⚛️ quantum physics

Analysis of Quantum Image Representations for Supervised Classification

यह शोध पत्र चार क्वांटम इमेज रिप्रजेंटेशन की तुलना करता है, जिसमें यह पाया गया है कि FRQI और QPIE बेहतर संपीड़न (compression) प्रदान करते हैं, और यह प्रदर्शित करता है कि इन रिप्रजेंटेशन पर आधारित क्वांटम कर्नेल, शास्त्रीय विधियों के तुलनीय वर्गीकरण सटीकता प्राप्त करते हैं जबकि उन्हें घातीय रूप से कम स्टोरेज संसाधनों की आवश्यकता होती है।

मूल लेखक: Marco Parigi, Mehran Khosrojerdi, Filippo Caruso, Leonardo Banchi

प्रकाशित 2026-01-15

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Marco Parigi, Mehran Khosrojerdi, Filippo Caruso, Leonardo Banchi

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 डिजिटल तस्वीरों का एक विशाल पुस्तकालय है। एक सामान्य कंप्यूटर पर, इन तस्वीरों को स्टोर और व्यवस्थित करने में बहुत अधिक जगह लगती है, जैसे कि हर किताब के हर पन्ने को प्रिंट करके एक पूरे पुस्तकालय को जूते के डिब्बे में फिट करने की कोशिश करना। यह शोध पत्र इन तस्वीरों को संभालने का एक नया तरीका बताता है जो क्वांटम मैकेनिक्स के अजीब और जादुय नियमों का उपयोग करता है।

इस अध्ययन के लेखक, फ्लोरेंस विश्वविद्यालय के भौतिकविदों की एक टीम ने एक सरल प्रश्न पूछा: यदि हम इन तस्वीरों को उनके सबसे छोटे क्वांटम आकार तक सिकोड़ने की कोशिश करें, तो कौन सी विधि सबसे अच्छा काम करती है, और क्या यह अभी भी हमें तस्वीर में क्या है, इसे पहचानने देती है?

यहाँ रोजमर्रा की उपमाओं (analogies) का उपयोग करके उनके अध्ययन का विवरण दिया गया है:

1. चार "सिकुड़ने" वाली विधियाँ (Four "Shrinking" Methods)

टीम ने एक ब्लैक-एंड-व्हाइट इमेज को क्वांटम अवस्था (quantum state) में एनकोड (या "सिकुड़ने") करने के चार अलग-अलग तरीकों का परीक्षण किया। इन्हें क्वांटम दुनिया के लिए चार अलग-अलग कंप्रेशन एल्गोरिदम के रूप में समझें:

TNR (टेंसर नेटवर्क रिप्रेजेंटेशन): कल्पना कीजिए कि आप एक फोटो को एक जटिल ओरिगेमी (origami) संरचना में मोड़ रहे हैं जहाँ उसकी सिलवटें पिक्सेल के बीच के संबंधों का प्रतिनिधित्व करती हैं। यह इमेज को रखने का एक संरचित तरीका है, लेकिन इन सिलवटों को बरकरार रखने के लिए इसे एक विशिष्ट मात्रा में "कागज" (मेमोरी) की आवश्यकता होती है।
FRQI (फ्लेक्सिबल रिप्रेजेंटेशन ऑफ क्वांटम इमेज): यह ऐसा है जैसे आप एक फोटो को लेकर हर पिक्सेल की चमक को एक घूमते हुए पहिये के एक विशिष्ट कोण में बदल देते हैं। सभी पिक्सेल एक साथ सुपरपोजिशन में घूमते हैं। यह बहुत संक्षिप्त (compact) है, लेकिन तस्वीर को वापस पढ़ना मुश्किल है क्योंकि आपको संभावनाओं के आधार पर कोणों का अनुमान लगाना पड़ता है।
NEQR (नोवेल एनहांस्ड क्वांटम रिप्रेजेंटेशन): यह विधि एक अलग तरीके से है जैसे आप हर पिक्सेल की चमक को प्रत्येक पिक्सेल के लिए एक अलग कागज की पट्टी पर एक विशिष्ट कोड (जैसे कि बाइनरी बारकोड) के रूप में लिखते हैं। यह बहुत सटीक है—आप तस्वीर को वापस पूरी तरह से पढ़ सकते हैं—लेकिन इसे घूमने वाले पहिये वाली विधि की तुलना में इसे अधिक पट्टियों (मेमोरी) की आवश्यकता होती है।
QPIE (क्वांटम प्रोबेबिलिटी इमेज एनकोडिंग): यह सबसे अत्यधिक सिकुड़ा हुआ संस्करण है। यह पिक्सेल की चमक को एक एकल क्वांटम अवस्था के "भार" या "संभावना" (probability) के रूप में मानता है। यह न्यूनतम मात्रा में स्थान (qubits) का उपयोग करता है, लेकिन FRQI की तरह, मूल तस्वीर को ठीक से वापस पढ़ना संभावनाओं का एक खेल है।

