Trainable Quantum-Native Language Models: Dissipative Memory, Capacity Limits, and Hardware Validation

भाषा को समझने वाली मशीनें बनाने की खोज में, वैज्ञानिक लंबे समय से यह सोच रहे थे कि क्या क्वांटम दुनिया के अजीब नियम एक नए प्रकार की सोचने वाली मशीन का आधार बन सकते हैं। क्लासिकल कंप्यूटर, जिन्हें हम रोज़ाना उपयोग करते हैं, जानकारी को बिट्स के रूप में संग्रहीत करते हैं जो या तो शून्य होते हैं या एक। इसके विपरीत, क्वांटम कंप्यूटर क्वांटम बिट्स, या क्यूबिट्स (qubits) का उपयोग करते हैं, जो एक साथ कई अवस्थाओं के एक नाजुक मिश्रण में रह सकते हैं। यह गुण उन्हें क्लासिकल मेमोरी की तुलना में मौलिक रूप से भिन्न तरीके से जटिल जानकारी रखने की अनुमति देता है। हालाँकि, एक मशीन के सीखने और अनुकूलन करने के लिए, उसे भूलने में सक्षम होना चाहिए। जिस तरह एक मानव मस्तिष्क वर्तमान पर ध्यान केंद्रित करने के लिए अप्रासंगिक विवरणों को त्याग देता है, उसी तरह एक सीखने वाले सिस्टम को नए इनपुट के लिए जगह बनाने हेतु पुराने डेटा को छोड़ने की आवश्यकता होती है। क्वांटम जगत में, भौतिकी का एक सख्त नियम अक्सर इसे रोकता है: यदि कोई सिस्टम ऊर्जा खोए बिना या अपने वातावरण के साथ परस्पर क्रिया किए बिना विकसित होता है, तो इसमें मौजूद जानकारी को मिटाया या संकुचित नहीं किया जा सकता; इसे केवल पुनर्व्यवस्थित किया जा सकता है। यह एक क्वांटम मस्तिष्क बनाने के लिए एक विरोधाभास पैदा करता है: वे नियम जो क्वांटम कंप्यूटरों को शक्ति देते हैं, वे उन्हें ऐसी स्थिति में लॉक कर देते हैं जहाँ वे भूल नहीं सकते, और बिना भूले, वे प्रभावी ढंग से सीख नहीं सकते।

एक शोधकर्ता ने हाल ही में यह परीक्षण करने के लिए हाथ आजमाया कि क्या इन क्वांटम हिस्सों से पूरी तरह से एक भाषा-सीखने वाली मशीन बनाई जा सकती है, और यदि हाँ, तो उसे सफल होने के लिए किन नियमों का पालन करना होगा। उन्होंने इसे केवल एक मानक कंप्यूटर पर सिम्युलेट नहीं किया; उन्होंने मॉडल बनाया, उसे प्रशिक्षित किया, और इसे एक वास्तविक क्वांटम प्रोसेसर पर चलाया ताकि यह देखा जा सके कि क्या भौतिकी के नियम कायम रहते हैं। उनका काम इस तकनीक के लिए एक स्पष्ट मार्ग प्रकट करता है, लेकिन यह वर्तमान में इसकी याद रखने की क्षमता पर एक कठिन सीमा भी लगाता है। शोधकर्ता ने पाया कि एक शुद्ध क्वांटम मेमोरी, जो सभी जानकारी को पूरी तरह से बरकरार रखने की कोशिश करती है, भाषा सीखने में विफल रहती है। यह पुराने, बेकार डेटा को ढोने में फंसी रहती है क्योंकि यह उसे फेंक नहीं सकती। इसे ठीक करने के लिए, उन्हें एक ऐसी प्रक्रिया पेश करनी पड़ी जो सिस्टम को जानबूझकर जानकारी खोने की अनुमति देती है, जिसे 'डिसिपेशन' (dissipation) कहा जाता है। क्वांटम सिस्टम को नियंत्रित तरीके से भूलना सिखाकर, उन्होंने एक ऐसा मॉडल बनाया जो कुछ चरणों के लिए उपयोगी जानकारी को याद रख सका। हालाँकि, यह स्मृति अविश्वसनीय रूप से नाजुक और सीमित है। सर्वोत्तम तकनीकों के बावजूद, सिस्टम केवल दो चरणों तक ही जानकारी को थामे रख सका, जिसके बाद क्वांटम दुनिया का शोर और इसके आकार की सीमाएं इसके विफल होने का कारण बनीं।

