Machine learning quantum data to accelerate quantum Monte Carlo

आणविकों और सामग्रियों की सूक्ष्म दुनिया में, इलेक्ट्रॉनों का व्यवहार अक्सर एक अराजक उलझन जैसा होता है। जब इलेक्ट्रॉन एक-दूसरे के साथ मजबूती से परस्पर क्रिया करते हैं, तो वे स्वतंत्र रूप से कार्य करने से इनकार कर देते हैं, जिससे जटिल पैटर्न बनते हैं जो यह निर्धारित करते हैं कि कोई सामग्री बिजली का संचालन करेगी, सुपरकंडक्टर बनेगी, या किसी रासायनिक प्रतिक्रिया को उत्प्रेरित करेगी। इन व्यवहारों की भविष्यवाणी करना आधुनिक विज्ञान की सबसे कठिन चुनौतियों में से एक है। क्लासिकल कंप्यूटर, जो स्मार्टफोन से लेकर सुपरकंप्यूटर तक सब कुछ संचालित करते हैं, इस कार्य के साथ अत्यधिक संघर्ष करते हैं क्योंकि इलेक्ट्रॉन व्यवस्थाओं की संभावित संख्या इतनी तेजी से बढ़ती है कि वह सबसे शक्तिशाली मशीनों को भी जल्दी ही अभिभूत कर देती है। क्वांटम कंप्यूटर, जो सूचना संसाधित करने के लिए भौतिकी के विचित्र नियमों का उपयोग करते हैं, एक अलग मार्ग प्रदान करते हैं। वे स्वाभाविक रूप से इन उलझे हुए इलेक्ट्रॉन अवस्थाओं का प्रतिनिधित्व कर सकते हैं, लेकिन वर्तमान में वे त्रुटियों के प्रति संवेदनशील हैं और एक बार में सीमित मात्रा में ही जानकारी रख सकते हैं। इस अंतर को पाटने के लिए, वैज्ञानिकों ने एक हाइब्रिड दृष्टिकोण विकसित किया है: एक क्वांटम कंप्यूटर का उपयोग इलेक्ट्रॉन व्यवस्था का एक कच्चा खाका तैयार करने के लिए करना, और फिर एक क्लासिकल कंप्यूटर का उपयोग उस खाके को एक सटीक उत्तर में परिष्कृत करने के लिए करना। 'क्वांटम मोंटे कार्लो' के रूप में ज्ञात इस विधि ने बड़ी आशा दिखाई है, लेकिन यह एक दीवार से टकरा गई है। क्वांटम कंप्यूटर के कच्चे डेटा को उस रूप में अनुवादित करने की प्रक्रिया जिसे क्लासिकल कंप्यूटर उपयोग कर सके, इतनी धीमी और महंगी है कि इसने इन प्रयोगों को बहुत छोटे सिस्टम तक सीमित कर दिया है, जिससे वैज्ञानिक उन बड़े, अधिक दिलचस्प अणुओं को संबोधित करने में असमर्थ रहे जो सबसे अधिक मायने रखते हैं।

शोधकर्ताओं की एक टीम ने अब इस बाधा को तोड़ दिया है, उन्होंने एक मशीन-लर्निंग मॉडल को क्वांटम कंप्यूटर के डेटा को सीधे पढ़ने के लिए प्रशिक्षित किया है, जिससे धीमी और बार-बार होने वाली गणनाओं की आवश्यकता को दरकिनार किया जा सका है। हाल ही में एक अध्ययन में, उन्होंने प्रदर्शित किया कि यह नया दृष्टिकोण पूरी प्रक्रिया को हजारों गुना तेज कर सकता है, जिससे उन्हें 40 क्यूबिट्स तक के सिस्टम का अनुकरण करने की अनुमति मिली—जो समान सटीकता के साथ पहले की तुलना में दोगुने से अधिक का पैमाना है। टीम ने गूगल के 'विलो' (Willow) क्वांटम प्रोसेसर के साथ काम करते हुए, दो बहुत अलग चुनौतियों पर अपने तरीके का परीक्षण किया: हाइड्रोजन परमाणुओं की लंबी श्रृंखलाएं और जैविक प्रणालियों में पाए जाने वाले जटिल आयरन-सल्फर क्लस्टर। दोनों मामलों में, मशीन-लर्निंग मॉडल ने संकुचित माप (compressed measurements) के एक सेट से आवश्यक क्वांटम ओवरलैप्स की भविष्यवाणी करने में सफलता प्राप्त की, जो प्रभावी रूप से क्वांटम और क्लासिकल दुनिया के बीच एक तेज़, बुद्धिमान अनुवादक के रूप में कार्य करता है। परिणाम न केवल तेज़ थे; बल्कि वे "केमिकल एक्यूरेसी" (रासायनिक सटीकता) तक पहुँचने के लिए पर्याप्त सटीक थे, जो अणुओं के व्यवहार की भविष्यवाणी करने के लिए स्वर्ण मानक है, एक ऐसा मील का पत्थर जो इन बड़े सिस्टमों के लिए पहुंच से बाहर रहा था।

