Probabilistic Links Between Quantum Classification of Patterns of Boolean Functions and Hamming Distance

तकनीकी सारांश: बूलियन फलनों के पैटर्न के क्वांटम वर्गीकरण और हैमिंग दूरी के बीच संभाव्य संबंध

समस्या विवरण
क्वांटम वर्गीकरण एल्गोरिदम, जैसे कि ड्यूश-जोसा (Deutsch-Jozsa) एल्गोरिदम और इसके विस्तार, उन बूलियन फलनों को पूर्ण रूप से वर्गीकृत करने के लिए डिज़ाइन किए गए हैं जो विशिष्ट "वादों" (जैसे कि स्थिर या संतुलित होना) को पूरा करते हैं, और उनकी सफलता की प्रायिकता 1.0 होती है। हालांकि, जब इन एल्गोरिदम को ऐसे अज्ञात फलनों के साथ प्रस्तुत किया जाता है जो उनके 'वादे वाले वर्ग' (promised class) से बाहर होते हैं, तो उनके व्यवहार को समझने में एक महत्वपूर्ण अंतराल मौजूद है। जबकि पिछले साहित्य ने विशिष्ट वर्गों के बीच अंतर करने या वैकल्पिक दूरी मेट्रिक्स (जैसे कि क्लस्टर-आधारित दूरियाँ) का उपयोग करने पर ध्यान केंद्रित किया है, इस बात का गहन विश्लेषण करने में कमी है कि क्वांटम क्लासिफायर कैसे व्यवहार करते हैं जब इनपुट फलन केवल लक्षित वर्ग के "निकट" होता है। यह शोध इस चुनौती का समाधान करता है कि क्या एक अज्ञात, गैर-वर्गीकरण योग्य बूलियन फलन $h$ के बारे में उपयोगी जानकारी प्राप्त की जा सकती है, यदि हम हैमिंग दूरी (Hamming distance) को निकटता के मेट्रिक के रूप में उपयोग करते हुए, एक पूर्णतः वर्गीकृत वर्ग $F_{P_n}$ के भीतर उसके "निकटतम पड़ोसियों" (nearest neighbors) की पहचान करें।

कार्यप्रणाली
लेखक क्वांटम कंप्यूटिंग, सूचना सिद्धांत (information theory) और कॉम्बिनेटरिक्स (combinatorics) के संयोजन वाले एक ढांचे का उपयोग करते हैं, जिसे दो खिलाड़ियों, एलिस (Alice) और बॉब (Bob) के बीच एक रणनीतिक "नियरएस्ट बेसिस केट गेम" (Nearest Basis Ket Game) के रूप में संकल्पित किया गया है।

1. सैद्धांतिक ढांचा:

   • पैटर्न बिट वेक्टर्स: बूलियन फलनों को $2^n$ लंबाई के अद्वितीय पैटर्न बिट वेक्टर्स में मैप किया जाता है, जो फलनों और वेक्टर्स के बीच एक एकैकी संबंध (bijection) स्थापित करता है।
   • पैटर्न बेसिस और वर्ग: अध्ययन "पैटर्न बेसिस" ($P_n$) का उपयोग करता है, जो ऑर्थोगोनल पैटर्न वेक्टर्स के सेट हैं, जो पूर्णतः वर्गीकृत बूलियन फलनों के वर्गों ($F_{P_n}$) को परिभाषित करते हैं।
   • क्लासिफायर निर्माण: क्वांटम क्लासिफायर ($G$) को प्रारंभिक क्लासिफायर्स के टेंसर उत्पाद (tensor products) के रूप में निर्मित किया जाता है: हैडामार्ड ट्रांसफॉर्म ($H$) और एक विशिष्ट क्लासिफायर ($C_2$) जो $Q_2$ बेसिस के असंतुलन अनुपात (imbalance ratio) से व्युत्पन्न है।
   • दूरी मेट्रिक: अज्ञात फलन $h$ के पैटर्न बिट वेक्टर्स और वर्ग $F_{P_n}$ के फलनों के बीच हैमिंग दूरी ($d_H$) को परिभाषित किया गया है। "निकटतम पड़ोसी" वे फलन हैं जो $h$ के न्यूनतम हैमिंग दूरी पर स्थित हैं।

2. प्रायोगिक दृष्टिकोण:

   • सिमुलेशन: पैटर्न बेसिस क्लासिफिकेशन स्कीम को लागू करने वाले क्वांटम सर्किटों का अनुकरण करने के लिए Qiskit का उपयोग करके व्यापक प्रयोग किए गए।
   • क्षेत्र (Scope):
     • व्यापक गणना (Exhaustive Enumeration): छोटे पैमानों (लंबाई 8 और 16 वाले पैटर्न वेक्टर्स) के लिए, सांख्यिकीय निश्चितता सुनिश्चित करने के लिए सभी संभावित बूलियन फलनों की गणना की गई।
     • रैंडम सैंपलिंग: बड़े पैमानों (लंबाई 32 और 64) के लिए, जहाँ व्यापक गणना कम्प्यूटेशनल रूप से कठिन है, एक सांख्यिकीय रूप से सुदृढ़ रैंडम सैंपलिंग रणनीति अपनाई गई।
   • मेट्रिक: प्राथमिक मेट्रिक जिसका विश्लेषण किया गया है वह है "वर्गीकरण थ्रेशोल्ड" ($\vartheta$), जिसे अज्ञात फलन $h$ के मापन परिणाम (measurement outcome) के अपने निकटतम बेसिस केट्स (basis kets) में से एक होने की प्रायिकता के रूप में परिभाषित किया गया है।

प्रमुख परिणाम
प्रायोगिक परिणाम हैमिंग दूरी और वर्गीकरण प्रायिकता के बीच एक मजबूत, हालांकि सूक्ष्म संबंध प्रकट करते हैं:

