Galois-Theoretic Quantum Nash Learning: Fundamental Obstructions and Quantum Braiding Solutions

आधुनिक दुनिया में, वैज्ञानिक तेजी से कंप्यूटर को डेटा से सीखना सिखाने की कोशिश कर रहे हैं, जिसे मशीन लर्निंग के रूप में जाना जाता है। जब ये कंप्यूटर क्वांटम भौतिकी के विचित्र नियमों का उपयोग करके बनाए जाते हैं, तो वे उन समस्याओं को हल करने का वादा करते हैं जो वर्तमान में मानक मशीनों के लिए असंभव हैं, जैसे कि नई दवाओं को डिजाइन करना या जटिल वित्तीय बाजारों का मॉडल तैयार करना। हालाँकि, इन क्वांटम कंप्यूटरों को सिखाना अत्यंत कठिन है। वे गणितीय परिदृश्य (landscapes) जिनका उन्हें नेविगेट करना होता है, अक्सर सपाट और विशेषताहीन क्षेत्रों से भरे होते हैं जहाँ कंप्यूटर यह नहीं बता पाता कि कौन सा दिशा बेहतर समाधान की ओर ले जाती है, इस समस्या को शोधकर्ता "बैरन प्लेटो" (barren plateau) कहते हैं। इसे और अधिक जटिल बनाने के लिए, जब कई क्वांटम एजेंट प्रतिस्पर्धा या सहयोग करते हैं, तो लक्ष्य एक ऐसे स्थिर बिंदु को खोजना होता है जहाँ कोई भी व्यक्ति अकेले अपनी रणनीति बदलकर अपने परिणाम में सुधार नहीं कर सके, जिसे नैश इक्विलिब्रियम (Nash equilibrium) की अवधारणा कहा जाता है। वर्षों तक, क्वांटम खेलों में इन स्थिर बिंदुओं को खोजने में विफलता का दोष शोर (noise), खराब हार्डवेयर, या केवल डेटा के विशाल आकार पर मढ़ा गया।

सोरबोन यूनिवर्सिटी के परहम घयौर का एक नया अध्ययन बताता है कि समस्या केवल शोर या आकार के बारे में नहीं है, बल्कि यह खेल के बीजगणित (algebra) में छिपी कहीं अधिक मौलिक बात है। शोध यह प्रस्तावित करता है कि एक क्वांटम खेल में स्थिर समाधान खोजने की कठिनाई उन समीकरणों की समरूपता (symmetries) द्वारा निर्धारित होती है जो उस खेल का वर्णन करते हैं। विशेष रूप से, लेखक दिखाते हैं कि कई क्वांटम खेलों के लिए, स्थिर समाधानों को नियंत्रित करने वाले समीकरण इतने जटिल हैं कि उन्हें उन मानक अंकगणितीय संचालन और रूट-फाइंडिंग विधियों का उपयोग करके हल नहीं किया जा सकता जिन पर क्लासिकल कंप्यूटर भरोसा करते हैं। यह वर्तमान तकनीक की सीमा नहीं है, बल्कि एक गणितीय दीवार है जिसे क्लासिकल एल्गोरिदम पार नहीं कर सकते। यह शोध पत्र एक नई विधि पेश करता है जिसे 'गेलॉइस-थ्योरेटिक क्वांटम नैश लर्निंग' (Galois-Theoretic Quantum Nash Learning) कहा जाता है, जो क्वांटम कणों के भौतिक गुणों का उपयोग करके इस दीवार को पूरी तरह से दरकिनार करती है।