2. "सिकुड़ने" का परीक्षण (The "Squeeze" Test - Compression)

शोधकर्ता यह देखना चाहते थे कि ये विधियाँ वास्तव में डेटा को कितना कंप्रेस करती हैं। उन्होंने एक उपकरण का उपयोग किया जिसे ग्राम मैट्रिक्स (Gram Matrix) कहा जाता है, जो अनिवार्य रूप से एक "समानता स्कोरकार्ड" है।

उपमा: कल्पना कीजिए कि आपके पास 100 अलग-अलग तस्वीरें हैं। यदि आप उन्हें खराब तरीके से कंप्रेस करते हैं, तो वे अभी भी एक दूसरे से बहुत अलग दिखती हैं (कम समानता)। यदि आप उन्हें बहुत अधिक कंप्रेस कर देते हैं, तो वे सभी एक ही रंग के धुंधले धब्बों की तरह दिखने लगती हैं (उच्च समानता)।
परिणाम: उन्होंने पाया कि FRQI और QPIE "सुपर-सिकुड़ने वाले" (super-squeezers) थे। उन्होंने छवियों को इतना कसकर कंप्रेस किया कि विभिन्न तस्वीरों के क्वांटम संस्करण एक दूसरे के बहुत समान दिखने लगे (उच्च ओवरलैप)। NEQR एक "सौम्य सिकुड़ने वाला" (gentle squeezer) था, जिसने तस्वीरों को अलग रखा लेकिन अधिक स्थान लिया। TNR इनके बीच में कहीं स्थित था।

3. "अनुमान लगाने का खेल" (The "Guessing Game" - Classification)

असली परीक्षण केवल तस्वीरों को सिकोड़ने के बारे में नहीं था; इसके बारे में यह था कि क्या एक कंप्यूटर अभी भी उन्हें एक दूसरे से अलग पहचान सकता है। उन्होंने एक बाइनरी क्लासिफिकेशन गेम (एक "हाँ/नहीं" परीक्षण) सेट किया।

कार्य: कंप्यूटर को एक फोटो दिखाएं और पूछें, "क्या यह '0' है या '1'?" (हस्तलिखित नंबरों के प्रसिद्ध MNIST डेटासेट का उपयोग करते हुए)।
तुलना: उन्होंने क्वांटम विधियों की तुलना एक मानक क्लासिकल लीनियर कर्नेल (पारंपरिक, गैर-क्वांटम तरीका) से की।

बड़ी हैरानी:
क्वांटम विधियों (विशेष रूप से FRQI और QPIE) ने सटीकता के मामले में क्लासिकल विधि के बराबर ही प्रदर्शन किया। उन्होंने लगभग 99% बार सही संख्या का अनुमान लगाया।

हालाँकि, ट्रेड-ऑफ (समझौता) बहुत बड़ा था:

क्लासिकल विधि: 16x16 पिक्सेल की इमेज को स्टोर करने के लिए, क्लासिकल कंप्यूटर को 2,048 बिट्स की मेमोरी की आवश्यकता थी।
क्वांटम विधि: क्वांटम कंप्यूटरों को उसी इमेज को स्टोर करने के लिए केवल 8 से 16 क्यूबिट्स (क्वांटम बिट्स) की आवश्यकता थी।

