Coherent-feedback and dissipative training of quantum reservoir computers
यह शोध पत्र क्वांटम रिसर्वॉयर कंप्यूटर्स के लिए दो माप-मुक्त (measurement-free) प्रशिक्षण प्रोटोकॉल प्रस्तुत और मान्य करता है, यह प्रदर्शित करते हुए कि हालांकि वे अभी तक शास्त्रीय तरीकों की तुलना में स्वायत्त भविष्यवाणी लाभ प्रदान नहीं करते हैं, फिर भी वे यह पुष्टि करके प्रमुख व्यवहार्यता प्रश्नों को सफलतापूर्वक संबोधित करते हैं कि उच्च-सटीकता वाले रीसेट पर्याप्त हैं, सुसंगत लागत-ओरेकल (cost-oracle) परिशुद्धता प्राथमिक बाधा है, और एक दोष-सहिष्णु (fault-tolerant) कार्यान्वयन क्यूबिट-कुशल और डिवाइस शोर के प्रति मजबूत है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
मशीन लर्निंग के क्षेत्र में, कंप्यूटर अक्सर उस डेटा के साथ संघर्ष करते हैं जो समय के साथ विकसित होता है, जैसे कि भाषण, वित्तीय बाजार या मौसम के पैटर्न। इसे संभालने के लिए, वैज्ञानिक 'रिजर्वायर कंप्यूटिंग' (reservoir computing) नामक एक विधि का उपयोग करते हैं। कल्पना कीजिए कि एक जटिल, अपरिवर्तनीय मशीन है जो सूचना की एक धारा लेती है और उसे कनेक्शनों के एक विशाल, उलझे हुए जाल के माध्यम से संसाधित करती है। यह मशीन, जिसे "रिजर्वायर" कहा जाता है, कच्चे इनपुट को एक समृद्ध, उच्च-आयामी पैटर्न में बदल देती है। इसके बाद कंप्यूटर को केवल इस पैटर्न से आउटपुट को पढ़ने का एक सरल, रैखिक तरीका सीखने की आवश्यकता होती है ताकि वह भविष्यवाणी कर सके। यह दृष्टिकोण इसलिए कुशल है क्योंकि भारी काम इस स्थिर मशीन द्वारा किया जाता है, न कि किसी धीमी सीखने की प्रक्रिया द्वारा।
वैज्ञानिक लंबे समय से यह सोचते आए हैं कि क्या शास्त्रीय मशीन को क्वांटम मशीन से बदलने से कोई बड़ा लाभ मिल सकता है। क्वांटम सिस्टम एक साथ कई अवस्थाओं में मौजूद हो सकते हैं, जो सूचना को संसाधित करने के लिए घातीय रूप से बड़े स्थान की पेशकश करते हैं। हालांकि, एक बड़ी बाधा हमेशा इन क्वांटम सिस्टमों को प्रशिक्षित करने का तरीका रही है। मानक क्वांटम कंप्यूटिंग में, सीखने के लिए आमतौर पर यह मापने की आवश्यकता होती है कि सिस्टम कैसा प्रदर्शन कर रहा है। लेकिन क्वांटम सिस्टम को मापना एक चलती हुई वस्तु की तस्वीर खींचने जैसा है जो उसे स्थिर कर देती है; यह नाजुक क्वांटम अवस्था को नष्ट कर देता है और क्वांटम संचालन की गति की तुलना में अविश्वसनीय रूप से धीमा होता है। इस बाधा ने क्वांटम मशीन लर्निंग को वास्तविक दुनिया के कार्यों के लिए व्यावहारिक बनने से रोक रखा है।
