GENIE: learned quantum circuits as embedding impurity solvers, and why compactness, not correlation strength, decides when they work
यह शोध पत्र GENIE को प्रस्तुत करता है, जो एक DMET इम्प्योरिटी सॉल्वर है जो क्वांटम सैंपलिंग सर्किटों को सीखने के लिए एक जनरेटिव ट्रांसफार्मर का उपयोग करता है, यह प्रदर्शित करते हुए कि हालांकि यह फिक्स्ड सर्किटों से बेहतर प्रदर्शन करता है और क्लासिकल सिलेक्शन की सटीकता के करीब पहुँचता है, इसकी सफलता सहसंबंध शक्ति (correlation strength) के बजाय वेवफंक्शन कॉम्पैक्टनेस (wavefunction compactness) द्वारा निर्धारित होती है, और वर्तमान में इसे क्लासिकल विधियों के साथ प्रतिस्पर्धा करने के लिए फॉल्ट-टोलरेंट हार्डवेयर की आवश्यकता 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
परमाणु कैसे बंधकर अणु बनाते हैं, इसे समझने की खोज में वैज्ञानिकों को अक्सर पैमाने की विशालता की समस्या का सामना करना पड़ता है। एक अणु के व्यवहार की भविष्यवाणी करने के लिए, किसी को इसके इलेक्ट्रॉनों को नियंत्रित करने वाले समीकरणों को हल करना होता है। सरल प्रणालियों के लिए, यह सीधा है, लेकिन जैसे-जैसे अणु बड़े होते हैं या उनके बंध खिंचते हैं, इलेक्ट्रॉन व्यवस्थाओं की संभावित संख्या खरबों में बदल जाती है। पारंपरिक कंप्यूटर इस जटिलता के साथ संघर्ष करते हैं, और अक्सर अणु के एक छोटे हिस्से की पूर्ण सटीकता के साथ गणना करने या पूरे अणु की अनुमानित गणना करने के बीच किसी एक को चुनने के लिए मजबूर होते हैं। क्वांटम कंप्यूटर एक संभावित बचाव मार्ग प्रदान करते हैं। हर संभावना की गणना करने के बजाय, उन्हें कुछ सबसे महत्वपूर्ण व्यवस्थाओं का प्रस्ताव देने के लिए प्रोग्राम किया जा सकता है, जिसका विश्लेषण फिर एक क्लासिकल कंप्यूटर द्वारा अणु की ऊर्जा खोजने के लिए किया जाता है। यह दृष्टिकोण, जिसे सैंपल-आधारित क्वांटम डायगोनलाइजेशन (sample-based quantum diagonalization) कहा जाता है, एक क्वांटम सर्किट पर निर्भर करता है जो एक फिल्टर के रूप में कार्य करता है, जो संभावनाओं के विशाल समुद्र से प्रासंगिक विन्यासों (configurations) का चयन करता है। हालाँकि, वर्षों तक, ये फिल्टर स्थिर थे, जो निश्चित नियमों के साथ बनाए गए थे जो अक्सर सबसे महत्वपूर्ण व्यवस्थाओं को चूक जाते थे, जिससे शोधकर्ता इस बात को लेकर अनिश्चित रहते थे कि क्या क्वांटम कंप्यूटर वास्तव में सही जानकारी चुन रहा है या केवल यादृच्छिक अनुमानों से स्थान भर रहा है।
