Conformalized Quantum DeepONet Ensembles: Towards Scalable Operator Learning with Distribution-Free Guarantees

आधुनिक विज्ञान और इंजीनियरिंग की दुनिया में, कई समस्याओं में यह अनुमान लगाना शामिल होता है कि जटिल प्रणालियाँ समय के साथ कैसे व्यवहार करेंगी। एक बिजली प्रवाह को प्रबंधित करने वाले पावर ग्रिड या एक तूफान को ट्रैक करने वाले मौसम मॉडल के बारे में सोचें। ये प्रणालियाँ भौतिकी के उन नियमों द्वारा संचालित होती हैं जिन्हें समीकरणों के रूप में लिखा जा सकता है, लेकिन हर संभावित परिदृश्य के लिए उन समीकरणों को हल करना अक्सर वास्तविक समय में निर्णय लेने के लिए बहुत धीमा और महंगा होता है। इसे गति देने के लिए, वैज्ञानिकों ने "सरोगेट मॉडल" (surrogate models) विकसित किए हैं, जो इन जटिल प्रtop प्रणालियों के सरल, सीखे हुए संस्करण हैं। ये मॉडल लगभग तुरंत भविष्यवाणी कर सकते हैं, जो सिमुलेशन के लिए एक 'फास्ट-फॉरवर्ड' बटन की तरह कार्य करते हैं। हालाँकि, इसमें एक पेंच है: जब इन मॉडलों का उपयोग सुरक्षा-महत्वपूर्ण कार्यों के लिए किया जाता है, जैसे कि पावर ग्रिड को स्थिर रखना, तो केवल यह जानना पर्याप्त नहीं है कि मॉडल क्या भविष्यवाणी करता है। इंजीनियरों को यह भी जानने की आवश्यकता है कि वे उस भविष्यवाणी पर कितना भरोसा कर सकते हैं। यदि मॉडल अनिश्चित है, तो उसे ऐसा कहना चाहिए, और उसे परिणामों की एक विश्वसनीय सीमा प्रदान करनी चाहिए। इसके अलावा, जैसे-जैसे ये प्रणालियाँ अधिक विस्तृत होती जाती हैं, मॉडल चलाने के लिए आवश्यक कंप्यूटर शक्ति इतनी तेजी से बढ़ती है कि उन्हें उपयोग करना असंभव हो सकता है।

पर्ड्यू यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने इन दो समस्याओं—गति और विश्वसनीयता—से निपटने के लिए दो अलग-अलग क्षेत्रों को मिलाकर एक समाधान निकाला है: क्वांटम कंप्यूटिंग और अनिश्चितता को मापने की एक सांख्यिकीय विधि। उन्होंने एक नया ढांचा तैयार किया जिसे "कॉन्फ़ॉर्मलाइज़्ड क्वांटम डीप ऑपरेटर नेटवर्क" (Conformalized Quantum Deep Operator Network) कहा जाता है। सरल शब्दों में, यह एक प्रकार का आर्टिफिशियल इंटेलिजेंस है जिसे यह सीखने के लिए डिज़ाइन किया गया है कि प्रणालियाँ कैसे बदलती हैं, लेकिन इसे क्वांटम मैकेनिक्स के सिद्धांतों का उपयोग करके तेज़ चलाने के लिए बनाया गया है, और इसे एक सांख्यिकक सुरक्षा जाल (statistical safety net) में लपेटा गया है ताकि इसकी भविष्यवाणियाँ भरोसेमंद सुनिश्चित की जा सकें। शोधकर्ताओं ने केवल एक एकल मॉडल नहीं बनाया; उन्होंने इन मॉडलों का एक समूह बनाया जो एक साथ काम करते हैं, जिसे 'एन्सेम्बल' (ensemble) तकनीक कहा जाता है, ताकि वे अपनी अनिश्चितता को बेहतर ढंग से माप सकें। उनका कार्य यह दर्शाता है कि जबकि ये क्वांटम मॉडल अभी विकास के शुरुआती चरणों में हैं, वे उच्च सटीकता प्राप्त कर सकते हैं और गणितीय रूप से गारंटीकृत सुरक्षा मार्जिन प्रदान कर सकते हैं, भले ही उन्हें शोर युक्त (noisy), अपूर्ण हार्डवेयर पर सिम्युलेट किया गया हो।

