उपयोगी क्वांटम कंप्यूटर बनाने की दौड़ में, वैज्ञानिक अक्सर स्वयं मशीन के प्रति जुनूनी होते हैं: इसमें कितने क्यूबिट्स हैं, यह कितनी देर तक एक अवस्था को बनाए रख सकता है, और यह शोर (noise) का कितनी अच्छी तरह प्रतिरोध करता है। फिर भी, कई व्यावहारिक कार्यों के लिए, बाधा हार्डवेयर की शक्ति नहीं, बल्कि उसमें सूचना फीड करने की कठिनाई है। क्वांटम कंप्यूटर डिस्क्रीट बिट्स (discrete bits) की भाषा बोलते हैं, जैसे कि ऑन या ऑफ होने वाले लाइट स्विच की एक श्रृंखला। वास्तविक दुनिया का डेटा, जैसे कि दवाओं के अणुओं की जटिल रासायनिक संरचनाएं, अनंत रंगों और विविधताओं वाली एक निरंतर (continuous), तरल दुनिया में मौजूद होता है। इस समृद्ध, निरंतर डेटा को एक छोटे, कठोर क्वांटम रजिस्टर में डालने की कोशिश करना एक गैलन पानी को एक थिम्बल (thimble) में डालने की कोशिश करने जैसा है; अधिकांश जानकारी बाहर निकल जाती है, और जो बचता है वह अक्सर मूल का एक विकृत, अपरिचित संस्करण होता है। यह समस्या विशेष रूप से रसायन विज्ञान में गंभीर है, जहाँ शोधकर्ता उम्मीद करते हैं कि वे क्वांटम मशीनों का उपयोग करके यह अनुमान लगा सकेंगे कि अणु कैसे व्यवहार करते हैं, लेकिन रासायनिक डेटा को क्वांटम कोड में अनुवाद करने के मौजूदा तरीके अक्सर उन विवरणों को खो देते हैं जो सटीक भविष्यवाणियां करने के लिए आवश्यक होते हैं।

शोधकर्ताओं की एक टीम ने अब इस अनुवाद समस्या का सीधे समाधान किया है, केवल एक बड़ी मशीन बनाकर नहीं, बल्कि कंप्यूटर को डेटा को अलग तरह से देखना सिखाकर, इससे पहले कि वह क्वांटम सर्किट में प्रवेश करे। रक्त-मस्तिष्क अवरोध (blood-brain barrier) को पार करने की क्षमता वाली दवाओं पर ध्यान केंद्रित करते हुए एक अध्ययन में, टीम ने प्रदर्शित किया कि डेटा को तैयार करने का तरीका उतना ही महत्वपूर्ण है जितना कि उसे प्रोसेस करने वाला एल्गोरिदम। उन्होंने पाया कि जब उन्होंने केवल मानक रासायनिक डेटा को एक क्वांटम क्लासिफायर में डाला, तो मशीन संघर्ष करती रही क्योंकि विभिन्न अणुओं को एक ही डिजिटल कोड में समेट दिया गया था, जिससे वे एक दूसरे से अविभाज्य हो गए थे। एक नई प्रशिक्षण पद्धति पेश करके, जो विशेष रूप से इस डिजिटल संपीड़न (compression) को ध्यान में रखती है, वे डेटा को इस तरह से नया आकार देने में सक्षम हुए कि कुछ बिट्स तक सीमित होने के बाद भी विशिष्ट अणु विशिष्ट बने रहे। परिणाम एक ऐसा क्वांटम मॉडल था जो न केवल शास्त्रीय (classical) कंप्यूटरों के प्रदर्शन से मेल खाता था, बल्कि विशिष्ट परिस्थितियों में, उनसे बेहतर प्रदर्शन भी करता था, जिससे यह सिद्ध हुआ कि यदि सूचनात्मक बाधा (information bottleneck) को सही ढंग से प्रबंधित किया जाए, तो आज के सीमित हार्डवेयर पर भी क्वांटम लाभ (quantum advantage) संभव है।

