Classical training of conditional instantaneous quantum polynomial-time Born machines

भौतिकी और कंप्यूटर विज्ञान के शांत कोनों में, शोधकर्ता एक नए प्रकार की कृत्रिम बुद्धिमत्ता (आर्टिफिशियल इंटेलिजेंस) की खोज कर रहे हैं जो क्वांटम कंप्यूटरों के भीतर रहती है। हमारी जेबों में मौजूद शास्त्रीय (क्लासिकल) कंप्यूटरों के विपरीत, जो जानकारी को शून्य और एक के एक सरल अनुक्रम के रूप में संसाधित करते हैं, क्वांटम मशीनें उन कणों का उपयोग करती हैं जो एक साथ कई अवस्थाओं में मौजूद हो सकते हैं। यह अनूठी क्षमता उन्हें उन समस्याओं से निपटने की अनुमति देती है जिन्हें हल करने में साधारण कंप्यूटरों को हजारों साल लग सकते हैं। एक आशाजनक अनुप्रयोग जनरेटिव मॉडलिंग (generative modeling) है, जहाँ एक मशीन किसी जटिल प्रणाली के छिपे हुए पैटर्न को सीखती है—जैसे कि परमाणु किसी सामग्री में खुद को कैसे व्यवस्थित करते हैं या पिक्सेल एक चेहरे का निर्माण कैसे करते हैं—और फिर उस प्रणाली के नए, वास्तविक उदाहरण बनाती है। चुनौती हमेशा इन मशीनों को प्रशिक्षित करने की रही है। क्योंकि क्वांटम कंप्यूटर अभी भी नाजुक और चलाने में महंगे हैं, वैज्ञानिक उन्हें पहले शास्त्रीय कंप्यूटरों का उपयोग करके सिखाने के तरीके खोज रहे हैं, ताकि डेटा उत्पन्न करने के अंतिम कार्य के लिए ही क्वांटम हार्डवेयर को बचाया जा सके।

शोधकर्ताओं के एक दल ने अब विशेष रूप से 'बॉर्न मशीन' (Born machine) नामक एक विशिष्ट प्रकार के क्वांटम मॉडल के लिए ठीक ऐसा करने का एक तरीका विकसित किया है। ये मॉडल क्वांटम प्रणालियों के सांख्यिकीय व्यवहार की नकल करने के लिए डिज़ाइन किए गए हैं। शोधकर्ताओं ने एक एकल क्वांटम सर्किट को विभिन्न परिदृश्यों के एक पूरे परिवार को संभालने के लिए प्रशिक्षित करने का एक तरीका खोजा है, न कि केवल एक निश्चित स्थिति के लिए। कल्पना कीजिए कि एक अकेला कलाकार है जो केवल यह बताए जाने पर कि किस मौसम का चित्रण करना है, ग्रीष्म, शीत, वसंत और शरद ऋतु के परिदृश्य को चित्रित कर सकता है, बिना प्रत्येक के लिए एक पूरी तरह से नई पेंटिंग तकनीक सीखने की आवश्यकता के। टीम ने पाया कि क्वांटम कंप्यूटर के शुरुआती अवस्था (starting state) में "मौसम" को सीधे एनकोड करके, वे मशीन को पूरी तरह से शास्त्रीय कंप्यूटर पर प्रशिक्षित कर सकते थे। एक बार प्रशिक्षित होने के बाद, मशीन को किसी भी स्थिति के लिए, यहाँ तक कि उन स्थितियों के लिए भी जिन्हें उसने पहले कभी नहीं देखा था, डेटा उत्पन्न करने के लिए वास्तविक क्वांटм डिवाइस पर तैनात किया जा सकता है।