शोधकर्ताओं द्वारा हल की गई समस्या का मूल आधार यह है कि हाइब्रिड क्वांटम एल्गोरिदम वर्तमान में कैसे कार्य करते हैं। एक विशिष्ट सेटअप में, एक क्वांटम प्रोसेसर एक 'ट्रायल वेवफंक्शन' तैयार करता है, जो इस बात का गणितीय विवरण है कि इलेक्ट्रॉन किस प्रकार व्यवस्थित होने की संभावना रखते हैं। इस विवरण को परिष्कृत करने के लिए, एक क्लासिकल कंप्यूटर 'क्वांटम मोंटे कार्लो' नामक सिमुलेशन चलाता है, जिसमें लाखों चरण शामिल होते हैं जहाँ सिस्टम को थोड़ा बदला जाता है और जांचा जाता है। प्रत्येक चरण पर, क्लासिकल कंप्यूटर को यह जानने की आवश्यकता होती है कि वर्तमान अवस्था क्वांटम प्रोसेसर के ट्रायल वेवफंक्शन के साथ कितनी अच्छी तरह मेल खाती है। पारंपरिक रूप से, इसके लिए क्लासिकल कंप्यूटर को सिमुलेशन के हर एक चरण के लिए क्वांटम मशीन से कच्चे डेटा को फिर से प्रोसेस करने की आवश्यकता होती है। जैसे-जैसे सिस्टम बड़ा होता जाता है, डेटा की मात्रा विस्फोट की तरह बढ़ती है, और इसे प्रोसेस करने में लगने वाला समय निषेधात्मक हो जाता है। पिछले प्रयोगों में, इस बाधा का अर्थ था कि केवल 16 क्यूबिट्स वाले सिस्टम के सिमुलेशन के लिए शक्तिशाली ग्राफिक्स प्रोसेसर पर 13,000 घंटों से अधिक के कंप्यूटिंग समय की आवश्यकता थी। एक 40-क्यूबिट सिस्टम के लिए इसका अनुमान लगाने पर पता चलता है कि इसमें लाखों घंटे लगेंगे, जिससे ऐसी गणनाएं प्रभावी रूप से असंभव हो जाती हैं।

इस बाधा को दूर करने के लिए, शोधकर्ताओं ने वर्कफ़्लो को पूरी तरह से बदल दिया। कच्चे डेटा को लाखों बार फिर से प्रोसेस करने के बजाय, उन्होंने क्वांटम प्रोसेसर से एक बार बैच में रैंडमाइज्ड माप एकत्र किए। फिर उन्होंने इस डेटा का उपयोग एक मशीन-लर्निंग मॉडल को प्रशिक्षित करने के लिए किया, जो कृत्रिम बुद्धिमत्ता का एक प्रकार है जो उदाहरणों से पैटर्न सीख सकता है। इस मॉडल को विशिष्ट मानों (values) की भविष्यवाणी करने के लिए सिखाया गया, जो प्रभावी रूप से विशाल क्वांटम डेटा को एक संक्षिप्त, तेज़ चलने वाले प्रोग्राम में संकुचित कर देता है। एक बार प्रशिक्षित होने के बाद, यह मॉडल मूल क्वांटम डेटा को दोबारा देखे बिना, क्लासिकल सिमुलेशन के लिए आवश्यक जानकारी लगभग तुरंत प्रदान कर सकता था। शोधकर्ताओं ने इसकी तुलना एक भाषा सीखने से की है: हर बार जब आपको एक वाक्य की आवश्यकता होती है, तो किताब का शब्द-दर-शब्द अनुवाद करने के बजाय, आप व्याकरण और शब्दावली को एक बार सीख लेते हैं, जिससे आप उसके बाद धाराप्रवाह और तुरंत बोल पाते हैं।

टीम ने अपने इस तरीके का परीक्षण गूगल के 'विलो' प्रोसेसर पर किया, जो सौ से अधिक क्यूबिट्स और उच्च गति वाली माप क्षमताओं वाला उपकरण है। उन्होंने पहले हाइड्रोजन श्रृंखलाओं पर काम किया, जो यह परीक्षण करने के लिए एक मानक बेंचमार्क है कि कोई विधि बढ़ती जटिलता को कितनी अच्छी तरह संभालती है। श्रृंखला की लंबाई बदलकर, वे 8 से 40 क्यूबिट्स तक के सिस्टम का अनुकरण कर सके। इन परीक्षणों में, मशीन-लर्निंग दृष्टिकोण ने रासायनिक सटीकता के साथ परिणाम दिए, जिसका अर्थ है कि अनुमानित ऊर्जा स्तर वास्तविक दुनिया की केमिस्ट्री के लिए आवश्यक सूक्ष्म त्रुटि सीमा के भीतर थे। अधिक महत्वपूर्ण बात यह है कि गति में वृद्धि नाटकीय थी। 16-क्यूबिट सिस्टम के लिए, नया तरीका पारंपरिक दृष्टिकोण की तुलना में 4,100 गुना तेज़ था। 40-क्यूबिट सिस्टम के लिए, पारंपरिक तरीका चलाने के लिए इतना महंगा होता कि उसे कभी आजमाया ही नहीं जाता, लेकिन नए तरीके ने इसे संभव बना दिया, जिससे गणना बहुत कम समय में पूरी हो गई।

