Temporal information processing on a 4,500-qubit quantum annealer

कंप्यूटिंग की दुनिया में, मशीनें तेज़ और छोटी होती जा रही हैं, लेकिन एक निरंतर चुनौती बनी हुई है: यह समझना कि उन्हें भविष्य के जटिल कार्यों के लिए वास्तव में उपयोगी कैसे बनाया जाए। एक आशाजनक पथ में कंप्यूटर को डेटा में पैटर्न से सीखना सिखाना शामिल है, जिसे मशीन लर्निंग के रूप में जाना जाता है। जबकि क्लासिकल कंप्यूटर कई चीजों में उत्कृष्ट होते हैं, वे कभी-कभी उस डेटा के साथ संघर्ष करते हैं जो समय के साथ बदलता रहता है, जैसे मौसम के पैटर्न या शेयर बाजार, क्योंकि उनमें वर्तमान को प्रोसेस करते समय अतीत को याद रखने का स्वाभाविक तरीका नहीं होता है। वैज्ञानिकों को लंबे समय से संदेह था कि क्वांटम मशीनें, जो उप-परमाणु दुनिया के अजीब नियमों पर काम करती हैं, इस तरह की टेम्पोरल (समय-आधारित) जानकारी को बेहतर ढंग से संभाल सकती हैं। हालाँकि, एक उपयोगी होने के लिए पर्याप्त बड़ा और प्रशिक्षित करने के लिए सरल क्वांटम कंप्यूटर बनाना एक बड़ी बाधा बना हुआ है। अधिकांश प्रयास महंगे और कठिन प्रशिक्षण प्रक्रियाओं की मांग करते हैं जो अक्सर मशीनों के बड़े होने पर विफल हो जाते हैं।

शोधकर्ताओं की एक टीम ने एक विशाल क्वांटम मशीन पर एक नए दृष्टिकोण का परीक्षण करके एक महत्वपूर्ण कदम उठाया है। उन्होंने एक डिवाइस का उपयोग किया जिसे क्वांटम एनेलर (quantum annealer) कहा जाता है, जो एक प्रकार का क्वांटम कंप्यूटर है जिसे किसी सिस्टम की सबसे कम ऊर्जा अवस्था को खोजकर विशिष्ट समस्याओं को हल करने के लिए डिज़ाइन किया गया है। पूरी मशीन को सीखने के लिए प्रशिक्षित करने के बजाय, उन्होंने इसे एक प्राकृतिक, अप्रशिक्षित इंजन की तरह माना जो जटिल आंतरिक गतियां उत्पन्न करता है। समय-आधारित डेटा को इस इंजन में फीड करके और परिणामों को पढ़कर, उन्होंने एक ऐसा मॉडल बनाया जो पिछले इनपुट को याद रख सकता है और भविष्य के इनपुट की भविष्यवाणी कर सकता है। यह प्रयोग, जिसमें 4,500 भौतिक क्वांटम बिट्स या क्यूबिट्स (qubits) का उपयोग किया गया, अब तक किए गए सबसे बड़े क्वांटम मशीन-लर्निंग परीक्षणों में से एक है। शोधकर्ताओं ने पाया कि मशीन सफलतापूर्वक अराजक (chaotic), अप्रत्याशित टाइम सीरीज़ का पूर्वानुमान लगाने में सक्षम थी, जो यह सिद्ध करता है कि ये बड़े पैमाने के क्वांटम उपकरण महंगी ट्रेनिंग लूप के बिना सूचना को प्रोसेस करने के लिए शक्तिशाली उपकरण के रूप में काम कर सकते हैं।

