Measurement-based quantum machine learning
यह शोधपत्र मल्टीपल-ट्राइएंगल एंसेटज़ (MuTA) का प्रस्ताव करता है, जो एक सार्वभौमिक मेजरमेंट-बेस्ड क्वांटम न्यूरल नेटवर्क फ्रेमवर्क है जो स्केलेबल ट्रेनिंग, शोर के प्रति लचीलापन और क्वांटम स्टेट क्लासिफिकेशन से लेकर हार्डवेयर-प्रतिबंधित फोटोनिक कार्यान्वयन तक विविध अनुप्रयोगों को सक्षम करने के लिए MBQC प्रतिमान के लाभों का लाभ उठाता है।
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
मुख्य विचार: क्वांटम मस्तिष्क बनाने का एक नया तरीका
कल्पना कीजिए कि आप एक कठिन समस्या को हल करने के लिए एक सुपर-स्मार्ट कंप्यूटर ब्रेन (एक क्वांटम न्यूरल नेटवर्क) बनाना चाहते हैं। आमतौर पर, वैज्ञानिक इन ब्रेन्स को एक मूवी रील की तरह बनाते हैं: आप एक खाली स्क्रीन से शुरू करते हैं, दृश्यों (गेट्स) का एक क्रम एक के बाद एक चलाते हैं, और अंत में एक परिणाम प्राप्त करते हैं। यह मानक "सर्किट मॉडल" है।
हालाँकि, इस शोध पत्र के लेखक इन ब्रेन्स को बनाने का एक अलग तरीका प्रस्तावित करते हैं, जिसे मेज़रमेंट-बेस्ड क्वांटम कंप्यूटिंग (MBQC) कहा जाता है।
उपमा: "प्री-एंटैंगल्ड" वेब (पहले से जुड़ा हुआ जाल)
दृश्य दर दृश्य मूवी चलाने के बजाय, कल्पना कीजिए कि आपके पास क्वांटम धागों (जिन्हें रिसोर्स स्टेट कहा जाता है) से बना एक विशाल, पहले से बुना हुआ मकड़ी का जाल है। यह जाल पहले से ही "एंटैंगल्ड" है, जिसका अर्थ है कि सभी धागे एक रहस्यमयी, तात्कालिक तरीके से आपस में जुड़े हुए हैं।
कोई भी काम करने के लिए, आप मूवी नहीं चलाते। इसके बजाय, आप एक विशिष्ट क्रम में धागों को काटने (मेज़रमेंट करने) से शुरुआत करते हैं।
- जब आप एक धागे को काटते हैं, तो यह जाल में एक लहर भेजता है।
- जाल कैसे प्रतिक्रिया देता है, यह इस पर निर्भर करता है कि आपने पिछले धागों को कैसे काटा था।
- जब तक आप सही धागों को काट चुके होते हैं, तब तक जाल का शेष भाग उस उत्तर में बदल जाता है जिसे आप चाहते थे।
लेखक तर्क देते हैं कि यह "काटने" (snipping) वाला तरीका मशीन लर्निंग के लिए वास्तव में बेहतर है क्योंकि यह शोर (noise) को बेहतर तरीके से संभालता है, यह प्रकाश-आधारित (फोटोनिक) कंप्यूटरों के साथ अच्छा काम करता है, और सीखने की एक अनूठी शैली की अनुमति देता है।
शो का सितारा: MuTA (द मल्टीपल-ट्राइएंगल एंसेट)
लेखकों ने इस क्वांटम वेब के लिए एक विशिष्ट डिज़ाइन बनाया है, जिसे वे MuTA (मल्टीपल-ट्राइएंगल एंसेट) कहते हैं।
