Efficient quantum machine learning with inverse-probability algebraic corrections

तकनीकी सारांश: इन्वर्स-प्रोबेबिलिटी अल्जेब्रिक करेक्शन के साथ कुशल क्वांटम मशीन लर्निंग

समस्या विवरण
क्वांटम न्यूरल नेटवर्क (QNNs) क्वांटम सुपरपोजिशन और एंटैंगलमेंट का लाभ उठाकर अभिव्यंजक संभाव्य मॉडल (expressive probabilistic models) प्रदान करते हैं, फिर भी उनका व्यावहारिक प्रशिक्षण महत्वपूर्ण बाधाओं का सामना करता है। क्लासिकल न्यूरल नेटवर्क के विपरीत, जहाँ पैरामीटर मल्टीप्लिकेटिव वेट्स होते हैं, QNN पैरामीटर यूनिटरी ऑपरेटर्स में कोणों (angles) के रूप में दिखाई देते हैं, जो मॉडल आउटपुट में अत्यधिक दोलनशील (oscillatory) और घातीय (exponential) निर्भरता उत्पन्न करते हैं। यह संरचनात्मक अंतर अनुकूलन संबंधी विकृतियों (optimization pathologies) को जन्म देता है, विशेष रूप से "बैरन प्लेटो" (barren plateaus), जहाँ ग्रेडिएंट सिस्टम के आकार या सर्किट की गहराई के साथ तेजी से लुप्त हो जाते हैं। इसके अलावा, मौजूदा प्रशिक्षण दृष्टिकोण प्रक्रियात्मक, ग्रेडिएंट-आधारित अनुकूलन (जैसे, ग्रेडिएंट डिसेंट, एडम) पर अत्यधिक निर्भर हैं। ये विधियाँ धीमी अभिसरण (convergence) दर, हाइपरपैरामीटर्स (विशेष रूप से लर्निंग रेट) के प्रति संवेदनशीलता, और तीक्ष्ण मिनिमा (sharp minima) के पास अस्थिरता से ग्रस्त हैं। निकट-अवधि क्वांटम उपकरणों (near-term quantum devices) के संदर्भ में, ये समस्याएँ 'फाइनाइट-शॉट सैंपलिंग नॉइज़' (शॉट नॉइज़) और अंतर्निहित हार्डवेयर नॉइज़ (जैसे, डीफेजिंग) द्वारा और भी बढ़ जाती हैं, जो ग्रेडिएंट अनुमानों को दूषित करती हैं और स्थानीय अनुकूलन चरणों को अविश्वसनीय या अक्षम बना देती हैं।

कार्यप्रणाली
यह शोध पत्र एक वैकल्पिक ढांचे का प्रस्ताव करता जिसे इन्वर्स-प्रोबेबिलिटी अल्जेब्रिक लर्निंग कहा जाता है। वृद्धिशील ग्रेडिएंट डिसेंट स्टेप्स के माध्यम से पैरामीटर्स को अपडेट करने के बजाय, यह विधि सीखने को प्रोबेबिलिटी स्पेस के भीतर एक स्थानीय व्युत्क्रम समस्या (local inverse problem) के रूप में मानती है।

1. बीजगणितीय सूत्रीकरण (Algebraic Formulation): यह विधि सीखने के उद्देश्य को अनुमानित बोर्न-रूल प्रोबेबिलिटीज ($\hat{y}$) और लक्षित प्रोबेबिलिटीज ($y$) के बीच विसंगति को कम करने के रूप में परिभाषित करती है। एक रेसिड्यूल वेक्टर $r = y - \hat{y}$ के लिए, पैरामीटर अपडेट $\Delta\theta$ को टिखोनोव रेगुलराइजेशन (Tikhonov regularization) के साथ एक लीस्ट-स्क्वायर समस्या को हल करके प्राप्त किया जाता है:
   $$\Delta\theta = \text{argmin}_{\Delta\theta} \left[ \|r - J\Delta\theta\|_2^2 + \lambda \|\Delta\theta\|_2^2 \right]$$
   जहाँ $J$ जैकोबियन मैट्रिक्स ($\partial p / \partial \theta$) है जो मॉडल आउटपुट की पैरामीटर्स के प्रति संवेदनशीलता को दर्शाता है। समाधान स्यूडो-इनवर्स (pseudo-inverse) के माध्यम से प्राप्त किया जाता है:
   $$\Delta\theta = (J^\top J + \lambda I)^{-1} J^\top r$$

2. कार्यान्वयन (Implementation): जैकोबियन की गणना पैरामीटर-शिफ्ट नियम का उपयोग करके की जाती है, जो मानक QNN प्रशिक्षण के अनुरूप है, लेकिन अपडेट को एक स्थानीय स्टेप के बजाय एक वैश्विक बीजगणितीय सुधार (global algebraic correction) के रूप में लागू किया जाता है। यह विधि कोवेरिएंट (covariant) है और इसे लर्निंग-रेट हाइपरपैरामीटर ($\eta$) की आवश्यकता नहीं होती है। यह सीधे संभाव्य सिमेंटिक्स (probabilistic semantics) पर कार्य करती है, जो वर्गीकरण (क्रॉस-एन्ट्रॉपी लॉजिक का उपयोग करके) और रिग्रेशन दोनों कार्यों के लिए लागू है।

