Graph-Based Bayesian Optimization for Quantum Circuit Architecture Search with Uncertainty Calibrated Surrogates
यह शोध पत्र साइबर सुरक्षा वर्गीकरण कार्यों के लिए कुशल और सुदृढ़ वेरिएशनल क्वांटम सर्किट को स्वचालित रूप से खोजने हेतु अनिश्चितता अंशांकन (अनसर्टेन्टी कैलिब्रेशन) के लिए मोंटे कार्लो ड्रॉपआउट के साथ एक GNN सरोगेट का उपयोग करने वाले एक ग्राफ-आधारित बेयसियन ऑप्टिमाइज़ेशन फ्रेमवर्क प्रस्तुत 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
कल्पना कीजिए कि आप एक पेचीदा पहेली को हल करने के लिए एक आदर्श क्वांटम कंप्यूटर सर्किट बनाने की कोशिश कर रहे हैं, जैसे कि नेटवर्क ट्रैफ़िक के विशाल प्रवाह में साइबर हमले को पहचानना। समस्या यह है कि क्वांटम "गेट्स" (सर्किट के निर्माण खंड) को व्यवस्थित करने के कई तरीके हैं, और हर एक संयोजन को आज़माना ब्रह्मांड के आकार के पुस्तकालय में एक अच्छी कहानी खोजने के लिए हर एक किताब को पढ़ने जैसा है। यह असंभव है।
यह शोध पत्र एक स्मार्ट, स्वचालित जासूस Graph-Based Bayesian Optimization को पेश करता है ताकि हर एक संभावना की जाँच किए बिना सबसे अच्छा सर्किट डिज़ाइन खोजा जा सके। यह कैसे काम करता है, इसके लिए कुछ मजेदार तुलनाओं का उपयोग किया गया है।
समस्या: "फ्लैट" बनाम "3D" मैप
आमतौर पर, जब कंप्यूटर यह अनुमान लगाने की कोशिश करते हैं कि कौन सा सर्किट डिज़ाइन अच्छा है, तो वे संख्याओं की एक साधारण सूची देखते हैं, जैसे "कुल गेट्स की संख्या" या "सर्किट की गहराई"। लेखक तर्क देते हैं कि यह दो अलग-अलग शहरों का मूल्यांकन केवल यह गिनकर करने जैसा है कि उनमें कितने भवन हैं। दो शहरों में भवनों की संख्या समान हो सकती है, लेकिन एक शहर अव्यवस्थित विस्तार हो सकता है और दूसरा एक पूरी तरह से व्यवस्थित ग्रिड। साधारण संख्याओं की सूची शहर के आकार और संबंधों को छोड़ देती है।
लेखक स्पष्ट रूप से इन सरल, फ्लैट सूचियों (जिन्हें वे "फिक्स्ड-वेक्टर सरोगेट्स" या MLP कहते हैं) के खिलाफ तर्क देते हैं क्योंकि वे अद्वितीय सर्किट आकृतियों को एक जैसे दिखने वाले नंबरों में बदल देती हैं। इसके बजाय, लेखक प्रत्येक सर्किट को एक ग्राफ के रूप में मानने का प्रस्ताव देते हैं—एक ऐसा नक्शा जहाँ गेट्स बिंदु (dots) हैं और उनके बीच के संबंध रेखाएँ हैं। यह सर्किट के अद्वितीय "टोपोलॉजी" या आकार को सुरक्षित रखता है, ठीक वैसे ही जैसे एक वास्तविक नक्शा सड़कों के लेआउट को सुरक्षित रखता है।
समाधान: अनिश्चितता-जागरूक वास्तुकार (The Uncertainty-Aware Architect)
लेखकों ने एक ऐसा सिस्टम बनाया है जो एक सुपर-स्मार्ट वास्तुकार की तरह काम करता है जो काम करते-करते सीखता है।
- ग्राफ न्यूरल नेटवर्क (GNN): यह वास्तुकार का मस्तिष्क है। यह सर्किट के ग्राफ मैप को देखता है। लेखकों ने विशेष रूप से Graph Isomorphism Network (GIN) नामक मस्तिष्क का उपयोग किया है क्योंकि यह उन दो ग्राफों के बीच अंतर बताने में बहुत अच्छा है जो दिखने में समान हैं लेकिन वास्तव में अलग हैं।
