🤖 machine learning

Readout-Side Bypass for Residual Hybrid Quantum-Classical Models

यह शोध पत्र एक हल्का (लाइटवेट) रेजिडुअल हाइब्रिड आर्किटेक्चर प्रस्तावित करता है जो क्वांटम जटिलता को बढ़ाए बिना, सेंट्रलाइज्ड और फेडरेटेड दोनों सेटिंग्स में सटीकता और गोपनीयता सुदृढ़ता में महत्वपूर्ण सुधार करने के लिए माप बाधा (मेजरमेंट बॉटलनेक) को बायपास करने हेतु कच्चे इनपुट के साथ क्वांटम फीचर्स को संयोजित करता है।

मूल लेखक: Guilin Zhang, Wulan Guo, Ziqi Tan, Hongyang He, Qiang Guan, Hailong Jiang

प्रकाशित 2026-02-02

📖 4 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें

CC BY 4.0

मूल लेखक: Guilin Zhang, Wulan Guo, Ziqi Tan, Hongyang He, Qiang Guan, Hailong Jiang

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 आप एक जटिल पहेली को हल करने की कोशिश कर रहे हैं, लेकिन आपका एक बहुत सख्त नियम है: आप पहेली को केवल एक छोटे, संकीर्ण 'कीहोल' (चाबी के छेद) के माध्यम से ही देख सकते हैं। यह क्वांटम मशीन लर्निंग (QML) के साथ वर्तमान समस्या है।

समस्या: "कीहोल" का बॉटलनेक (अवरोध)

इस शोध पत्र में, लेखक एक ऐसी स्थिति का वर्णन करते हैं जहाँ एक क्वांटम कंप्यूटर एक प्रतिभाशाली जासूस की तरह है जो डेटा में छिपे हुए पैटर्न देख सकता है। हालाँकि, जब वह अपने निष्कर्षों को एक इंसान (क्लासिकल कंप्यूटर) को रिपोर्ट करने की कोशिश करता है, तो उसे अपनी सभी जटिल टिप्पणियों को एक छोटे से "कीहोल" के माध्यम से निचोड़ना पड़ता है, जिसे मेजरमेंट (मापन) कहा जाता है।

चूँकि कीहोल बहुत छोटा है, इसलिए जासूस की अधिकांश शानदार अंतर्दृष्टि खो जाती है। इंसान को केवल कुछ धुंधले सुराग ही दिखाई देते हैं। इसके परिणामस्वरूप, अंतिम निर्णय अक्सर गलत होता है, और क्योंकि इंसान बहुत सीमित जानकारी के साथ काम कर रहा है, वे अनजाने में मूल पहेली के बारे में बहुत अधिक जानकारी प्रकट कर सकते हैं (एक गोपनीयता जोखिम)।

समाधान: "रेसिडुअल बाईपास" (अवशिष्ट बाईपास)

लेखक एक चतुर, हल्का समाधान प्रस्तावित करते हैं जिसे रीडआउट-साइड बाईपास (Readout-Side Bypass) कहा जाता है।

इसे इस प्रकार समझें:

पुराना तरीका: जासूस कीहोल के माध्यम से देखता है, एक छोटा सा नोट लिखता है, और इंसान को केवल वह छोटा नोट थमा देता है। इंसान को उस छोटे नोट के आधार पर बाकी तस्वीर का अनुमान लगाना पड़ता है।
नया तरीका (यह शोध पत्र): जासूस अभी भी कीहोल के माध्यम से देखता है और एक छोटा नोट लिखता है। लेकिन, उसे सौंपने से पहले, वे इंसान को वह मूल, पूर्ण आकार का पहेली का टुकड़ा (puzzle piece) भी थमा देते हैं जिससे उन्होंने शुरुआत की थी।

इंसान के पास अब काम करने के लिए दो चीजें हैं:

मूल डेटा (पूर्ण पहेली का टुकड़ा)।
क्वांटम अंतर्दृष्टि (विशेष पैटर्न वाला छोटा नोट)।

इन दोनों को मिलाकर, इंसान बहुत बेहतर निर्णय ले सकता है, बिना यह बदले कि जासूस कैसे काम करता है या बिना कीहोल को बड़ा किए।