समस्या का मूल कारण यह है कि डेटा को क्वांटम कंप्यूटर में कैसे लोड किया जाता है। गणना चलाने के लिए, एक अणु को शून्य और एक की एक ऐसी स्ट्रिंग में बदलना पड़ता है जो मशीन की मेमोरी में फिट हो सके। इस अध्ययन में, शोधकर्ताओं ने एक शक्तिशाली प्री-ट्रेन्ड आर्टिफिशियल इंटेलिजेंस मॉडल, जिसे फाउंडेशन मॉडल कहा जाता है, का उपयोग किया, जिसने पहले ही लाखों अणुओं से रसायन विज्ञान की सामान्य भाषा सीख ली थी। इस मॉडल ने प्रत्येक अणु का एक समृद्ध, उच्च-आयामी (high-dimensional) विवरण तैयार किया, जिसमें सूक्ष्म संरचनात्मक विवरण शामिल थे। हालाँकि, इस विवरण को एक छोटे क्वांटम रजिस्टर में फिट करने के लिए, शोधकर्ताओं को इसे अत्यधिक संकुचित करना पड़ा, जिससे एक जटिल संख्यात्मक वेक्टर एक छोटी बाइनरी स्ट्रिंग में बदल गया। संपीड़न का यही चरण वह जगह थी जहाँ चीजें गलत हुईं। क्योंकि संपीड़न बहुत मोटा (coarse) था, कई अलग-अलग अणु बिल्कुल एक ही बाइनरी कोड के साथ समाप्त हुए। शोधकर्ताओं की भाषा में, ये "कोलिजन" (collisions) थे। यदि दो अलग-अलग गुणों वाले अणु—एक जो रक्त-मस्तिष्क अवरोध को पार कर सकता है और एक जो नहीं कर सकता—एक ही कोड साझा करते हैं, तो कोई भी कंप्यूटर, क्वांटм या शास्त्रीय, उन्हें अलग नहीं पहचान सकता। मशीन दो अलग-अलग प्रश्नों के लिए एक ही इनपुट प्राप्त करती है और अनुमान लगाने के लिए मजबूर होती है, जिससे सटीकता कम हो जाती है।

शोधकर्ताओं ने महसूस किया कि इन मॉडलों को प्रशिक्षित करने का मानक तरीका अपर्याप्त था। आमतौर पर, वैज्ञानिक एक मॉडल को डेटा के विभिन्न वर्गों को एक सुचारू, निरंतर स्थान में अलग करने के लिए प्रशिक्षित करते हैं, इस उम्मीद में कि यह अलगाव स्वाभाविक रूप से संपीड़न के दौरान भी बना रहेगा। लेकिन अध्ययन ने दिखाया कि जब संपीड़न इतना तीव्र हो, तो यह दृष्टिकोण विफल हो जाता है। एक मॉडल अपने आंतरिक गणित में दो अणुओं को पूरी तरह से अलग कर सकता है, लेकिन यदि वे एक ऐसे डिजिटल सीमा के विपरीत दिशाओं में आते हैं जिसे संपीड़न के दौरान राउंड ऑफ (round off) कर दिया जाता है, तो वे फिर भी टकरा (collide) जाते हैं। शोधकर्ताओं को एक ऐसी विधि की आवश्यकता थी जो संपीड़न प्रक्रिया को स्वयं समझ सके। उन्होंने एक तकनीक विकसित की जिसे उन्होंने 'डिसक्रेटाइजेशन-अवेयर फाइन-ट्यूनिंग' (discretization-aware fine-tuning) कहा। इसमें दो-चरणीय प्रशिक्षण प्रक्रिया शामिल थी। पहले, उन्होंने मॉडल को 'वॉर्म अप' किया ताकि यह सुनिश्चित हो सके कि वह दो प्रकार के अणुओं के बीच सामान्य रूप से अंतर कर सके। फिर, दूसरे, अधिक महत्वपूर्ण चरण में, उन्होंने प्रशिक्षण में एक विशेष दंड (penalty) जोड़ा। यह दंड केवल इस बात पर नहीं देखता था कि मॉडल सही था या गलत; इसने इस बात की गणना की कि दो अलग-अलग अणुओं के संपीड़न के बाद एक ही डिजिटल बिन (bin) में जाने की संभावना कितनी है। यदि मॉडल ने उन अणुओं को इस तरह से दूर धकेलना सीखा कि वे डिजिटल सीमाओं का सम्मान करें, तो दंड कम हो गया। इसने मॉडल को एक ऐसा प्रतिनिधित्व सीखने के लिए मजबूर किया जहाँ सबसे महत्वपूर्ण रासायनिक विशेषताएं कुछ बिट्स तक कम होने के बाद भी सुरक्षित रहें।

