Quantum Representation Learning Beyond Pairwise Fidelity

क्वांटम मशीन लर्निंग के उभरते क्षेत्र में, शोधकर्ता कंप्यूटर को डेटा को केवल संख्याओं की सूचियों के रूप में देखने के बजाय, उस डेटा को क्वांटम कणों की नाजुक अवस्थाओं में एनकोड करके पैटर्न पहचानना सिखा रहे हैं। एक क्वांटम कंप्यूटर की कल्पना एक विशाल, अदृश्य परिदृश्य के रूप में करें जहाँ सूचना का प्रत्येक टुकड़ा एक अद्वितीय बिंदु है। सीखने के लिए, मशीन को यह समझना होगा कि ये बिंदु एक-दूसरे से कैसे संबंधित हैं। वर्षों से, इन संबंधों को मापने का मानक तरीका बिंदुओं के जोड़ों के बीच "फिडेलिटी" (fidelity) की जाँच करना रहा है। फिडेलिटी अनिवार्य रूप से यह मापने का एक पैमाना है कि दो क्वांटम अवस्थाएँ कितनी ओवरलैप होती हैं, जो बिल्कुल वैसा ही है जैसे यह देखना कि अलग-अलग वस्तुओं द्वारा दीवार पर डाली गई दो छायाएँ कितनी ओवरलैप होती हैं। यह युग्म-आधारित (pairwise) जाँच इस क्षेत्र का मुख्य आधार रही है, जो समान वस्तुओं को करीब लाकर और भिन्न वस्तुओं को दूर धकेलकर क्वांटम डेटा को व्यवस्थित करती है। हालाँकि, एक मौलिक प्रश्न बना हुआ था: क्या केवल दो बिंदुओं को एक समय में देखकर क्वांटम दुनिया की पूरी कहानी समझी जा सकती है? क्वांटम मैकेनिक्स कई कणों के बीच एक साथ जटिल संबंध बनाने की अपनी क्षमता के लिए प्रसिद्ध है, और यह स्पष्ट नहीं था कि इन समृद्ध अंतःक्रियाओं को सरल जोड़ों तक सीमित करने से क्या महत्वपूर्ण जानकारी खो रही है।

शोधकर्ताओं की एक टीम ने अब यह प्रदर्शित किया है कि केवल इन युग्म-आधारित तुलनाओं पर निर्भर रहने से एक क्वांटम लर्नर डेटा में होने वाले कुछ निरंतर परिवर्तनों के प्रति पूरी तरह से अंधा हो सकता है। उन्होंने दिखाया कि क्वांटम अवस्थाओं के विशिष्ट परिवार मौजूद हैं जहाँ किन्हीं भी दो व्यक्तिगत बिंदुओं के बीच का संबंध बिल्कुल समान रहता है, भले ही पूरा समूह निरंतर और सार्थक तरीके से बदल रहा हो। इन परिदृश्यों में, एक लर्निंग सिस्टम जो केवल जोड़ों को देखता है, उसे कोई परिवर्तन दिखाई नहीं देगा, मानो डेटा स्थिर हो, भले ही अंतर्निहित संरचना विकसित हो रही हो। शोधकर्ताओं ने पहचान की कि यह अंधापन इसलिए होता है क्योंकि मानक युग्म-आधारित जाँच उन सूक्ष्म हस्तक्षेप पैटर्न (interference patterns) को छोड़ देती है जो चार या अधिक अवस्थाओं के एक बंद लूप (closed loop) में परस्पर क्रिया करने पर उत्पन्न होते हैं। ये लूप एक प्रकार के सामूहिक हस्ताक्षर (collective signature) बनाते हैं जिसे व्यक्तिगत जोड़ों के योग से पुनर्गणना नहीं किया जा सकता है।

इसे हल करने के लिए, टीम ने सुनने का एक नया तरीका विकसित किया जो इन बहु-अवस्था अंतःक्रियाओं को पकड़ता है। केवल दो अवस्थाओं की तुलना करने के बजाय, उन्होंने एक ऐसा माप बनाया जो अवस्थाओं के एक समूह की सामूहिक "शुद्धता" (purity) को देखता है, जो प्रभावी रूप से यह जाँचता है कि सूचना पूरे सेट में कितनी मजबूती से बुनी गई है। यह नया सिग्नल, जिसे वे एक 'रिलेशनल ऑब्जर्वेबल' (relational observable) कहते हैं, एक बैच ऑपरेटर की तरह कार्य करता है जो कई पथों के बीच के हस्तक्षेप को सुरक्षित रखता है। महत्वपूर्ण रूप से, यह सिग्नल केवल एक सैद्धांतिक अवधारणा नहीं है; इसे क्वांटम अवस्था की दो प्रतियों (copies) वाली एक तकनीक का उपयोग करके सीधे मापा जा सकता है। इन दो प्रतियों के बीच हस्तक्षेप करके, शोधकर्ता एक ऐसा मान निकाल सकते हैं जो छिपी हुई संरचना को प्रकट करता है, भले ही मानक युग्म-आधारित माप कुछ भी न दिखा रहे हों। उन्होंने सिद्ध किया कि यह सिग्नल 'ट्रेनेबल' (trainable) है, जिसका अर्थ है कि एक लर्निंग एल्गोरिदम अपने आंतरिक सेटिंग्स को समायोजित करने और अपनी समझ में सुधार करने के लिए इसका उपयोग कर सकता है, ठीक वैसे ही जैसे वह किसी अन्य डेटा के साथ करता है।

