Equilibrium Learning of Quantum Circuits
यह शोध पत्र पैरामीट्रिक सर्किट को फ़ाइनमैन-किटाएव हैमिल्टोनियन्स में एम्बेड करके क्वांटम सर्किट लर्निंग के लिए एक नवीन रूपरेखा प्रस्तावित करता है ताकि साम्यावस्था-आधारित लागत कार्यों (equilibrium-based cost functions) को परिभाषित किया जा सके जो अनुकूलन परिदृश्य (optimization landscape) को नया आकार देते हैं और मानक इन्फिडेलिटी मेट्रिक्स की तुलना में क्वांटम फेज एस्टीमेशन के माध्यम से अधिक कुशल संकलन (compilation) को सक्षम 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
क्लासिकल कंप्यूटिंग की दुनिया में, तारों और प्रतिरोधकों (resistors) के एक नेटवर्क के माध्यम से बहती बिजली, यह सोचने का एक परिचित तरीका प्रदान करती है कि कैसे सिस्टम एक स्थिर अवस्था में स्थापित होते हैं। जब आप ऐसे नेटवर्क के एक तरफ वोल्टेज लगाते हैं, तो करंट तब तक बहता है जब तक कि सिस्टम का प्रत्येक बिंदु संतुलन की स्थिति में न पहुँच जाए, एक ऐसी साम्यावस्था (equilibrium) जहाँ ऊर्जा न्यूनतम होती है। इंजीनियरों को लंबे समय से पता है कि यदि आप तारों के गुणों को समायोजित करते हैं, तो आप इस भौतिक प्रणाली को किसी दिए गए इनपुट के लिए एक विशिष्ट आउटपुट देने के लिए प्रशिक्षित कर सकते हैं, जो अनिवार्य रूप से हार्डवेयर को सही आकार में ढलकर समस्या हल करने के लिए सिखाता है। संतुलन-आधारित सीखने (equilibrium learning) के इस विचार को हाल ही में क्वांटम भौतिकी में खोजा गया है, लेकिन अब तक, इसे सबसे सामान्य प्रकार के क्वांटम कंप्यूटर पर लागू करना कठिन रहा है, जो एक निरंतर भौतिक क्षेत्र (continuous physical field) के विकास के बजाय अलग-अलग लॉजिक गेट्स के अनुक्रम को जोड़कर कार्य करता है।
लॉस एलामोस नेशनल लेबोरेटरी के शोधकर्ताओं की एक टीम ने अब गेट-आधारित क्वांटम सर्किटों में इस साम्यावस्था सीखने की अवधारणा को लाने का एक तरीका खोज लिया है। उनका कार्य एक क्वांटम कंप्यूटर को एक विशिष्ट कार्य करने के लिए सिखाने की एक नई विधि प्रस्तावित करता है, जैसे कि एक क्वांटम अवस्था को दूसरी अवस्था में बदलना या किसी विशिष्ट लॉजिक ऑपरेशन की नकल करना। मानक दृष्टिकोण के बजाय, जिसमें यह गणना की जाती है कि कंप्यूटर लक्ष्य से कितना दूर है और फिर त्रुटि को कम करने के लिए सेटिंग्स को मैन्युअल रूप से समायोजित किया जाता है, शोधकर्ताओं ने एक ऐसा सिस्टम डिज़ाइन किया है जहाँ क्वांटम कंप्यूटर को भौतिक रूप से उस अवस्था में बैठने के लिए प्रोत्साहित किया जाता है जो सही उत्तर का प्रतिनिधित्व करती है। उन्होंने इसे क्वांटम गेट्स के अनुक्रम को एक विशेष ऊर्जा परिदृश्य (energy landscape) में समाहित करके हासिल किया, ठीक वैसे ही जैसे एक गेंद ढलान की ओर लुढ़ककर सबसे निचले बिंदु को खोज लेती है। इस परिदृश्य में, "सबसे निचला बिंदु" वह है जहाँ सर्किट वांछित ऑपरेशन को पूरी तरह से निष्पादित करता है।
