⚛️ quantum physics

Sample efficient graph classification using binary Gaussian boson sampling

यह शोध पत्र बाइनरी गॉसियन बोस सैंपलिंग का उपयोग करके एक सैंपल-एफिशिएंट ग्राफ वर्गीकरण एल्गोरिदम प्रस्तावित करता है, जो कमरे के तापमान वाले, नॉन-फोटॉन-नंबर-रिजॉल्विंग डिटेक्टरों का उपयोग करके हार्डवेयर आवश्यकताओं को सरल बनाता है और ग्राफ थ्योरी तथा टोरोंटो-नियन मैट्रिक्स फंक्शन के बीच एक सैद्धांतिक संबंध स्थापित करता है।

मूल लेखक: Amanuel Anteneh, Olivier Pfister

प्रकाशित 2026-05-13

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Amanuel Anteneh, Olivier Pfister

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके पास अलग-अलग लेगो (Lego) संरचनाओं का एक विशाल डिब्बा है। कुछ किले जैसे दिखते हैं, कुछ अंतरिक्ष यान (spaceships) जैसे, और कुछ अमूर्त मूर्तियों (abstract sculptures) जैसे। आपका लक्ष्य इन संरचनाओं को "किले" और "अंतरिक्ष यान" में वर्गीकृत करना है। यह एक क्लासिक मशीन लर्निंग समस्या है जिसे ग्राफ वर्गीकरण (graph classification) कहा जाता है, जहाँ "लेगो" डेटा बिंदु (नोड्स) हैं और उनके बीच के संबंध किनारे (edges) हैं।

समस्या यह है कि कंप्यूटर पूरी लेगो संरचना को देखकर यह कहने में बहुत खराब होते हैं कि "यह एक किला है।" वे संख्याओं की सूची पसंद करते हैं। इसलिए, वैज्ञानिकों को इन जटिल आकृतियों को संख्याओं की एक सूची (एक "फीचर वेक्टर") में बदलने की आवश्यकता होती है जिसे कंप्यूटर समझ सके।

यह शोध पत्र इस अनुवाद को करने का एक नया, सरल तरीका पेश करता है जो गौसियन बोसन सैंपलिंग (Gaussian Boson Sampling - GBS) नामक एक विशेष प्रकार के क्वांटम कंप्यूटर प्रयोग का उपयोग करता है।

यहाँ उनके विचार का विवरण दिया गया है, सरल उपमाओं का उपयोग करते हुए:

1. पुराना तरीका: एक हाई-रिज़ॉल्यूशन कैमरा

पहले, इस कार्य के लिए क्वांटम कंप्यूटरों का उपयोग करने के लिए, शोधकर्ताओं को एक ऐसे सेटअप की आवश्यकता होती थी जिसमें फोटॉन-नंबर-रिजॉल्विंग (PNR) डिटेक्टर लगे हों।

उपमा: कल्पना कीजिए कि आप एक तूफान में एक विशिष्ट खिड़की के शीशे पर गिरने वाली बारिश की बूंदों की सटीक गिनती करने की कोशिश कर रहे हैं। आपको एक सुपर-सेंसिटिव, हाई-टेक कैमरे की आवश्यकता है जो 1 बूंद, 2 बूंदें, 100 बूंदें आदि गिन सके।
समस्या: ये "कैमरे" अविश्वसनीय रूप से महंगे हैं, इन्हें बनाना कठिन है, और इन्हें काम करने के लिए अंतरिक्ष से भी अधिक ठंडे तापमान (क्रायोजेनिक) पर रखने की आवश्यकता होती है। वे बहुत जटिल भी हैं।

2. नया तरीका: एक "ऑन/ऑफ" स्विच

लेखक बाइनरी GBS (Binary GBS) नामक एक भिन्न संस्करण का प्रस्ताव करते हैं। यह गिनने के बजाय कि कितने वर्षा बिंदु गिरे, बस यह पूछता है: "क्या कोई बूंद गिरी?"

