Metal-Insulator Transition Classification Using Hybrid Quantum Learning Under Data Scarcity

पदार्थ विज्ञान की दुनिया में, पदार्थों का एक विशेष वर्ग है जो बिजली के सुचालक (कंडक्टर) होने और उसे रोकने वाले कुचालक (इन्सुलेटर) होने के बीच स्विच कर सकता है। यह स्विच, जिसे मेटल-इन्सुलेटर ट्रांजिशन के रूप में जाना जाता है, अगली पीढ़ी के इलेक्ट्रॉनिक्स, मेमोरी स्टोरेज और मानव मस्तिष्क की नकल करने वाले सेंसर की धड़कन है। वैज्ञानिकों के लिए चुनौती यह है कि ये पदार्थ दुर्लभ हैं और इनका अध्ययन करना कठिन है; कंप्यूटर को उन्हें पहचानने के लिए प्रशिक्षित करने हेतु पर्याप्त सत्यापित उदाहरण ढूंढना वैसा ही है जैसे केवल कुछ ही शब्दों के साथ एक भाषा सीखने की कोशिश करना। चूंकि डेटा इतना दुर्लभ और असमान रूप से वितरित है, इसलिए शोधकर्ताओं ने नए उम्मीदवारों की खोज में मदद करने के लिए आर्टिफिशियल इंटेलिजेंस का रुख किया है। हाल ही में, क्वांटम मशीन लर्निंग नामक एक नया प्रकार का कंप्यूटिंग उभरा है, जो क्वांटम भौतिकी के अजीब नियमों का उपयोग करके सूचना को उन तरीकों से संसाधित करने का वादा करता है जो क्लासिकल कंप्यूटर नहीं कर सकते। वैज्ञानिक समुदाय के लिए बड़ा सवाल यह है कि क्या ये क्वांटम उपकरण वास्तव में तब कोई वास्तविक लाभ प्रदान करते हैं जब डेटा इतना कम हो, या क्या वे केवल एक अन्य जटिल उपकरण हैं जो पुराने तरीकों की तरह ही समान परिस्थितियों में संघर्ष करते हैं।

ओक्लाहोमा विश्वविद्यालय के शोधकर्ताओं ने यह उत्तर देने के लिए एक कठोर परीक्षण बनाकर इस प्रश्न का उत्तर देने का प्रयास किया कि जब इन पेचीदा सामग्रियों का वर्गीकरण किया जाता है, तो क्वांटम कंप्यूटर कितना अच्छा प्रदर्शन करते हैं। उन्होंने यह दावा करके शुरुआत नहीं की कि क्वांटम कंप्यूटर श्रेष्ठ हैं; इसके बजाय, उन्होंने एक सावधानीपूर्वक प्रयोग डिजाइन किया ताकि यह देखा जा सके कि क्या वे मानक, अच्छी तरह से समझे गए कंप्यूटर मॉडलों के प्रदर्शन का मुकाबला कर सकते हैं। शोधकर्ताओं ने 316 रासायनिक यौगिकों के एक डेटाबेस पर काम किया, जो पदार्थ विज्ञान के क्षेत्र के लिए एक छोटी संख्या है। उन्होंने एक मानक प्रकार के आर्टिफिशियल इंटेलिजेंस, जिसे ग्राफ न्यूरल नेटवर्क कहा जाता है, का उपयोग किया ताकि प्रत्येक क्रिस्टल की भौतिक संरचना को एक संक्षिप्त डिजिटल सारांश में बदला जा सके। इस सारांश को फिर विभिन्न प्रकार के "रीडआउट" सिस्टम में डाला गया ताकि यह देखा जा सके कि कौन सा यह अनुमान लगाने में सबसे अच्छा है कि सामग्री धातु है या कुचालक। उन्होंने सरल रैखिक मॉडल (linear models), जटिल बहु-परतीय न्यूरल नेटवर्क, और दो अलग-अलग प्रकार के क्वांटम क्लासिफायर की तुलना की। एक क्वांटम दृष्टिकोण ने एक लचीले सर्किट का उपयोग किया जिसे ट्यून किया जा सकता था, जबकि दूसरे ने डेटा को सर्किट में बार-बार वापस फीड किया ताकि यह देखा जा सके कि क्या यह अतिरिक्त प्रोसेसिंग मदद करती है।

