Dual-unitary Circuits as a Platform for Quantum Reservoir Computing

आधुनिक कंप्यूटिंग के विशाल परिदृश्य में, 'रिजर्वायर कंप्यूटिंग' (reservoir computing) के रूप में जानी जाने वाली एक विशिष्ट पद्धति उभर कर आई है, जो मशीनों को समय में पैटर्न पहचानने के लिए सिखाने का एक शक्तिशाली उपकरण है। एक भौतिक प्रणाली की कल्पना करें, जैसे कि स्प्रिंग्स का एक जटिल नेटवर्क या एक बहती हुई नदी, जो स्वाभाविक रूप से जटिल, गैर-रेखीय (nonlinear) तरीकों से इनपुट पर प्रतिक्रिया करती है। इस ढांचे में, स्वयं प्रणाली एक स्थिर इंजन के रूप में कार्य करती है जो डेटा को प्रोसेस करती है, जबकि इसके ऊपर एक सरल, प्रशिक्षित परत (layer) परिणामों को पढ़ने के लिए स्थित होती है। यह विधि आकर्षक है क्योंकि इसे उन गहरे, बहु-परतीय न्यूरल नेटवर्कों की तुलना में प्रशिक्षित करना बहुत आसान है जो आज आर्टिफिशियल इंटेलिजेंस पर हावी हैं। जैसे-जैसे वैज्ञानिक क्वांटम यांत्रिकी की अनूठी शक्ति का लाभ उठाना शुरू कर रहे हैं—जो पदार्थ के सबसे छोटे कणों को नियंत्रित करने वाला भौतिक विज्ञान है—वे इस विचार को क्वांटम मशीनों के लिए अनुकूलित कर रहे हैं। लक्ष्य एक क्वांटम प्रणाली की प्राकृतिक, अराजक गतिशीलता (chaotic dynamics) का उपयोग करके सूचना को संसाधित करना है, इस उम्मीद में कि वे उन समस्याओं को हल कर सकें जो शास्त्रीय कंप्यूटरों के लिए बहुत कठिन हैं। हालाँकि, इन क्वांटम प्रणालियों का निर्माण चुनौतियों से भरा है, विशेष रूप से अपूर्ण मापन से उत्पन्न होने वाले शोर (noise) और सिस्टम के बड़ा होने पर उसकी स्थिरता बनाए रखने की कठिनाई।

शोधकर्ताओं, गेब्रियल अल्वेस और पीटर क्लेज़ ने यह देखने के लिए एक विशिष्ट, अत्यधिक संरचित प्रकार के क्वांटम सर्किट का अन्वेषण किया कि क्या यह इस प्रकार की कंप्यूटिंग के लिए एक बेहतर मंच के रूप में कार्य कर सकता है। उन्होंने 'डुअल-यूनिटरी सर्किट' (dual-unitary circuit) नामक एक डिज़ाइन पर ध्यान केंद्रित किया, जो एक गणितीय संरचना है जहाँ प्रणाली को नियंत्रित करने वाले नियम समय और स्थान दोनों में पूरी तरह से संतुलित कार्य करते हैं। सरल शब्दों में, यदि आप प्रणाली को समय में आगे बढ़ते हुए देखते हैं, या यदि आप देखते हैं कि सर्किट में सूचना बाईं से दाईं ओर कैसे चलती है, तो अंतर्निहित भौतिकी समान रूप से संतुलित और प्रतिवर्ती (reversible) दिखाई देगी। टीम ने इन सर्किटों का परीक्षण करने के लिए उन्हें एक कंप्यूटर पर सिम्युलेट किया कि वे मानक मेमोरी और भविष्यवाणी कार्यों को कितनी अच्छी तरह से कर सकते हैं, और उनकी तुलना अधिक सामान्य, कम संरचित क्वांटम सर्किटों से की। उनका कार्य प्रकट करता है कि ये अत्यधिक व्यवस्थित सर्किट न केवल सैद्धांतिक जिज्ञासाएँ हैं; वे इनपुट को याद रखने की प्रणाली की क्षमता को बढ़ाकर और जटिल, गैर-रेखीय डेटा को संसाधित करते हुए, एक व्यावहारिक लाभ प्रदान करते हैं, जबकि साथ ही उस शोर के विरुद्ध एक ढाल भी प्रदान करते हैं जो आमतौर पर क्वांटम प्रयोगों को प्रभावित करता है।

