Re-uploading quantum data: a universal function approximator for quantum inputs
यह शोध पत्र एक स्थान-कुशल क्वांटम डेटा री-अपलोडिंग आर्किटेक्चर का प्रस्ताव और विश्लेषण करता है जो पूर्णतः धनात्मक मानचित्रों (completely positive maps) के एक विविक्त कैस्केड के माध्यम से इनपुट अवस्था की कई प्रतियों के साथ एक सहायक क्वबिट (ancilla qubit) को क्रमिक रूप से परस्पर क्रिया कराकर, मनमाने क्वांटम इनपुट के लिए सार्वभौमिक फलन सन्निकटन (universal function approximation) प्राप्त करता 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
क्वांटम मशीन लर्निंग के उभरते क्षेत्र में, शोधकर्ता कंप्यूटर को क्वांटम भौतिकी के विचित्र नियमों का उपयोग करके पैटर्न पहचानने और निर्णय लेने के लिए प्रशिक्षित करने का प्रयास कर रहे हैं। जबकि पारंपरिक कंप्यूटर जानकारी को बिट्स के रूप में संसाधित करते हैं जो या तो शून्य या एक होते हैं, क्वांटम कंप्यूटर क्वांटम बिट्स, या क्यूबिट्स का उपयोग करते हैं, जो एक साथ कई अवस्थाओं के मिश्रण में रह सकते हैं। यह उन्हें जटिल डेटा को उन तरीकों से संभालने की अनुमति देता है जो क्लासिकल मशीनों के लिए संभव नहीं हैं। इस क्षेत्र में एक बड़ी बाधा यह रही है कि इन मशीनों में डेटा कैसे डाला जाए। मानक डेटा, जैसे संख्या या चित्र, के लिए वैज्ञानिकों ने 'डेटा री-अपलोडिंग' नामक एक विधि विकसित की है। इस तकनीक में जानकारी के एक टुकड़े को एक छोटे क्वांटम सर्किट में कई बार, परत-दर-परत फीड किया जाता है। हर बार जब डेटा प्रवेश करता है, तो वह सर्किट के साथ परस्पर क्रिया करता है, जिससे इनपुट की अधिक जटिल समझ विकसित होती है। यह दृष्टिकोण क्लासिकल डेटा के लिए शक्तिशाली साबित हुआ है, जिससे छोटे सर्किट भी अविश्वसनीय रूप से जटिल कार्यों को सीख सकते हैं। हालाँकि, एक महत्वपूर्ण अंतर तब आया जब डेटा स्वयं क्वांटम हो। किसी ऐसी संख्या के विपरीत जिसे आप कागज के टुकड़े पर लिख सकते हैं, एक क्वांटम अवस्था को उसकी नाजुक जानकारी को नष्ट किए बिना सीधे मापा या पढ़ा नहीं जा सकता है। इसका अर्थ यह था कि री-अपलोडिंग की सफल रणनीति को क्वांटम इनपुट के लिए सीधे तौर पर कॉपी नहीं किया जा सकता था, जिससे क्वांटम डेटा पर मशीनों को प्रशिक्षित करने के तरीके में एक रिक्त स्थान रह गया।
एक टीम ने एक नया आर्किटेक्चर प्रस्तावित करके इस अंतर को पाट दिया है जो एक क्वांटम कंप्यूटर को सीधे क्वांटम डेटा को री-अपलोड करने की अनुमति देता है। उनका कार्य प्रदर्शित करता है कि एक एकल, छोटा क्वांटम रजिस्टर किसी अज्ञात क्वांटम अवस्था के किसी भी निरंतर फलन (कंटीन्यूअस फंक्शन) को अनुमानित करना सीख सकता है, बशर्ते उसे उस अवस्था की पर्याप्त ताज़ा प्रतियां दी जाएं। उनके विचार का मूल एक प्रक्रिया है जहाँ एक एकल "सिग्नल" क्यूबिट एक छात्र के रूप में कार्य करता है, जो इनपुट क्वांटम अवस्था