Quantum Monte Carlo Methods for Large-Scale Macroeconomic Models: A Unified Computational Framework for High-Dimensional State Spaces and Stress Testing

अर्थशास्त्रियों ने लंबे समय से यह समझने के लिए बड़े पैमाने पर कंप्यूटर सिमुलेशन पर भरोसा किया है कि पैसा, नौकरियां और बाजार एक साथ कैसे चलते हैं। ये मॉडल एक जटिल शहर के विस्तृत मानचित्र की तरह हैं, जो लाखों अलग-अलग घरों और व्यवसायों के निर्णयों को ट्रैक करते हैं। इन मानचित्रों को संकटों की भविष्यवाणी करने या नई नीतियों का परीक्षण करने के लिए उपयोगी बनाने हेतु, शोधकर्ताओं को अनगिनत संभावित भविष्य के औसत परिणाम की गणना करनी पड़ती है। हालाँकि, जैसे-जैसे ये मॉडल अधिक यथार्थवादी होते जाते हैं—प्रत्येक परिवार की अनूठी परिस्थितियों और वैश्विक अर्थव्यवस्था की अप्रत्याशित प्रकृति को ध्यान में रखते हुए—वे एक दीवार से टकरा जाते हैं। इन मॉडलों को हल करने के लिए आवश्यक गणनाएँ इतनी तेजी से बढ़ती हैं कि दुनिया के सबसे तेज़ सुपरकंप्यूटर भी एक उचित समय में काम पूरा करने के लिए संघर्ष करते हैं। इसके अलावा, जब अर्थशास्त्री दुर्लभ लेकिन विनाशकारी घटनाओं, जैसे कि अचानक बाजार की गिरावट, के जोखिम का अनुमान लगाने की कोशिश करते हैं, तो उनके द्वारा उपयोग किए जाने वाले मानक गणितीय उपकरण अत्यंत धीमे होते हैं, जिन्हें सटीक उत्तर प्राप्त करने के लिए अरबों प्रयासों की आवश्यकता होती है।

ऐन टेमुचेंट विश्वविद्यालय के सिद अहमद ज़ेनागी का एक नया अध्ययन दो शक्तिशाली, आधुनिक उपकरणों को जोड़कर इन बाधाओं को दूर करने का एक तरीका प्रस्तावित करता है: आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) और क्वांटम कंप्यूटिंग। यह शोध कोई नई आर्थिक थ्योरी या कोई बिल्कुल नया कंप्यूटर चिप का आविष्कार नहीं करता है। इसके बजाय, यह मौजूदा तकनीकों को एक विशिष्ट, जिद्दी समस्या को हल करने के लिए एक साथ उपयोग करने के लिए एक परिष्कृत ब्लूप्रिंट प्रदान करता है। लेखक एक ढांचा तैयार करते हैं जिसे QMC-Macro कहा जाता है, जो आज के अर्थशास्त्रियों द्वारा उपयोग किए जाने वाले क्लासिकल कंप्यूटरों और निकट भविष्य की उभरती क्वांटम मशीनों के बीच एक सेतु के रूप में कार्य करता है। इसका लक्ष्य अर्थव्यवस्था के 'स्ट्रेस-टेस्टिंग' (तनाव परीक्षण) की प्रक्रिया को तेज़ और अधिक सटीक बनाना है—यह जांचना कि क्या वित्तीय प्रणाली एक गंभीर झटके को झेल सकती है—विशेष रूप से सबसे खतरनाक, कम संभावना वाले परिदृश्यों को देखते हुए।