यह क्यों महत्वपूर्ण है

शोध पत्र का दावा है कि यह सरल तरकीब तीन बड़ी समस्याओं को हल करती है:

यह बेहतर काम करता है: अपने परीक्षणों में, यह नई विधि अकेले क्वांटम कंप्यूटर का उपयोग करने की तुलना में 55% अधिक सटीक पाई गई। इसने पारंपरिक (गैर-क्वांटम) कंप्यूटरों के लगभग बराबर प्रदर्शन किया, जो एक बड़ी जीत है क्योंकि वर्तमान में क्वांटम कंप्यूटरों का उपयोग करना बहुत कठिन है।
यह अधिक सुरक्षित है: क्योंकि सिस्टम को सारी जानकारी को उस छोटे से कीहोल के माध्यम से निचोड़ने की आवश्यकता नहीं है, इसलिए यह निजी जानकारी कम लीक करता है। लेखकों ने पाया कि मॉडल के आउटपुट को देखकर यह अनुमान लगाना "हैकर्स" के लिए बहुत कठिन था कि ट्रेनिंग डेटा में कौन शामिल था।
यह कुशल है: इस विधि के लिए क्वांटम कंप्यूटर को अधिक काम करने या अधिक ऊर्जा उपयोग करने की आवश्यकता नहीं है। यह केवल इस बात को बदलता है कि परिणामों को अगले चरण में कैसे भेजा जाता है। यह एक पूरी इमारत को फिर से बनाए बिना उसमें एक साइड डोर (बगल का दरवाजा) जोड़ने जैसा है।

"फेडरेटेड" ट्विस्ट

लेखकों ने इसे एक फेडरेटेड लर्निंग (Federated Learning) सेटिंग में भी परखा। कल्पना कीजिए कि अलग-अलग कमरों में बैठे लोगों का एक समूह एक पहेली को हल करने की कोशिश कर रहा है, बिना अपने निजी टुकड़ों को साझा किए।

आमतौर पर, कमरों के बीच जानकारी साझा करने में बहुत समय और बैंडविड्थ (जैसे भारी बक्से भेजना) लगता है।
यह नया तरीका समूहों को अपने निष्कर्षों को अधिक कुशलता से साझा करने की अनुमति देता है, जिससे कम डेटा ट्रांसफर का उपयोग होता है और फिर भी एक बेहतरीन उत्तर प्राप्त होता है।

निचोड़ (The Bottom Line)

यह शोध पत्र यह दावा नहीं करता कि यह कल बीमारियों का इलाज करेगा या शेयर बाजार की भविष्यवाणी करेगा। इसके बजाय, यह वर्तमान क्वांटम कंप्यूटरों के लिए एक व्यावहारिक, "प्लग-एंड-प्ले" अपग्रेड प्रदान करता है। यह कहता है: "क्वांटम कंप्यूटर को अकेले सब कुछ करने के लिए मजबूर न करें। इसे मूल डेटा के साथ अपनी विशेष अंतर्दृष्टि साझा करने दें, और आप दोनों दुनिया का सर्वश्रेष्ठ प्राप्त करेंगे: उच्च सटीकता, बेहतर गोपनीयता और कोई अतिरिक्त लागत नहीं।"

तकनीकी सारांश: अवशिष्ट हाइब्रिड क्वांटम-क्लासिकल मॉडलों के लिए रीडआउट-साइड बायपास

