⚛️ quantum physics

Adaptive Aggregation with Two Gains in QFL

यह शोध पत्र A2G का प्रस्ताव करता है, जो क्वांटम-सक्षम फेडरेटेड लर्निंग के लिए एक अनुकूली एकत्रीकरण ढांचा (adaptive aggregation framework) है, जो ज्यामितीय सम्मिश्रण (geometric blending) को नियंत्रित करने और QoS मेट्रिक्स के आधार पर क्लाइंट महत्व को मॉड्युलेट करने के लिए एक दोहरे-लाभ तंत्र (dual-gain mechanism) का उपयोग करता है, जिससे नेटवर्क विषमता और क्वांटम स्टोकेस्टिसिटीिटी (quantum stochasticity) के कारण होने वाले प्रदर्शन ह्रास को संबोधित किया जा सके।

मूल लेखक: S Nanayakkara

प्रकाशित 2026-02-19

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: S Nanayakkara

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 विशाल ऑर्केस्ट्रा के कंडक्टर हैं, लेकिन यह ऑर्केस्ट्रा पूरी दुनिया में फैला हुआ है। कुछ संगीतकार एक शांत कॉन्सर्ट हॉल में हैं, जबकि कुछ शोर वाले सबवे स्टेशन में बजा रहे हैं। कुछ के पास बिल्कुल नए, बेहतरीन वाद्य यंत्र हैं, जबकि कुछ के पास ऐसे यंत्र हैं जो थोड़े बेसुुरे हैं या जिनके कीज़ (keys) चिपचिपे हैं।

फेडरेटेड लर्निंग (FL) की दुनिया में, यह ऑर्केस्ट्रा कंप्यूटरों (क्लाइंट्स) का एक समूह है जो अपना निजी डेटा साझा किए बिना मिलकर एक कार्य सीखने की कोशिश कर रहे हैं। वे आपको अपने "संगीत के विचार" (मॉडल अपडेट्स) भेजते हैं, ताकि आप उन्हें मिलाकर एक आदर्श गीत (ग्लोबल मॉडल) बना सकें।

समस्या: एक शोर भरा, टूटा हुआ ऑर्केस्ट्रा

एक आदर्श दुनिया में, हर कोई अपना विचार भेजता है, और आप बस उनका औसत (average) ले लेते हैं। लेकिन वास्तविक दुनिया में (और विशेष रूप से क्वांटम कंप्यूटिंग की भविष्य की दुनिया में), चीजें अस्त-व्यस्त हो जाती हैं:

खराब कनेक्शन: कुछ संगीतकार एक तूफान में फंसे हैं। उनके विचार विकृत हो जाते हैं या देर से पहुँचते हैं (कम "टेलीपोर्टेशन फिडेलिटी" और उच्च "लेटेंसी")।
अलग-अलग वाद्य यंत्र: कुछ संगीतकार एक सपाट पियानो पर बजा रहे हैं (मानक कंप्यूटर), जबकि अन्य एक घूमते हुए ग्लोब या डोनट के आकार के यंत्र पर बजा रहे हैं (क्वांटम कंप्यूटर जहाँ डेटा घुमावदार सतहों पर रहता है जिन्हें "मैनिफ़ोल्ड्स" कहा जाता है)।
"औसत" का जाल: यदि आप केवल एक सपाट पियानो के नोट और एक घूमते हुए ग्लोब के नोट का औसत लेते हैं, तो आपको अर्थहीन परिणाम मिलेगा। उन्हें मिलाने का मानक तरीका (जिसे FedAvg कहा जाता है) यह मानकर चलता है कि हर कोई एक ही सपाट सतह पर खेल रहा है। जब वे ऐसा नहीं करते, तो संगीत बिखर जाता है।

समाधान: A2G (दो लाभों के साथ अनुकूलन योग्य एकत्रीकरण - Adaptive Aggregation with Two Gains)

यह शोध पत्र एक नए कंडक्टर की तकनीक पेश करता है जिसे A2G कहा जाता है। संगीत का औसत लेने के बजाय, कंडक्टर दो विशेष "नॉब्स" या "गेंस" (gains) का उपयोग करके मिश्रण को पूरी तरह से समायोजित करता है।

नॉब 1: "ट्रस्ट मीटर" (QoS गेन)

