Beyond QAOA: A Review of AI and Quantum Computing for Adaptive Combinatorial Optimization
119 शोध पत्रों की यह समीक्षा तर्क देती है कि जबकि एआई-संचालित अनुकूलन योग्य वर्कफ़्लो बाधाओं और शोर का प्रबंधन करके अल्पकालिक क्वांटम कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन को महत्वपूर्ण रूप से बढ़ाते हैं, मशीन लर्निंग ऑप्टिमाइज़र को बेहतर बनाने के लिए क्वांटम कंप्यूटिंग के साक्ष्य सीमित स्तर के सिमुलेशन तक ही सीमित हैं, जो इस बात पर प्रकाश डालता है कि भविष्य की प्रगति इस बात पर निर्भर करती है कि स्केलिंग को विशुद्ध रूप से एल्गोरिदम संबंधी चुनौती के बजाय एक सिस्टम-स्तरीय संसाधन आवंटन चुनौती के रूप में माना जाए।
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
लॉजिस्टिक्स, परिवहन और आपूर्ति श्रृंखला (सप्लाई चेन) की दुनिया में, योजनाकार लगातार एक कठिन चुनौती का सामना करते हैं: सर्वोत्तम संभव परिणाम प्राप्त करने के लिए कार्यों या वस्तुओं के एक समूह को कैसे व्यवस्थित किया जाए। चाहे वह डिलीवरी ट्रक के लिए सबसे छोटा रास्ता खोजना हो, शिपिंग कंटेनर को कुशलतापूर्वक पैक करना हो, या अस्पताल के कर्मचारियों का समय निर्धारित करना हो, ये ऐसी समस्याएँ हैं जहाँ संभावित व्यवस्थाओं की संख्या इतनी विशाल है कि उन्हें एक-एक करके जाँचना असंभव है। दशकों से, वैज्ञानिक अच्छे समाधान खोजने के लिए शक्तिशाली क्लासिकल कंप्यूटरों और चतुर गणितीय शॉर्टकटों पर भरोसा करते आए हैं। हाल ही में, एक नई तरह की मशीन ने दृश्य में प्रवेश किया है: क्वांटम कंप्यूटर। पारंपरिक कंप्यूटरों के विपरीत जो जानकारी को सरल ऑन-ऑफ स्विच के रूप में संसाधित करते हैं, क्वांटम मशीनें कई संभावनाओं को एक साथ खोजने के लिए भौतिकी के विचित्र नियमों का उपयोग करती हैं। यह आशा रही है कि ये मशीनें इन विशाल नियोजन पहेलियों को किसी भी अन्य चीज़ की तुलना में तेज़ी से और बेहतर तरीके से हल कर सकेंगी। हालाँकि, वर्तमान क्वांटम मशीनें अभी भी छोटी, नाजुक और त्रुटियों के प्रति संवेदनशील हैं, जिससे उन्हें वास्तविक दुनिया के कार्यों के लिए उपयोग करना कठिन हो जाता है।
सिंगापुर मैनेजमेंट यूनिवर्सिटी में हूंग चुइन लाउ द्वारा किया गया एक नया समीक्षा लेख इस क्षेत्र की वर्तमान स्थिति की जांच करता है, विशेष रूप से यह देखता है कि क्वांटम कंप्यूटरों को इन नियोजन समस्याओं के लिए अधिक उपयोगी बनाने के लिए आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग कैसे किया जा रहा है। लेखक एक विशिष्ट प्रश्न की जांच करता है: केवल क्वांटम मशीन को तेज़ बनाने के प्रयास के बजाय, क्या हम स्मार्ट सॉफ़्टवेयर का उपयोग यह तय करने के लिए कर सकते हैं कि क्वांटम मशीन का उपयोग कैसे, कब, और यहाँ तक कि हमें इसका उपयोग करना चाहिए या नहीं? यह समीक्षा लगभग एक सौ बीस शोध पत्रों का विश्लेषण करती है ताकि यह देखा जा सके कि वास्तव में क्या सिद्ध हुआ है और क्या अभी भी केवल एक सिद्धांत है। निष्कर्ष बताते हैं कि जबकि आर्टिफिशियल इंटेलिजेंस पहले से ही क्वांटम प्रयोगों को अधिक कुशल और कम अपव्ययी बनाने में मदद कर रहा है, लेकिन यह विचार कि क्वांटम कंप्यूटर वर्तमान में एक व्यावहारिक, वास्तविक दुनिया के परिवेश में सर्वश्रेष्ठ क्लासिकल कंप्यूटरों से बेहतर प्रदर्शन कर रहे हैं, अभी भी अप्रमाणित है।