शोधकर्ताओं ने इस ऊर्जा परिदृश्य को सेट करने के दो अलग-अलग तरीके बनाए। पहले तरीके में, उन्होंने सर्किट के बिल्कुल अंत में एक बाधा (constraint) जोड़ी जो एक क्लैंप की तरह कार्य करती है, जो अंतिम आउटपुट को लक्ष्य परिणाम की ओर धीरे से खींचती है। दूसरे तरीके में, उन्होंने सर्किट के आरंभ और अंत को एक लूप में जोड़ दिया, जिससे एक चक्रीय स्थिति (cyclic condition) बन गई जो सिस्टम को समय के माध्यम से एक सुसंगत पथ खोजने के लिए मजबूर करती है। दोनों विधियाँ एक 'कॉस्ट फंक्शन' (cost function) को परिभाषित करती हैं, जो अनिवार्य रूप से यह मापता है कि सिस्टम में कितनी ऊर्जा है। ऊर्जा जितनी कम होगी, सर्किट उतना ही सही ढंग से कार्य करने के करीब होगा। महत्वपूर्ण रूप से, शोधकर्ताओं ने दिखाया कि ये ऊर्जा-आधारित माप केवल सामान्य त्रुटि गणनाओं के साधारण दर्पण नहीं हैं; वे अनुकूलन समस्या (optimization problem) के परिदृश्य को नया आकार देते हैं। यह पुनर्गठन समाधान के मार्ग को अधिक सुगम और तेज़ बना सकता है, जिससे कंप्यूटर को उन स्थानीय मृत अंतों (local dead ends) में फंसने से बचने में मदद मिलती है जहाँ उसे लगता है कि उसने एक अच्छा उत्तर पा लिया है, लेकिन वास्तव में वह सर्वश्रेष्ठ तक नहीं पहुँचा है।
यह जांचने के लिए कि क्या यह विचार व्यवहार में काम करता है, टीम ने केवल दो क्यूबिट्स (क्वांटम सूचना की बुनियादी इकाइयाँ) वाले छोटे क्वांटम सिस्टम पर सिमुलेशन चलाए। उन्होंने अपने नए साम्यावस्था-आधारित प्रशिक्षण तरीकों की तुलना क्षेत्र में उपयोग की जाने वाली मानक तकनीकों से की। परिणामों ने दिखाया कि कई कार्यों के लिए, नए तरीकों ने पारंपरिक दृष्टिकोण की तुलना में कम चरणों या "स्वीप्स" (sweeps) में उच्च स्तर की सटीकता प्राप्त की। कुछ मामलों में, नए तरीकों को काम पूरा करने के लिए काफी कम समायोजनों की आवश्यकता पड़ी। शोधकर्ताओं ने यह भी प्रदर्शित किया कि ऊर्जा स्तरों और समाधानों की गुणवत्ता का अनुमान मौजूदा क्वांटम एल्गोरिदम का उपयोग करके उचित मात्रा में कंप्यूटेशनल संसाधनों के साथ लगाया जा सकता है, जो यह सुझाव देता है कि यह दृष्टिकोण केवल एक सैद्धांतिक जिज्ञासा नहीं है बल्कि कुछ ऐसा है जिसे वास्तविक हार्डवेयर पर लागू किया जा सकता है।
यह कार्य इस बात का दावा नहीं करता कि यह क्वांटम कंप्यूटरों को प्रोग्राम करने वाली हर कठिनाई को हल कर देगा, न ही यह वादा करता है कि ये विधियाँ हमेशा हर संभव परिदृश्य में तेज़ होंगी। सिमुलेशन एक आदर्श, शोर-मुक्त (noise-free) वातावरण में किए गए थे, जो एक सर्वोत्तम स्थिति है जिसे वास्तविक दुनिया के क्वांटम उपकरण अभी तक पूरी तरह से प्राप्त नहीं कर पाए हैं। हालाँकि, निष्कर्ष एक मजबूत 'प्रूफ ऑफ कॉन्सेप्ट' प्रदान करते हैं। यह दिखाकर कि क्वांटम लर्निंग समस्याओं को साम्यावस्था गुणों की गणना के रूप में एनकोड किया जा सकता है, शोधकर्ताओं ने क्वांटम सर्किटों को प्रशिक्षित करने के लिए एक नया मार्ग खोल दिया है। यह दृष्टिकोण भौतिक प्रणालियों की स्थिर अवस्थाओं में बैठने की स्वाभाविक प्रवृत्ति का लाभ उठाता है, जो क्वांटम मशीनों को जटिल कार्यों को कुशलतापूर्वक करने के लिए सिखाने हेतु एक नया दृष्टिकोण प्रदान करता है। अध्ययन यह सुझाव देता है कि क्वांटम संकलन (compilation) को साम्यावस्था भौतिकी के लेंस से देखकर, हम जटिल क्वांटम अनुकूलन परिदृश्य को अधिक प्रभावी ढंग से नेविगेट कर सकते हैं, जिससे भविष्य के क्वांटम कंप्यूटरों को प्रोग्राम करने के अधिक मजबूत और तेज़ तरीके विकसित हो 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।