एक टूटे हुए दर्पण को फिर से जोड़ने की कल्पना करें, लेकिन आपके पास केवल टुकड़ों की कुछ धुंधली तस्वीरें और गोंद का एक डिब्बा है। यह क्वांटम स्टेट टोमोग्राफी (QST) की दैनिक चुनौती है। क्वांटम भौतिकी की विचित्र दुनिया में, कण "सुपरपोजिशन" में मौजूद होते हैं—यानी एक ही समय में कई अवस्थाओं में होना—जब तक कि हम उन्हें मापते नहीं हैं। एक क्वांटम कंप्यूटर वास्तव में क्या कर रहा है, इसे समझने के लिए वैज्ञानिकों को इसके पूर्ण "स्टेट" (एक गणितीय वस्तु जिसे डेंसिटी मैट्रिक्स कहा जाता है) को इन बिखरे हुए माप के स्नैपशॉट्स से पुनर्गठित करने की आवश्यकता होती है। लेकिन एक पेच है: पुनर्गठित दर्पण को भौतिक रूप से वास्तविक होना चाहिए। यह नकारात्मक कांच से नहीं बना हो सकता या हवा में तैर नहीं सकता; गणितीय रूप से, इसे "पॉजिटिव सेमीडेफिनिट" होना चाहिए और इसका कुल "भार" ठीक एक होना चाहिए।

दशकों से, वैज्ञानिक इन नियमों का पालन करने के लिए एक मानक रेसिपी का उपयोग करते आए हैं, ठीक वैसे ही जैसे मिट्टी को आकार देने के लिए एक कठोर सांचे का उपयोग किया जाता है। हालाँकि, इस सांचे में एक छिपा हुआ दोष है: यह मिट्टी को असमान रूप से दबा देता है, जिससे इसके कुछ हिस्से बहुत कठिन रूप से खिंचने या सिकुड़ने वाले हो जाते हैं जबकि अन्य ढीले और लचीले होते हैं। यह अनिश्चितता, जिसे लेखक "एनिसोट्रॉपी" (anisotropy) कहते हैं, उन AI मॉडलों (विशेष रूप से डिफ्यूजन मॉडल) को भ्रमित करती है जो मिट्टी को आकार देने की कोशिश कर रहे हैं। AI फंस जाता है, इस बात से भ्रमित होकर कि कुछ दिशाएं अत्यंत संवेदनशील हैं जबकि अन्य मृत क्षेत्र (dead zones) हैं।

यह शोध पत्र एक सरल लेकिन क्रांतिकारी प्रश्न पूछता है: क्या होगा यदि हम एक अलग सांचा उपयोग करें? लेखक यह पता लगा रहे हैं कि क्या इन क्वांटम अवस्थाओं को बनाने के लिए उपयोग किए जाने वाले गणितीय "आकार" को बदलने से पुनर्गठन प्रक्रिया तेज, अधिक सटीक और त्रुटियों के प्रति कम संवेदनशील हो सकती है। वे गणितीय सांचे के चुनाव को केवल एक तकनीकी विवरण के रूप में नहीं, बल्कि एक महत्वपूर्ण डिजाइन विकल्प के रूप में देखते हैं जो क्वांटम सेंसिंग और कंप्यूटिंग के भविष्य को बना या बिगाड़ सकता है।

द ग्रेट मोल्ड हंट: क्वांटम क्ले के लिए सही आकार खोजना

एक क्वांटम स्टेट को मिट्टी के एक टुकड़े के रूप में सोचें जिसे एक पूर्ण गोले में ढालने की आवश्यकता है। नियम सख्त हैं: यह ठोस होना चाहिए (कोई छेद नहीं) और इसका वजन ठीक एक पाउंड होना चाहिए। अतीत में, वैज्ञानिकों ने इस मिट्टी को आकार देने के लिए चोलेस्की फैक्टराइजेशन (Cholesky factorization) नामक एक विशिष्ट उपकरण का उपयोग किया है। यह एक कठोर, पहले से बने सांचे का उपयोग करने जैसा है जो गारंटी देता है कि मिट्टी नियमों में फिट बैठेगी। लेकिन समस्या यह है कि यह सांचा टेढ़ा है। यदि आप मिट्टी को एक दिशा में धकेलने की कोशिश करते हैं, तो यह एक चट्टान की तरह प्रतिरोध करती है; दूसरी दिशा में धकेलें, और यह जेली की तरह पिचक जाती है। यह असमानता, जिसे लेखक "एनिसोट्रॉपी" कहते हैं, उन AI मॉडलों को भ्रमित करती है जो मिट्टी को आकार देने की कोशिश कर रहे हैं (विशेष रूप से डिफ्यूजन मॉडल)। AI फंस जाता है, इस बात से भ्रमित होकर कि कुछ दिशाएं सुपर-सेंसिटिव हैं जबकि अन्य डेड ज़ोन हैं।

