Learning and interpreting policies for simultaneous entanglement requests in quantum networks

इंटरनेट का भविष्य केवल तेज़ ही नहीं होगा; यह मौलिक रूप से भिन्न हो सकता है, जो क्वांटम भौतिकी के विचित्र नियमों पर आधारित होगा। एक ऐसे वैश्विक नेटवर्क की कल्पना करें जहाँ कंप्यूटर डेटा के बिट्स ले जाने वाले केबलों से नहीं, बल्कि 'एंटैंगलमेंट' (entanglement) नामक एक नाजुक जुड़ाव से जुड़े हों। इस अवस्था में, दो कण एक-दूसरे से इतनी गहराई से जुड़ जाते हैं कि एक की स्थिति दूसरे को तुरंत प्रभावित करती है, चाहे वे एक-दूसरे से कितनी भी दूर क्यों न हों। यह घटना एक प्रस्तावित क्वांटम इंटरनेट की रीढ़ है, जो आज की मशीनों के लिए असंभव कार्यों को करने के लिए डिज़ाइन किया गया एक सिस्टम है, जैसे कि अति-सुरक्षित संचार या वितरित कंप्यूटिंग (distributed computing) जो एक एकल विशाल गणना को कई छोटे क्वांटम उपकरणों में विभाजित कर देता है। हालाँकि, इस नेटवर्क का निर्माण करना अविश्वसनीय रूप से कठिन है। ये जुड़ाव नाजुक होते हैं, शोर और दूरी के कारण टूटने के प्रति संवेदनशील होते हैं, और इन्हें बनाए रखने के लिए आवश्यक संसाधन दुर्लभ हैं। जिस प्रकार एक ट्रैफिक कंट्रोलर को व्यस्त राजमार्ग पर कारों को प्रबंधित करना होता है ताकि जाम न लगे, उसी तरह एक क्वांटम नेटवर्क को एक स्मार्ट मैनेजर की आवश्यकता होती है जो यह तय कर सके कि इन क्षणिक जुड़ावों को कब और कैसे बनाया जाए, यह सुनिश्चित करते हुए कि सही हिस्से गायब होने से पहले सही समय पर एक साथ आ जाएं।

स्टोनी ब्रुक यूनिवर्सिटी और वर्जीनिया टेक के शोधकर्ताओं ने कंप्यूटर को उस ट्रैफिक कंट्रोलर के रूप में कार्य करना सिखाकर इस प्रबंधन समस्या का समाधान किया है। उन्होंने एक विशिष्ट चुनौती पर ध्यान केंद्रित किया: एक ऐसे नेटवर्क में कई जटिल कार्यों को एक साथ शेड्यूल करना जहाँ नोड्स के बीच के लिंक अविश्वसनीय हैं। उनके सिमुलेशन में, नेटवर्क में कई क्वांटम नोड्स शामिल हैं, जिनमें से प्रत्येक में मेमोरी यूनिट की एक छोटी संख्या होती है जो एंटैंगल्ड पेयर्स को स्टोर कर सकती है। ये नोड्स भौतिक लिंक द्वारा जुड़े होते हैं जो यादृच्छिक रूप से सक्रिय होने का प्रयास करते हैं; कभी वे सफल होते हैं, और कभी विफल। जब एक लिंक सक्रिय होता है, तो उसकी एक सीमित जीवन अवधि होती है इससे पहले कि वह समाप्त हो जाए। एक कार्य को पूरा करने के लिए, जैसे कि एक वितरित गणना, नेटवर्क को पहले दूरस्थ नोड्स के बीच एक "आभासी" लिंक बनाना पड़ता है। यह 'एंटैंगलमेंट स्वैपिंग' (entanglement swapping) नामक एक प्रक्रिया करके किया जाता है, जो अंतर को पाटने के लिए मौजूदा लिंक्स का उपयोग करता है। लक्ष्य विभिन्न प्रयोगों की एक कतार (queue) को यथासंभव तेज़ी से पूरा करना है, जिसमें से प्रत्येक के लिए कनेक्शन का एक विशिष्ट पैटर्न आवश्यक है, बिना संसाधनों को समाप्त किए।

इसे हल करने के लिए, टीम ने 'रीइन्फोर्समेंट लर्निंग' (reinforcement learning) नामक एक पद्धति का उपयोग किया, जो आर्टिफिशियल इंटेलिजेंस का एक प्रकार है जहाँ एक कंप्यूटर प्रयास और त्रुटि (trial and error) के माध्यम से सीखता है। उन्होंने एक आभासी वातावरण तैयार किया जहाँ एक एजेंट यह चुनने का विकल्प चुन सकता था कि एक आभासी लिंक बनाना है, एक प्रयोग रखना है, या बस प्रतीक्षा करनी है। एजेंट को प्रगति करने के लिए अंक मिलते थे और समय बर्बाद करने या ऐसे कनेक्शन बनाने के लिए दंड दिया जाता था जो मददगार नहीं थे। महत्वपूर्ण रूप से, उन्होंने एजेंट को 'करिकुलम लर्निंग' (curriculum learning) नामक एक तकनीक का उपयोग करके प्रशिक्षित किया। एजेंट को सीधे सबसे कठिन, शोर वाले वातावरण में डालने के बजाय, उन्होंने इसे एक शांत सेटिंग में शुरू किया जहाँ लिंक अक्सर सक्रिय होते थे। जैसे-जैसे एजेंट ने वहां सफल होना सीखा, शोधकर्ताओं ने धीरे-धीरे शोर (noise) बढ़ा दिया, जिससे लिंक को सक्रिय करना कठिन हो गया। इसने एजेंट को एक वास्तविक, नुकसानदेह (lossy) नेटवर्क का सामना करने से पहले रणनीतियों की एक ठोस नींव बनाने की अनुमति दी। उन्होंने एजेंट को एक न्यूरल नेटवर्क से भी सुसज्जित किया जिसे नेटवर्क के आकार को समझने के लिए डिज़ाइन किया गया था, जिससे यह देखने में मदद मिली कि विभिन्न नोड्स कैसे जुड़े हुए हैं और कहाँ बाधाएं (bottlenecks) बन सकती हैं।