की समान प्रतियों की एक श्रृंखला के साथ क्रमिक रूप से अंतःक्रिया करता है। प्रक्रिया के प्रत्येक चरण में, सिग्नल क्यूबिट इनपुट की एक ताज़ा प्रति से मिलता है। वे एक विशिष्ट क्वांटм ऑपरेशन के माध्यम से परस्पर क्रिया करते हैं जो उन्हें उलझा (एंटैंगल) देता है, जिससे प्रभावी रूप से इनपुट से सिग्नल में सूचना का स्थानांतरण होता है। इस अंतःक्रिया के तुरंत बाद, इनपुट प्रति को हटा दिया जाता है या रीसेट कर दिया जाता है, और अगले दौर के लिए एक नई, समान प्रति लाई जाती है। हालाँकि, सिग्नल क्यूबिट को रखा जाता है और उसे अगली परत तक संचित जानकारी ले जाने की अनुमति दी जाती है। इस चक्र को कई बार दोहराकर, सिग्नल क्यूबिट इनपुट के गुणों का एक जटिल रिकॉर्ड बनाता है, जिसे बाद में अंतिम उत्तर के रूप में पढ़ा जा सकता है।
शोधकर्ताओं ने गणितीय रूप से सिद्ध किया कि यह विधि सार्वभौमिक है, जिसका अर्थ है कि यह इनपुट क्वांटम अवस्था के किसी भी फलन को सीख सकती है, चाहे वह कितनी भी जटिल क्यों न हो, जब तक कि परतों और प्रतियों की संख्या पर्याप्त हो। एक प्रमुख निष्कर्ष यह है कि यह सार्वभौमिकता तब भी बनी रहती है जब इनपुट अवस्था कई क्यूबिट्स से बनी हो, जबकि प्रसंस्करण इकाई केवल एक एकल क्यूबिट रहती है। यह एक महत्वपूर्ण दक्षता लाभ है, क्योंकि इसका अर्थ है कि कार्य की जटिलता बढ़ने के साथ हार्डवेयर की आवश्यकताएं अत्यधिक नहीं बढ़ती हैं। यह आर्किटेक्चर क्लासिकल डेटा री-अपलोडिंग के प्रभाव का अनुकरण करके काम करता है, लेकिन संख्याओं को फीड करने के बजाय, यह भौतिक क्वांटम अवस्थाओं को ही फीड करता है। शोधकर्ताओं ने दिखाया कि सिग्नल और इनपुट की ताज़ा प्रतियों के बीच कई कमजोर अंतःक्रियाओं का उपयोग करके, सिस्टम उन्हीं शक्तिशाली रूपांतरणों का अनुमान लगा सकता है जो तब संभव होते हैं जब डेटा पहले से ज्ञात और क्लासिकल हो।
यह परीक्षण करने के लिए कि क्या यह सैद्धांतिक ढांचा व्यवहार में काम करता है, टीम ने कंप्यूटर सिमुलेशन की एक श्रृंखला चलाई। उन्होंने अपने मॉडल को विभिन्न कार्यों पर प्रशिक्षित किया, जिसमें जटिल बहुपद वक्रों (पॉलीनोमियल कर्व्स) को फिट करना और क्वांटम अवस्थाओं को उनके गुणों के आधार पर वर्गीकृत करना शामिल था। एक प्रयोग में, उन्होंने मॉडल को उनकी "शुद्धता" (प्योरिटी) के आधार पर क्वांटम अवस्थाओं के बीच अंतर करने के लिए कहा, जो यह मापता है कि अवस्था के भीतर कितनी जानकारी मौजूद है बनाम कितनी शोर (नॉइज़) के कारण खो गई है। उन्होंने पाया कि अंतःक्रिया के केवल एक परत के साथ, मॉडल का प्रदर्शन यादृच्छिक अनुमान (रैंडम गेसिंग) से बेहतर नहीं था। हालाँकि, जैसे ही उन्होंने अधिक परतें जोड़ीं, जिससे सिग्नल क्यूबिट को इनपुट की अधिक प्रतियों के साथ अंतःक्रिया करने की अनुमति मिली, सटीकता नाटकीय रूप से सुधर गई, जो चार परतों के साथ 98 प्रतिशत से अधिक तक पहुँच गई। इसी तरह की सफलता तब देखी गई जब मॉडल को उनके 'एंटैंगलमेंट' के आधार पर अवस्थाओं को वर्गीकृत करने के लिए कहा गया, जो एक माप है कि एक क्वांटम प्रणाली के हिस्से एक-दूसरे से कितने गहराई से जुड़े हुए हैं। सिमुलेशन ने पुष्टि की कि मॉडल क्वांटम डेटा की इन सूक्ष्म, गैर-रेखीय विशेषताओं को पहचानना सीख सकता है जिन्हें सरल मॉडल मिस कर देते हैं।