लेखक ने केवल एक सांचा उपयोग करना बंद करने का निर्णय लिया। इसके बजाय, उन्होंने इन क्वांटम अवस्थाओं को पैरामीटराइज़ (या वर्णित) करने के सात अलग-अलग तरीकों का परीक्षण करने के लिए एक "डिजाइन स्पेस" बनाया। उन्होंने यह मापने के लिए एक ज्यामितिक मानचित्र बनाया कि प्रत्येक सांचा कितना "खिंचा हुआ" या "दबा हुआ" था। उन्होंने दो मुख्य पैमाने उपयोग किए:

1. स्पेक्ट्रल डायनेमिक रेंज (SDR): सांचा विभिन्न दिशाओं में कितना खिंचता है (कम संख्या बेहतर है, जिसका अर्थ है कि सांचा समान है)।
2. डायगोनल एनिसोट्रॉपी (DA): संवेदनशीलता एक समन्वय (coordinate) से दूसरे समन्वय में कितनी भिन्न होती है (यहाँ भी, कम संख्या बेहतर है)।

तीन बड़ी सरप्राइज

2-क्यूबिट और 3-क्यूबिट सिस्टम (सोचिए कि ये छोटे और मध्यम आकार की क्वांटम पहेलियाँ हैं) पर सिमुलेशन चलाने के बाद, लेखक ने तीन चौंकाने वाले परिणाम पाए जो इन क्वांटम मॉडलों को बनाने के तरीके को पूरी तरह बदल देते हैं।

1. "परफेक्ट" सांचा मौजूद नहीं है
पहला निष्कर्ष यह है कि आप सब कुछ एक साथ नहीं पा सकते। लेखक ने पाया कि आइसोमेट्री (isometry) (एक पूरी तरह से समान सांचा) और कन्स्ट्रेंट सैटिस्फैक्शन (यह गारंटी देना कि मिट्टी बिना अतिरिक्त काम के नियमों का पालन करती है) तेल और पानी की तरह हैं।

• ब्लोक/गेल-मैग्न (Bloch/Gell-Mann) पैरामीट्राइजेशन सबसे समान सांचा है (एक परफेक्ट 1.0× स्कोर), जिसका अर्थ है कि AI के लिए इसमें नेविगेट करना आसान है। लेकिन यह गारंटी नहीं देता कि मिट्टी ठोस रहेगी; आपको मूर्तिकला के बाद इसे मैन्युअल रूप से ठीक करना होगा।
• चोलेस्की (Cholesky) सांचा (पुराना मानक) गारंटी देता है कि मिट्टी ठोस है, लेकिन यह बेहद असमान है (2 क्यूबिट पर ब्लॉ के मुकाबले 33 गुणा बदतर, और 3 क्यूबिट पर चौंकाने वाला 1,265 गुणा बदतर)।
• सबक: आपको चुनना होगा कि आप क्या चाहते। क्या आप एक चिकनी सड़क चाहते हैं जो शायद खाई में ले जाए, या एक ऊबड़-खाबड़ सड़क जो रास्ते पर बनी रहे?

2. "सुंदर" गणित खराब इंजीनियरिंग हो सकती है
दूसरा आश्चर्य यह है कि एक गणितीय रूप से सुंदर विचार हमेशा एक अच्छा उपकरण नहीं होता है। एक्सपोनेंशियल मैप (Exponential Map) (एक सपाट आकार को गोले में बदलने का एक शानदार तरीका) सैद्धांतिक रूप से सुंदर है और नियमों का पालन करने की गारंटी देता है। लेकिन व्यवहार में? यह एक आपदा है।

• 2-क्यूबिट पर, इसकी असमानता सबसे अच्छे विकल्प से 149 गुणा बदतर थी।
• 3-क्यूबिट पर, यह बढ़कर 75,658 गुणा बदतर हो गई।
• इसी तरह, लॉग-चोलेस्की (Log-Cholesky), जिसे अक्सर सुधार के रूप में प्रचारित किया जाता है, 3-क्यूबिट पर 59,982 गुणा बदतर हो गया।
• सबक: गणित पर भरोसा न करें सिर्फ इसलिए क्योंकि वह सुंदर दिखता है। लेखक ने पाया कि हर्मिटियन डायरेक्ट (Hermitian direct) (जो मैट्रिक्स को संख्याओं की एक सूची के रूप में मानता है) जैसे सरल, "अनकूल" पैरामीट्राइजेशन भी जैसे-जैसे सिस्टम बढ़ता है, अच्छी स्थिति (well-conditioned) में रहते हैं (लगभग 2.0×)। सबसे "प्राकृतिक" दिखने वाला गणित काम करने में सबसे कठिन साबित हुआ।

3. "फिक्स-ट्रेस" (Fix-Trace) का स्वीट स्पॉट
यदि आपको एक ऐसे सांचे की आवश्यकता है जो नियमों का पालन करने की गारंटी देता है और उपयोग करने में बुरा सपना नहीं है, तो लेखक फिक्स-ट्रेस (Fix-Trace) की ओर इशारा करते हैं। यह विधि पूरे हिस्से को रीस्केल करने के बजाय एक विशिष्ट संख्या को समायोजित करके कुल वजन को एक बनाती है।