मूल समस्या शामिल चरों (variables) की विशाल संख्या में निहित है। एक आधुनिक आर्थिक मॉडल में, सिस्टम की स्थिति केवल ब्याज दर जैसा एक एकल अंक नहीं है; यह जनसंख्या के बीच धन और आय का संपूर्ण वितरण है। इस जनसंख्या के व्यवहार को वर्णित करने वाले समीकरणों को हल करने के लिए, पारंपरिक तरीकों को एक ऐसे ग्रिड की आवश्यकता होती है जो प्रत्येक नए चर के जुड़ने के साथ तेजी से (exponentially) बढ़ता है। इसे "डायमेंशनलिटी का अभिशाप" (curse of dimensionality) कहा जाता है, जहाँ मॉडल में कुछ और विवरण जोड़ने मात्र से गणना का समय विस्फोट की तरह बढ़ जाता है। इससे बचने के लिए, अध्ययन एक 'डीप लर्निंग सरोगेट' का उपयोग करता है, जो अनिवार्य रूप से एक अत्यधिक प्रशिक्षित आर्टिफिशियल इंटेलिजेंस नेटवर्क है। यह नेटवर्क अर्थव्यवस्था के जटिल निर्णय लेने के नियमों की नकल करना सीखता है। प्रशिक्षित होने के बाद, यह किसी भी आर्थिक परिदृश्य के परिणाम की भविष्यवाणी लगभग तुरंत कर सकता है, जिससे धीमी और बार-बार होने वाली गणनाओं की आवश्यकता समाप्त हो जाती है।

हालाँकि, मॉडल को हल करना केवल आधी लड़ाई है। दूसरी आधी लड़ाई जोखिम का अनुमान लगाना है। अर्थशास्त्रियों को यह जानने की आवश्यकता होती है कि किसी विशिष्ट आपदा की संभावना क्या है, जैसे कि बैंकिंग प्रणाली में कुल नुकसान सुरक्षा बफर से अधिक होने की संभावना। अतीत में, उन्होंने मोंटे कार्लो (Monte Carlo) विधियों का उपयोग किया है, जिसमें रैंडम इनपुट के साथ मॉडल को हजारों या लाखों बार चलाया जाता है ताकि यह देखा जा सके कि आपदा कितनी बार होती है। समस्या यह है कि ये विधियाँ बहुत धीरे-धीरे अभिसरण (converge) करती हैं; सटीकता का एक और अंक प्राप्त करने के लिए, शोधकर्ताओं को चार गुना अधिक सिमुलेशन चलाने पड़ते हैं। दुर्लभ घटनाओं के लिए, इसका अर्थ है एक विश्वसनीय उत्तर के लिए अव्यवहारिक समय तक प्रतीक्षा करना।

यह शोध 'एम्प्लीट्यूड एस्टीमेशन' (amplitude estimation) नामक तकनीक का उपयोग करके इस अनुमान समस्या के लिए एक क्वांटम समाधान पेश करता है। इस दृष्टिकोण में, किसी घटना की संभावना को एक क्वांटम सिस्टम की अवस्था (state) में एनकोड किया जाता है। इस सिस्टम को विशिष्ट ऑपरेशन्स के साथ हेरफेर करके, क्वांटम कंप्यूटर उस उत्तर को उस गति से निकाल सकता है जो क्लासिकल कंप्यूटरों द्वारा आवश्यक समय के वर्गमूल (square root) के बराबर होती है। यदि एक क्लासिकल कंप्यूटर को एक निश्चित स्तर की सटीकता तक पहुँचने के लिए दस लाख प्रयासों की आवश्यकता होती है, तो क्वांटरल विधि केवल एक हजार प्रयासों के साथ वही परिणाम प्राप्त कर सकती है। अध्ययन प्रदर्शित करता है कि जब इस क्वांटम अनुमान को आर्टिफिशियल इंटेलिजेंस सरोगेट के साथ जोड़ा जाता है, तो पूरी प्रक्रिया कहीं अधिक कुशल हो जाती है।