समस्या विवरण
क्वांटम मशीन लर्निंग (QML) पैरामीटराइज्ड क्वांटम सर्किट्स (PQCs) के माध्यम से कॉम्पैक्ट प्रतिनिधित्व और नॉन-लीनियर फीचर एक्सट्रैक्शन में संभावित लाभ प्रदान करती है। हालाँकि, व्यावहारिक QML मेजरमेंट बॉटलनेक (मापन बाधा) के कारण गंभीर रूप से सीमित है। मानक QML और मौजूदा हाइब्रिड मॉडलों में, उच्च-आयामी शास्त्रीय इनपुट ( $x \in \mathbb{R}^d$ ) को क्वांटम अवस्थाओं में एनकोड किया जाता है, रूपांतरित किया जाता है, और फिर कुछ चुनिंदा क्वांटम ऑब्जर्वेबल्स ( $Q(x) \in \mathbb{R}^m$ , जहाँ $m \ll d$ ) में संकुचित कर दिया जाता है। यह संकुचित क्वांटम-टू-क्लासिकल रीडआउट मूल इनपुट से महत्वपूर्ण जानकारी को हटा देता है, जिससे डाउनस्ट्रीम सटीकता खराब हो जाती है। इसके अलावा, यह संपीड़न गोपनीयता जोखिमों को भी बढ़ाता है, जिससे मॉडल मेंबरशिप इन्फेरेंस अटैक्स (MIA) के प्रति अधिक संवेदनशील हो जाते हैं क्योंकि संकुचित फीचर्स ओवरफिट होने और जानकारी लीक करने की प्रवृत्ति रखते हैं। पारंपरिक रेजिडुअल कनेक्शन (अवशिष्ट जुड़ाव) डीप लर्निंग में आंतरिक परतों को बायपास करते हैं, लेकिन वे क्वांटम मेजरमेंट चरण पर होने वाले अंतिम सूचना नुकसान को संबोधित करने में विफल रहते हैं।

कार्यप्रणाली
लेखक एक रीडआउट-साइड रेजिडुअल हाइब्रिड आर्किटेक्चर का प्रस्ताव करते हैं जो क्वांटम सर्किट की जटिलता को बढ़ाए बिना मेजरमेंट बॉटलनेक को बायपास करने के लिए डिज़ाइन किया गया है। मुख्य तंत्र इस प्रकार है:

क्वांटम प्रोसेसिंग: क्लासिकल इनपुट्स को एंगल-एनकोड किया जाता है और एक मानक वेरिएशनल क्वांटम सर्किट (PQC) के माध्यम से प्रोसेस किया जाता है ताकि क्वांटम फीचर्स $Q(x)$ उत्पन्न किए जा सकें।
रेसिडुअल कॉनकेटिनेशन (अवशिष्ट संयोजन): मेजरमेंट के बाद रॉ इनपुट $x$ को हटाने के बजाय, मॉडल एक संयोजित वेक्टर $z = [x \parallel Q(x)]$ बनाने के लिए रॉ इनपुट को मापे गए क्वांटम फीचर्स के साथ जोड़ता है।
प्रोजेक्शन और क्लासिफिकेशन: एक लीनियर प्रोजेक्शन $W_{proj}$ संयोजित वेक्टर को एक लेटेंट रिप्रेजेंटेशन $\tilde{z}$ में मैप करता है, जिसे फिर वर्गीकरण के लिए एक क्लासिकल मल्टी-लेयर पर्सेप्ट्रॉन (MLP) द्वारा प्रोसेस किया जाता है।

यह दृष्टिकोण क्वांटम ट्रांसफॉर्मेशन का लाभ उठाते हुए मूल इनपुट संरचना को सुरक्षित रखता है, जो प्रभावी रूप से मेजरमेंट चरण में निहित सूचना हानि के चारों ओर एक "बायपास" बनाता है। यह आर्किटेक्चर केंद्रीकृत और फेडरेटेड लर्निंग (FL) दोनों सेटिंग्स के अनुकूल है और इसके लिए मूल क्वांटम सर्किट या एनकोडिंग रणनीति में किसी संशोधन की आवश्यकता नहीं है।

प्रमुख योगदान

आर्किटेक्चरल नवाचार: एक हल्का रेजिडुअल हाइब्रिड मॉडल पेश करना जो रीडआउट चरण पर रॉ इनपुट्स को क्वांटम फीचर्स के साथ जोड़ता है, जो सीधे मेजरमेंट बॉटलनेक को संबोधित करता है।
व्यापक मूल्यांकन: चार डेटासेट्स (Wine, Breast Cancer, Fashion-MNIST, Forest CoverType) पर केंद्रीकृत और फेडरेटेड सेटिंग्स में मैच-पैरामीटर मूल्यांकन किया गया, जिसमें सटीकता और गोपनीयता मेट्रिक्स की तुलना की गई।
गोपनीयता विश्लेषण: यह प्रदर्शित किया गया कि रेजिडुअल आर्किटेक्चर स्पष्ट नॉइज़ इंजेक्शन (जैसे, डिफरेंशियल प्राइवेसी) की आवश्यकता के बिना आंतरिक रूप से गोपनीयता मजबूती में सुधार करता है, जिससे MIA AUC स्कोर लगभग 0.5 (रैंडम गेसिंग के समान) प्राप्त होता है।
एब्लेशन स्टडीज: यह प्रमाणित किया गया कि प्रदर्शन में सुधार केवल क्वांटम डेप्थ या क्वबिट काउंट बढ़ाने के बजाय रेजिडुअल बायपास तंत्र द्वारा संचालित होता है।