उपमा: आप हाई-टेक कैमरे को एक साधारण लाइट स्विच से बदल देते हैं। यदि एक बूंद गिरती है, तो स्विच "ON" (1) हो जाता है। यदि कुछ नहीं गिरता, तो यह "OFF" (0) रहता है। आपको यह नहीं पता कि 1 बूंद गिरी या 100 बूंदें; आप बस इतना जानते हैं कि स्विच चालू है।
लाभ: ये "स्विच" (बाइनरी डिटेक्टर) बहुत सस्ते हैं, इन्हें बनाना आसान है, और ये कमरे के तापमान पर भी काम कर सकते हैं। ये एक सुपरकंप्यूटर की तुलना में एक साधारण डोरबेल की तरह हैं।

3. यह कैसे काम करता है: ग्राफ की "परछाईं"

शोध पत्र बताता है कि एक लेगो संरचना (एक ग्राफ) को प्रकाश और अंधेरे धब्बों के पैटर्न (बाइनरी डिटेक्टर परिणाम) में कैसे बदला जाए।

सेटअप: आप क्वांटम मशीन को इस तरह प्रोग्राम करते हैं कि लेगो संरचना का "आकार" यह निर्धारित करता है कि दर्पणों की एक भूलभुलैया (इंटरफेरोमीटर) के माध्यम से प्रकाश कैसे यात्रा करेगा।
परिणाम: जब आप प्रयोग चलाते हैं, तो प्रकाश "स्विच" पर एक विशिष्ट पैटर्न में टकराता है।
जादुई गणित: लेखक दिखाते हैं कि एक विशिष्ट "ON/OFF" पैटर्न प्राप्त करने की संभावना गणितीय रूप से टोरोन्टोनियन (Torontonian) नामक एक जटिल गणना से जुड़ी हुई है। यह हाफनियन (Hafnian) नामक एक अन्य गणितीय फलन का एक संबंधी है, जो कि एक नियमित कंप्यूटर के लिए गणना करना अविश्वसनीय रूप से कठिन है, लेकिन इस क्वांटम मशीन के लिए इसे "सैंपल" (जनरेट) करना आसान है।

अनिवार्य रूप से, क्वांटम मशीन एक जटिल आकार लेती है, उसे एक क्वांटम भूलभुलैया के माध्यम से चलाती है, और फिर प्रकाश के चमकने (ब्लिंक) का एक पैटर्न निकालती है जो उस आकार के लिए एक अद्वितीय फिंगरप्रिंट के रूप में कार्य करता है।

4. डेटा को समझना: "बाल्टी" रणनीति

यदि आप हर एक संभावित "ब्लिंक" पैटर्न को देखते हैं, तो उनकी संख्या इतनी अधिक है कि उन्हें गिनना असंभव है (संभावनाओं की संख्या विस्फोटक रूप से बढ़ती है)। इसे ठीक करने के लिए, लेखक कोर्स-ग्रेनिंग (coarse-graining) या "बकेटिंग" का उपयोग करते हैं।

उपमा: समुद्र तट पर रेत के प्रत्येक कण को गिनने के बजाय, आप बस यह गिनते हैं कि आपके पास रेत की कितनी बाल्टियाँ हैं।
रणनीति A ("क्लिक" काउंट): आप उन सभी पैटर्न को एक समूह में रखते हैं जिनमें "ON" स्विच की संख्या समान है। (जैसे, "कितने पैटर्न में ठीक 3 लाइटें चालू थीं?")।
रणनीति B ("प्रथम 5" पैटर्न): आप केवल पहले 5 स्विचों को देखते हैं और पैटर्न को इस आधार पर समूहबद्ध करते हैं कि वे विशिष्ट 5 कैसे दिखते हैं, बाकी को अनदेखा करते हैं।

यह डेटा को एक प्रबंधनीय आकार में कम कर देता है जिसे एक मानक कंप्यूटर तेजी से सीख सकता है।

5. परिणाम: क्या यह काम करता है?

लेखकों ने अपने "बाइनरी स्विच" तरीके का परीक्षण इनके विरुद्ध किया:

पुराने क्वांटम तरीके: (महंगे, क्रायोजेनिक वाले)।
क्लासिकल तरीके: (मानक कंप्यूटर एल्गोरिदम जैसे "रैंडम वॉक" या "शॉर्टेस्ट पाथ" विश्लेषण)।

निष्कर्ष:

प्रदर्शन: उनकी सरल, कमरे के तापमान वाले विधि ने महंगे क्वांटम तरीकों और सर्वश्रेष्ठ क्लासिकल कंप्यूटर विधियों के समान, और कभी-कभी उनसे बेहतर प्रदर्शन किया।
दक्षता: निर्णय लेने के लिए आवश्यक डेटा प्राप्त करना बहुत तेज़ है (सैंपल एफिशिएंट)।
विशिष्ट जीत: "ENZYMES" नामक डेटासेट पर, जो जैविक अणुओं को वर्गीकृत करता है, उनका तरीका स्पष्ट विजेता रहा, जिसने बाकी सभी को पीछे छोड़ दिया।

