Perspective on AI and quantum open-source software
यह शोध पत्र तर्क देता है कि एआई-सहायता प्राप्त क्वांटम ओपन-सोर्स सॉफ्टवेयर विकास की विश्वसनीयता सुनिश्चित करने के लिए कठोर सत्यापन प्रथाओं और योगदान मानकों को स्थापित करना आवश्यक है, जिससे रखरखाव करने वालों के बोझ को कम किया जा सके और पुनरुत्पादक, भरोसेमंद क्वांटम अनुसंधान को सक्षम बनाया जा सके।
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 सूचना विज्ञान एक तेजी से बढ़ता हुआ क्षेत्र है जो आज के कंप्यूटरों के लिए असंभव समस्याओं को हल करने के लिए उप-परमाणु दुनिया के विचित्र नियमों का लाभ उठाने का प्रयास करता है। यह विज्ञान सर्किट बनाने, सिमुलेशन चलाने और क्वांटम बिट्स को धारण करने वाले नाजुक हार्डवेयर को नियंत्रित करने के लिए सॉफ्टवेयर पर बहुत अधिक निर्भर करता है। वर्षों से, यह सॉफ्टवेयर वैश्विक शोधकर्ताओं के एक समुदाय द्वारा खुले रूप से बनाया और साझा किया जाता रहा है, जिससे कोई भी काम का निरीक्षण, सुधार और उस पर निर्माण कर सकता है। हाल ही में, आर्टिफिशियल इंटेलिजेंस (AI) ने इस परिदृश्य को नया रूप देना शुरू कर दिया है। ये बुद्धिमान उपकरण कोड लिख सकते हैं, मशीनों को कैलिब्रेट करने के नए तरीके सुझा सकते हैं, और यहाँ तक कि त्रुटियों को सुधारने के नए तरीकों की खोज में भी मदद कर सकते हैं। हालाँकि, जिस तरह एक नए इंजन को नए सुरक्षा जांचों की आवश्यकता होती है, उसी तरह इस उच्च-दांव वाले वातावरण में आर्टिफिशियल इंटेलिजेंस का प्रवेश एक महत्वपूर्ण प्रश्न खड़ा करता है: हम यह कैसे जान सकते हैं कि इन उपकरणों द्वारा लिखा गया कोड वास्तव में सही है, और इसकी जाँच करने के लिए जिम्मेदार कौन है?
यूनिटरी फाउंडेशन और सेंटर फॉर क्वांटम टेक्नोलॉजीज के शोधकर्ताओं की एक टीम ने इस उभरती वास्तविकता का बारीकी से अध्ययन किया है। उन्होंने इस बात की जांच की कि वर्तमान में क्वांटम सॉफ्टवेयर लिखने और बनाए रखने के लिए आर्टिफिशियल इंटेलिजेंस का उपयोग कैसे किया जा रहा है, और इस कार्य से उन मानव स्वयंसेवकों पर क्या बोझ पड़ता है जो इन परियोजनाओं को चलाते हैं। सार्वजनिक कोड रिपॉजिटरी, पांच वार्षिक हैकिंग कार्यक्रमों के रिकॉर्ड और 1,600 से अधिक सदस्यों का सर्वेक्षण करके, शोधकर्ताओं ने पाया कि हालांकि आर्टिफिशियल इंटेलिजेंस एक शक्तिशाली सहायक है, लेकिन यह एक अदृश्य बाधा (बॉटलनेक) भी पैदा कर रहा है। अध्ययन से पता चलता है कि सत्यापन के सख्त नए नियमों के बिना, वे लोग जो क्वांटम सॉफ्टवेयर को सुरक्षित रखते हैं, उस काम की जाँच करने की आवश्यकता से अभिभूत हो रहे हैं जिसे उन्होंने स्वयं नहीं लिखा है, एक ऐसी स्थिति जो वैज्ञानिक प्रगति को धीमा करने और खुली सहभागिता के लिए आवश्यक विश्वास को कम करने की धमकी देती है।