उनकी खोज का मूल इस बात में निहित है कि उन्होंने क्वांटम कंप्यूटर को निर्देश प्राप्त करने के लिए कैसे तैयार किया। पिछले तरीकों ने क्वांटम सर्किट के आंतरिक नॉब्स (knobs) को स्थिति के आधार पर समायोजित करने की कोशिश की, जो थोड़ा वैसा ही है जैसे कार के चलते समय उसके इंजन को बदलने की कोशिश करना। नया दृष्टिकोण इसके बजाय इंजन शुरू होने से पहले ईंधन को बदल देता है। वे क्वांटम सर्किट को एक विशिष्ट शुरुआती अवस्था खिलाते हैं जिसमें स्थिति के बारे में जानकारी पहले से ही शामिल होती है, जैसे कि एक विशिष्ट तापमान या एक विशेष सेटिंग। सर्किट फिर इस शुरुआती अवस्था पर संचालन का एक एकल, साझा सेट लागू करता है। चूंकि शुरुआती अवस्था में स्थिति समाहित होती है, इसलिए सर्किट को हर नए परिदृश्य के लिए पुन: प्रशिक्षित या पुन: कॉन्फ़िगर करने की आवश्यकता नहीं होती है। यह शोधकर्ताओं को अपने मॉडल को शास्त्रीय सिमुलेशन का उपयोग करके प्रशिक्षित करने की अनुमति देता है, जो तेज़ और विश्वसनीय हैं, और फिर अंतिम संस्करण को क्वांटम प्रोसेसर पर चलाने की अनुमति देता है।

इस विचार का परीक्षण करने के लिए, टीम ने दो अलग-अलग चुनौतियों पर ध्यान केंद्रित किया। सबसे पहले, उन्होंने वितरण के एक गणितीय परिवार पर गौर किया जहाँ औसत और फैलाव को स्वतंत्र रूप से ट्यून किया जा सकता है। उन्होंने एक मॉडल को इन विविधताओं को संभालने के लिए प्रशिक्षित किया और पाया कि यह उन संयोजनों के लिए परिणामों की सफलतापूर्वक भविष्यवाणी कर सकता है जिनका सामना इसने प्रशिक्षण के दौरान कभी नहीं किया था। इस परीक्षण में, उनकी विधि पुरानी तकनीकों की तुलना में काफी अधिक सटीक थी जो प्रत्येक स्थिति के लिए सर्किट के आंतरिक मापदंडों को समायोजित करने की कोशिश करती थीं। नए दृष्टिकोण ने समस्या की अंतर्निहित संरचना को इतनी अच्छी तरह से पकड़ा कि यह बहुत कम त्रुटि के साथ नई स्थितियों में सामान्यीकरण (generalize) कर सका।

दूसरा, अधिक चुनौतीपूर्ण परीक्षण क्यूरी-वीस मॉडल (Curie-Weiss model) था, जो एक प्रसिद्ध प्रणाली है जिसका उपयोग यह वर्णन करने के लिए किया जाता है कि चुंबक गर्म होने या ठंडा होने पर कैसे व्यवहार करते हैं। जैसे-जैसे तापमान बदलता है, सामग्री में चुंबकीय स्पिन एक नाटकीय बदलाव से गुजरते हैं, जो एक अव्यवस्थित अवस्था से एक व्यवस्थित अवस्था की ओर बढ़ते हैं। इस संक्रमण को मॉडल करना विशेष रूप से कठिन है क्योंकि संभाव्यता वितरण (probability distribution) का आकार मौलिक रूप से बदल जाता है। शोधकर्ताओं ने पूरे तापमान रेंज को संभालने के लिए एक एकल सोलह-क्यूबिट (sixteen-qubit) क्वांटम मॉडल को प्रशिक्षित किया। परिणाम आश्चर्यजनक थे: मॉडल ने संभाव्यता के एक एकल शिखर से दोहरे शिखर में संक्रमण को सटीक रूप से पकड़ा, जो सामग्री के भौतिक बदलाव का प्रतिनिधित्व करता है। जब उन्होंने अपने परिणामों की तुलना शास्त्रीय जनरेटिव मॉडलों से की, तो क्वांटम दृष्टिकोण ने उन शास्त्रीय मॉडलों के समान ही प्रदर्शन किया जिनके पास सात गुना अधिक समायोज्य पैरामीटर थे। इससे भी अधिक प्रभावशाली बात यह है कि मॉडल ने भौतिकी को इतनी अच्छी तरह से सीखा कि वह उन तापमानों पर प्रणाली के व्यवहार की भविष्यवाणी कर सका जो उसे प्रशिक्षण के दौरान दिखाए ही नहीं गए थे।

