Inferring the Number of Quantum State Transfers with Neural Networks

एक भविष्य के क्वांटम इंटरनेट की विशाल, शांत वास्तुकला में, सूचना तारों या फाइबर ऑप्टिक्स के माध्यम से नहीं, बल्कि क्वांटम कणों के नाजुक, अदृश्य संबंधों के माध्यम से यात्रा करती है। इस सूचना को स्थानांतरित करने का एक आशाजनक तरीका चुंबकों की एक श्रृंखला का उपयोग करना है, जिन्हें 'स्पिन्स' कहा जाता है और जो एक रेखा में व्यवस्थित होते हैं। उन डोमिनोज़ की एक पंक्ति की कल्पना करें जहाँ पहले को गिराने से पूरी पंक्ति में गति की एक लहर चलती है, जो दूसरे छोर तक एक संदेश ले जाती है। एक आदर्श दुनिया में, वैज्ञानिक प्रत्येक संदेश के बाद पूरी पंक्ति को उसकी प्रारंभिक स्थिति में रीसेट कर देंगे, जिससे अगले प्रसारण के लिए एक स्वच्छ आधार सुनिश्चित हो सके। हालाँकि, भौतिक प्रयोगों की अव्यवस्थपूर्ण वास्तविकता में, रीसेट करना धीमा और कठिन होता है। यदि श्रृंखला का बार-बार उपयोग किया जाता है और उसे साफ नहीं किया जाता है, तो पिछले संदेशों की धुंधली गूँज बनी रहती है, जो माध्यम में रह जाती है और नए प्रसारणों में हस्तक्षेप करती है। इस लंबे समय तक रहने वाले प्रभाव को 'मेमोरी' (स्मृति) के रूप में जाना जाता है। वर्षों तक, इस स्मृति को केवल एक बाधा के रूप में देखा गया, शोर का एक स्रोत जो सिग्नल की गुणवत्ता को कम करता है। लेकिन एक नई जांच एक अलग प्रश्न पूछती है: यदि चैनल अपने अतीत को याद रखता है, तो क्या वह स्मृति डेटा पर अपनी छाप छोड़ती है? क्या श्रृंखला का कितनी बार उपयोग किया गया है, इसका इतिहास सीधे प्राप्त संदेश से पढ़ा जा सकता है, भले ही प्राप्तकर्ता के पास गिनती जानने का कोई अन्य तरीका न हो?

मालटा विश्वविद्यालय के शोधकर्ताओं के एक दल ने इस प्रश्न का उत्तर देने के लिए हाथ बढ़ाया है, उन्होंने इस समस्या को समीकरणों से हल किए जाने वाले भौतिकी के पहेली के रूप में नहीं, बल्कि एक कंप्यूटर के लिए पैटर्न-पहचान चुनौती के रूप में देखा। उन्होंने एक विशिष्ट प्रकार की क्वांटम श्रृंखला पर ध्यान केंद्रित किया जिसे एक विशिष्ट समय पर पूर्ण सटीकता के साथ सूचना स्थानांतरित करने के लिए डिज़ाइन किया गया था। अपने सिमुलेशन में, उन्होंने इस श्रृंखला का बार-बार उपयोग किया, बिना इसके बीच में रीसेट किए, लगातार पाँच बार। वास्तविक दुनिया की खामियों की नकल करने के लिए, उन्होंने परिणाम की जाँच करने के समय में एक छोटी, निरंतर त्रुटि पेश की, यह सुनिश्चित करते हुए कि श्रृंखला को कभी भी बिल्कुल सटीक क्षण पर नहीं पढ़ा गया। इन पाँच उपयोगों में से प्रत्येक के लिए, उन्होंने एक रैंडम क्वांटम अवस्था (स्टेट) श्रृंखला में भेजी और जो अवस्था बाहर आई उसे रिकॉर्ड किया। मुख्य कार्य सरल लेकिन गहन था: केवल इनपुट स्टेट और आउटपुट स्टेट को देखते हुए, क्या एक मशीन लर्निंग एल्गोरिदम यह निर्धारित कर सकता था कि यह कौन सा उपयोग संख्या थी? क्या यह श्रृंखला का पहला उपयोग था, या पाँचवाँ?

