Classical Pre-Training of Large Shallow Parametrized Quantum Circuits through Pauli Propagation and deployment on Quantum Hardware
यह शोध पत्र पावली प्रोपेगेशन (Pauli propagation) का उपयोग करके बैकवर्ड ऑब्जर्वेबल प्रोपेगेशन (backward observable propagation) के माध्यम से लॉस फंक्शन्स को कुशलतापूर्वक अनुकूलित करने के लिए बड़े शैलो पैरामीट्रिक क्वांटम सर्किटों हेतु एक क्लासिकल प्री-ट्रेनिंग फ्रेमवर्क प्रस्तावित करता है, जो वेरिएशनल आइजनसॉल्विंग (variational eigensolving) और जेनेरेटिव मॉडलिंग जैसे कार्यों के लिए 64-क्यूबिट IBM क्वांटम हार्डवेयर पर प्राप्त मापदंडों के सफल परिनियोजन को प्रदर्शित करता है।
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
क्वांटम मशीन लर्निंग उस सीमा पर स्थित है जहाँ उप-परमाणु दुनिया के विचित्र नियम जटिल समस्याओं को हल करने की व्यावहारिक आवश्यकता से मिलते हैं। इसके केंद्र में क्वांटम बिट्स, या क्यूबिट्स (qubits) से बने सर्किट होते हैं, जो एक साथ कई अवस्थाओं में रह सकते हैं, जिससे वे सूचनाओं को उन तरीकों से संसाधित कर पाते हैं जो क्लासिकल कंप्यूटर नहीं कर सकते। इन सर्किट्स को उपयोगी बनाने के लिए, वैज्ञानिकों को उन्हें "प्रशिक्षित" करना होता है, यानी किसी विशिष्ट कार्य के लिए सर्वोत्तम समाधान खोजने हेतु उनके आंतरिक सेटिंग्स को समायोजित करना होता है, ठीक वैसे ही जैसे रेडियो को एक स्पष्ट सिग्नल खोजने के लिए ट्यून किया जाता है। हालाँकि, जैसे-जैसे ये सर्किट कठिन समस्याओं से निपटने के लिए बड़े होते जाते हैं, उन्हें प्रशिक्षित करने की प्रक्रिया एक बाधा बन जाती है। मानक पद्धति में यह देखने के लिए कि वे कैसा प्रदर्शन कर रहे हैं, सर्किट को हजारों बार एक भौतिक क्वांटम मशीन पर वापस और आगे भेजना पड़ता है। यह धीमा, महंगा और त्रुटियों के प्रति संवेदनशील है क्योंकि वर्तमान क्वांटम मशीनें नाजुक और शोर (noisy) वाली होती हैं। मुख्य चुनौती यह तरीका खोजने की है जिससे वास्तविक हार्डवेयर पर लगातार निर्भर रहे बिना भारी काम (heavy lifting) किया जा सके।
शोधकर्ताओं की एक टीम ने एक नया दृष्टिकोण विकसित किया है जो प्रशिक्षण के बोझ को पूरी तरह से क्लासिकल कंप्यूटरों पर स्थानांतरित कर देता है, जिससे क्वांटम मशीन का उपयोग केवल अंतिम परीक्षण के लिए किया जाता है। उनकी विधि, जिसे 'पॉली प्रोपेगेशन' (Pauli propagation) कहा जाता है, सूचना के प्रवाह को उलटने का काम करती है। सर्किट के माध्यम से क्वांटम अवस्था को आगे भेजने के बजाय यह देखने के लिए कि क्या बाहर आता है, वे उस प्रश्न से पीछे की ओर काम करते हैं जिसका उत्तर वे चाहते हैं। यह ट्रैक करके कि गेट्स के विरुद्ध प्रवाह में चलते समय प्रश्न कैसे बदलता है, वे केवल मानक कंप्यूटर शक्ति का उपयोग करके सर्किट के व्यवहार का एक सटीक गणितीय विवरण लिख सकते हैं। यह विवरण एक मानचित्र की तरह कार्य करता है, जो बिल्कुल दिखाता है कि सर्किट की सेटिंग्स को बदलने से अंतिम परिणाम पर क्या प्रभाव पड़ेगा। चूंकि यह मानचित्र एक क्लासिकल कंप्यूटर पर बनाया गया है, इसलिए शोधकर्ता सेकंडों में लाखों बार सेटिंग्स को समायोजित कर सकते हैं, एक ऐसा कार्य जिसे करने में हर बदलाव के लिए वास्तविक क्वांटम डिवाइस पर सर्किट चलाने में कई दिन या सप्ताह लग सकते।