उपमा: त्रिकोणों की एक ट्रेन
एक ऐसी ट्रेन की कल्पना करें जहाँ कारें न केवल एक रेखा में जुड़ी हुई हैं, बल्कि उनके बीच त्रिकोणीय पुल भी हैं।
- ट्रैक्स: ये वेब के "तार" या रेखाएं हैं।
- त्रिकोण: ये तारों के बीच विशेष कनेक्शन हैं।
त्रिकोण क्यों? इस क्वांटम दुनिया में, त्रिकोण स्विच की तरह काम करते हैं।
- यदि आप त्रिकोण के एक विशिष्ट हिस्से को एक तरीके से मापते हैं, तो तार अलग रहते हैं (कोई कनेक्शन नहीं)।
- यदि आप इसे दूसरे तरीके से मापते हैं, तो तार "एंटैंगल्ड" हो जाते हैं (वे एक-दूसरे से बात करने लगते हैं)।
यह डिज़ाइन इस क्वांटम ब्रेन को तीन महाशक्तियाँ देता है:
- यूनिवर्सल (सार्वभौमिक): यह किसी भी गणना को करने के लिए सीख सकता है, ठीक वैसे ही जैसे एक क्लासिकल कंप्यूटर कोई भी सॉफ्टवेयर चला सकता है।
- ट्यूनेबल (समायोज्य): आप तारों के बीच के कनेक्शन का "वॉल्यूम" ऊपर या नीचे कर सकते हैं।
- स्केलेबल (स्केलेबल): आप बिना इसे तोड़े इस ब्रेन को बड़ा (त्रिकोणों की अधिक परतें जोड़कर) बना सकते हैं, और यह एक अनुमानित तरीके से स्मार्ट होता जाता है।
उन्होंने वास्तव में क्या किया? (प्रयोग)
लेखकों ने केवल चित्र नहीं बनाए; उन्होंने यह देखने के लिए कि क्या यह वास्तव में काम करता है, कंप्यूटर पर MuTA का सिमुलेशन किया। यहाँ वे चार चीजें हैं जिन्हें उन्होंने सीखा:
1. वर्णमाला सीखना (यूनिवर्सल गेट्स)
उन्होंने MuTA को बुनियादी क्वांटम "अक्षर" (गेट्स) करने के लिए सिखाया।
- परिणाम: इसने बहुत तेज़ी से रैंडम सिंगल-क्विबिट ऑपरेशंस और एक विशिष्ट टू-क्विबिट कनेक्शन (IsingXX) को सीखा। यह तेज़ी से कन्वर्ज हुआ, जिसका अर्थ है कि इसने कुशल तरीके से सही "काटने का पैटर्न" खोज लिया।
2. बारिश में सीखना (शोर के प्रति मजबूती/Noise Robustness)
असली क्वांटम कंप्यूटर शोर वाले होते हैं (जैसे तूफान में फुसफुसाहट सुनने की कोशिश करना)।
- परिणाम: उन्होंने "नॉइजी डेटा" (रैंडम एरर) और "नॉइजी हार्डवेयर" (स्वयं वेब थोड़ा टूटा हुआ था) के साथ MuTA का परीक्षण किया। MuTA आश्चर्यजनक रूप से मजबूत था। जब तक शोर पूर्ण अराजकता नहीं था, यह उच्च शोर के बावजूद सही पैटर्न सीख सकता था।
3. क्वांटम चट्टानों को छाँटना (क्वांटम स्टेट्स का वर्गीकरण)
वे चाहते थे कि ब्रेन एक क्वांटम स्टेट को देखे और निर्णय ले: "क्या यह हाई-प्रिसिजन मेजरमेंट के लिए एक 'अच्छा' स्टेट है, या एक 'बुरा' एक?"
