Integrated Encoding and Quantization to Enhance Quanvolutional Neural Networks

कंप्यूटिंग की तेजी से बदलती दुनिया में, एक नया क्षितिज उभर रहा है जहाँ क्वांटम मैकेनिक्स के नियम क्वांटम भौतिकी के साथ मिलकर मशीनों को देखने की कला से मिलते हैं। दशकों से, आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) छवियों को प्रोसेस करने के लिए क्लासिकल कंप्यूटरों पर निर्भर रही है, जो मेडिकल स्कैन से लेकर दूर स्थित आकाशगंगाओं के फोटोग्राफ तक, हर चीज़ में पैटर्न पहचानती है। ये सिस्टम, जिन्हें न्यूरल नेटवर्क कहा जाता है, शक्तिशाली हैं, लेकिन वे जटिलता की एक दीवार से टकराने लगे हैं। यहाँ क्वांटम मशीन लर्निंग का प्रवेश होता है, एक ऐसा क्षेत्र जो उन समस्याओं को हल करने के लिए क्वांटम भौतिकी के अजीब और प्रति-सहज गुणों का लाभ उठाने का प्रयास करता है जो आज के सुपरकंप्यूटरों के लिए बहुत कठिन हैं। इस क्षेत्र में सबसे आशाजनक अनुप्रयोग क्वांटम सर्किटों का उपयोग करके छवियों को प्रोसेस करने की क्षमता है, जो संभावित रूप से डेटा से उन छिपे हुए फीचर्स को निकाल सकते हैं जिन्हें क्लासिकल तरीके छोड़ देते हैं। हालाँकि, एक महत्वपूर्ण बाधा बनी हुई है: वर्तमान क्वांटम कंप्यूटर नाजुक, शोर वाले (नॉइज़ी) हैं और उनके पास बहुत कम बिल्डिंग ब्लॉक्स उपलब्ध हैं, जिन्हें क्वबिट्स (qubits) कहा जाता है। वे अभी तक सूचना खोए बिना या हस्तक्षेप के कारण क्रैश हुए बिना उच्च-गुणवत्ता वाली छवियों को प्रोसेस करने के लिए आवश्यक विशाल, जटिल गणनाओं को संभालने में सक्षम नहीं हैं। यह इन नाजुक मशीनों में डेटा फीड करने के स्मार्ट तरीकों की तत्काल आवश्यकता पैदा करता है, ताकि यह सुनिश्चित किया जा सके कि उपलब्ध सीमित संसाधनों का अधिकतम दक्षता के साथ उपयोग किया जाए।

यूनिवर्सिटी ऑफ उडीने और यूनिवर्सिटी ऑफ नेपल्स फेडरिको II के शोधकर्ताओं ने क्वांटम कंप्यूटरों के लिए इमेज डेटा को तैयार करने और प्रोसेस करने के लिए एक नई विधि विकसित करके इस चुनौती का सामना किया है। उनका कार्य एक विशिष्ट प्रकार के क्वांटम न्यूरल नेटवर्क पर केंद्रित है जिसे इमेज रिकग्निशन के लिए डिज़ाइन किया गया है, जिसे 'क्वान्वोल्यूशनल न्यूरल नेटवर्क' (quanvolutional neural network) के रूप में जाना जाता है। पारंपरिक क्वांटम मॉडलों के विपरीत जो अपने स्वयं के आंतरिक सेटिंग्स को सीखने और समायोजित करने का प्रयास करते हैं, यह दृष्टिकोण निश्चित, गैर-प्रशिक्षण योग्य (non-trainable) सर्किटों का उपयोग करता है जो परिष्कृत फिल्टर के रूप में कार्य करते हैं। टीम ने मानक प्रक्रिया में दो प्रमुख बाधाओं की पहचान की: जिस तरह से क्वांटम कंप्यूटर में प्रवेश करने से पहले छवियों को सरल बनाया जाता है, और जिस तरह से डेटा को क्वांटम अवस्थाओं में अनुवादित किया जाता है। उन्होंने एक नया पाइपलाइन प्रस्तावित किया जो इन चरणों को एक एकल, लचीली प्रक्रिया में जोड़ता है, जिससे सिस्टम वर्तमान हार्डवेयर की सख्त सीमाओं के अनुकूल होने के साथ-साथ मूल छवि के अधिक विवरण बनाए रख सकता है।

