अंदरूनी सूत्र संक्षिप्त

• एक निबंध में, IonQ और Microsoft के शोधकर्ताओं ने सुझाव दिया है कि क्वांटम कंप्यूटर अत्यधिक सटीक डेटा उत्पन्न करने में मदद कर सकते हैं जो रासायनिक प्रणालियों को अधिक कुशलता से अनुकरण करने के लिए कृत्रिम बुद्धिमत्ता मॉडल को प्रशिक्षित कर सकते हैं।
• यह दृष्टिकोण क्वांटम सिमुलेशन की सटीकता को शास्त्रीय कंप्यूटरों पर चलने वाले एआई मॉडल की गति, संभावित रूप से सामग्री और दवा की खोज में तेजी लाने के साथ जोड़ता है।
• शोधकर्ताओं का कहना है कि क्वांटम-जनित प्रशिक्षण डेटा अणुओं में इलेक्ट्रॉनों के व्यवहार की भविष्यवाणियों में सुधार करता है और वैज्ञानिकों को उत्प्रेरक, बैटरी और अन्य सामग्रियों को डिजाइन करने में मदद कर सकता है, भले ही बड़े पैमाने पर दोष-सहिष्णु क्वांटम कंप्यूटर अभी भी विकास में हैं।
• चित्र का श्रेय देना गेराल्ट ऊपर पिक्साबे

प्रतिद्वंद्वी क्वांटम कंप्यूटिंग कंपनियों के दो शोधकर्ताओं ने मिलकर प्रस्ताव दिया है कि क्वांटम प्रौद्योगिकी के लिए सबसे व्यावहारिक निकट भविष्य में रसायन विज्ञान का अनुकरण करने के लिए कृत्रिम बुद्धिमत्ता (एआई) प्रणालियों को प्रशिक्षित करना हो सकता है। वे जो रणनीति प्रस्तावित करते हैं वह बड़े पैमाने पर क्वांटम मशीनों के आने से बहुत पहले नई सामग्रियों और दवाओं की खोज में तेजी ला सकती है।

में निबंध आईईईई स्पेक्ट्रम में प्रकाशित हुआIonQ के ची चेन, और Microsoft के मैथियास ट्रॉयर एक हाइब्रिड दृष्टिकोण पर रिपोर्ट करते हैं जो रासायनिक सिमुलेशन में लंबे समय से चली आ रही बाधाओं को दूर करने के लिए क्वांटम कंप्यूटिंग और कृत्रिम बुद्धिमत्ता को जोड़ती है। उनके प्रस्ताव से पता चलता है कि क्वांटम कंप्यूटर अणुओं में इलेक्ट्रॉनों के व्यवहार के बारे में अत्यधिक सटीक डेटा उत्पन्न कर सकते हैं, जिसका उपयोग एआई मॉडल को प्रशिक्षित करने के लिए किया जा सकता है जो शास्त्रीय कंप्यूटरों पर तेजी से भविष्यवाणियां कर सकते हैं।

यह विचार उभरते क्वांटम उद्योग में प्रतिस्पर्धियों के बीच एक दुर्लभ सहयोग पर प्रकाश डालता है। हालाँकि IonQ और Microsoft अलग-अलग क्वांटम कंप्यूटिंग सिस्टम और व्यावसायिक रणनीतियाँ विकसित कर रहे हैं, शोधकर्ताओं ने लिखा है कि क्वांटम कंप्यूटिंग और कृत्रिम बुद्धिमत्ता के दोनों क्षेत्रों में अलग-अलग होने की तुलना में एक साथ आगे बढ़ने की अधिक संभावना है।

इस प्रस्ताव के केंद्र में कम्प्यूटेशनल रसायनज्ञों से परिचित एक अवधारणा है जिसे “जैकब की सीढ़ी” कहा जाता है। यह 2001 में भौतिक विज्ञानी जॉन पी. पेरड्यू द्वारा पेश किया गया एक रूपक है, यह समझाने के लिए कि वैज्ञानिक पदार्थ में इलेक्ट्रॉनों के व्यवहार का अनुकरण कैसे करते हैं।

इलेक्ट्रॉनिक समस्याओं को समझना

जैकब की सीढ़ी कम्प्यूटेशनल तरीकों के पदानुक्रम का प्रतिनिधित्व करती है, सीढ़ी का प्रत्येक पायदान सन्निकटन और जटिलता के एक अलग स्तर का प्रतिनिधित्व करता है।

