A comparative study of variational quantum classifiers and classical machine learning for discrimination at the LHC
यह अध्ययन LHC रन-2 डेटा में सिग्नल को बैकग्राउंड से अलग करने के लिए क्लासिकल बूस्टेड डिसीजन ट्रीज़ और मल्टी-लेयर पर्सेप्ट्रॉन्स के विरुद्ध वेरिएशनल क्वांटम क्लासिफायर के प्रदर्शन का बेंचमार्किंग करता है, और उन विशिष्ट विश्लेषण व्यवस्थाओं की पहचान करता है जहाँ क्वांटम-प्रेरित मॉडल प्रतिस्पर्धी भेदभाव क्षमताओं की पेशकश करते हैं।
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
लार्ज हैड्रोन कोलाइडर में, जो फ्रांस और स्विट्जरलैंड की सीमा के नीचे दबी एक विशाल मशीन है, वैज्ञानिक प्रारंभिक ब्रह्मांड की स्थितियों को फिर से बनाने के लिए प्रोटॉन को लगभग प्रकाश की गति से आपस में टकराते हैं। होने वाले खरबों टकरावों में से, एक दुर्लभ घटना में एक टॉप क्वार्क (top quark) का निर्माण होता है, जो कि सबसे भारी ज्ञात मौलिक कण है, और यह एक W बोसोन के साथ उत्पन्न होता है। यह विशिष्ट संयोजन, जिसे tW चैनल के रूप में जाना जाता है, भौतिकी के मानक मॉडल (Standard Model) का परीक्षण करने और नए, अज्ञात बलों की खोज करने के लिए एक महत्वपूर्ण प्रयोगशाला है। हालाँकि, इस दुर्लभ संकेत को खोजना एक शोर भरे स्टेडियम में एक अकेली फुसफुसाहट को सुनने जैसा है। इस तरह से उत्पन्न टॉप क्वार्क लगभग उस बहुत अधिक सामान्य घटना के समान दिखता है जहाँ टॉप क्वार्क का एक जोड़ा बनता है और तुरंत नष्ट हो जाता है। इस दुर्लभ संकेत को इन सामान्य जोड़ों की अत्यधिक पृष्ठभूमि (background) से अलग करना आधुनिक कण भौतिकी की सबसे कठिन चुनौतियों में से एक है।
दशकों से, भौतिकविद् इस डेटा को छाँटने के लिए शक्तिशाली शास्त्रीय कंप्यूटर एल्गोरिदम पर भरोसा करते आए हैं, जिसमें निर्णय वृक्षों (decision trees) या न्यूरल नेटवर्क की नकल करने वाली तकनीकों का उपयोग करके दोनों प्रकार की घटनाओं के बीच सूक्ष्म अंतरों को पहचाना जाता है। हाल ही में, क्वांटम कंप्यूटिंग के क्षेत्र से एक नया उपकरण उभरा है: वेरिएशनल क्वांटम क्लासिफायर (variational quantum classifier)। यह एक हाइब्रिड प्रणाली है जो क्वांटम यांत्रिकी के विचित्र नियमों का उपयोग करती है, जहाँ कण एक साथ कई अवस्थाओं में मौजूद हो सकते हैं, ताकि सूचना को संसाधित किया जा सके। हालाँकि ये क्वांटम कंप्यूटर अभी अपने शुरुआती चरण में हैं और वर्तमान में वास्तविक कोलाइडर के विशाल डेटा भार को संभालने के लिए बहुत शोर वाले (noisy) हैं, शोधकर्ता यह जानना चाहते थे कि क्या उनके पीछे का गणितीय तर्क उन्हें स्थापित शास्त्रीय विधियों पर बढ़त दे सकता है। इसका परीक्षण करने के लिए, दिल्ली विश्वविद्यालय के भौतिकविदों की एक टीम ने कोलाइडर के दूसरे रन के ओपन डेटा का उपयोग करके एक यथार्थवादी परिदृश्य का अनुकरण किया, जिसमें नए क्वांटम-प्रेरित एल्गोरिदम को दो सर्वश्रेष्ठ प्रदर्शन करने वाले शास्त्रीय मॉडलों: बूस्टेड डिसीजन ट्री (boosted decision tree) और मल्टी-लेयर परसेप्ट्रॉन (multi-layer perceptron) के विरुद्ध रखा गया।