फ्रौनहोफर इंस्टीट्यूट फॉर इंडस्ट्रियल मैथमेटिक्स की एक टीम ने इस चयन समस्या को हल करने के लिए GENIE नामक एक नई विधि पेश की है। एक कठोर, पूर्व-निर्मित फिल्टर का उपयोग करने के बजाय, उन्होंने एक जनरेटिव आर्टिफिशियल इंटेलिजेंस मॉडल को प्रशिक्षित किया है कि वह अपने स्वयं के क्वांटम सर्किट को बनाना सीख सके। यह मॉडल एक छात्र की तरह कार्य करता है जो इलेक्ट्रॉन व्यवस्थाओं का प्रस्ताव देने का अभ्यास करता है, यह जाँचता है कि उसके सुझाव अणु की वास्तविक ऊर्जा के साथ कितनी अच्छी तरह मेल खाते हैं, और फिर अगली बार बेहतर करने के लिए अपनी रणनीति को समायोजित करता है। शोधकर्ताओं ने इस प्रणाली का परीक्षण नाइट्रोजन अणुओं और हाइड्रोजन परमाणुओं की श्रृंखलाओं पर किया, और मौजूदा सर्वोत्तम क्लासिकल विधियों तथा निश्चित क्वांटम सर्किटों के विरुद्ध AI के प्रदर्शन की तुलना की। उन्होंने पाया कि AI वास्तव में सबसे महत्वपूर्ण इलेक्ट्रॉन व्यवस्थाओं को चुनने में सक्षम था, जो अक्सर समान विकल्पों के दिए जाने पर शीर्ष-स्तरीय क्लासिकल एल्गोरिदम की सटीकता से मेल खाता था। हालाँकि, अध्ययन ने एक कठिन सीमा भी उजागर की: AI की सफलता पूरी तरह से इस बात पर निर्भर करती है कि अणु का स्टेट (state) कितना "कॉम्पैक्ट" (compact) है। यदि अणु को सटीक रूप से वर्णित करने के लिए बड़ी संख्या में विभिन्न व्यवस्थाओं की आवश्यकता होती है, तो AI उन्हें खोजने में विफल रहता है, चाहे वह कितना भी प्रशिक्षण क्यों न ले ले।
GENIE प्रणाली का मूल एक जनरेटिव ट्रांसफार्मर है, जो एक प्रकार का मशीन लर्निंग मॉडल है जिसका उपयोग आमतौर पर भाषा के लिए किया जाता है, लेकिन यहाँ क्वांटम सर्किटों को डिजाइन करने के लिए पुन: उपयोग किया गया है। एक मानक क्वांटम दृष्टिकोण में, एक निश्चित सर्किट लाखों यादृच्छिक विन्यासों को चुन सकता है, इस उम्मीद में कि सही विन्यास मिल जाएंगे। इसके विपरीत, GENIE विशिष्ट ऑपरेशनों के एक ऐसे अनुक्रम का प्रस्ताव करने के लिए सीखता है जो सबसे महत्वपूर्ण विन्यासों को लक्षित करता है। शोधकर्ताओं ने इसका परीक्षण विभिन्न लंबाई तक खींचे गए नाइट्रोजन अणुओं और हाइड्रोजन श्रृंखलाओं पर किया। जब बजट केवल 200 इलेक्ट्रॉन व्यवस्थाओं तक सीमित था—जो कुल संभावनाओं का एक बहुत छोटा हिस्सा है—तो AI-चयनित सेट सबसे अच्छे क्लासिकल चयन विधियों के लगभग उतना ही सटीक था, और निश्चित सर्किटों की तुलना में कहीं अधिक श्रेष्ठ था जो केवल यादृच्छिक रूप से नमूने लेते थे। वास्तव में, निश्चित सर्किट अक्सर सैकड़ों गुना कम सटीक थे क्योंकि वे अणु की ऊर्जा का वर्णन करने के लिए आवश्यक विशिष्ट, महत्वपूर्ण व्यवस्थाओं तक पहुँचने में विफल रहे।
इस सफलता के बावजूद, यह शोध स्पष्ट रूप से इस विचार को खारिज करता है कि यह विधि एक सार्वभौमिक समाधान है जो सभी क्लासिकल कंप्यूटरों को हरा देगी। शोधकर्ताओं ने पाया कि AI का प्रदर्शन इलेक्ट्रॉनों के बीच सहसंबंध (correlation) की मजबूती से निर्धारित नहीं होता है, जो रसायन विज्ञान में कठिनाई का एक सामान्य पैमाना है, बल्कि इस बात से होता है कि स्टेट को वर्णित करने के लिए कितने अलग-अलग व्यवस्थाओं की आवश्यकता है। जब आवश्यक व्यवस्थाओं की संख्या कंप्यूटर की मेमोरी सीमा के सापेक्ष बहुत अधिक हो