सबसे निचले स्तर पर, वैज्ञानिक समस्याओं को बहुत सरल बना देते हैं। परमाणुओं को स्प्रिंग जैसी ताकतों से जुड़े सरल कणों के रूप में माना जा सकता है, जिससे सिमुलेशन को लंबे समय तक लाखों परमाणुओं को ट्रैक करने की अनुमति मिलती है। हालाँकि ये गणनाएँ अपेक्षाकृत तेज़ हैं, लेकिन ये परमाणुओं के व्यवहार का केवल एक मोटा विवरण ही देती हैं।

सीढ़ी के उच्च स्तर में अधिक विस्तृत भौतिकी शामिल है। घनत्व कार्यात्मक सिद्धांत (जिसे डीएफटी के रूप में भी जाना जाता है) जैसी तकनीकें इलेक्ट्रॉनों के क्वांटम व्यवहार का अधिक सटीक रूप से वर्णन करने का प्रयास करती हैं कि वे एक दूसरे के साथ कैसे बातचीत करते हैं। यद्यपि डीएफटी का व्यापक रूप से रसायन विज्ञान और सामग्री विज्ञान में उपयोग किया जाता है, फिर भी यह गणितीय शॉर्टकट पर निर्भर करता है, जो कभी-कभी इसकी सटीकता को सीमित करता है।

सीढ़ी के शीर्ष पर सबसे सटीक गणनाएं हैं जो इलेक्ट्रॉनों के बीच बातचीत को सटीक रूप से मॉडल करने का प्रयास करती हैं। ये गणनाएँ शीघ्र ही कम्प्यूटेशनल रूप से अत्यधिक महंगी हो सकती हैं। जैसे-जैसे अणु बढ़ते हैं, संभावित इलेक्ट्रॉन विन्यास की संख्या तेजी से बढ़ती है, जिससे शोधकर्ता अक्सर कम्प्यूटेशनल जटिलता में “घातीय दीवार” के रूप में संदर्भित होते हैं।

आईईईई स्पेक्ट्रम में एक निबंध के अनुसार, शास्त्रीय कंप्यूटरों को कई रासायनिक रूप से महत्वपूर्ण प्रणालियों में उस बाधा को पार करने में कठिनाई होती है, विशेष रूप से उन प्रणालियों में जिनमें दृढ़ता से परस्पर क्रिया करने वाले इलेक्ट्रॉन होते हैं, जैसे उत्प्रेरक या असामान्य इलेक्ट्रॉनिक गुणों वाली सामग्री।

क्वांटम कंप्यूटर इस सीमा को पार करने में मदद कर सकते हैं क्योंकि जानकारी की बुनियादी इकाइयाँ जिन्हें क्विबिट कहा जाता है, सैद्धांतिक रूप से एक साथ कई राज्यों में मौजूद हो सकती हैं। यह गुण, सैद्धांतिक रूप से, एक साथ कई संभावित इलेक्ट्रॉन विन्यासों का प्रतिनिधित्व करने की अनुमति देता है, जिससे यह अणुओं जैसे क्वांटम सिस्टम के अनुकरण के लिए उपयुक्त हो जाता है।

हालाँकि, व्यावहारिक क्वांटम कंप्यूटर की अभी भी सीमाएँ हैं। वर्तमान उपकरणों में अपेक्षाकृत कम क्वबिट होते हैं और गणना के दौरान होने वाली त्रुटियों से ग्रस्त होते हैं। बड़े पैमाने पर रासायनिक सिमुलेशन को संसाधित करने में सक्षम एक पूरी तरह से दोष-सहिष्णु मशीन को लाखों भौतिक क्यूबिट की आवश्यकता हो सकती है और इसे प्राप्त करने में वर्षों लग सकते हैं।

क्वांटम परिशुद्धता और एआई गति का संयोजन

चेन और ट्रॉयर का सुझाव है कि क्वांटम कंप्यूटरों को उपयोगी होने के लिए सभी रासायनिक सिमुलेशन को स्वयं चलाने की आवश्यकता नहीं है। इसके बजाय, उनका उपयोग इलेक्ट्रॉनों के व्यवहार के बारे में अत्यधिक सटीक डेटा की छोटी मात्रा उत्पन्न करने के लिए किया जा सकता है, डेटा जो शास्त्रीय तरीकों का उपयोग करके गणना करने के लिए निषेधात्मक रूप से महंगा होगा।

