Comparing Classical and Quantum Machine Learning for Regression in High Energy Physics Collision Data

उच्च ऊर्जा भौतिकी (high energy physics) विज्ञान की वह शाखा है जो ब्रह्मांड के मूलभूत निर्माण खंडों और उन्हें एक साथ रखने वाले बलों को उजागर करने के लिए समर्पित है। इन सूक्ष्म कणों को देखने के लिए, वैज्ञानिक कोलाइडर नामक विशाल मशीनों के भीतर अविश्वसनीय गति से प्रोटॉन को आपस में टकराते हैं, जिससे नए कणों का एक अराजक छिड़काव पैदा होता है जो सभी दिशाओं में उड़ते हैं। इन टकरावों से उत्पन्न डेटा विशाल है, जो प्रत्येक कण के पथ और ऊर्जा के रिकॉर्ड के साथ पेटाबाइट्स का स्टोरेज भर देता है। इस डेटा के सैलाब को समझने के लिए, शोधकर्ता मशीन लर्निंग पर भरोसा करते हैं, जो कंप्यूटर इंटेलिजेंस का एक रूप है जो डेटा में पैटर्न पहचानना सीखता है। दशकों से, मानक कंप्यूटर प्रोग्राम इस क्षेत्र के कार्यवाहक रहे हैं, जो शोर के बीच छिपे दुर्लभ संकेतों को खोजने के लिए टकराव की घटनाओं को छाँटते हैं। हाल ही में, एक नया दावेदार इस क्षेत्र में आया है: क्वांटम मशीन लर्निंग। यह दृष्टिकोण क्वांटम यांत्रिकी के अजीब नियमों—जो बहुत सूक्ष्म स्तर की भौतिकी है—का उपयोग सूचना को उन तरीकों से संसाधित करने के लिए करता है जिन्हें शास्त्रीय (क्लासिकल) कंप्यूटर नहीं कर सकते, जो संभावित रूप से सबसे कठिन डेटा समस्याओं के लिए एक शॉर्टकट प्रदान करता है।

शोधकर्ताओं की एक टीम ने यह परीक्षण करने के लिए हाथ आजमाया कि क्या यह नया क्वांटम दृष्टिकोण एक विशिष्ट कार्य पर स्थापित शास्त्रीय विधियों के साथ वास्तव में प्रतिस्पर्धा कर सकता है: टकराव के बाद कणों के संवेग (momentum) की भविष्यवाणी करना। उन्होंने एक रिग्रेशन समस्या पर ध्यान केंद्रित किया, जो अनिवार्य रूप से एक गणितीय तरीका है यह पूछने का कि, "यदि हम जानते हैं कि एक कण किस दिशा में जा रहा है, तो उसकी गति कितनी है?" ऐसा करने के लिए, उन्होंने प्रोटॉन-प्रोटॉन टकरावों से प्राप्त सिम्युलेटेड डेटा का उपयोग किया, विशेष रूप से उन घटनाओं पर ध्यान केंद्रित किया जहाँ टकराव ने इलेक्ट्रॉन या म्यूऑन के जोड़े उत्पन्न किए। उन्होंने कंप्यूटर मॉडल को कणों के संवेग के पार्श्व घटकों (sideways components) को दिया और उनसे कुल गति की गणना करने को कहा। उन्होंने चार अलग-अलग प्रकार के शास्त्रीय मशीन लर्निंग मॉडल का परीक्षण किया, जो सरल सांख्यिकीय उपकरणों से लेकर मानव मस्तिष्क की नकल करने वाले जटिल नेटवर्क तक विस्तृत थे, और फिर क्वांटम सर्किटों का उपयोग करके उनके समकक्ष चार संस्करण बनाए। लक्ष्य तुरंत विजेता घोषित करना नहीं था, बल्कि वर्तमान हार्डवेयर की वास्तविक बाधाओं के तहत दोनों प्रौद्योगिकियों के बीच के समझौतों (trade-offs) को समझना था।