यह समीक्षा इन समस्याओं के बारे में सोचने का एक नया तरीका पेश करती है, जो इन्हें एक एकल चरण के रूप में नहीं बल्कि निर्णयों की एक लंबी पाइपलाइन के रूप में वर्णित करती है। कल्पना कीजिए कि एक फैक्ट्री असेंबली लाइन है जहाँ एक उत्पाद एक स्टेशन से दूसरे स्टेशन पर जाता है। एक पारंपरिक दृष्टिकोण में, प्रत्येक स्टेशन निश्चित होता है: वही उपकरण उपयोग किए जाते हैं, समान सामग्री डाली जाती है, और लाइन में क्या हो रहा है इसकी परवाह किए बिना श्रमिकों की एक ही संख्या ड्यूटी पर होती है। पेपर में वर्णित नए "अनुकूली" (adaptive) दृष्टिकोण में, आर्टिफिशियल इंटेलिजेंस एक सुपरवाइजर की तरह कार्य करता है जो वास्तविक समय में लाइन पर नज़र रखता है। यह सुपरवाइजर तय कर सकता है कि उपकरण बदलना है, एक स्टेशन को छोड़ना है, या यदि वह देखता है कि एक अलग दृष्टिकोण बेहतर काम करेगा तो लाइन को रोकना भी है। क्वांटम कंप्यूटिंग के संदर्भ में, इसका अर्थ है कि सॉफ़्टवेयर यह चुन सकता है कि समस्या को कैसे लिखा जाए, इसे छोटे टुकड़ों में कैसे विभाजित किया जाए, किस विशिष्ट क्वांटम मशीन का उपयोग किया जाए, या क्वांटम मशीन का उपयोग करना चाहिए या नहीं।
लेखक अनुसंधान को तीन मुख्य श्रेणियों में व्यवस्थित करता है ताकि यह देखा जा सके कि प्रगति वास्तविक है और कहाँ बहुत कम है। पहली श्रेणी "क्वांटम के लिए AI" (AI for Quantum) है, जहाँ आर्टिफिशियल इंटेलिजेंस क्वांटम मशीन को ट्यून और नियंत्रित करने में मदद करता है। यहाँ, साक्ष्य सबसे मजबूत हैं। शोधकर्ताओं ने दिखाया है कि लर्निंग एल्गोरिदम क्वांटम मशीन के शुरू होने से पहले ही उसके सर्वोत्तम सेटिंग्स की भविष्यवाणी कर सकते हैं, जिससे समय बचता है और मशीन को बुलाने की संख्या कम होती है। उन्होंने त्रुटियों को ठीक करने के लिए और यह तय करने के लिए भी AI का उपयोग करने के तरीके खोजे हैं कि समस्या के कौन से विशिष्ट हिस्से क्वांटम मशीन को भेजने योग्य हैं। इनमें से कई मामलों में, आर्टिफिशियल इंटेलिजेंस क्वांटम प्रक्रिया को सस्ता और अधिक विश्वसनीय बनाता है, भले ही क्वांटम मशीन स्वयं अभी तक क्लासिकल कंप्यूटर से तेज़ न हो।
दूसरी श्रेणी "AI के लिए क्वांटम" (Quantum for AI) है, जहाँ शोधकर्ता आर्टिफिशियल इंटेलिजेंस को स्वयं अधिक स्मार्ट बनाने के लिए क्वांटम मशीन का उपयोग करने का प्रयास करते हैं। यह विपरीत दिशा है। यहाँ, साक्ष्य बहुत कमजोर हैं। जबकि कुछ अध्ययन दिखाते हैं कि क्वांटम मॉडल एक संक्षिप्त तरीके से पैटर्न सीख सकते हैं, अधिकांश परिणाम वास्तविक क्वांटम हार्डवेयर के बजाय नियमित कंप्यूटरों पर सिमुलेशन से आते हैं। जब शोधकर्ता इन क्वांटम मॉडलों की तुलना सर्वश्रेष्ठ क्लासिकल AI मॉडलों से करते हैं, तो क्वांटम संस्करण शायद ही कभी स्पष्ट लाभ दिखाते हैं। समीक्षा नोट करती है कि कई अध्ययन अपने विचारों का परीक्षण वास्तविक, शोर वाले (noisy) क्वांटम मशीनों पर नहीं करते हैं, और जब वे ऐसा करते हैं, तो परिणाम अक्सर बहुत छोटी समस्याओं तक सीमित होते हैं।
