Virtual quantum neural networks
यह शोध पत्र "वर्चुअल क्वांटम न्यूरल नेटवर्क" प्रस्तुत करता है, जो एक विस्तारित मॉडल है जो पूरी तरह से सकारात्मक मानचित्रों (completely positive maps) के रैखिक संयोजनों को शामिल करने के लिए यादृच्छिक नमूनाकरण (random sampling) और शास्त्रीय प्रसंस्करण का उपयोग करता है, जिससे त्रुटि शमन (error mitigation), वर्गीकरण और ऊर्जा अनुमान जैसे कार्यों के लिए निकट-अवधि क्वांटम हार्डवेयर पर अभिव्यक्तता (expressivity) और शोर सुदृढ़ता (noise robustness) बढ़ती 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
क्वांटम कंप्यूटिंग के वर्तमान युग में, मशीनें उन गणनाओं को करने के लिए पर्याप्त शक्तिशाली हैं जो सबसे उन्नत क्लासिकल सुपरकंप्यूटरों को भी चकित कर सकती हैं, फिर भी वे नाजुक बनी हुई हैं। ये उपकरण, जिन्हें 'नॉइजी इंटरमीडिएट-स्केल क्वांटम प्रोसेसर' के रूप में जाना जाता है, क्यूबिट्स नामक कुछ सौ छोटे इकाइयों के साथ काम करते हैं। हालांकि वे भौतिकी और रसायन विज्ञान के नए क्षेत्रों की खोज कर सकते हैं, लेकिन वे एक मौलिक दोष से ग्रस्त हैं: पर्यावरणीय हस्तक्षेप के कारण होने वाली त्रुटियां डेटा उत्पन्न होते ही उसे दूषित कर देती हैं। इन मशीनों को उपयोगी बनाने के लिए, वैज्ञानिक क्वांटम न्यूरल नेटवर्क नामक पद्धति पर भरोसा करते हैं। इसे एक लर्निंग लूप के रूप में समझें जहाँ एक क्वांटम सर्किट, जिसे नॉब्स (knobs) के एक सेट द्वारा समायोजित किया जाता है, सूचना को प्रोसेस करता है और एक आउटपुट देता है। इसके बाद एक क्लासिकल कंप्यूटर यह जांचता है कि वह आउटपुट वांछित परिणाम के कितने करीब है और अगले प्रयास को बेहतर बनाने के लिए उन नॉब्स को ट्यून करता है। यह चक्र शोधकर्ताओं को हार्डवेयर की खामियों के बावजूद डेटा में पैटर्न पहचानने या किसी अणु की सबसे स्थिर ऊर्जा अवस्था खोजने जैसी समस्याओं को हल करने के लिए मशीन को प्रशिक्षित करने की अनुमति देता है। हालांकि, यह पारंपरिक दृष्टिकोण सीमित है क्योंकि यह गणनाओं के संभावित रास्तों के एक संकीले मार्ग का ही अन्वेषण कर सकता है, जो इस बात से प्रतिबंधित है कि एक एकल रन में भौतिक मशीन वास्तव में क्या कर सकती है।
शोधकर्ताओं की एक टीम ने अब इस बाधा को तोड़ने का एक तरीका प्रस्तावित किया है, जो सीखने की प्रक्रिया को बदलने पर आधारित है। एक एकल क्वांटम सर्किट को सारा भारी काम करने देने के बजाय, उन्होंने 'वर्चुअल क्वांटम न्यूरल नेटवर्क' नामक एक नया मॉडल पेश किया है। इस दृष्टिकोण में, कंप्यूटर केवल एक सर्किट नहीं चलाता है; यह कई अलग-अलग सर्किट्स का रैंडम सैंपल लेता है, जिनमें से प्रत्येक की अपनी सेटिंग्स होती हैं, और उन्हें क्वांटम हार्डवेयर पर चलाता है। इन कई रन के परिणामों को केवल औसत नहीं निकाला जाता है। इसके बजाय, एक क्लासिकल कंप्यूटर इन सभी अलग-अलग प्रयोगों से प्राप्त डेटा को एक विशिष्ट गणितीय रेसिपी का उपयोग करके जोड़ता है। इस रेसिपी में परिणामों को इस तरह से जोड़ना और घटाना शामिल है जो एक एकल भौतिक सर्किट अकेले कभी नहीं कर सकता। इन परिणामों को मिलाकर, सिस्टम एक "वर्चुअल" ऑपरेशन बनाता है जो किसी भी एकल सर्किट की तुलना में कहीं अधिक लचीला और शक्तिशाली होता है। यह ऐसा है जैसे शोधकर्ताओं ने कई सरल, शोर वाले (noisy) आउटपुट को चतुराई से जोड़कर एक बहुत अधिक जटिल मशीन का अनुकरण करने का तरीका खोज लिया हो।