शोधकर्ताओं ने सबसे पहले यह मानचित्रित किया कि क्वांटम सॉफ्टवेयर स्टैक में आर्टिफिशियल इंटेलिजेंस का उपयोग वास्तव में कहाँ किया जा रहा है। उन्होंने पाया कि ये उपकरण बुनियादी कोड लिखने और सर्किटों को कंपाइल करने के अनुकूलन से लेकर, हार्डवेयर के लिए नियंत्रण पल्स डिजाइन करने और यहाँ तक कि त्रुटियों को सुधारने के नए तरीके खोजने में भी मदद कर रहे हैं। कुछ मामलों में, आर्टिफिशियल इंटेलिजेंस एजेंट लूप में काम कर रहे हैं, समाधान प्रस्तावित कर रहे हैं, उनका परीक्षण कर रहे हैं, और एक वैज्ञानिक लक्ष्य तक पहुँचने के लिए अपने दृष्टिकोण को परिष्कृत कर रहे हैं। यह "ऑटो-रिसर्च" दृष्टिकोण खोज को तेज करने की बड़ी संभावना रखता है। हालाँकि, टीम ने एक महत्वपूर्ण अंतर नोट किया: जबकि उपकरण विचार और कोड उत्पन्न करने में बेहतर हो रहे हैं, उनके आउटपुट को वैज्ञानिक रूप रूप से वैध सत्यापित करने के तरीके उतनी तेजी से विकसित नहीं हुए हैं। क्वांटम सॉफ्टवेयर के लिए, सत्यापन अनूठे रूप से कठिन है क्योंकि उत्तर की जाँच करने के लिए अक्सर पूरे सिस्टम का अनुकरण (सिमुलेशन) करना आवश्यक होता है, जो एक कार्य है जो शास्त्रीय कंप्यूटरों के लिए तब असंभव हो जाता है जब सिस्टम कुछ दर्जन कणों से आगे बढ़ जाता है।
इस अंतराल के वास्तविक दुनिया के प्रभाव को समझने के लिए, टीम ने डेटा का विश्लेषण किया। उन्होंने सार्वजनिक रिपॉजिटरी की हजारों फाइलों का विश्लेषण किया और पाया कि क्वांटम सॉफ्टवेयर समुदाय मुख्यधारा के सॉफ्टवेयर समुदायों की तुलना में बहुत छोटा और कम स्थिर है। जबकि मुख्यधारा की लाइब्रेरी हर महीने लाखों बार डाउनलोड की जाती हैं, क्वांटम लाइब्रेरी बहुत कम डाउनलोड देखी जाती हैं, और जो कोड उनका उपयोग करता है वह अक्सर कम दृश्यमान होता है। अधिक महत्वपूर्ण बात यह है कि उन्होंने पाया कि इस कोड की जाँच के लिए उपयोग किए जाने वाले परीक्षण लगभग हमेशा समस्याओं के बहुत छोटे, सरल संस्करणों पर चलाए जाते हैं। प्रमुख क्वांटम फ्रेमवर्क के टेस्ट सूट्स में, परीक्षण में उपयोग किए जाने वाले कणों की मध्य संख्या केवल दो है, और लगभग सभी परीक्षण बीस या उससे कम कणों पर आधारित हैं। इसका मतलब है कि वर्तमान में मौजूद सुरक्षा जाल छोटे, प्रबंधनीय समस्याओं के लिए डिज़ाइन किए गए हैं और उन त्रुटियों को पकड़ने में विफल हो सकते हैं जो वास्तविक वैज्ञानिक कार्य के लिए आवश्यक आकार तक बढ़ने पर प्रकट होती हैं।
इस कहानी का मानवीय पहलू शायद सबसे अधिक तात्कालिक है। शोधकर्ताओं ने समुदाय का सर्वेक्षण किया और पाया कि जब आर्टिफिशियल इंटेलिजेंस कोड उत्पन्न करता है, तो उसकी जाँच का बोझ मुख्य रूप से प्रोजेक्ट मेंटेनरों (रख-रखाव करने वालों) पर पड़ता है। एक हालिया सर्वेक्षण में, 79 प्रतिशत उत्तरदाताओं ने कहा कि वे आर्टिफिशियल इंटेलिजेंस द्वारा लिखे गए कोड को सत्यापित करने के लिए मैनुअल समीक्षा (मानवीय समीक्षा) पर भरोसा करते हैं, जबकि केवल 60 प्रतिशत ने स्वचालित परीक्षणों का उपयोग किया। मानवीय आँखों पर यह निर्भरता सामुदायिक कार्यक्रमों के संचालन के तरीके में बदलाव ला रही है। वार्षिक हैकथॉन के आयोजकों ने बताया कि नए योगदानकर्ताओं को मेंटरिंग (मार्गदर्शन) देने में बिताया जाने वाला समय अब