Query-Efficient Quantum Multi-Objective Optimization for Materials Configuration Search via Bayesian Weight Selection
यह शोध पत्र BW-QAMOO को प्रस्तुत करता है, जो एक क्वेरी-कुशल क्वांटम मल्टी-ऑब्जेक्टिव ऑप्टिमाइज़ेशन विधि है जो QAOA के लिए ऑब्जेक्टिव वेट्स (उद्देश्य भार) को अनुकूल रूप से चुनने के लिए मल्टी-ऑब्जेक्टिव बायेसियन ऑप्टिमाइज़ेशन का उपयोग करती है, जो गैर-अनुकूली रैंडम या यूनिफॉर्म सैंपलिंग रणनीतियों की तुलना में पारेटो फ्रंट्स को ट्रेस करने के लिए आवश्यक महंगे सॉल्वर कॉल्स की संख्या को काफी कम कर देती 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
नए पदार्थों का डिज़ाइन तैयार करना शायद ही कभी किसी एक सटीक समाधान को खोजने का मामला होता है। इसके बजाय, यह प्रतिस्पर्धी जरूरतों के बीच संतुलन बनाने का एक निरंतर अभ्यास है। एक धातु मिश्र धातु (मेटल अलॉय) को इतना मजबूत होना चाहिए कि वह एक पुल को थाम सके, विमान के लिए पर्याप्त हल्का होना चाहिए, और बड़े पैमाने पर उत्पादन के लिए पर्याप्त सस्ता भी होना चाहिए। अक्सर, सामग्री को मजबूत बनाने से वह भारी या महंगी हो जाती है। वैज्ञानिक इसे एक 'बहु-उद्देश्यीय समस्या' (multi-objective problem) कहते हैं, जहाँ लक्ष्य एक विजेता खोजना नहीं, बल्कि संभावित समझौतों के पूरे परिदृश्य को मानचित्रित करना है। यह परिदृश्य 'पारेटो फ्रंट' (Pareto front) के रूप में जाना जाता है, जो डिजाइनों का एक ऐसा संग्रह है जहाँ एक गुण को बेहतर बनाने से अनिवार्य रूप से दूसरा गुण खराब हो जाता है। इन डिजाइनों को खोजने के लिए, शोधकर्ता अक्सर क्वांटम कंप्यूटरों की ओर मुड़ते हैं, जो कई परस्पर क्रिया करने वाले हिस्सों वाले जटिल पहेलियों को हल करने के लिए विशिष्ट रूप से उपयुक्त होते हैं। हालाँकि, वर्तमान क्वांटम मशीनें महंगी हैं और त्रुटियों के प्रति संवेदनशील हैं, जिससे हर एक गणना एक महंगी संसाधन बन जाती है। चुनौती केवल एक क्वांटम कंप्यूटर का उपयोग करने की नहीं है, बल्कि इसका बुद्धिमानी से उपयोग करने की है, सही प्रश्न पूछकर ताकि हर सीमित प्रयास से अधिकतम मूल्य प्राप्त किया जा सके।
IBM रिसर्च के शोधकर्ताओं ने इस दक्षता समस्या को हल करने के लिए एक नई विधि विकसित की है। उन्होंने 'क्वांटम एप्रोक्सिमेट मल्टी-ऑब्जेक्टिव ऑप्टिमाइज़ेशन' नामक एक तकनीक पर ध्यान केंद्रित किया, जो सरल समस्याओं की एक श्रृंखला को हल करके सामग्री के समझौतों के परिदृश्य को ट्रेस करने का प्रयास करती है। इस दृष्टिकोण में, विभिन्न भौतिक गुणों के बीच जटिल ट्रेड-ऑफ को भार (weights) के एक सेट का उपयोग करके एक एकल स्कोर में संयोजित किया जाता है। क्वांटम कंप्यूटर फिर उस विशिष्ट स्कोर के लिए सर्वोत्तम सामग्री विन्यास (configuration) को हल करता है। इस विधि के मूल संस्करण में ये भार यादृच्छिक (random) रूप से चुने जाते