- "अंतर्ज्ञान" (अनिश्चितता/Uncertainty): वास्तुकार केवल अनुमान नहीं लगाता; वह यह भी जानता है कि वह कितना अनिश्चित है। सिस्टम Monte Carlo dropout नामक एक ट्रिक का उपयोग करता है, जो वास्तुकार को थोड़ा अलग "मूड" के साथ एक ही भविष्यवाणी को 30 बार करने के समान है ताकि यह देखा जा सके कि उनके उत्तरों में कितना अंतर है। यदि उत्तर बहुत भिन्न होते हैं, तो सिस्टम जानता है, "मैं इस बारे में अनिश्चित हूँ, आइए इसे एक्सप्लोर करें!" यदि वे सभी एक जैसे हैं, तो सिस्टम जानता है, "मैं आश्वस्त हूँ।"
- वास्तविकता की लागत: सिस्टम केवल सबसे सटीक सर्किट ही नहीं खोजता; बल्कि यह एक ऐसा सर्किट भी खोजता है जो वास्तविक हार्डवेयर पर टूटेगा नहीं। यह उन सर्किटों के लिए एक "पेनल्टी" जोड़ता है जो बहुत गहरे हैं, जिनमें बहुत अधिक टू-क्वैबिट (two-qubit) गेट्स हैं (जो त्रुटियों के प्रति संवेदनशील होते हैं), या जिन्हें वास्तविक क्वांटम चिप पर फिट होने के लिए बहुत अधिक अतिरिक्त "SWAP" ऑपरेशन्स की आवश्यकता होगी।
प्रयोग: एक साइबर सुरक्षा टेस्ट ड्राइव
इसकी जांच करने के लिए, शोधकर्ताओं ने NF-ToN-IoT-V2 नामक एक डेटासेट का उपयोग किया, जिसमें नेटवर्क ट्रैफ़िक के 10,000 नमूने (कुछ सामान्य, कुछ हमले) शामिल हैं। उन्होंने इसे एक प्रशिक्षण मैदान की तरह माना।
- उन्होंने एक Bayesian Optimization लूप सेट किया: सिस्टम एक सर्किट का सुझाव देता है, उसका परीक्षण करता है, परिणाम से सीखता है, और एक बेहतर सर्किट का सुझाव देता है।
- उन्होंने 8, 10, और 12 क्वबिट्स (क्वांटम बिट्स) के साथ सर्किट का परीक्षण किया।
- उन्होंने अपने ग्राफ-आधारित तरीके की तुलना निम्नलिखित से की:
- Random Search: डार्ट फेंककर डिज़ाइन चुनना।
- Greedy GNN: बिना आगे सोचे अभी जो सबसे अच्छा दिख रहा है उसे ही चुन लेना।
- MLP Surrogate: वह "फ्लैट लिस्ट" तरीका जिसके खिलाफ उन्होंने तर्क दिया था।
परिणाम: उनके सिमुलेशन क्या दिखाते हैं
शोधकर्ताओं ने इन परीक्षणों को एक सुपरकंप्यूटर (विशेष रूप से IIT BHU के PARAM Shivay) का उपयोग करके सिमुलेशन के माध्यम से चलाया। उन्होंने इन्हें वास्तविक भौतिक क्वांटम हार्डवेयर पर नहीं चलाया, बल्कि वास्तविक मशीनों में पाए जाने वाले शोर (noise) को सिम्युलेट किया।
- बेहतर सटीकता: ग्राफ-आधारित पद्धति (BO+VQC+GNN) ने अन्य तरीकों की तुलना में नेटवर्क ट्रैफ़िक को वर्गीकृत करने में अधिक सटीक सर्किट खोजे। उदाहरण के लिए, 12 क्वबिट्स के साथ, इसने 94.25% की टेस्ट सटीकता प्राप्त की, जो अगले सर्वश्रेष्ठ तरीके (BO+VQC+MLP) को हरा देती है जिसने 92.95% प्राप्त किया था।
- स्मार्टर सर्किट: ग्राफ पद्धति द्वारा खोजे गए सर्किट "लीनर" (leaner) थे। उन्होंने कम गेट्स और कम गहराई के साथ उच्च सटीकता प्राप्त की, जिसका अर्थ है कि वे अधिक कुशल हैं।