कल्पना कीजिए कि आपके पास हर संगीतकार के लिए एक ट्रस्ट मीटर है।

यदि एक संगीतकार एक शांत कमरे में बेहतरीन वाद्य यंत्र के साथ है, तो उसका ट्रस्ट स्कोर उच्च है।
यदि एक संगीतकार तूफान में एक टूटे हुए वाद्य यंत्र के साथ है, तो उसका ट्रस्ट स्कोर कम है।

QoS गेन (क्वालिटी ऑफ सर्विस) वह नॉब है जो विश्वसनीय संगीतकारों के लिए आवाज़ बढ़ाता है और अविश्वसनीय संगीतकारों के लिए आवाज़ कम करता है। यह तीन चीजों को देखता है:

फिडेलिटी (Fidelity): संदेश कितना स्पष्ट था?
लेटेंसी (Latency): वह कितनी तेज़ी से पहुँचा?
अस्थिरता (Instability): क्या संगीतकार हिल रहा था या अस्थिर था?

यदि कोई संगीतकार अविश्वसनीय है, तो कंडक्टर धीरे से कहता है, "मैं तुम्हें सुनूँगा, लेकिन मैं तुम्हें अपने खराब विचार से पूरा गाना बर्बाद नहीं करने दूँगा।"

नॉब 2: "शेप शिफ्टर" (ज्यामिति गेन - Geometry Gain)

यही सबसे चतुर हिस्सा है। कल्पना कीजिए कि संगीतकार एक दिशा पर सहमत होने की कोशिश कर रहे हैं।

सपाट दुनिया: यदि सभी एक सपाट फर्श पर हैं, तो आप बस बीच में जाने के लिए एक सीधी रेखा में चलते हैं।
घुमावदार दुनिया: यदि सभी एक ग्लोब पर हैं, तो सीधी रेखा में चलने से आप किनारे से बाहर गिर सकते! आपको पृथ्वी के वक्र (curve) के साथ चलना होगा।

क्वांटम कंप्यूटर अक्सर इन "घुमावदार दुनियाओं" (गणितीय रूप से जिन्हें मैनिफ़ोल्ड्स कहा जाता है) में रहते हैं। ज्यामिति गेन वह नॉब है जो कंडक्टर को बताता है: "क्या हम एक सपाट फर्श पर हैं या एक घूमते हुए ग्लोब पर?"

यदि नॉब 0 पर सेट है, तो कंडक्टर एक पारंपरिक इंसान की तरह काम करता है, वक्रों को अनदेखा करता है (जो क्वांटम के लिए बुरा है)।
यदि नॉब 1 पर सेट है, तो कंडक्टर वक्रों का पूरी तरह से सम्मान करता है।
सही संतुलन (The Sweet Spot): शोध पत्र में पाया गया कि इस नॉब को एक छोटी संख्या (जैसे 0.05) पर सेट करना सबसे अच्छा काम करता है। यह एक कोमल धक्के की तरह है जो संगीतकारों को बिना संतुलन बिगाड़े, घुमावदार पथ पर बने रहने में मदद करता है।

व्यवहार में यह कैसे काम करता है

इस शोध पत्र ने चिकित्सा डेटा (जैसे स्तन कैंसर के निदान) पर परीक्षण किया, जिसमें नियमित कंप्यूटर और सिम्युलेटेड क्वांटम कंप्यूटरों का मिश्रण शामिल था।

पुराना तरीका (FedAvg): इसने सब कुछ समान रूप से औसत करने की कोशिश की। जब कनेक्शन शोर वाला था या डेटा अजीब था, तो सटीकता गिर गई और सिस्टम भ्रमित हो गया।
A2G का तरीका:
1. इसने ट्रस्ट मीटर की जाँच की और शोर वाले, अविश्वसनीय कनेक्शनों को अनदेखा कर दिया।
2. इसने शेप शिफ्टर का उपयोग किया ताकि क्वांटम मॉडल्स को उनके घुमावदार पथों पर धीरे से निर्देशित किया जा सके।
3. परिणाम: सिस्टम बहुत अधिक स्थिर हो गया। भले ही "क्वांटम टेलीपोर्टेशन" शोर भरा था (जैसे तूफान के माध्यम से संदेश भेजने की कोशिश करना), A2G ने सटीकता को उच्च बनाए रखा। वास्तव में, सही सेटिंग्स के साथ, इसने पुराने तरीकों की तुलना में सटीकता में लगभग 25% का सुधार किया।