पहला नवाचार डेटा सरलीकरण की समस्या को संबोधित करता है। एक क्वांटम कंप्यूटर पर चलाने के लिए, एक छवि को रंगों और शेड्स की निरंतर श्रेणी से एक ऐसे प्रारूप में बदलना आवश्यक है जिसे मशीन समझ सके। मानक पद्धति में एक छवि को केवल दो रंगों, काले और सफेद में बदलना शामिल है, जिसे बाइनरी क्वांटाइजेशन कहा जाता है। जबकि यह कंप्यूटिंग शक्ति बचाता है, यह विवरण की एक विशाल मात्रा को फेंक देता है, ठीक वैसे ही जैसे केवल कुछ प्राथमिक रंगों का उपयोग करके एक पेंटिंग का वर्णन करने की कोशिश करना। शोधकर्ताओं ने एक लचीला दृष्टिकोण पेश किया जो ग्रे (धूसर) के कई स्तरों की अनुमति देता है, जिससे मूल छवि की सूक्ष्म बारीकियों को संरक्षित किया जा सके। इसे व्यावहारिक बनाने के लिए, उन्होंने 'मेमोइज़ेशन' (memoization) नामक तकनीक का उपयोग किया, जो एक स्मार्ट मेमोरी बैंक की तरह कार्य करती है। जैसे-जैसे सिस्टम छवि को प्रोसेस करता है, यह प्रत्येक अद्वितीय पैटर्न के परिणामों को रिकॉर्ड करता है। यदि वही पैटर्न फिर से आता है, तो सिस्टम गणना करने के बजाय बस उत्तर को याद कर लेता है। इस रणनीति ने उन्हें ग्रे के बहुत अधिक स्तरों का उपयोग करने की अनुमति दी, जिससे छवि विवरण से समृद्ध बनी रही, और साथ ही कुछ डेटासेट्स के लिए क्वांटम कंप्यूटर को अपनी गणनाएँ चलाने की संख्या को 95 प्रतिशत से अधिक कम कर दिया।

दूसरा, और शायद अधिक महत्वपूर्ण, ब्रेकथ्रू यह है कि डेटा वास्तव में क्वांटम सर्किट में कैसे फीड किया जाता है। पिछली विधियों में, विश्लेषण किए जाने वाले इमेज पैच का आकार आवश्यक क्वांटम बिल्डिंग ब्लॉक्स की संख्या निर्धारित करता था। यदि कोई शोधकर्ता छवि के बड़े पैच का विश्लेषण करना चाहता था, तो उन्हें आनुपातिक रूप से अधिक क्वबिट्स की आवश्यकता होती थी, जो उपलब्ध मशीनों की क्षमता से जल्दी ही बाहर निकल जाता था। नया तरीका इस कठोर संबंध को तोड़ता है। डेटा अनुवाद और प्रोसेसिंग चरणों को एक ही सर्किट में एकीकृत करके, शोधकर्ता इमेज पैच के आकार से स्वतंत्र रूप से क्वबिट्स की संख्या चुन सकते हैं। इसका अर्थ है कि वे बहुत बड़े इमेज पैच को प्रोसेस करने के लिए क्वबिट्स की एक छोटी, प्रबंधनीय संख्या का उपयोग कर सकते हैं, या बेहतर हार्डवेयर उपलब्ध होने पर इसे स्केल कर सकते हैं। यह सिस्टम पिक्सेल की चमक का उपयोग सीधे क्वांटम गेट्स के रोटेशन को नियंत्रित करने के लिए करता है, जिससे क्लासिकल इमेज और क्वांटम प्रोसेसर के बीच एक सीधा और कुशल सेतु बनता है।