शोधकर्ताओं ने अपने ढांचे का परीक्षण घरेलू आय और बचत के एक मानक आर्थिक मॉडल का उपयोग करके किया, जिसे वास्तविक दुनिया के डेटा के साथ कैलिब्रेट किया गया था। उन्होंने पहले मॉडल को हल करके एक "ग्राउंड ट्रुथ" (एक आदर्श संदर्भ बिंदु) बनाया। फिर, उन्होंने मॉडल के व्यवहार की नकल करने के लिए एक न्यूरल नेटवर्क को प्रशिक्षित किया, और पाया कि एआई (AI) आधे प्रतिशत से भी कम की त्रुटि के साथ इष्टतम आर्थिक निर्णयों को दोहरा सकता है। इसने पुष्टि की कि एआई सरोगेट पूर्ण मॉडल के एक विश्वसनीय विकल्प के रूप में उपयोग करने के लिए पर्याप्त सटीक था। इसके बाद, उन्होंने एक शास्त्रीय कंप्यूटर प्रोग्राम का उपयोग करके क्वांटम अनुमान प्रक्रिया का अनुकरण (simulate) किया, जिसे एक क्वांटम मशीन के व्यवहार की नकल करने के लिए डिज़ाइन किया गया था। इस एम्युलेटर ने उन्हें एक भौतिक क्वांटम कंप्यूटर की आवश्यकता के बिना, जो अभी तक इन विशिष्ट कार्यों को बड़े पैमाने पर चलाने के लिए पर्याप्त शक्तिशाली नहीं है, सैद्धांतिक गति वृद्धि (speedup) को सत्यापित करने की अनुमति दी।

परिणाम दक्षता में स्पष्ट और नाटकीय सुधार दिखाते हैं। एक विशिष्ट स्ट्रेस टेस्ट के लिए, क्वांटल विधि को क्लासिकल विधि के समान सटीकता स्तर तक पहुँचने के लिए काफी कम कम्प्यूटेशनल चरणों की आवश्यकता थी। जैसे-जैसे आवश्यक सटीकता बढ़ती गई, यह लाभ और बड़ा होता गया। उदाहरण के लिए, बहुत उच्च स्तर की सटीकता प्राप्त करने के लिए, क्वांटल दृष्टिकोण ने क्लासिकल दृष्टिकोण की तुलना में गणनाओं की संख्या को लगभग 800 के कारक (factor) से कम कर दिया। यह गति वृद्धि विशेष रूप से "डीप टेल" (deep tail) घटनाओं के लिए मूल्यवान है—वे दुर्लभ, विनाशकारी परिदृश्य जो भविष्यवाणी करने में सबसे कठिन हैं लेकिन वित्तीय स्थिरता के लिए सबसे महत्वपूर्ण हैं। इन डीप टेल्स में, क्वांटल विधि का लाभ और भी अधिक स्पष्ट हो जाता है, जो वर्तमान विधियों की तुलना में सैकड़ों गुना तेज़ गति का विकल्प प्रदान करता है।

अध्ययन सावधानीपूर्वक नोट करता है कि यह लाभ कोई जादू नहीं है और यह विशिष्ट शर्तों के साथ आता है। क्वांटम स्पीडअप तब सबसे प्रभावी होता है जब आर्थिक मॉडल को पहले से ही हल किया जा चुका हो और एआई सरोगेट तैयार हो। प्रक्रिया का सबसे कठिन हिस्सा आर्थिक परिदृश्यों के जटिल वितरण को क्वांटम कंप्यूटर में लोड करना है, जो वर्तमान हार्डवेयर पर एक धीमी और त्रुटिपूर्ण प्रक्रिया हो सकती है। लेखक इस बात पर जोर देते हैं कि उनका ढांचा एक 'मॉड्यूलर टूल' है, जिसका अर्थ है कि प्रत्येक भाग को स्वतंत्र रूप से सुधारा जा सकता है। यदि डेटा लोड करने के बेहतर तरीके विकसित होते हैं, तो समग्र गति वृद्धि बढ़ जाएगी। वे यह भी स्वीकार करते हैं कि वर्तमान क्वांटम कंप्यूटर "नॉइजी" (noisy) हैं, जिसका अर्थ है कि वे गलतियाँ करते हैं, और इस पद्धति की पूर्ण क्षमता संभवतः तभी साकार होगी जब अधिक उन्नत, त्रुटि-सुधारित (error-corrected) मशीनें उपलब्ध होंगी।