मुख्य निष्कर्ष

यह शोध पत्र दावा करता है कि आपको उपयोगी ग्राफ वर्गीकरण करने के लिए अरबों डॉलर के, जमा देने वाली ठंड वाले क्वांटम कंप्यूटर की आवश्यकता नहीं है। डिटेक्टरों को सरल "ऑन/ऑफ" स्विचों में बदलकर और परिणामों को समूहबद्ध करने के लिए स्मार्ट गणित का उपयोग करके, आप उत्कृष्ट परिणाम प्राप्त कर सकते हैं, जो आज की तकनीक के बहुत करीब और व्यावहारिक एवं किफायती है।

यह शोध पत्र क्या दावा नहीं करता है:

यह दावा नहीं करता है कि यह बीमारियों का इलाज करेगा या सीधे रोगियों का निदान करेगा (हालांकि डेटा जैविक अणुओं से आया था, शोध पत्र सख्ती से वर्गीकरण एल्गोरिदम के बारे में है)।
यह दावा नहीं करता है कि यह हर ग्राफ समस्या को हल करता है, बल्कि यह कि यह वर्गीकरण कार्यों के लिए एक अत्यधिक कुशल उपकरण है।
यह वादा नहीं करता है कि यह सभी क्लासिकल कंप्यूटरों को बदल देगा, बल्कि यह कि यह विशिष्ट कार्यों के लिए एक प्रतिस्पर्धी, सैंपल-एफिशिएंट विकल्प है।

तकनीकी सारांश: बाइनरी गौसियन बोसन सैंपलिंग का उपयोग करके सैंपल एफिशिएंट ग्राफ वर्गीकरण

समस्या विवरण
ग्राफ वर्गीकरण मशीन लर्निंग में एक महत्वपूर्ण कार्य है जिसके बायोइनफॉरमैटिक्स, नेटवर्क साइंस और कंप्यूटर विजन में अनुप्रयोग हैं। हालांकि, ग्राफ-संरचित डेटा को मानक मशीन लर्निंग क्लासिफायर के लिए प्रस्तुत करना चुनौतीपूर्ण है क्योंकि ग्राफ आमतौर पर एडजेसेंसी मैट्रिसेस (adjacency matrices) के रूप में दर्शाए जाते हैं, जबकि क्लासिफायर को वेक्टर-मूल्य वाले इनपुट की आवश्यकता होती है। इसके लिए एक फीचर मैप $\phi$ को परिभाषित करने की आवश्यकता होती है जो ग्राफ को एक हिल्बर्ट स्पेस (Hilbert space) में प्रोजेक्ट करता है, जो अक्सर समानता मापने के लिए कर्नेल विधियों का उपयोग करता है।

हाल के प्रस्तावों ने ग्राफ कर्नेल्स बनाने के लिए गौसियन बोसन सैंपलिंग (GBS) का उपयोग करने का सुझाव दिया है। जबकि GBS एक मैट्रिक्स के हाफ़नियन (Hafnian) द्वारा नियंत्रित संभाव्यता वितरण से नमूने लेने में "क्वांटम एडवांटेज" प्रदान कर सकता है, मौजूदा GBS-आधारित ग्राफ वर्गीकरण एल्गोरिदम महत्वपूर्ण बाधाओं का सामना करते हैं। विशेष रूप से, वे फोटॉन-नंबर-रिजॉलिंग (PNR) डिटेक्टर्स पर निर्भर हैं। PNR डिटेक्शन इवेंट्स की संभाव्यता वितरण का अनुमान लगाने के लिए आवश्यक सैंपल कॉम्प्लेक्सिटी (sample complexity), मोड की संख्या के साथ सुपर-एक्सपोनेंशियल रूप से बढ़ती है, जिससे यह दृष्टिकोण बड़े ग्राफों के लिए अव्यवहार्य हो जाता है। इसके अलावा, PNR डिटेक्टर्स तकनीकी रूप से जटिल होते हैं, जिन्हें अक्सर क्रायोजेनिक तापमान की आवश्यकता होती है।