बड़ी तस्वीर

A2G को एक स्मार्ट, अनुकूलन योग्य कंडक्टर के रूप में देखें जो केवल "औसत!" चिल्लाता नहीं है, बल्कि इसके बजाय:

सावधानी से सुनता है कि कौन विश्वसनीय है (शोर को अनदेखा करता है)।
भू-भाग को समझता है (जानता है कि कब सीधा चलना है और कब वक्र का अनुसरण करना है)।

यह इसे भविष्य के लिए एक आदर्श कंडक्टर बनाता है, जहाँ हमारे पास नियमित कंप्यूटरों और शक्तिशाली, अजीब तरह से आकार वाले क्वांटम कंप्यूटरों का मिश्रण होगा जो सब मिलकर सीखने की कोशिश कर रहे होंगे। यह सुनिश्चित करता है कि भले ही नेटवर्क अस्थिर हो या गणित घुमावदार हो, ऑर्केस्ट्रा अभी भी एक सुंदर, सटीक गीत बजाता रहे।

यहाँ शोध पत्र "A2G-QFL: Adaptive Aggregation with Two Gains in Quantum Federated Learning" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

क्वांटम-सक्षम और हेट्रोजेनियस क्लासिकल नेटवर्क पर तैनात फेडरेटेड लर्निंग (FL) को कई अनूठी चुनौतियों के कारण महत्वपूर्ण प्रदर्शन गिरावट का सामना करना पड़ता है, जिन्हें पारंपरिक एकत्रीकरण विधियाँ (जैसे FedAvg) संबोधित करने में विफल रहती हैं:

संचार विषमता (Communication Heterogeneity): क्वांटम नेटवर्क टेलीपोर्टेशन फिडेलिटी (teleportation fidelity), संचार विलंबता (latency), और डिवाइस अस्थिरता में स्टोकेस्टिक विविधताओं से ग्रस्त होते हैं।
ज्यामितीय बेमेल (Geometric Mismatch): कई क्वांटम मॉडल (जैसे वेरिएशनल क्वांटम सर्किट) ऐसे मापदंडों (parameters) का उपयोग करते हैं जो गैर-यूक्लिडियन मैनिफोल्ड्स (non-Euclidean manifolds) (जैसे टोरि या सर्कल्स पर आवधिक कोण) पर मौजूद होते हैं। पारंपरिक यूक्लिडियन औसत एक सपाट पैरामीटर स्पेस मान लेता है, जिससे स्थानीय मॉडलों को एकत्रित करते समय "ज्यामिति-प्रेरित विचलन" (geometry-induced drift) और अपसरण (divergence) होता है।
पूर्व कार्य की सीमाएँ: मौजूदा विधियाँ जैसे FedAvg, QoS और ज्यामिति की अनदेखी करती हैं; रिमानियन FL (Riemannian FL) नेटवर्क विलंबता/फिडेलिटी को अनदेखा करता है; और वर्तमान क्वांटम FL अनुसंधान मजबूत एकत्रीकरण रणनीतियों के बजाय मॉडल विकास पर केंद्रित है।

2. कार्यप्रणाली: A2G फ्रेमवर्क (Methodology: A2G Framework)

लेखक A2G (Adaptive Aggregation with Two Gains) का प्रस्ताव करते हैं, जो एक डुअल-गेन फ्रेमवर्क है जो दो अलग-अलग तंत्रों का उपयोग करके एकत्रीकरण प्रक्रिया को संयुक्त रूप से नियंत्रित करता है:

A. QoS गेन ( $\alpha$ ): ट्रस्ट वेटिंग (Trust Weighting)

यह घटक भौतिक-परत संचार मेट्रिक्स के आधार पर क्लाइंट के महत्व को नियंत्रित करता है। यह राउंड $t$ पर प्रत्येक क्लाइंट $i$ के लिए एक ट्रस्ट स्कोर की गणना करता है:

टेलीपोर्टेशन फिडेलिटी ( $F_{i,t}$ ): क्वांटम लिंक की गुणवत्ता।
विलंबता ( $\tau_{i,t}$ ): संचार विलंब।
अस्थिरता ( $\sigma^2_{i,t}$ ): चैनल प्रदर्शन की भिन्नता।