जब उन्होंने इस नई पद्धति का परीक्षण किया, तो अंतर स्पष्ट था। इस विशेष प्रशिक्षण के बिना, क्वांटम कंप्यूटर एक अराजक इनपुट का सामना कर रहा था जहाँ हजारों अलग-अलग अणुओं के जोड़े आपस में टकरा रहे थे। मशीन की सटीकता कम थी, और इसने उसी संकुचित डेटा पर चल रहे एक साधारण शास्त्रीय कंप्यूटर से भी खराब प्रदर्शन किया। क्वांटम लाभ, जिसे अक्सर कंप्यूटिंग का भविष्य बताया जाता है, पूरी तरह से अनुपस्थित था क्योंकि इनपुट डेटा बहुत अधिक दूषित था। हालाँकि, एक बार जब शोधकर्ताओं ने अपनी डिसक्रेटाइजेशन-अवेयर फाइन-ट्यूनिंग लागू की, तो टकरावों की संख्या नाटकीय रूप रूप से गिर गई, हजारों से घटकर लगभग शून्य हो गई। अणुओं को अब अद्वितीय कोड दिए जा रहे थे जो उनके अंतर को सुरक्षित रखते थे। इस स्वच्छ इनपुट के साथ, क्वांटम कंप्यूटर का प्रदर्शन तेजी से बढ़ा। इसने अपनी सटीकता में बारह प्रतिशत से अधिक का सुधार किया, जो एक बड़ी छलांग थी जिसने इसे एक संघर्षरत उपकरण से एक अत्यधिक प्रभावी क्लासिफायर में बदल दिया।

हालाँकि, सबसे महत्वपूर्ण निष्कर्ष यह था कि इस सुधार ने क्वांटम मशीन को शास्त्रीय मशीन की तुलना में कैसे प्रभावित किया। जब शोधकर्ताओं ने क्वांटम सर्किट की तुलना एक मानक लॉजिस्टिक रिग्रेशन मॉडल—एक सरल, सुस्थापित शास्त्रीय एल्गोरिदम—से की, तो दोनों को बिल्कुल समान संकुचित बिट-स्ट्रिंग्स दिए गए थे। नए प्रशिक्षण पद्धति के बिना, शास्त्रीय मॉडल आसानी से जीत गया, क्वांटम सर्किट से छह प्रतिशत अधिक प्रदर्शन किया। क्वांटम मशीन को अव्यवस्थित डेटा के कारण नुकसान हो रहा था। लेकिन जब नई प्रशिक्षण पद्धति लागू की गई, तो स्थिति उलट गई। दोनों मॉडल बेहतर हुए क्योंकि डेटा स्वच्छ था, लेकिन क्वांटम मशीन ने शास्त्रीय मशीन की तुलना में कहीं अधिक सुधार किया। क्वांटम सर्किट ने सटीकता में बारह प्रतिशत से अधिक की वृद्धि की, जबकि शास्त्रीय मॉडल ने केवल लगभग तीन प्रतिशत की। दस-क्यूबिट स्तर पर, क्वांटम मॉडल 88.3 प्रतिशत की सटीकता के साथ समाप्त हुआ, जिसने शास्त्रीय मॉडल के 85.5 प्रतिशत को पछाड़ दिया। यह कोई इत्तेफाक नहीं था; यह कई रैंडम ट्रायल और विभिन्न सांख्यिकीय जांचों में भी सही साबित हुआ।

