Beyond the Mean Gap: What Transferred-Angle QAOA Retains on a Superconducting Processor
यह अध्ययन प्रदर्शित करता है कि एक सुपरकंडक्टिंग प्रोसेसर पर, QAOA सर्किट अक्सर यूनिफॉर्म सैंपलिंग की तुलना में अपने मीन-गैप सुधार का एक महत्वपूर्ण हिस्सा बनाए रखते हैं जबकि इष्टतम (ऑप्टिमम) खोजने की अपनी अधिकांश संभावना खो देते हैं, जो केवल औसत लागत (मीन कॉस्ट) के बजाय इष्टतम और इष्टतम के निकटवर्ती बिटस्ट्रिंग्स के प्रतिधारण (रिटेंशन) को रिपोर्ट करके क्वांटम ऑप्टिमाइजेशन को मान्य करने की आवश्यकता को रेखांकित 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
एक प्रयोगशाला की शांत गूँज के बीच, वैज्ञानिक ऐसी मशीनें बना रहे हैं जो क्वांटम दुनिया के अजीब नियमों पर काम करती हैं। ये उपकरण, जिन्हें क्वांटम प्रोसेसर कहा जाता है, कुछ समस्याओं को आज के सुपर कंप्यूटरों की तुलना में बहुत तेज़ी से हल करने का वादा रखते हैं। इन मशीनों का परीक्षण करने का एक सबसे लोकप्रिय तरीका 'क्वांटम एप्रोक्सिमेट ऑप्टिमाइज़ेशन एल्गोरिदम' (QAOA) नामक एक एल्गोरिदम है। इस एल्गोरिदम को एक जटिल पहेली, जैसे कि शेड्यूल बनाना या डिलीवरी ट्रक का रूट तय करना, के लिए सबसे अच्छे समाधान को खोजने वाले सर्च इंजन के रूप में समझें। यह मशीन केवल एक उत्तर नहीं देती; यह एक ऐसी प्रक्रिया चलाती है जो संभावित उत्तरों का एक समूह (क्लाउड) बनाती है, इस उम्मीद के साथ कि सबसे अच्छा उत्तर दूसरों की तुलना में अधिक बार दिखाई दे। वर्षों से, शोधकर्ताओं ने यह जाँचने के लिए कि क्या ये मशीनें काम कर रही हैं, उनके द्वारा दिए गए सभी उत्तरों की औसत गुणवत्ता को देखा है। यदि औसत उत्तर अच्छा है, तो उन्होंने मान लिया कि मशीन अपना काम कर रही है। लेकिन इस दृष्टिकोण में एक खामी है: एक उच्च औसत इस तथ्य को छिपा सकता है कि मशीन वास्तव में सबसे अच्छा समाधान शायद ही कभी खोज पा रही है, जो कि पहेली को सुलझाने के लिए वास्तव में मायने रखता है।
शोधकर्ताओं की एक टीम ने हाल ही में यह देखने के लिए उस औसत से परे देखने का निर्णय लिया कि एक सुपरकंडक्टिंग क्वांटम प्रोसेसर के भीतर वास्तव में क्या हो रहा था। उन्होंने न्यूयॉर्क के एक सुविधा केंद्र में स्थित आईबीएम (IBM) के एक विशिष्ट प्रकार के मशीन का उपयोग किया, ताकि बारह वेरिएबल्स वाली पहेलियों पर परीक्षणों की एक श्रृंखला चलाई जा सके। मशीन को प्रत्येक नई पहेली के लिए सर्वोत्तम सेटिंग्स सीखने देने के बजाय, उन्होंने "ट्रांसफ़र्ड एंगल्स" (transferred angles) नामक एक रणनीति का उपयोग किया। इसका अर्थ यह था कि उन्होंने मशीन को कुछ छोटे उदाहरणों पर प्रशिक्षित किया और फिर उन्हीं सेटिंग्स को बड़े, कठिन प jumlahों पर लागू किया। यह दृष्टिकोण कुशल है क्योंकि यह मशीन को मौके पर सीखने में समय बर्बाद करने से बचाता है, जिससे हर एक प्रयास एक संभावित समाधान बन जाता है। शोधकर्ताओं ने इन सर्किट्स को हजारों बार चलाया, और उस कच्चे डेटा को कैप्चर किया कि मशीन वास्तव में कौन से उत्तर पा रही थी। इसके बाद उन्होंने अपने परिणामों की तुलना कंप्यूटर सिमुलेशन से की, जिन्हें मशीन के व्यवहार, जिसमें उसके ज्ञात एरर (त्रुटियाँ) और शोर (noise) शामिल हैं, की नकल करने के लिए डिज़ाइन किया गया था।
