Dynamical Lie Algebras Cannot Describe Shallow QAOA: Cragged Terrains, Barren Plateaus, and Empirical Hardness Models
यह शोध पत्र प्रदर्शित करता है कि डायनेमिकली ली अलजेब्रा थ्योरी (dynamical Lie algebra theory) मैक्सिमम इंडिपेंडेंट सेट समस्या के लिए शैलो QAOA के लॉस लैंडस्केप व्यवहार की भविष्यवाणी करने में विफल रहती है, जो यह प्रकट करता है कि 'बैरन प्लेटो' (barren plateaus) के बजाय 'क्रैग्ड टेरेंस' (cragged terrains) जिनमें बहुपद रूप से बढ़ते ग्रेडिएंट वेरिएंस होते हैं, सामान्य हैं, और यह भविष्यवाणियों के लिए एसिम्प्टोटिक सैद्धांतिक अनुमानों के बजाय अनुभवजन्य रूप से सूचित मॉडलों की आवश्यकता का सुझाव देता 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 एक रोबोट को पहेली सुलझाना सिखाने की कोशिश कर रहे हैं। आप रोबोट को नियमों का एक सेट और एक लक्ष्य देते हैं, लेकिन रोबोट को अभी उत्तर नहीं पता है। इसे अनुमान लगाना होगा, यह देखना होगा कि वह कितना करीब है, और अपने नियमों को बेहतर बनाने के लिए उनमें बदलाव करना होगा। वेरिएशनल क्वांटम एल्गोरिदम (VQAs) इसी तरह काम करते हैं। वे कठिन समस्याओं को हल करने के लिए क्वांटम कंप्यूटरों—ऐसी मशीनों जो सूचना को प्रोसेस करने के लिए सूक्ष्म कणों के अजीब नियमों का उपयोग करती हैं—का उपयोग करने का एक विशेष तरीका हैं। रोबोट (एल्गोरिदम) संभावनाओं के एक "लैंडस्केप" (परिदृश्य) में घूमकर सबसे अच्छा समाधान खोजने की कोशिश करता है। इस लैंडस्केप को संभावनाओं के एक विशाल, धुंधले पर्वत श्रृंखला की तरह समझें। लक्ष्य सबसे गहरी घाटी (सबसे अच्छा उत्तर) को खोजना है।
लंबे समय तक, वैज्ञानिकों को चिंता थी कि ये लैंडस्केप ज्यादातर "बैरन प्लेटो" (बंजर पठार) थे। एक विशाल, सपाट रेगिस्तान की कल्पना करें जहाँ ज़मीन इतनी पूरी तरह से समतल है कि आप जिस भी दिशा में कदम रखते हैं, आप यह नहीं बता सकते कि आप ऊपर जा रहे हैं या नीचे। यदि लैंडस्पके एक बैरन प्लेटो है, तो रोबोट खो जाता है क्योंकि उसे मार्गदर्शन के लिए कोई ढलान महसूस नहीं होती। इससे क्वांटम कंप्यूटर वास्तविक समस्याओं को हल करने के लिए बेकार हो जाएंगे। हाल ही में, जटिल गणित (जिसे "डायनामिकल ली अलजेब्रा" कहा जाता है) का उपयोग करने वाले एक लोकप्रिय सिद्धांत ने भविष्यवाणी की थी कि गहरे, जटिल सर्किटों के लिए, ये सपाट रेगिस्तान हर जगह मौजूद हैं। लेकिन यह शोध पत्र एक सरल प्रश्न पूछता है: क्या होता है जब रोबोट अभी शुरुआत कर रहा हो, एक बहुत ही सरल, उथले मानचित्र का उपयोग कर रहा हो? क्या यह सपाट रेगिस्तान वाला सिद्धांत अभी भी लागू होता है?