• यह सबसे अच्छा संतुलन प्रदान करता है: यह सांचे को अपेक्षाकृत समान रखता है (2 क्यूबिट पर परफेक्ट से केवल 4× बदतर, 3 क्यूबिट पर 8×) जबकि स्वचालित रूप से भौतिक नियमों की गारंटी देता है।
• सिफारिश: जो लोग ये सिस्टम बना रहे हैं, उनके लिए फिक्स-ट्रेस नया डिफ़ॉल्ट होना चाहिए, जो पुराने चोलेस्की मानक की जगह ले।

ट्विस्ट: जब AI बहुत आत्मविश्वासी हो जाता है

पेपर ने यह देखने के लिए एक पूर्ण प्रशिक्षण परीक्षण भी चलाया कि ये सांचे वास्तविक दुनिया में कैसा प्रदर्शन करते हैं। उन्होंने तीन अलग-अलग सांचों का उपयोग करके क्वांटम अवस्थाओं को पुनर्गठित करने के लिए AI मॉडल को प्रशिक्षित किया: ब्लॉक (पूरी तरह से समान), हर्मिटियन डायरेक्ट (थोड़ा असमान), और चोलेस्की (बहुत असमान)।

यहाँ ट्विस्ट है:

• बिना अतिरिक्त मदद के: हर्मिटियन डायरेक्ट मॉडल (थोड़ा असमान वाला) वास्तव में ब्लॉक मॉडल (परफेक्ट वाला) की तुलना में तेजी से सीखा और अधिक सटीक पुनर्गठन (उच्च फिडेलिटी) के साथ समाप्त हुआ। यह एक झटका था क्योंकि, सिद्धांत में, परफेक्ट सांचे को जीतना चाहिए था। लेखक का सुझाव है कि ऐसा इसलिए हो सकता है क्योंकि "परफेक्ट" सांचे की एक सीमित सीमा (एक किनारा/क्लिफ) होती है, और AI उस पर रहने की कोशिश में भ्रमित हो जाता है, जबकि "अपूर्ण" सांचे में एक खुला क्षेत्र होता है जहाँ AI स्वतंत्र रूप से घूम सकता है।
• "क्लासिफायर-फ्री गाइडेंस" (CFG) के साथ: यह एक तकनीक है जहाँ AI को नियमों का अधिक सख्ती से पालन करने के लिए एक "धक्का" दिया जाता है। जब लेखक ने इस "धक्के" को बढ़ाया, तो परिणाम पलट गए। अचानक, ब्लॉक मॉडल (वह जिसमें किनारा/क्लिफ था) विजेता बन गया, और हर्मिटियन मॉडल क्रैश हो गया।
• क्यों? "धक्के" (CFG) ने किनारों पर समस्याओं को बढ़ा दिया। हर्मिटियन मॉडल के लिए, जिसकी कोई सख्त सीमा नहीं है, धक्का AI को "आउट-ऑफ-बाउंड्स" क्षेत्र में ले गया, और उस त्रुटि को ठीक करने में बहुत अधिक सटीकता खर्च हुई। ब्लॉक मॉडल के लिए, सख्त किनारा वास्तव में एक सुरक्षा रेल की तरह काम करता है जिस पर धक्का सहारा ले सकता है।

अंतिम निर्णय

लेखक निष्कर्ष निकालते हैं कि कोई एक "सर्वश्रेष्ठ" पैरामीट्राइजेशन नहीं है, लेकिन सही एक को चुनने के लिए स्पष्ट नियम हैं:

1. "सुंदर" जाल से बचें: 2-क्यूबिट से बड़े किसी भी सिस्टम के लिए एक्सपोनेंशियल मैप और लॉग-चोलेस्की से दूर रहें; जैसे-जैसे सिस्टम बढ़ता है, वे अनुपयोगी हो जाते हैं।
2. अपना ट्रेड-ऑफ चुनें: यदि आपको AI को तेजी से चलने की आवश्यकता है और आप बाद में नियमों को ठीक करने के लिए तैयार हैं, तो ब्लॉक/गेल-मैग्न का उपयोग करें। यदि आपको नियमों का स्वचालित होना आवश्यक है और आप थोड़े ऊबड़-खाबड़ सफर के लिए तैयार हैं, तो फिक्स-ट्रेस का उपयोग करें।
3. धक्के (Nudge) पर नज़र रखें: यदि आप मजबूत गाइडेंस (CFG) का उपयोग करते हैं, तो सावधान रहें, क्योंकि खुले सीमाओं वाले मॉडल को धक्का उन्हें किनारे से नीचे गिरा सकता है।

संक्षेप में, यह पेपर साबित करता है कि आप क्वांटम अवस्थाओं को बनाने के लिए जिस "सांचे" का उपयोग करते हैं, वह AI के चयन जितना ही महत्वपूर्ण है। पुराने, टेढ़े चोलेस्की सांचे को फिक्स-ट्रेस जैसी किसी चीज़ से बदलकर, हम ऐसे क्वांटम टोमोग्राफी सिस्टम बना सकते हैं जो तेज़, अधिक स्थिर और भविष्य के जटिल क्वांटम कंप्यूटरों के लिए तैयार हैं।