Scaling Laws for Parameter Setting in Digitized Counterdiabatic QAOA
यह शोध पत्र डिजिटाइज़्ड काउंटरडायैबेटिक QAOA में पैरामीटर सेटिंग के लिए अनुभवजन्य स्केलिंग लॉ (empirical scaling laws) प्रस्तावित करता है जो ग्राफ गुणों के आधार पर सीधे, अनुकूलन-मुक्त कोण असाइनमेंट को सक्षम बनाता है, जो सिमुलेशन में फिक्स्ड-एंगल QAOA से काफी बेहतर प्रदर्शन करता है और आदर्श एवं हार्डवेयर प्रयोगों दोनों में एप्रोक्सिमेशन रेश्यो (approximation ratios) में सुधार करता 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 लेखक ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
आधुनिक कंप्यूटिंग के विशाल परिदृश्य में, कुछ सबसे कठिन चुनौतियाँ उन असंख्य संभावनाओं में से एक सबसे अच्छी व्यवस्था खोजने से जुड़ी होती हैं। चाहे वह शहर के माध्यम से डिलीवरी ट्रकों को रूट करना हो, फैक्ट्री मशीनों का शेड्यूलिंग करना हो, या वित्तीय लेनदेन का निपटारा करना हो, ये सभी कॉम्बिनेटोरियल ऑप्टिमाइज़ेशन (combinatorial optimization) की समस्याएँ हैं। दशकों से, वैज्ञानिक क्वांटम कंप्यूटरों—जो उप-परमाणु दुनिया के अजीब नियमों का उपयोग करते हैं—की ओर देख रहे हैं ताकि वे इन पहेलियों को शास्त्रीय मशीनों की तुलना में अधिक तेज़ी से हल कर सकें। इस काम के लिए सबसे आशाजनक उपकरणों में से एक 'क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन एल्गोरिदम' (QAOA) नामक एल्गोरिदम है। इसे एक निर्देशित खोज (guided search) के रूप में समझें: कंप्यूटर एक क्वांटम अवस्था तैयार करता है, विशिष्ट संख्याओं द्वारा नियंत्रित ऑपरेशनों की एक श्रृंखला लागू करता है, और फिर परिणाम को मापता है ताकि यह देखा जा सके कि वह आदर्श समाधान के कितने करीब पहुँचा। पेच यह है कि हर नई समस्या के लिए, कंप्यूटर को आमतौर पर उपयोग किए जाने वाले सर्वोत्तम नंबरों को जानने के लिए एक लंबी, धीमी प्रक्रिया चलानी पड़ती है। यह "ट्यूनिंग" चरण समय और संसाधनों को खा जाता है, जो अक्सर उस गति लाभ को समाप्त कर देता है जो क्वांटम मशीन प्रदान करने वाली थी।
शोधकर्ताओं याओचेंग चेन और जियापेई ज़ुआंग ने एक विशिष्ट प्रकार के क्वांटम एल्गोरिदम के लिए इस बाधा को दूर करने का एक तरीका खोजा है जो भारित समस्याओं (weighted problems) को संभालने के लिए डिज़ाइन किया गया है, जहाँ वस्तुओं के बीच विभिन्न कनेक्शनों की अलग-अलग ताकत होती है। उन्होंने पाया कि एल्गोरिदम के नियंत्रणों के लिए सर्वोत्तम सेटिंग्स यादृच्छिक या हर समस्या के लिए अद्वितीय नहीं होती हैं। इसके बजाय, ये सेटिंग्स समस्या के बारे में दो सरल तथ्यों पर आधारित एक अनुमानित पैटर्न का पालन करती हैं: वस्तुओं के पास औसतन कितने कनेक्शन हैं, और उन कनेक्शनों की ताकत कितनी है। हजारों अलग-अलग समस्या सेटअपों का सिमुलेशन में अध्ययन करके, टीम ने नियमों का एक सेट बनाया जो समस्या के बुनियादी आँकड़ों को देखकर ही उसके इष्टतम सेटिंग्स की भविष्यवाणी कर सकता है। इसका मतलब है कि एक क्वांटम कंप्यूटर को एक नई, अनसुलझी समस्या दी जा सकती है और तुरंत सही निर्देश दिए जा सकते हैं ताकि वह बिना यह पता लगाए कि वे निर्देश क्या होने चाहिए, खोज शुरू कर सके कि उन निर्देशों को कैसे तय किया जाए।