QoS कारक की गणना इस प्रकार की जाती है:
$q_{i,t} = \frac{F_{i,t}^\alpha}{(\tau_{i,t} + \epsilon)^\gamma (\sigma^2_{i,t} + \epsilon)^\delta}$
इस कारक को डेटा आकार के अनुपात के साथ जोड़कर सामान्यीकृत ट्रस्ट वेट $w^{(\alpha)}_{i,t}$ उत्पन्न किया जाता है। उच्च फिडेलिटी और कम विलंबता/अस्थिरता वाले क्लाइंट्स को उच्च वेट प्राप्त होता है, जो प्रभावी रूप से अविश्वसनीय नोड्स को फ़िल्टर करता है।

B. ज्योमेट्री गेन ( $\beta$ ): मैनिफोल्ड सुधार (Manifold Correction)

यह घटक क्वांटम मापदंडों की गैर-यूक्लिडियन प्रकृति को संबोधित करता है। साधारण औसत के बजाय, A2G मॉडलों को एकत्रित करने के लिए रिमानियन ज्यामिति (Riemannian geometry) (लॉगैरिथमिक और एक्सपोनेंशियल मैप्स) का उपयोग करता है:

टैंजेंट वेक्टर: स्थानीय मॉडलों को रिमानियन लॉग मैप ( $\text{Log}_{\theta_t}$ ) का उपयोग करके ग्लोबल मॉडल के टैंजेंट स्पेस में मैप किया जाता है।
वेटेड सम (Weighted Sum): एक QoS-वेटेड टैंजेंट वेक्टर $v_t$ की गणना की जाती है।
करेक्शन टर्म: मैनिफोल्ड सुधार $\Psi$ को $\text{Exp}_{\theta_t}(v_t) - \theta_t$ के रूप में परिभाषित किया गया है।
इंटरपोलेशन: ज्योमेट्री गेन $\beta \in [0, 1]$ , शुद्ध यूक्लिडियन एकत्रीकरण ( $\beta=0$ ) और पूर्ण रिमानियन औसत ( $\beta=1$ ) के बीच इंटरपोलेशन करता है।

C. अपडेट नियम (The Update Rule)

ग्लोबल मॉडल अपडेट नियम इन तत्वों को जोड़ता है:
$\theta_{t+1} = \theta_t - \eta \sum w^{(\alpha)}_{i,t} g_{i,t} + \beta \Psi(\theta_t, \{\theta_{i,t}\})$
नोट: शोध पत्र के प्रयोगों में, सर्वर-साइड ग्रेडिएंट स्टेप ( $\eta$ ) को 0 पर सेट किया गया है, जो पूरी तरह से क्लाइंट मॉडलों के ज्योमेट्री-नियंत्रित इंटरपोलेशन पर निर्भर है।

3. मुख्य योगदान (Key Contributions)

यूनिवर्सल डुअल-गेन फ्रेमवर्क: A2G पहला FL तंत्र है जो QoS (फिडेलिटी/विलंबता) और मॉडल ज्योमेट्री (वक्रता) को एक एकल अनुकूली नियम में शामिल करता है।
एकीकृत सूत्रीकरण (Unified Formulation): यह FedAvg, QoS-वेटेड एवरेजिंग और रिमानियन एकत्रीकरण को विशेष मामलों के रूप में पुनः प्राप्त करता है, जिससे यह क्लासिकल, क्वांटम और हाइब्रिड सिस्टम के लिए लागू हो जाता है।
अभिसरण गारंटी (Convergence Guarantees): लेखक स्मूथनेस, बाउंडेड-वेरिएंस और फाइनाइट-QoS धारणाओं के तहत एक सैद्धांतिक अभिसरण विश्लेषण प्रदान करते हैं, जो दिखाता है कि QoS गेन अभिसरण को तेज करता है जबकि ज्योमेट्री गेन वक्रता पूर्वाग्रह (curvature bias) को ठीक करता है।
टेलीपोर्टेशन-जागरूक ट्रस्ट: शोर वाले क्वांटम चैनलों के लिए विशेष रूप से एक विश्वसनीयता तंत्र को औपचारिक रूप देता है, जो वास्तविक ट्रांसमिशन गुणवत्ता के आधार पर क्लाइंट्स को वेट देता है।
नोइजी QNN का स्थिरीकरण: प्रदर्शित करता है कि छोटे ज्योमेट्री गेन ( $\beta \ll 1$ ) पारंपरिक औसत की तुलना में क्लाइंट ड्रिफ्ट को काफी कम करते हैं और स्थिरता में सुधार करते हैं।

