Learnable yet not simulable: a quantum resource theory of learning models
यह शोध पत्र डायनेमिकल स्टेबलाइज़र एंट्रॉपी (DSE) को एक नए क्वांटम संसाधन माप के रूप में प्रस्तुत करता है जो ट्यूनेबल क्वांटम सर्किट की सीखने की क्षमता (learnability) को अभिलक्षित करता है, और एक कम्प्यूटेशनल फेज़ आरेख स्थापित करता है जो उन सर्किट परिवारों के अस्तित्व को प्रदर्शित करता है जिन्हें प्रत्यक्ष शास्त्रीय सिमुलेशन (classical simulation) के लिए कठिन होने के बावजूद क्वांटम-डेटा-असिस्टेड सरोगेट्स द्वारा कुशलतापूर्वक सीखा जा सकता है।
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 मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं। आपके पास एक अत्यंत जटिल कंप्यूटर मॉडल है जो हर बादल, हवा के झोंके और तापमान के बदलाव का अनुकरण (simulate) करता है। यह मॉडल इतना विस्तृत है कि दुनिया के सबसे तेज़ सुपरकंप्यूटर भी इसे वास्तविक समय (real-time) में नहीं चला सकते; यह बहुत भारी, बहुत उलझा हुआ और बहुत जादुई है जिसे साधारण मशीनों द्वारा संभालना संभव नहीं है। यह कई क्वांटम प्रणालियों की वर्तमान स्थिति है: वे शक्तिशाली हैं, लेकिन उन्हें एक सामान्य कंप्यूटर पर चलाना अविश्वसनीय रूप से कठिन है। वैज्ञानिकों को लंबे समय से पता है कि यदि कोई क्वांटम प्रणाली "बहुत अधिक जादुई" (बहुत जटिल) है, तो हम केवल उसके नियम लिखकर उत्तर की गणना नहीं कर सकते।
हालाँकि, इस कहानी में एक नया मोड़ है। क्या होगा यदि, मौसम की गणना शून्य से करने के बजाय, हम सुपर-कंप्यूटर से आकाश की कुछ तस्वीरें लेने के लिए कहें, और फिर हम एक चतुर छात्र का उपयोग करें जो उन तस्वीरों से पैटर्न को सीख सके? एक बार जब छात्र पैटर्न सीख लेता है, तो वह सुपर-कंप्यूटर की तरह ही मौसम की भविष्यवाणी कर सकता है, लेकिन वह इसे एक साधारण नोटबुक का उपयोग करके करता है। यह एक सिस्टम का अनुकरण करने (शून्य से भारी गणित करना) और उसे सीखने (डेटा से पैटर्न ढूँढना) के बीच का अंतर है। बड़ा सवाल यह रहा है: क्या हम इन "बहुत अधिक जादुई" क्वांटम प्रणालियों को सीख सकते हैं, भले ही हम उनका अनुकरण न कर सकें?
यह शोध पत्र, जिसका शीर्षक "Learnable yet not simulable" (सीखने योग्य किंतु अनुकरण योग्य नहीं) है, ठीक इसी प्रश्न की गहराई में जाता है। शोधकर्ता, क्वांटम सर्किट (क्वांटम कंप्यूटर के ब्लूप्रिंट) के साथ काम करते हुए, एक नया तरीका पेश करते हैं जिससे यह मापा जा सके कि एक क्वांटम सिस्टम के व्यवहार का कितना "फैलाव" या "जटिलता" है। वे इस नए पैमाने को डायनामिकल स्टेबलाइज़र एंट्रॉपी (DSE) कहते हैं। DSE को गणित के कितने अलग-अलग "स्वादों" (flavors) की आवश्यकता है, इसके माप के रूप में समझें जो सिस्टम का वर्णन करने के लिए चाहिए। यदि स्वाद कम और केंद्रित हैं, तो सिस्टम को सीखना आसान है। यदि स्वाद एक विशाल, अराजक महासागर में बिखरे हुए हैं, तो यह कठिन है।
टीम ने एक दिलचस्प सीमा की खोज की। उन्होंने सिद्ध किया कि क्वांटम सर्किटों का एक पूरा वर्ग है जो बहुत जटिल होने के कारण क्लासिकल कंप्यूटर द्वारा सीधे अनुकरण करना असंभव है। हालाँकि, ये समान सर्किट पूरी तरह से सीखने योग्य हैं यदि आप एक क्लासिकल कंप्यूटर को थोड़ी मदद दें: वास्तविक क्वांटम मशीन से डेटा के कुछ नमूने। यह ऐसा है जैसे क्वांटम मशीन कुछ स्नैपशॉट लेती है, और एक क्लासिकल छात्र बाकी चीज़ों की भविष्यवाणी करना सीख जाता है।
शोधकर्ताओं ने एक विशिष्ट "सीखने का उपकरण" (एक क्लासिकल सरोगेट) बनाया जो सबसे महत्वपूर्ण "स्वादों" (गणितीय पैटर्न) को खोजने और शोर (noise) को अनदेखा करने के लिए एक क्वांटम सबरूटीन का उपयोग करता है। उन्होंने इसका परीक्षण 80 क्यूबिट्स (क्वांटम सूचना की बुनियादी इकाइयाँ) तक के सर्किटों पर किया। उनके सिमुलेशन ने दिखाया कि जब तक DSE कम है (यानी पैटर्न बहुत अधिक बिखरे हुए नहीं हैं), उनका टूल उच्च सटीकता के साथ क्वांटम व्यवहार की भविष्यवाणी कर सकता है, भले ही वह सर्किट इतना जटिल हो कि पारंपरिक सिमुलेशन विधियाँ पूरी तरह से विफल हो जाएं।
महत्वपूर्ण रूप से, उन्होंने दिखाया कि यह केवल एक भाग्यशाली अनुमान नहीं है। उन्होंने गणितीय रूप से सिद्ध किया कि यदि कोई कंप्यूटर वास्तविक क्वांटम मशीन से डेटा देखे बिना (केवल सर्किट के ब्लूप्रिंट को देखकर) इन प्रणालियों को सीख सकता, तो वह कंप्यूटर विज्ञान के मौलिक नियमों को तोड़ देता। दूसरे शब्दों में, क्वांटम डेटा से सीखने की क्षमता एक वास्तविक सुपरपावर है जो क्लासिकल कंप्यूटरों के पास अपने आप में नहीं है।
तो, निष्कर्ष क्या है? हमें पूर्ण, त्रुटि-रहित क्वांटम कंप्यूटरों के आने का इंतज़ार करने की ज़रूरत नहीं है। यहाँ तक कि आज की शोर भरी, जटिल मशीनों के साथ भी, हम एक हाइब्रिड दृष्टिकोण का उपयोग कर सकते है: क्वांटम मशीन को कुछ माप लेने दें, और एक स्मार्ट क्लासिकल एल्गोरिदम को बाकी चीज़ों को सीखने दें। यह हमें वास्तविक दुनिया के कार्यों के लिए क्वांटम कंप्यूटरों का उपयोग करने का द्वार खोलता है—जैसे नए पदार्थों का अनुकरण करना या जटिल प्रणालियों को अनुकूलित करना—उन प्रणालियों को पूरी तरह से सिम्युलेट करने से बहुत पहले। शोध पत्र सुझाव देता है कि क्वांटम कंप्यूटिंग का भविष्य क्लासिकल कंप्यूटरों को बदलने के बारे में नहीं है, बल्कि उन्हें क्वांटम दुनिया से सीखना सिखाने के बारे में 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।