QUBO-Based Optimization of Social Indicator Configurations for Working-Age Population Growth

लोगों और जगहों की पहेली

कल्पना कीजिए कि आप एक आदर्श केक बनाने की कोशिश कर रहे हैं, लेकिन आटे और चीनी के बजाय, आपकी सामग्रियां "एक शहर में कितने लोग रहते हैं," "उनकी उम्र क्या है," और "उनके काम के प्रकार क्या हैं" जैसी चीजें हैं। विज्ञान की दुनिया में, यह कुछ हद तक इस बात के अध्ययन जैसा है कि कैसे समाज के विभिन्न हिस्से मिलकर एक समुदाय को फलने-फूलने में मदद करते हैं। दशकों से, वैज्ञानिक जानते हैं कि जब कोई शहर अपनी कार्यशील आयु वाली जनसंख्या (लगभग 15 से 64 वर्ष के बीच के लोग) को खो देता है, तो उसे एक कठिन भविष्य का सामना करना पड़ता है। यह एक स्पोर्ट्स टीम के अपने स्टार खिलाड़ियों को खोने जैसा है; पूरी टीम संघर्ष करने लगती है।

लेकिन यहाँ पेचीदा बात यह है: आप केवल एक चीज़ को ठीक नहीं कर सकते। आप केवल यह नहीं कह सकते, "यदि हम औसत आयु को कम कर दें, तो सब कुछ बहुत अच्छा हो जाएगा!" या "यदि हम बस अधिक विदेशी निवासियों को जोड़ दें, तो समस्या हल हो जाएगी!" वास्तविक दुनिया जटिल है। ये कारक आपस में जटिल तरीकों से मिलते हैं, जैसे कि एक ऐसी रेसिपी जहाँ नमक का एक चुटकी डालना चीनी के स्वाद को बदल देता है। सबसे अच्छा संयोजन खोजने के लिए, शोधकर्ता ऑप्टिमाइज़ेशन (optimization) नामक एक विशेष प्रकार के गणित का उपयोग करते हैं। इसे एक सुपर-स्मार्ट सर्च इंजन के रूप में सोचें जो केवल एक उत्तर नहीं खोजता, बल्कि लाखों संभावित "रेसिपी" की खोज करता है ताकि वह सबसे अच्छा काम करने वाला विकल्प ढूंढ सके। हाल ही में, इन विशाल पहेलियों को तेज़ी से हल करने में मदद करने के लिए क्वांटम एनीलिंग (quantum annealing) नामक एक नए प्रकार की कंप्यूटर तकनीक पेश की गई है, जो एक जादुई दिशा-सूचक यंत्र की तरह काम करती है जो संभावनाओं के परिदृश्य में पहाड़ियों और घाटियों के ऊपर से कूदकर सबसे निचले बिंदु (या उच्चतम शिखर, जो भी आप चाहते हों) को खोज सकती है।

शोध का बड़ा विचार: एक आदर्श सामाजिक रेसिपी खोजना

इस अध्ययन में, तोहोकू विश्वविद्यालय और अन्य संस्थानों के शोधकर्ताओं की एक टीम ने जापान में घटती कार्यशील आयु की जनसंख्या की समस्या से निपटने का निर्णय लिया। वे जानना चाहते थे: यदि हम जादुई रूप से किसी शहर के सामाजिक आंकड़ों में बदलाव कर सकें, तो परिवर्तनों का कौन सा संयोजन कार्यशील आयु की जनसंख्या में सर्वाधिक वृद्धि लाएगा?

केवल अनुमान लगाने के बजाय, उन्होंने एक डिजिटल "सरोगेट मॉडल" (surrogate model) बनाया। इसकी कल्पना एक ऐसे क्रिस्टल बॉल के रूप में करें जो जादुई नहीं है, बल्कि वास्तविक डेटा पर प्रशिक्षित है। उन्होंने 1,855 जापानी शहरों के डेटा को लिया, जिसमें 2010 की जनगणना से दस अलग-अलग सामाजिक संकेतक (जैसे जनसंख्या घनत्व, औसत आयु, और विभिन्न प्रकार के श्रमिकों का अनुपात) देखे गए और यह देखा कि वे 2010 और 2020 के बीच जनसंख्या वृद्धि से कैसे संबंधित थे। उन्होंने इन निरंतर संख्याओं को एक सरल "वन-हॉट" (one-hot) कोड में बदल दिया, जैसे कि प्रत्येक संकेतक के लिए चार सेटिंग्स वाला एक डायल घुमाना।