4. प्रयोगात्मक परिणाम (Experimental Results)

दो मेडिकल इमेजिंग डेटासेट (ब्रेस्ट कैंसर विस्कॉन्सिन और ब्रेस्ट-लेजन-USG) के साथ एक क्वांटम-क्लासिकल हाइब्रिड टेस्टबेड पर प्रयोग किए गए, जिनमें नॉन-IID डेटा विभाजन था।

ज्योमेट्री गेन ट्यूनिंग:
- इष्टतम $\beta$ : एक छोटे ज्योमेट्री गेन ( $\beta = 0.05$ ) ने सर्वश्रेष्ठ परिणाम दिए, जिससे ब्रेस्ट-लेजन-USG डेटासेट पर 68.25% सटीकता प्राप्त हुई।
- तुलना: यह मानक FedAvg बेसलाइन ( $\beta = 1.0$ ) की तुलना में 13.65% (लगभग 25% सापेक्ष) सुधार था।
- ट्रेड-ऑफ: आक्रामक ज्योमेट्री सुधार ( $\beta \geq 0.3$ ) ने अस्थिर लर्निंग डायनेमिक्स और कम सटीकता की ओर ले जाने वाले उतार-चढ़ाव पैदा किए, जिससे पता चलता है कि शोर वाले परिवेश में पूर्ण मैनिफोल्ड औसत की तुलना में हल्का वक्रता सुधार बेहतर है।
शोर के प्रति मजबूती (Robustness to Noise):
- A2G ने विभिन्न टेलीपोर्टेशन शोर स्तरों (बिट-फ्लिप प्रोबेबिलिटी $p \in \{0.01, 0.06, 0.12\}$ ) के तहत उच्च स्थिरता बनाए रखी।
- छोटे $\beta$ मानों के परिणामस्वरूप बेसलाइन की तुलना में कम अस्थिरता और विलंबता स्पाइक्स देखे गए।
QoS प्रभाव: QoS वेटिंग ने खराब फिडेलिटी या उच्च विलंबता वाले क्लाइंट्स को सफलतापूर्वक कम वेट दिया, जिससे उन्हें ग्लोबल मॉडल को खराब करने से रोका जा सका।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह शोध पत्र नेटवर्क अविश्वसनीयता और ज्यामितीय जटिलता की दोहरी चुनौतियों को संबोधित करके क्वांटम फेडरेटेड लर्निंग (QFL) के लिए एक महत्वपूर्ण प्रगति प्रस्तुत करता है।

व्यावहारिक प्रभाव: A2G एक संचार-कुशल, ग्रेडिएंट-मुक्त एकत्रीकरण रणनीति प्रदान करता है जो सर्वर-साइड ग्रेडिएंट गणना की उच्च लागत से बचता है (जो क्वांटम सर्किट में बैरन प्लेटो और शॉट नॉइज़ के कारण होती है)।
सैद्धांतिक मूल्य: यह एक एकीकृत फ्रेमवर्क के लिए पहला अभिसरण विश्लेषण प्रदान करता है जो दोनों QoS विषमता और रिमानियन ज्यामिति को संभालता है।
भविष्य का दृष्टिकोण: A2G अगली पीढ़ी के वितरित क्वांटम इंटेलिजेंस के लिए एक आधारभूत तंत्र के रूप में कार्य करता है, जो उभरते हुए क्वांटम-क्लासिकल नेटवर्क में स्केलेबल और शोर-लचीला शिक्षण सक्षम बनाता है।

संक्षेप में, A2G-QFL यह सिद्ध करता है कि नेटवर्क की भौतिक गुणवत्ता और मॉडल की गणितीय ज्यामिति दोनों के अनुसार एकत्रीकरण नियमों को अनुकूलित करना क्वांटम वातावरण में फेडरेटेड लर्निंग की सफलता के लिए आवश्यक है।