रूलर कहता है "80% रखें," तो आपने जो भी लिखा है उसका 80% हिस्सा बना रहता है, और प्रत्येक शब्द का 20% हिस्सा मिटा दिया जाता है। यह एक फिल्टर की तरह है जो पूरे पृष्ठ को थोड़ा पारदर्शी या थोड़ा अपारदर्शी बनाता है, लेकिन यह "कैट" शब्द के साथ बिल्कुल वैसा ही व्यवहार करता है जैसा कि "गैलेक्सी" शब्द के साथ करता है।

यह सरल कार्यों के लिए ठीक काम करता है, लेकिन जब कहानी जटिल हो जाती है, तो यह विफल हो जाता है। कभी-कभी आपको "कैट" शब्द को जीवंतता से याद रखने की आवश्यकता होती है लेकिन "गैलेक्सी" शब्द को पूरी तरह से भूल जाने की आवश्यकता होती है। पुराना तरीका आपकी सभी स्मृतियों को एक ही "टाइम स्केल" साझा करने के लिए मजबूर करता है, जिसका अर्थ है कि वे सभी बिल्कुल एक ही दर से फीकी पड़ती हैं या मजबूत रहती हैं। क्वांटम डायनेमिक्स की दुनिया में—जहाँ कण एक साथ दो स्थानों पर हो सकते हैं या तुरंत अवस्थाएँ बदल सकते हैं—नियंत्रण की यह कमी एक बड़ी बाधा है। यह केवल एक ब्रश का उपयोग करके एक विस्तृत चित्र बनाने की कोशिश करने जैसा है जो केवल अपने रंग की तीव्रता को बदल सकता है, लेकिन अपने आकार या रूप को नहीं।

समाधान: "पिक्सेल-परफेक्ट" रिमोट कंट्रोल

लेखकों ने, जिनका नेतृत्व कुओ-चुंग पेंग और सैमुअल येन-ची चेन ने किया था, एक नया नियम प्रस्तावित किया जिसे कॉम्प्लीमेंट्री मैट्रिक्स गेटिंग (CMG) कहा जाता है। एक विशाल नॉब के बजाय, उन्होंने मेमोरी सिस्टम को प्रत्येक डेटा के लिए एक "कॉम्प्लीमेंट्री" स्विच दिया।

यह इस उदाहरण के माध्यम से कैसे काम करता है:
कल्पित करें कि आपकी मेमोरी लाइट स्विच का एक ग्रिड है। पुराने सिस्टम में, आपके पास एक मास्टर स्विच था जो पूरे ग्रिड को मंद या उज्ज्वल करता था। नए CMG सिस्टम में, आपके पास एक मास्टर स्विच है जो प्रत्येक लाइट के लिए दो चीजें एक साथ करता है:

1. यह तय करता है कि कितनी पुरानी रोशनी को बनाए रखना है (रिटेंशन)।
2. यह तय करता है कि कितनी नई रोशनी को चालू करना है (राइटिंग)।

महत्वपूर्ण रूप से, ये दोनों निर्णय आपस में जुड़े हुए हैं। यदि स्विच तय करता है कि पुरानी रोशनी को उज्ज्वल रखना है, तो यह स्वचालित रूप से नई रोशनी को मंद कर देता है, और इसके विपरीत। यह सुनिश्चित करता है कि मेमोरी संतुलित रहे और अराजकता में न फटे (एक गुण जिसे पेपर "बाउंडेड कॉन्वेक्स अपडेट" कहता है)। यह एक सी-सॉ (see-saw) की तरह है: जैसे ही एक तरफ ऊपर जाती है, दूसरी तरफ नीचे जाती है, जिससे पूरा सिस्टम स्थिर रहता है।

शोधकर्ताओं ने एक "सेल्फ-मॉड्यूलेटिंग" विशेषता भी पेश की। इसका मतलब है कि रोबोट का "मस्तिष्क" (स्लो प्रोग्रामर) वर्तमान स्थिति को देख सकता है और इन स्विचों को समायोजित करने के लिए एक कस्टम मैप तैयार कर सकता है। यह केवल एक तुक्का नहीं है; मस्तिष्क एक लो-रैंक मैप (एक सरलीकृत, कुशल ब्लूप्रिंट) की गणना करता है जो बताता है कि प्रत्येक मेमोरी कोऑर्डिनेट को वास्तव में कैसे व्यवहार करना चाहिए।

