Analyzing Images of Blood Cells with Quantum Machine Learning Methods: Equilibrium Propagation and Variational Quantum Circuits to Detect Acute Myeloid Leukemia
यह व्यवहार्यता अध्ययन प्रदर्शित करता है कि क्वांटम मशीन लर्निंग विधियाँ, विशेष रूप से इक्विलिब्रियम प्रोपेगेशन और वेरिएशनल क्वांटम सर्किट्स, रक्त कोशिका छवियों से एक्यूट माइलॉयड ल्यूकेमिया का पता लगाने में क्लासिकल CNNs की तुलना में काफी कम डेटा आवश्यकताओं के साथ प्रतिस्पर्धी प्रदर्शन प्राप्त कर सकती हैं, जो गंभीर हार्डवेयर बाधाओं के बावजूद चिकित्सा निदान के लिए NISQ-युग के एल्गोरिदम की क्षमता को मान्य करती 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 डॉक्टर हैं जो सूक्ष्मदर्शी (microscope) के नीचे रक्त कोशिकाओं की हजारों छोटी तस्वीरों को देखकर एक विशिष्ट प्रकार के ल्यूकेमिया (एक प्रकार का रक्त कैंसर) का पता लगाने की कोशिश कर रहे हैं। आमतौर पर, आप एक बहुत ही स्मार्ट कंप्यूटर प्रोग्राम (एक "क्लासिकल" AI) का उपयोग करेंगे। लेकिन यह शोध पत्र एक बड़ा सवाल पूछता है: क्या हम उसी काम को करने के लिए एक नई तरह की कंप्यूटर तकनीक जिसे "क्वांटम" कहा जाता है, का उपयोग कर सकते हैं, भले ही हमारे पास अभी तक पूर्ण क्वांटम कंप्यूटर नहीं हैं?
यहाँ शोधकर्ताओं ने जो पाया है, उसका सरल विवरण दिया गया है:
समस्या: "बैकप्रोपैगेशन" की बाधा
एक सामान्य AI को प्रशिक्षित करने के लिए, हम "बैकप्रोपैगेशन" नामक एक विधि का उपयोग करते हैं। इसे इस तरह समझें: एक छात्र परीक्षा देता है, उसे ग्रेड दिया जाता है, और फिर वह अपनी हर एक गलती को ठीक से समझने के लिए हर एक गलती को देखता है।
हालाँकि, क्वांटम कंप्यूटर एक बहुत ही अलग सिद्धांत पर काम करते हैं। यदि आप क्वांटम कंप्यूटर के काम करते समय "गलतियों को देखने" (डेटा को मापने) की कोशिश करते हैं, तो पूरा सिस्टम ढह जाता है और काम करना बंद कर देता है। यह बिल्कुल वैसा ही है जैसे जादूगर के जादू दिखाने के दौरान ही यह चेक करने की कोशिश करना कि जादू का स्कोर क्या है—जादू गायब हो जाता है। इसलिए, मानक AI प्रशिक्षण विधियाँ क्वांटम मशीनों पर काम नहीं करती हैं।
समाधान: दो नए दृष्टिकोण
शोधकर्ताओं ने एक्यूट माइलॉयड ल्यूकेमिया (AML) का पता लगाने के लिए इस बाधा को दूर करने के दो अलग-अलग तरीकों का परीक्षण किया:
"क्वांटम-प्रेरित" विधि (इक्विलिब्रियम प्रोपेगेशन):
- उपमा: कल्पना कीजिए कि लोगों से भरा एक कमरा है जहाँ लोग सबसे आरामदायक तरीके से खड़े होने का तरीका खोजने की कोशिश कर रहे हैं। इसमें एक व्यक्ति आदेश देने के बजाय, हर कोई अपने आस-पास के लोगों के आधार पर अपनी स्थिति को थोड़ा बदलता है जब तक कि पूरा कमरा एक शांत, संतुलित अवस्था में न आ जाए।
- यह कैसे काम करता है: यह विधि एक-एक करके गलतियों को "ग्रेड" नहीं देती है। इसके बजाय, यह सिस्टम को एक प्राकृतिक संतुलन (इक्विलिब्रियम) में सेट होने देती है ताकि वह सीख सके। यह एक भौतिक प्रणाली के अपने विश्राम बिंदु को खोजने जैसा है।
