⚛️ quantum physics

HyQuRP: Hybrid quantum-classical neural network with rotational and permutational equivariance

यह शोध पत्र HyQuRP को प्रस्तुत करता है, जो एक हाइब्रिड क्वांटम-क्लासिकल न्यूरल नेटवर्क फ्रेमवर्क है जो एक साथ रोटेशनल (घूर्णी) और परम्यूटेशनल (क्रमपरिवर्तनी) इक्विवैरिएंस (समरूपता) प्राप्त करता है, और स्पार्स 3D पॉइंट क्लाउड वर्गीकरण कार्यों पर क्लासिकल और क्वांटम बेसलाइन की तुलना में बेहतर डेटा दक्षता और सटीकता प्रदर्शित करता है।

मूल लेखक: Semin Park, Chae-Yeun Park

प्रकाशित 2026-05-08

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Semin Park, Chae-Yeun Park

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 कंप्यूटर को 3D वस्तुओं, जैसे कि कुर्सी या लैंप, को पहचानना सिखाने की कोशिश कर रहे हैं, लेकिन आप उसे आकार का वर्णन करने के लिए केवल कुछ बिखरे हुए बिंदु (डॉट्स) दे रहे हैं। इसे "पॉइंट क्लाउड" (point cloud) कहा जाता है।

समस्या यह है कि ये बिंदु अव्यवस्थित हो सकते हैं। आप वस्तु को घुमा सकते हैं, या बिंदुओं को अलग क्रम में सूचीबद्ध कर सकते हैं। एक समझदार कंप्यूटर को इन बदलावों की परवाह नहीं करनी चाहिए; उसे पता होना चाहिए कि वह अभी भी उसी कुर्सी को देख रहा है। मशीन लर्निंग की दुनिया में, अप्रासंगिक बदलावों को अनदेखा करने की इस क्षमता को इक्विवेरिएंट (equivariance) कहा जाता है।

यह पेपर एक नया मॉडल पेश करता है जिसे HyQuRP (हाइब्रिड क्वांटम-क्लासिकल रोटेशनल एंड परम्यूटेशनल) कहा जाता है। इसे एक ऐसे जासूस के रूप में सोचें जो 3D आकारों की पहेली को सुलझाने के लिए "क्वांटम जादू" और "क्लासिकल तर्क" के एक विशेष मिश्रण का उपयोग करता है, भले ही वे संकेत घुमाए गए हों या इधर-उधर किए गए हों।

यहाँ बताया गया है कि यह कैसे काम करता है, सरल उपमाओं का उपयोग करते हुए:

1. समस्या: "शूर-वेय्ल" (Schur-Weyl) बाधा

कल्पना कीजिए कि आपके पास एक मंच पर नर्तकों (क्यूबिट्स) का एक समूह है। आप चाहते हैं कि वे एक ऐसा रूटीन प्रदर्शित करें जो वैसा ही दिखे चाहे आप मंच को घुमा दें (रोटेशन) या नर्तकों की स्थिति बदल दें (परम्यूटेशन)।

पुराना तरीका: वैज्ञानिकों ने कोशिश की कि नर्तक घूमने के साथ-साथ किसी को भी किसी के साथ बदल सकें। लेकिन गणितीय रूप से, यह एक ग्लोब को घुमाने और साथ ही साथ पृथ्वी के हर व्यक्ति को इधर-उधर करने की कोशिश करने जैसा है; भौतिकी के नियम (विशेष रूप से जिसे शूर-वेय्ल ड्यूअलिटी कहा जाता है) कहते हैं कि यह नर्तकों को पूरी तरह से स्थिर कर देता है और वे कुछ भी नहीं कर पाते। मॉडल बेकार हो जाता है क्योंकि यह कुछ भी नया नहीं सीख पाता।
पेपर का समाधान: लेखकों ने महसूस किया कि उन्हें किसी को भी किसी के साथ बदलने की आवश्यकता नहीं थी। उन्हें केवल उन नर्तकों के जोड़ों (pairs) को बदलने की आवश्यकता थी जो एक-दूसरे का हाथ पकड़े हुए हैं। इन विशिष्ट जोड़ों तक अपनी "शफलिंग" को सीमित करके, उन्होंने इस गतिरोध को तोड़ दिया। इसने नर्तकों को रोटेशन और शफलिंग के नियमों का सम्मान करते हुए भी हिलने-डुलने और सीखने की अनुमति दी।

