⚛️ quantum physics

Efficient State Preparation for Quantum Machine Learning

यह शोध पत्र क्वांटम मशीन लर्निंग के लिए एक कम-गहराई (low-depth), मैट्रिक्स प्रोडक्ट स्टेट-आधारित क्वांटम अवस्था तैयारी विधि प्रस्तुत करता है जो MNIST, FMNIST और एक सुपरकंडक्टिंग क्वांटम डिवाइस पर प्रदर्शित किया गया है, जो वर्गीकरण सटीकता को बनाए रखते हुए शास्त्रीय प्रतिकूल हमलों (classical adversarial attacks) के विरुद्ध मजबूती को महत्वपूर्ण रूप से बढ़ाता है।

मूल लेखक: Chris Nakhl, Maxwell West, Muhammad Usman

प्रकाशित 2026-01-15

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Chris Nakhl, Maxwell West, Muhammad Usman

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 आपके पास शास्त्रीय डेटा (जैसे हस्तलिखित अंकों या कपड़ों की तस्वीरें) का एक विशाल पुस्तकालय है जिसे आप एक सुपर-फास्ट, भविष्यवादी कंप्यूटर जिसे क्वांटम कंप्यूटर कहा जाता है, में डालना चाहते हैं। समस्या यह है कि क्वांटम कंप्यूटर एक अलग भाषा बोलता है। वे "पिक्सेल" या "संख्याओं" को सीधे नहीं समझते; वे "क्वांटम अवस्थाओं" (quantum states) को समझते हैं।

इस डेटा को क्वांटम कंप्यूटर में डालना एक विशाल, जटिल 3D मूर्तिकला को एक छोटे, नाजुक बॉक्स में फिट करने जैसा है। यदि आप इसे पूरी तरह से (यानी "सटीक एन्कोडिंग" का उपयोग करके) पैक करने की कोशिश करते हैं, तो यह प्रक्रिया इतनी जटिल और समय लेने वाली हो जाती है कि यह एक तेज़ क्वांटम कंप्यूटर का उपयोग करने के उद्देश्य को ही विफल कर देती है। यह एक किंग-साइज़ बेडशीट को पूरी सटीकता के साथ पॉकेट स्क्वायर में मोड़ने की कोशिश करने जैसा है—इसमें बहुत अधिक समय और प्रयास लगता है।

यह शोध पत्र इस काम को करने का एक स्मार्ट और अधिक सहज तरीका प्रस्तावित करता है: "पर्याप्त अच्छा" पैकिंग विधि (The "Good Enough" Packing Method)।

यहाँ उनके दृष्टिकोण का सरल उपमाओं (analogies) के माध्यम से विवरण दिया गया है:

1. समस्या: "परफेक्ट पैकिंग" बहुत कठिन है

आमतौर पर, डेटा को क्वांटम कंप्यूटर में डालने के लिए आपको एक सर्किट (निर्देशों का एक सेट) की आवश्यकता होती है जो अविश्वसनीय रूप से गहरा और जटिल हो। लेखक इसकी तुलना एक ऐसी रेसिपी से करते हैं जिसमें सैंडविच बनाने के लिए 4 अरब चरणों की आवश्यकता होती है। यह बहुत धीमा है और बहुत अधिक संसाधनों का उपयोग करता है।

2. समाधान: "मैट्रिक्स प्रोडक्ट स्टेट" (MPS)

लेखक एक गणितीय उपकरण पेश करते हैं जिसे मैट्रिक्स प्रोडक्ट स्टेट (MPS) कहा जाता है।