टीम ने छोटे सिमुलेशन तक ही सीमित नहीं रही। उन्होंने अपने तरीके को इसकी सीमाओं तक धकेला, दो हजार और अड़तालीस क्यूबिट तक के मॉडल को प्रशिक्षित किया। इस पैमाने पर, सिस्टम को सीधे उत्तरों की जांच करने के लिए शास्त्रीय कंप्यूटर पर सिम्युलेट करना असंभव है। हालांकि, चूंकि इस विशिष्ट प्रणाली को नियंत्रित करने वाले भौतिक नियम अच्छी तरह से समझे गए हैं, शोधकर्ता चुंबकत्व के अपेक्षित व्यवहार की गणना कर सकते हैं और अपने मॉडल के आउटपुट के साथ तुलना कर सकते हैं। उन्होंने पाया कि मॉडल ने ठंडी अवस्था (cold phase) के दीर्घकालिक क्रम (long-range order) को सफलतापूर्वक सीखा और इस व्यवहार को उन आकारों तक विस्तारित कर सका जो प्रशिक्षण में उपयोग किए गए आकार से कहीं बड़े थे। इसने प्रदर्शित किया कि यह विधि प्रभावी ढंग से स्केल करती है, और जैसे-जैसे सिस्टम उस आकार तक बढ़ता है जहाँ शास्त्रीय सत्यापन असंभव हो जाता है, अपनी जटिल पैटर्न सीखने की क्षमता बनाए रखती है।

अध्ययन ने इस बात पर भी प्रकाश डाला कि स्थिति (condition) को कैसे एनकोड किया जाता है, यह कितना महत्वपूर्ण है। उन्होंने शुरुआती अवस्था को तैयार करने के विभिन्न तरीकों का परीक्षण किया और पाया कि एक अधिक परिष्कृत तैयारी विधि, जिसमें क्वांटम अवस्था को एक विशिष्ट तरीके से घुमाना (twist) शामिल था, सरल दृष्टिकोण की तुलना में बहुत बेहतर परिणाम देती है। यह सुझाव देता है कि जानकारी को क्वांटम कंप्यूटर में फीड करने का तरीका लर्निंग एल्गोरिदम जितना ही महत्वपूर्ण है। इनपुट को सावधानीपूर्वक डिजाइन करके, वे मॉडल पर भौतिक समरूपता (physical symmetries) लागू कर सके, जिससे यह सुनिश्चित हुआ कि वह उस प्रणाली के मौलिक नियमों का सम्मान करे जिसका वह अनुकरण करने की कोशिश कर रहा है।

अंततः, यह कार्य क्वांटम मशीन लर्निंग की पहुंच को बढ़ाता है। यह दिखाता है कि हमें जटिल मॉडल को प्रशिक्षित करने के लिए पूर्ण, त्रुटि-मुक्त क्वांटम कंप्यूटरों की प्रतीक्षा करने की आवश्यकता नहीं है। शास्त्रीय कंप्यूटरों का उपयोग पैटर्न सीखने के लिए और क्वांटम कंप्यूटरों का उपयोग केवल अंतिम डेटा उत्पन्न करने के लिए करके, शोधकर्ता अब विभिन्न स्थितियों (जैसे विभिन्न तापमान या विभिन्न बाहरी क्षेत्र) के तहत भौतिक प्रणालियों का अनुकरण करने वाले 'कंडीशनल जनरेशन' की समस्याओं को हल कर सकते हैं। एक एकल, साझा क्वांटम सर्किट का उपयोग करके यह क्षमता क्वांटम जनरेटिव मॉडल्स को वास्तविक वैज्ञानिक खोज के लिए व्यावहारिक बनाने की दिशा में एक महत्वपूर्ण कदम है।