वह डेटा संभावित रूप से क्लासिक कंप्यूटर पर चलने वाले मशीन लर्निंग मॉडल को प्रशिक्षित कर सकता है। एक बार प्रशिक्षित होने के बाद, मॉडल पारंपरिक सिमुलेशन की तुलना में रासायनिक गुणों की बहुत तेजी से भविष्यवाणी कर सकता है।

यह दृष्टिकोण विज्ञान और इंजीनियरिंग में बढ़ती प्रवृत्ति को दर्शाता है जहां एआई मॉडल जटिल सिमुलेशन के लिए सरोगेट के रूप में काम करते हैं। हर बार कठिन समीकरणों को हल करने के बजाय, एक प्रशिक्षित मॉडल लगभग तुरंत परिणामों का अनुमान लगा सकता है।

शोधकर्ता बताते हैं कि कैसे यह मिश्रित दृष्टिकोण पर्ड्यू की “जैकब की सीढ़ी” को प्रभावी ढंग से मोड़ सकता है। अधिक कम्प्यूटेशनल रूप से गहन तरीकों की ओर आगे बढ़ने के बजाय, वैज्ञानिक एआई सिस्टम को प्रशिक्षित करने के लिए क्वांटम-जनरेटेड डेटा का उपयोग कर सकते हैं जो समान कम्प्यूटेशनल लागत के बिना उच्च स्तर की सटीकता प्राप्त करते हैं।

यह रणनीति वैज्ञानिकों को नियमित कंप्यूटर पर गणना करते समय रासायनिक मॉडलिंग में पूर्वानुमान सटीकता के उच्च स्तर तक पहुंचने की अनुमति दे सकती है।

सामग्री खोज में अवधारणाओं का परीक्षण

निबंध माइक्रोसॉफ्ट और पैसिफ़िक नॉर्थवेस्ट नेशनल लेबोरेटरी के शोधकर्ताओं द्वारा हाल ही में किए गए काम की ओर इशारा करता है, उदाहरण के लिए कि कैसे एआई पहले से ही सामग्री अनुसंधान को गति दे सकता है।

इस परियोजना में, एआई मॉडल ने 32 मिलियन से अधिक उम्मीदवार सामग्रियों का मूल्यांकन किया जिनका संभावित रूप से बैटरी इलेक्ट्रोलाइट्स में उपयोग किया जा सकता है। सामग्रियों के इतने बड़े सेट का विश्लेषण करने के लिए पारंपरिक कम्प्यूटेशनल तरीकों को दशकों की आवश्यकता हो सकती है।

शोधकर्ताओं के अनुसार, एआई स्क्रीनिंग प्रक्रिया ने पूल को लगभग 500,000 स्थिर सामग्रियों तक सीमित कर दिया और अंततः एक सप्ताह के भीतर लगभग 800 होनहार उम्मीदवारों तक सीमित कर दिया। उच्च-प्रदर्शन कंप्यूटिंग सिस्टम ने तब सबसे आशाजनक विकल्पों का अधिक विस्तृत सिमुलेशन चलाया।

पैसिफ़िक नॉर्थवेस्ट नेशनल लेबोरेटरी के शोधकर्ताओं ने तब एक ठोस इलेक्ट्रोलाइट को संश्लेषित और परीक्षण करने के लिए उम्मीदवार सामग्री, सोडियम में से एक का उपयोग किया, जिसके लिए पारंपरिक लिथियम-आयन बैटरी की तुलना में काफी कम लिथियम की आवश्यकता होती थी।

यह उदाहरण दिखाता है कि कैसे मशीन लर्निंग उन उम्मीदवारों की सूची को कम करके सामग्री खोज के शुरुआती चरणों को नाटकीय रूप से तेज कर सकती है जिन्हें प्रयोगात्मक रूप से परीक्षण करने की आवश्यकता है।

क्वांटम कंप्यूटिंग एआई मॉडल की सटीकता में सुधार करके उस दृष्टिकोण का विस्तार कर सकती है। शोधकर्ताओं का कहना है कि क्वांटम सिमुलेशन डेटा पर प्रशिक्षित एआई सिस्टम में जटिल इलेक्ट्रॉनिक इंटरैक्शन को पकड़ने की क्षमता है, जिन्हें शास्त्रीय तरीकों का उपयोग करके प्रस्तुत करना मुश्किल है।

रासायनिक प्रतिक्रियाओं की भविष्यवाणी करने और नई सामग्रियों को डिजाइन करने के लिए इलेक्ट्रॉन व्यवहार का सटीक मॉडलिंग महत्वपूर्ण है। ऊर्जा गणना में छोटी त्रुटियां वैज्ञानिकों को अणुओं के व्यवहार के बारे में गलत निष्कर्ष पर ले जा सकती हैं।