प्रयोग: पेंडुलम से क्वांटम कणों तक

यह देखने के लिए कि क्या यह नया "रिमोट कंट्रोल" वास्तव में काम करता है, टीम ने परीक्षणों की एक श्रृंखला चलाई। उन्होंने केवल सरल गणित नहीं देखा; उन्होंने उपलब्ध सबसे जटिल सिमुलेशन के साथ सिस्टम को उसकी सीमाओं तक धकेला।

1. अभ्यास दौर (सिंगल-स्टेप प्रेडिक्शन)
सबसे पहले, उन्होंने सिस्टम का परीक्षण सात अलग-अलग "बेंचमार्क" पर किया, जो AI के लिए अभ्यास ड्रिल की तरह हैं। इनमें शामिल थे:

• डैम्प्ड सिंपल हार्मोनिक मोशन: एक पेंडुलम की गति की भविष्यवाणी करना जो समय के साथ धीमी होती जाती है।
• बेसेल फंक्शन्स: एक जटिल गणितीय तरंग पैटर्न।
• NARNA कार्य: गैर-रेखीय पहेलियाँ जिनमें अतीत की घटनाओं की एक लंबी श्रृंखला को याद रखने की आवश्यकता होती है।
• डिलेड क्वांटम कंट्रोल: एक सिग्नल जो यह नकल करता है कि क्वांटम सिस्टम विलंबित फीडबैक के प्रति कैसे प्रतिक्रिया करते हैं।

उन्होंने इन्हें बहुत छोटे (4 स्टेप्स) से लेकर काफी लंबे (64 स्टेप्स) मेमोरी लेंथ के साथ टेस्ट किया। परिणाम स्पष्ट थे: नया CMG तरीका लगातार पुराने "एक-नॉब" तरीके से बेहतर प्रदर्शन करता है। 28 अलग-अलग टेस्ट कॉन्फ़िगरेशन में से 24 में, CMG मॉडल ने सबसे कम त्रुटि दर हासिल की। जैसे-जैसे अनुक्रम लंबे होते गए, पुराना तरीका संघर्ष करने लगा, लेकिन नए तरीके ने अपना नियंत्रण बनाए रखा, जिससे यह सिद्ध हुआ कि प्रत्येक मेमोरी पीस पर व्यक्तिगत नियंत्रण होना एक गेम-चेंजर है।

2. अंतिम बॉस (क्वांटम डायनेमिक्स)
असली परीक्षा तब आई जब उन्होंने इसे वास्तविक क्वांटम भौतिकी के सिमुलेशन के लिए लागू किया। उन्होंने दो विशिष्ट क्वांटम सिस्टम को मॉडल करने के लिए CUDA-Q Dynamics नामक एक शक्तिशाली सिम्युलेटर का उपयोग किया:

• जेन्स-कमिंग्स मॉडल: एक दो-स्तरीय परमाणु और प्रकाश क्षेत्र (एक कैविटी) के बीच परस्पर क्रिया का सिमुलेशन।
• ट्रांसमोन-रेसोनेटर मॉडल: एक सुपरकंडक्टिंग क्वबिट (एक प्रकार का क्वांटम बिट) और एक रेसोनेटर के बीच परस्पर क्रिया का सिमुलेशन।

ये अनुमान लगाना बेहद कठिन है क्योंकि क्वांटम प्रणालियाँ अविश्वसनीय रूप से संवेदनशील होती हैं और जटिल तरीकों से अपनी अवस्था बदल सकती हैं। टीम ने इन प्रणालियों के 4, 8 और 16 स्टेप्स के क्षितिज (horizons) पर भविष्य के व्यवहार की भविष्यवाणी करने के लिए मॉडलों को आजमाया।

परिणाम आश्चर्यजनक थे। नए CMG नियम का उपयोग करने वाले मॉडलों ने इन सभी क्षितिज पर 0.001 या उससे कम का मीन-स्क्वेयर्ड एरर (MSE) बनाए रखा। इसे समझने के लिए, पुराने "स्केलर-गेटेड" मॉडलों ने नए मॉडलों की तुलना में 91.2% से अधिक बड़ी गलतियाँ की थीं। कुछ मामलों में, सुधार लगभग 100% था, जिसका अर्थ था कि पुराना मॉडल केवल अनुमान लगा रहा था, जबकि नया मॉडल भविष्य को स्पष्ट रूप से देख पा रहा था।