अपने विचारों का परीक्षण करने के लिए, टीम ने इस नए मॉडल को दो बहुत अलग वास्तविक दुनिया की समस्याओं पर लागू किया। पहला कार्य आकाशगंगाओं की छवियों को वर्गीकृत करने से संबंधित था, जो दो विशिष्ट प्रकार की ब्रह्मांडीय संरचनाओं के बीच अंतर करता है। दूसरा कार्य डिटेक्टर में उनकी ऊर्जा हस्ताक्षरों (energy signatures) के आधार पर विभिन्न प्रकार के उप-परमाणु कणों की पहचान करना था। उन्होंने अपने नए एकीकृत मॉडल की तुलना एक मानक क्लासिकल कंप्यूटर प्रोग्राम और पारंपरिक क्वांटम पद्धति (जो रोटेशनल एनकोडिंग का उपयोग करती है) से की। परिणाम स्पष्ट थे: नया एकीकृत मॉडल सभी परीक्षण किए गए इमेज पैच आकारों में लगातार पारंपरिक क्वांटम दृष्टिकोण से बेहतर प्रदर्शन करता है। गैलेक्सी वर्गीकरण कार्य में, इसने 80 प्रतिशत से अधिक की सटीकता प्राप्त की, जो मानक क्वांटम मॉडल और क्लासिकल कंप्यूटर दोनों से अधिक थी। कण पहचान कार्य में, इसने क्लासिकल कंप्यूटर को भी मात दी, जबकि पारंपरिक क्वांटम मॉडल विफल रहा।

अध्ययन से यह भी पता चला कि पिक्सेल की चमक को क्वांटम सेटिंग्स में अनुवादित करने के लिए उपयोग किया जाने वाला विशिष्ट गणितीय फलन (function) बहुत मायने रखता है। कुछ फंक्शन स्थिर, उच्च-प्रदर्शन वाले परिणाम देते हैं, जबकि अन्य सिस्टम को अनियमित और अविश्वसनीय बना देते हैं। यह सुझाव देता है कि क्वांटम सर्किट का "व्यक्तित्व" उसके ढांचे जितना ही महत्वपूर्ण है। इसके अलावा, शोधकर्ताओं ने पाया कि उनके नए सर्किट की विभिन्न संभावनाओं को खोजने की क्षमता, जिसे 'एक्सप्रेसिबिलिटी' (expressibility) कहा जाता है, को केवल गणना में अधिक चरण जोड़कर ट्यून किया जा सकता है। यह लचीलापन वैज्ञानिकों को ऐसे सर्किट डिजाइन करने की अनुमति देता है जो उनके हार्डवेयर की विशिष्ट बाधाओं के लिए पूरी तरह से मेल खाते हों, जो शोर वाले, इंटरमीडिएट-स्केल क्वांटम उपकरणों के वर्तमान युग में एक महत्वपूर्ण लाभ है।

अंततः, यह कार्य प्रदर्शित करता है कि हमें इमेज प्रोसेसिंग में लाभ देखने के लिए त्रुटि-मुक्त क्वांटम कंप्यूटरों की प्रतीक्षा करने की आवश्यकता नहीं है। डेटा को तैयार करने के तरीके और यह क्वांटम सर्किट के साथ कैसे इंटरैक्ट करता है, इसे बदलकर, ऐसे मॉडल बनाना संभव है जो अधिक सटीक और अधिक संसाधन-कुशल दोनों हों। शोधकर्ताओं ने अपने कोड और विधियों को जनता के लिए उपलब्ध करा दिया है, जिससे दूसरों को इस नींव पर निर्माण करने के लिए आमंत्रित किया गया है। उनके निष्कर्ष बताते हैं कि सही इंजीनियरिंग के साथ, क्वांटम मशीन लर्निंग सैद्धांतिक प्रयोगों से आगे बढ़कर खगोल विज्ञान, भौतिकी और उससे परे व्यावहारिक समस्याओं को हल करना शुरू कर सकती है, भले ही हमारे पास आज के अपूर्ण मशीनें क्यों न हों।