इस शोध पत्र के लेखक, जो येल, ओहियो स्टेट, टेक्सास टेक और ब्राउन की एक टीम है, ने इस सिद्धांत का परीक्षण करने का निर्णय लिया कि उन्होंने एक विशाल सिमुलेशन चलाया। उन्होंने एक विशिष्ट पहेली पर ध्यान केंद्रित किया जिसे "मैक्सिमम इंडिपेंडेंट सेट" समस्या कहा जाता है, जो एक पार्टी में लोगों के सबसे बड़े समूह को चुनने जैसा है जहाँ दो लोग एक-दूसरे को नहीं जानते हों। उन्होंने इसे लगभग 23,000 अलग-अलग पार्टी परिदृश्यों (ग्राफ) पर QAOA नामक एक विधि का उपयोग करके परखा। पुराने गणितीय सिद्धांत पर भरोसा करने के बजाय, उन्होंने एक "मशीन लर्निंग" दृष्टिकोण का उपयोग किया जो एक जासूस की तरह काम करता है, जो प्रत्येक पहेली के लिए लैंडस्केप के आकार को देखता है।
उनके निष्कर्ष एक बड़ा आश्चर्य थे। पुराने सिद्धांत ने भविष्यवाणी की थी कि रोबोट लगभग हमेशा एक सपाट, बंजर रेगिस्तान में फंस जाएगा। हालांकि, सिमुलेशन ने दिखाया कि इन उथले सर्किटों में बैरन प्लेटो वास्तव में काफी दुर्लभ हैं। इसके बजाय, लैंडस्केप आमतौर पर एक "क्रैग्ड टेरेन" (ऊबड़-खाबड़ इलाका) होता है। खड़ी चट्टानों और गहरी घाटियों वाले एक पथरीले, ऊबड़-खाबड़ पर्वत श्रृंखला की कल्पना करें। यह सपाट नहीं है; यह वास्तव में बहुत ऊबड़-खाबड़ है। वास्तव में, जैसे-जैसे पहेलियाँ बड़ी होती गईं (पार्टी में अधिक लोगों को जोड़कर), उभार और चट्टानें गायब नहीं हुईं; वे और अधिक नाटकीय हो गईं। "वैरिएंस" (एक माप जो बताता है कि ज़मीन कितनी ऊबड़-खाबड़ है) वास्तव में सिस्टम के बड़ा होने पर बढ़ गया, जो कि सपाट-रेगिस्तान सिद्धांत के बिल्कुल विपरीत था।
टीम ने "एम्पिरिकल हार्डनेस मॉडल्स" भी बनाए, जो AI टूल्स की तरह हैं जिन्हें किसी पहेली के आकार के आधार पर उसकी कठिनाई का अनुमान लगाने के लिए प्रशिक्षित किया गया है। हालांकि ये AI टूल्स नए, विशाल पहेलियों की सटीक कठिनाई बताने में पूरी तरह सक्षम नहीं थे, लेकिन वे लैंडस्केप के प्रकार को पहचानने में अविश्वसनीय रूप से अच्छे थे। वे विश्वसनीय रूप से एक सपाट रेगिस्तान (बैरन प्लेटो) और एक ऊबड़-खाबड़ पहाड़ी इलाके (क्रैग्ड टेरेन) के बीच अंतर कर सकते थे।
मुख्य निष्कर्ष यह है कि पुराने गणितीय नियम, जो गहरे, जटिल सर्किटों के लिए अच्छी तरह काम करते हैं, उथले सर्किटों के लिए विफल होते प्रतीत होते हैं। लेखक सुझाव देते हैं कि जिन प्रकार के क्वांटम कंप्यूटर हमारे पास जल्द ही होंगे (जो उथले हैं), उनके लिए लैंडस्केप संभवतः खुरदरा और ऊबड़-खाबड़ होगा, न कि सपाट और निराशाजनक। इसका मतलब है कि "बैरन प्लेटो" की समस्या उस विशाल दीवार की तरह नहीं है जिसे हर कोई मान रहा था। एक सपाट रेगिस्तान के बजाय, हम शायद केवल बहुत ही कठिन, पथरीले हाइकिंग ट्रेल्स (पगडंडियों) से जूझ रहे हैं। यह शोध पत्र यह नहीं कहता कि समस्या हल हो गई है या क्वांटंत कंप्यूटर अब पूर्ण हैं; यह केवल इतना कहता है कि इस यात्रा के इस विशिष्ट भाग के लिए जिस मानचित्र का उपयोग हम भविष्यवाणी करने के लिए कर रहे थे, वह गलत था, और हमें डेटा में जो वास्तव में देखते हैं उसके आधार पर एक नया मानचित्र बनाने की आवश्यकता 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।