- शोर प्रतिरोध (Noise Resilience): लेखकों ने परीक्षण किया कि उनके सर्किट विभिन्न प्रकार के "शोर" (वास्तविक क्वांटम कंप्यूटरों में होने वाली त्रुटियां) के तहत कैसे प्रदर्शन करते हैं।
- दिलचस्प बात यह है कि सर्किट ने शोर-मुक्त सिमुलेशन की तुलना में एम्प्लीट्यूड डैम्पिंग (amplitude damping) और थर्मल रिलैक्सेशन (thermal relaxation) शोर के तहत थोड़ा बेहतर (सटीकता में +3.45% तक) प्रदर्शन किया। लेखक सुझाव देते हैं कि ऐसा इसलिए हुआ क्योंकि शोर ने एक सौम्य रेगुलराइज़र (regularizer) के रूप में कार्य किया, जिससे निर्णय सीमाएं (decision boundaries) सुचारू हो गईं।
- हालांकि, डिपोलराइजिंग नॉइज़ (depolarizing noise) (एक प्रकार की रैंडम त्रुटि) सबसे खराब थी, जिससे सटीकता लगभग 3.24% गिर गई।
- सिस्टम ने दिखाया कि इस पद्धति के साथ डिज़ाइन किए गए सर्किट तब भी मजबूत रहते हैं जब "कोहेरेंस टाइम" (माइक्रोसेकंड में मापा गया) बदलता है।
क्या यह पेपर खारिज करता है और इसकी सीमाएं क्या हैं
लेखक सावधानी से बताते हैं कि उनका तरीका क्या नहीं है।
- वे स्पष्ट रूप से इस विचार को खारिज करते हैं कि केवल संख्याओं की सरल सूचियाँ (जैसे केवल गेट्स गिनना) अच्छे सर्किट डिजाइन करने के लिए पर्याप्त हैं। उनका डेटा बताता है कि ये फ्लैट तरीके महत्वपूर्ण संरचनात्मक विवरणों को छोड़ देते हैं।
- वे स्वीकार करते हैं कि उनके परिणाम सिमुलेशन पर आधारित हैं। हालांकि उन्होंने वास्तविक शोर (जैसे एम्प्लीट्यूड डैम्पिंग, फेज डैम्पिंग, और रीडआउट बिट-फ्लिप त्रुटियां जिसकी संभावना 0.02 है) को सिम्युलेट किया था, लेकिन उन्होंने अभी तक इन विशिष्ट सर्किटों को किसी भौतिक क्वांटम डिवाइस पर नहीं चलाया है। वे स्वीकार करते हैं कि वास्तविक हार्डवेयर अलग तरह से व्यवहार कर सकता है।
- वे नोट करते हैं कि जबकि उनका तरीका कुशल है, "वॉल-क्लॉक टाइम" (वास्तविक दुनिया का समय) मुख्य रूप से क्वांटम मॉडल को प्रशिक्षित करने में लगने वाले समय द्वारा नियंत्रित होता है, न कि स्वयं ग्राफ विश्लेषण द्वारा।
निष्कर्ष (The Bottom Line)
यह शोध पत्र सुझाव देता है कि यदि आप स्वचालित रूप से क्वांटम सर्किट डिजाइन करना चाहते हैं, तो आपको उन्हें संख्याओं के थैले के रूप में देखना बंद कर देना चाहिए और उन्हें एक मानचित्र के रूप में देखना शुरू करना चाहिए। एक ग्राफ-आधारित मस्तिष्क का उपयोग करके जो अनुमान लगाते समय अनिश्चित होना जानता है, और महंगे या नाजुक डिजाइनों को दंडित करके, आप ऐसे सर्किट पा सकते हैं जो सटीक और कुशल दोनों हैं। लेखकों ने पाया कि यह दृष्टिकोण उनके सिमुलेशन में अच्छी तरह से काम करता है, जो शोर के विरुद्ध मजबूत और कुशल सर्किट बनाता है, लेकिन वे हमें याद दिलाते हैं कि वास्तविक हार्डवेयर पर अंतिम परीक्षण भविष्य का काम 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।