यह एक एक्सपोनेंशियल रिडक्शन (घातांकीय कमी) है। यह एक लाइब्रेरी को गोदाम में स्टोर करने बनाम उसे एक माचिस की डिब्बी में स्टोर करने के बीच का अंतर है।

4. बाधा (State Preparation)

पेपर इस बात पर सावधानीपूर्वक ध्यान देता है कि एक बड़ी बाधा है। जबकि इमेज को क्वांटम फॉर्मेट में स्टोर करना अविश्वसनीय रूप से कुशल है, इमेज को शुरू में उस फॉर्मेट में लोड करना वर्तमान में धीमा और कठिन है।

उपमा: कल्पना कीजिए कि आपके पास एक जादुई बॉक्स है जो पूरे घर को एक मार्बल (क्वांटम अवस्था) में सिकोड़ सकता है। पेपर दिखाता है कि एक बार जब घर मार्बल के अंदर होता है, तो आप इसे पूरी तरह से पहचान सकते हैं। लेकिन घर को उस मार्बल में डालने की प्रक्रिया वर्तमान में बहुत समय लेती है और इसमें बहुत प्रयास (जटिलता) लगता है, जो वर्तमान में गति के लाभों को कम कर देता है।

सारांश

पेपर निष्कर्ष निकालता है कि:

क्वांटम इमेज रिप्रेजेंटेशन (QImRs) छवियों को उनके क्लासिकल आकार के बहुत छोटे हिस्से तक सिकोड़ सकते हैं।
FRQI और QPIE इस संपीड़न (compression) में सबसे अच्छे हैं, भले ही वे छवियों को एक दूसरे के बहुत समान बना देते हैं।
इस भारी संपीड़न के बावजूद, ये क्वांटम विधियाँ पारंपरिक कंप्यूटरों की तरह ही छवियों को वर्गीकृत (पहचानने) में सटीक हो सकती हैं (0 और 1 के बीच अंतर कर सकती हैं)।
मुख्य लाभ मेमोरी दक्षता है: क्वांटम कंप्यूटरों को डेटा रखने के लिए घातांकीय रूप से कम स्थान की आवश्यकता होती है, भले ही डेटा को क्वांटम अवस्था में डालने की प्रक्रिया अभी भी प्रगति पर है।

संक्षेप में: क्वांटम कंप्यूटर एक फोटो को माचिस की डिब्बी में रख सकते हैं और फिर भी उसे पूरी तरह से पहचान सकते हैं, लेकिन फोटो को माचिस की डिब्बी में डालना फिलहाल कठिन काम है।

तकनीकी सारांश: पर्यवेक्षित वर्गीकरण के लिए क्वांटम इमेज रिप्रजेंटेशन का विश्लेषण

समस्या विवरण
बिग डेटा और आर्टिफिशियल इंटेलिजेंस के संदर्भ में, डेटा स्टोरेज, प्रोसेसिंग और विश्लेषण की दक्षता में सुधार करने के लिए एक बेहतर समाधान की महत्वपूर्ण आवश्यकता है। क्वांटम इमेज प्रोसेसिंग (QIP), सुपरपोजिशन और एंटैंगलमेंट जैसी क्वांटम मैकेनिकल विशेषताओं का लाभ उठाकर विजुअल जानकारी को क्लासिकल कंप्यूटरों की तुलना में अधिक कुशलता से स्टोर और हेरफेर करने का एक संभावित समाधान प्रदान करता है। जबकि क्लासिकल $N \times N$ इमेज को स्टोरेज के लिए $N$ बिट्स की आवश्यकता होती है, क्वांटम रिप्रजेंटेशन सैद्धांतिक रूप से समान जानकारी को $O(\log N)$ क्यूबिट्स का उपयोग करके एनकोड कर सकते हैं, जो मेमोरी संसाधनों में घातीय (exponential) कमी लाता है। हालांकि, विभिन्न क्वांटम इमेज रिप्रजेंटेशन्स (QImRs) के संपीड़न गुणों (compression properties) और सपोर्ट वेक्टर मशीनों (SVM) में कर्नेल के रूप में उनकी प्रभावकारिता के संबंध में एक व्यापक तुलना आवश्यक है। विशेष रूप से, यह शोध पत्र विभिन्न QImRs का उपयोग करके वर्गीकरण सटीकता और मेमोरी आवश्यकताओं के बीच के ट्रेड-ऑफ को संबोधित करता है।