उनके अन्वेषण का मुख्य केंद्र डेटा की एक धारा को क्वांटम बिट्स, या क्यूबिट्स (qubits) की एक श्रृंखला में फीड करना और प्रणाली के विकास को देखना था। एक विशिष्ट क्वांटम रिजर्वायर में, डेटा को क्यूबिट्स की अवस्था में एनकोड किया जाता है, जो फिर गेट्स की एक श्रृंखला के माध्यम से एक-दूसरे के साथ परस्पर क्रिया करते हैं। शोधकर्ताओं ने पाया कि जब उन्होंने डुअल-यूनिटरी डिज़ाइन का उपयोग किया, तो प्रणाली ने अल्पकालिक स्मृति (short-term memory) के लिए एक उल्लेखनीय क्षमता प्रदर्शित की। उन कार्यों के लिए जिनमें मशीन को कुछ चरणों पहले के इनपुट को याद रखने की आवश्यकता होती है, डुअल-यूनिटरी सर्किट लगभग पूर्ण सटीकता के साथ प्रदर्शन करते थे, बशर्ते कि विलंब (delay) चैन में कुल क्यूबिट्स की संख्या से कम हो। यह सफलता आकस्मिक नहीं थी; यह इन सर्किटों के एक विशिष्ट गुण से उपजी थी जहाँ सूचना के कुछ पैटर्न, जिन्हें शोधकर्ता 'एकल तरंगों' (solitary waves) के समान बताते हैं, बिना बिखरे हुए सिस्टम के माध्यम से यात्रा करते हैं। ये तरंगें स्मृति के पूर्ण वाहक के रूप में कार्य करती हैं, जो श्रृंखला के एक छोर से दूसरे छोर तक जाती हैं, और इनपुट डेटा को बिल्कुल वैसा ही सुरक्षित रखती हैं जैसा वह था।

हालाँकि, कहानी तब अधिक सूक्ष्म हो जाती है जब कार्य में केवल साधारण स्मरण से अधिक की आवश्यकता होती है। वास्तविक दुनिया का डेटा अक्सर जटिल, गैर-रेखीय संबंधों को शामिल करता है जहाँ आउटपुट पिछले इनपुट्स के संयोजन पर निर्भर करता है जो सरल नहीं होते हैं। शोधकर्ताओं ने पाया कि जबकि डुअल-यूनिटरी सर्किट रैखिक स्मृति (linear memory) को संरक्षित करने में उत्कृष्ट थे, वे अत्यधिक गैर-रेखीय कार्यों के साथ संघर्ष करते थे जब तक कि सिस्टम को थोड़ा विक्षेपित (perturbed) न किया जाए। उन्होंने पाया कि मध्यम मात्रा में एंटैंगलमेंट (entanglement)—कणों के बीच गहरा क्वांटम संबंध—महत्वपूर्ण था। यदि सर्किट बहुत सरल था, तो यह कठिन कार्यों के लिए आवश्यक जटिल गैर-रेखीय प्रभाव उत्पन्न करने में सक्षम नहीं था। यदि यह बहुत अधिक अराजक (chaotic) था, तो सूचना इतनी बिखर जाती थी कि वह खो जाती थी। उन्होंने पाया कि 'स्वीट स्पॉट' (sweet spot) वह स्थिति थी जहाँ सिस्टम जटिल गैर-रेखीय डेटा को संसाधित करने के लिए पर्याप्त जटिल था, लेकिन इनपुट की स्मृति बनाए रखने के लिए पर्याप्त संरचित भी था। इस संतुलन ने सर्किट को भविष्य के मूल्यों का पूर्वानुमान लगाने के लिए आवश्यक टेम्पोरल कोरिलेशन (temporal correlations) को पकड़ने की अनुमति दी।