थे, जो वास्तव में पिछले परिणामों से सीखे बिना अगले परीक्षणों का अनुमान लगाने जैसा था। शोधकर्ताओं ने महसूस किया कि यह एक बर्बादी वाली रणनीति थी, विशेष रूप से जैसे-जैसे प्रतिस्पर्धी गुणों की संख्या बढ़ती गई। उन्होंने इस समस्या को एक 'लर्निंग टास्क' के रूप में पुनर्गठित किया, जिससे एक ऐसी प्रणाली बनाई गई जो एक स्मार्ट गाइड की तरह कार्य करती है। अनुमान लगाने के बजाय, यह प्रणाली उन परिणामों का एक मानसिक मानचित्र बनाती है जिन्हें इसने पहले ही देख लिया है और उस मानचित्र का उपयोग यह भविष्यवाणी करने के लिए करती है कि अगला सबसे मूल्यवान परीक्षण कहाँ होना चाहिए।
नई विधि, जिसे टीम BW-QAMOO कहती है, एक सांख्यिकीय उपकरण का उपयोग करती है जिसे 'गौसियन प्रोसेस' (Gaussian process) कहा जाता है, जो एक 'सरोगेट मॉडल' के रूप में कार्य करता है। इसे एक अत्यधिक शिक्षित अनुमान के रूप में समझें जो उन डेटा बिंदुओं के बीच के अंतराल को भरता है जो क्वांटम कंप्यूटर पहले ही प्रदान कर चुका है। प्रत्येक चरण में, प्रणाली उस अनपरीक्षित भार संयोजन की गणना करती है जिसके द्वारा एक नया, मूल्यवान सामग्री डिज़ाइन मिलने की सबसे अधिक संभावना है जो अभी तक नहीं मिला है। यह दो प्रवृत्तियों के बीच संतुलन बनाता है: डिज़ाइन स्पेस के नए, अनछुए क्षेत्रों की खोज करना (exploring) और उन आशाजनक क्षेत्रों का लाभ उठाना (exploiting) जिन्हें इसने पहले ही पहचान लिया है। यह प्रक्रिया 'एक्सपेक्टेड हाइपरवॉल्यूम इम्प्रूवमेंट' (expected hypervolume improvement) नामक एक मीट्रिक द्वारा निर्देशित होती है, जो अनिवार्य रूप से यह पूछती है, "यदि हम इस विशिष्ट संयोजन का परीक्षण करते हैं, तो हम कुल परिदृश्य को कितना अधिक समझ पाएंगे?" इन गणनाओं के आधार पर अगले परीक्षण को चुनने से, प्रणाली उन संयोजनों पर समय बर्बाद करने से बचती है जो नए अंतर्दृष्टि देने की संभावना नहीं रखते हैं।
अपने विचार का परीक्षण करने के लिए, शोधकर्ताओं ने एक 'फ्रस्ट्रेटेड अलॉय' (frustrated alloy) में परमाणुओं के विन्यास से जुड़े परिदृश्य का अनुकरण (simulate) किया, जो एक प्रकार की ऐसी सामग्री है जहाँ परमाणु एक स्थिर पैटर्न में बैठने के लिए संघर्ष करते हैं। उन्होंने तीन और चार प्रतिस्पर्धी ऊर्जा उद्देश्यों के साथ प्रयोग स्थापित किए, जो उन भौतिक गुणों का प्रतिनिधित्व करते हैं जिन्हें सामग्री को संतुष्ट करने की आवश्यकता थी। उन्होंने अपने नए स्मार्ट चयन पद्धति को मूल रैंडम पद्धति और एक तीसरी पद्धति के साथ चलाया, जो एक कठोर, पूर्व-निर्ത്തിയ ग्रिड में भार का परीक्षण करती थी। परिणामों ने स्मार्ट दृष्टिकोण के स्पष्ट लाभ को दिखाया। सिमुलेशन में, नई विधि ने मौजूदा रैंडम पद्धति की तुलना में काफी कम क्वांटम गणनाओं का उपयोग करके सामग्री परिदृश्य की समझ का समान स्तर प्राप्त किया। औसतन, इसे 90 प्रतिशत संभावित सर्वोत्तम डिजाइनों को खोजने के लिए रैंडम पद्धति की तुलना में लगभग एक-तिहाई कम प्रयासों की आवश्यकता पड़ी। जब इसकी तुलना कठोर ग्रिड पद्धति से की गई, तो बचत और भी नाटकीय थी, जिसमें नए दृष्टिकोण को तीन-चौथाई तक कम गणनाओं की आवश्यकता पड़ी।
