Kernel Alignment for Quantum Support Vector Machines Using Genetic Algorithms
यह शोध पत्र क्वांटम सपोर्ट वेक्टर मशीनों में डेटा एनकोडिंग सर्किट को अनुकूलित करने के लिए जेनेटिक एल्गोरिदम का उपयोग करने वाला एक स्वचालित ढांचा प्रस्तुत करता है, जो यह प्रदर्शित करता है कि परिणामी कर्नेल मानक तकनीकों के तुल्य या उनसे अधिक वर्गीकरण सटीकता प्राप्त करते हैं और परीक्षण सटीकता एवं क्वांटम कर्नेल एंट्रॉपी के बीच एक सकारात्मक सहसंबंध प्रकट करते हैं।
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 आप मोजों के एक विशाल ढेर को "बाएं" और "दाएं" ढेरों में छांटने की कोशिश कर रहे हैं। कंप्यूटर की दुनिया में, इसे वर्गीकरण (classification) कहा जाता है। इसे करने के लिए एक लोकप्रिय उपकरण है जिसे सपोर्ट वेक्टर मशीन (SVM) कहते हैं। एक SVM को एक बहुत ही स्मार्ट रोबोट के रूप में सोचें जो दो समूहों के बीच एक आदर्श रेखा (या दीवार) खींचने की कोशिश करता है ताकि वे आपस में न मिलें।
हालाँकि, जब हम इस रोबोट को क्वांटम कंप्यूटिंग के क्षेत्र में ले जाते हैं (जहाँ कंप्यूटर जानकारी को प्रोसेस करने के लिए भौतिकी के अजीब नियमों का उपयोग करते हैं), तो इस रोबोट को निर्देशों के एक विशेष सेट की आवश्यकता होती है ताकि वह डेटा को समझ सके। इन निर्देशों को क्वांटम कर्नेल (Quantum Kernel) कहा जाता है।
समस्या: निर्देशों को डिजाइन करना कठिन है
आमतौर पर, वैज्ञानिकों को इन क्वांटम निर्देशों को मैन्युअल रूप से डिजाइन करना पड़ता है। यह एक जटिल लेगो (Lego) मशीन को हाथ से बनाने जैसा है, जिसमें आप अंदाज़ा लगाते हैं कि कौन से टुकड़े कहाँ फिट बैठेंगे, और इस उम्मीद में काम करते हैं कि यह काम करेगा। इसमें बहुत समय लगता है, और अक्सर, मशीन ठीक से काम नहीं करती है।
समाधान: विकास (Evolution) को काम करने दें
यह शोध पत्र एक नई विधि पेश करता है जिसे GEKO (जेनेटिकली इंजीनियरड कर्नेल ऑप्टिमाइजेशन) कहा जाता है। इंसानों द्वारा निर्देश डिजाइन करने के बजाय, शोधकर्ताओं ने एक कंप्यूटर प्रोग्राम को प्राकृतिक विकास (natural evolution) की तरह काम करने दिया।
उन्होंने इसे एक सरल उपमा का उपयोग करके कैसे किया, यहाँ बताया गया है:
- जनसंख्या (The Population): कल्पना कीजिए कि अलग-अलग, बेतरतीब ढंग से बनी लेगो मशीनों (ये "सर्किट" हैं) से भरा एक बॉक्स है।
- परीक्षण (The Test): वे इन मशीनों को मोजे छांटने के काम में लगाते हैं।
- योग्यतम की उत्तरजीविता (Survival of the Fittest): जो मशीनें मोजों को सबसे अच्छी तरह छांटती हैं, उन्हें रख लिया जाता है। जो असफल होती हैं, उन्हें फेंक दिया जाता है।
- उत्परिवर्तन (Mutation): सफल मशीनों की नकल (copy) की जाती है, लेकिन छोटे, यादृच्छिक बदलावों के साथ (जैसे एक लाल ईंट को नीली ईंट से बदलना, या एक नया टुकड़ा जोड़ना)।
