Quantum Hamiltonian Evolution for Coherent Quantum Learning
यह शोध पत्र कोहेरेंट क्वांटम लर्निंग (CQL) प्रस्तुत करता है, जो एक ऐसा प्रशिक्षण ढांचा है जो लॉस फंक्शन को एनकोड करने वाले एक हैमिल्टोनियन के तहत क्वांटम पैरामीटर रजिस्टरों को विकसित करता है ताकि व्यतिकरण (इंटरफेरेंस) के माध्यम से इष्टतम समाधानों पर प्रायिकता आयामों (प्रोबेबिलिटी एम्प्लीट्यूड्स) को केंद्रित किया जा सके, जिससे क्लासिकल ग्रेडिएंट-आधारित ऑप्टिमाइज़ेशन लूप की आवश्यकता समाप्त हो जाती 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
आधुनिक कंप्यूटिंग की दुनिया में, सीखना आमतौर पर एक कैलकुलेटर द्वारा निर्देशित परीक्षण और त्रुटि (trial and error) की एक प्रक्रिया है। एक कंप्यूटर मॉडल एक अनुमान लगाता है, यह जांचता है कि वह कितना गलत है, और फिर एक अलग प्रोग्राम सुधार के लिए आगे बढ़ने की दिशा की गणना करता है। यह चरण दर चरण होता है, जिसमें कंप्यूटर अपनी प्रगति को मापने और अपनी सेटिंग्स को समायोजित करने के लिए लगातार रुकता है। यह तरीका अच्छी तरह से काम करता है, लेकिन यह सीखने की प्रक्रिया को असंबद्ध चरणों की एक श्रृंखला के रूप में मानता है, जो क्वांटम सिस्टम के अद्वितीय व्यवहार की अनदेखी करता है। क्वांटम कंप्यूटर उन सिद्धांतों पर काम करते हैं जहाँ कण एक साथ कई अवस्थाओं में मौजूद हो सकते हैं और जहाँ ये अवस्थाएँ एक-दूसरे के साथ हस्तक्षेप (interfere) कर सकती हैं, ठीक वैसे ही जैसे तालाब में लहरें होती हैं। वर्षों से, वैज्ञानिक आश्चर्य कर रहे थे कि क्या सीखने की क्रिया को स्वयं इन क्वांटम नियमों का पालन करने के लिए बनाया जा सकता है, न कि केवल पुराने ढंग के लर्निंग एल्गोरिदम चलाने के लिए क्वांटम मशीनों का उपयोग करना।
शोधकर्ताओं की एक टीम ने अब 'कोहेरेंट क्वांटम लर्निंग' (Coherent Quantum Learning) नामक क्वांटम मॉडलों को प्रशिक्षित करने का एक नया तरीका प्रस्तावित किया है। मापने और गणना करने के लिए रुकने के बजाय, यह दृष्टिकोण सीखने को ऊर्जा के एक निरंतर, सुचारू प्रवाह के रूप में होने देता है। इस प्रणाली में, मॉडल की सेटिंग्स निश्चित संख्याएँ नहीं हैं जिन्हें एक कंप्यूटर एक-एक करके बदलता है। इसके बजाय, इन सेटिंग्स को क्वांटम चर (variables) के रूप में माना जाता है जो एक ही समय में सभी संभावित मानों के सुपरपोजिशन (superposition) में मौजूद होते हैं। शोधकर्ताओं ने एक विशिष्ट ऊर्जा परिदृश्य, या "हैमिल्टनियन" (Hamiltonian) को डिजाइन किया है जो सीखने के कार्य के लक्ष्य को समाहित करता है। जैसे-जैसे सिस्टम इस ऊर्जा परिदृश्य के तहत विकसित होता है, क्वांटम तरंगें स्वाभाविक रूप से एक-दूसरे के साथ हस्तक्षेप करती हैं। यह हस्तक्षेप गलत उत्तरों को रद्द कर देता है और सही उत्तरों को प्रवर्धित (amplify) करता है, जिससे सबसे अच्छी सेटिंग्स खोजने की संभावना बढ़ जाती है, बिना किसी बाहरी कैलकुलेटर के सिस्टम को क्या करना है, यह बताए।
शोधकर्ताओं ने दो अलग-अलग कार्यों को शामिल करते हुए कंप्यूटर सिमुलेशन के माध्यम से इस अवधारणा का प्रदर्शन किया। पहले में, उन्होंने एक क्वांटम मॉडल को डेटा बिंदुओं को दो श्रेणियों में वर्गीकृत करने के लिए प्रशिक्षित किया, जैसे कि एक विशिष्ट सीमा के भीतर के नंबरों और उसके बाहर के नंबरों के बीच अंतर करना। उन्होंने मॉडल की सेटिंग्स को सभी संभावनाओं में समान रूप से फैलाकर शुरुआत की। जैसे-जैसे सिस्टम विकसित हुआ, सही सेटिंग्स खोजने की संभावना विशिष्ट क्षेत्रों में केंद्रित होने लगी, जिससे ऐसे तीक्ष्ण शिखर (peaks) बने जहाँ त्रुटि सबसे कम थी। सिमुलेशन ने दिखाया कि सिस्टम ने कार्य को सफलतापूर्वक सीखा, अंतिम क्वांटम अवस्था ने अनुकूलतम सेटिंग्स को उतनी ही प्रभावी ढंग से उजागर किया जितना कि पारंपरिक तरीके, लेकिन बिना कभी भी ग्रेडिएंट की गणना किए या प्रक्रिया के दौरान किसी क्लासिकल माप की आवश्यकता के।
