Resource map of quantum reservoir computing against tuned classical baselines

मशीनों को डेटा से सीखने के योग्य बनाने की दौड़ में, वैज्ञानिक लंबे समय से मस्तिष्क की संरचना से प्रेरणा लेते आए हैं। एक शक्तिशाली दृष्टिकोण, जिसे 'रिजर्वायर कंप्यूटिंग' (reservoir computing) के रूप में जाना जाता है, एक जटिल प्रणाली को केवल प्रोग्राम किए जाने वाले खाली स्लेट के रूप में नहीं, बल्कि एक स्थिर, अराजक परिदृश्य (chaotic landscape) के रूप में देखता है। कल्पना कीजिए कि आप एक तालाब में पत्थर फेंकते हैं; उससे फैलने वाली लहरें पानी की प्राकृतिक गतिशीलता द्वारा बनाई गई एक अनूठी, जटिल आकृति हैं। इस कंप्यूटिंग मॉडल में, "तालाब" एक भौतिक प्रणाली है—जैसे स्पिन का एक नेटवर्क या प्रकाश तरंगें—जो एक इनपुट सिग्नल प्राप्त करती है और लहरों का एक समृद्ध, उच्च-आयामी पैटर्न बनाती है। मशीन को इन लहरों को बनाना सीखने की आवश्यकता नहीं होती; उसे केवल समस्या को हल करने के लिए उन्हें पढ़ना सीखना होता है। यह विधि आकर्षक है क्योंकि जटिल "तालाब" को प्रशिक्षित करना धीमा और ऊर्जा-गहन है, जबकि लहरों को पढ़ना तेज़ और सस्ता है। हाल ही में, शोधकर्ताओं ने सोचा है कि क्या क्वांटम सिस्टम—वह विचित्र, उप-परमाणु दुनिया जहाँ कण एक साथ कई अवस्थाओं में मौजूद हो सकते हैं—इन तालाबों के रूप में कार्य कर सकते हैं। चूंकि क्वांटम सिस्टम ऐसे पैटर्न उत्पन्न कर सकते हैं जो अधिक कण जोड़ने पर तेजी से बढ़ते हैं, एक छोटा क्वांटू डिवाइस सैद्धांतिक रूप से एक विशाल क्लासिकल कंप्यूटर की जटिलता को धारण कर सकता है, जो कठिन समस्याओं को हल करने के लिए एक शॉर्टकट प्रदान करता है।

टोक्यो के क्वांटम इंटीग्रेटेड रिसर्च इंस्टीट्यूट के हिकारू वाकुरा द्वारा किया गया एक नया अध्ययन इस बात का सटीक मानचित्र तैयार करने का प्रयास करता है कि यह क्वांटम लाभ कहाँ स्थित है, यदि यह वास्तव में मौजूद है। शोधकर्ता ने केवल एक क्वांटम मशीन की तुलना एक क्लासिकल मशीन से नहीं की; इसके बजाय, उन्होंने हजारों परिदृश्यों को कवर करने वाला एक विशाल, विस्तृत मानचित्र बनाया। उन्होंने 57 अलग-अलग प्रकार के क्वांटम जलाशयों (reservoirs) का अनुकरण किया, जिनमें घूमते हुए परमाणुओं की श्रृंखला से लेकर कैविटी में प्रकाश तरंगें तक शामिल थीं, और उन्हें मौसम के पैटर्न की भविष्यवाणी करने से लेकर जटिल संकेतों के विश्लेषण तक, 49 विभिन्न कार्यों के विरुद्ध परखा। महत्वपूर्ण रूप से, उन्होंने इन क्वांटम प्रणालियों को तीन अलग-अलग परिवारों के क्लासिकल मशीनों के विरुद्ध खड़ा किया, जिन्हें प्रत्येक विशिष्ट कार्य के लिए सावधानीपूर्वक ट्यून और अनुकूलित किया गया था। अध्ययन ने इन प्रयोगों को चलाने की वास्तविक लागत को भी ध्यान में रखा, जिसमें यह शामिल है कि एक विश्वसनीय परिणाम प्राप्त करने के लिए माप को कितनी बार दोहराना आवश्यक है, एक ऐसा कारक जिसे अक्सर सैद्धांतिक दावों में अनदेखा कर दिया जाता है। लक्ष्य यह देखना था कि क्या कोई भी क्वांटम सेटअप सटीकता और इसे चलाने के लिए आवश्यक संसाधनों, दोनों में सर्वश्रेष्ठ संभव क्लासिकल संस्करण को हरा सकता है।