शोधकर्ताओं ने इसे हल करने के लिए एक साधारण प्रकार के कृत्रिम बुद्धिमत्ता, जिसे 'फीड-फॉरवर्ड न्यूरल नेटवर्क' के रूप में जाना जाता है, को प्रशिक्षित किया। उन्होंने कंप्यूटर को हजारों उदाहरण दिए, जिनमें से प्रत्येक में भेजी गई अवस्था का विवरण, प्राप्त हुई अवस्था और सही उत्तर (कि वह कौन सा उपयोग था) शामिल थे। कंप्यूटर को यह सीखना था कि पहली बार के उपयोग और दूसरे, तीसरे, चौथे और पाँचवें उपयोग के व्यवहार में सूक्ष्म अंतर क्या हैं। परिणाम आश्चर्यजनक थे। नेटवर्क ने नब्बे प्रतिशत से अधिक सटीकता के साथ सही उपयोग संख्या की पहचान करना सीख लिया। इसका अर्थ यह है कि एकल ट्रांसमिशन के डेटा को देखकर, सिस्टम उच्च विश्वसनीयता के साथ चैनल के इतिहास को बता सकता था, प्रभावी रूप से मशीन को छुए बिना या उसके संचालन को रोके बिना उसकी स्मृति को पढ़ सकता था।

टीम ने पाया कि डेटा को कंप्यूटर को जिस तरह से वर्णित किया जाता है, वह बहुत मायने रखता है। क्वांटम अवस्थाओं को कई तरीकों से वर्णित किया जा सकता है, और शोधकर्ताओं ने दो अलग-अलग विधियों का परीक्षण किया। पहली विधि ने अवस्था का एक पूर्ण, विस्तृत विवरण उपयोग किया, जिसमें इसके सभी दिशात्मक घटक शामिल थे। दूसरी विधि ने एक सरलीकृत विवरण का उपयोग किया जो श्रृंखला की भौतिकी में एक विशिष्ट समरूपता (सिमेट्री) का लाभ उठाता है, जिससे अप्रासंगिक जानकारी को हटा दिया गया। यह सरलीकृत दृष्टिकोण कहीं अधिक कुशल साबित हुआ। इसने न केवल सटीकता को लगभग पचानवे प्रतिशत तक बढ़ा दिया, बल्कि उस स्तर तक पहुँचने के लिए काफी कम प्रशिक्षण डेटा की भी आवश्यकता पड़ी। वास्तव में, सरलीकृत विधि को पूर्ण विवरण के समान प्रदर्शन प्राप्त करने के लिए चार से सात गुना कम उदाहरणों की आवश्यकता थी। यह सुझाव देता है कि अंतर्निहित भौतिकी को समझकर, वैज्ञानिक मशीनों को तेजी से और अधिक प्रभावी ढंग से सीखना सिखा सकते हैं, शोर को अनदेखा कर सकते हैं और उस सिग्नल पर ध्यान केंद्रित कर सकते हैं जो वास्तव में महत्वपूर्ण है।