क्वांटम मशीन को स्वच्छ डेटा से इतना अधिक लाभ क्यों मिला? शोधकर्ता बताते हैं कि दो प्रकार के कंप्यूटर सूचना को मौलिक रूप से भिन्न तरीकों से संसाधित करते हैं। शास्त्रीय मॉडल, इस विशिष्ट सेटअप में, एक रैखिक सॉर्टर (linear sorter) की तरह कार्य करता है; यह बिट्स को देखता है और श्रेणियों को अलग करने के लिए एक सीधी रेखा खींचता है। यह कम शोर वाले डेटा के साथ बेहतर हो सकता है, लेकिन यह अपनी रैखिक प्रकृति द्वारा सीमित है। इसके विपरीत, क्वांटम कंप्यूटर 'एंटैंगलमेंट' (entanglement) नामक एक प्रक्रिया का उपयोग करता है ताकि अपने क्यूबिट्स को आपस में जोड़ा जा सके। यह इसे बिट्स के बीच जटिल, उच्च-क्रम पैटर्न और अंतःक्रियाओं का पता लगाने की अनुमति देता है जिसे एक सरल रैखिक मॉडल नहीं देख सकता। जब डेटा अव्यवस्थित था, तो क्वांटम मशीन इन पैटर्न को नहीं ढूंढ सकी। लेकिन एक बार जब प्रशिक्षण पद्धति ने टकरावों को दूर कर दिया और डेटा को एक संरचित तरीके से प्रस्तुत किया, तो क्वांटम मशीन इन छिपे हुए सहसंबंधों (correlations) का लाभ उठाने में पूरी तरह सक्षम हो गई। शास्त्रीय मॉडल, इन जटिल अंतःक्रियाओं को देखने की क्षमता के अभाव में, स्वच्छ डेटा का प्रभावी ढंग से लाभ नहीं उठा सका।

अध्ययन यह निष्कर्ष निकालता है कि क्वांटम मशीन लर्निंग को वास्तविक दुनिया में सफल होने के लिए, विशेष रूप से रसायन विज्ञान जैसे क्षेत्रों में जहाँ डेटा जटिल और हार्डवेयर सीमित है, हम केवल बेहतर सर्किट बनाने पर ध्यान केंद्रित नहीं कर सकते। हमें उन्हें डेटा फीड करने के बेहतर तरीके भी डिजाइन करने होंगे। वर्तमान क्वांटम रजिस्टरों के छोटे आकार से उत्पन्न सूचनात्मक बाधा (information bottleneck) को पाइपलाइन के बिल्कुल शुरुआत में, डेटा के प्रतिनिधित्व को मशीन की सीमाओं के अनुरूप ढालकर संबोधित किया जाना चाहिए। शोधकर्ताओं ने दिखाया कि निरंतर रासायनिक विवरणों को क्वांटम बिट्स की डिस्क्रीट प्रकृति के साथ संरेखित करके, वे एक वास्तविक लाभ अनलॉक कर सकते हैं। यह कार्य सुझाव देता है कि रसायन विज्ञान में व्यावहारिक क्वांटम कंप्यूटिंग का मार्ग आवश्यक रूप से विशाल, त्रुटि-मुक्त मशीनों की प्रतीक्षा करने की आवश्यकता नहीं है। इसके बजाय, इसके लिए वास्तविक दुनिया को क्वांटम भाषा में अनुवाद करने के एक स्मार्ट दृष्टिकोण की आवश्यकता है, यह सुनिश्चित करते हुए कि संपीड़न के दौरान सिग्नल सुरक्षित रहे ताकि मशीन वह कर सके जिसमें वह सर्वश्रेष्ठ है।