Benchmarking Modular Optimization Strategies for Parameterized Quantum Circuits

क्वांटम कंप्यूटिंग के उभरते क्षेत्र में, वैज्ञानिक ऐसी मशीनें बना रहे हैं जो उप-परमाणु दुनिया के विचित्र नियमों पर काम करती हैं। हमारी जेबों में मौजूद कंप्यूटरों के विपरीत, जो सूचना को शून्य और एक की एक सरल श्रृंखला के रूप में संसाधित करते हैं, ये नई मशीनें क्वांटम बिट्स या 'क्यूबिट्स' का उपयोग करती हैं जो एक साथ कई अवस्थाओं में मौजूद हो सकते हैं। यह क्षमता उन्हें उन समस्याओं से निपटने की अनुमति देती है जो वर्तमान में मानक कंप्यूटरों के लिए असंभव हैं, जैसे कि नई दवाओं को डिजाइन करना या जटिल लॉजिस्टिक्स को अनुकूलित करना। हालाँकि, ये मशीनें अभी अपने शुरुआती चरण में हैं। वे नाजुक हैं, गर्मी और हस्तक्षेप से होने वाली त्रुटियों के प्रति संवेदनशील हैं, और अपने नाजुक क्वांटम स्तर के ढहने से पहले केवल छोटे, सरल प्रोग्राम ही चला सकती हैं। उन्हें उपयोगी बनाने के लिए, शोधकर्ता एक हाइब्रिड दृष्टिकोण पर भरोसा करते हैं: एक क्लासिकल कंप्यूटर एक क्वांटम प्रोसेसर का मार्गदर्शन करता है, जो सबसे अच्छे संभावित समाधान को खोजने के लिए बार-बार एक क्वांटम सर्किट की सेटिंग्स को समायोजित करता है। इस प्रक्रिया को 'वैरिएशनल एल्गोरिदम' के रूप में जाना जाता है, और इसकी सफलता पूरी तरह से इस बात पर निर्भर करती है कि क्लासिकल कंप्यूटर क्वांटम मशीन को संभावनाओं के परिदृश्य के माध्यम से कितनी अच्छी तरह निर्देशित कर सकता है।

चुनौती स्वयं स्टीयरिंग तंत्र (steering mechanism) में निहित है। क्योंकि क्वांटम मशीनें शोरयुक्त (noisy) होती हैं और माप सांख्यिकीय होते हैं, कंप्यूटर आगे के सटीक पथ को नहीं देख सकता; वह केवल सीमित संख्या में शोरयुक्त नमूनों के आधार पर दिशा का अनुमान लगा सकता है। इस अध्ययन के शोधकर्ताओं ने यह समझने के लिए काम किया कि विभिन्न कठिन परिस्थितियों में विभिन्न स्टीयरिंग रणनीतियाँ कैसा प्रदर्शन करती हैं। उन्होंने एक मॉड्यूलर परीक्षण ढांचा बनाया जो प्रक्रिया के दो अलग-अलग हिस्सों को अलग करता है: सुधार की दिशा का अनुमान लगाने के लिए उपयोग की जाने वाली विधि, और उस अनुमान के आधार पर सेटिंग्स को वास्तव में अपडेट करने के लिए उपयोग किया जाने वाला नियम। इन दोनों को स्वतंत्र घटकों के रूप में मानकर, वे विभिन्न अनुमान तकनीकों को विभिन्न अपडेट नियमों के साथ मिला सकते थे, ठीक वैसे ही जैसे यह देखने के लिए कि कौन सा संयोजन किसी चालक को उसके गंतव्य तक सबसे विश्वसनीय रूप से पहुँचाता है, विभिन्न दिशा-सूचक यंत्रों (compasses) का विभिन्न ड्राइविंग शैलियों के साथ परीक्षण किया जाता है।