इसके बाद शोधकर्ता एक बहुत कठिन समस्या की ओर बढ़े: एक आयरन-सल्फर क्लस्टर, जो इलेक्ट्रॉन ट्रांसफर और कैटालिसिस जैसी जैविक प्रक्रियाओं के लिए महत्वपूर्ण अणु है। ये अणु सिमुलेशन के लिए अत्यंत कठिन होते क्योंकि इनके इलेक्ट्रॉन अत्यधिक सहसंबंधित (correlated) होते हैं और कई लगभग समान ऊर्जा अवस्थाओं में मौजूद होते हैं। इन सिस्टमों का सिमुलेशन करने के लिए क्लासिकल तरीकों या शुरुआती क्वांटम तकनीकों के पिछले प्रयास आवश्यक सटीकता के स्तर तक पहुँचने में संघर्ष करते रहे हैं। अपने मशीन-लर्निंग फ्रेमवर्क का उपयोग करते हुए, टीम ने 28 और 40 क्यूबिट्स के एक्टिव स्पेस में आयरन-सल्फर क्लस्टर का सफलतापूर्वक सिमुलेशन किया। उन्होंने पाया कि उनका क्वांटम-गाइडेड दृष्टिकोण रासायनिक सटीकता प्राप्त कर सकता है, भले ही क्वांटम हार्डवेयर 'नॉइज़ी' (शोर युक्त) हो, जो वर्तमान उपकरणों के साथ एक सामान्य समस्या है। मशीन-लर्निंग मॉडल शोर को फिल्टर करने और सही भौतिक संकेत निकालने के लिए पर्याप्त मजबूत था, जिससे यह सिद्ध हुआ कि यह विधि तब भी काम करती है जब अंतर्निert डेटा अपूर्ण हो।

इस कार्य की एक प्रमुख अंतर्दृष्टि यह थी कि मशीन-लर्निंग मॉडल को संपूर्ण क्वांटम अवस्था का पुनर्निर्माण करने की आवश्यकता नहीं थी, जो बहुत जटिल होता। इसके बजाय, इसे केवल विशिष्ट 'ओवरलैप्स' सीखने की आवश्यकता थी—जो क्वांटम अवस्था और सिमुलेशन में उपयोग किए जाने वाले कॉन्फ़िगरेशन के बीच गणितीय संबंध हैं। इन विशिष्ट संबंधों पर ध्यान केंद्रित करके, मॉडल सरल और कुशल बना रहा। शोधकर्ताओं ने यह भी प्रदर्शित किया कि वे एक मोटे क्लासिकल अनुमान से शुरुआत कर सकते हैं और फिर क्वांटम डेटा का उपयोग उसे परिष्कृत करने के लिए कर सकते हैं, या शून्य से शुरुआत कर सकते हैं और क्वांटम डेटा को सब कुछ सिखाने दे सकते हैं। आयरन-सल्फर क्लस्टर के मामले में, उन्होंने दिखाया कि क्वांटम डेटा पर प्रशिक्षित मॉडल ने उसी कार्य के लिए अनुकूलित क्लासिकल तरीकों से बेहतर प्रदर्शन किया, जो सीधे क्वांटम हार्डवेयर से सीखने के अनूठे मूल्य को उजागर करता है।

इस कार्य के निहितार्थ केवल इन विशिष्ट अणुओं तक ही सीमित नहीं हैं। शोधकर्ताओं ने जिस बाधा को संबोधित किया है—क्वांटम डेटा का धीमा प्रसंस्करण—यह एक मौलिक मुद्दा है जो तब भी बना रहेगा जब क्वांटम कंप्यूटर अधिक शक्तिशाली और त्रुटि-मुक्त हो जाएंगे। यह दिखाकर कि मशीन लर्निंग कैसे क्वांटम सूचना को कुशलतापूर्वक संकुचित और पुन: उपयोग कर सकती है, टीम ने एक ब्लूप्रिंट प्रदान किया है कि कैसे हाइब्रिड एल्गोरिदम वास्तविक दुनिया की समस्याओं को हल करने के लिए स्केल कर सकते हैं। 40 क्यूबिट्स के साथ उनकी सफलता यह बताती है कि जटिल सामग्रियों का अनुकरण करना और नई दवाओं को डिजाइन करना अब कम्प्यूटेशनल लागत के कारण बाधित नहीं है। यह अध्ययन सिद्ध करता है कि क्वांटम और क्लासिकल कंप्यूटिंग के बीच सही इंटरफेस के साथ, हम अब उस पैमाने के सिमुलेशन तक पहुँच सकते हैं जो पहले पहुंच से बाहर था, जिससे रसायन विज्ञान और सामग्री विज्ञान में खोज के एक नए युग के द्वार खुल गए हैं।