इस दृष्टिकोण की शक्ति को कई कठोर परिदृश्यों में परखा गया। सबसे पहले, शोधकर्ताओं ने एक कृत्रिम क्वांटम वातावरण बनाया जहाँ उन्हें सटीक छिपी हुई संरचना का पता था। उन्होंने दिखाया कि जबकि एक मानक लर्नर विभिन्न विन्यासों (configurations) के बीच अंतर करने में विफल रहा क्योंकि युग्म-आधारित डेटा समान था, नई विधि ने छिपे हुए हस्तक्षेप का पता लगाकर सही संरचना की सफलतापूर्वक पहचान की। इसके बाद, उन्होंने टोपोलॉजिकल ऑर्डर (topological order) के अध्ययन में इसे लागू किया, जो पदार्थ का एक जटिल रूप है जहाँ सिस्टम के गुण स्थानीय विवरणों के बजाय वैश्विक पैटर्न पर निर्भर करते हैं। उन्होंने टोरिक-कोड (toric-code) और डबल-सेमियन (double-semion) अवस्थाओं के रूप में ज्ञात क्वांटम पदार्थ के दो अलग-अलग प्रकारों की तुलना की। इन प्रणालियों में, प्रत्येक संभावित जोड़ी के बीच ओवरलैप समान था, जिससे पारंपरिक तरीकों के लिए वे अविभेद्य हो गए। फिर भी, नए बहु-अवस्था सिग्नल ने दोनों प्रकारों को स्पष्ट रूप से अलग किया, जिससे पता चला कि उनके पास मौलिक रूप से भिन्न मॉड्यूलर डेटा है। यह अंतर शोर (noise) और छोटी त्रुटियों के प्रभाव के बावजूद बना रहा, जो इस पद्धति की मजबूती को सिद्ध करता है।

अंत में, टीम ने अपने तरीके का परीक्षण एक सिम्युलेटेड फोर-फोटॉन प्रयोग में किया जिसे वास्तविक दुनिया की स्थितियों की नकल करने के लिए डिज़ाइन किया गया था जहाँ क्वांटम अवस्थाएँ समय के साथ बदलती रहती हैं। इस परीक्षण में, लक्ष्य एक सामूहिक चरण (collective phase) को सीखना था, जो एक निरंतर मान है जो फोटॉन के बीच के संबंध का वर्णन करता है। शोधकर्ताओं ने पाया कि केवल मानक युग्म-आधारित फिडेलिटी का उपयोग करने वाला लर्नर नई, अनदेखी स्थितियों के अनुकूल होने में विफल रहा, जिससे बड़ी त्रुटियां हुईं। हालांकि, जब लर्नर को नए बहु-अवस्था सिग्नल के साथ जोड़ा गया, तो त्रुटि दर नाटकीय रूप से कम हो गई। विशेष रूप से, चरण (phase) की भविष्यवाणी करने में औसत त्रुटि में 86 प्रतिशत की कमी आई, भले ही कुल माप डेटा की मात्रा को स्थिर रखा गया था। यह परिणाम इस बात पर प्रकाश डालता है कि सुधार केवल अधिक डेटा एकत्र करने से नहीं आया, बल्कि सही प्रकार का डेटा एकत्र करने से आया—ऐसा डेटा जो क्वांटम यांत्रिकी की सामूहिक प्रकृति का सम्मान करता है।

ये निष्कर्ष सुझाव देते हैं कि क्वांटम मशीन लर्निंग के प्रति दृष्टिकोण में एक महत्वपूर्ण बदलाव की आवश्यकता है। यह अध्ययन स्थापित करता है कि लर्निंग इंटरफ़ेस स्वयं—जिस तरह से हम डेटा को चुनते हैं और एल्गोरिदम के सामने प्रस्तुत करते हैं—डेटा के उतना ही महत्वपूर्ण है जितना कि डेटा स्वयं। युग्म-आधारित तुलनाओं की सीमाओं से आगे बढ़कर और ऐसे अवलोकनों (observables) को अपनाकर जो कई अवस्थाओं के हस्तक्षेप को कैप्चर करते हैं, शोधकर्ता उस जानकारी को अनलॉक कर सकते हैं जो पहले अदृश्य थी। इसका अर्थ यह नहीं है कि पुराने तरीके बेकार हैं, बल्कि यह दिखाता है कि वे अपूर्ण हैं। उच्च-क्रम के रिलेशनल सिग्नल्स पर मापने और प्रशिक्षण लेने की क्षमता अधिक शक्तिशाली और सटीक क्वांटम लर्निंग सिस्टम के द्वार खोलती है, जो क्वांटम दुनिया की जटिल, परस्पर जुड़ी ज्यामिति को उस स्पष्टता के साथ नेविगेट करने में सक्षम है जो पहले पहुंच से बाहर थी।