इस खोज का मूल आधार इस बात में निहित है कि कैसे शोधकर्ताओं ने एक स्थिर रणनीति खोजने की समस्या को बहुपद समीकरणों (polynomial equations) के एक तंत्र में अनुवादित किया। सरल शब्दों में, उन्होंने दिखाया कि एक क्वांटम खेल में पूर्ण संतुलन की स्थिति को बीजगणितीय पहेलियों के एक सेट के रूप में लिखा जा सकता है। इन पहेलियों के समाधान विशिष्ट संख्याएँ हैं जो क्वांटम सर्किटों के इष्टतम सेटिंग्स का प्रतिनिधित्व करती हैं। शोधकर्ताओं ने फिर गैलॉइस थ्योरी (Galois theory) नामक गणित की एक शाखा का अनुप्रयोग किया, जो इन संख्या प्रणालियों की समरूपता का अध्ययन करती है। उन्होंने पाया कि कई क्वांटम खेलों के लिए, समाधान संख्याओं की समरूपता इतनी जटिल है कि उन संख्याओं को बुनियादी अंकगणित और मूल (roots) के किसी भी संयोजन का उपयोग करके व्यक्त नहीं किया जा सकता है। यह एक निश्चित जटिलता वाले समीकरणों के लिए एक ज्ञात गणितीय तथ्य है, लेकिन यह शोध पत्र सिद्ध करता है कि यही गणितीय बाधा है जो क्लासिकल लर्निंग एल्गोरिदम को विफल करती है।

जब एक क्लासिकल कंप्यूटर इष्टतम रणनीति सीखने की कोशिश करता है, तो वह ढाल (gradients) या ढलानों का उपयोग करके संभावित समाधानों के माध्यम से कदम-दर-कदम आगे बढ़ता है। अध्ययन यह प्रदर्शित करता है कि क्योंकि वास्तविक समाधान एक ऐसे गणितीय क्षेत्र में स्थित है जो मानक अंकगणित के लिए अप्राप्य है, इसलिए क्लासिकल कंप्यूटर प्रभावी रूप से अंधा है। चाहे वह कितनी भी देर तक चले या उसे कितनी भी सावधानी से ट्यून किया जाए, एल्गोरिदम एक स्थानीय जाल (local trap) में फंस जाता है, एक ऐसा समाधान ढूंढ लेता है जो स्थिर दिखता है लेकिन वास्तव में उप-इष्टतम (suboptimal) और भौतिक रूप से अरुचिकर है। शोध पत्र सिद्ध करता है कि यह विफलता सूचना की कमी या पारंपरिक अर्थों में "बैरन प्लेटो" के कारण नहीं है, बल्कि इसलिए है क्योंकि वास्तविक उत्तर उन उपकरणों से बीजगणितीय रूप से छिपा हुआ है जिनका कंप्यूटर उपयोग कर रहा है। क्लासिकल ऑप्टिमाइज़र सिग्नल खो नहीं रहा है; वह संरचनात्मक रूप से लक्ष्य तक पहुँचने में असमर्थ है।

इसे दूर करने के लिए, शोधकर्ताओं ने एक नया दृष्टिकोण विकसित किया है जो चरण-दर चरण उत्तर की गणना करने का प्रयास नहीं करता है। इसके बजाय, उन्होंने एक क्वांटम एल्गोरिदम डिजाइन किया है जो 'ब्रेडिंग' (braiding) नामक प्रक्रिया का उपयोग करके सिस्टम को संभावित समाधानों के स्थान के माध्यम से भौतिक रूप से संचालित करता है। इस पद्धति में, क्वांटम कंप्यूटर ऑपरेशन्स की एक श्रृंखला लागू करता है जो संभावित समाधानों को उनके छिपे हुए साम्य के अनुसार क्रमबद्ध (permute) या पुनर्व्यवस्थित करती है। इन पुनर्व्यवस्थाओं को यादृच्छिक रूप से लागू करके, सिस्टम संभावनाओं के संपूर्ण परिदृश्य का अन्वेषण करता है, जिसमें वे हिस्से भी शामिल हैं जो क्लासिकल गणित के लिए अदृश्य हैं। एल्गोरिदम इस प्रक्रिया को तब तक जारी रखता है जब तक कि सिस्टम एक ऐसी अवस्था में स्थिर नहीं हो जाता जो इन सभी पुनर्व्यवस्थाओं के तहत अपरिवर्तनीय (invariant) है, जो वास्तविक, स्थिर समाधान के अनुरूप है। लेखक ने गणितीय रूप से सिद्ध किया है कि यह प्रक्रिया निश्चितता के साथ सही उत्तर खोजेगी, बशर्ते क्वांटम कंप्यूटर आवश्यक ऑपरेशन करने में सक्षम हो।