प्रयोग एक सरल प्रश्न के साथ शुरू हुआ: क्या एक ऐसी मशीन जो अपने विचारों को क्वांटम अवस्था के रूप में संग्रहीत करती है, वाक्य में अगले अक्षर की भविष्यवाणी करना सीख सकती है? शोधकर्ता ने एक ऐसा सिस्टम डिज़ाइन किया जहाँ "हिडन स्टेट" (hidden state)—जो मस्तिष्क का वह हिस्सा है जो संदर्भ को थामे रखता है—क्वांटम बिट्स का एक छोटा रजिस्टर था। जैसे-जैसे मशीन प्रत्येक अक्षर को पढ़ती, वह इस क्वांटम अवस्था को अपडेट करती। अपने पहले प्रयास में, उन्होंने एक ऐसी विधि का उपयोग किया जिसने क्वांटम अवस्था को पूरी तरह से अलग रखा, जिससे कोई जानकारी नष्ट नहीं हुई। यह पानी के भरे हुए गिलास को बिना एक बूंद गिराए ले जाने की कोशिश करने जैसा है; आप इसे इधर-उधर ले जा सकते हैं, लेकिन आप इसमें से कुछ भी बाहर नहीं डाल सकते। परिणाम निराशाजनक थे। मशीन उस बहुत सरल संस्करण से भी खराब प्रदर्शन कर रही थी जो केवल पिछले अक्षर को देखता था। कारण यह था कि मशीन को हर उस अक्षर को ढोना पड़ रहा था जिसे उसने कभी भी देखा था, जिससे उसकी मेमोरी अप्रासंगिक इतिहास से भर गई। वह अतीत को अनदेखा करना नहीं सीख सकी, और उस क्षमता के बिना, वह भविष्य की भविष्यवाणी नहीं कर सकी।

इसे हल करने के लिए, शोधकर्ता ने नियम बदल दिए। उन्होंने एक "डिसिपेशन" चैनल पेश किया, जो क्वांटम सिस्टम को उसके वातावरण के साथ बातचीत करने और जानबूझकर पुरानी जानकारी को त्यागने का एक तरीका है। उन्होंने इस भूलने की प्रक्रिया को पढ़े जा रहे वर्तमान अक्षर पर निर्भर बनाया, जिससे मशीन को संदर्भ के आधार पर यह तय करने की अनुमति मिली कि क्या रखना है और क्या छोड़ना है। यह दृष्टिकोण सफल रहा। नया मॉडल, जो अब भूल सकता था, उस संस्करण से काफी बेहतर प्रदर्शन कर गया जिसने सब कुछ याद रखने की कोशिश की थी। इसने एक से अधिक चरणों के लिए जानकारी को थामे रखना सीख लिया, जिससे यह सिद्ध हुआ कि भूलने की क्षमता एक त्रुटि नहीं बल्कि एक सीखने वाले सिस्टम के लिए एक आवश्यक विशेषता है। हालाँकि, इस सुधार की एक तीव्र सीमा थी। इस नई भूलने की क्षमता के बावजूद, मॉडल कभी भी दो अक्षरों से अधिक पीछे देखने में सक्षम नहीं हो सका। जब शोधकर्ता ने इसे लंबे वाक्यों पर परखा, तो मॉडल का प्रदर्शन स्थिर हो गया, जो एक सरल सिस्टम के समान था जो केवल पिछले दो अक्षरों को देखता था। यह उससे आगे नहीं जा सका।

शोधकर्ता ने फिर जांच की कि यह सीमा क्यों मौजूद थी। उन्होंने परीक्षणों की एक श्रृंखला चलाई जहाँ उन्होंने मशीन को कीज़ (keys) और वैल्यूज़ (values) के जोड़े याद रखने के लिए कहा, जो शब्दकोश में शब्द खोजने के समान है। उन्होंने क्वांटम मेमोरी के आकार को चार से सात क्यूबिट्स तक बढ़ाया। चार क्यूबिट्स के साथ, मशीन एक जोड़े को विश्वसनीय रूप से याद रख सकती थी। छह या सात क्यूबिट्स के साथ, वह दो जोड़े याद रख सकती थी। लेकिन जब उन्होंने इसे तीन जोड़े याद रखने के लिए कहा, तो यह हर बार विफल रही, चाहे उन्होंने कितने भी क्यूबिट्स का उपयोग किया हो। यह सुझाव देता है कि एक छोटी क्वांटम मेमोरी कितनी जानकारी रख सकती है, यह उपलब्ध क्यूबिट्स की संख्या से सख्ती से सीमित है। शोधकर्ता ने उल्लेख किया कि यह सीमा भौतिकी के एक मौलिक नियम के अनुरूप है जिसे 'होलेवो बाउंड' (Holevo bound) कहा जाता है, जो यह निर्धारित करता है कि एक क्वांटम सिस्टम से कितनी क्लासिकल जानकारी निकाली जा सकती है। हालांकि उन्होंने यह साबित नहीं किया कि यही एकमात्र कारण था, लेकिन साक्ष्य दृढ़ता से संकेत देते हैं कि मशीन आवश्यक विवरणों को संग्रहीत करने के लिए स्थान की कमी का सामना कर रही थी।