उन सबमिशन की समीक्षा करने में बदल गया है जो शायद आर्टिफिशियल इंटेलिजेंस द्वारा उत्पन्न किए गए हैं। एक मेंटेनर ने अनुभव का वर्णन करते हुए कहा कि यह एक मानव शिक्षार्थी का मार्गदर्शन करने के बजाय, एक इंटरफ़ेस के माध्यम से आर्टिफिशियल इंटेलिजेंस टूल से बात करने जैसा है। डेटा बताता है कि जबकि आर्टिफिशियल इंटेलिजेंस कार्यों को पूरा करने की गति बढ़ा सकता है, यह आवश्यक रूप से नए योगदानकर्ताओं को भविष्य के मेंटेनर बनने के लिए आवश्यक कौशल सीखने में मदद नहीं करता है, और यह जोखिम पैदा करता है कि समीक्षा प्रक्रिया एक बाधा बन जाएगी जो पूरे क्षेत्र को धीमा कर देगी।
पेपर का तर्क है कि समाधान योगदान देने और सत्यापन करने के नए मानक स्थापित करने में निहित है। शोधकर्ता प्रस्ताव देते हैं कि जो कोई भी कोड सबमिट करता है, चाहे वह मानव द्वारा लिखा गया हो या आर्टिफिशियल इंटेलिजेंस द्वारा, उसे इस बात का पुनरुत्पादनीय (reproducible) प्रमाण प्रदान करना चाहिए कि उसके परिवर्तन काम करते हैं। इसका अर्थ यह है कि केवल एक सुधार सबमिट करने के बजाय, योगदानकर्ताओं को विशिष्ट परीक्षण और डेटा शामिल करना चाहिए जो यह सिद्ध करे कि सुधार सही है। उनका सुझाव है कि परियोजनाओं को ऐसे विशेष उपकरणों का उपयोग करना चाहिए जो पूरे सिस्टम का अनुकरण किए बिना सर्किट के तर्क को सत्यापित कर सकें, और ये उपकरण मानक समीक्षा प्रक्रिया का हिस्सा होने चाहिए। टीम यह भी सुझाव देती है कि परियोजनाओं को आर्टिफिशियल इंटेलिजेंस एजेंटों के लिए स्पष्ट सीमाएँ बनानी चाहिए, यह सुनिश्चित करते हुए कि वे मानव अनुमोदन के बिना हार्डवेयर पर पैसा खर्च न करें या खतरनाक सॉफ्टवेयर इंस्टॉल न करें। सत्यापन को वर्कफ़्लो का एक नियमित हिस्सा बनाकर, समुदाय यह सुनिश्चित कर सकता है कि आर्टिफिशियल इंटेलिजेंस द्वारा उत्पादित परिणाम विश्वसनीय हों और अन्य वैज्ञानिकों द्वारा उन पर भरोसा किया जा सके।
अंततः, यह कार्य स्वचालन सहायता के युग में वैज्ञानिक खोज की अखंडता को बनाए रखने के बारे में है। शोधकर्ता एक ओपन-सोर्स साथी रिपॉजिटरी का रखरखाव करते हैं ताकि परियोजनाएं इन नई प्रथाओं को अपनाने में मदद मिल सके, जिसमें सत्यापन को आसान बनाने के लिए टेम्पलेट और उपकरण उपलब्ध कराए गए हैं। वे एक ऐसे भविष्य की कल्पना करते हैं जहाँ सॉफ्टवेयर योगदान को जर्नल लेखों के समान कठोरता के साथ माना जाए, जहाँ दावे का समर्थन करने वाला साक्ष्य, दावे जितना ही महत्वपूर्ण हो। आर्टिफिशियल इंटेलिजेंस की गति को स्वतंत्र सत्यापन की कठोरता के साथ जोड़कर, क्वांटम समुदाय खुले विज्ञान को सफल बनाने वाले विश्वास और सहयोग को खोए बिना, संभावनाओं की सीमाओं को आगे बढ़ाना जारी रख सकता है। अध्ययन का निष्कर्ष है कि हालांकि आर्टिफिशियल इंटेलिजेंस अन्वेषण के लिए एक शक्तिशाली उपकरण है, लेकिन सत्यापन के प्रति मानवीय प्रतिबद्धता ही यह निर्धारित करेगी कि इसके द्वारा की गई खोजें वास्तविक हैं या नहीं।
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।