Quantum Gaussian processes for prediction of channel observations
यह शोध पत्र एक समान पूर्व वितरण (uniform prior) के तहत एक क्लोज्ड-फॉर्म कर्नेल को व्युत्पन्न करके और स्केलेबिलिटी सीमाओं को दूर करने के लिए एक एम्पेरिकल बेयस ह्यूरिस्टिक पेश करके, अज्ञात क्वांटम चैनलों के आउटपुट की भविष्यवाणी करने के लिए क्वांटम गॉसियन प्रोसेस (QGP) रिग्रेशन का विस्तार करता है, जिससे प्रयोगात्मक शोर के तहत भी स्थानीय और वैश्विक मल्टी-क्यूबिट सिस्टम दोनों के लिए निष्ठावान शिक्षण और अनुकूलन सक्षम होता 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 यह समझने की कोशिश कर रहे हैं कि एक जटिल मशीन कैसे काम करती है, केवल यह देखकर कि उससे क्या बाहर निकल रहा है, जबकि आपको कभी भी उसका केस खोलने या उसके अंदर के गियर्स को देखने की अनुमति नहीं है। क्वांटम कंप्यूटरों के साथ काम करने वाले वैज्ञानिकों के लिए यह एक दैनिक वास्तविकता है। ये मशीनें पदार्थ के मौलिक निर्माण खंडों (building blocks) को नियंत्रित करती हैं, लेकिन वे बेहद नाजुक और नियंत्रण में लाना कठिन होती हैं। अक्सर, शोधकर्ताओं को इस बात की हर एक बारीक जानकारी जानने की आवश्यकता नहीं होती कि मशीन सूचना को कैसे संसाधित करती है; उन्हें बस एक विशिष्ट माप के परिणाम की भविष्यवाणी करने की आवश्यकता होती है, जैसे कि परमाणुओं के एक समूह का औसत चुंबकत्व, जब मशीन एक निश्चित क्रम में संचालन कर लेती है। चुनौती यह है कि मशीन के व्यवहार को हर संभव इनपुट का परीक्षण करके सीखने में इतना समय और ऊर्जा लगेगी कि यह असंभव हो जाएगा, विशेष रूप से जैसे-जैसे ये मशीनें बड़ी होती जाती हैं।
इसे हल करने के लिए, वैज्ञानिकों ने 'गौसियन प्रोसेस' नामक एक सांख्यिकीय उपकरण की ओर रुख किया है। इस उपकरण को एक अत्यंत बुद्धिमान अनुमान लगाने वाले के रूप में सोचें। यदि आप इसे किसी प्रणाली के व्यवहार के कुछ उदाहरण दिखाते हैं, तो यह भविष्यवाणी कर सकता है कि उन स्थितियों में यह कैसा व्यवहार करेगा जिन्हें इसने पहले कभी नहीं देखा है, और साथ ही यह भी बता सकता है कि उस अनुमान में इसका विश्वास कितना है। वर्षों तक, यह विधि उन क्वांटम प्रणालियों के लिए अच्छी तरह से काम करती रही जो पूरी तरह से अलग-थलग थीं और एक अनुमानित, प्रतिवर्ती (reversible) तरीके से व्यवहार करती थीं। हालाँकि, वास्तविक दुनिया के क्वांटम उपकरण अव्यवस्थित होते हैं। वे अपने वातावरण के साथ परस्पर क्रिया करते हैं, सूचना खो देते हैं, और ऐसे तरीकों से व्यवहार करते हैं जो पूरी तरह से प्रतिवर्ती नहीं होते हैं। यह शोध पत्र उन अव्यवस्थित, वास्तविक दुनिया की क्वांटम मशीनों, जिन्हें 'क्वांटम चैनल' कहा जाता है, पर इस बुद्धिमान अनुमान लगाने वाले उपकरण को लागू करने की कठिन समस्या को संबोधित करता है।
शोधकर्ताओं ने एक मौलिक प्रश्न पूछकर शुरुआत की: यदि हम किसी विशिष्ट क्वांटम मशीन के बारे में यह जानने के अलावा कुछ नहीं जानते कि वह एक वैध भौतिक प्रक्रिया है, तो उसके व्यवहार का अनुमान लगाने का सबसे तर्कसंगत तरीका क्या है? उन्होंने प्रत्येक संभव तरीके को, जिससे मशीन विकसित हो सकती है, समान रूप से संभावित मानने का निर्णय लिया, जिसे 'यूनिफॉर्म प्रायोर' (uniform prior) के रूप में जाना जाता है। इस व्यापक धारणा का उपयोग करते हुए, उन्होंने गणितीय रूप से सिद्ध किया कि मशीन के आउटपुट एक विशिष्ट सांख्यिकीय पैटर्न का पालन करेंगे। उन्होंने एक सटीक नियम, या 'कर्नेल' (kernel) निकाला, जो यह वर्णन करता है कि एक इनपुट के लिए आउटपुट दूसरे इनपुट के आउटपुट से कैसे संबंधित है। यह नियम एक सरल भौतिक विचार पर आधारित है: दो प्रारंभिक अवस्थाएँ जितनी अधिक समान होंगी, उनके परिणाम भी उतने ही समान होंगे। इसने बिना मशीन के आंतरिक कामकाज को पूरी तरह से समझे, क्वांटम परिणामों की भविष्यवाणी करने के लिए एक नया, गणितीय रूप से कठोर ढांचा तैयार किया।