कार्यप्रणाली
लेखक एक परिवर्तित GBS ग्राफ कर्नेल एल्गोरिदम का प्रस्ताव करते हैं जो PNR डिटेक्टर्स के बजाय बाइनरी डिटेक्टर्स (सिंगल-फोटॉन संवेदनशील लेकिन नॉन-रिजॉलिंग) का उपयोग करता है। इस सेटअप में, एक डिटेक्शन इवेंट को एक बाइनरी स्ट्रिंग $n_{bin} = (n_1, ..., n_M)$ के रूप में रिकॉर्ड किया जाता है जहाँ $n_i \in \{0, 1\}$ , जो यह दर्शाता है कि मोड $i$ में कम से कम एक फोटॉन का पता चला है या नहीं।

सैद्धांतिक आधार: एक बाइनरी डिटेक्शन इवेंट की संभावना टोरोंटोनियन (Torontonian) मैट्रिक्स फंक्शन द्वारा निर्धारित होती है, जो शास्त्रीय रूप से भी कठिन (intractable) है। लेखक बाइनरी GBS और ग्राफ सिद्धांत के बीच संबंध स्थापित करते हैं, यह दिखाते हुए कि एक बाइनकी इवेंट की संभावना इनपुट ग्राफ के उन सभी संभावित सबग्राफ के स्क्वेर्ड हाफ़नियन्स के योग के समानुपाती है जो विशिष्ट डिटेक्शन पैटर्न से मेल खाते हैं।
फीचर एक्सट्रैक्शन रणनीतियाँ: कच्चे डिटेक्शन प्रोबेबिलिटी से जुड़ी सैंपल कॉम्प्लेक्सिटी की समस्या को हल करने के लिए, लेखक फीचर वेक्टर बनाने के लिए दो कोर्स-ग्रेनिंग (coarse-graining) रणनीतियों का परिचय देते हैं:
- $\mu$ -कोर्स-ग्रेनिंग: डिटेक्शन इवेंट्स को डिटेक्टर "क्लिक्स" (एक की संख्या) की कुल संख्या के आधार पर समूहित करता है। इसके परिणामस्वरूप $N+1$ आकार का फीचर वेक्टर प्राप्त होता है (जहाँ $N$ अधिकतम क्लिक्स है), जो मोड की संख्या के साथ रैखिक रूप से स्केल करता है।
- $\nu$ -कोर्स-ग्रेनिंग: डिटेक्शन इवेंट्स को पहले $k$ मोड के पैटर्न के आधार पर समूहित करता है (जैसे, पहले 5 मोड)। इसके परिणामस्वरूप एक स्थिर आकार ( $2^k$ ) का फीचर वेक्टर प्राप्त होता है, जो कुल ग्राफ आकार से स्वतंत्र है।
एल्गोरिदम कार्यान्वयन: ग्राफ को उनके एडजेसेंसी मैट्रिसेस के माध्यम से टकी डेकम्पोज़िशन (Takagi decomposition) का उपयोग करके स्क्वीजिंग पैरामीटर्स और इंटरफेरोमीटर सेटिंग्स निर्धारित करके GBS डिवाइस में एनकोड किया जाता है। नमूनों को उत्पन्न किया जाता है, उन्हें फीचर वेक्टर्स में कोर्स-ग्रेन किया जाता है, और फिर वर्गीकरण के लिए RBF कर्नेल के साथ सपोर्ट वेक्टर मशीन (SVM) में फीड किया जाता है।

प्रमुख योगदान

तकनीकी सरलीकरण: एल्गोरिदम PNR डिटेक्टर्स के स्थान पर बाइनरी डिटेक्टर्स (जैसे, SPADs) का उपयोग करता है, जो तकनीकी रूप से सरल हैं और कमरे के तापमान के करीब संचालित हो सकते हैं, जिससे कार्यान्वयन की जटिलता और लागत काफी कम हो जाती है।
सैंपल एफिशिएंसी: $\mu$ और $\nu$ कोर्स-ग्रेनिंग रणनीतियों का उपयोग करके, लेखक प्रदर्शित करते हैं कि सैंपल कॉम्प्लेक्सिटी PNR के मामले में सुपर-एक्सपोनेंशियल से घटकर मोड की संख्या के सापेक्ष रैखिक ( $O(M)$ ) या स्थिर ( $O(1)$ ) हो जाती है, जिससे यह एल्गोरिदम बड़े समस्या आकारों के लिए व्यवहार्य हो जाता है।
सैद्धांतिक संबंध: पेपर बाइनरी GBS और टोरोंटोनियन फंक्शन के बीच संबंध को स्पष्ट करता है, जो इस डिटेक्टर रिजीम के लिए शास्त्रीय कठिनता (classical intractability) के तर्कों का विस्तार करता है।

