Pulsed learning for quantum data re-uploading models
यह शोध पत्र क्वांटम मशीन लर्निंग के लिए डेटा री-अपलोडिंग का एक पल्स-आधारित संस्करण प्रस्तावित करता है जो सीधे सिस्टम डायनेमिक्स में प्रशिक्षण योग्य मापदंडों (trainable parameters) को समाहित करता है, और सिम्युलेटेड सुपरकंडक्टिंग हार्डवेयर पर पारंपरिक गेट-आधारित मॉडलों की तुलना में बेहतर सटीकता, सामान्यीकरण और शोर प्रतिरोध (noise resilience) प्रदर्शित 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 रोबोट को पैटर्न पहचानना सिखाने की कोशिश कर रहे हैं, जैसे कि बिल्ली और कुत्ते के बीच अंतर करना। क्वांटम कंप्यूटिंग की दुनिया में, इसे क्वांटम मशीन लर्निंग (QML) कहा जाता है। लंबे समय से, वैज्ञानिकों ने इसे "गेट्स" (gates) से बने सर्किट बनाकर करने की कोशिश की है, जो कि कठोर, पहले से बने हुए लेगो ब्रिक्स (Lego bricks) की तरह हैं। आप उन्हें जोड़कर सीखने वाली एक मशीन बनाते हैं। लेकिन एक समस्या है: हमारे पास जो क्वांटम कंप्यूटर अभी मौजूद हैं, वे शोर वाले और नाजुक हैं, जैसे हवा के तूफान में ताश का घर। जब आप इन कठोर लेगो ब्रिक्स को बहुत अधिक मात्रा में एक के ऊपर एक रखते हैं, तो शोर सब कुछ बिगाड़ देता है, और रोबोट वह भूल जाता है जो उसे सीखना था।
हाल ही में, शोधकर्ताओं ने महसूस किया कि शायद हमें लेगो ब्रिक्स से निर्माण नहीं करना चाहिए। पहले से बने ब्लॉक्स को जोड़ने के बजाय, क्या होगा यदि हम सीधे कंप्यूटर की मूल भाषा बोल सकें? इसे इस तरह सोचें: संगीतकार को संगीत के पन्ने से एक विशिष्ट नोट बजाने के लिए कहने (एक गेट) के बजाय, आप उसे निर्देशों का एक निरंतर प्रवाह देते हैं कि वास्तव में अपनी उंगलियों को कैसे हिलाना है, चाबियों को कितनी जोर से दबाना है, और नोट को कितनी देर तक थामे रखना है (एक पल्स)। यह दृष्टिकोण, जिसे "पल्स कंट्रोल" (pulse control) कहा जाता है, आपको रिकॉर्ड किए गए क्लिप्स को जोड़ने के बजाय वास्तविक समय में संगीत की ध्वनि को तराशने की अनुमति देता है। बड़ा सवाल यह है कि यदि हम कठोर लेगो ब्रिक्स का उपयोग करना बंद कर दें और कच्चे ध्वनि तरंगों (sound waves) के साथ आकार देना शुरू कर दें, तो क्या हम एक अधिक स्मार्ट, मजबूत रोबोट बना सकते हैं जो हवा चलने पर बिखर न जाए?
यह शोध पत्र ठीक इसी विचार की खोज करता है। लेखकों ने, जो स्पेन के शोधकर्ताओं की एक टीम है, "डेटा री-अपलोडिंग" (data re-uploading) नामक एक लोकप्रिय क्वांटम लर्निंग पद्धति को लिया और इसे मानक गेट्स के बजाय इन कच्चे पल्स (pulses) का उपयोग करके पूरी तरह से फिर से बनाया। उनके "डेटा री-अपलोडिंग" मॉडल में, कंप्यूटर को बार-बार एक ही जानकारी दी जाती है, परत-दर-परत, ताकि यह पैटर्न को बेहतर ढंग से समझ सके। आमतौर पर, यह गेट्स की परतों को एक के ऊपर एक रखकर किया जाता है। लेकिन यहाँ, लेखकों ने प्रत्येक गेट को एक कस्टम-डिज़ाइन किए गए माइक्रोवेव पल्स से बदल दिया, जो वह वास्तविक सिग्नल है जो क्वांटम कंप्यूटर के हार्डवेयर से बात करता है।
उन्होंने अपने इस नए "पल्स-नेटिव" (pulse-native) मॉडल का परीक्षण एक वास्तविक क्वांटम कंप्यूटर के सिम्युलेटेड संस्करण पर किया (विशेष रूप से, एक ऐसा जो सुपरकंडक्टिंग ट्रांसमोन क्यूबिट्स का उपयोग करता है, जो अत्यधिक ठंडे सर्किट की तरह होते हैं)। उन्होंने अपने इस नए पल्स-आधारित रोबोट को पुराने गेट-आधारित रोबोट के खिलाफ चार अलग-अलग पहेलियों का उपयोग करके खड़ा किया: 0 और 8 के बीच अंतर करना, फूलों के प्रकारों को छाँटना, और कुछ कठिन ज्यामितीय आकृतियों को हल करना।
परिणाम काफी उत्साहजनक थे। इन सिमुलेशन में, पल्स-आधारित मॉडल एक बहुत बेहतर छात्र साबित हुआ। पहला, इसने तेजी से सीखा और काम पूरा करने के लिए इसे कम परतों की आवश्यकता पड़ी। जबकि पुराना गेट-आधारित मॉडल गहरा होने पर "जरूरत से ज्यादा सोचने" और प्रशिक्षण डेटा को रटने (एक समस्या जिसे ओवरफिटिंग कहा जाता है) लगा, पल्स मॉडल केंद्रित रहा और नए डेटा के लिए बेहतर सामान्यीकरण (generalization) कर सका। दूसरा, और सबसे महत्वपूर्ण बात, पल्स मॉडल अविश्वसनीय रूप से मजबूत था। जब शोधकर्ताओं ने एक बहुत ही अव्यवस्थित, त्रुटिपूर्ण वातावरण का अनुकरण करने के लिए "शोर" (noise) को बढ़ाया, तो गेट-आधारित रोबोट जल्दी ही हार मान गया और अनुमान लगाने लगा। हालाँकि, पल्स-आधारित रोबोट ने अपना धैर्य बनाए रखा, और उस शोर के बावजूद उपयोगी सटीकता बनाए रखी जो दूसरे मॉडल को तोड़ने के लिए पर्याप्त था।
लेखक सुझाव देते हैं कि ऐसा इसलिए होता है क्योंकि कंप्यूटर की मूल भाषा बोलने से सूचना को संसाधित करने का अधिक कुशल और मजबूत तरीका मिलता है। मानक गेट्स के कठोर चरणों से बचकर, पल्स मॉडल शोर वाले क्वांटम जगत में अधिक सुचारू रूप से आगे बढ़ सकता है। हालांकि ये परिणाम वर्तमान में सिमुलेशन पर आधारित हैं और दो-क्यूबिट सिस्टम तक सीमित हैं (इन जटिल पल्स को सिम्युलेट करने के लिए भारी कंप्यूटिंग शक्ति की आवश्यकता होती है), फिर भी ये निष्कर्ष एक ऐसे भविष्य की ओर इशारा करते हैं जहाँ क्वांटम मशीन लर्निंग बहुत बेहतर काम कर सकती है यदि हम क्वांटम कंप्यूटरों के साथ मानक कंप्यूटरों की तरह व्यवहार करना बंद कर दें और उन्हें उन अद्वितीय, तरंग-आधारित मशीनों की तरह मानें जो वे वास्तव में हैं।
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।