इन हार्डवेयर सीमाओं के बावजूद, यह पेपर एक स्पष्ट और पुनरुत्पादनीय (reproducible) मार्ग प्रदान करता है। यह दिखाता है कि डीप लर्निंग और क्वांटम एस्टीमेशन का संयोजन न केवल एक सैद्धांतिक संभावना है, बल्कि एक व्यावहारिक रणनीति भी है जिसे ऑडिट और परिष्कृत किया जा सकता है। शोधकर्ता एक पूर्ण त्रुटि विश्लेषण (error analysis) प्रदान करते हैं, जो विस्तार से बताता है कि प्रक्रिया में कहाँ गलतियाँ हो सकती हैं और उन्हें कैसे नियंत्रित रखा जा सकता है। यह पारदर्शिता नीति निर्माताओं और केंद्रीय बैंकों के लिए महत्वपूर्ण है, जिन्हें अर्थव्यवस्था के बारे में निर्णय लेने के लिए उपयोग किए जाने वाले आंकड़ों पर भरोसा करने की आवश्यकता होती है। अध्ययन निष्कर्ष निकालता है कि हालांकि यह तकनीक अभी परिपक्व हो रही है, फिर भी यह ढांचा आधुनिक मैक्रो-इकोनॉमिक रिस्क मैनेजमेंट को परिभाषित करने वाली उच्च-आयामी, उच्च-दांव वाली गणनाओं को संभालने का एक यथार्थवादी तरीका प्रदान करता है।

यह कार्य यह दावा नहीं करता है कि इसने आर्थिक भविष्यवाणी की समस्या को पूरी तरह से हल कर लिया है, न ही यह सुझाव देता है कि क्वांटम कंप्यूटर रातों-रात क्लासिकल कंप्यूटरों की जगह ले लेंगे। इसके बजाय, यह एक एकीकृत दृष्टिकोण प्रस्तुत करता है जो दोनों की शक्तियों का लाभ उठाता है। डीप लर्निंग घटक मॉडल की जटिलता को संभालता है, जबकि क्वांटम घटक जोखिम की गणना को तेज करता है। श्रम का यह विभाजन अर्थशास्त्रियों को उन समस्याओं से निपटने की अनुमति देता है जो पर्याप्त सटीकता के साथ हल करने के लिए पहले बहुत बड़ी या बहुत धीमी थीं। एक विस्तृत रोडमैप और सेट ऑफ पुनरुत्पादनीय बेंचमार्क प्रदान करके, यह अध्ययन अन्य शोधकर्ताओं को इस आधार पर निर्माण करने, अधिक जटिल मॉडलों का परीक्षण करने के लिए आमंत्रित करता है जिनमें बैंक, फर्में और वैश्विक व्यापार नेटवर्क शामिल हैं।

अंततः, यह पेपर वर्तमान आर्थिक सिमुलेशन के युग और भविष्य के बीच एक सेतु के रूप में कार्य करता है जहाँ क्वांटम कंप्यूटिंग वित्तीय स्थिरता में एक केंद्रीय भूमिका निभाएगी। यह प्रदर्शित करता है कि क्वांटम स्पीडअप के सैद्धांतिक वादे को अर्थशास्त्रियों के लिए एक ठोस वर्कफ़्लो में बदला जा सकता है। निष्कर्ष बताते हैं कि जैसे-जैसे क्वांटम हार्डवेयर में सुधार होगा, दुर्लभ और गंभीर झटकों के खिलाफ वैश्विक वित्तीय प्रणाली का स्ट्रेस-टेस्ट करने की क्षमता नाटकीय रूप से बढ़ेगी। इससे अधिक मजबूत नियमन और एक बेहतर तैयार अर्थव्यवस्था मिल सकती है, जो अप्रत्याशित स्थितियों का सामना करने में सक्षम हो। यह अध्ययन इस बात का प्रमाण है कि जटिल समस्याओं को हल करने के लिए, जो किसी एक दृष्टिकोण के लिए बहुत कठिन हैं, विभिन्न विज्ञान के क्षेत्रों को मिलाने की शक्ति कितनी प्रभावी है।