2. समाधान: HyQuRP (हाइब्रिड जासूस)

HyQuRP दो जासूसों की एक टीम है जो मिलकर काम कर रही है:

क्वांटम जासूस ("जादू" वाला हिस्सा): यह हिस्सा 3D बिंदुओं को क्वांटम बिट्स (क्यूबिट्स) का उपयोग करके संभालता है।
- सेटअप: यह क्यूबिट्स के जोड़ों को एक विशेष "सिंगलेट" अवस्था में रखकर शुरू होता है। कल्पना कीजिए कि ये दो सिक्के हैं जो जादुई रूप से जुड़े हुए हैं; यदि एक 'हेड्स' है, तो दूसरा 'टेल्स' होगा, चाहे आप उन्हें कितना भी घुमा लें। यह सेटअप स्वाभाविक रूप से रोटेशन से सुरक्षित है।
- एन्कोडिंग: यह एक बिंदु के 3D निर्देशांक (coordinates) लेता है और उन्हें जोड़े के एक सिक्के पर "लिखता" है।
- नृत्य (द नेटवर्क): यह इन जोड़ों को इधर-उधर करने के लिए जटिल चालों (गेट्स) की एक श्रृंखला लागू करता है। ऊपर बताए गए "पेयर-स्वैपिंग" नियम के कारण, ये चालें गणितीय रूप से गारंटी देती हैं कि वे रोटेशन और शफलिंग दोनों का सम्मान करती हैं।
- मापन (Measurement): अंत में, यह सिक्कों के बीच के "तनाव" (Heisenberg Hamiltonians का उपयोग करके) को मापता है। इससे संख्याओं की एक सूची मिलती है जो आकार का वर्णन करती है।
क्लासिकल जासूस ("तर्क" वाला हिस्सा): यह हिस्सा क्वांटम जासूस से संख्याओं की सूची लेता है। यह एक मानक न्यूरल नेटवर्क का उपयोग करता है (जैसे कि नियमित AI में उपयोग किए जाने वाले) और उस सूची को देखकर कहता है, "यह एक कुर्सी है!" या "यह एक लैंप है!"

3. यह क्यों खास है: "डेटा-कुशल" सुपरपावर

आमतौर पर, AI मॉडल को किसी वस्तु को पहचानने के लिए हजारों बिंदुओं की आवश्यकता होती है। यदि आप उन्हें केवल कुछ डॉट्स देते हैं, तो वे भ्रमित हो जाते हैं।

प्रयोग: लेखकों ने HyQuRP का परीक्षण एक बहुत ही कठिन कार्य पर किया: केवल 4, 5 या 6 डॉट्स का उपयोग करके वस्तुओं को पहचानना।
परिणाम: HyQuRP अन्य शीर्ष मॉडलों (जैसे PointNet या Tensor Field Networks) की तुलना में इस कार्य में बहुत बेहतर था।
- उपमा: कल्पना कीजिए कि आप केवल कुछ बिखरे हुए पिक्सेल देखकर कार को पहचानने की कोशिश कर रहे हैं। अधिकांश लोग (क्लासिकल मॉडल) गलत अनुमान लगाएंगे। हालाँकि, HyQuRP अपने "क्वांटम पेयर-स्वैपिंग" ट्रिक का उपयोग करके इतने कम संकेतों के साथ भी पूरी कार को देख लेता है।
आंकड़े: 6 डॉट्स वाले एक मानक परीक्षण पर, HyQuRP ने लगभग 76% सटीकता प्राप्त की। अगले सबसे अच्छे मॉडलों ने केवल लगभग 71-72% प्राप्त किया। AI की दुनिया में यह एक बड़ी बात है, जहाँ कुछ प्रतिशत अंकों का अंतर एक अच्छे मॉडल और एक महान मॉडल के बीच का अंतर हो सकता है।

4. निष्कर्ष (The Takeaway)

पेपर का दावा है कि एक विशिष्ट गणितीय ट्रिक (पेयर-परम्यूटेशन) का उपयोग करके क्वांटम कंप्यूटिंग को सिमेट्री नियमों के साथ जोड़कर, उन्होंने एक ऐसा मॉडल बनाया है जो:

कम डेटा के साथ स्मार्ट है: यह बेहतर तरीके से सीखता है जब आप इसे बहुत कम बिंदु देते हैं।
अधिक मजबूत (Robust) है: यदि आप वस्तु को घुमाते हैं या बिंदुओं का क्रम बदलते हैं, तो यह भ्रमित नहीं होता है।
व्यावहारिक है: यह उन वर्तमान "स्टेट-ऑफ-द-आर्ट" मॉडलों की तुलना में बेहतर काम करता है जो बिना लाखों पैरामीटर्स की आवश्यकता के ऐसा करने की कोशिश करते हैं।

संक्षेप में, HyQuRP एक "क्वांटम पेयर-स्वैपिंग" डांस का उपयोग करके 3D आकारों को देखने के लिए कंप्यूटर को सिखाने का एक नया तरीका है, जो मॉडल को स्थिर और कुशल रखता है, भले ही डेटा विरल (sparse) और अव्यवस्थित हो।

तकनीकी सारांश: HyQuRP – रोटेशनल और परम्यूटेशनल इक्विवैरिएंट हाइब्रिड क्वांटम-क्लासिकल न्यूरल नेटवर्क

1. समस्या विवरण

न्यूरल नेटवर्क में ग्रुप इक्विवैरिएंस (group equivariance) का एकीकरण उन डेटा के प्रसंस्करण के लिए सफल रहा है जिनमें अंतर्निहित सममिति (symmetries) होती है, जैसे कि छवियों में ट्रांसलेशनल इनवेरिएंस (translational invariance) या 3D पॉइंट क्लाउड्स में रोटेशनल/परम्यूटेशनल इनवेरिएंस। जबकि क्लासिकल इक्विवैरिएंट मॉडल्स (जैसे, Tensor Field Networks, PointNet) ने उच्च डेटा दक्षता और सटीकता प्रदर्शित की है, क्वांटम मशीन लर्निंग (QML) मॉडल मानक वर्गीकरण कार्यों में मजबूत क्लासिकल बेसलाइन्स को पछाड़ने के लिए संघर्ष करते रहे हैं।

एक विशिष्ट बाधा रोटेशनल ($SO(3) $) और **परम्यूटेशनल** ($ S_n$) दोनों सममितियों के प्रति समान रूप से इक्विवैरिएंट (equivariant) क्वांटम मॉडल के निर्माण में निहित है। मानक क्वबिट सेटिंग में, वैश्विक रोटेशनल और परम्यूटेशनल सिमेट्री को एक साथ लागू करने से मॉडल की अभिव्यंजक शक्ति (expressive power) का सरलीकरण हो जाता है, जो शूर-वेइल द्वैतता (Schur–Weyl duality) के कारण होता है। विशेष रूप से, वे ऑपरेटर जो वैश्विक $SU(2) $क्रिया (जो$ SO(3) $को कवर करती है) और पूर्ण सिमेट्रिक समूह$ S_n$ दोनों के साथ कम्यूट (commute) करते हैं, वे इरिड्यूसिबल सबस्पेस के भीतर क्रिया करने के लिए सीमित हो जाते हैं, जिसके परिणामस्वरूप एक गेट स्पेस अत्यंत छोटा हो जाता है जो गैर-तुच्छ (non-trivial) इनवेरिएंट अवस्थाओं का समर्थन करने में असमर्थ होता है। यह बाधा 3D पॉइंट क्लाउड वर्गीकरण जैसे कार्यों के लिए सिद्धांतिक रूप से ड्यूल-इक्विवैरिएंट क्वांटम सर्किट के निर्माण को रोकता है।

2. कार्यप्रणाली

सैद्धांतिक ढांचा: ड्यूल-इक्विवैरिएंट गेट्स

लेखक पहले इस सैद्धांतिक बाधा को संबोधित करने के लिए सममिति प्रतिबंध को शिथिल (relax) करते हैं। सभी $n$ क्वबिट्स पर पूर्ण सिमेट्रिक समूह $S_n$ पर इक्विवैरिएंस की आवश्यकता के बजाय, वे परम्यूटेशन सिमेट्री को एक सबग्रुप $H \leq S_n$ तक सीमित करने का प्रस्ताव करते हैं।

