क्वांटम मशीन लर्निंग को लेकर लंबे समय से चल रही बहस का रुख बदला है
क्वांटम कंप्यूटिंग को लंबे समय से कृत्रिम बुद्धिमत्ता के भविष्य के इंजन के रूप में पेश किया जाता रहा है, लेकिन इस दावे के पक्ष में तर्क अक्सर कमजोर रहे हैं। सबसे कठिन समस्या सिर्फ क्वांटम मशीन पर डेटा प्रोसेस करना नहीं थी, बल्कि शास्त्रीय डेटा को पहले ऐसी स्थिति में लाना था, जिससे क्वांटम प्रभावों का सार्थक लाभ उठाया जा सके। New Scientist द्वारा उजागर किया गया नया काम संकेत देता है कि यह बाधा उतनी पूर्ण नहीं हो सकती जितना कई शोधकर्ता मानते थे।
क्वांटम कंप्यूटिंग कंपनी Oratomic के Hsin-Yuan Huang और उनके सहयोगियों का तर्क है कि क्वांटम कंप्यूटर मशीन लर्निंग और उससे जुड़े एल्गोरिद्मों में बढ़त दे सकते हैं। उनका विश्लेषण एक ऐसे भविष्य के लिए गणितीय आधार बनाने का प्रयास करता है, जिसमें क्वांटम हार्डवेयर उन डेटा-भारी संगणनात्मक कार्यों में मदद कर सके, जिनके लिए अभी बड़े पैमाने पर पारंपरिक कंप्यूटिंग शक्ति चाहिए होती है।
मुख्य बाधा डेटा लोडिंग रही है
वर्षों से, क्वांटम-समर्थित AI को लेकर संदेह एक व्यावहारिक बॉटलनेक पर केंद्रित रहा है। गैर-क्वांटम दुनिया में इकट्ठा किया गया डेटा, जैसे टेक्स्ट रिव्यू या RNA sequencing के नतीजे, ऐसे सुपरपोज़िशन स्टेट में एन्कोड करना पड़ता ताकि क्वांटम कंप्यूटर उसे वास्तविक क्वांटम व्यवहार के साथ प्रोसेस कर सके। शोधकर्ताओं का मानना था कि इस चरण के लिए इतने बड़े समर्पित मेमोरी डिवाइस चाहिए होंगे कि वे अव्यावहारिक हो जाएंगे।
यह धारणा इस क्षेत्र की जड़ पर प्रहार करती थी। यदि कोई सैद्धांतिक स्पीडअप पाने के लिए सिस्टम को इनपुट तैयार करने में ही भारी संसाधन खर्च करने पड़ें, तो उसका लाभ बहुत सीमित रह जाता है। व्यवहार में, क्वांटम मशीन लर्निंग का वादा साधारण डेटा को क्वांटम कंप्यूटर के लिए उपयोगी बनाने की लागत से बार-बार टकराता रहा।
बॉटलनेक से निकलने का एक अलग रास्ता
Huang और उनके सहयोगियों ने एक वैकल्पिक तरीका प्रस्तावित किया है, जिसमें प्रोसेसिंग शुरू होने से पहले सारा डेटा विशाल समर्पित क्वांटम मेमोरी में रखने की जरूरत नहीं पड़ती। इसके बजाय, डेटा को क्वांटम कंप्यूटर में छोटी-छोटी बैचों में डाला जाता है। यह सुनने में एक तकनीकी बारीकी लग सकती है, लेकिन इससे व्यवहार्यता की बहस महत्वपूर्ण रूप से बदल जाती है। यदि डेटा को बढ़त के लिए जरूरी संरचना बनाए रखते हुए क्रमिक रूप से लोड किया जा सके, तो एक बड़ा व्यावहारिक आपत्ति कमजोर पड़ जाती है।
स्रोत पाठ इसे किसी तैयार उत्पाद के बजाय एक आधारभूत कदम के रूप में प्रस्तुत करता है। इसमें यह नहीं कहा गया है कि क्वांटम कंप्यूटर आज ही वास्तविक दुनिया के कामों में पारंपरिक AI हार्डवेयर से आगे निकलने के लिए तैयार हैं। इसमें कहा गया है कि शोधकर्ताओं के पास अब यह समझाने के लिए अधिक विश्वसनीय ढांचा हो सकता है कि यह भविष्य में कैसे संभव हो सकता है।
हाइप से आगे यह क्यों मायने रखता है
मशीन लर्निंग विज्ञान, उद्योग और रोजमर्रा के सॉफ़्टवेयर में गहराई से जुड़ी हुई है, इसलिए वर्षों के संदेह के बावजूद क्वांटम सहायता का विचार इतना आकर्षक बना हुआ है। यदि क्वांटम आर्किटेक्चर अंततः कुछ बड़े डेटासेट को अधिक कुशलता से प्रोसेस कर सकें, तो इसका लाभ केवल किसी एक सीमित उपयोग तक नहीं रहेगा। यह AI में संगणनात्मक सीमाओं को लेकर शोधकर्ताओं के सोचने के तरीके को प्रभावित करेगा।
साथ ही, इस काम को मंज़िल नहीं बल्कि नक्शे के रूप में समझना बेहतर है। गणितीय आधार इसलिए महत्वपूर्ण है क्योंकि यह तय करता है कि कोई क्षेत्र भ्रम का पीछा कर रहा है या वास्तविक इंजीनियरिंग लक्ष्य का। क्वांटम मशीन लर्निंग में यह भेद असामान्य रूप से महत्वपूर्ण रहा है। इस क्षेत्र ने वर्षों से बड़े वादे किए हैं, लेकिन बढ़त तक पहुंचने के व्यावहारिक रास्ते अब तक पकड़ में नहीं आए थे।
यह विश्लेषण बहस को खत्म नहीं करता, लेकिन उसकी शर्तें बदल देता है। अब सवाल यह नहीं है कि क्या क्वांटम कंप्यूटर कभी भी AI की मदद कर सकते हैं; सवाल यह हो सकता है कि कौन-सी मशीन लर्निंग समस्याएं इस बैच-लोडिंग दृष्टिकोण के लिए सबसे उपयुक्त हैं, और सिद्धांत से मेल खाने के लिए हार्डवेयर कितनी तेजी से परिपक्व हो सकता है। यह वह बातचीत है जो क्वांटम AI ने अब तक अक्सर नहीं की थी, और यह कहीं अधिक ठोस तथा उपयोगी है।
यह लेख New Scientist की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें.