By केना ह्यूजेस-कैसलबेरी 05 अक्टूबर 2022 को पोस्ट किया गया
क्वांटम कंप्यूटिंग, कृत्रिम बुद्धिमत्ता (एआई) और मशीन लर्निंग (एमएल) जैसी नवीन तकनीकों का विकास महत्वपूर्ण लाभ दे सकता है। दोनों AI और ML पैटर्न की भविष्यवाणी करने और निष्कर्ष निकालने के लिए डेटा के बड़े पूल का उपयोग करें, जो क्वांटम कंप्यूटिंग प्रणाली को अनुकूलित करने के लिए विशेष रूप से सहायक हो सकता है। हाल ही में, फ्लैटिरॉन इंस्टीट्यूट के सेंटर फॉर कम्प्यूटेशनल क्वांटम फिजिक्स के शोधकर्ता (सीसीक्यू), एक विशेष रूप से कठिन क्वांटम भौतिकी समस्या के लिए एमएल प्रौद्योगिकी को लागू करने में सक्षम थे, सटीकता को कम किए बिना, सिस्टम को 100,000 समीकरणों की आवश्यकता से घटाकर केवल चार समीकरणों तक सीमित कर दिया। के रूप में फ्लैटिरॉन संस्थान का हिस्सा है सिमंस फाउंडेशन और वैज्ञानिक तरीकों को आगे बढ़ाने के लिए काम करता है, शोधकर्ताओं ने अपने निष्कर्ष प्रकाशित किए फिजिकल रिव्यू लेटर्स.
हबर्ड मॉडल पर गौर कर रहे हैं
प्रश्न में कठिन क्वांटम भौतिकी समस्या इस बात पर केंद्रित थी कि इलेक्ट्रॉन एक जाली में एक दूसरे के साथ कैसे बातचीत करते हैं। जाली अक्सर क्वांटम अनुसंधान में उपयोग किया जाता है और विशेष लेजर के ग्रिड का उपयोग करके बनाया जाता है। जाली के भीतर, यदि इलेक्ट्रॉन एक ही स्थान पर हों तो वे एक-दूसरे के साथ बातचीत कर सकते हैं, जिससे सिस्टम में शोर बढ़ जाता है और परिणाम ख़राब हो जाते हैं। इस प्रणाली को भी कहा जाता है हबर्ड मॉडल, क्वांटम वैज्ञानिकों के लिए इसे सुलझाना एक कठिन पहेली रही है। प्रमुख शोधकर्ता के अनुसार डोमेनिको डि सैंटई, सीसीक्यू में एक संबद्ध रिसर्च फेलो: "हब्बार्ड मॉडल... में केवल दो अवयव हैं: इलेक्ट्रॉनों की गतिज ऊर्जा (एक जाली पर इलेक्ट्रॉनों को स्थानांतरित करने से जुड़ी ऊर्जा) और संभावित ऊर्जा (वह ऊर्जा जो गति में बाधा डालना चाहती है) इलेक्ट्रॉन)। ऐसा माना जाता है कि यह चुंबकत्व और अतिचालकता सहित जटिल क्वांटम सामग्रियों की मौलिक घटनाओं को कूटबद्ध करता है।
हालाँकि हबर्ड मॉडल सरल लग सकता है, लेकिन यह कुछ भी नहीं है। जाली के भीतर इलेक्ट्रॉन उलझने सहित भविष्यवाणी करने में कठिन तरीकों से बातचीत कर सकते हैं। भले ही इलेक्ट्रॉन जाली के भीतर दो अलग-अलग स्थानों पर हों, उन्हें एक ही समय में संसाधित करना होगा, जिससे वैज्ञानिकों को एक ही बार में सभी इलेक्ट्रॉनों से निपटने के लिए मजबूर होना पड़ेगा। डि सैंटे ने कहा, "हब्बार्ड मॉडल का कोई सटीक समाधान नहीं है।" "हमें संख्यात्मक तरीकों पर भरोसा करना चाहिए।" इस क्वांटम भौतिकी समस्या को दूर करने के लिए, कई भौतिक विज्ञानी एक पुनर्सामान्यीकरण समूह का उपयोग करते हैं। यह एक गणितीय विधि है जो अध्ययन कर सकती है कि जब वैज्ञानिक विभिन्न इनपुट गुणों को संशोधित करते हैं तो सिस्टम कैसे बदलता है। लेकिन, एक पुनर्सामान्यीकरण समूह के सफलतापूर्वक काम करने के लिए, उसे इलेक्ट्रॉन इंटरैक्शन के सभी संभावित परिणामों पर नज़र रखनी होगी, जिससे कम से कम 100,000 समीकरणों को हल करने की आवश्यकता होगी। डि सैंटे और उनके साथी शोधकर्ताओं को उम्मीद थी कि एमएल का उपयोग किया जाएगा एल्गोरिदम इस चुनौती को काफी आसान बना सकता है।