- दोहराना (Repeat): यह चक्र बार-बार चलता है। प्रकृति की तरह, कई पीढ़ियों के बाद, "मशीनें" मोजों को छांटने में बेहतर और बेहतर होती जाती हैं, बिना किसी इंसान के उन्हें यह बताए कि उन्हें वास्तव में क्या करना है।
शोधकर्ताओं ने सर्किट बनाने के लिए क्वांटम लेगो टुकड़ों (X, CNOT जैसे गेट्स) के एक विशिष्ट "टूलबॉक्स" का उपयोग किया।
सफलता को मापने के दो तरीके
शोधकर्ताओं ने यह तय करने के लिए दो अलग-अलग तरीकों का परीक्षण किया कि कौन सी मशीन "सबसे योग्य" है:
- "शिक्षक" विधि (Supervised): कंप्यूटर को सही लेबल के साथ मोजे दिए जाते हैं (जैसे, "यह एक बायां मोजा है")। यह जाँचता है कि क्या मशीन ने सही उत्तर दिया। यह एक शिक्षक द्वारा टेस्ट चेक करने जैसा है।
- "स्व-खोज" विधि (Unsupervised): कंप्यूटर को बिना लेबल वाले मोजे दिए जाते हैं। सही उत्तरों की जाँच करने के बजाय, यह देखता है कि मशीन की आंतरिक स्थिति कितनी "जटिल" या "एंटैंगल्ड" (entangled) है। विचार यह है कि एक अधिक जटिल आंतरिक संरचना छिपे हुए पैटर्न खोजने में बेहतर हो सकती है। यह एक मशीन को उसके अंतिम परिणाम के बजाय उसके जटिल गियर की जटिलता के आधार पर आंकने जैसा है।
उन्होंने क्या पाया
शोधकर्ताओं ने इस "विकासवादी" विधि का परीक्षण कई डेटासेट्स पर किया, जिनमें साधारण काल्पनिक आकृतियाँ (जैसे चंद्रमा और वृत्त) से लेकर वास्तविक दुनिया का डेटा जैसे वाइन के प्रकार, स्तन कैंसर के रिकॉर्ड और दवाओं का वर्गीकरण शामिल थे।
- मानक से बेहतर: इस जेनेटिक एल्गोरिदम द्वारा विकसित मशीनें उन मानक तरीकों के समान या उनसे बेहतर प्रदर्शन करती हैं जिनका उपयोग मनुष्य आमतौर पर करते हैं। वे लगातार एक सामान्य क्वांटम विधि "PauliZZ" को पीछे छोड़ देती हैं।
- सुचारू निर्णय: जब शोधकर्ताओं ने देखा कि मशीनें निर्णय कैसे लेती हैं, तो जेनेटिक एल्गोरिदम ने समूहों के बीच बहुत सुचारू और स्पष्ट सीमाएँ बनाईं। मानक विधियाँ कभी-कभी "पैची" या अव्यवस्थित सीमाएँ बनाती हैं।
- एन्ट्रॉपी का रहस्य: शोधकर्ताओं ने सोचा कि क्या मशीन के अंदर अधिक "अराजकता" (entropy) होने से वह अधिक स्मार्ट हो जाएगी। उन्होंने पाया कि मशीन की अराजकता और उसके प्रदर्शन के बीच कोई मजबूत संबंध नहीं था। एक अव्यवस्थित मशीन जरूरी नहीं कि एक स्मार्ट मशीन हो।
निष्कर्ष
यह शोध पत्र दिखाता है कि डेटा को छांटने के लिए सबसे अच्छे क्वांटम निर्देश डिजाइन करने के लिए आपको किसी मानव जीनियस की आवश्यकता नहीं है। एक जेनेटिक एल्गोरिदम (विकास का एक डिजिटल संस्करण) का उपयोग करके, आप इन निर्देशों को स्वचालित रूप से विकसित कर सकते हैं। परिणाम एक ऐसा क्वांटम मशीन है जो डेटा को कुशलतापूर्वक छांटता है, जिससे वित्त, स्वास्थ्य सेवा और विज्ञान के भविष्य के उपकरण बहुत अधिक शक्तिशाली हो सकते हैं।
संक्षेप में: क्वांटम मस्तिष्क को हाथ से बनाने के बजाय, उन्होंने इसे खुद विकसित होने दिया, और यह एक बहुत अच्छा छात्र साबित हुआ।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।