कार्यप्रणाली
लेखक ग्रेस्केल इमेज को एनकोड करने के लिए चार अलग-अलग QImRs का तुलनात्मक विश्लेषण करते हैं:

टेंसर नेटवर्क रिप्रजेंटेशन (TNR): पिक्सेल मानों को एक संरचित क्वांटम स्टेट में रियल एम्प्लीट्यूड के रूप में एनकोड करने के लिए मैट्रिक्स प्रोडक्ट स्टेट्स (MPS) का उपयोग करता है, जो स्थानिक संबंधों को दर्शाने के लिए ब्लॉक-स्ट्रक्चर्ड एड्रेसिंग का उपयोग करता है।
फ्लेक्सिबल रिप्रजेंटेशन ऑफ क्वांटम इमेजेस (FRQI): पिक्सेल स्थितियों को $2n$ क्यूबिट्स में और ग्रेस्केल तीव्रता को एकल कलर क्यूबिट के रोटेशन एंगल्स के माध्यम से प्रोबेबिलिटी एम्प्लीट्यूड में एनकोड करता है।
नोवल एन्हांस्ड क्वांटम रिप्रजेंटेशन (NEQR): पिक्सेल स्थितियों को $2n$ क्यूबिट्स में और ग्रेस्केल तीव्रता को बेस स्टेट्स का उपयोग करके $q$ क्यूबिट्स में एनकोड करता है, जो नियत (deterministic) रिट्रीवल की अनुमति देता है।
क्वांटम प्रोबेबिलिटी इमेज एनकोडिंग (QPIE): पिक्सेल स्थितियों को $2n$ क्यूबिट्स में और ग्रेस्केल तीव्रता को सीधे स्टेट के प्रोबेबिलिटी एम्प्लीट्यूड में एनकोड करता है।

अध्ययन MNIST और Fashion-MNIST डेटासेट्स का उपयोग करता है, जिसमें छवियों को $16 \times 16$ ग्रेस्केल रेजोल्यूशन तक प्री-प्रोसेस किया गया है। लेखक सपोर्ट वेक्टर मशीनों (SVM) का उपयोग करके बाइनरी क्लासिफिकेशन टास्क (क्लास 0 बनाम क्लासेस 1–9) लागू करते हैं। क्वांटम कर्नेल का निर्माण विभिन्न छवियों को एनकोड करने वाले क्वांटम स्टेट्स के ओवरलैप (फिडेलिटी) की गणना करके किया जाता है। इन क्वांटम कर्नेल्स की तुलना एक क्लासिकल लीनियर कर्नेल से की जाती है। क्वांटम सर्किट कार्यान्वयन के लिए Pennylane और SVM क्लासिफायर के लिए Scikit-Learn का उपयोग करके सिमुलेशन किए गए हैं।