इस प्रयोग का मुख्य आधार 'रिजर्वायर कंप्यूटिंग' (reservoir computing) नामक एक अवधारणा पर निर्भर है। कल्पना कीजिए कि तालाब में एक पत्थर फेंका गया है; उससे फैलने वाली लहरें जटिल होती हैं और वे पत्थर के आकार और पानी की गहराई पर निर्भर करती हैं। यदि आप लहरों को देखते हैं, तो आप फेंके गए पत्थर के बारे में कुछ बता सकते हैं, भले ही आपने छपाछप (splash) न देखी हो। इस क्वांटम संस्करण में, "तालाब" स्वयं क्वांटम कंप्यूटर है, और "लहरें" क्यूबिट्स की प्राकृतिक, अप्रशिक्षित गतियां हैं। शोधकर्ताओं ने मशीन को यह नहीं सिखाया कि क्या करना है। इसके बजाय, उन्होंने बस मशीन को उसके अपने आंतरिक नियमों के अनुसार विकसित होने दिया जबकि वे इसमें डेटा का एक प्रवाह फीड कर रहे थे। डेटा के प्रति मशीन की स्वाभाविक प्रतिक्रिया ने सूचना का एक उच्च-आयामी मानचित्र (high-dimensional map) तैयार किया। केवल अंतिम चरण को प्रशिक्षित किया गया था, जो एक सरल लीनियर रीडआउट (linear readout) था, जिसने मशीन की जटिल आंतरिक स्थिति को उपयोगी भविष्यवाणी में अनुवादित करना सीखा। यह दृष्टिकोण उन कठिन और महंगे ऑप्टिमाइज़ेशन समस्याओं से बचता है जो आमतौर पर क्वांटम मशीन लर्निंग को प्रभावित करती हैं।

इस विचार का परीक्षण करने के लिए, टीम ने एक D-Wave क्वांटम एनेलर का उपयोग किया, जो एक प्रोग्रामेबल सुपरकंडक्टिंग डिवाइस है। उन्होंने मशीन को एक विशिष्ट शेड्यूल के साथ प्रोग्राम किया जिसमें 'रिवर्स एनेलिंग' (reverse annealing) नामक एक प्रक्रिया शामिल थी। यह तकनीक मशीन को एक ज्ञात अवस्था से शुरू करती है, उसे अधिक क्वांटम और उतार-चढ़ाव वाली अवस्था में पीछे ले जाती है, उसे एक क्षण के लिए वहां रोकती है, और फिर उसे फिर से आगे बढ़ाती है। यह ठहराव सिस्टम को अपने स्थानीय वातावरण का पता लगाने और एक नई कॉन्फ़िगरेशन में स्थिर होने की अनुमति देता है जो प्राप्त इनपुट के बारे में जानकारी रखता है। शोधकर्ताओं ने पाया कि यह विशिष्ट गति अत्यंत महत्वपूर्ण थी। जब उन्होंने क्यूबिट्स के बीच की अंतःक्रियाओं (interactions) को बंद कर दिया, जिससे वे प्रभावी रूप से अकेले कार्य करने लगे, तो मशीन ने इनपुट की सारी स्मृति खो दी। इससे यह सिद्ध हुआ कि एनेलिंग प्रक्रिया के दौरान क्यूबिट्स के बीच की जटिल परस्पर क्रिया समय के साथ जानकारी बनाए रखने के लिए आवश्यक है।

इसके बाद शोधकर्ताओं ने अपने मॉडल को यह देखने के लिए कि वह डेटा को कितनी अच्छी तरह याद रख सकता है और प्रोसेस कर सकता है, परीक्षणों की एक श्रृंखला के माध्यम से चुनौती दी। सबसे पहले, उन्होंने इसकी पिछले इनपुट को याद रखने की क्षमता की जांच की, जिसे मेमोरी कैपेसिटी (memory capacity) के रूप में जाना जाता है। उन्होंने पाया कि मशीन के अपने आउटपुट को वापस उसमें फीड करने के लिए एक फीडबैक तंत्र का उपयोग करके, सिस्टम सूचना को मानक मॉडलों की तुलना में बहुत लंबे समय तक याद रख सकता था। वास्तव में, मेमोरी केवल फीकी नहीं पड़ी; इसने पुनर्जीवित होने के संकेत भी दिए, जो बताता है कि सिस्टम सूचना को एक जटिल, नॉन-लीनियर तरीके से थामे हुए था। उन्होंने मशीन के आकार का भी परीक्षण किया, और पाया कि इन परिणामों को प्राप्त करने के लिए 4,500 क्यूबिट्स की पूर्ण शक्ति आवश्यक थी। उसी सेटअप के छोटे संस्करणों में आवश्यक सहसंबंधों (correlations) को बनाए रखने में विफल रहे, जिससे यह स्पष्ट हुआ कि क्वांटम सिस्टम का विशाल पैमाना इसकी सफलता में एक प्रमुख कारक था।