टीम ने इन संयोजनों का चार बहुत अलग प्रकार की समस्याओं पर परीक्षण किया। सबसे पहले, उन्होंने एक नेटवर्क को दो समूहों में विभाजित करने की एक क्लासिक पहेली को हल किया ताकि उनके बीच कनेक्शन को अधिकतम किया जा सके, जिसे 'मैक्सकट' (MaxCut) कहा जाता है। दूसरे, उन्होंने प्रसिद्ध 'आइरिस डेटासेट' से फूलों को पहचानने के लिए एक क्वांटम सिस्टम को प्रशिक्षित किया। तीसरे, उन्होंने हस्तलिखित अंकों (शून्य और एक) के बीच अंतर करने के लिए एक अधिक जटिल क्वांटक न्यूरल नेटवर्क का उपयोग किया। अंत में, उन्होंने एक रासायनिक समस्या का अनुकरण किया: हाइड्रोजन अणु की निम्नतम ऊर्जा अवस्था को खोजना। प्रत्येक कार्य के लिए, उन्होंने एक शोर रहित (noiseless) कंप्यूटर पर सिमुलेशन चलाया और 156 क्यूबिट्स वाले एक वास्तविक, भौतिक क्वांटम प्रोसेसर पर रन चुने। उन्होंने न केवल यह मापा कि अंतिम परिणाम आदर्श उत्तर के कितने करीब था, बल्कि यह भी कि उस तक पहुँचने के लिए सिस्टम को कितनी बार क्वेरी (query) करना पड़ा, जिससे प्रत्येक एकल माप की लागत का पता चला।

परिणामों से पता चला कि हर स्थिति के लिए कोई एक "सर्वश्रेष्ठ" ऑप्टिमाइज़र नहीं है जो हर जगह काम करे। किसी रणनीति का प्रदर्शन पूरी तरह से हल की जा रही विशिष्ट समस्या और शामिल मापदंडों की संख्या पर निर्भर करता था। फूल वर्गीकरण कार्य के लिए, एक विधि जिसने एक विशिष्ट प्रकार की वक्रता जानकारी (curvature information) को एक विशेष अपडेट नियम के साथ जोड़ा, उसने विभिन्न यादृच्छिक शुरुआती बिंदुओं पर लगातार पूर्ण सटीकता प्राप्त की। इसके विपरीत, हाइड्रोजन अणु के रासायनिक सिमुलेशन के लिए, अनुमान और अपडेट नियमों के एक अलग संयोजन ने सबसे विश्वसनीय औसत परिणाम दिए, भले ही किसी अन्य विधि ने कभी-कभी थोड़ा बेहतर एकल उत्तर खोज लिया हो। अध्ययन ने एक महत्वपूर्ण ट्रेड-ऑफ (trade-off) को भी रेखांकित किया: कुछ विधियाँ जिन्हें काफी अधिक मापों की आवश्यकता थी, वे आवश्यक रूप से बेहतर परिणाम नहीं दे पाईं। वास्तव में, नेटवर्क पहेली के लिए, एक रणनीति जिसमें कम मापों की आवश्यकता थी, अक्सर उन विधियों के समान ही अच्छा प्रदर्शन करती थी जिन्होंने डेटा एकत्र करने में बहुत अधिक समय खर्च किया था।

जब शोधकर्ता सिमुलेशन से वास्तविक भौतिक क्वांटम प्रोसेसर की ओर बढ़े, तो परिणाम मिश्रित लेकिन सूचनात्मक थे। वास्तविक मशीन ने शोर पेश किया जिसके कारण अनुकूलन पथ (optimization paths) स्वच्छ सिमुलेशन की तुलना में अधिक उतार-चढ़ाव भरे रहे। कुछ मामलों में, सिस्टम कुछ समय के लिए सुधार करता था और फिर एक खराब समाधान की ओर वापस लौट आता था, एक ऐसा व्यवहार जो स्वच्छ सिमुलेशन में नहीं देखा गया था। अध्ययन को कोई भी सार्वभौमिक विजेता नहीं मिला जिसे भविष्य के सभी क्वांटम कंप्यूटरों के लिए सर्वश्रेष्ठ घोषित किया जा सके। इसके बजाय, इसने इस बात का विस्तृत मानचित्र प्रदान किया कि विभिन्न उपकरण विशिष्ट बाधाओं के तहत कैसे व्यवहार करते हैं। लेखकों ने निष्कर्ष निकाला कि अनुकूलन रणनीति का चयन कार्यभार, उपलब्ध माप बजट और हार्डवेयर की शोर विशेषताओं के अनुसार तैयार किया जाना चाहिए। सबसे प्रभावी दृष्टिकोण एक एकल, कठोर विधि पर भरोसा करना नहीं है, बल्कि प्रत्येक घटक की ताकत और कमजोरी को समझना है ताकि कार्य के लिए सही संयोजन का चयन किया जा सके।