उपमा: कल्पना कीजिए कि आपके पास आपके डेटा का प्रतिनिधित्व करने वाली मोतियों की एक लंबी, उलझी हुई डोरी है। पूरी डोरी को एक साथ सुलझाने के बजाय, आप डोरी को छोटे, प्रबंधनीय हिस्सों में काट देते हैं। आप देखते हैं कि एक खंड के मोती अगले खंड से कैसे जुड़ते हैं।
यह कैसे मदद करता है: यह विधि विशाल डेटा की समस्या को छोटे, आसान टुकड़ों में तोड़ देती है। यह आपको एक "पैकिंग निर्देश" (एक क्वांटम सर्किट) बनाने की अनुमति देता है जो बहुत छोटा और सरल है। यह पूर्ण होने की कोशिश नहीं करता; यह कुशल होने की कोशिश करता है।

3. "अपूर्ण" पैकिंग

लेखक बताते हैं कि आपको डेटा को क्वांटम कंप्यूटर में पूरी तरह से पैक करने की आवश्यकता नहीं है। आपको बस इसे "पर्याप्त रूप से करीब" (close enough) रखने की आवश्यकता है।

उपमा: एक टेक्स्ट मैसेज के माध्यम से फोटो भेजने के बारे में सोचें। यदि आप मूल हाई-डेफिनिशन फ़ाइल भेजते हैं, तो इसमें बहुत समय लगता है और यह विफल भी हो सकता है। यदि आप इसका थोड़ा संकुचित (compressed) संस्करण भेजते हैं (जो थोड़ा धुंधला या "ब्लॉकी" हो सकता है), तो यह तुरंत चला जाता है।
परिणाम: लेखकों ने पाया कि भले ही क्वांटम कंप्यूटर को छवि का थोड़ा "धुंधला" या "ब्लॉकी" संस्करण (इस संपीड़न के कारण) प्राप्त होता है, फिर भी क्वांटम मशीन लर्निंग एल्गोरिदम बहुत उच्च सटीकता के साथ पहचान सकता है कि वह छवि क्या है। क्वांटम कंप्यूटर इन खामियों के प्रति आश्चर्यजनक रूप से उदार (forgiving) है।

4. सुपरपावर: "डिजिटल हमलावरों" से बचाव

यहाँ शोध पत्र का सबसे आश्चर्यजनक हिस्सा है। AI की दुनिया में, "एडवर्सरियल अटैक्स" (adversarial attacks) होते हैं—ये वे सूक्ष्म, अदृश्य बदलाव हैं जो हैकर्स कंप्यूटर को धोखा देने के लिए किसी छवि में करते हैं (उदाहरण के लिए, बिल्ली की तस्वीर को कंप्यूटर के लिए कुत्ता बना देना)।

उपमा: कल्पना कीजिए कि एक सुरक्षा गार्ड (AI) है जिसे एक विशिष्ट प्रकार के जेबकतरे को पहचानने के लिए प्रशिक्षित किया गया है। यदि जेबकतरा थोड़ा अलग टोपी पहनता है (एक एडवर्सियल अटैक), तो गार्ड भ्रमित हो सकता है।
खोज: लेखकों ने पाया कि क्योंकि उनकी "पैकिंग विधि" स्वाभाविक रूप से डेटा में थोड़ा "शोर" (noise) या धुंधलापन जोड़ देती है, इसलिए यह वास्तव में एक ढाल के रूप में कार्य करती है। "धुंधला" डेटा हैकर्स की चालों को विफल करने के लिए बहुत कठिन बना देता है।
प्रमाण: उन्होंने वास्तविक डेटा (MNIST और FMNIST डेटासेट) पर इसका परीक्षण किया। जब उन्होंने अपने "अपूर्ण" पैकिंग विधि का उपयोग किया, तो क्वांटम कंप्यूटर "परफेक्ट" पैकिंग की तुलना में इन हमलों के प्रति अधिक मजबूत (robust) था। यह ऐसा है जैसे सुरक्षा गार्ड धूप का चश्मा पहने हुए है; हल्का सा धुंधलापन वास्तव में चालाकी को अनदेखा करने में मदद करता है।