टीम ने मानक एल्गोरिदम के एक परिष्कृत संस्करण पर ध्यान केंद्रित किया जिसे 'डिजिटाइज्ड काउंटरडायैबेटिक QAOA' (digitized counterdiabatic QAOA) के रूप में जाना जाता है। जबकि मानक संस्करण संभावित उत्तरों के माध्यम से गुजरने के लिए दो प्रकार के ऑपरेशनों का उपयोग करता है, यह उन्नत संस्करण तीसरे प्रकार के ऑपरेशन को जोड़ता है जो सिस्टम को विकसित होते समय फंसने या गलतियाँ करने से रोकने के लिए डिज़ाइन किया गया है। यह अतिरिक्त चरण एल्गोरिदम को अधिक शक्तिशाली बनाता है लेकिन अधिक जटिल भी, जिसके लिए प्रक्रिया की प्रत्येक परत के लिए तीन सेट नंबरों को ट्यून करने की आवश्यकता होती है। शोधकर्ताओं ने सरल रिंगों से लेकर जटिल, यादृच्छिक नेटवर्क तक, विभिन्न ग्राफ संरचनाओं (कनेक्शन के गणितीय मानचित्र) पर व्यापक ऑफलाइन सिमुलेशन चलाकर शुरुआत की। उन्होंने इन हजारों ग्राफों के लिए सर्वोत्तम प्रदर्शन खोजने के लिए सेटिंग्स को अनुकूलित किया।
इस डेटा के पहाड़ से जो सामने आया वह एक उल्लेखनीय नियमितता थी। जब शोधकर्ताओं ने कनेक्शनों के आकार और प्रति आइटम औसत लिंक की संख्या के लिए समायोजन किया, तो सभी अलग-अलग ग्राफों के इष्टतम सेटिंग्स एक घने क्लस्टर में सिमट गईं। यह ऐसा था जैसे प्रत्येक ग्राफ का विशिष्ट विवरण उतना महत्वपूर्ण नहीं था जितना कि समस्या का समग्र पैमाना। टीम ने महसूस किया कि वे सर्वोत्तम सेटिंग्स को एक सरल सूत्र का उपयोग करके वर्णित कर सकते हैं जो कनेक्शनों की औसत संख्या और लिंक की ताकत को इनपुट के रूप में लेता है। यह सूत्र एक सार्वभौमिक कुंजी (universal key) की तरह कार्य करता है: एक बार जब आप किसी नई समस्या के बुनियादी आँकड़े जान लेते हैं, तो आप उन्हें सूत्र में डाल सकते हैं और क्वांटम सर्किट चलाने के लिए आवश्यक सटीक नंबर प्राप्त कर सकते हैं। परिणाम एक "फ्रोजन" नुस्खा (frozen prescription) है, नियमों का एक निश्चित सेट जो तुरंत सही पैरामीटर असाइन करता है, जिससे लंबी खोज प्रक्रिया पूरी तरह से बच जाती है।
यह परीक्षण करने के लिए कि क्या यह शॉर्टकट वास्तव में काम करता है, शोधकर्ताओं ने 1,050 अलग-अलग टेस्ट ग्राफ्स पर सिमुलेशन चलाया जिन्हें एल्गोरिदम ने पहले कभी नहीं देखा था। उन्होंने अपने फॉर्मूला-आधारित दृष्टिकोण की तुलना एक मानक पद्धति से की जो सभी के लिए नंबरों के एक निश्चित सेट का उपयोग करती है। हर मामले में, ऑपरेशनों के केवल एक परत वाले उथले सर्किट से लेकर चार परतों वाले गहरे सर्किट तक, फॉर्मूला-आधारित पद्धति ने मानक फिक्स्ड अप्रोच की तुलना में इष्टतम समाधान को नमूना लेने की उच्च माध्य प्रायिकता (mean probability) प्रदान की। चार परतों की गहराई पर, नए तरीके के लिए माध्य इष्टतम-समाधान प्रायिकता 19.36% तक पहुँच गई, जबकि मानक फिक्स्ड अप्रोच के लिए यह 13.11% थी। यह लाभ विभिन्न प्रकार के नेटवर्क और कनेक्शन स्ट्रेंथ असाइन करने के विभिन्न तरीकों में बना रहा। शोधकर्ताओं ने वास्तविक क्वांटम प्रोसेसर, IBM ibm_fez पर छोटे, समान नेटवर्क का उपयोग करके इस पद्धति का परीक्षण किया। हालाँकि वास्तविक हार्डवेयर में शोर (noise) ने गहरे स्तरों पर परिणामों को जटिल बना दिया, फिर भी फॉर्मूला-आधारित पद्धति ने उथले स्तर पर स्पष्ट लाभ दिखाया, जिससे यह सिद्ध हुआ कि सिमुलेशन से प्राप्त नियम भौतिक मशीनों में भी अनुवादित हो सकते हैं।