दूसरा उदाहरण एक डेटा कार्य के बजाय एक भौतिक समस्या से संबंधित था: एक प्रकाश किरण में अज्ञात फेज शिफ्ट (phase shift) का अनुमान लगाना। यह सटीक भौतिकी (precision physics) में एक सामान्य चुनौती है, जहाँ एक वैज्ञानिक को यह देखकर एक छिपे हुए मान को खोजने की आवश्यकता होती है कि वह एक तरंग को कैसे बदलता है। शोधकर्ताओं ने एक सिमुलेशन तैयार किया जहाँ अज्ञात मान को वातावरण में एनकोड किया गया था, और क्वांटम सिस्टम को अंतर को रद्द करने के लिए मिलान वाली सेटिंग खोजने का कार्य दिया गया था। फिर से, सिस्टम सुचारू रूप से विकसित हुआ, और सेटिंग्स का संभाव्यता वितरण (probability distribution) तब तक स्थानांतरित हुआ जब तक कि वह सही मान पर पूरी तरह से केंद्रित नहीं हो गया। परिणामों ने पुष्टि की कि क्वांटम डायनेमिक्स ने समस्या को हल करने के लिए सिस्टम को स्वाभाविक रूप से समाधान की ओर निर्देशित करके, प्रभावी रूप से एक भौतिक प्रक्रिया के रूप में सीखने का कार्य किया।
इस कार्य का एक प्रमुख हिस्सा यह है कि यह बड़ी मात्रा में डेटा को कैसे संभालता है। मानक मशीन लर्निंग में, मॉडल अक्सर अभिभूत होने से बचने के लिए डेटा के छोटे समूहों से सीखते हैं। शोधकर्ताओं ने दिखाया कि उनकी विधि यही काम कर सकती है। उन्होंने एक प्रोटोकॉल डिजाइन किया जहाँ सिस्टम डेटा के एक बैच से सीखता है, और सिस्टम की परिणामी अवस्था का तुरंत अगले बैच के लिए शुरुआती बिंदु के रूप में उपयोग किया जाता है। यह सिस्टम को यह बनाए रखने की अनुमति देता है कि उसने पिछले समूहों से क्या सीखा है और साथ ही नई जानकारी के अनुकूल भी होता है, जिससे वह पिछले सबक भूलने से बच जाता है। सिमुलेशन ने संकेत दिया कि समय के साथ सिस्टम के विकास को सावधानीपूर्वक नियंत्रित करके, यह वर्तमान बैच से सीखने और अतीत को याद रखने के बीच संतुलन बना सकता है, ठीक वैसे ही जैसे एक छात्र पाठों की एक श्रृंखला के माध्यम से अपनी समझ को परिष्कृत करता है।
यह शोध पत्र इस तर्क को प्रस्तुत करता है कि यह दृष्टिकोण इस बारे में हमारे सोचने के तरीके में एक मौलिक बदलाव लाता है कि क्वांटम मॉडलों को कैसे प्रशिक्षित किया जाए। वर्तमान विधियाँ एक हाइब्रिड लूप पर निर्भर करती हैं जहाँ एक क्लासिकल कंप्यूटर अनुकूलन (optimization) का भारी काम करता है, जिससे क्वांटम कंप्यूटर को केवल डेटा पॉइंट प्रदान करने के लिए छोड़ दिया जाता है। यह नया ढांचा सुझाव देता है कि सीखना स्वयं क्वांटम सिस्टम के आंतरिक गुण के रूप में हो सकता है। लर्निंग पैरामीटर्स को क्वांटम डिग्री ऑफ फ्रीडम के रूप में बढ़ावा देकर, सिस्टम सर्वोत्तम समाधान खोजने के लिए क्वांटम यांत्रिकी के प्राकृतिक नियमों—सुपरपोजिशन और इंटरफेरेंस—का उपयोग करता है। हालांकि प्रस्तुत परिणाम संख्यात्मक सिमुलेशन पर आधारित हैं और अभी तक भौतिक हार्डवेयर पर नहीं हैं, फिर भी यह कार्य एक स्पष्ट ब्लूप्रिंट प्रदान करता है कि कैसे भविष्य के क्वांटम कंप्यूटर अपने स्वयं के भौतिक विज्ञान के अनुरूप सीखने के तरीके से सीख सकते हैं, जो जटिल कार्यों के लिए गति और दक्षता में संभावित लाभ प्रदान कर सकता 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।