तीसरी श्रेणी "सह-अनुकूलन" (Co-Optimization) है, जहाँ आर्टिफिशियल इंटेलिजेंस पूरी प्रक्रिया का प्रबंधन करता है, यह तय करता है कि प्रत्येक चरण पर क्लासिकल और क्वांटम संसाधनों के मिश्रण का उपयोग कैसे किया जाए। यह सबसे उन्नत और आशाजनक क्षेत्र है, लेकिन यह सबसे कम परिपक्व भी है। इस क्षेत्र के सबसे सूचनात्मक सिस्टम यह सीखने लगे हैं कि क्वांटम मशीन का उपयोग कब नहीं करना है। उन्होंने सीखा है कि कभी-कभी सबसे अच्छा कदम क्वांटम चरण को पूरी तरह से छोड़ देना और इसके बजाय क्लासिकल कंप्यूटर का उपयोग करना है, क्योंकि क्वांटम मशीन उस विशिष्ट कार्य के लिए बहुत धीमी, बहुत शोर वाली या बहुत महंगी हो सकती है। यह "चयनात्मक उपयोग" एक प्रमुख सिद्धांत के रूप रूप में उभर रहा है: लक्ष्य हर समस्या को क्वांटम मशीन पर थोपना नहीं है, बल्कि इसका उपयोग केवल तभी करना है जब यह स्पष्ट लाभ प्रदान करे।
उत्साह के बावजूद, समीक्षा तकनीक की वर्तमान स्थिति के बारे में एक वास्तविकता की जाँच प्रस्तुत करती है। लेखक परिणामों की मजबूती को ग्रेड देने के लिए एक साक्ष्य पदानुक्रम (hierarchy of evidence) पेश करते हैं। सबसे नीचे वे विचार हैं जो केवल सिद्धांत या पूर्ण सिमुलेशन में काम करते हैं। सबसे ऊपर वे परिणाम हैं जो सिद्ध करते हैं कि एक क्वांटम विधि सर्वश्रेष्ठ क्लासिकल विधि से बेहतर है जब दोनों को समान समय और संसाधन दिए जाते हैं। समीक्षा पाती है कि पूरे क्षेत्र के लगभग किसी भी अध्ययन ने इस शीर्ष स्तर तक नहीं पहुँचा है। अधिकांश प्रयोग अभी भी निचले स्तरों पर अटके हुए हैं, जो अक्सर बहुत छोटी समस्याओं का परीक्षण करते हैं जो सार्थक होने के लिए बहुत कम हैं। औसत अध्ययन केवल सत्रह क्वांटम बिट्स का उपयोग करता है, जो वास्तविक दुनिया की लॉजिस्टिक्स समस्याओं को हल करने के लिए बहुत कम है। इसके अलावा, कई अध्ययन अपने परिणामों की तुलना मजबूत क्लासिकल प्रतिस्पर्धियों से करने में विफल रहते हैं, जिससे यह जानना कठिन हो जाता है कि क्वांटम दृष्टिकोण वास्तव में कुछ उपयोगी कर रहा है या नहीं।
पेपर का तर्क है कि प्रगति में मुख्य बाधा अब केवल मशीन के बिट्स की संख्या नहीं है, बल्कि संपूर्ण प्रणाली की जटिलता है। भले ही एक क्वांटम मशीन में पर्याप्त बिट्स हों, समस्या को इतने संसाधनों का उपयोग किए बिना एनकोड करना बहुत कठिन हो सकता है, या त्रुटियाँ इतनी अधिक हो सकती हैं कि एक अच्छा उत्तर प्राप्त करना मुश्किल हो जाए। समीक्षा का सुझाव है कि इस क्षेत्र का भविष्य हाइब्रिड सिस्टम बनाने में निहित है जहाँ क्लासिकल और क्वांटम कंप्यूटर सहजता से मिलकर काम करते हैं। आर्टिफिशियल इंटेलिजेंस एक कंडक्टर की तरह कार्य करता है, जो यह तय करता है कि कौन सा वाद्य यंत्र कौन सा स्वर बजाएगा। यह भारी काम करने के लिए क्लासिकल कंप्यूटर का उपयोग कर सकता है और केवल एक विशिष्ट, कठिन चरण के लिए क्वांटम मशीन को बुला सकता है जहाँ इसके पास बढ़त होने की संभावना हो।
अंततः, पेपर इस निष्कर्ष पर पहुँचता है कि हम एक एकल क्वांटम एल्गोरिदम के विचार से दूर जा रहे हैं जो सब कुछ हल करता है। इसके बजाय, यह क्षेत्र अनुकूलित उपकरणों (adaptive tools) के एक परिष्कृत तंत्र के रूप में विकसित हो रहा है। सबसे सफल सिस्टम वे होंगे जो यह पहचान सकेंगे कि क्वांटम दृष्टिकोण कब लागत के लायक है और कब नहीं। हालांकि क्वांटम कंप्यूटरों द्वारा रातों-रात विशाल नियोजन समस्याओं को हल करने का सपना अभी तक साकार नहीं हुआ है, लेकिन आर्टिफिशियल इंटेलिजेंस का एकीकरण वर्तमान, अपूर्ण मशीनों को अधिक व्यावहारिक और कुशल बना रहा है। आगे का रास्ता केवल बड़ी मशीनों की प्रतीक्षा करने के बारे में नहीं है, बल्कि स्मार्ट सिस्टम बनाने के बारे में है जो आज हमारे पास मौजूद मशीनों का उपयोग करना जानते हों।
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।