Multiple Nonlinear Waves by (Quantum) Neural Networks: Checking the AI supremacy

प्रकृति उन तरंगों से भरी है जो केवल लुप्त नहीं होतीं या टकराकर बिखर नहीं जातीं। उथले पानी में, वायुमंडल में, और यहाँ तक कि बिजली के प्रवाह में भी, विक्षोभ लंबी दूरी तक अपना आकार बनाए रखते हुए यात्रा कर सकते हैं, और कभी-कभी अपनी पहचान खोए बिना एक-दूसरे से गुजर भी सकते हैं। ये किसी तूफानी समुद्र की अराजक लहरें नहीं हैं, बल्कि सख्त गणितीय नियमों द्वारा शासित अत्यधिक संगठित पैटर्न हैं। दशकों से, वैज्ञानिकों ने इन तरंगों के व्यवहार की भविष्यवाणी करने के लिए जटिल समीकरणों का उपयोग किया है, जो उन तरीकों पर निर्भर करते हैं जो सरल मामलों के लिए तो अच्छे काम करते हैं लेकिन जब पैटर्न जटिल हो जाते हैं तो संघर्ष करने लगते हैं। चुनौती परस्पर क्रिया करने वाले हिस्सों की विशाल संख्या में निहित है; जब एक तरंग कई ओवरलैपिंग घटकों से बनी होती है, तो उन्हें ट्रैक करने के लिए आवश्यक गणना इतनी भारी हो सकती है कि शक्तिशाली कंप्यूटर भी लड़खड़ाने लगते हैं।

हाल के वर्षों में, इन कठिन समस्याओं से निपटने के लिए एक नया उपकरण उभरा है: भौतिकी के नियमों को समझने के लिए डिज़ाइन की गई कृत्रिम बुद्धिमत्ता (आर्टिफिशियल इंटेलिजेंस)। केवल डेटा से सीखने वाले एक मानव छात्र की तरह तथ्य रटने के बजाय, ये सिस्टम उन मौलिक समीकरणों का सम्मान करने के लिए बनाए गए हैं जो ब्रह्मांड को नियंत्रित करते हैं। शोधकर्ता इन "फिजिक्स-इन्फॉर्म्ड" (भौतिकी-सूचित) नेटवर्क का परीक्षण कर रहे हैं ताकि यह देखा जा सके कि क्या वे उन समस्याओं को हल कर सकते हैं जिन्हें पारंपरिक तरीके बहुत अधिक जटिल पाते हैं। अब, इटली के वैज्ञानिकों की एक टीम ने इस विचार को एक कदम आगे बढ़ाया है, यह पूछते हुए कि क्या अगली पीढ़ी की कंप्यूटिंग—क्वांटम तकनीक—इन बुद्धिमान नेटवर्क को और भी बेहतर बना सकती है। उन्होंने एक विशिष्ट, सु well-understood (सुपरिचित) प्रकार के तरंग समीकरण पर ध्यान केंद्रित किया ताकि यह देखा जा सके कि क्या क्वांटम-संवर्धित नेटवर्क का संस्करण कई ओवरलैपिंग तरंगों की जटिलता को संभाल सकता है, जो कि किसी भी नई कम्प्यूटेशनल विधि के लिए एक महत्वपूर्ण परीक्षण का प्रतिनिधित्व करता है।