टोक्यो में 'क्वांटम इंटीग्रेटेड रिसर्च इंस्टीट्यूट' के शोधकर्ताओं की एक टीम ने अब एक अलग रास्ता अपनाया है। उन्होंने पूछा कि क्या एक क्वांटम कंप्यूटर बिना कभी अपनी अवस्था को मापे सीख सकता है। सिस्टम को बदलने का निर्णय लेने के लिए परिणाम देखने के बजाय, उन्होंने एक ऐसी विधि प्रस्तावित की जहाँ कंप्यूटर एक निरंतर, अदृश्य फीडबैक लूप के आधार पर अपनी सेटिंग्स को स्वयं समायोजित करता है। उन्होंने दो अलग-अलग तरीके विकसित किए। पहला तरीका एक चतुर युक्ति का उपयोग करता है जहाँ सुधार के बारे में जानकारी को सिस्टम के एक छिपे हुए 'फेज' (phase) में एनकोड किया जाता है, जिसे फिर सिस्टम को रीसेट करने से पहले सेटिंग्स को समायोजित करने के लिए वापस फीड किया जाता है। दूसरा तरीका खुले सिस्टम (open systems) की स्वाभाविक प्रवृत्ति पर निर्भर करता है कि वे एक स्थिर अवस्था में बस जाएँ; परिवेश को सावधानीपूर्वक इंजीनियर करके, सिस्टम स्वाभाविक रूप से सर्वोत्तम संभव विन्यास में ढल जाता है, ठीक वैसे ही जैसे एक गेंद सबसे निचले बिंदु को खोजने के लिए पहाड़ी से नीचे लुढ़कती है।
शोधकर्ताओं ने इन विचारों का परीक्षण एक छोटे, सरलीकृत क्वांटम सिस्टम पर सिमुलेशन का उपयोग करके किया। उन्होंने पाया कि दोनों विधियाँ क्वांट的に क्वांटम कंप्यूटर को सफलतापूर्वक सीखने में सक्षम थीं, जो पारंपरिक प्रशिक्षण के प्रदर्शन से मेल खाती हैं जो माप (measurement) पर निर्भर करता है। अपने सिमुलेशन में, सिस्टम एक अराजक अनुक्रम (chaotic sequence) में अगले चरण की भविष्यवाणी करने में सक्षम था, जैसे कि मैकी-गलेस मॉडल (Mackey-Glass model) के उतार-चढ़ाव वाले मौसम के पैटर्न, जिसमें सटीकता का स्तर एक अप्रशिक्षित सिस्टम की तुलना में बेहतर था। हालांकि, परिणाम सूक्ष्म थे। जबकि क्वांटम सिस्टम ने एक अराजक अनुक्रम के बिल्कुल अगले चरण की भविष्यवाणी करने में स्पष्ट सुधार दिखाया, लेकिन जब लंबी अवधि के भविष्य की भविष्यवाणी करने की बात आई, तो यह सबसे अच्छे शास्त्रीय कंप्यूटरों से बेहतर प्रदर्शन नहीं कर सका। अध्ययन ने स्पष्ट रूप से इस विचार को खारिज कर दिया कि यह विशिष्ट दृष्टिकोण वर्तमान में स्वायत्त भविष्यवाणी के लिए "क्वांटम लाभ" (quantum advantage) प्रदान करता है, जिसका अर्थ है कि दीर्घकालिक पूर्वानुमान के लिए यह मौजूदा शास्त्रीय तरीकों के मुकाबले अभी तक एक स्पष्ट विजेता नहीं है।
इस कार्य का एक महत्वपूर्ण हिस्सा यह निर्धारित करना था कि इसे एक वास्तविक, फॉल्ट-टोलरेंट क्वांटम कंप्यूटर पर बनाने के लिए क्या आवश्यक होगा। शोधकर्ताओं ने गणना की कि ऐसे मशीन को लाखों क्यूबिट्स (qubits), जो क्वांटम सूचना की बुनियादी इकाइयाँ हैं, की आवश्यकता नहीं होगी, बल्कि प्रशिक्षण प्रक्रिया को संभालने के लिए लगभग दस हजार भौतिक क्यूबिट्स की आवश्यकता होगी। असली चुनौती क्यूबिट्स की संख्या नहीं है, बल्कि गणना चलाने में लगने वाला समय है। यह प्रक्रिया इस बात से सीमित है कि कंप्यूटर