प्रायोगिक परिणाम

सटीकता: रेजिडुअल हाइब्रिड मॉडल शुद्ध क्वांटम और मानक हाइब्रिड बेसलाइन्स की तुलना में काफी बेहतर प्रदर्शन करता है। Wine डेटासेट पर, इसने 89.0% सटीकता प्राप्त की, जबकि शुद्ध क्वांटम और मूल हाइब्रिड मॉडल की सटीकता 38.9% थी। यह कम पैरामीटर्स का उपयोग करते हुए क्लासिकल बेसलाइन्स (91.4%) के लगभग बराबर पहुँच जाता है।
गोपनीयता मजबूती: गोपनीयता मूल्यांकन में, रेजिडुअल हाइब्रिड मॉडल ने लगभग 0.54 का MIA AUC प्राप्त किया (उदाहरण के लिए, Wine पर), जो मेंबरशिप इन्फेरेंस के प्रति मजबूत प्रतिरोध दर्शाता है। यह क्लासिकल मॉडल्स (0.68) की तुलना में बेहतर है और शुद्ध क्वांटम मॉडल्स के तुलनीय है, लेकिन बिना उस भारी सटीकता दंड के जो डिफरेंशियल प्राइवेसी जोड़ने से होता है (जिसने क्लासिकल सटीकता को 87.0% से घटाकर 74.1% कर दिया था)।
दक्षता: फेडरेटेड लर्निंग सेटिंग्स में, रेजिदुअल हाइब्रिड मॉडल्स ने प्रतिस्पर्धी सटीकता (जैसे, Non-IID वितरण के तहत Breast Cancer पर 93.9%) बनाए रखते हुए क्लासिकल FL मॉडल्स की तुलना में संचार ओवरहेड को लगभग 15% कम कर दिया (50 राउंड में 2.0MB के मुकाबले 1.7MB ट्रांसमिट किया)।

महत्व और दावे
पेपर का दावा है कि यह रिसोर्स-कंस्ट्रेंड और प्राइवेसी-सेंसिटिव वातावरण, जैसे कि फेडरेटेड एज लर्निंग में क्वांटम मॉडलों को एकीकृत करने के लिए एक व्यावहारिक, निकट-अवधि मार्ग प्रदान करता है। मेजरमेंट बॉटलनेक को बायपास करके, यह विधि क्वांटम मॉडलों को उच्च-सटीकता वर्गीकरण के लिए आवश्यक जानकारी को पुनः प्राप्त करने के साथ-साथ क्वांटम फीचर्स की कॉम्पैक्टनेस और एक्सप्रेसिवनेस बनाए रखने की अनुमति देती है। लेखक इस बात पर जोर देते हैं कि यह दृष्टिकोण क्वांटम हार्डवेयर आवश्यकताओं के लिए "नॉन-इनवेसिव" है, जिससे यह प्रोटोकॉल-अज्ञेय (protocol-agnostic) और मौजूदा हाइब्रिड सिस्टम में आसानी से प्लग करने योग्य बन जाता है। अध्ययन निष्कर्ष निकालता है कि क्लासिफायर को रॉ इनपुट और क्वांटम फीचर्स दोनों को एक्सपोज़ करना वर्तमान QML रीडआउट तंत्रों की सीमाओं को पार करने के लिए महत्वपूर्ण है।

समस्या: "कीहोल" का बॉटलनेक (अवरोध)

समाधान: "रेसिडुअल बाईपास" (अवशिष्ट बाईपास)

यह क्यों महत्वपूर्ण है

"फेडरेटेड" ट्विस्ट

निचोड़ (The Bottom Line)

इसी तरह के और पेपर