शोधकर्ताओं ने कोर्टवेग-डी व्रीस (Korteweg-de Vries) समीकरण का अध्ययन करने का विकल्प चुना, जो एक प्रसिद्ध मॉडल है जो बताता है कि तरंगें एक कमजोर गैर-रेखीय माध्यम (जैसे उथला पानी) में कैसे चलती हैं। हालांकि यह समीकरण सैद्धांतिक रूप से हल करने योग्य है, लेकिन कई ओवरलैपिंग पैटर्न वाली तरंगों के समाधान, जिन्हें 'हाई-जीनस सॉल्यूशंस' कहा जाता है, गणना करने में अत्यंत कठिन होते हैं। इन समाधानों में हार्मोनिक घटकों की एक विशाल संख्या शामिल होती है जो जटिल तरीकों से परस्पर क्रिया करती है। इन्हें हल करने के लिए, आपको आमतौर पर बड़ी संख्या में चरों (variables) की गणना करनी पड़ती है, जो एक ऐसा कार्य है जो तरंग घटकों की संख्या बढ़ने के साथ कम्प्यूटेशनल रूप से महंगा और अस्थिर हो जाता है। टीम चाहती थी कि यह देखा जाए कि क्या एक न्यूरल नेटवर्क, जो मानव मस्तिष्क की नकल करने वाला एक प्रकार का कंप्यूटर प्रोग्राम है, हर एक पारंपरिक गणना के चरण को किए बिना इन तरंग पैटर्न की भविष्यवाणी करना सीख सकता है।

इसका परीक्षण करने के लिए, वैज्ञानिकों ने दो प्रकार के नेटवर्क के बीच एक प्रतियोगिता आयोजित की। पहला एक मानक फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क था, जो एक क्लासिकल कंप्यूटर प्रोग्राम है जिसे तरंग के व्यवहार की भविष्यवाणियों में त्रुटियों को कम करने के लिए प्रशिक्षित किया गया था। दूसरा एक क्वांटम फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क था, जो एक हाइब्रिड सिस्टम है जिसमें क्लासिकल नेटवर्क के एक हिस्से को सिम्युलेटेड क्वांटम प्रोसेसर से बदल दिया गया है। यह क्वांटम हिस्सा क्वांटम यांत्रिकी के सिद्धांतों का उपयोग करता है, जैसे कि कणों की एक साथ कई अवस्थाओं में मौजूद होने की क्षमता, ताकि सूचना को संसाधित किया जा सके। शोधकर्ताओं ने दोनों प्रणालियों को समान तरंग समस्याओं पर प्रशिक्षित किया, जिसमें दो और तीन ओवरलैपिंग पैटर्न वाली तरंगें शामिल थीं, और फिर यह मापा कि वे ज्ञात समाधानों को कितनी सटीकता से पुनरुत्पादित कर सकते हैं।

परिणामों ने दिखाया कि दोनों प्रणालियाँ तरंग पैटर्न को सीख सकती थीं, लेकिन उन्होंने अलग-अलग समझौतों (trade-offs) के साथ ऐसा किया। क्लासिकल नेटवर्क ने, अपने मानक आर्किटेक्चर के साथ, सटीकता का एक निश्चित स्तर प्राप्त किया, लेकिन इसके लिए बड़ी संख्या में समायोज्य सेटिंग्स, या पैरामीटर्स की आवश्यकता थी। क्वांटम-संवर्धित नेटवर्क ने काफी कम पैरामीटर्स का उपयोग करके समान स्तर का प्रदर्शन हासिल किया। वास्तव में, क्वांटम संस्करण ने तरंगों के आवश्यक व्यवहार को कैप्चर करते हुए, प्रशिक्षण योग्य सेटिंग्स की संख्या में लगभग पंद्रह प्रतिशत की कमी की। यह कमी महत्वपूर्ण है क्योंकि कम पैरामीटर्स का अर्थ है एक सरल मॉडल जो ओवरफिटिंग के प्रति कम संवेदनशील है और भविष्य के क्वांटम हार्डवेयर पर चलाना आसान है। हालांकि, क्वांटम नेटवर्क पूर्ण नहीं था; इसकी भविष्यवाणियां क्लासिकल संस्करण की तुलना में थोड़ी कम सटीक थीं, जिसमें त्रुटि का मार्जिन थोड़ा अधिक था।