शोधकर्ताओं ने एक विशिष्ट प्रकार के एमएल टूल का उपयोग किया, जिसे ए कहा जाता है तंत्रिका नेटवर्क, क्वांटम भौतिकी समस्या को हल करने का प्रयास करने के लिए। तंत्रिका नेटवर्क ने समीकरणों के एक छोटे सेट का पता लगाने के लिए विशिष्ट एल्गोरिदम का उपयोग किया जो मूल 100,000 समीकरण पुनर्सामान्यीकरण समूहों के समान समाधान उत्पन्न करेगा। डि सैंटे ने कहा, "हमारा गहन शिक्षण ढांचा आयामीता को सैकड़ों हजारों या लाखों समीकरणों से घटाकर एक छोटे से मुट्ठी भर (32 या यहां तक कि चार समीकरणों तक) तक कम करने का प्रयास करता है।" “हमने शीर्ष को इस छोटे, 'अव्यक्त' स्थान में संपीड़ित (निचोड़ने) के लिए एक एनकोडर-डिकोडर डिज़ाइन का उपयोग किया। इस अव्यक्त स्थान में (इसे तंत्रिका नेटवर्क के 'हुड के नीचे' देखने की कल्पना करें), हमने इन समीकरणों के समाधान जानने के लिए तंत्रिका साधारण अंतर समीकरण नामक एक उपन्यास एमएल विधि का उपयोग किया।
अन्य कठिन क्वांटम भौतिकी समस्याओं का समाधान
तंत्रिका नेटवर्क के लिए धन्यवाद, शोधकर्ताओं ने पाया कि वे हबर्ड मॉडल का अध्ययन करने के लिए काफी कम समीकरणों का उपयोग कर सकते हैं। हालाँकि यह परिणाम स्पष्ट सफलता दर्शाता है, डि सैंटे ने समझा कि अभी भी बहुत कुछ किया जाना बाकी है। उन्होंने कहा, "मशीन लर्निंग आर्किटेक्चर की व्याख्या करना कोई आसान काम नहीं है।" “अक्सर, तंत्रिका नेटवर्क ब्लैक बॉक्स के रूप में बहुत अच्छी तरह से काम करते हैं और उन्हें इस बात की बहुत कम समझ होती है कि क्या सीखा जा रहा है। अभी हमारे प्रयास मुट्ठी भर सीखे गए समीकरणों और हबर्ड मॉडल की वास्तविक भौतिकी के बीच संबंध को बेहतर ढंग से समझने के तरीकों पर केंद्रित हैं।
फिर भी, इस शोध के प्रारंभिक निष्कर्ष अन्य क्वांटम भौतिकी समस्याओं के लिए बड़े निहितार्थ का सुझाव देते हैं। डि सैंटे ने समझाया, "वर्टेक्स (केंद्रीय वस्तु जो दो इलेक्ट्रॉनों के बीच बातचीत को एन्कोड करती है) को संपीड़ित करना क्वांटम इंटरैक्टिंग सामग्रियों के लिए क्वांटम भौतिकी में एक बड़ी बात है।" “यह स्मृति, और कम्प्यूटेशनल शक्ति बचाता है, और भौतिक अंतर्दृष्टि प्रदान करता है। हमारे काम ने एक बार फिर दिखाया कि कैसे मशीन लर्निंग और क्वांटम भौतिकी रचनात्मक रूप से एक दूसरे से जुड़ते हैं।'' ये प्रभाव क्वांटम उद्योग के भीतर समान मुद्दों में भी तब्दील हो सकते हैं। डि सैंटे ने कहा, "क्षेत्र एक ही समस्या का सामना कर रहा है: बड़े, उच्च-आयामी डेटा को हेरफेर और अध्ययन करने के लिए संपीड़न की आवश्यकता होती है।" "हमें उम्मीद है कि पुनर्सामान्यीकरण समूह पर यह काम इस उपक्षेत्र में भी नए दृष्टिकोणों को मदद या प्रेरित कर सकता है।"
केना ह्यूजेस-कैसलबेरी इनसाइड क्वांटम टेक्नोलॉजी और JILA में साइंस कम्युनिकेटर (कोलोराडो बोल्डर विश्वविद्यालय और NIST के बीच एक साझेदारी) में एक कर्मचारी लेखक हैं। उनकी राइटिंग बीट्स में डीप टेक, मेटावर्स और क्वांटम टेक्नोलॉजी शामिल हैं।