3. प्रायोगिक सेटअप: लेखक एक न्यूनतम दो-क्यूबिट QNN का उपयोग करते हुए "टीचर-स्टूडेंट" बेंचमार्क का उपयोग करते हैं। एक गहरा "टीचर" सर्किट (डेप्थ 6) सिंथेटिक प्रोबेबिलिस्टिक टारगेट्स उत्पन्न करता है, जबकि एक उथला "स्टूडेंट" सर्किट (डेप्थ 3) इन आउटपुट्स से मेल खाने के लिए प्रशिक्षित किया जाता है। प्रयोग वास्तविक बाधाओं का अनुकरण करते हैं, जिसमें फाइनाइट-शॉट सैंपलिंग (बाइनोमियल नॉइज़) और एक क्वांटम चैनल के माध्यम से मॉडल की गई अंतर्निहित डीफेजिंग नॉइज़ शामिल है।

मुख्य परिणाम
प्रस्तावित विधि की रिग्रेशन और वर्गीकरण कार्यों के तहत विभिन्न शोर स्थितियों के अंतर्गत ग्रेडिएंट डिसेंट (GD) और एडम (Adam) अनुकूलन के विरुद्ध व्यवस्थित रूप से तुलना की गई:

• अभिसरण गति (Convergence Speed): दोनों कार्यों में, बीजगणितीय विधि GD और एडम की तुलना में काफी तेजी से अभिसरित हुई, और कुछ ही अपडेट के भीतर लो-लॉस रिजीम तक पहुँच गई। इसने सफलतापूर्वक उन लॉस प्लेटो से बाहर निकलने में सफलता प्राप्त की जो प्रक्रियात्मक विधियों को बाधित कर रहे थे।
• शॉट नॉइज़ मजबूती (Shot Noise Robustness):
  • अत्यंत निम्न-शॉट शासन ($S=1$) में, एडम थोड़ा बेहतर प्रदर्शन करता है क्योंकि इसमें ग्रेडिएंट्स का एक निहित टेम्पोरल एवरेजिंग होता है, जो एक नॉइज़ फिल्टर के रूप में कार्य करता है।
  • जैसे-जैसे शॉट बजट बढ़ता है ($S > 10$), बीजगणितीय विधि तेजी से सुधार करती है, और सैद्धांतिक इष्टतम एरर स्केलिंग $1/S$ का बारीकी से पालन करती है। इसके विपरीत, एडम इस स्केलिंग से विचलित होता है और धीमा लॉस रिडक्शन प्रदर्शित करता है।
  • उच्च शॉट काउंट ($S=1000$) पर, बीजगणितीय लर्निंग स्थिर, लगभग मोनोटोनिक अभिसरण प्राप्त करती है, जबकि एडम अत्यधिक नॉन-लीनियर लॉस लैंडस्केप के कारण नॉन-मोनोटोनिक व्यवहार और ओवरशूटिंग प्रदर्शित करता है।
• अंतर्निहित हार्डवेयर नॉइज़: डीफेजिंग नॉइज़ के तहत, बीजगणितीय विधि ने सभी परीक्षण किए गए एरर रेट्स के पार एडम से लगातार बेहतर प्रदर्शन किया। हालांकि दोनों विधियाँ बहुत उच्च एरर रेट पर संघर्ष करती हैं, लेकिन हार्डवेयर की गुणवत्ता सुधरने (कम डीफेजिंग) के साथ प्रदर्शन का अंतर बढ़ता गया, जो बताता है कि बीजगणितीय लर्निंग हार्डवेयर कोहेरेंस के प्रति अधिक संवेदनशील है और उससे अधिक लाभान्वित होती है।

महत्व और दावे
यह शोध पत्र दावा करता है कि इन्वर्स-प्रोबबिलिटी अल्जेब्रिक लर्निंग, QNNs के लिए प्रक्रियात्मक अनुकूलन के एक सिद्धांतपूर्ण और व्यावहारिक विकल्प के रूप में कार्य करती है। प्रशिक्षण को शुद्ध रूप से प्रक्रियात्मक कार्य के बजाय संभाव्य प्रोग्राम सिमेंटिक्स पर एक बीजगणितीय समस्या के रूप में पुनर्गठित करके, यह विधि क्वांटम परिवेश में ग्रेडिएंट-आधारित दृष्टिकोणों की विशिष्ट सीमाओं को संबोधित करती है:

• यह लर्निंग-रेट ट्यूनिंग की आवश्यकता को समाप्त करती है, जिससे एक कोवेरिएंट अपडेट नियम प्राप्त होता है।
• यह एक एकल चरण में लॉस मिनिमा के निकटतम क्षेत्र की ओर तीव्र गति को सक्षम बनाती है, जिससे बैरन प्लेटो और दोलनशील परिदृश्यों से जुड़ी धीमी अभिसरण समस्याओं को दरकिनार किया जा सकता है।
• यह फाइनाइट सैंपलिंग के तहत निकट-इष्टतम एरर स्केलिंग और अंतर्निहित हार्डवेयर नॉइज़ के विरुद्ध मजबूती प्रदर्शित करती है।

लेखक निष्कर्ष निकालते हैं कि यह दृष्टिकोण विशेष रूप से संसाधन-बाधित निकट-अवधि क्वांटम उपकरणों के लिए उपयुक्त है, जहाँ सर्किट निष्पादन की उच्च लागत के लिए ऐसी अनुकूलन रणनीतियों की आवश्यकता होती है जो आवश्यक चरणों की संख्या को कम करते हुए अभिसरण स्थिरता को अधिकतम करती हैं।