- परिणाम: यह बहुत अच्छा था! इसने 86.4% सटीकता प्राप्त की। यह सबसे अच्छे पारंपरिक कंप्यूटर प्रोग्राम से केवल लगभग 12% पीछे है, और इसने यह सब "प्रतिबंधित" बैकप्रोपैगेशन विधि का उपयोग किए बिना किया।
"शुद्ध क्वांटम" विधि (वेरिएशनल क्वांटम सर्किट्स):
- उपमा: कल्पना कीजिए कि एक छोटा, 4-सदस्यीय ऑर्केस्ट्रा (चूंकि उनके पास केवल 4 "क्यूबिट्स" या क्वांटम बिट्स थे) एक रक्त कोशिका को पहचानने के लिए एक गाना बजा रहा है। वे अभी भी हर नोट को पूरी तरह से नहीं बजा सकते, लेकिन वे बहुत कुशल हैं।
- यह कैसे काम करता है: यह एक वास्तविक क्वांटम सर्किट का उपयोग करता है (जिसे फिलहाल एक साधारण लैपटॉप पर सिम्युलेट किया गया है) जो रक्त कोशिका की छवि को क्वांटम अवस्थाओं में एनकोड करता है। एक क्लासिकल कंप्यूटर क्वांटम ऑर्केस्ट्रा की सेटिंग्स को ट्यून करने में मदद करता है जब तक कि वे सही नोट न पकड़ लें।
- परिणाम: इसने 83% सटीकता प्राप्त की।
एक बड़ा आश्चर्य: "डेटा भूख" का परीक्षण
शोधकर्ता यह देखना चाहते थे कि इन कंप्यूटरों को सीखने के लिए कितने "भोजन" (डेटा) की आवश्यकता है। उन्होंने उन्हें अलग-अलग मात्रा में रक्त कोशिका की तस्वीरें खिलाईं: 50, 100, 200, या 250 तस्वीरें प्रति प्रकार।
- पारंपरिक AI (CNN): यह एक ऐसे बेहतरीन शेफ की तरह है जिसे एक शानदार भोजन पकाने के लिए एक विशाल भंडार की आवश्यकता होती है। अपनी चरम क्षमता (98% सटीकता) तक पहुँचने के लिए इसे 250 तस्वीरों की आवश्यकता थी। यदि आप इसे केवल 50 तस्वीरें देते, तो इसका प्रदर्शन गिर जाता।
- क्वांटम विधियाँ: ये उन सर्वाइवल एक्सपर्ट्स (उत्तरजीविता विशेषज्ञों) की तरह हैं जो बहुत कम सामग्री के साथ एक शानदार भोजन बना सकते हैं।
- क्वांटम सर्किट ने केवल 50 तस्वीरों के साथ भी 83% सटीकता बनाए रखी। इसे निरंतर रहने के लिए अधिक डेटा की आवश्यकता नहीं थी।
- इक्विलिब्रियम प्रोपेगेशन विधि ने भी कम डेटा के साथ अच्छा प्रदर्शन किया।
निष्कर्ष: हालांकि पारंपरिक AI वर्तमान में उच्चतम स्कोर प्राप्त करने में "चैंपियन" है, लेकिन क्वांटम विधियाँ "दक्षता की चैंपियन" हैं। वे 5 गुना कम डेटा के साथ लगभग उतना ही अच्छा सीख सकती हैं। चिकित्सा के क्षेत्र में यह बहुत बड़ी बात है, जहाँ दुर्लभ बीमारियों की विशेषज्ञ-लेबल वाली तस्वीरें प्राप्त करना अक्सर बहुत कठिन और महंगा होता है।
मुख्य बात (The Bottom Line)
यह शोध पत्र यह साबित करता है कि वर्तमान क्वांटम तकनीक की सीमाओं के बावजूद (और एक लैपटॉप पर सिम्युलेटर का उपयोग करते हुए, न कि अभी एक वास्तविक क्वांटम सुपरकंप्यूटर का), ये नई विधियाँ:
- क्वांटम भौतिकी के नियमों को तोड़े बिना काम कर सकती हैं (कोई बैकप्रोपैगेशन नहीं)।
- वास्तविक चिकित्सा छवियों पर प्रतिस्पर्धी प्रदर्शन कर सकती हैं।
- छोटे डेटासेट से प्रभावी ढंग से सीख सकती हैं, जो कि दुर्लभ बीमारियों के लिए एक बड़ा लाभ है।
शोधकर्ता मूल रूप से कह रहे हैं: "हमने अभी तक पूर्ण क्वांटम कंप्यूटर नहीं बनाया है, लेकिन हमने दिखाया है कि क्वांटम लर्निंग के पीछे के विचार मदद करने के लिए तैयार हैं, विशेष रूप से तब जब हमारे पास डेटा की कमी हो।"
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।