हालाँकि, जब टीम ने इस नए ढांचे का बड़े सिस्टम पर परीक्षण किया, तो उन्हें एक बाधा का सामना करना पड़ा। उनके द्वारा निकाले गए गणितीय नियम में एक ऐसा कारक शामिल था जो सिस्टम का आकार बढ़ने के साथ संकेतों को अविश्वसनीय रूप से छोटा बना देता था। छोटे मशीनों के लिए, यह प्रबंधनीय था। लेकिन साठ-चार (64) क्वांटम बिट्स वाले सिस्टम के लिए, सिग्नल इतना कमजोर हो गया कि वह माप के प्राकृतिक शोर (noise) में दब गया। यह ऐसा था मानो उपकरण उन्हें बता रहा था कि सांख्यिकीय रूप से, मशीन को कोई सिग्नल उत्पन्न नहीं करना चाहिए, जिससे डेटा से कुछ भी सीखना असंभव हो गया। शोधकर्ताओं ने महसूस किया कि उनकी पूर्ण अज्ञानता की धारणा गणितीय रूप से सही थी, लेकिन वास्तविक प्रयोगों के लिए बहुत निराशावादी थी। एक नियंत्रित प्रयोगशाला में, एक शोर वाली मशीन भी आमतौर पर एक स्पष्ट, गैर-शून्य सिग्नल उत्पन्न करती है।
इसे ठीक करने के लिए, टीम ने एक चतुर समायोजन पेश किया। एक कठोर गणितीय नियम को सिग्नल की ताकत निर्धारित करने देने के बजाय, उन्होंने डेटा से सीधे सिग्नल के पैमाने (scale) को सीखने का एक तरीका प्रस्तावित किया। उन्होंने नियम के उस हिस्से को बनाए रखा जो यह बताता है कि समान इनपुट कैसे समान आउटपुट की ओर ले जाते हैं, लेकिन उन्होंने उस नन्हे, स्थिर स्केलिंग फैक्टर को एक लचीले नंबर से बदल दिया जिसे ट्यून किया जा सके। इसने मॉडल को देखे जा रहे डेटा पर भरोसा करने की अनुमति दी। जब उन्होंने इस समायोजित दृष्टिकोण का परीक्षण किया, तो परिणाम आश्चर्यजनक थे। साठ-चार (64) क्यूबिट वाले बड़े सिस्टम के लिए, मूल विधि पूरी तरह से विफल रही, जो कितने भी माप लेने के बावजूद अपनी भविष्यवाणियों में सुधार करने में असमर्थ थी। हालाँकि, नए, समायोजित तरीके ने सिस्टम के व्यवहार को सफलतापूर्वक सीखा। जैसे-जैसे उन्होंने मापों की संख्या बढ़ाई, भविष्यवाणियाँ व्यवस्थित रूप से अधिक सटीक होती गईं, और अंततः मशीन के वास्तविक व्यवहार से मेल खाने लगीं।
टीम केवल सिमुलेशन तक ही सीमित नहीं रही। वे अपने तरीके को बोस्टन में स्थित आईबीएम (IBM) द्वारा निर्मित एक वास्तविक क्वांटम कंप्यूटर तक ले गए। उन्होंने एक छोटे चार-क्यूबिट मशीन को एक शोर वाले क्वांटम चैनल के रूप में कार्य करने के लिए प्रोग्राम किया और अपने उपकरण का उपयोग उन इनपुट्स पर मापन के परिणामों की भविष्यवाणी करने के लिए किया जिन्हें मशीन ने पहले कभी नहीं देखा था। भविष्यवाणियाँ प्रयोगात्मक परिणामों से उच्च सटीकता के साथ मेल खाती हैं, जो यह सिद्ध करता है कि यह विधि दोषपूर्ण और शोर वाले हार्डवेयर में भी काम करती है। इसने प्रदर्शित किया कि यह दृष्टिकोण वर्तमान क्वांटम तकनीक की अव्यवस्थित वास्तविकता के लिए पर्याप्त मजबूत है।
केवल परिणामों की भविष्यवाणी करने के अलावा, शोधकर्ताओं ने दिखाया कि इस उपकरण का उपयोग मशीन को एक वांछित लक्ष्य की ओर निर्देशित करने के लिए किया जा सकता है। उन्होंने एक कार्य स्थापित किया जहाँ लक्ष्य मशीन की सेटिंग्स को समायोजित करके एक विशिष्ट क्वांटम अवस्था को तैयार करना था। अपने सांख्यिकीय मॉडल को एक मार्गदर्शक के रूप में उपयोग करते हुए, वे मानक अनुकूलन (optimization) विधियों की तुलना में बहुत तेजी से सर्वोत्तम सेटिंग्स खोजने में सक्षम रहे। यह सुझाव देता है कि यह तकनीक भविष्य के क्वांटम उपकरणों को नियंत्रित करने के लिए एक महत्वपूर्ण हिस्सा बन सकती है, जो वैज्ञानिकों को लाखों महंगे प्रयोग चलाने की आवश्यकता के बिना, क्वांटम व्यवहार के जटिल परिदृश्य को समझने में मदद कर सकती है। यह कार्य सैद्धांतिक संभाव्यता और व्यावहारिक अनुप्रयोग के बीच के अंतर को पाटता है, जो बड़े, शोर वाले और काफी हद तक अज्ञात होने पर भी क्वांटम मशीनों से सीखने का एक तरीका प्रदान करता 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।