सबग्रुप चयन: वे पेयर-परम्यूटिंग सबग्रुप ( $S_{pair}$ ) पेश करते हैं, जो $N$ विलगित जोड़ों (disjoint pairs/blocks) में $2N$ क्वबिट्स पर कार्य करता है। $S_{pair}$ इन जोड़ों को कठोर ब्लॉकों के रूप में क्रमबद्ध (permute) करता है जबकि प्रत्येक जोड़े के भीतर क्वबिट्स के आंतरिक क्रम को सुरक्षित रखता है।
आयाम विश्लेषण (Dimension Analysis): प्रतिनिधित्व सिद्धांत (representation theory) और शूर-वेल द्वैतता का उपयोग करते हुए, लेखक ड्यूल-इक्विवैरिएंट ऑपरेटरों के स्थान के आयाम को व्युत्पन्न करते हैं (जो वैश्विक $SU(2) $और$ S_{pair} $के साथ कम्यूट करते हैं)। वे सिद्ध करते हैं कि यह स्थान पूर्ण$ S_n$ सिमेट्री के तहत प्राप्त तुच्छ स्थान की तुलना में काफी बड़ा है, जो अभिव्यंजक ड्यूल-इक्विवैरिएंट गेट्स के लिए एक सिद्धांतिक आधार प्रदान करता है।
गेट निर्माण: वे इन गेट्स को ट्वर्ल्ड जनरेटरों (twirled generators) के एक्सपोनेंशियल के रूप में एक सामान्य रूप में परिभाषित करते हैं: $Q = \exp(T_{S_{pair}}[A])$ , जहाँ $A$ एक सामान्यीकृत परम्यूटेशन ऑपरेटर है।

HyQuRP आर्किटेक्चर

इस ढांचे के आधार पर, लेखक HyQuRP प्रस्तावित करते हैं, जो 3D पॉइंट क्लाउड वर्गीकरण के लिए डिज़ाइन किया गया एक हाइब्रिड क्वांटम-क्लासिकल न्यूरल नेटवर्क है। इस आर्किटेक्चर में पांच चरण शामिल हैं:

सिंगलेट स्टेट इनिशियलाइजेशन: क्वांटम रजिस्टर ( $N$ पॉइंट्स के लिए $2N$ क्वबिट्स) को $N$ बेल सिंगलेट अवस्थाओं ( $|01\rangle - |10\rangle$ ) के उत्पाद के रूप में इनिशियलाइज किया जाता है। यह अवस्था स्वाभाविक रूप से $SU(2)$-इनवेरिएंट है।
चयनात्मक ज्यामितीय एनकोडिंग (Selective Geometric Encoding): प्रत्येक 3D पॉइंट $p_i$ को उसके संगत जोड़े के सम-सूचकांक (even-indexed) क्वबिट पर एक यूनिटरी $E(p_i) = \exp(i p_i \cdot \vec{\sigma} / \Theta)$ का उपयोग करके एनकोड किया जाता है। यह चयनात्मक एनकोडिंग $S_{pair}$ इक्विवैरिएंस के लिए आवश्यक युग्म संरचना को बनाए रखती है।
ड्यूल-इक्विवैरिएंट क्वांटम नेटवर्क: इसके मुख्य भाग में $B$ ब्लॉक्स होते हैं जिनमें ट्रेन करने योग्य ड्यूल-इक्विवैरिएंट गेट्स होते हैं। ये गेट्स $S_{pair}$ सबग्रुप पर जनरेटरों को ट्वर्ल करके बनाए गए हैं। जनरेटर ( $P^\pm_k$ ) $k$ जोड़ों के परम्यूटेशन के योग से बनते हैं, जिनमें प्रशिक्षण क्षमता (trainability) बढ़ाने के लिए विशिष्ट सममित ( $+$ ) और विषम ($-$) साइन संरचनाएं होती हैं।
हैमिल्टोनियन मेजरमेंट: आउटपुट स्टेट को पेयरवाइज हाइजेनबर्ग हैमिल्टोनियंस ( $H^\pm_{\langle i,j \rangle}$ ) का उपयोग करके मापा जाता है। ये माप $2\binom{N}{2}$ एक्सपेक्टेशन वैल्यू (expectation values) प्रदान करते हैं। माप प्रक्रिया को $SU(2) $-इनवेरिएंट लेकिन$ S_{pair}$-इक्विवैरिएंट बनाया गया है।
क्लासिकल हेड: क्वांटम मेजरमेंट्स को एक क्लासिकल "Set-MLP" हेड में भेजा जाता है। यह घटक पेयरवाइज फीचर्स पर सिमेट्रिक एग्रीगेशन फंक्शन्स (mean, max, min, sum, variance, std) लागू करता है, जो वैश्विक रोटेशन और पॉइंट परम्यूटेशन दोनों के प्रति अंतिम आउटपुट को इनवेरिएंट सुनिश्चित करता है।