अपने ऑपरेशनों के चक्रों को कितनी तेज़ी से पूरा कर सकता है, न कि हार्डवेयर की कमी से। इसके अलावा, उन्होंने पहचान की कि सबसे महत्वपूर्ण घटक एक "कॉस्ट ऑरेकल" (cost oracle) है, जो एक तंत्र है जो सिस्टम को बताता है कि उसकी भविष्यवाणी कितनी गलत है। उन्होंने पाया कि एक विशिष्ट गणितीय तकनीक, जिसे 'पैरामीटर-शिफ्ट रूल' (parameter-shift rule) के रूप में जाना जाता है, इस तंत्र को बहुत अधिक सटीक और बनाने में आसान बना सकती है, जिससे कार्यान्वयन की एक बड़ी बाधा दूर हो जाती है।
अपने विचारों को केवल सैद्धांतिक साबित करने के बजाय, टीम ने वास्तविक क्वांटम हार्डवेयर पर अपने अनुकूलित क्वांटम सर्किट चलाए, जो IBM द्वारा प्रदान किया गया था। उन्होंने तीन अलग-अलग 156-क्यूबिट मशीनों का उपयोग किया, और वास्तविक दुनिया के उपकरणों के शोर और त्रुटियों के खिलाफ उनके सर्किट कितनी मजबूती से टिके रहते हैं, यह देखने के लिए विभिन्न स्थितियों के तहत परीक्षण किया। परिणाम उत्साहजनक थे: क्वांटम सर्किटों ने आदर्श, शोर-मुक्त सिमुलेशन के साथ उच्च स्तर का सहसंबंध दिखाते हुए, परिणामों को निकटता से मेल खाया। इसने प्रदर्शित किया कि उनके द्वारा डिज़ाइन किए गए विशिष्ट क्वांटम स्टेट्स वर्तमान तकनीक की खामियों के बावजूद पर्याप्त मजबूत हैं। हालांकि, वास्तविक प्रशिक्षण लूप, जिसके लिए सर्किट के बीच में जटिल, निरंतर फीडबैक और क्यूबिट्स को रीसेट करने की आवश्यकता होती है, इन मशीनों पर पूरी तरह से परीक्षण नहीं किया जा सका क्योंकि वह विशिष्ट हार्डवेयर क्षमता अभी उपलब्ध नहीं है।
अध्ययन यह निष्कर्ष निकालता है कि हालांकि यह माप-मुक्त (measurement-free) दृष्टिकोण अभी शास्त्रीय कंप्यूटरों को दीर्घकालिक भविष्यवाणी में हराने की समस्या को हल नहीं करता है, लेकिन यह बिना माप के धीमे और विनाशकारी चरण के क्वांटम सिस्टम को प्रशिक्षित करने के लिए एक व्यवहार्य मार्ग सफलतापूर्वक प्रदर्शित करता है। शोधकर्ताओं ने दिखाया है कि एंट्रॉपी को हटाने और सिस्टम को रीसेट करने के लिए आवश्यक हार्डवेयर पहले से ही पर्याप्त अच्छा है, और मुख्य बाधा फीडबैक तंत्र की सटीकता है, जिसे ज्ञात तकनीकों के माध्यम से सुधारा जा सकता है। यह कार्य एक 'डी-रिस्किंग' (de-risking) के रूप में कार्य करता है, जो यह पहचानता है कि इंजीनियरिंग चुनौतियाँ वास्तव में कहाँ हैं, और पुष्टि करता है कि आगे बढ़ने का रास्ता पूरी तरह से नई भौतिकी की खोज करने के बजाय गति और सटीकता को परिष्कृत करने का है। भविष्य के हार्डवेयर के लिए द्वार खुला है जो इन निरंतर फीडबैक लूपों को निष्पादित कर सके, जो आने वाले वर्षों में क्वांटम रिज़र्वोयर कंप्यूटिंग की पूर्ण क्षमता को अनलॉक कर सकता 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।