परिणामों ने दिखाया कि शास्त्रीय मॉडल, विशेष रूप से वे जो स्थानिक पैटर्न और अनुक्रमों को पहचानने के लिए डिज़ाइन किए गए थे, इस कार्य में थोड़ा बेहतर प्रदर्शन करते हैं। सबसे उन्नत शास्त्रीय नेटवर्क कणों की गति की भविष्यवाणी करने में लगभग पूर्ण सटीकता के साथ सक्षम था, जो वास्तविक मूल्यों से लगभग पूरी तरह मेल खाता था। हालाँकि, क्वांटम मॉडल उस स्तर की सटीकता तक नहीं पहुँच सके। जब शोधकर्ताओं ने आंकड़ों को देखा, तो पाया कि शास्त्रीय मॉडलों ने औसतन कम त्रुटियां उत्पन्न कीं। फिर भी, कहानी केवल "शास्त्रीय जीत गया, क्वांटम हार गया" जितनी सरल नहीं थी। क्वांटम मॉडलों ने अपने परिणाम संसाधनों के एक अंश का उपयोग करके प्राप्त किए। सबसे उल्लेखनीय उदाहरण एक क्वांटम मॉडल का था जिसे पैटर्न पहचानने के लिए डिज़ाइन किया गया था, जिसने केवल चार सूक्ष्म क्वांटम सूचना इकाइयों, जिन्हें क्वबिट्स (qubits) कहा जाता है, और एक बहुत ही उथले (shallow) सर्किट का उपयोग करके सर्वश्रेष्ठ शास्त्रीय मॉडल के प्रदर्शन के बहुत करीब पहुँचने में सफलता प्राप्त की। इसके विपरीत, जिस शास्त्रीय मॉडल ने शीर्ष स्कोर प्राप्त किया, उसे उसी स्तर का कौशल प्राप्त करने के लिए हजारों समायोज्य सेटिंग्स (adjustable settings) की आवश्यकता थी।

संसाधन उपयोग में यह अंतर इस अध्ययन का सबसे महत्वपूर्ण निष्कर्ष है। चार क्वबिट्स और तीन परतों वाले सर्किट का उपयोग करने वाले क्वांटम मॉडल ने उस गहरे शास्त्रीय नेटवर्क के प्रदर्शन को दोहराने में सफलता प्राप्त की, जिसे लगभग तीन हजार समायोज्य मापदंडों (parameters) की आवश्यकता थी। जबकि शास्त्रीय मॉडल थोड़ा अधिक सटीक था, क्वांटम संस्करण सीखने के लिए आवश्यक सेटिंग्स की संख्या के मामले में अत्यधिक कुशल था। यह सुझाव देता है कि क्वांटम कंप्यूटरों को उपयोगी होने के लिए विशाल या पूर्ण होने की आवश्यकता नहीं हो सकती है; अपनी वर्तमान सीमाओं के साथ भी, वे बहुत कम स्थान में बहुत अधिक कम्प्यूटेशनल शक्ति समाहित कर सकते हैं। शोधकर्ताओं ने यह भी पाया कि एक अलग क्वांटम मॉडल, जो डेटा बिंदुओं के बीच संबंध को मापने के एक विशिष्ट तरीके का उपयोग करता था, डेटा के सामान्य रुझानों को पकड़ने में बेहतर था लेकिन कभी-कभी बड़ी, अलग-थलग गलतियाँ करता था। यह इंगित करता है कि हालांकि क्वांटम दृष्टिकोण आशाजनक है, इसमें अभी भी कुछ खामियां हैं जिन्हें सुधारा जाना आवश्यक है।

अध्ययन इस निष्कर्ष पर पहुँचता है कि जबकि शास्त्रीय कंप्यूटर वर्तमान में इस विशिष्ट प्रकार की कण भौतिकी समस्या के लिए कच्ची सटीकता (raw accuracy) में बढ़त रखते हैं, क्वांटम मॉडल अपनी अत्यधिक दक्षता के कारण एक सम्मोहक विकल्प पेश करते हैं। क्वांटम मॉडल ने साबित कर दिया कि वे बहुत कम चरों (variables) के साथ समान जटिल संबंधों को सीख सकते हैं, जो भविष्य के लिए एक महत्वपूर्ण लाभ है जब क्वांटम हार्डवेयर अधिक शक्तिशाली और त्रुटियों के प्रति कम संवेदनशील हो जाएगा। शोधकर्ता इस बात पर जोर देते हैं कि ये परिणाम मानक कंप्यूटरों पर चल रहे सिमुलेशन से प्राप्त हुए हैं, न कि वास्तविक क्वांटम मशीनों से, इसलिए अगला कदम इन विचारों को वास्तविक क्वांटम हार्डवेयर पर परीक्षण करना है ताकि यह देखा जा सके कि शोर और भौतिक सीमाएं प्रदर्शन को कैसे प्रभावित करती हैं। फिलहाल, यह कार्य एक स्पष्ट बेंचमार्क प्रदान करता है: क्वांटम मशीन लर्निंग केवल एक सैद्धांतिक जिज्ञासा नहीं है, बल्कि एक व्यावहारिक उपकरण है जो पहले से ही शास्त्रीय विधियों का मुकाबला कर सकता है और साथ ही मेमोरी और सेटिंग्स के एक अंश का उपयोग करता है, जो एक ऐसे भविष्य की ओर इशारा करता है जहाँ ये दोनों प्रौद्योगिकियाँ भौतिकी की सबसे जटिल पहेलियों को हल करने के लिए मिलकर काम कर सकती हैं।