5. वास्तविक दुनिया का परीक्षण

लेखकों ने केवल कंप्यूटर सिमुलेशन पर काम नहीं किया; उन्होंने एक वास्तविक क्वांटम कंप्यूटर (IBM के एक सुपरकंडक्टिंग डिवाइस) पर इसका परीक्षण किया।

परिणाम: एक छोटे, सरल डेटासेट (आकृतियों) पर, उनकी "अपूर्ण" विधि ने 95% सटीकता प्राप्त की, जबकि पारंपरिक "परफेक्ट" विधि ने केवल लगभग 46% सटीकता प्राप्त की। वास्तविक क्वांटम कंप्यूटर जटिल "परफेक्ट" निर्देशों के साथ संघर्ष करता है लेकिन सरल, "पर्याप्त अच्छे" निर्देशों के साथ बेहतर प्रदर्शन करता है।

सारांश

यह शोध पत्र तर्क देता है कि क्वांटम मशीन लर्निंग में, पूर्णता प्रगति की दुश्मन है।
डेटा को क्वांटम कंप्यूटर में कंप्रेस करने के लिए एक चतुर गणितीय शॉर्टकट (MPS) का उपयोग करके, हम:

समय और संसाधनों की बचत कर सकते हैं (छोटे सर्किट)।
उच्च सटीकता बनाए रख सकते हैं (कंप्यूटर अभी भी डेटा को समझता है)।
सुरक्षा बोनस प्राप्त कर सकते हैं (मामूली खामियां सिस्टम को हैक करना कठिन बनाती हैं)।

यह एक याद दिलाता है कि कभी-कभी, एक थोड़ा अव्यवस्थित, तेज़ समाधान वास्तव में एक पूर्ण, धीमे समाधान से बेहतर होता है।

तकनीकी सारांश: क्वांटम मशीन लर्निंग के लिए कुशल अवस्था तैयारी (State Preparation)

समस्या विवरण
क्वांटम मशीन लर्निंग (QML) प्रोटोकॉल को लागू करने में एक मौलिक बाधा क्वांटम प्रोसेसर पर शास्त्रीय डेटा (classical data) को कुशलतापूर्वक एनकोड करना है। जबकि एम्प्लीट्यूड एनकोडिंग (amplitude encoding) एक इनपुट वेक्टर $v$ को $\sum_i v_i |i\rangle$ के रूप में प्रदर्शित करके क्यूबिट दक्षता में घातीय लाभ प्रदान करती है, मनमाना स्टेट (arbitrary states) तैयार करने के लिए आवश्यक क्वांटम सर्किट आमतौर पर $O(4^n)$ की गहराई (depth) के साथ स्केल करते हैं, जहाँ $n$ क्यूबिट्स की संख्या है। यह उच्च सर्किट गहराई वर्तमान शोर वाले इंटरमीडिएट-स्केल क्वांटम (NISQ) उपकरणों के लिए निषेधात्मक है। मौजूदा ह्यूरिस्टिक दृष्टिकोण, जैसे कि वेरिएशनल एनकोडिंग या जेनेटिक एल्गोरिदम, इन अवस्थाओं को अनुमानित करने का प्रयास करते हैं लेकिन वे अनुकूलन ह्यूरिस्टिक्स पर निर्भर करते हैं जो इष्टतम सर्किट निर्माण की गारंटी नहीं दे सकते।

कार्यप्रणाली (Methodology)
लेखक मैट्रिक्स प्रोडक्ट स्टेट (MPS) प्रतिनिधित्व का उपयोग करके अवस्था तैयारी के लिए एक नियतात्मक (deterministic) विधि प्रस्तावित करते हैं। यह कार्यप्रणाली दो मुख्य चरणों में आगे बढ़ती है:

शास्त्रीय डेटा से MPS निर्माण:
इनपुट शास्त्रीय वेक्टर को सिंगुलर वैल्यू डीकंपोजिशन (SVD) और टेंसर रीशेपिंग का उपयोग करके एक MPS प्रतिनिधित्व में परिवर्तित किया जाता है। आकार $2^N$ का इनपुट वेक्टर पुनरावृत्ति (iteratively) के माध्यम से मैट्रसेज़ में रीशेप किया जाता है और SVD के माध्यम से डीकंपोज किया जाता है। यह प्रक्रिया एक बॉन्ड डायमेंशन $\chi$ के साथ $A^{(s)}$ के टेंसर श्रृंखला उत्पन्न करती है। महत्वपूर्ण रूप से, छोटे सिंगुलर मानों को हटाया जा सकता है, जिससे स्टोकेस्टिक ह्यूरिस्टिक्स पर निर्भर किए बिना एक संकुचित, मेमोरी-कुशल प्रतिनिधित्व प्राप्त होता है।
डिसेंटैंगलमेंट (Disentanglement) के माध्यम से सर्किट संश्लेषण:
क्वांटम सर्किट उत्पन्न करने के लिए, लेखक एक "डिसेंटैंगलमेंट" रणनीति का उपयोग करते हैं। MPS से शुरू करते हुए, वे $k$ क्यूबिट्स के एक सबसिस्टम के लिए रिड्यूस्ड डेंसिटी मैट्रिक्स की गणना करते हैं। इस मैट्रिक्स के आइजनडीकंपोजिशन (eigendecomposition) को करके, वे एक यूनिटरी ऑपरेटर $U$ का निर्माण करते हैं जो शेष सिस्टम से पहले क्यूबिट को डिसेंटैंगल करता है। यह प्रक्रिया पूरे सिस्टम में पुनरावृत्ति के साथ दोहराई जाती है।

अनुमान (Approximation): सर्किट की गहराई को कम करने के लिए, एल्गोरिदम को पूर्ण डिसेंटैंगलमेंट प्राप्त करने से पहले ही समाप्त किया जा सकता है। एक छोटा $k$ (आमतौर पर $k=2$ ) चुनकर और पुनरावृत्तियों की संख्या को सीमित करके, यह विधि एक अनुमानित एनकोडिंग तैयार करती है।
सर्किट अनुकूलन: परिणामी यूनिटरीज को निकटतम-पड़ोसी टू-क्यूबिट गेट्स (CNOTs) और सिंगल-क्यूबिट रोटेशन्स में डीकंपोज किया जाता है। लेखक नोट करते हैं कि कुल लेयर डेप्थ में ट्रेड-ऑफ के बावजूद, सर्किट की गहराई को और कम करने के लिए विलगित (disjoint) सबसिस्टम को समानांतर (parallel) रूप से प्रोसेस किया जा सकता है।

प्रमुख योगदान और परिणाम
यह शोध पत्र प्रदर्शित करता है कि यह MPS-सहायता प्राप्त दृष्टिकोण सटीक अवस्था तैयारी और अन्य ह्यूरिस्टिक विधियों की तुलना में महत्वपूर्ण लाभ प्रदान करता है:

सर्किट दक्षता: MPS विधि आवश्यक CNOT गेट्स की संख्या को नाटकीय रूप से कम कर देती है। MNIST और Fashion-MNIST (FMNIST) डेटासेट के लिए, यह विधि Qiskit के सटीक अवस्था तैयारी एल्गोरिदम की तुलना में काफी कम गेट्स के साथ लक्षित फिडेलिटी (fidelity) प्राप्त करती है। कई मामलों में, लक्षित फिडेलिटी तक पहुँचने के लिए सात से कम पुनरावृत्तियाँ पर्याप्त होती हैं।
शोर और अनुमान के प्रति मजबूती (Robustness): लेखक दिखाते हैं कि क्वांटम वेरिएशनल क्लासिफायर (QVCs) अनुमानित एनकोडिंग की "लॉसी" (lossy) प्रकृति के प्रति लचीले होते हैं। 60% जितनी कम फिडेलिटी वाले स्टेट्स पर प्रशिक्षण और परीक्षण करने पर (जो इमेज डेटा में ब्लॉकनेस या स्ट्राइप्स जैसे दृश्य आर्टिफैक्ट्स पेश करते हैं), वर्गीकरण सटीकता सटीक एनकोडिंग द्वारा प्राप्त सटीकता से केवल मामूली रूप से कम होती है।
एडवर्सरियल रोबस्टनेस (Adversarial Robustness): एक महत्वपूर्ण निष्कर्ष यह है कि इन अनुमानित, शोर वाले इनपुट्स पर प्रशिक्षित QVCs शास्त्रीय एडवर्सरियल हमलों के खिलाफ बढ़ी हुई मजबूती प्रदर्शित करते हैं। जबकि क्लासिकल कन्वेशनल न्यूरल नेटवर्क (ConvNets) प्रोजेक्टिव ग्रेडिएंट डिसेंट (PGD) हमलों के तहत महत्वपूर्ण सटीकता गिरावट का सामना करते हैं, अनुमानित इनपुट्स पर प्रशिक्षित QVCs उच्च सटीकता बनाए रखते हैं। लेखक इस प्रभाव को अनुमानित एनकोडिंग के अंतर्निहित शोर द्वारा एडवर्सरियल परटर्बेशन के "वॉश आउट" (wash out) होने का श्रेय देते हैं।
प्रायोगिक सत्यापन: लेखकों ने एक सुपरकंडक्टिंग क्वांटम डिवाइस (IBM Algeirs) पर इन दावों को सत्यापित किया। एक खिलौना "Shapes" डेटासेट (5 क्यूबिट्स) का उपयोग करते हुए, MPS-सहायता प्राप्त विधि ने $95\% \pm 2.3$ की टेस्ट सटीकता प्राप्त की, जो सटीक अवस्था तैयारी विधि ( $45.8\% \pm 6.7$ ) से काफी बेहतर है। MPS विधि हार्डवेयर पर एडवर्सरियल परटर्बेशन के खिलाफ मजबूती भी बनाए रखती है, हालांकि इसमें सटीकता में थोड़ी कमी आती है।

महत्व और दावे
यह शोध पत्र तर्क देता है कि क्वांटम मशीन लर्निंग एल्गोरिदम की अंतर्निहित शोर प्रतिरोधक क्षमता को एक बग के बजाय एक फीचर के रूप में उपयोग किया जा सकता है। कम-डेप्थ, अनुमानित एनकोडिंग बनाने के लिए MPS का उपयोग करके, अभ्यासकर्ता सटीक अवस्था तैयारी की अत्यधिक लागतों से बच सकते हैं बिना वर्गीकरण प्रदर्शन से समझौता किए।

लेखक दावा करते हैं कि यह दृष्टिकोण दोहरा लाभ प्रदान करता है:

दक्षता: यह गेट काउंट और सर्किट डेप्थ को कम करके वर्तमान हार्डवेयर पर QML प्रोटोकॉल के निष्पादन को सक्षम बनाता है।
सुरक्षा: यह अनजाने में शास्त्रीय एडवर्सरियल हमलों के खिलाफ सुरक्षा को बढ़ाता है, जो यह सुझाव देता है कि QML सुरक्षा-महत्वपूर्ण अनुप्रयोगों में एक विशिष्ट स्थान (niche) प्रदान कर सकता है जहाँ हमलावर डेटा के सटीक शास्त्रीय प्रतिनिधित्व पर निर्भर करते हैं।

लेखक यह नोट करते हुए निष्कर्ष निकालते हैं कि यह एक खुला प्रश्न है कि क्या यह लाभ तब भी बना रहता है जब हमलावरों के पास क्वांटम डिवाइस या एनकोडिंग एल्गोरिदम का पूर्व ज्ञान हो, लेकिन यह वर्तमान QML अनुप्रयोगों के लिए अनुमानित MPS-आधारित एनकोडिंग की व्यवहार्यता को दृढ़ता से स्थापित करता है।