यह अध्ययन इस बात पर प्रकाश डालता है कि स्मार्ट चयन का लाभ तब बढ़ता है जब समस्या अधिक जटिल हो जाती है। जब केवल कुछ ही गुणों को संतुलित करना होता है, तो रैंडम अनुमान भाग्यशाली हो सकता है। लेकिन जैसे-जैसे प्रतिस्पर्धी उद्देश्यों की संख्या बढ़ती है, संभावनाओं का स्थान तेजी से फैलता है, और रैंडम अनुमान तेजी से अक्षम होता जाता है। शोधकर्ताओं ने पाया कि जैसे-जैसे उन्होंने मिश्रण में अधिक उद्देश्य जोड़े, उनकी अनुकूलित (adaptive) पद्धति और भी प्रभावी होती गई। यह सुझाव देता है कि वास्तविक सामग्री विज्ञान के जटिल, बहु-आयामी समस्याओं के लिए, एक निर्देशित दृष्टिकोण एक अंधे अनुमान की तुलना में कहीं अधिक श्रेष्ठ है। यह कार्य एक सिम्युलेटेड क्वांटम कंप्यूटर का उपयोग करके किया गया था, जिसका अर्थ है कि परिणाम एक 'प्रूफ ऑफ कॉन्सेप्ट' हैं न कि वास्तविक हार्डवेयर पर प्रदर्शन। शोधकर्ता स्वीकार करते हैं कि वास्तविक क्वांटम मशीनें शोर (noise) और देरी पेश करती हैं जो प्रदर्शन को प्रभावित कर सकती हैं, लेकिन क्वांटम संसाधनों को निर्देशित करने के लिए क्लासिकल इंटेलिजेंस का उपयोग करने का मूल तर्क सुदृढ़ है।
यह शोध एक ऐसे भविष्य की ओर इशारा करता है जहाँ क्वांटम कंप्यूटर अलग-थलग नहीं होंगे, बल्कि उन्हें उनके संसाधनों का प्रबंधन करने वाली क्लासिकल आर्टिफिशियल इंटेलिजेंस के घेरे में रखा जाएगा। क्वांटम सॉल्वर एक शक्तिशाली लेकिन महंगी 'ओरेकल' (oracle) के रूप में कार्य करता है, जो विशिष्ट प्रश्नों के उत्तर देता है, जबकि एक क्लासिकल लर्निंग सिस्टम यह तय करता है कि कौन से प्रश्न पूछने योग्य हैं। यह साझेदारी वैज्ञानिकों को पूर्ण, त्रुटि-रहित मशीनों की प्रतीक्षा किए बिना निकट-अवधि की क्वांटम तकनीक का अधिकतम लाभ उठाने की अनुमति देती है। टीम का कहना है कि अगले चरणों में इस पद्धति का वास्तविक क्वांटम हार्डवेयर पर परीक्षण करना और इसे सरलीकृत मॉडलों के बजाय जटिल परमाणु अंतःक्रियाओं वाली वास्तविक सामग्रियों पर लागू करना शामिल है। वे इस दृष्टिकोण के साथ यह भी पता लगाने की योजना बना रहे हैं कि यह एक ही मिश्र धातु में दो से अधिक प्रकार के परमाणुओं को कैसे संभाल सकता है, जो उन्नत 'हाई-एंट्रॉपी अलॉय' की एक सामान्य विशेषता है। अपने मशीनों के उपयोग को परिष्कृत करके, शोधकर्ताओं का मानना है कि वे अधिक मजबूत, हल्के और अधिक कुशल नए पदार्थों की खोज को तेज कर सकते हैं, जिससे क्वांटम कंप्यूटिंग की सैद्धांतिक शक्ति को व्यावहारिक वैज्ञानिक प्रगति में बदला जा सके।
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।