प्रतिक्रिया मार्गों का अध्ययन करते समय यह विशेष रूप से महत्वपूर्ण है, चरणों की श्रृंखला जो तब होती है जब एक रसायन एक नए पदार्थ में परिवर्तित हो जाता है। शोधकर्ता अक्सर इन मार्गों को पहाड़ियों और घाटियों के परिदृश्य के रूप में वर्णित करते हैं, प्रत्येक पहाड़ी की ऊंचाई एक ऊर्जा बाधा का प्रतिनिधित्व करती है जिसे प्रतिक्रिया को दूर करना होगा।

इन बाधाओं की गणना में छोटी सी त्रुटियां भी इस बारे में पूर्वानुमान बदल सकती हैं कि कौन से उत्पाद बनेंगे या प्रतिक्रिया कितनी जल्दी होगी।

इसलिए, बेहतर मॉडलिंग टूल में फार्मास्यूटिकल्स, ऊर्जा भंडारण और पर्यावरण रसायन विज्ञान सहित उद्योगों की एक विस्तृत श्रृंखला को प्रभावित करने की क्षमता है। अधिक सटीक सिमुलेशन वैज्ञानिकों को बेहतर उत्प्रेरक की पहचान करने, अधिक कुशल बैटरी डिजाइन करने और रासायनिक प्रतिक्रियाओं की खोज करने में मदद कर सकते हैं जो लगातार प्रदूषकों को तोड़ सकते हैं।

शोधकर्ताओं ने लिखा है कि हाइब्रिड क्वांटम एआई सिस्टम क्वांटम-स्तरीय परिशुद्धता को मशीन सीखने की गति के साथ जोड़कर इन भविष्यवाणियों की विश्वसनीयता में काफी सुधार कर सकता है।

बाकी तकनीकी बाधाएं

संभावित लाभों के बावजूद, कुछ तकनीकी चुनौतियाँ बनी हुई हैं।

सबसे अधिक मांग वाले रासायनिक सिमुलेशन करने से पहले क्वांटम कंप्यूटरों को काफी बड़ा और अधिक विश्वसनीय बनने की आवश्यकता होगी। शोधकर्ताओं का कहना है कि उपयोगी सिमुलेशन जिन्हें शास्त्रीय कंप्यूटरों के साथ हासिल नहीं किया जा सकता है, उन्हें बेहद कम त्रुटि दर के साथ सैकड़ों या हजारों उच्च-गुणवत्ता वाले क्वैबिट की आवश्यकता हो सकती है।

उस विश्वसनीयता को प्राप्त करने के लिए दोष-सहिष्णु क्वांटम कंप्यूटिंग की आवश्यकता हो सकती है, जहां क्वांटम जानकारी त्रुटि-सुधार कोड द्वारा संरक्षित होती है। प्रत्येक तार्किक क्वैब को सैकड़ों भौतिक क्वबिट की आवश्यकता हो सकती है, जिसका अर्थ है कि एक पूर्ण-स्तरीय मशीन को लाखों क्वबिट की आवश्यकता हो सकती है।

इन चुनौतियों के बावजूद, शोधकर्ताओं का सुझाव है कि एक हाइब्रिड दृष्टिकोण जल्द ही लाभ देना शुरू कर सकता है। एआई मॉडल जो पहले से ही शास्त्रीय सिमुलेशन डेटा पर प्रशिक्षित हैं, उन्हें सटीकता में सुधार के लिए केवल थोड़ी मात्रा में क्वांटम-जनरेटेड डेटा के साथ ठीक करने की आवश्यकता हो सकती है।

यह चरण-दर-चरण रणनीति वैज्ञानिकों को हार्डवेयर में सुधार के रूप में धीरे-धीरे क्वांटम कंप्यूटिंग को अपने वैज्ञानिक वर्कफ़्लो में एकीकृत करने की अनुमति दे सकती है।

क्वांटम कंप्यूटिंग और कृत्रिम बुद्धिमत्ता का एक सफल संयोजन वैज्ञानिकों के परमाणु पैमाने पर पदार्थ का अध्ययन करने के तरीके को बदल सकता है, जिससे अत्यधिक सटीक रासायनिक मॉडलिंग विशेष सुपर कंप्यूटरों के बजाय रोजमर्रा के कंप्यूटरों के लिए सुलभ हो जाएगी।