अध्ययन के परिणाम स्पष्ट और संतुलित थे। जब शोधकर्ताओं ने उपलब्ध सभी डेटा का उपयोग किया, तो क्वांटम क्लासिफायर ने सर्वश्रेष्ठ क्लासिकल मॉडलों के समान प्रदर्शन किया, लेकिन वे उनसे बेहतर नहीं हो सके। सबसे उन्नत क्वांटम मॉडल ने 0.870 का प्रदर्शन स्कोर प्राप्त किया, जो रैखिक मॉडल (0.869) और जटिल न्यूरल नेटवर्क (0.861) के लगभग समान था। यह निष्कर्ष बताता है कि इस विशिष्ट कार्य के लिए, क्वांटम सर्किट प्रतिस्पर्धी होने में सक्षम हैं, लेकिन वे नई भविष्य कहने वाली शक्ति को अनलॉक करने वाला कोई जादुई समाधान (magic bullet) नहीं हैं। वास्तव में, जब शोधकर्ताओं ने क्वांटम मॉडल के निर्माण के तरीके को करीब से देखा, तो उन्होंने पाया कि सबसे सफल कॉन्फ़िगरेशन आश्चर्यजनक रूप से सरल था। वह मॉडल जिसने डेटा को सर्किट में बार-बार वापस फीड किया था—एक ऐसी तकनीक जिसे अक्सर क्वांटम कंप्यूटिंग की एक बड़ी ताकत के रूप में प्रचारित किया जाता है—उसने लगभग हमेशा केवल एक पास के बाद रुकने का निर्णय लिया। उनके परीक्षण मामलों में से 82 प्रतिशत से अधिक में, सिस्टम ने निर्णय लिया कि जटिलता की अधिक परतें जोड़ना सहायक नहीं था। यह इंगित करता है कि सामग्री का प्रारंभिक डिजिटल सारांश पहले से ही इतना स्पष्ट था कि क्वांटम कंप्यूटर को इसे समझने के लिए अतिरिक्त काम करने की आवश्यकता नहीं थी।

अध्ययन ने यह सुनिश्चित करने के लिए भी बहुत सावधानी बरती कि तुलना निष्पक्ष हो। अक्सर, क्वांटम और क्लासिकल कंप्यूटरों की तुलना करते समय, क्लासिकल मॉडलों को कम संसाधन उपयोग करने के लिए मजबूर करके उन्हें नुकसान पहुँचाया जाता है। इस प्रयोग में, शोधकर्ताओं ने क्लासिकल मॉडलों के संसाधनों को क्वांटम के समान बनाया, और यहाँ तक कि ऐसे क्लासिकल संस्करण भी बनाए जो क्वांटम सर्किट की विशिष्ट बाधाओं (bottlenecks) की नकल करते थे। जब ये सख्त नियंत्रण लागू किए गए, तो क्वांटम मॉडलों का कोई भी स्पष्ट लाभ गायब हो गया। क्लासिकल मॉडल परिणामों को उतनी ही अच्छी तरह से पुनरुत्पादित कर सके। इसके अलावा, शोधकर्ताओं ने पाया कि जबकि क्वांटम मॉडल सामग्रियों को धातु-कुचालक ट्रांजिशन के लिए सबसे संभावित से सबसे कम संभावित के क्रम में रैंक करने में अच्छे थे, वे उन रैंकों के लिए सटीक संभावनाएँ (probabilities) निर्धारित करने में बहुत अच्छे नहीं थे। एक मॉडल सही ढंग से उम्मीदवारों की पहचान तो कर सकता था, लेकिन वह अपने अनुमानों के बारे में अत्यधिक आत्मविश्वासी हो सकता था, जो उन वैज्ञानिकों के लिए एक जोखिम भरा गुण है जिन्हें प्रयोगों पर समय और पैसा खर्च करने से पहले यह जानने की आवश्यकता होती है कि वे भविष्यवाणी पर कितना भरोसा कर सकते हैं।