शोधकर्ताओं ने इस विचार का परीक्षण तीन अलग-अलग चुनौतियों पर किया ताकि यह देखा जा सके कि क्या वर्चुअल दृष्टिकोण वास्तविक लाभ प्रदान करता है। सबसे पहले, उन्होंने अज्ञात शोर (noise) के कारण होने वाली त्रुटियों को ठीक करने की समस्या पर काम किया। मानक क्वांटम कंप्यूटिंग में, त्रुटियों को ठीक करने के लिए आमतौर पर यह जानना आवश्यक होता है कि किस प्रकार का शोर मशीन को प्रभावित कर रहा है। हालांकि, नया तरीका तब भी काम करता है जब शोर एक रहस्य हो। वर्चुअल नेटवर्क को शोर के प्रभावों को उलटने (reverse) के लिए प्रशिक्षित करके, टीम ने पाया कि उनका सिस्टम सही जानकारी को लगभग पूर्ण सटीकता के साथ पुनः प्राप्त कर सकता है, भले ही अंतर्निहित हार्डवेयर त्रुटिपूर्ण हो। सिमुलेशन ने दिखाया कि यह विधि त्रुटियों को रद्द करने का सबसे अच्छा तरीका ढूंढ सकती है, और यह प्रदर्शन लगभग उतना ही सटीक करती है जितना कि तब होता यदि शोर को शुरुआत से ही पूरी तरह से समझा गया होता।
इसके बाद, टीम ने एक बाइनरी क्लासिफिकेशन टास्क पर इस मॉडल को लागू किया, जो अनिवार्य रूप से मशीन को डेटा को दो श्रेणियों में वर्गीकृत करना सिखाना है, जैसे कि दो प्रकार के आकारों के बीच अंतर करना। इस परीक्षण में, वर्चुअल नेटवर्क ने पारंपरिक क्वांटम क्लासिफायर की तुलना में लगातार बेहतर प्रदर्शन किया। जब डेटा को सिस्टम में डाला गया, तो वर्चुअल नेटवर्क ने अधिक सटीक भविष्यवाणियां करना सीखा, भले ही डेटा को प्रोसेस करने के लिए उपयोग किए जाने वाले क्वांटм गेट्स शोर युक्त थे। परिणामों ने प्रदर्शित किया कि रैंडम सैंपलिंग के माध्यम से सिस्टम को संभावनाओं की एक विस्तृत श्रृंखला का अन्वेषण करने की अनुमति देकर, मशीन उन त्रुटियों के प्रति अधिक मजबूत हो गई जो आमतौर पर क्वांटम उपकरणों को प्रभावित करती हैं।
अंत में, शोधकर्ताओं ने अपने तरीके का उपयोग एक अणु की ग्राउंड-स्टेट एनर्जी (ground-state energy) का अनुमान लगाने के लिए किया, जो एक ऐसी गणना है जो परमाणुओं की सबसे स्थिर संरचना को निर्धारित करती है और रासायनिक प्रतिक्रियाओं को समझने के लिए महत्वपूर्ण है। यह शोर वाले क्वांटम कंप्यूटरों के लिए एक अत्यंत कठिन कार्य है क्योंकि छोटी त्रुटियां भी ऊर्जा के मानों को बहुत गलत बना सकती हैं। टीम ने इसे हल करने के लिए अपने वर्चुअल नेटवर्क पर आधारित एक नया एल्गोरिदम पेश किया। उनके सिमुलेशन ने दिखाया कि कई शोर वाले सर्किट्स के आउटपुट को मिलाकर, सिस्टम मानक तरीकों की तुलना में काफी उच्च सटीकता के साथ अणु की ऊर्जा का अनुमान लगा सकता है। वर्चुअल नेटवर्क ने प्रभावी रूप से शोर को फ़िल्टर कर दिया, जिससे शोधकर्ता उसी हार्डवेयर के साथ पहले की तुलना में वास्तविक भौतिक मान के बहुत करीब पहुँच सके।
इस कार्य का मुख्य निष्कर्ष यह है कि वर्तमान क्वांटम हार्डवेयर की सीमाएं अनिवार्य रूप से एक अंत नहीं हैं। कई सर्किट्स के सैंपलिंग में अधिक समय निवेश करके और परिणामों को प्रोसेस करने के लिए क्लासिकल कंप्यूटरों का उपयोग करके, वैज्ञानिक गणनाओं के एक बहुत व्यापक स्थान को अनलॉक कर सकते हैं। यह दृष्टिकोण पूर्ण, त्रुटि-मुक्त मशीनों की प्रतीक्षा करने की आवश्यकता नहीं रखता है; इसके बजाय, यह मौजूदा शोर वाले उपकरणों का अधिक बुद्धिमानी से उपयोग करता है। वर्चुअल क्वांटम न्यूरल नेटवर्क एक सेतु के रूप में कार्य करता है, जो शोर की कमजोरी को एक प्रबंधनीय चर (variable) में बदल देता है और इन शुरुआती चरण के क्वांटम कंप्यूटरों की वास्तविक क्षमता को बढ़ाता है। अध्ययन बताता है कि यह लचीला लर्निंग पैराडाइम निकट-अवधि के क्वांटम हार्डवेयर को विज्ञान और इंजीनियरिंग के वास्तविक अनुप्रयोगों के लिए अधिक उपयोगी बनाने के लिए एक मानक उपकरण बन 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।