इस प्रशिक्षण के परिणाम आश्चर्यजनक थे। मानक, नियम-आधारित रणनीतियों के विरुद्ध परीक्षण किए जाने पर, सीखा हुआ नीति (policy) कहीं अधिक सुदृढ़ साबित हुआ, जिन्हें मनुष्यों ने डिज़ाइन किया था। तीन अलग-अलग नेटवर्क आकारों—एक स्टार-नुमा हब, एक संकीले पुल वाले डंबल आकार, और एक सघन ग्रिड—के सिमुलेशन में, AI एजेंट ने उन स्थितियों में भी सभी कार्यों को पूरा करने में सफलता प्राप्त की जब लिंक सक्रिय होने की संभावना उस स्तर से काफी कम थी जिसे नियम-आधारित तरीके संभाल सकते थे। सबसे चुनौतीपूर्ण परिदृश्यों में, AI ने पूर्ण सफलता दर बनाए रखी, यहाँ तक कि जब लिंक सक्रिय होने की संभावना पारंपरिक सर्वोत्तम ह्यूरिस्टिक (heuristic) द्वारा सहन की जा सकने वाली संभावना से 71 प्रतिशत कम थी। इसके अलावा, जब शोधकर्ताओं ने एक वास्तविक बाधा जोड़ी जहाँ कुछ प्रयोग केवल विशिष्ट प्रकार के हार्डवेयर पर ही चल सकते थे, तो AI ने अनुकूलन किया और फिर भी पारंपरिक तरीकों से बेहतर प्रदर्शन किया, कम लिंक विश्वसनीयता के साथ उच्च सफलता दर बनाए रखी। एजेंट ने केवल शोर का सामना ही नहीं किया; बल्कि उसने इसे अधिक कुशलता से नेविगेट किया, नियम-आधारित दृष्टिकोणों की तुलना में कम चरणों में और कम संसाधनों का उपयोग करके कार्यों को पूरा किया।

अध्ययन का सबसे दिलचस्प हिस्सा शायद यह समझने का प्रयास था कि AI ने अपने निर्णय कैसे लिए। क्योंकि डीप लर्निंग मॉडल को अक्सर "ब्लैक बॉक्स" के रूप में देखा जाता है, शोधकर्ता यह देखना चाहते थे कि क्या वे AI की सफलता के पीछे के तर्क को निकाल सकते हैं। उन्होंने प्रशिक्षित एजेंट द्वारा लिए गए कार्यों की एक श्रृंखला ली और एक लार्ज लैंग्वेज मॉडल (LLM), जो एक परिष्कृत टेक्स्ट-जनरेटिंग AI है, से उन चालों का विश्लेषण करने और उनके आधार पर नए नियमों का एक सेट लिखने के लिए कहा। आश्चर्यजनक रूप से, नया नियम सेट, जो प्राकृतिक भाषा में व्यक्त किया जा सकता था, मूल जटिल AI के समान ही प्रदर्शन करने वाला था। यह सुझाव देता है कि AI ने एक तार्किक रणनीति सीखी थी जिसे मानवीय भाषा में अनुवादित किया जा सकता था। यह इंगित करता है कि भविष्य के विशाल क्वांटम नेटवर्क के लिए, जहाँ एक नया AI शुरू से प्रशिक्षित करना बहुत अधिक कम्प्यूटेशनल रूप से महंगा हो सकता है, हम एक बार एक मॉडल को प्रशिक्षित कर सकते हैं, उसके ज्ञान को सरल नियमों में निकाल सकते हैं, और फिर उन नियमों को नई स्थितियों में लागू कर सकते हैं।

यह कार्य इस बात का दावा नहीं करता है कि इसने क्वांटम इंटरनेट बनाने की इंजीनियरिंग चुनौतियों को हल कर लिया है, और न ही यह सिद्ध करता है कि ये तरीके कल वास्तविक हार्डवेयर पर काम करेंगे। निष्कर्ष पूरी तरह से नेटवर्क डायनेमिक्स के कंप्यूटर सिमुलेशन पर आधारित हैं। हालाँकि, अध्ययन यह प्रदर्शित करता है कि क्वांटम नेटवर्क के नाजुक संसाधनों को प्रबंधित करने के लिए बुद्धिमान शेड्यूलिंग नीतियां मानव-निर्मित ह्यूरिस्टिक्स की तुलना में काफी बेहतर प्रदर्शन कर सकती हैं। यह दिखाते हुए कि एक AI उच्च-शोर वाले वातावरण में नेविगेट करना सीख सकता है और उसकी रणनीतियों को समझने योग्य नियमों में संकुचित किया जा सकता है, यह शोध एक आशाजनक मार्ग प्रदान करता है। यह सुझाव देता है कि जैसे-जैसे क्वांटम नेटवर्क छोटे परीक्षण केंद्रों से जटिल, वैश्विक प्रणालियों में विकसित होंगे, उनकी दक्षता की कुंजी न केवल बेहतर हार्डवेयर में, बल्कि स्मार्ट, अनुकूलन योग्य सॉफ्टवेयर में होगी जो यह जानता है कि एंटैंगलमेंट के इस नाजुक नृत्य को कैसे जारी रखना है, भले ही संगीत धीमा हो।