यह पेपर क्या खारिज करता है

यह ध्यान रखना महत्वपूर्ण है कि लेखकों ने यह भी पाया कि क्या काम नहीं आया। उन्होंने "सेल्फ-मॉड्यूलेटिंग" विचार के तीन अन्य संस्करणों का परीक्षण किया:

• ओनली-न्यू (Only-new): इस संस्करण ने केवल लिखी जा रही नई जानकारी को समायोजित किया, पुरानी मेमोरी को अनदेखा कर दिया। पेपर में इसे विफलता बताया गया। दीर्घकालिक पूर्वानुमान में, इसने वास्तव में पुराने तरीके की तुलना में भविष्यवाणियों को बदतर बना दिया, जिससे त्रुटियां कभी-कभी 200% से अधिक बढ़ गईं।
• ओनली-ओल्ड (Only-old): इस संस्करण ने केवल यह समायोजित किया कि कितनी पुरानी मेमोरी रखी जानी है। यह "Only-new" से बेहतर था, लेकिन "Only-new" जितना सुसंगत या शक्तिशाली नहीं था।
• फुल (Full): इस संस्करण ने दो अलग-अलग नियंत्रणों (एक पुराने के लिए, एक नए के लिए) का उपयोग किया, न कि जुड़े हुए "कॉम्प्लीमेंट्री" स्विच का। हालांकि इसने अच्छा प्रदर्शन किया, लेकिन इसके लिए अधिक कंप्यूटेशनल संसाधनों (अधिक पैरामीटर्स) की आवश्यकता थी और इसने CMG की तुलना में कोई महत्वपूर्ण लाभ नहीं दिया।

पेपर स्पष्ट रूप से तर्क देता है कि सफलता की कुंजी केवल अधिक नियंत्रण नॉब होना नहीं है, बल्कि सही प्रकार का नियंत्रण होना है: अतीत को रखने और भविष्य को लिखने के बीच एक स्थिर, पूरक संतुलन।

निष्कर्ष

लेखक निष्कर्ष निकालते हैं कि कॉम्प्लीमेंट्री मैट्रिक्स गेटिंग इन क्वांटम-प्रेरित मेमोरी सिस्टम के लिए एक स्थिर और अत्यधिक प्रभावी अपडेट नियम है। एक बोझिल "एक-नॉब" दृष्टिकोण को एक सटीक, कोऑर्डिनेट-वाइज कंट्रोल सिस्टम से बदलकर, उन्होंने जटिल अनुक्रमों की भविष्यवाणी करने में एक बड़ी बाधा को हल कर दिया है। यह पेपर यह दावा नहीं करता है कि यह ब्रह्मांड की हर समस्या के लिए एक जादुई समाधान है, न ही यह दावा करता है कि उन्होंने एक पूरी तरह से कार्यात्मक क्वांटम कंप्यूटर बनाया है। इसके बजाय, यह प्रदर्शित करता है कि इन "फास्ट-वेट" मेमोरीज़ के अपडेट होने के गणित को बदलकर, हम अभूतपूर्व सटीकता के साथ क्वांटम डायनेमिक्स का अनुकरण कर सकते हैं। सिमुलेशन दिखाते हैं कि जब आप एक मेमोरी सिस्टम को यह निर्णय लेने की क्षमता देते हैं कि पिक्सेल-दर-पिक्सेल आधार पर क्या रखना है और क्या फेंकना है, तो यह भविष्य का कहीं अधिक शक्तिशाली भविष्यवक्ता बन जाता है।

अंत में, पेपर सुझाव देता है कि जटिल, लहरदार डेटा में महारत हासिल करने का रहस्य केवल मेमोरी को बड़ा बनाना या मस्तिष्क को तेज़ बनाना नहीं है; यह इस बारे में है कि मेमोरी अतीत को कितनी समझदारी से थामे रखती है। और CMG के साथ, रोबोट के मेमोरी बैंक ने आखिरकार अपने रिमोट कंट्रोल का उपयोग करना सीख लिया है।