परिणाम एक द्विघाती समीकरण (quadratic equation) था—एक गणितीय सूत्र जो न केवल यह बताता है कि प्रत्येक संकेतक अकेले कैसे काम करता है, बल्कि यह भी कि वे एक-दूसरे के साथ कैसे परस्पर क्रिया करते हैं। यह इस अहसास जैसा है कि "कम औसत आयु" अच्छी है, लेकिन "कम औसत आयु" और "प्राथमिक उद्योग के श्रमिकों की मध्यम संख्या" और भी बेहतर है। मॉडल आश्चर्यजनक रूप से सटीक था, जिसने 0.84 के सहसंबंध गुणांक (correlation coefficient) और 0.76 के औसत निर्धारण गुणांक ($R^2$) के साथ जनसंख्या वृद्धि की भविष्यवाणी की। इसका मतलब है कि उनके द्वारा बनाई गई गणितीय रेसिपी वास्तविक दुनिया के परिणामों के साथ काफी अच्छी तरह मेल खाती है, हालांकि लेखक सावधानी बरतते हुए कहते हैं कि यह संभावनाओं की खोज के लिए एक उपकरण है, न कि भविष्य की गारंटी देने वाला कोई क्रिस्टल बॉल।

अनुकूलन की खोज: क्वांटम बनाम क्लासिकल

एक बार जब उनके पास एक रेसिपी आ गई, तो टीम को सेटिंग्स के सबसे अच्छे संयोजन को खोजने की आवश्यकता थी। यहीं पर "QUBO" (Quadratic Unconstrained Binary Optimization) ढांचा आता है। उन्होंने अपने विकास मॉडल को एक ऐसी पहेली में बदल दिया जहाँ लक्ष्य दस संकेतकों के मिश्रण को ढूँढना है जो अनुमानित वृद्धि को अधिकतम करता है।

इसे हल करने के लिए, उन्होंने तीन अलग-अलग "खोजकर्ताओं" का उपयोग किया:

1. गुरोबी (Gurobi): एक शक्तिशाली, सटीक कंप्यूटर सॉल्वर जो एक सूक्ष्म पुस्तकालयाध्यक्ष की तरह कार्य करता है जो पूर्ण पुस्तक खोजने के लिए हर एक पुस्तक की जाँच करता है।
2. सिमुलेटेड एनीलिंग (Simulated Annealing): एक क्लासिकल कंप्यूटर विधि जो धातु के ठंडा होने की नकल करती है, धीरे-धीरे एक अच्छे समाधान में स्थिर होती है।
3. क्वांटम एनीलिंग (Quantum Annealing): D-Wave Advantage2 सिस्टम का उपयोग करने वाली एक विधि, जो एक अनूठे तरीके से समाधान स्थान (solution space) को खोजने के लिए क्वांटम भौतिकी का उपयोग करती है।

तीनों विधियों ने बिल्कुल एक ही सर्वोत्तम विन्यास (configuration) पर सहमति व्यक्त की! वृद्धि के लिए आदर्श "रेसिपी" में शामिल था:

• जनसंख्या घनत्व का उच्चतम स्तर।
• औसत आयु का निम्नतम स्तर।
• लिंग अनुपात (प्रति 100 महिलाओं पर पुरुष) का उच्चतम स्तर।
• विदेशी निवासियों का उच्चतम स्तर।
• एकल-व्यक्ति परिवारों का उच्चतम स्तर।
• तीन-पीढ़ी वाले परिवारों का दूसरा स्तर।
• प्राथमिक उद्योग श्रमिकों का निम्नतम स्तर।
• द्वितीयक उद्योग श्रमिकों का निम्नतम स्तर।
• तृतीयक उद्योग श्रमिकों का उच्चतम स्तर।
• दिन-रात की जनसंख्या अनुपात का उच्चतम स्तर।

इस आदर्श विन्यास के लिए अनुमानित वृद्धि दर लगभग 6.35 थी। हालाँकि, शोधकर्ताओं ने केवल "परफेक्ट" उत्तर पर ही नहीं रुक गए। उन्होंने देखा कि एनीलिंग विधियों (क्वांटम और सिमुलेटेड दोनों) ने कई अन्य अच्छे, व्यवहार्य विन्यास भी खोजे जो पूर्ण से थोड़े कम थे लेकिन फिर भी बहुत आशाजनक थे। यह वास्तविक दुनिया में महत्वपूर्ण है क्योंकि एक शहर बजट या भूगोल के कारण तुरंत "परफेक्ट" विन्यास में नहीं बदल सकता है। केवल एक सैद्धांतिक आदर्श के बजाय "काफी अच्छे" विकल्पों की सूची होना अक्सर अधिक उपयोगी होता है।

