Train on classical, deploy on quantum: scaling generative quantum machine learning to a thousand qubits
यह शोध पत्र एक स्केलेबल जनरेटिव क्वांटम मशीन लर्निंग फ्रेमवर्क प्रस्तावित करता है जो बैरन प्लेटौ (barren plateaus) से बचने के लिए शास्त्रीय हार्डवेयर पर इंस्टेंटेनियस क्वांटम पॉलिनोमियल सर्किट्स को कुशलतापूर्वक प्रशिक्षित करता है, जिससे एक हजार क्यूबिट तक के क्वांटम उपकरणों पर सफल सैंपलिंग और लर्निंग सक्षम होती 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
यहाँ इस शोध पत्र "Train on classical, deploy on quantum" का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।
बड़ी समस्या: "क्वांटम ट्रैफिक जाम"
कल्पना कीजिए कि आप एक रोबोट (एक क्वांटम कंप्यूटर) को चित्र बनाना सिखाना चाहते हैं। अतीत में, इसे करने का मानक तरीका यह था कि रोबोट को चित्र बनाने दें, फिर देखें कि चित्र कितना खराब है, और फिर रोबोट को ठीक करने के लिए ब्रश चलाने का सटीक तरीका बताएं।
हालाँकि, क्वांटम कंप्यूटरों के लिए इस पद्धति के साथ एक बहुत बड़ी समस्या थी:
- "बैरन प्लेटो" (The Barren Plateau - एक सपाट रेगिस्तान): जैसे-जैसे रोबोट अधिक जटिल होता जाता है (अधिक "qubits" या हिस्से), चित्र को ठीक करने के निर्देश इतने धुंधले होते जाते हैं कि वे शोर (noise) में गायब हो जाते हैं। यह एक तूफान में फुसफुसाहट सुनने की कोशिश करने जैसा है। रोबलेट बीच में ही फंस जाता है और सीख नहीं पाता।
- जांच करने की लागत: यह पता लगाने के लिए कि चित्र को कैसे ठीक किया जाए, आपको क्वांटम रोबोट को एक ही प्रयोग हजारों बार चलाने के लिए कहना पड़ता है ताकि जानकारी का एक छोटा सा हिस्सा मिल सके। यदि आपके पास एक बड़ा रोबोट है, तो इसमें इतना समय लगेगा कि एक साधारण डेटासेट पर इसे प्रशिक्षित करने में दशकों लग जाएंगे।
लेखकों ने पूछा: क्या ऐसा कोई तरीका है जिससे रोबोट को रेगिस्तान में फंसे बिना या दशकों इंतज़ार किए बिना सिखाया जा सके?
समाधान: "क्लासिकल पर प्रशिक्षित करें, असली चीज़ पर तैनात करें"
लेखकों ने एक चतुर दो-चरणीय रणनीति विकसित की: क्लासिकल कंप्यूटर पर प्रशिक्षित करें, क्वांटम कंप्यूटर पर तैनात करें।
इसे इस तरह समझें:
- क्वांटम कंप्यूटर एक बहुत महंगा, जादुई पेंटब्रश है जो ऐसे पैटर्न बना सकता है जिन्हें कोई इंसान नहीं बना सकता। लेकिन सलाह माँगने में यह धीमा है।
- क्लासिकल कंप्यूटर एक सामान्य, तेज़ लैपटॉप है। यह जादुई पैटर्न नहीं बना सकता, लेकिन यह गणितीय रूप से यह अनुकरण (simulate) कर सकता है कि वह जादुई ब्रश कैसा व्यवहार करेगा।
कार्यप्रवाह (Workflow):
- सिमुलेशन (प्रशिक्षण): धीमे, महंगे क्वांटम रोबोट से उसका काम चेक करवाने के बजाय, लेखक रोबोट के व्यवहार का अनुकरण करने के लिए एक तेज़ लैपटॉप का उपयोग करते हैं। वे एक विशेष प्रकार के गणितीय सर्किट (जिसे IQP सर्किट कहा जाता है) का उपयोग करते हैं जो लैपटॉप के लिए गणना करने में आसान है लेकिन बाद में लैपटॉप के लिए इसकी नकल करना कठिन है।
- लॉस फंक्शन (स्कोरकार्ड): वे एक विशिष्ट स्कोरिंग सिस्टम का उपयोग करते हैं जिसे MMD (Maximum Mean Discrepancy) कहा जाता है। कल्पना कीजिए कि आपके पास वास्तविक फोटो का एक ढेर है (डेटा) और रोबोट द्वारा बनाए गए फोटो का एक ढेर है। MMD स्कोर मापता है कि दोनों ढेर एक-दूसरे से कितने अलग दिखते हैं। लक्ष्य यह है कि रोबोट का ढेर बिल्कुल असली ढेर जैसा दिखे।
- जादुई ट्रिक: लेखकों ने इस स्कोर और "ठीक करने वाले" निर्देशों को पूरी तरह से लैपटॉप पर गणना करने का एक तरीका खोजा। क्योंकि इस विशिष्ट प्रकार के सर्किट के लिए गणित बहुत सुव्यवस्थित है, लैपटॉप इसे सेकंडों में कर सकता है, यहाँ तक कि 1,000 क्यूबिट्स (जो कि बहुत बड़ा है!) वाले सर्किट के लिए भी।