अध्ययन ने यह भी खुलासा किया कि हालांकि ये नेटवर्क शक्तिशाली हैं, लेकिन वे सभी तरंग समस्याओं के लिए जादुគឺ (जादुई छड़ी) नहीं हैं। शोधकर्ताओं ने पाया कि जब नेटवर्क से उस समय अवधि के बाहर तरंग व्यवहार की भविष्यवाणी करने के लिए कहा गया जिस पर उन्हें प्रशिक्षित किया गया था, तो वे संघर्ष करने लगे। यदि प्रशिक्षण एक विशिष्ट समय विंडो को कवर करता था, तो उस विंडो के ठीक बाहर क्या हुआ, इसका अनुमान लगाने की नेटवर्क की क्षमता अस्थिर थी। इसके अलावा, भविष्यवाणियों की सटीकता काफी हद तक तरंग पैटर्न की जटिलता पर निर्भर थी। जैसे-जैसे ओवरलैपिंग तरंगों की संख्या बढ़ी, दोनों प्रणालियों के लिए त्रुटि दर बढ़ गई, जिससे पता चलता है कि जबकि क्वांटम दृष्टिकोण एक अधिक कुशल संरचना प्रदान करता है, यह अभी भी सबसे जटिल परिदृश्यों को संभालने में चुनौतियों का सामना करता है।

यह कार्य वैज्ञानिक कंप्यूटिंग के भविष्य के लिए एक महत्वपूर्ण बेंचमार्क के रूप में कार्य करता है। इन प्रणालियों का परीक्षण एक ऐसी समस्या पर करके, जो पारंपरिक गणित द्वारा पहले से ही हल की जा चुकी है, शोधकर्ता स्पष्ट रूप से देख सके कि नई तकनीक कहाँ खड़ी है। उन्होंने पाया कि क्वांटम न्यूरल नेटवर्क वास्तव में एक समस्या की जटिलता को संकुचित कर सकते हैं, एक समान परिणाम प्राप्त करने के लिए कम संसाधनों का उपयोग करते हुए। हालांकि, यह तकनीक अभी अपने शुरुआती चरणों में है। सिमुलेशन क्लासिकल कंप्यूटरों पर चलाए गए थे जो क्वांटम व्यवहार की नकल कर रहे थे, जिसका अर्थ है कि वास्तविक क्वांटम कंप्यूटर की पूरी गति और शक्ति का अभी तक उपयोग नहीं किया गया था। शोधकर्ताओं ने उल्लेख किया कि क्वांटम हार्डवेयर की वर्तमान सीमाएं, जैसे कि शोर (noise) और क्वांटम बिट्स की कम संख्या, यह दर्शाती हैं कि इन विधियों की पूर्ण क्षमता का अभी तक वास्तविक रूप से लाभ नहीं उठाया गया है।

अंततः, पेपर यह निष्कर्ष निकालता है कि हालांकि क्वांटम-सन्वर्धित न्यूरल नेटवर्क जटिल तरंग समीकरणों को हल करने के लिए आशाजनक हैं, लेकिन वे कच्चे सटीकता (raw accuracy) के मामले में क्लासिकल विधियों से अभी तक श्रेष्ठ नहीं हैं। वास्तविक मूल्य क्वांटम दृष्टिकोण की दक्षता में निहित है, जो उसी भौतिक वास्तविकता का वर्णन करने के लिए कम चरों का उपयोग करता है। यह दक्षता एक गेम-चेंजर बन सकती है जब क्वांटम कंप्यूटर अधिक उन्नत और कम शोर वाले होंगे। फिलहाल, अध्ययन एक स्पष्ट रोडमैप प्रदान करता है: तकनीक को और भी जटिल, अनसुलझे समस्याओं पर परीक्षण के लिए तैयार किया जा रहा है, लेकिन इसे उन उपकरणों की विश्वसनीयता से मेल खाने के लिए और अधिक विकास की आवश्यकता है जिनका उपयोग वैज्ञानिक दशकों से कर रहे हैं। ब्रह्मांड की सबसे जटिल तरंगों को समझने के लिए एक सैद्धांतिक अवधारणा से एक व्यावहारिक उपकरण तक की यात्रा अच्छी तरह से चल रही है, लेकिन मंजिल अभी भी दूर है।