मोड़: यह सब मिश्रण के बारे में है

यह देखने के लिए कि यह मॉडल वास्तव में कैसे काम करता है, टीम ने तीन वास्तविक शहरों (जिन्हें A, B और C के रूप में अज्ञात रखा गया है) को चुना जिनका जनसंख्या वृद्धि दर समान थी। फिर उन्होंने एक "क्या होगा यदि" खेल खेला: क्या होगा यदि हम इन शहरों में केवल एक चीज़ बदल दें?

उन्होंने पाया कि कुछ बहुत ही दिलचस्प था। एक एकल संकेतक को बदलना हमेशा मददगार नहीं होता है। उदाहरण के लिए, कुछ शहरों में, "दिन-रात की जनसंख्या अनुपात" को "इष्टतम" स्तर के करीब ले जाने से अनुमानित वृद्धि वास्तव में कम हो गई। इससे सिद्ध हुआ कि संकेतक गहराई से जुड़े हुए हैं। आप पहेली के एक हिस्से को अलग-थलग करके ठीक नहीं कर सकते; एक चीज़ को बदलने का प्रभाव पूरी तरह से इस बात पर निर्भर करता है कि अन्य चीजें क्या कर रही हैं।

अध्ययन ने एक विशिष्ट, मजबूत अंतःक्रिया को भी उजागर किया: कम औसत आयु और प्राथमिक उद्योग श्रमिकों के मध्यम अनुपात का संयोजन वृद्धि के लिए एक शक्तिशाली चालक था। यह सुझाव देता है कि जादू केवल युवाओं या किसानों के होने में नहीं है, बल्कि उनके सही मिश्रण में है।

इसका क्या अर्थ है (और क्या नहीं है)

लेखक स्पष्ट रूप से बताते हैं कि उनका काम क्या है और क्या नहीं है। वे कहते हैं कि यह एक मेथडोलॉजिकल प्रदर्शन (methodological demonstration) है, न कि एक कारण संबंधी प्रमाण (causal proof)। दूसरे शब्दों में, वे यह नहीं कह रहे हैं कि, "यदि आप X करेंगे, तो Y निश्चित रूप से होगा।" इसके बजाय, वे कह रहे हैं, "हमारा मॉडल सुझाव देता है कि ये संयोजन वृद्धि से जुड़े हैं।" वास्तविक दुनिया की नीति जटिल है, और वास्तव में किसी शहर की जनसांख्यिकी को बदलना कानूनों, अर्थशास्त्र और मानव व्यवहार को शामिल करता है जिसे यह गणितीय मॉडल कैप्चर नहीं करता है।

हालाँकि, यह अध्ययन सफलतापूर्वक दिखाता है कि हम जटिल सामाजिक डेटा को ले सकते हैं, उसे एक व्याख्या योग्य गणित मॉडल में बदल सकते हैं, और विभिन्न परिदृश्यों का पता लगाने के लिए उन्नत अनुकूलन उपकरणों (क्वांटम कंप्यूटिंग सहित) का उपयोग कर सकते हैं। यह एक पारदर्शी तरीका प्रदान करता है जिससे यह पूछा जा सके, "क्या होगा यदि हमने इस संयोजन को आज़माया?" और एक डेटा-संचालित उत्तर प्राप्त किया जा सके। हालाँकि क्वांटम कंप्यूटर ने इस विशिष्ट, छोटे पैमाने के परीक्षण में क्लासिकल कंप्यूटर को आवश्यक रूप से नहीं हराया, लेकिन तथ्य यह है कि उन सभी ने एक ही उत्तर पाया, इससे इस पद्धति की प्रभावशीलता को विश्वास मिलता है। वास्तविक मूल्य इस बात में निहित है कि हमारे पास नीति निर्माताओं के बीच चर्चा के लिए व्यवहार्य, अनुकूलित परिदृश्यों की एक सूची बनाने का एक उपकरण है, बजाय इसके कि वे केवल एक संख्या को देखते रहें और उम्मीद करते रहें।