- तैनाती (The Payoff): एक बार जब लैपटॉप ने रोबोट के लिए सटीक सेटिंग्स (पैरामीटर्स) ढूंढ ली होती हैं, तो आप वे सेटिंग्स असली क्वांटम कंप्यूटर को भेज देते हैं। अब, क्वांटम कंप्यूटर नए चित्र बनाने के लिए सर्किट चलाता है। क्योंकि गणित कहता है कि ये सर्किट लैपटॉप के लिए "कठिन" हैं, इसलिए क्वांटम कंप्यूटर ऐसे परिणाम दे सकता है जिन्हें एक सामान्य कंप्यूटर आसानी से कॉपी नहीं कर सकता।
सफलता के मुख्य घटक
1. "डेटा-डिपेंडेंट" शुरुआत
आमतौर पर, जब हम किसी मॉडल को प्रशिक्षित करना शुरू करते हैं, तो हम सेटिंग्स के लिए रैंडम नंबरों का अनुमान लगाते हैं। इससे अक्सर "बैरन प्लेटो" (रोबोट भटक जाता है) की स्थिति पैदा होती है।
- सुधार: लेखकों ने शुरू करने से पहले डेटा को देखा। यदि डेटा दिखाता है कि दो पिक्सेल आमतौर पर एक साथ बदलते हैं, तो वे रोबोट की सेटिंग्स को शुरू से ही उस संबंध को दर्शाने के लिए सेट करते हैं।
- उपमा: एक छात्र को "उत्तर का अनुमान लगाने" के लिए कहने के बजाय, आप उन्हें पाठ्यपुस्तक के आधार पर एक संकेत देते हैं। यह उन्हें रैंडम अनुमानों के "रेगिस्तान" में फंसने से रोकता है।
2. कोहेरेंस (Coherence) ही सर्वोपरि है
लेखकों ने अपने क्वांटम मॉडल की तुलना एक "डीकोहेरड" (क्लासिकल) संस्करण से की।
- परिणाम: क्वांटम मॉडल (जो "कोहेरेंस" या क्वांटम मैकेनिक्स के तरंग-जैसे स्वभाव का उपयोग करता है) ने पैटर्न को अच्छी तरह से सीखा। क्लासिकल संस्करण (जो केवल बिट्स को रैंडमली बदलता है) बड़े डेटासेट पर बुरी तरह विफल रहा।
- निष्कर्ष: क्वांटम मैकेनिक्स का "जादू" केवल एक शब्द नहीं है; यह वास्तव में मॉडल को उन जटिल संरचनाओं को सीखने में मदद करता है जिन्हें क्लासिकल मॉडल मिस कर देते हैं।
उन्होंने वास्तव में क्या किया (प्रयोग)
टीम ने केवल सिद्धांत की बात नहीं की; उन्होंने इसे बनाया और वास्तविक डेटा पर परीक्षण किया। उन्होंने छह अलग-अलग डेटासेट्स पर 1,000 क्यूबिट्स (हजारों पैरामीटर्स) तक के मॉडल को प्रशिक्षित किया:
- सरल पैटर्न: जैसे स्पिन के 2D ग्रिड या पिक्सेल के "ढेर" (blobs)।
- वास्तविक दुनिया का डेटा: हस्तलिखित अंक (MNIST), जीनोमिक डेटा (DNA पैटर्न), और एक वास्तविक क्वांटम एनेलर (D-Wave) से प्राप्त डेटा।
परिणाम:
- गति: उन्होंने इन विशाल मॉडलों को घंटों में प्रशिक्षित किया, दशकों में नहीं।
- प्रदर्शन: बड़े, जटिल डेटासेट्स (जैसे D-Wave और जीनोमिक डेटा) पर, उनके क्वांटम मॉडल ने मानक क्लासिकल मॉडल्स (जैसे Restricted Boltzmann Machines और Energy-Based Models) की तुलना में बेहतर प्रदर्शन किया।
- कारण: क्लासिकल मॉडल अक्सर "मोड कोलैप्स" (वे केवल एक प्रकार का चित्र बनाना सीखते थे और बाकी को अनदेखा कर देते थे) में फंस जाते थे। क्वांटम मॉडल ने पूरी तस्वीर को सीखा।
निचोड़ (Bottom Line)
यह शोध पत्र सिद्ध करता है कि हमें उपयोगी काम करने के लिए पूर्ण क्वांटम कंप्यूटरों का इंतजार करने की आवश्यकता नहीं है। एक "हाइब्रिड" दृष्टिकोण का उपयोग करके—तेज़ क्लासिकल कंप्यूटरों पर भारी काम (प्रशिक्षण) करना और क्वांटम कंप्यूटरों के लिए जनरेशन (निर्माण) को बचाना—हम आज भी बड़े पैमाने पर काम कर सकते हैं।
यह एक गगनचुंबी इमारत के लिए तेज़ कंप्यूटर पर ब्लूप्रिंट बनाने और फिर स्टील की बीमों को उठाने के लिए एक विशेष, धीमी क्रेन का उपयोग करने जैसा है। ब्लूप्रिंट (प्रशिक्षण) तेज़ और कुशल है; निर्माण (सैंपलिंग) वह जगह है जहाँ अद्वितीय शक्ति निहित है।
यह पेपर क्या दावा नहीं करता है:
- यह दावा नहीं करता कि इसने मशीन लर्निंग की हर समस्या को हल कर दिया है।
- यह दावा नहीं करता कि क्वांटम कंप्यूटर वर्तमान में हर चीज़ में बेहतर हैं (छोटे, सरल डेटासेट्स पर वे संघर्ष कर रहे थे जहाँ क्लासिकल मॉडल ठीक थे)।
- यह कोई मेडिकल या क्लिनिकल दावा नहीं करता है; जीनोमिक डेटा का उपयोग केवल पैटर्न पहचान के परीक्षण के लिए किया गया था, न कि बीमारियों के निदान के लिए।
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।