- परिणाम: MuTA ने 96% से अधिक सटीकता के साथ इन स्टेट्स को वर्गीकृत करने के लिए प्रशिक्षण लिया। इसने उन स्टेट्स के बीच अंतर पहचानने में महारत हासिल की जो सेंसिंग के लिए उपयोगी हैं और जो नहीं हैं, भले ही इसे इसके पीछे के गणित के बारे में स्पष्ट रूप से न बताया गया हो।
4. टेलीपोर्टेशन का जादू (क्वांटम इंस्ट्रूमेंट्स)
उन्होंने MuTA को एक "क्वांटम इंस्ट्रूमेंट" सीखने के लिए कहा—एक ऐसी प्रक्रिया जो एक स्टेट लेती है, उसे मापती है, और परिणाम के आधार पर शेष स्टेट को बदल देती है (जैसे सूचना को टेलीपोर्ट करना)।
- परिणाम: मॉडल ने पूरी सटीकता के साथ वेब के एक हिस्से से दूसरे हिस्से तक क्वांटम स्टेट को टेलीपोर्ट करना सफलतापूर्वक सीख लिया। यह साबित करता है कि यह जटिल, चरण-दर-चरण तर्क को संभाल सकता है जहाँ अगला कदम पिछले मेजरमेंट पर निर्भर करता है।
5. क्लासिकल डेटा को छाँटना (द कर्नल ट्रिक)
अंत में, उन्होंने नियमित, गैर-क्वांटम डेटा (जैसे ग्राफ पर बिंदु) को छाँटने के लिए MuTA का उपयोग किया।
- परिणाम: उन्होंने MuTA को एक "कर्नल" (छाँटने के लिए एक गणितीय उपकरण) में बदल दिया। इसने अन्य क्वांटम तरीकों की तरह ही सरल आकृतियों (वृत्त और धब्बे) को सफलतापूर्वक छाँटा, हालांकि इसे अधिक जटिल, मुड़े हुए आकारों (मून शेप) के साथ संघर्ष करना पड़ा।
वास्तविक दुनिया की बाधा: "पिक्सेलेटेड" दुनिया
पेपर एक व्यावहारिक समस्या को संबोधित करते हुए समाप्त होता है। कुछ क्वांटम कंप्यूटर (विशेष रूप से जो प्रकाश और एक विशेष एनकोडिंग जिसे GKP कहा जाता है का उपयोग करते हैं) किसी भी कोण पर माप नहीं कर सकते। वे केवल विशिष्ट, निश्चित कोणों (जैसे 0, 45, या 90 डिग्री) पर ही माप सकते हैं। यह एक मास्टरपीस पेंट करने की कोशिश करने जैसा है लेकिन आप केवल तीन विशिष्ट रंगों का ही उपयोग कर सकते हैं।
इसे हल करने के लिए, लेखकों ने दो "ह्यूरिस्टिक" (स्मार्ट गेस) एल्गोरिदम का परीक्षण किया:
- द ग्रीडी सर्च (The Greedy Search): एक विधि जो वेब के एक समय में एक स्लाइस को ऑप्टिमाइज़ करने की कोशिश करती है, अनुमत सूची से सबसे अच्छा कोण चुनती है।
- डीप Q-लर्निंग (Deep Q-Learning): एक प्रकार का AI जो प्रयास और त्रुटि (trial and error) से सीखता है, जो एक वीडियो गेम कैरेक्टर की तरह काम करता है जो भूलभुलैया में रास्ता खोजना सीख रहा है।
परिणाम: दोनों विधियाँ रैंडम गेसिंग से बेहतर थीं। "ग्रीडी" विधि छोटे कार्यों के लिए तेज़ थी, जबकि "AI" विधि ने बड़े, अधिक जटिल वेब के लिए संभावना दिखाई।
सारांश
यह पेपर MuTA पेश करता है, जो क्वांटम न्यूरल नेटवर्क का एक नया ब्लूप्रिंट है जो क्वांटम धागों के पहले से जुड़े वेब को "काटने" के माध्यम से काम करता है।
- यह यूनिवर्सल है (कुछ भी कर सकता है)।
- यह रोबस्ट है (शोर को अच्छी तरह संभालता है)।
- यह फ्लेक्सिबल है (विभिन्न कार्यों के लिए ट्यून किया जा सकता है)।
- यह काम करता है भले ही हार्डवेयर विशिष्ट मेजरमेंट एंगल्स तक सीमित हो।
लेखकों ने सफलतापूर्वक प्रदर्शित किया कि यह "काटने" वाला तरीका गेट्स करने, क्वांटम स्टेट्स को वर्गीकृत करने, सूचना टेलीपोर्ट करने और डेटा को छाँटने के लिए सीख सकता है, जो मेजरमेंट-बेस्ड कंप्यूटरों के लिए नेटिव (मूल) क्वांटम मशीन लर्निंग टूल्स की एक नई पीढ़ी की नींव रखता है।
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।