1. एकदिष्ट कमी (Monotonic Decrease): अधिकांश फलन वर्गों के लिए, वर्गीकरण थ्रेशोल्ड, हैमिंग दूरी का एक एकदिष्ट घटता हुआ फलन है। जैसे-जैसे अज्ञात फलन $h$, वर्ग $F_{P_n}$ से दूर होता जाता है, निकटतम पड़ोसी की सही पहचान करने की प्रायिकता गिरती जाती है।
2. तीन विशिष्ट अंतराल: लेखकों ने हैमिंग दूरी के सटीक अंतरालों को स्थापित किया है जो वर्गीकरण प्रायिकता को सीमित करते हैं:
   • उच्च विश्वास अंतराल ($1$से$2^n/8$): वर्गीकरण थ्रेशोल्ड 0.50 से ऊपर रहता है, जिससे यह पुष्टि करने के लिए विश्वास मिलता है कि मापन संभवतः एक निकटतम पड़ोसी के अनुरूप है।
   • संक्रमण अंतराल ($2^n/8 + 1$ से $2^n/2 - 1$): थ्रेशोल्ड सकारात्मक रहता है लेकिन 0.00 की ओर निरंतर घटता है।
   • निम्न विश्वास अंतराल ($2^n/2$ से $2^n$): थ्रेशोल्ड प्रभावी रूप से 0.00 है, जो इंगित करता है कि फलन एक निकटतम पड़ोसी नहीं है।
3. प्रणालीगत अपवाद (इंट्रा-क्लास हेटेरोजेनिटी): $Q_2$ बेसिस के विस्तारित उत्पाद ($F_{Q_2}^{\otimes m}$) द्वारा निर्मित वर्गों में एक महत्वपूर्ण विचलन देखा गया। इन विशिष्ट वर्गों में, वर्गीकरण प्रायिकता एक विशिष्ट हैमिंग दूरी ($\varrho$) पर ठीक 1.0 तक बढ़ जाती है, बजाय इसके कि वह 0.00 बनी रहे। यह विसंगति यादृच्छिक नहीं है, बल्कि इन विशिष्ट फलन वर्गों में निहित 0 और 1 के निश्चित अनुपात का एक अनुमानित परिणाम है।

महत्व और योगदान
यह शोध क्वांटम मशीन लर्निंग और वर्गीकरण के क्षेत्र में कई नवीन योगदानों का दावा करता है:

• हैमिंग दूरी का सत्यापन: यह कार्य हैमिंग दूरी को निकटतम पड़ोसी उम्मीदवारों को सत्यापित या अयोग्य घोषित करने के लिए एक महत्वपूर्ण और प्रभावी मेट्रिक के रूप में मजबूती से प्रमाणित करता है, भले ही इनपुट 'वादे वाले वर्ग' के बाहर हो।
• अनियमितताओं का परिमाणीकरण: अध्ययन यह प्रदर्शित करता है कि अपेक्षित एकदिष्ट रुझान (monotonic trend) से विचलन सांख्यिकीय त्रुटियां नहीं बल्कि प्रणालीगत और अनुमानित हैं। विशेष रूप से, लेखक $F_{Q_2}^{\otimes m}$ वर्गों के लिए प्रायिकता के "स्पाइक" (spike) को परिमाणित करते हैं, जिससे एक संभावित त्रुटि के स्रोत को एक प्रबंधनीय और सुव्यवस्थित घटना में बदल दिया जाता है।
• संभाव्य सीमाएँ: लेखकों के सर्वोत्तम ज्ञान के अनुसार, यह वर्गीकरण प्रायिकता के संभावित मानों को सीमित करने वाले सटीक हैमिंग दूरी अंतरालों को निर्धारित करने वाला पहला कार्य है।
• निर्णय लेने के लिए व्यावहारिक ढांचा: निष्कर्ष चिकित्सकों को एक आधारभूत उपकरण प्रदान करते हैं। उपयोगकर्ता अब निम्न कार्य कर सकते हैं:
  1. जब हैमिंग दूरी उच्च-विश्वास अंतराल में हो, तो वर्गीकरण परिणामों का उच्च निश्चितता के साथ समर्थन (Endorse) करना।
  2. जब दूरी निम्न-विश्वास अंतराल में हो, तो आत्मविश्वास के साथ परिणामों को खारिज (Dismiss) करना।
• गेम-थ्योरेटिक अंतर्दृष्टि: "नियरएस्ट बेसिस केट गेम" इन संभाव्य सीमाओं को स्पष्ट करने के लिए एक वैचारिक ढांचे के रूप में कार्य करता है, जो यह दिखाता है कि कैसे दूरी और प्रायिकता के बीच का परस्पर प्रभाव "एलिस" (वर्गीफायर) और "बॉब" (फंक्शन सेलेक्टर) दोनों के लिए रणनीतिक लाभ पैदा करता है, विशेष रूप से यह उजागर करता है कि महत्वपूर्ण दूरी थ्रेशोल्ड ($2^n/8$) पर खेल कितना निष्पक्ष है।

संक्षेप में, यह शोध स्थापित करता है कि जबकि क्वांटम क्लासिफायर विशिष्ट "वादे वाले" इनपुट के लिए डिज़ाइन किए गए हैं, गैर-वर्गीकरण योग्य इनपुट पर उनका व्यवहार यादृच्छिक शोर (random noise) नहीं है, बल्कि हैमिंग दूरी द्वारा शासित एक अनुमानित संभाव्य संरचना का पालन करता है, जिसमें कुछ विशिष्ट संरचित वर्गों के लिए मात्रात्मक अपवाद भी शामिल हैं।