अध्ययन ने यह भी प्रकट किया कि डेटा की मात्रा सीखने की प्रक्रिया को कैसे प्रभावित करती है। शोधकर्ताओं ने पाया कि सिस्टम की सटीकता प्रदान किए गए उदाहरणों की कुल संख्या पर निर्भर थी, लेकिन इससे कोई फर्क नहीं पड़ता था कि वे उदाहरण कई अलग-अलग इनपुट स्टेट्स से आए थे या कई अलग-अलग टाइमिंग एरर्स (समय संबंधी त्रुटियों) से। दोनों कारक समान रूप से महत्वपूर्ण थे; जो मायने रखता था वह उनका गुणनफल था। यह निष्कर्ष भविष्य के प्रयोगों के लिए एक व्यावहारिक मार्गदर्शिका प्रदान करता है: एक विश्वसनीय प्रणाली बनाने के लिए, आपको हर संभव टाइमिंग एरर या हर संभव स्टेट का नमूना लेने के लिए जुनूनी होने की आवश्यकता नहीं है, बशर्ते डेटा की कुल मात्रा पर्याप्त हो। इसके अलावा, सिस्टम ने एक उल्लेखनीय सामान्यीकरण (जनरलाइजेशन) क्षमता दिखाई। यह उन टाइमिंग एरर्स के लिए भी सही उपयोग संख्या की पहचान कर सकता था जिन्हें प्रशिक्षण के दौरान कभी नहीं देखा गया था, जिससे पता चलता है कि इसने केवल विशिष्ट बिंदुओं को याद करने के बजाय भौतिक प्रक्रिया की सुचारू, निरंतर प्रकृति को सीखा था।

जब सिस्टम ने गलतियाँ कीं, तो वे शायद ही कभी बेतुके अनुमान थे। शोधकर्ताओं ने त्रुटियों का विश्लेषण किया और पाया कि जब कंप्यूटर गलत होता था, तो वह आमतौर पर सत्य के बहुत करीब का नंबर चुनता था। उदाहरण के लिए, यदि श्रृंखला अपने चौथे उपयोग पर थी, तो सिस्टम के सबसे अधिक संभावना थी कि वह तीसरे या पाँचवें उपयोग का अनुमान लगाएगा, न कि पहले का। यह इंगित करता है कि सिस्टम ने घटनाओं के क्रम को समझा था, भले ही वह पूरी तरह से सटीक न हो। वे कुछ त्रुटियाँ जो बड़े उछाल वाली थीं—जैसे कि पाँचवें उपयोग के समय पहले उपयोग का अनुमान लगाना—लगभग हमेशा तब हुईं जब टाइमिंग एरर अत्यंत कम, यानी सटीक क्षण के करीब था। इस विशिष्ट क्षेत्र में, श्रृंखला की स्मृति इतनी धुंधली होती है कि उपयोगों के बीच के अंतर बहुत सूक्ष्म होते हैं, जिससे उन्हें पहचानना लगभग असंभव हो जाता है। यह पुष्टि करता है कि सिस्टम केवल पैटर्न का भ्रम नहीं पाल रहा है, बल्कि वास्तव में मेमोरी प्रभाव की भौतिक सीमाओं के प्रति प्रतिक्रिया दे रहा है।

अंततः, यह कार्य प्रदर्शित करता है कि एक क्वांटम चैनल की स्मृति, जिसे अक्सर एक दोष मानकर खारिज कर दिया जाता है, वास्तव में सूचना का एक समृद्ध स्रोत है। यह इनपुट और आउटपुट व्यवहार में अपने चैनल के इतिहास का रिकॉर्ड छोड़ता है। आधुनिक लर्निंग टूल्स का उपयोग करके, इस रिकॉर्ड को ट्रांसमिशन डेटा से ही निकाला जा सकता है, बिना माध्यम की जांच किए या संचार को बाधित किए। यह क्षमता भविष्य के क्वांटम नेटवर्क के प्रबंधन के लिए महत्वपूर्ण हो सकती है, जिससे इंजीनियरों को उपकरणों को कैलिब्रेट करने, ड्रिफ्ट (विचलन) की निगरानी करने और केवल बहते हुए डेटा को सुनकर संसाधनों का हिसाब रखने में मदद मिल सकती है। यह अध्ययन दिखाता है कि एक ऐसे सिस्टम में जहाँ बार-बार उपयोग से सूचना क्षीण होती है, उस क्षरण का इतिहास खोता नहीं है; यह सिग्नल में समाहित है, जो सही प्रकार के पर्यवेक्षक द्वारा पढ़े जाने की प्रतीक्षा कर रहा है।