गई, तो AI विफल हो गया। उदाहरण के लिए, एक खींची हुई हाइड्रोजन श्रृंखला पर, AI लक्ष्य से काफी पीछे रह गया क्योंकि स्टेट बहुत अधिक "फैला हुआ" था जिसे सर्किट तक पहुँचना संभव नहीं था। इन मामलों में, AI इसलिए विफल नहीं हुआ क्योंकि वह पर्याप्त स्मार्ट नहीं था, बल्कि इसलिए क्योंकि समस्या स्वयं उस चुने गए तरीके के लिए बहुत बड़ी थी। अध्ययन ने दिखाया कि मानक रासायनिक गणनाओं पर आधारित एक सरल अनुमान इन विफलताओं की अग्रिम भविष्यवाणी कर सकता है, जो एक राउटर के रूप में कार्य करता है कि शोधकर्ताओं को कब इस AI पद्धति का उपयोग करना चाहिए और कब किसी अन्य रणनीति पर स्विच करना चाहिए।
इस कार्य ने इस तरह के शोध के रिपोर्टिंग के दो महत्वपूर्ण दोषों पर भी प्रकाश डाला। पहला, ऑर्बिटल्स को वर्णित करने के लिए उपयोग किए जाने वाले गणितीय आधार (basis) का चुनाव किसी विधि को कृत्रिम रूप से अच्छा या बुरा दिखा सकता है; शोधकर्ताओं ने दिखाया कि गलत बेसिस का उपयोग करने से आदेशों (orders of magnitude) के अंतर से श्रेष्ठता का भ्रम पैदा हो सकता है। दूसरा, क्वांटम सैंपलिंग के परिणाम सिमुलेशन के यादृच्छिक शुरुआती बिंदु, या "सीड" (seed), के आधार पर बहुत भिन्न हो सकते हैं। एक भाग्यशाली रन एक बड़ी सफलता के रूप में दिख सकता है, जबकि उसी सिस्टम के अन्य रन विफल हो सकते हैं। लेखक जोर देते हैं कि वास्तविक तस्वीर प्राप्त करने के लिए, एक को कई सीड्स के परिणामों की रिपोर्ट करनी चाहिए और चुनी गई व्यवस्थाओं की बिल्कुल समान संख्या पर सर्वोत्तम क्लासिकल विधियों के विरुद्ध तुलना करनी चाहिए, न कि क्वांटम डिवाइस की सैद्धांतिक सीमा के विरुद्ध।
व्यावहारिक अनुप्रयोग के संदर्भ में, अध्ययन बताता है कि हालांकि GENIE विशिष्ट, कॉम्पैक्ट समस्याओं के लिए एक शक्तिशाली उपकरण है, लेकिन यह अभी तक सभी रासायनिक सिमुलेशन के लिए क्लासिकल विधियों को बदलने के लिए तैयार नहीं है। प्रभावी ढंग से काम करने के लिए आवश्यक सर्किट वर्तमान के शोर वाले (noisy) क्वांटम हार्डवेयर के लिए बहुत गहरे और जटिल हैं। यदि इन्हें वर्तमान उपकरणों पर चलाया जाए, तो शोर परिणामों को अस्त-व्यस्त कर देगा, जिससे सिस्टम सही चयन करने के बजाय यादृच्छिक डेटा से स्थान भर देगा। इसलिए, इस पद्धति को शुरुआती फॉल्ट-टोलरेंट (fault-tolerant) क्वांटम कंप्यूटरों की ओर एक पथ के रूप में देखा जाना चाहिए, जहाँ त्रुटि सुधार (error correction) इन गहरे, सीखे हुए सर्किटों को कार्य करने की अनुमति देगा। फिलहाल, सबसे मूल्यवान निष्कर्ष एक स्पष्ट सीमा की पहचान करना है: क्वांटम चयन विधियाँ तब अच्छी तरह से काम करती हैं जब स्टेट कॉम्पैक्ट होता है, लेकिन वे संघर्ष करती हैं जब स्टेट फैला हुआ होता है, एक ऐसा अंतर जिसे किसी भी क्वांटम कंप्यूटर को चालू करने से पहले ही अनुमानित किया जा सकता है।
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।