शोधकर्ताओं ने जिस मुख्य समस्या का समाधान किया है वह यह है कि पारंपरिक आर्टिफिशियल इंटेलिजेंस मॉडल, जो मानक कंप्यूटर चिप्स का उपयोग करते हैं, जटिल, निरंतर प्रणालियों का अनुकरण करने के लिए पूछे जाने पर संघर्ष करते हैं। ये मॉडल गणनाओं की ऐसी परतों पर निर्भर करते हैं जो सिस्टम के अधिक विस्तृत होने पर घातीय रूप से महंगी हो जाती हैं। यदि आप उच्च परिशुद्धता के साथ किसी प्रणाली के व्यवहार की भविष्यवाणी करना चाहते हैं, तो सिमुलेशन चलाने में लगने वाला समय इतना बढ़ सकता है कि यह एक तेज़ मॉडल बनाने के उद्देश्य को ही विफल कर देता है। शोधकर्ताओं ने इस बाधा को दूर करने के लिए क्वांटम कंप्यूटिंग की ओर रुख किया। उन्होंने एक विशिष्ट प्रकार के क्वांटम न्यूरल नेटवर्क का उपयोग किया, जो क्वांटम बिट्स या 'क्यूबिट्स' (qubits) के अद्वितीय गुणों का उपयोग करके गणना करने के लिए किया जाता है, जो सैद्धांतिक रूप से इन विशिष्ट प्रकार की समस्याओं के लिए बहुत अधिक कुशल है। डेटा को प्रोसेस करने के लिए आवश्यक द्विघात (quadratic) कार्य के बजाय, उनका क्वांटम दृष्टिकोण बहुत धीरे बढ़ता है, जो बारीक-ग्रेन सिमुलेशन के लिए आवश्यक डेटा की विशाल मात्रा को संभालने का एक संभावित मार्ग प्रदान करता है।

हालाँकि, केवल एक मॉडल को तेज़ बनाना उसे महत्वपूर्ण स्थितियों में उपयोग करने के लिए सुरक्षित नहीं बनाता है। वास्तव में, क्वांटम कंप्यूटर वर्तमान में त्रुटियों और शोर (noise) के प्रति संवेदनशील हैं, जो उनके आउटपुट को यादृच्छिक या अविश्वसनीय बना सकते हैं। इसे संबोधित करने के लिए, शोधकर्ताओं ने अपने क्वांटम मॉडलों को "कॉन्फ़ॉर्मल प्रेडिक्शन" (conformal prediction) नामक एक तकनीक के साथ जोड़ा। यह एक सांख्यिकीय विधि है जो पिछले डेटा वितरण के आधार पर त्रुटि की संभावना का अनुमान लगाने पर निर्भर नहीं करती है। इसके बजाय, यह मॉडल को कैलिब्रेट करने के लिए डेटा के एक अलग सेट का उपयोग करती है, जिससे एक भविष्यवाणी अंतराल (prediction interval) बनता है जो गणितीय गारंटी के साथ यह बताता है कि वास्तविक उत्तर एक निश्चित प्रतिशत समय में उसके भीतर होगा, चाहे डेटा का वितरण कैसा भी हो। कई स्वतंत्र क्वांटम मॉडलों को प्रशिक्षित करके और फिर इस अंशांकन (calibration) विधि का उपयोग करके, टीम ने एक ऐसी प्रणाली बनाई जो न केवल परिणामों की भविष्यवाणी करती है बल्कि उन भविष्यवाणियों के चारों ओर एक बॉक्स भी बनाती है, यह दावा करते हुए कि वास्तविक मान उस बॉक्स के भीतर रहने की गणितीय निश्चितता है।