अध्ययन ने इस बात पर भी प्रकाश डाला कि इन प्रणालियों को कैसे बनाया जाता है, इसमें एक मौलिक ट्रेड-ऑफ (समझौता) होता है। प्रस्तावित विधि 'क्यूबिट पुन: उपयोग' (क्यूबिट रियूज) नामक एक तकनीक का उपयोग करती है, जहाँ एक ही छोटे रजिस्टर का बार-बार इनपुट की नई प्रतियों के साथ उपयोग किया जाता है। यह आवश्यक भौतिक क्यूबिट्स की संख्या को बहुत कम रखता है, जिससे यह वर्तमान और निकट भविष्य के क्वांटм उपकरणों के लिए उपयुक्त हो जाता है जिनके पास सीमित हार्डवेयर है। हालाँकि, शोधकर्ताओं ने नोट किया कि डेटा को संसाधित करने का यह एकमात्र तरीका नहीं है। एक वैकल्पिक तरीका यह होगा कि एक विशाल सर्किट का उपयोग किया जाए जो इनपुट की सभी प्रतियों को एक साथ रखता है और उन्हें एक साथ संसाधित करता है। जबकि वह समानांतर (पैरेलल) दृष्टिकोण सैद्धांतिक रूप से अधिक शक्तिशाली हो सकता है, इसके लिए क्यूबिट्स की ऐसी संख्या की आवश्यकता होगी जो परतों की संख्या के साथ बढ़ती जाती है, जो उपलब्ध तकनीक की क्षमताओं से जल्दी ही बाहर निकल जाएगी। री-अपलोडिंग विधि एक स्थान-कुशल मार्ग प्रदान करती है, यह सिद्ध करती है कि एक छोटा, पुन: प्रयोज्य क्वांटम मेमोरी उतना ही अभिव्यंजक हो सकता है जितना कि एक बहुत बड़ा, स्थिर मेमोरी, बशर्ते इसे सीखने के लिए पर्याप्त समय और ताज़ा डेटा दिया जाए।
शोधकर्ता सावधानीपूर्वक यह स्पष्ट करने में रहे कि जबकि उनका गणितीय प्रमाण गारंटी देता है कि सिस्टम सक सकता है कि किसी भी फलन को सीखे, यह इस बात की गारंटी नहीं देता कि वह हर संभावित कार्य के लिए इसे आसानी से या तेज़ी से करेगा। सिमुलेशन ने दिखाया कि मॉडल प्रशिक्षित करने योग्य है और समाधान खोज सकता है, लेकिन उन समाधानों तक पहुँचने का मार्ग विशिष्ट समस्या और उपयोग की गई परतों की संख्या पर निर्भर करता है। उन्होंने यह भी उल्लेख किया कि वर्तमान कार्य एक एकल-क्यूबिट सिग्नल रजिस्टर पर केंद्रित है, और भविष्य के शोध को यह पता लगाने की आवश्यकता होगी कि क्या एक बड़े सिग्नल सिस्टम का उपयोग करने से सीखना और भी अधिक कुशल हो सकता है। अंततः, यह कार्य इस बात का एक नया ब्लूप्रिंट प्रदान करता है कि क्वांटम मशीनें सीधे क्वांटम डेटा से कैसे सीख सकती हैं, जो उन एल्गोरिदम के द्वार खोलता है जो प्रकृति में पाए जाने वाली क्वांटम जानकारी पर स्वाभाविक रूप से कार्य करते हैं, न कि उन क्लासिकल विवरणों पर निर्भर करते हैं जिन्हें प्राप्त करना असंभव हो सकता 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।