परिणाम
लेखकों ने दस मानक ग्राफ डेटासेट्स (जैसे, AIDS, MUTAG, ENZYMES) पर अपने बाइनरी GBS कर्नेल का मूल्यांकन किया और इसकी तुलना चार क्लासिकल ग्राफ कर्नेल्स (सबग्राफ मैचिंग, ग्राफलेट सैंपलिंग, रैंडम वॉक, शॉर्टेस्ट पाथ) और मूल PNR-आधारित GBS कर्नेल से की।

प्रदर्शन: बाइनरी GBS कर्नेल ने अधिकांश डेटासेट्स पर क्लासिकल कर्नेल्स के मुकाबले प्रतिस्पर्धी या बेहतर सटीकता प्राप्त की। विशेष रूप से, ENZYMES डेटासेट पर, $\nu$ -कोर्स-ग्रेनड बाइनरी GBS कर्नेल ने 48.10% की सटीकता प्राप्त की, जो रैंडम वॉक (19.50%), शॉर्टेस्ट पाथ (22.15%), और सबग्राफ मैचिंग (37.38%) कर्नेल्स से काफी बेहतर थी। इसने PNR-आधारित कर्नेल को भी पछाड़ दिया (जिसे इस डेटासेट पर ~40% तक पहुँचने के लिए डिस्प्लेसमेंट की आवश्यकता थी)।
मजबूती (Robustness): कर्नेल ने वर्गों के बीच महत्वपूर्ण आकार असंतुलन वाले डेटासेट्स (जैसे, AIDS, MUTAG) पर अच्छा प्रदर्शन किया, जो यह सुझाव देता है कि GBS-आधारित फीचर्स ग्राफ आकार के गुणों के प्रति संवेदनशील हैं।
फीचर विश्लेषण: प्रिंसिपल कंपोनेंट एनालिसिस (PCA) ने खुलासा किया कि पहले कुछ मोड में वैक्यूम (कोई फोटॉन नहीं) का पता लगाने वाला फीचर वर्गीकरण में सबसे महत्वपूर्ण योगदान देता है, जो विशिष्ट वर्टिसिस को हटाए गए सबग्राफ के हाफ़नियन से प्रदर्शन को जोड़ता है।

महत्व और दावे
पेपर का दावा है कि केवल बाइनरी डिटेक्टर्स का उपयोग करने वाला GBS कर्नेल उच्च वर्गीकरण सटीकता प्राप्त कर सकता है जबकि वह सैंपल एफिशिएंट और तकनीकी रूप से व्यवहार्य है। लेखक इस बात पर जोर देते हैं कि यह दृष्टिकोण क्रायोजेनिक PNR डिटेक्टर्स की आवश्यकता को समाप्त करता है और उनके साथ जुड़ी अत्यधिक बड़ी सैंपल साइज की समस्या को भी दूर करता है।

इसका महत्व इस बात में निहित है कि "क्वांटम एडवांटेज" के लिए मशीन लर्निंग कार्यों हेतु आवश्यक सबसे उन्नत, कठिन-से-लागू होने वाले क्वांटम हार्डवेयर (PNR डिटेक्टर्स) की आवश्यकता नहीं है। इसके बजाय, बाइनरी डिटेक्टर्स का उपयोग करने वाले सरल, निकट-अवधि (near-term) उपकरण, उपयुक्त कोर्स-ग्रेनिंग रणनीतियों के साथ मिलकर, उपयोगी और प्रतिस्पर्धी ग्राफ कर्नेल्स प्रदान कर सकते हैं। लेखक निष्कर्ष निकालते हैं कि हालांकि इन विशिष्ट कोर्स-ग्रेनड वितरणों से नमूना लेना शास्त्रीय रूप से कठिन बना हुआ है, फिर भी उनके द्वारा उपयोग किए गए विशिष्ट कोर्स-ग्रेनड संस्करण ग्राफ-संरचित डेटा को लागू करने के लिए एक व्यावहारिक मार्ग प्रदान करते हैं। वे यह भी नोट करते हैं कि इन विशिष्ट कोर्स-ग्रेनड वितरणों से नमूना लेने की शास्त्रीय कठिनता के संबंध में और अधिक जांच की आवश्यकता है।