टीम ने इस विचार का परीक्षण पांच-क्यूबिट क्वांटम कंप्यूटर पर दो खिलाड़ियों के बीच एक विशिष्ट, ठोस उदाहरण के साथ किया। उन्होंने खेल को इस तरह बनाया कि स्थिर समाधान एक प्रसिद्ध पांच-डिग्री समीकरण के मूल (roots) के अनुरूप थे, जिसे मानक रेडिकल्स (radicals) से हल करना असंभव माना जाता है। अपने सिमुलेशन में, क्लासिकल ग्रेडिएंट डिसेंट विधि पूरी तरह से विफल रही, और एक तुच्छ, उप-इष्टतम बिंदु पर अटक गई। इसके विपरीत, क्वांटम ब्रेडिंग एल्गोरिदम ने जटिल परिदृश्य को सफलतापूर्वक नेविगेट किया, और वर्तमान तकनीक के लिए प्रबंधनीय चरणों में वास्तविक समाधानों की ओर अग्रसर हुआ। सिमुलेशन ने दिखाया कि क्वांटम विधि खेल के सभी पांच अलग-अलग समाधानों की पहचान कर सकती है, जिसमें वे जटिल समाधान भी शामिल हैं जिन्हें क्लासिकल विधियाँ कभी नहीं पहुँच सकती थीं।

इस नई विधि के लिए संसाधन आवश्यकताएं निकट-अवधि के क्वांटम उपकरणों के लिए आश्चर्यजनक रूप से मामूली हैं। विशिष्ट पांच-क्यूबिट उदाहरण के लिए, एल्गोरिदम को कार्य पूरा करने के लिए लगभग 432,000 क्वांटम लॉजिक गेट्स की आवश्यकता थी। यह संख्या मौजूदा क्वांटम प्रोसेसरों की क्षमताओं के भीतर है, जो सुझाव देती है कि इस दृष्टिकोण को निकट भविष्य में वास्तविक हार्डवेयर पर प्रदर्शित किया जा सकता है। अध्ययन यह भी रेखांकित करता है कि विधि की सफलता खेल के समीकरणों की विशिष्ट संरचना पर निर्भर करती है। यदि खेल की समरूपता सरल है, तो क्लासिकल विधियाँ अभी भी काम कर सकती हैं, लेकिन अधिकांश जटिल क्वांटम खेलों के लिए, नया ब्रेडिंग दृष्टिकोण समाधान का एक गारंटीकृत मार्ग प्रदान करता है।

यह कार्य हमारी क्वांटम मशीन लर्निंग की सीमाओं को समझने के तरीके को मौलिक रूप से बदल देता है। यह सुझाव देता है कि क्वांटम प्रणालियों में सीखने के लिए सबसे बड़ी बाधा हार्डवेयर में शोर या डेटा का घातीय आकार नहीं है, बल्कि प्रतिस्पर्धा के बीजगणित के भीतर छिपी अनसुलझी समरूपता है। यह पहचानकर कि कुछ समस्याएं क्लासिकल अंकगणित के लिए बीजगणितीय रूप से अप्राप्य हैं, शोधकर्ताओं ने क्वांटम लाभ (quantum advantage) के बारे में सोचने का एक नया तरीका प्रदान किया है। यह केवल तेज़ होने के बारे में नहीं है; यह उन ऑपरेशन्स को करने के बारे में है जो क्लासिकल कंप्यूटेशन को नियंत्रित करने वाले गणितीय नियमों से परे हैं। शोध पत्र निष्कर्ष निकालता है कि समस्या की समरूपताओं को बुनना (braid करना) सीखकर, क्वांटम कंप्यूटर अंततः उन वास्तविक उत्तरों पर अभिसरण (converge) कर सकते हैं जो अब तक पहुंच से बाहर रहे हैं।