शोधकर्ताओं ने 64 क्यूबिट्स वाले एक सर्किट का उपयोग करके दो बहुत अलग समस्याओं पर इस रणनीति का परीक्षण किया, जो कि एक ऐसा आकार है जिसे सबसे शक्तिशाली क्लासिकल सुपरकंप्यूटर भी सीधे सिम्युलेट (simulate) नहीं कर सकते। पहले प्रयोग में, उन्होंने भौतिकी की एक समस्या 'वेरिएशनल क्वांटम आइजनसोल्वर' (Variational Quantum Eigensolver) का सामना किया, जिसका उपयोग किसी प्रणाली की न्यूनतम ऊर्जा अवस्था खोजने के लिए किया जाता है, जो चुंबकों की सबसे स्थिर व्यवस्था खोजने के समान है। उन्होंने क्लासिकल कंप्यूटर पर अपने बैकवर्ड-प्रोपेगेशन पद्धति का उपयोग करके सर्किट को प्रशिक्षित किया और फिर प्राप्त सेटिंग्स को 'ibm berlin' नामक एक वास्तविक क्वांटम प्रोसेसर पर तैनात किया। जबकि क्लासिकल प्रशिक्षण ने मापदंडों को सफलतापूर्वक अनुकूलित किया, शोधकर्ताओं ने हार्डवेयर द्वारा अनुमानित अवलोकनीय (observable) और सैद्धांतिक ग्राउंड स्टेट के बीच एक निरंतर अंतर देखा। उन्होंने इस अंतर का कारण प्रशिक्षण प्रक्रिया की विफलता के बजाय हार्डवेयर की सटीकता को बताया। दूसरे प्रयोग में, उन्होंने सर्किट को सरल ब्लैक-एंड-व्हाइट छवियों के लिए एक जनरेटर के रूप में प्रशिक्षित किया, जो अनिवार्य रूप से इसे ऐसे पैटर्न बनाने के लिए सिखाना था जो हस्तलिखित अंकों (digits) जैसे दिखते हों। यहाँ भी, उन्होंने मॉडल को पूरी तरह से क्लासिकल कंप्यूटर पर प्रशिक्षित किया और फिर अंतिम संस्करण को क्वांटम प्रोसेसर पर चलाया। मशीन ने अंकों की पहचानने योग्य, हालांकि शोर युक्त (noisy) छवियां बनाईं, जो प्रदर्शित करता है कि यह विधि जेनेरेटिव कार्यों के लिए भी काम करती है।
इस अध्ययन का एक प्रमुख निष्कर्ष यह है कि यह दृष्टिकोण क्वांटम हार्डवेयर के बहुत अधिक कुशल उपयोग की अनुमति देता है। शोधकर्ताओं ने पाया कि उनके द्वारा डिज़ाइन किए गए सर्किट्स को समान कार्यों के लिए उपयोग किए जाने वाले अन्य सामान्य डिजाइनों की तुलना में बहुत कम जटिल गेट्स की आवश्यकता थी। यह कमी महत्वपूर्ण है क्योंकि प्रत्येक अतिरिक्त गेट त्रुटि की एक परत जोड़ता है और वास्तविक मशीन पर चलाने में अधिक समय लेता है। कम गेट्स का उपयोग करके, सर्किट इतने 'शैलो' (shallow) थे कि उन्हें शोर के कारण बिना नष्ट हुए वर्तमान हार्डवेयर पर निष्पादित किया जा सके। अध्ययन ने यह भी रेखांकित किया कि जबकि क्लासिकल प्रशिक्षण अत्यधिक प्रभावी था, क्वांटम मशीन पर अंतिम परिणाम अभी भी पूर्ण क्लासिकल सिमुलेशन की तुलना में एक अंतर दिखाते थे। यह अंतर प्रशिक्षण पद्धति की विफलता के कारण नहीं था, बल्कि भौतिक क्वांटम प्रोसेसर की अंतर्निहित सीमाओं के कारण था, जो पूर्ण सटीकता के साथ परिणामों को मापने में संघर्ष करता है। शोधकर्ताओं ने उल्लेख किया कि यह विधि हर समस्या को तुरंत हल करने वाला कोई जादुई समाधान (magic bullet) नहीं है; यह एक व्यावहारिक उपकरण है जो प्रशिक्षण को उस स्तर पर संभव बनाता है जहाँ यह पहले असंभव था।
यह कार्य क्षेत्र के लिए एक नया मार्ग सुझाता है, जहाँ क्वांटम कंप्यूटर अब सीखने की प्रक्रिया का इंजन नहीं, बल्कि निष्पादन का अंतिम चरण है। अनुकूलन (optimization) के गहन कार्य को क्लासिकल मशीनों पर स्थानांतरित करके, वैज्ञानिक सैकड़ों क्यूबिट्स वाले सिस्टम तक विस्तार कर सकते हैं, बिना वर्तमान हार्डवेयर की गति और नाजुकता से बाधित हुए। शोधकर्ता स्वीकार करते हैं कि अभी भी काम किया जाना बाकी है, विशेष रूप से जेनेरेटिव मॉडल के लिए उपयोग किए जाने वाले लॉस फंक्शन्स (loss functions) को परिष्कृत करने और वास्तविक उपकरणों में पाए जाने वाले विशिष्ट प्रकार के शोर को ध्यान में रखने के संबंध में। हालाँकि, 64 क्यूबिट्स पर प्रदर्शन एक मजबूत 'प्रूफ ऑफ कॉन्सेप्ट' के रूप में कार्य करता है। यह दिखाता है कि इन सर्किट्स को प्रशिक्षित करने के तरीके के बारे में अलग तरह से सोचकर, हम क्वांटम मशीन लर्निंग की सैद्धांतिक क्षमता और आज की तकनीक की व्यावहारिक वास्तविकता के बीच के अंतर को पाट सकते हैं।
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।