इन उपकरणों की सीमाओं का परीक्षण करने के लिए, टीम ने एक अलग डेटा सेट का उपयोग करके एक अलग प्रयोग भी चलाया, जिसमें सामग्रियों का वर्णन उनके पूर्ण क्रिस्टल स्ट्रक्चर के बजाय केवल छह बुनियादी भौतिक गुणों के माध्यम से किया गया था। इस परिदृश्य में, उन्होंने दुर्लभ सामग्रियों के उदाहरणों की कमी को कृत्रिम रूप से अधिक डेटा बिंदु बनाकर ठीक करने की कोशिश की। जबकि इस तकनीक ने क्वांटम मॉडलों को अधिक दुर्लभ सामग्रियों को खोजने में मदद की, इसने उन्हें कई गलत अलार्म (false alarms) भी दिए, यानी ऐसी सामग्रियों को भी दिलचस्प के रूप में चिह्नित किया जो वास्तव में नहीं थीं। एक मानक, गैर-क्वांटम मॉडल जिसे 'रैंडम फॉरेस्ट' कहा जाता है, इस परीक्षण में सबसे मजबूत प्रदर्शन करने वाला रहा, जिसने उच्च सटीकता और कम गलतियों के साथ दुर्लभ सामग्रियों को खोजा। इसने इस मुख्य निष्कर्ष को पुख्ता किया कि केवल अधिक जटिल सर्किट जोड़ना या डेटा के साथ प्रयोग करना छोटे और अव्यवस्थित डेटासेट की मौलिक कठिनाई को दूर नहीं करता है।

अंततः, यह शोध इस बात का यथार्थवादी रोडमैप प्रदान करता है कि पदार्थ विज्ञान में क्वांटम कंप्यूटिंग का उपयोग कैसे किया जाना चाहिए। यह दिखाता है कि क्वांटम सर्किट आधुनिक एआई द्वारा किसी सामग्री की संरचना के बारे में सीखे गए सूचनाओं को पढ़ने के लिए प्रभावी, संक्षिप्त उपकरण के रूप में कार्य कर सकते हैं। हालाँकि, अध्ययन इस विचार को खारिज करता है कि ये क्वांटम उपकरण एक विशेष, अंतर्निहित लाभ प्रदान करते हैं जिसे क्लासिकल कंप्यूटर प्राप्त नहीं कर सकते। सिस्टम का प्रदर्शन इस बात पर बहुत अधिक निर्भर करता है कि सामग्री का प्रतिनिधित्व कितनी अच्छी तरह किया गया है और मॉडलों को कितनी सावधानी से चुना और कैलिब्रेट किया गया है, न कि इस पर कि अंतिम चरण में क्वांटम प्रोसेसर का उपयोग किया गया है या नहीं। वैज्ञानिकों के लिए जो नई सामग्रियों की खोज कर रहे हैं, आगे का रास्ता इन क्वांटम उपकरणों को एक बड़े, अनुशासित वर्कफ़्लो के हिस्से के रूप में उपयोग करने में निहित है जिसमें सावधानीपूर्वक सत्यापन और पारंपरिक सत्यापन शामिल है, न कि उनसे डेटा की कमी की समस्या को अकेले हल करने की उम्मीद करने में। क्वांटम दृष्टिकोण का मूल्य मौजूदा वैज्ञानिक प्रक्रियाओं में फिट होने की इसकी क्षमता में है, न कि उन्हें बदलने की इसकी क्षमता में।