यह सुनिश्चित करने के लिए कि उनके निष्कर्ष केवल कंप्यूटर सिमुलेशन का परिणाम नहीं हैं, शोधकर्ता अपने मॉडल को एक वास्तविक क्वांटम कंप्यूटर, विशेष रूप से IBM के 156-क्यूबिट प्रोसेसर पर ले गए। उन्होंने अपने गणितीय मॉडल को एक भौतिक सर्किट में अनुवादित किया जो मशीन के हार्डवेयर पर चल सके। उन्होंने सिस्टम का चरण-दर-चरण परीक्षण किया, यह जाँचते हुए कि क्या क्वांटम अवस्था अनुमानित रूप से विकसित होती है और क्या अगले अक्षर की संभावनाएँ सिमुलेशन से मेल खाती हैं। परिणाम भौतिकी के मामले में एक सफलता थे: मशीन बिल्कुल वैसा ही चली जैसा कि सिद्धांत ने भविष्यवाणी की थी, और अगले अक्षर की मापी गई संभावनाएँ अपेक्षित मानों के करीब थीं। सिस्टम ने बाइट-दर-बाइट टेक्स्ट जनरेट किया, जिसमें प्रत्येक निर्णय क्वांटम अवस्था के भौतिक मापन पर आधारित था। हालाँकि, इसके द्वारा निर्मित टेक्स्ट प्रवाहपूर्ण या अर्थपूर्ण नहीं था। यह कमजोर था और सबसे सरल क्लासिकल लैंग्वेज मॉडल्स की गुणवत्ता से भी कम था। शोधकर्ता स्पष्ट थे कि वे भाषा की गुणवत्ता या क्लासिकल कंप्यूटरों पर गति के लाभ का दावा नहीं कर रहे हैं। इसके बजाय, वे यह सिद्ध कर रहे थे कि एक विशिष्ट प्रकार का क्वांटम आर्किटेक्चर—जो भूलना सीखता है—वास्तविक हार्डवेयर पर बनाया और चलाया जा सकता है।

अध्ययन यह निष्कर्ष निकालता है कि हालांकि क्वांटम-नेटिव लैंग्वेज मॉडल का सपना भौतिक रूप से संभव है, वर्तमान तकनीक क्लासिकल सिस्टम का मुकाबला करने के लिए तैयार नहीं है। शोधकर्ता ने प्रदर्शित किया कि एक क्वांटम मेमोरी को सीखने के लिए जानकारी खोनी चाहिए, लेकिन यह स्मृति अपने आकार से गंभीर रूप से बाधित है। उन्होंने पाया कि आज उपलब्ध क्यूबिट्स की कम संख्या के साथ, सिस्टम केवल दो चरणों के बाद एक दीवार से टकरा जाता है। उन्होंने सुझाव दिया कि एक ऐसी मशीन बनाने के लिए जो लंबे वाक्यों को समझ सके, हमें बहुत बड़ी क्वांटम मेमोरी की आवश्यकता होगी, जिसके लिए संभवतः उन त्रुटि-सुधार प्रणालियों (error-corrected systems) की आवश्यकता होगी जो अभी अस्तित्व में नहीं हैं। यह कार्य इस क्षेत्र के लिए एक महत्वपूर्ण वास्तविकता की जाँच के रूप में कार्य करता है, जो दिखाता है कि आगे बढ़ने के लिए वास्तव में क्या आवश्यक है: न केवल अधिक शक्ति, बल्कि यह गहरी समझ भी कि क्वांटम सिस्टम को भूलना कैसे सिखाया जा सकता है। क्वांटम लैंग्वेज मॉडल का मार्ग खुला है, लेकिन रास्ता लंबा है, और पहले कदमों ने हमें ठीक से दिखा दिया है कि बाधाएं कहाँ स्थित हैं।