प्रमुख योगदान और परिणाम

कंप्रेशन विश्लेषण: लेखक 100 ट्रेनिंग इमेजेस के ग्राम मैट्रिसेस का परीक्षण करके चार रिप्रजेंटेशन्स की कंप्रेशन क्षमताओं का विश्लेषण करते हैं। इन मैट्रिसेस के ऑफ-डायगोनल एलिमेंट्स अलग-अलग इमेज स्टेट्स के बीच ओवरलैप को दर्शाते हैं।
- FRQI और QPIE उच्चतम कंप्रेशन प्रदर्शित करते हैं, जहाँ ऑफ-डायगोनल एलिमेंट्स मुख्य रूप से $[0.8, 1]$ की रेंज में आते हैं, जो यह दर्शाता है कि एनकोडेड क्वांटम स्टेट्स एक-दूसरे के बहुत करीब हैं।
- NEQR सबसे कम कंप्रेशन दिखाता है, जिसमें ऑफ-डायगोनल एलिमेंट्स $[0, 0.4]$ की रेंज में हैं, जो अधिक विशिष्ट (distinct) स्टेट्स को दर्शाता है।
- TNR एक मध्यवर्ती स्तर का कंप्रेशन ( $[0.4, 0.7]$ ) प्रदर्शित करता है।
वर्गीकरण प्रदर्शन: अध्ययन SVM के उपयोग से वर्गीकरण सटीकता का मूल्यांकन करता है। परिणाम संकेत देते हैं कि क्वांटम कर्नेल्स दोनों डेटासेट्स पर क्लासिकल लीनियर कर्नेल के समान औसत वर्गीकरण सटीकता प्राप्त करते हैं (जैसे, MNIST पर $\approx 99\%$ और Fashion-MNIST पर $\approx 94-96\%$ )।
संसाधन दक्षता: जबकि सटीकता तुलनीय है, स्टोरेज आवश्यकताएं काफी भिन्न हैं। एक $16 \times 16$ $16 \times 16$ इमेज के लिए क्लासिकल लीनियर कर्नेल को 2,048 बिट्स की आवश्यकता होती है। इसके विपरीत, क्वांटम रिप्रजेंटेशन्स के लिए घातीय रूप से कम संसाधनों की आवश्यकता होती है:
- TNR: 9 क्यूबिट्स
- FRQI: 9 क्यूबिट्स
- NEQR: 16 क्यूबिट्स
- QPIE: 8 क्यूबिट्स
TNR में बॉन्ड डायमेंशन: TNR के लिए, लेखक सटीकता पर बॉन्ड डायमेंशन के प्रभाव की जांच करते हैं। वे पाते हैं कि बॉन्ड डायमेंशन बढ़ने के साथ सटीकता में सुधार होता है, जो MNIST के लिए 4 और Fashion-MNIST के लिए 6 के डायमेंशन पर अभिसरित (converge) होती है, जो यह सुझाव देता है कि आवश्यक इमेज कोरिलेशन को कैप्चर करने के लिए मध्यम बॉन्ड डायमेंशन पर्याप्त हैं।

महत्व और दावे
पेपर का दावा है कि QImRs पर आधारित क्वांटम कर्नेल्स सुपरवाइज्ड इमेज क्लासिफिकेशन के लिए एक व्यवहार्य विकल्प प्रदान करते हैं, जो इमेज स्टोरेज के लिए घातीय रूप से कम संसाधनों के साथ तुलनीय सटीकता प्रदान करते हैं। लेखक इस बात पर जोर देते हैं कि सुपरपोजिशन के माध्यम से पिक्सेल को स्टोर करने से उत्पन्न क्वांटम एम्बेडिंग स्टेट्स की नॉन-ऑर्थोगोनैलिटी (non-orthogonality), इस उन्नत मेमोरी स्टोरेज का केंद्र है।

हालांकि, लेखक वर्तमान व्यावहारिक लाभ के संबंध में एक मध्यम रुख बनाए रखते हैं। वे स्पष्ट रूप से नोट करते हैं कि एक $n$ -क्यूबिट स्टेट में सटीक क्लासिकल डेटा को लोड करने के लिए वर्तमान में ज्ञात सर्वोत्तम प्रोटोकॉल में $O(2^n)$ के रूप में स्केल करने वाले क्वांटम गेट्स की आवश्यकता होती है। यह स्टेट प्रिपरेशन कॉस्ट वर्तमान में क्वांटम एल्गोरिदम की जटिलता पर हावी है और क्वांटम एडवांटेज की प्राप्ति को चुनौती देती है। पेपर निष्कर्ष निकालता है कि हालांकि सैद्धांतिक स्टोरेज लाभ स्पष्ट हैं, कुशल डेटा लोडिंग अभी भी एक खुला प्रश्न है, और भविष्य के कार्यों को RGB इमेजेस और क्वांटम हार्डवेयर कार्यान्वयन पर शोर (noise) के प्रभाव का अन्वेषण करना चाहिए।

1. चार "सिकुड़ने" वाली विधियाँ (Four "Shrinking" Methods)

2. "सिकुड़ने" का परीक्षण (The "Squeeze" Test - Compression)

3. "अनुमान लगाने का खेल" (The "Guessing Game" - Classification)

4. बाधा (State Preparation)

सारांश

इसी तरह के और पेपर