परिणामों ने एक आश्चर्यजनक अंतर को प्रकट किया कि मशीन क्या कर रही थी और वह वास्तव में क्या हासिल कर रही थी। जब शोधकर्ताओं ने उत्तरों की औसत गुणवत्ता को देखा, तो मशीन काफी अच्छा प्रदर्शन करती हुई प्रतीत हुई, जो एक आदर्श, शोर-मुक्त दुनिया में दिखानी चाहिए थी, उसके लगभग तीस से छब्बीती प्रतिशत सुधार को बनाए रखती थी। यह औसत स्कोर ही है जिस पर पिछले अधिकांश अध्ययन सफलता घोषित करने के लिए निर्भर रहे हैं। हालाँकि, जब उन्होंने उस सटीक बिंदु पर ध्यान केंद्रित किया कि मशीन वास्तव में एकल सर्वोत्तम समाधान कितनी बार खोजती है, तो तस्वीर नाटकीय रूप से बदल गई। मशीन ने उस पूर्ण उत्तर को खोजने की संभावना का केवल पाँच से पंद्रह प्रतिशत ही बरकरार रखा। दूसरे शब्दों में, जबकि मशीन बुरे, बेकार उत्तरों से बचने में सफल रही, वह सबसे अच्छे उत्तरों पर अपना ध्यान केंद्रित करने में विफल रही। औसत स्कोर मशीन की बुरे परिणामों से दूर रहने की क्षमता द्वारा समर्थित था, जो इस तथ्य को छिपा रहा था कि वह सर्वश्रेष्ठ परिणामों की दौड़ में पिछड़ रही थी।
यह खोज क्वांटम कंप्यूटरों को उनके औसत प्रदर्शन की तुलना एक सिमुलेशन से करके मान्य करने की सामान्य प्रथा को चुनौती देती है। शोधकर्ताओं ने पाया कि वास्तविक मशीन की त्रुटियों से मेल खाने के लिए डिज़ाइन किए गए कंप्यूटर मॉडल ने औसत स्कोर की काफी अच्छी भविष्यवाणी की, लेकिन इसने इस बात का बहुत अधिक अनुमान लगाया कि मशीन कितनी बार सबसे अच्छा समाधान खोजेगी। कुछ मामलों में, मॉडल ने भविष्यवाणी की कि मशीन वास्तविक दुनिया की तुलना में पाँच से आठ गुना अधिक बार पूर्ण उत्तर खोज लेगी। अध्ययन बताता है कि इन मशीनों में शोर केवल परिणामों को समान रूप से धुंधला नहीं करता है; यह विशेष रूप से उस तीव्रतम संभावना (sharp peak of probability) को नष्ट कर देता है जो सबसे अच्छे उत्तर पर होनी चाहिए, जबकि बुरे उत्तरों से बचने की क्षमता को अपेक्षाकृत सुरक्षित छोड़ देता है। इसका अर्थ है कि एक मशीन कागज़ पर सफल दिख सकती है, जबकि वह वास्तविक दुनिया के अनुप्रयोग के लिए आवश्यक विशिष्ट समाधान देने में विफल हो सकती है।
शोधकर्ताओं ने मशीन को इन त्रुटियों से बचाने के लिए विभिन्न तरीकों का भी परीक्षण किया, जैसे कि हस्तक्षेप को रद्द करने के लिए अतिरिक्त पल्स जोड़ना या संकेतों को बिखेरना (scrambling) ताकि त्रुटियाँ अधिक समान हो सकें। हालांकि इनमें से कुछ तकनीकों ने थोड़ा मदद किया, लेकिन वे वास्तविकता और सिमुलेशन के बीच के अंतर को कम नहीं कर सके। वास्तव में, एक विशेष रूप से कठिन पहेली के सेट पर, जिसे जटिल और ऊबड़-खाबड़ बनाया गया था, वास्तविक दुनिया के शोर के आने के बाद मशीन का मानक क्लासिकल कंप्यूटर विधियों पर बढ़त पूरी तरह से समाप्त हो गई। लैब की शांत दुनिया में, क्वांटम मशीन उन क्लासिकल एल्गोरिदम को नहीं हरा सकी जिन्हें इस कार्य के लिए ट्यून किया गया था। अध्ययन निष्कर्ष निकालता है कि यदि हमें वास्तव में यह समझना है कि क्या एक क्वांटम कंप्यूटर अनुकूलन (optimization) के लिए तैयार है, तो हमें औसत को देखना बंद करना होगा और जीत को गिनना शुरू करना होगा। हमें यह जानने की आवश्यकता है कि मशीन सबसे अच्छा उत्तर कितनी बार खोजती है, न कि केवल यह कि उसका औसत अनुमान कितना अच्छा है, क्योंकि कठिन समस्याओं को हल करने के लिए, औसत पर्याप्त नहीं 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।