साधारण मेमोरी से परे, टीम ने मशीन को उन कार्यों के साथ चुनौती दी जिनमें जटिल संबंधों को समझने की आवश्यकता होती है। उन्होंने इसे XOR टास्क नामक एक तार्किक पहेली को हल करने के लिए कहा, जिसमें दो इनपुट्स की पैरिटी (parity) निर्धारित करना शामिल है। यह एक ऐसी समस्या है जिसे एक साधारण लीनियर मशीन हल नहीं कर सकती, लेकिन क्वांटम रिजर्वायर ने इसे उच्च सटीकता के साथ संभाला, और लगभग 99 प्रतिशत बार सही परिणाम की भविष्यवाणी की। इसने प्रदर्शित किया कि मशीन केवल डेटा को याद नहीं कर रही थी बल्कि वास्तव में इसे एक ऐसे रूप में बदल रही थी जहाँ जटिल पैटर्न दृश्यमान हो जाते हैं। हालांकि, सबसे कठिन परीक्षण अराजक टाइम सीरीज़ (chaotic time series) का पूर्वानुमान लगाना था। शोधकर्ताओं ने मशीन को दो प्रसिद्ध गणितीय मॉडलों से डेटा दिया जो अप्रत्याशित, अराजक व्यवहार उत्पन्न करते हैं: मैकी-ग्लास (Mackey-Glass) सीरीज़ और एक डबल-स्क्रॉल (double-scroll) सिस्टम। मशीन ने इन सीरीज़ के भविष्य के मूल्यों की सफलतापूर्वक भविष्यवाणी की, यहाँ तक कि कई चरणों आगे के लिए भी। डबल-स्क्रॉल सिस्टम के मामले में, मशीन 'केओटिक अट्रैक्टर' (chaotic attractor) को पुनर्गठित करने में सक्षम थी, जो एक जटिल ज्यामितीय आकार है जो सिस्टम के व्यवहार को परिभाषित करता है, जो पहली बार है जब क्वांटम कंप्यूटर का उपयोग करके ऐसा पुनर्निर्माण हासिल किया गया है।

इस अध्ययन के परिणाम बताते हैं कि क्वांटम एनेलर बड़े पैमाने पर मशीन लर्निंग के लिए, विशेष रूप से समय-निर्भर डेटा वाले कार्यों के लिए, एक व्यवहार्य मंच हैं। शोधकर्ताओं ने दिखाया कि एक बड़े क्वांटम सिस्टम की मूल गतिशीलता (native dynamics) का लाभ उठाकर, वे भारी प्रशिक्षण की आवश्यकता के बिना टेम्पोरल जानकारी को प्रोसेस कर सकते हैं जो अन्य दृष्टिकोणों को सीमित करती है। उन्होंने यह भी प्रमाण दिया कि क्वांटम इंटरैक्शन की प्रकृति, विशेष रूप से एनेलिंग प्रक्रिया के दौरान उत्पन्न होने वाली मेनी-बॉडी डायनेमिक्स (many-body dynamics), सिस्टम के कार्य करने के लिए अपरिहार्य है। हालांकि यह एक खुला प्रश्न बना हुआ है कि क्या क्लासिकल कंप्यूटर अंततः इन परिणामों का अनुकरण (simulate) कर सकते हैं, यह प्रयोग प्रदर्शित करता है कि वर्तमान क्वांटम हार्डवेयर पहले से ही ऐसे कार्य कर सकता है जो मानक मॉडलों के लिए कठिन हैं। यह कार्य क्वांटम मशीनों का उपयोग केवल अनुकूलन (optimization) के लिए ही नहीं, बल्कि सीखने और भविष्यवाणी करने वाले शक्तिशाली इंजनों के रूप में करने के लिए एक नया मार्ग खोलता है, जो यह सिद्ध करता है कि कभी-कभी मशीन को सिखाने का सबसे अच्छा तरीका उसे अपने आप चलने देना है।