शोधकर्ताओं ने अपने ढांचे का परीक्षण कई अलग-अलग चुनौतियों पर किया। सबसे पहले, उन्होंने सिंथेटिक बेंचमार्क का उपयोग किया, जैसे कि फलनों (functions) के एकीकरण (integration) से संबंधित एक गणितीय कार्य और अंतरिक्ष में चलती हुई एक लहर का सिमुलेशन। इन आदर्श, शोर-मुक्त सिमुलेशनों में, सिस्टम ने उच्च सटीकता के साथ प्रदर्शन किया, जिससे एकीकरण कार्य के लिए आधे प्रतिशत से कम की सापेक्ष त्रुटि और लहर सिमुलेशन के लिए लगभग दो प्रतिशत की त्रुटि प्राप्त हुई। इससे भी महत्वपूर्ण बात यह है कि सिस्टम ने अपने विश्वसनीयता लक्ष्यों को सफलतापूर्वक पूरा किया। जब शोधकर्ताओं ने मॉडल से 90 प्रतिशत विश्वास अंतराल (confidence interval) प्रदान करने के लिए कहा, तो वास्तविक परिणाम लगभग 88 से 92 प्रतिशत बार उस अंतराल के भीतर आए, जो लक्ष्य के काफी करीब था। इसने प्रदर्शित किया कि यह विधि वास्तविक दुनिया के अनुप्रयोगों के लिए आवश्यक कठोर सुरक्षा गारंटी प्रदान कर सकती है।

यह सुनिश्चित करने के लिए कि निष्कर्ष मजबूत हों, टीम ने वास्तविक दुनिया के हार्डवेयर दोषों के प्रभावों का भी सिमुलेशन किया। आज के क्वांटम कंप्यूटर पूर्ण नहीं हैं; वे "शोर" से ग्रस्त होते हैं जो गणनाओं को खराब कर सकता है। शोधकर्ताओं ने विभिन्न स्तरों के सिम्युलेटेड शोर के तहत अपने मॉडलों का परीक्षण किया, जिसमें प्रमुख निर्माताओं के वास्तविक क्वांटम प्रोसेसर में पाए जाने वाले विशिष्ट त्रुटि पैटर्न भी शामिल थे। इन खामियों के बावजूद, सिस्टम उल्लेखनीय रूप से स्थिर रहा। भविष्यवाणी अंतराल उचित रूप से समायोजित हुए, और कवरेज दरें लक्ष्य स्तरों के करीब बनी रहीं। कुछ मामलों में, शोर की उपस्थिति ने मॉडल के व्यवहार पर एक सूक्ष्म, अप्रत्याशित प्रभाव भी डाला, हालांकि शोधकर्ताओं ने नोट किया कि यह प्रारंभिक था और इस पर आगे अध्ययन की आवश्यकता है। उन्होंने मॉडलों को चलाने के विभिन्न तरीकों का भी पता लगाया, जैसे कि कंप्यूटर के क्लासिकल और क्वांटम भागों के बीच काम को विभाजित करना, या संसाधनों को बचाने के लिए एक ही क्वांटम सर्किट पर कई मॉडलों को चलाने की तकनीक का उपयोग करना। इन प्रयोगों ने दिखाया कि जबकि गति, सटीकता और आवश्यक क्वांटम बिट्स की संख्या के बीच ट्रेड-ऑफ (trade-offs) होते हैं, यह ढांचा विभिन्न हार्डवेयर बाधाओं के अनुकूल होने के लिए पर्याप्त लचीला है।