अध्ययन का शायद सबसे महत्वपूर्ण निष्कर्ष 'एक्सपोनेंशियल कंसंट्रेशन' (exponential concentration) नामक घटना के विरुद्ध इन सर्किटों की लचीलापन (resilience) से संबंधित है। कई क्वांटम मशीन लर्निंग मॉडलों में, जैसे-जैसे सिस्टम बड़ा होता जाता है, इसके द्वारा उत्पन्न संकेत एक एकल, अनभिज्ञ मान में सिमटने लगते हैं, जिससे प्रभावी रूप से मशीन इनपुट डेटा के प्रति "अंधा" हो जाती है। ऐसा इसलिए होता है क्योंकि अपूर्ण मापन से उत्पन्न शोर सिग्नल पर हावी हो जाता है, विशेष रूप से जब क्यूबिट्स की संख्या बढ़ती है। शोधकर्ताओं ने प्रदर्शित किया कि डुअल-यूनिटरी सर्किट, विशेष रूप से जिनमें इंटीग्रेबल (integrable) गुण हैं, इस पतन के प्रति बहुत अधिक प्रतिरोधी हैं। संकेतों के एक समान बैकग्राउंड शोर में फीके पड़ने के बजाय, डुअल-यूनरी डिज़ाइन संभावित परिणामों के वितरण को फैला हुआ और विशिष्ट बनाए रखता है। इसका अर्थ यह है कि सीमित मापन के साथ भी, सिस्टम विभिन्न इनपुट के बीच अंतर कर सकता है। सर्किट की संरचित प्रकृति सूचना को बहुत अधिक विरल होने से रोकती है, जो बड़े, अधिक विश्वसनीय क्वांटम रिजर्वर्स बनाने के लिए एक व्यावहारिक मार्ग प्रदान करती है जो वर्तमान, शोर वाले हार्डवेयर पर प्रभावी ढंग से कार्य कर सकते हैं।

अध्ययन ने यह भी प्रकाश डाला कि ये प्रणालियाँ मौलिक स्तर पर सूचना को कैसे संसाधित करती हैं। सर्किट के सबसे व्यवस्थित संस्करण में, स्मृति उन एकल तरंगों द्वारा ले जाई जाती है, जो बस श्रृंखला के माध्यम से चलती हैं। लेकिन जैसे-जैसे प्रणाली अधिक अराजक होती जाती है, सूचना 'ऑपरेटर ग्रोथ' (operator growth) नामक प्रक्रिया के माध्यम से पूरे नेटवर्क में फैल जाती है। यह प्रसार ही वह तंत्र है जो सिस्टम को जटिल, गैर-रेखीय कार्यों को संभालने की अनुमति देता है। शोधकर्ताओं ने दिखाया कि यह विकास कोई दोष नहीं बल्कि एक विशेषता है; यह वह तंत्र है जो क्वांटम सिस्टम को समय के साथ डेटा बिंदुओं के बीच जटिल संबंधों को पकड़ने की अनुमति देता है। इन तरंगों के चलने और सूचना के प्रसार को समझकर, टीम ने एक स्पष्ट चित्र प्रदान किया कि क्यों कुछ क्वांटम सर्किट दूसरों की तुलना में बेहतर काम करते हैं। उन्होंने न केवल एक बेहतर उपकरण खोजा; उन्होंने इसकी सफलता के पीछे के भौतिक कारणों की व्याख्या की, यह दिखाते हुए कि व्यवस्था (order) और अराजकता (chaos) के बीच का परस्पर मेल क्वांटम मशीन लर्निंग की क्षमता को अनलॉक करने की कुंजी है।

अंततः, यह कार्य सुझाव देता है कि प्रभावी क्वांटम रिजर्वायर कंप्यूटिंग का मार्ग जितना संभव हो उतना अराजक और यादृच्छिक (random) बनाने में नहीं है, न ही इसे पूरी तरह से स्थिर रखने में है। इसके बजाय, यह एक मध्य मार्ग की ओर संकेत करता है जहाँ डुअल-यूनिटरी सर्किट जैसे विशिष्ट, अत्यधिक संरचित डिजाइनों को मेमोरी और प्रोसेसिंग पावर को संतुलित करने के लिए ट्यून किया जा सकता है। ये सर्किट शोर को कम करने का एक तरीका प्रदान करते हैं जो वर्तमान में क्वांटम उपकरणों को सीमित करता है, जिससे वे निकट-अवधि के अनुप्रयोगों के लिए एक आशाजनक उम्मीदवार बन जाते हैं। शोधकर्ताओं के सिमुलेशन संकेत देते हैं कि सर्किट के मापदंडों को सावधानीपूर्वक चुनकर, एक ऐसा सिस्टम बनाया जा सकता है जो त्रुटियों के प्रति मजबूत हो और फिर भी जटिल पैटर्न सीखने के लिए पर्याप्त अभिव्यंजक (expressive) हो। यह दृष्टिकोण एक ठोस कदम है, जो इस क्षेत्र को अमूर्त सिद्धांत से आज उपलब्ध क्वांटम कंप्यूटरों पर व्यावहारिक कार्यान्वयन की ओर ले जाता है।