इस व्यापक सर्वेक्षण के परिणाम आश्चर्यजनक रूप से स्पष्ट थे: लगभग हर कार्य के लिए जिसमें मानक डेटा शामिल था, क्वांटम जलाशयों की जीत नहीं हुई। जब क्लासिकल मशीनों को समान अवसर देकर ट्यून और अनुकूलित किया गया, तो उन्होंने क्वांटम प्रणालियों को लगातार पीछे छोड़ दिया। वास्तव में, लगभग एक हजार अलग-अलग तुलनाओं में, क्वांटम मॉडलों की त्रुटि दर क्लासिकल मॉडलों की तुलना में आमतौर पर सैकड़ों गुना अधिक थी। यहाँ तक कि जब क्वांटम सिस्टम कम संसाधनों का उपयोग कर रहे थे, तब भी वे उपयोगी होने के लिए पर्याप्त सटीक नहीं थे। अध्ययन में पाया गया कि विशिष्ट क्वांटम विशेषताएं, जैसे कि एक साथ दो कणों को मापने की क्षमता या कुछ प्रकार के शोर की उपस्थिति, ने क्वांटम प्रदर्शन में मामूली सुधार किया, लेकिन अंतर को पाटने के लिए पर्याप्त नहीं था। एक विशिष्ट क्वांटम सेटअप, जिसमें एक विशेष कैविटी में प्रकाश तरंगें शामिल थीं, ने अपने ही एक सरलीकृत क्लासिकल संस्करण की तुलना में बेहतर प्रदर्शन किया, जब दोनों ने बिल्कुल समान सेटिंग्स का उपयोग किया। हालाँकि, एक बार जब क्लासिकल संस्करण को सर्वोत्तम प्रदर्शन खोजने के लिए अपनी सेटिंग्स को ट्यून करने की अनुमति दी गई, तो उसने क्वांटम संस्करण को बड़े अंतर से पीछे छोड़ दिया। एकमात्र समय जब क्वांटम सिस्टम वास्तव में उत्कृष्ट रहे, वह था जब इनपुट डेटा स्वयं मौलिक रूप से भिन्न था।

ब्रेकथ्रू तभी हुआ जब इनपुट एक "ब्लैक बॉक्स" ओरेकल (oracle) था—सूचना का एक स्रोत जो उत्तर तो प्रदान करता है लेकिन अंतर्निहित संरचना या पैटर्न को प्रकट नहीं करता है। इन विशिष्ट परीक्षणों में, क्वांटम प्रणाली दो छिपे हुए कार्यों के बीच के संबंध के लिए एक डिटेक्टर के रूप में कार्य करती है। जब कार्य पूरी तरह से नए और यादृच्छिक (random) थे, जिनमें उनके नियमों को सीखने का कोई तरीका नहीं था, तब क्वांटम प्रणाली निर्णायक रूप से जीती। इसने उस समस्या को उन क्वेरीज़ की संख्या में बहुत कम खर्च करके हल किया जो कोई भी क्लासिकल विधि प्रबंध कर सकती थी। हालाँकि, जैसे ही शोधकर्ताओं ने इनपुट में एक निश्चित संरचना पेश की, जैसे कि एक ज्ञात गणितीय नियम या एक पैटर्न जिसे समय के साथ सीखा जा सकता है, क्वांटम लाभ गायब हो गया। क्लासिकल एल्गोरिदम ने समस्या को तुरंत हल करने के लिए शॉर्टकट खोज लिए, जिससे क्वांटम मशीन की जटिल गतिशीलता अनावश्यक हो गई। अध्ययन निष्कर्ष निकालता है कि क्वांटम जलाशय कंप्यूटिंग की शक्ति मशीन की जटिलता से नहीं, बल्कि उस सूचना की प्रकृति से आती है जो इसे प्राप्त होती है। यदि डेटा में एक छिपी हुई संरचना है जिसे एक क्लासिकल कंप्यूटर सीख सकता है, तो क्वांटम मशीन कोई लाभ नहीं देती है। इस तकनीक की वास्तविक क्षमता केवल उन परिदृश्यों में निहित है जहाँ इनपुट एक वास्तविक रहस्य है, एक ऐसी प्रक्रिया का ताज़ा उदाहरण जिसे किसी भी ज्ञात क्लासिकल नियम द्वारा वर्णित या भविष्यवाणी नहीं किया जा सकता है।

यह निष्कर्ष इस क्षेत्र के भविष्य के मार्ग को नया आकार देता है। यह सुझाव देता है कि बेहतर क्वांटम जलाशयों को बनाने का प्रयास मशीनों को अधिक जटिल या कठिन बनाने पर नहीं, बल्कि उन वास्तविक दुनिया की समस्याओं की पहचान करने पर होना चाहिए जहाँ डेटा वास्तव में अपारदर्शी और असंरचित है। अध्ययन एक ठोस रोडमैप प्रदान करता है कि मौजूदा सुपरकंडक्टिंग सर्किट का उपयोग करके ऐसे प्रयोग कैसे किए जा सकते हैं, यह अनुमान लगाते हुए कि इस प्रक्रिया का एक चरण लगभग 16 नैनोसेकंड का समय लेगा। यह इन प्रयोगों को वास्तविक दुनिया में चलाने की अत्यधिक लागत पर भी प्रकाश डालता है, यह नोट करते हुए कि एक पूर्ण कार्य को विश्वसनीय डेटा एकत्र करने के लिए घंटों के निरंतर संचालन की आवश्यकता हो सकती है। हाइप (hype) को वास्तविकता से अलग करके, यह कार्य स्पष्ट करता है कि क्वांटम जलाशय कंप्यूटिंग सभी मशीन लर्निंग के लिए एक सार्वभौमिक अपग्रेड नहीं है, बल्कि एक बहुत ही विशिष्ट प्रकार की समस्या के लिए एक विशेष उपकरण है: एक ऐसी समस्या जहाँ उत्तर उस तरीके से छिपा हुआ है जिसे कोई क्लासिकल कंप्यूटर कभी देख नहीं सकता।