अंत में, शोधकर्ताओं ने अपने तरीके को एक वास्तविक दुनिया के परिदृश्य: बिजली प्रणाली की गतिशीलता (power system dynamics) पर लागू किया। उन्होंने मॉडलों को यह भविष्यवाणी करने के लिए प्रशिक्षित किया कि विद्युत ग्रिड में वोल्टेज और बिजली प्रवाह व्यवधानों के जवाब में कैसे बदलेगा। यह ब्लैकआउट को रोकने और ग्रिड स्थिरता बनाए रखने के लिए एक महत्वपूर्ण कार्य है। मॉडलों का परीक्षण ऑफलाइन कार्यों पर किया गया, जहाँ सिस्टम के पूरे इतिहास का एक साथ विश्लेषण किया जाता है, और ऑनलाइन कार्यों पर भी, जहाँ नए डेटा के आने पर वास्तविक समय में भविष्यवाणियां की जानी चाहिए। इन परीक्षणों में, क्वांटम एन्सेम्बल मॉडलों ने कार्य की जटिलता के आधार पर लगभग 4% से 12% तक की सापेक्ष त्रुटियां हासिल कीं। महत्वपूर्ण रूप से, अनिश्चितता अनुमान विश्वसनीय रहे, जिसमें वास्तविक परिणाम लगभग 90 प्रतिशत समय अनुमानित श्रेणियों के भीतर आए, जैसा कि सिद्धांत ने सुझाव दिया था। इसने सिद्ध किया कि यह ढांचा वास्तविक पावर ग्रिड के जटिल, उच्च-दांव वाले डेटा को संभाल सकता है, न कि केवल साफ गणितीय पहेलियों को।

इस अध्ययन में प्रस्तुत कार्य वैज्ञानिक मशीन लर्निंग के क्षेत्र में एक महत्वपूर्ण कदम है, लेकिन इसके साथ कुछ सावधानियां भी जुड़ी हैं। शोधकर्ता सावधानीपूर्वक नोट करते हैं कि गति के संबंध में उनके परिणाम सैद्धांतिक विश्लेषण और सिमुलेशन पर आधारित हैं, न कि किसी भौतिक क्वांटम कंप्यूटर पर मॉडल चलाने पर जो शास्त्रीय (classical) कंप्यूटर से तेज़ हो। वर्तमान क्वांटम हार्डवेयर अभी इतना शक्तिशाली नहीं है कि वह व्यावहारिक, वास्तविक दुनिया के परिवेश में इन कार्यों के लिए क्लासिकल सुपरकंप्यूटरों को पछाड़ सके। प्राथमिक उपलब्धि एक पूर्ण ढांचे के सफल संयोजन का प्रदर्शन करना है जो क्वांटम दक्षता के साथ कठोर सांख्यिकीय गारंटी को जोड़ता है। शोधकर्ताओं ने दिखाया है कि एक ऐसी प्रणाली बनाना संभव है जो संसाधन-जागरूक (resource-aware) और अनिश्चितता-जागरूक (uncertainty-aware) दोनों हो, जो भविष्य में इन तकनीकों के उपयोग के लिए एक ब्लूप्रिंट प्रदान करती है।

जैसे-जैसे तकनीक परिपक्व होगी, यह दृष्टिकोण उन इंजीनियरों और वैज्ञानिकों के लिए एक महत्वपूर्ण उपकरण बन सकता है जिन्हें जटिल वातावरण में तेज़, विश्वसनीय निर्णय लेने की आवश्यकता होती है। यह सिद्ध करके कि क्वांटम मॉडलों को विश्वसनीय सुरक्षा मार्जिन प्रदान करने के लिए कैलिब्रेट किया जा सकता है, शोधकर्ताओं ने इन तकनीकों को सुरक्षा-महत्वपूर्ण क्षेत्रों में अपनाने की एक बड़ी बाधा को दूर कर दिया है। अध्ययन यह दावा नहीं करता है कि उसने क्वांटम कंप्यूटिंग के शोर की समस्या को हल कर लिया है या एक ऐसी मशीन बनाई है जो तुरंत किसी पावर प्लांट में तैनात होने के लिए तैयार है। इसके बजाय, यह एक स्पष्ट, गणितीय रूप से सुदृढ़ मार्ग प्रस्तुत करता है, जो दिखाता है कि जब क्वांटम लर्निंग को मजबूत सांख्यिकीय विधियों के साथ जोड़ा जाता है, तो यह न केवल तेज़ बल्कि अपनी सीमाओं के बारे में ईमानदार भविष्यवाणियां भी दे सकता है। गति और विश्वसनीयता का यह संयोजन विज्ञान और इंजीनियरिंग की सबसे महत्वपूर्ण चुनौतियों के लिए क्वांटम मशीन लर्निंग की क्षमता को अनलॉक करने की कुंजी है।