अध्ययन ने यह भी पता लगाया कि क्या ये पूर्व-गणना किए गए सेटिंग्स आगे के परिशोधन (refinement) के लिए एक अच्छा शुरुआती बिंदु हो सकते हैं। एक अलग प्रयोग में, शोधकर्ताओं ने अपने फॉर्मूला द्वारा प्रदान किए गए सेटिंग्स को लिया और एक छोटे से ग्राफ सेट पर मानक अनुकूलन खोज को शुरू करने के लिए उपयोग किया। उन्होंने पाया कि फॉर्मूला के नंबरों के साथ शुरुआत करने से एक यादृच्छिक अनुमान से कहीं अधिक तेज़ी से बेहतर समाधान तक पहुँचा जा सकता है। वास्तव में, फॉर्मूला-आधारित शुरुआत ने एक यादृच्छिक खोज की तुलना में उच्च औसत गुणवत्ता वाला समाधान प्राप्त किया जो 500 प्रयासों के बाद भी प्राप्त कर सकता था। यह सुझाव देता है कि फॉर्मूला केवल खोज को बदलता नहीं है; यह एक उच्च-गुणवत्ता वाला लॉन्चपैड प्रदान करता है जो किसी भी बाद के फाइन-ट्यूनिंग को अधिक प्रभावी बनाता है।
हालाँकि, शोधकर्ता इस बात को लेकर भी सावधान थे कि उनकी पद्धति कहाँ लड़खड़ा सकती है। नियम मध्यम संख्या में कनेक्शन वाले ग्राफ से प्राप्त किए गए थे, और जब उन्होंने बहुत कम कनेक्शन वाले ग्राफ पर अपने फॉर्मूले का परीक्षण किया, तो प्रदर्शन गिर गया, विशेष रूप से गहरे सर्किट में। यह इंगित करता है कि जबकि स्केलिंग लॉ (scaling laws) शक्तिशाली हैं, उनकी सीमाएँ हैं और उन्हें हर संभव प्रकार के नेटवर्क पर अंधाधुंध लागू नहीं किया जाना चाहिए। इसके अलावा, तुलना परत-दर-परत (layer-for-layer) की गई थी, जिसका अर्थ है कि उन्नत एल्गोरिदम ने मानक वाले की तुलना में प्रति चरण अधिक भौतिक ऑपरेशनों का उपयोग किया। शोधकर्ताओं ने स्वीकार किया कि एक निष्पक्ष तुलना के लिए कुल ऑपरेशनों को ध्यान में रखना होगा, जो भविष्य के अध्ययन के लिए एक खुला प्रश्न बना हुआ है।
अंततः, यह कार्य यह प्रदर्शित करता है कि जटिल क्वांटम एल्गोरिदम के व्यवहार को उनके द्वारा हल की जाने वाली समस्याओं की सरल ज्यामिति को समझकर नियंत्रित किया जा सकता है। यह पहचानते हुए कि सर्वोत्तम सेटिंग्स नेटवर्क के विशिष्ट विवरणों के बजाय उसके पैमाने पर निर्भर करती हैं, शोधकर्ताओं ने एक कठिन, इंस्टेंस-दर-इंस्टेंस ट्यूनिंग समस्या को एक सरल गणना में बदल दिया है। यह बदलाव क्वांटम कंप्यूटरों को सीखने के बजाय समस्याओं को हल करने में अपना कीमती समय खर्च करने की अनुमति देता है, जिससे व्यावहारिक वास्तविकता के एक कदम करीब क्वांटम ऑप्टिमाइज़ेशन का वादा पूरा होता है। निष्कर्ष बताते हैं कि कई कॉम्बिनेटोरियल समस्याओं के लिए, सर्वोत्तम उत्तर का मार्ग हर बार शून्य से हल की जाने वाली रहस्यमय चीज़ नहीं है, बल्कि एक पैटर्न है जिसे सीधे समस्या की अपनी संरचना से पढ़ा 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।