शोधकर्ताओं ने कणों के दो अलग-अलग तरीकों पर ध्यान केंद्रित किया जिनसे वे टकराव के बाद प्रकट होते हैं। पहले परिदृश्य में, कण इलेक्ट्रॉन और म्यूऑन में क्षय (decay) होते हैं, जिससे एक अपेक्षाकृत स्वच्छ संकेत मिलता है जिसे पहचानना आसान है लेकिन यह दुर्लभ है। दूसरे, अधिक सामान्य परिदृश्य में, कण अन्य कणों के जेट्स में क्षय होते हैं, जिससे एक अव्यवस्थित, भीड़भाड़ वाला वातावरण बनता है जो विश्लेषण करने में बहुत कठिन है। उन्होंने डेटा को अलग-अलग श्रेणियों में विभाजित किया कि कितने कणों का पता चला और क्या वे कण धीरे चल रहे थे या अत्यधिक उच्च गति से "बूस्टेड" (boosted) थे। प्रत्येक श्रेणी के लिए, उन्होंने तीन अलग-अलग कंप्यूटर मॉडलों को दुर्लभ tW सिग्नल और सामान्य टॉप-क्वार्क पेयर बैकग्राउंड के बीच अंतर सीखने के लिए प्रशिक्षित किया। लक्ष्य केवल यह देखना नहीं था कि कौन सा मॉडल सबसे कम गलतियाँ करता है, बल्कि यह देखना था कि कौन सा मॉडल खोज की सांख्यिकीय सार्थकता (statistical significance) को अधिकतम कर सकता है, जिसका अर्थ है वह आदर्श स्थिति ढूँढना जहाँ अधिकतम सिग्नल को रखा जाए और अधिकतम बैकग्राउंड को हटाया जाए।
तुलना के परिणाम आश्चर्यजनक रूप से संतुलित थे। स्वच्छ, इलेक्ट्रॉन-म्यूऑन चैनल में, तीनों मॉडल लगभग समान रूप से कार्य करते हैं। क्वांटम क्लासिफायर सिग्नल को बैकग्राउंड से अलग करने में शास्त्रीय निर्णय वृक्षों और न्यूरल नेटवर्क के समान ही अच्छा था, जिसमें किसी भी एकल दृष्टिकोण के लिए कोई सांख्यिकीय लाभ नहीं था। अधिक जटिल, अव्यवस्थित हैड्रोनिक चैनलों में, तस्वीर थोड़ी अधिक सूक्ष्म थी। उस क्षेत्र में जहाँ कण मध्यम गति से चल रहे थे, शास्त्रीय न्यूरल नेटवर्क और क्वांटम क्लासिफायर ने निर्णय वृक्षों की तुलना में मामूली बढ़त दिखाई, हालांकि अंतर इतना छोटा था कि इसे मौलिक श्रेष्ठता के बजाय यादृच्छिक सांख्यिकीय भिन्नता माना जा सकता है। उस क्षेत्र में जहाँ कण बहुत उच्च गति से चल रहे थे, निर्णय वृक्षों ने सार्थकता में एक तीक्ष्ण शिखर (sharper peak) पाया, लेकिन यह शिखर अस्थिर था और इसमें भारी उतार-चढ़ाव हुआ, जिससे यह अविश्वसनीय हो गया। इसके विपरीत, क्वांटम क्लासिफायर और न्यूरल नेटवर्क ने सुचारू, अधिक स्थिर वक्र (curves) उत्पन्न किए जो प्रदर्शन के एक सुसंगत स्तर को बनाए रखते हैं।
अंततः, यह अध्ययन प्रदर्शित करता है कि वेरिएशनल क्वांटम क्लासिफायर उच्च-ऊर्जा भौतिकी के लिए एक व्यवहार्य उपकरण है, जो वर्तमान में उपयोग किए जाने वाले सर्वश्रेष्ठ शास्त्रीय एल्गोरिदम के प्रदर्शन से मेल खाने में सक्षम है। शोधकर्ताओं ने पाया कि हालांकि क्वांटम मॉडल इस विशिष्ट सिमुलेशन में अन्य मॉडलों से नाटकीय रूप से बेहतर नहीं हुआ, लेकिन यह पीछे भी नहीं रहा। इसने कण टकराव के जटिल, उच्च-आयामी डेटा को बिना स्थिरता खोए सफलतापूर्वक नेविगेट किया। यह सुझाव देता है कि जैसे-जैसे क्वांटम हार्डवेयर परिपक्व होगा और वास्तविक दुनिया के डेटा को संभालने में सक्षम होगा, इन एल्गोरिदम को उपयोगी होने के लिए पहिये का पुनरुद्धार (reinvent the wheel) करने की आवश्यकता नहीं होगी; वे शास्त्रीय उपकरणों के समान ही महत्वपूर्ण छंटाई कार्यों को करने के लिए कदम रख सकते हैं, जो संभावित रूप से उन अद्वितीय सहसंबंधों (correlations) को संभालने के नए तरीके प्रदान कर सकते हैं जिन्हें शास्त्रीय कंप्यूटर देखने में संघर्ष करते हैं। फिलहाल, क्वांटम क्लासिफायर स्थापित विधियों के एक आशाजनक समकक्ष के रूप में खड़ा है, जो तकनीक के विकसित होने के साथ और अधिक परीक्षण के लिए तैयार है।
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।