Predictingthe Trainability of Variational Quantum Circuits: A Data-Driven Model for BarrenPlateaus

क्वांटम कंप्यूटिंग के उभरते क्षेत्र में, वैज्ञानिक ऐसी मशीनें बना रहे हैं जो उप-परमाणु दुनिया के विचित्र नियमों का उपयोग करके उन समस्याओं को हल करने के लिए डिज़ाइन की गई हैं जो आज के सुपर कंप्यूटरों के लिए बहुत जटिल हैं। इन मशीनों को उपयोगी बनाने के एक प्रमुख दृष्टिकोण में 'वैरिएशनल क्वांटम एल्गोरिदम' नामक एक विधि शामिल है। इसे एक लूप के रूप में समझें जहाँ एक मानव डिजाइनर क्वांटम स्विचों का एक विशिष्ट विन्यास बनाता है, जिसे 'सर्किट' कहा जाता है, और फिर एक कंप्यूटर उन स्विचों की सेटिंग्स को बदलने की कोशिश करता है ताकि किसी समस्या को हल किया जा सके। कंप्यूटर यह मापता है कि सर्किट कितना अच्छा प्रदर्शन कर रहा है, और यदि परिणाम सटीक नहीं है, तो वह सर्वोत्तम संभव कॉन्फ़िगरेशन खोजने की उम्मीद में सेटिंग्स को बार-बार समायोजित करता है। यह प्रक्रिया रसायन विज्ञान, वित्त और आर्टिफिशियल इंटेलिजेंस के लिए कई नए क्वांटम उपकरणों के पीछे का इंजन है।

हालाँकि, एक बड़ी बाधा अक्सर इस इंजन को काम करने से रोक देती है। जैसे-जैसे बड़ी समस्याओं को संभालने के लिए सर्किट बड़े और अधिक जटिल होते जाते हैं, सही सेटिंग्स खोजने की क्षमता पूरी तरह से समाप्त हो सकती है। इस घटना को 'बैरन प्लेटो' (barren plateau) के रूप में जाना जाता है। कल्पना कीजिए कि आप घने कोहरे में एक घाटी के निचले हिस्से को खोजने की कोशिश कर रहे हैं। यदि जमीन हर जगह पूरी तरह से समतल है, तो आपके पास यह जानने का कोई तरीका नहीं है कि नीचे जाने की दिशा कौन सी है। इन क्वांटम सर्किट्स में, गणितीय परिदृश्य इतना सपाट हो जाता है कि कंप्यूटर यह नहीं समझ पाता कि परिणाम सुधारने के लिए नॉब को किस दिशा में घुमाना है। वह संकेत जिसकी उसे आवश्यकता होती है, गायब हो जाता है, और प्रशिक्षण की प्रक्रिया रुक जाती है। वर्षों तक, यह जानने का एकमात्र तरीका कि क्या कोई सर्किट डिजाइन इस समस्या से ग्रस्त होगा, वास्तव में उसे बनाना और चलाना था, जो कि एक अत्यंत महंगी और समय लेने वाली प्रक्रिया है, विशेष रूप से वास्तविक दुनिया के अनुप्रयोगों के लिए आवश्यक बड़े सर्किट्स के मामले में।

दक्षिण कोरिया के ग्योंगसांग नेशनल यूनिवर्सिटी के एक शोधकर्ता ने इस पहेली को सुलझाने के लिए एक अलग तरीका प्रस्तावित किया है। सर्किट बनाने के बाद उसके विफल होने का इंतजार करने के बजाय, शोधकर्ता ने पूछा कि क्या एक मानक कंप्यूटर केवल सर्किट के ब्लूप्रिंट (खाके) को देखकर विफलता की भविष्यवाणी कर सकता है। यह अध्ययन क्वांटम सर्किट के डिजाइन को निर्देशों के एक सेट के रूप में देखता है: कितने स्विचों का उपयोग किया गया है, ऑपरेशन्स की कितनी परतें एक के ऊपर एक रखी गई हैं, स्विच एक-दूसरे से कैसे जुड़े हैं, और किस विशिष्ट प्रकार का माप (measurement) किया जा रहा है। लक्ष्य यह देखना था कि क्या एक क्लासिकल मशीन लर्निंग मॉडल डिजाइन के इन विकल्पों और सर्किट के फंस जाने या विफल होने की संभावना के बीच के संबंध को सीख सकता है।

इस विचार का परीक्षण करने के लिए, शोधकर्ता ने बीस हजार अलग-अलग रैंडम सर्किट डिजाइनों का एक विशाल डेटासेट बनाया। एक सटीक सिमुलेशन प्रोग्राम का उपयोग करके जो एक मानक कंप्यूटर पर चलता है, उन्होंने बिना किसी भौतिक क्वांटम मशीन की आवश्यकता के प्रत्येक सर्किट के सटीक व्यवहार को उत्पन्न किया। प्रत्येक डिजाइन के लिए, उन्होंने गणना की कि यदि सेटिंग्स को थोड़ा सा बदला जाए तो प्रदर्शन में कितना परिवर्तन होगा। यह गणना, जिसे 'ग्रेडिएंट वेरिएन्स' (gradient variance) कहा जाता है, प्रशिक्षण क्षमता (trainability) के एक माप के रूप में कार्य करती है। उच्च वेरिएन्स का अर्थ है कि सर्किट को प्रशिक्षित करना आसान है क्योंकि कंप्यूटर स्पष्ट रूप से देख सकता है कि किस दिशा में जाना है। बहुत कम वेरिएन्स का अर्थ है कि सर्किट एक बैरन प्लेटो में फंस गया है। शोधकर्ता ने इन बीस हजार सर्किट्स के डिजाइन विवरणों को एक मशीन लर्निंग मॉडल में इन गणना किए गए प्रशिक्षण क्षमता स्कोर के साथ फीड किया, और मॉडल से पैटर्न सीखने को कहा।

परिणामों ने दिखाया कि एक विशिष्ट प्रकार का मशीन लर्निंग मॉडल, जिसे 'ग्रेडिएंट-बूस्टेड रिग्रेसर' (gradient-boosted regressor) कहा जाता है, केवल इसके आर्किटेक्चर को देखकर सर्किट की प्रशिक्षण क्षमता की सफलतापूर्वक भविष्यवाणी कर सकता है। उन सर्किट डिजाइनों पर परीक्षण करने पर जिन्हें उसने पहले कभी नहीं देखा था, मॉडल ने उच्च सटीकता के साथ प्रशिक्षण क्षमता स्कोर की सही भविष्यवाणी की। इससे भी अधिक प्रभावशाली बात यह है कि मॉडल को केवल दस स्विचों वाले छोटे सर्किट्स पर प्रशिक्षित किया गया था, फिर भी यह ग्यारह और बारह स्विचों वाले बड़े, अनदेखे सर्किट्स के लिए सटीक भविष्यवाणियां करने में सक्षम था। यह सुझाव देता है कि प्रशिक्षण क्षमता को नियंत्रित करने वाले नियम इतने सुसंगत हैं कि एक मॉडल उन्हें छोटे उदाहरणों से सीख सकता है और बड़े, अधिक महंगे सिस्टम पर लागू कर सकता है। मॉडल एक क्लासिफायर के रूप में भी कार्य करता है, जो काम करने वाले और विफल होने वाले सर्किट्स के बीच लगभग पूर्ण सटीकता के साथ अंतर करता है।

मॉडल किन विशेषताओं पर सबसे अधिक निर्भर करता है, इसका विश्लेषण करके शोधकर्ता ने पाया कि मॉडल ने स्थापित वैज्ञानिक सिद्धांतों को बिना बताए ही पुन: खोज लिया था। सबसे महत्वपूर्ण कारक उपयोग किए गए माप का प्रकार और स्विचों के बीच कनेक्शन का पैटर्न था। विशेष रूप से, वे सर्किट जो 'ग्लोबल मेजरमेंट' (global measurement) का उपयोग करते हैं, जो सभी स्विचों को एक साथ देखते हैं, वे 'लोकल मेजरमेंट' (local measurement) का उपयोग करने वाले सर्किट्स की तुलना में जो केवल एक स्विच पर केंद्रित होता है, के मुकाबले विफल होने की अधिक संभावना रखते हैं। इसी तरह, कुछ कनेक्शन पैटर्न जो स्विचों के बीच सघन एंटैंगलमेंट (entanglement) पैदा करते हैं, वे भी अप्रशिक्षण योग्य अवस्थाओं की ओर ले जाते हैं। स्थापित भौतिकी के साथ यह संरेखण इस विश्वास को पुख्ता करता है कि मॉडल केवल अनुमान नहीं लगा रहा है, बल्कि यह उन वास्तविक भौतिक कारणों को पकड़ रहा है जिनकी वजह से कुछ डिजाइन विफल होते हैं।

यह अध्ययन इस दावे के साथ नहीं है कि इसने बैरन प्लेटो की समस्या को हल कर दिया है या क्वांटम लाभ (quantum advantage) बनाया है। मॉडल स्वयं पूरी तरह से क्लासिकल है, और प्रशिक्षण के लिए उपयोग किया गया डेटा एक सिमुलेशन द्वारा उत्पन्न किया गया था, न कि किसी भौतिक क्वांटम कंप्यूटर द्वारा। इस कार्य का मूल्य एक सस्ते और तेज़ स्क्रीनिंग टूल के रूप में उपलब्ध होना है। एक जटिल क्वांटम सर्किट बनाने या सिम्युलेट करने में संसाधन खर्च करने से पहले, इंजीनियर अब इस मॉडल का उपयोग यह जांचने के लिए कर सकते हैं कि क्या डिजाइन के प्रशिक्षित होने की संभावना है। यदि मॉडल बैरन प्लेटो की भविष्यवाणी करता है, तो डिजाइन को तुरंत त्याग दिया जा सकता है या संशोधित किया जा सकता है। यह दृष्टिकोण संभावित क्वांटम सर्किट डिजाइनों के विशाल स्थान में नेविगेट करने का एक व्यावहारिक तरीका प्रदान करता है, जिससे शोधकर्ताओं को उन आर्किटेक्चर पर ध्यान केंद्रित करने में मदद मिलती है जिनके सफल होने की वास्तविक संभावना है। यह कार्य पुष्टि करता है कि एक क्वांटम सर्किट की प्रशिक्षण क्षमता एक यादृच्छिक दुर्घटना नहीं है बल्कि इसके डिजाइन का एक अनुमानित गुण है, जो भविष्य की क्वांटम तकनीकों के अधिक कुशल विकास के द्वार खोलता है।