3. प्रमुख योगदान

ड्यूल-इक्वैरिएंट गेट्स का सामान्य निर्माण: पेपर में एक पेयर-परम्यूटिंग सबग्रुप का उपयोग करके रोटेशन और परम्यूटेशन दोनों के प्रति इक्विवैरिएंट क्वांटम गेट्स बनाने के लिए एक सिद्धांतिक ढांचा पेश किया गया है। यह शूर-वेइल द्वैतता की बाधा को दूर करता है जो पहले ऐसे ड्यूल-इक्विवैरिएंट गेट्स को तुच्छ बना देती थी।
आयाम लक्षण वर्णन (Dimension Characterization): लेखक संबंधित गेट स्पेस के स्पष्ट आयाम सूत्र प्रदान करते हैं, यह प्रदर्शित करते हुए कि प्रस्तावित निर्माण एक समृद्ध, गैर-तुच्छ अभिव्यंजक परिदृश्य प्रदान करता है।
HyQuRP मॉडल: वे HyQuRP प्रस्तावित और कार्यान्वित करते हैं, जो एक हाइब्रिड आर्किटेक्चर है जो अपने क्वांटम और क्लासिकल घटकों के माध्यम से रोटेशनल और परम्यूटेशनल इनवेरिएंस को सख्ती से लागू करता है।
अनुभवजन्य सत्यापन (Empirical Validation): 3D पॉइंट क्लाउड बेंचमार्क (ModelNet और ShapeNet) पर स्पार्स-पॉइंट रिजीम ( $N \in \{4, 5, 6\}$ ) में व्यापक प्रयोगों से पता चलता है कि समान पैरामीटर काउंट वाले मजबूत क्लासिकल और क्वांटम बेसलाइन्स की तुलना में HyQuRP बेहतर प्रदर्शन करता है।

4. प्रयोगात्मक परिणाम

लेखकों ने डेटा दक्षता का आकलन करने के लिए स्पार्स-पॉइंट रिजीम पर ध्यान केंद्रित करते हुए ModelNet और ShapeNet के छोटे-क्लास सबसेट्स पर HyQuRP का मूल्यांकन किया।

प्रदर्शन: HyquRP ने सभी सेटिंग्स में उच्चतम औसत रैंक (1.17) और औसत सटीकता (74.62%) प्राप्त की।
विशिष्ट बेंचमार्क: 6 पॉइंट्स के साथ ModelNet (लाइट सेटिंग, ~1.5K पैरामीटर्स) पर, HyQuRP ने 76.13% सटीकता प्राप्त की। इसने निम्नलिखित को पीछे छोड़ दिया:
- Tensor Field Network (TFN): 72.54%
- PointNet: 71.09%
- PointMamba: 71.03%
इनवेरिएंट बेसलाइन्स के साथ तुलना: HyQuRP ने VN-PointNet और TFN जैसे अन्य रोटेशन- और परम्यूटेशन-इनवेरिएंट मॉडल्स को भी पछाड़ दिया, जो सुझाव देता है कि क्वांटम प्रतिनिधित्व केवल सिमेट्री के अलावा अन्य लाभ भी प्रदान करता है।
एब्लेशन स्टडीज (Ablation Studies): प्रयोगों ने पुष्टि की कि विषम जनरेटर घटक ( $P^-_k$ ) इस सेटिंग में सममित घटकों की तुलना में अधिक सूचनात्मक थे, और उच्च-क्रम चक्र लंबाई ( $k=3, 4$ ) को शामिल करने से मामूली लेकिन सुसंगत सुधार हुआ।

5. महत्व और दावे

पेपर का दावा है कि HyQuRP कई सिमेट्रीज़ को एक साथ शामिल करने के लिए एक सामान्य विधि प्रदान करके इक्विवैरिएंट QML में एक मौलिक आर्किटेक्चरल बाधा को हल करता है। परिणाम बताते हैं कि इक्विवैरिएंट क्वांटम मशीन लर्निंग में सिमेट्री-सेंसिटिव कार्यों के लिए महत्वपूर्ण क्षमता है, विशेष रूप से डेटा-दुर्लभ (data-scarce) परिदृश्यों में जहाँ इंडक्टिव बायस (inductive biases) अत्यंत महत्वपूर्ण होते हैं।

लेखक इस बात पर जोर देते हैं कि उनका दृष्टिकोण एड-हॉक (ad-hoc) निर्माणों से बचता है, और इसके बजाय प्रतिनिधित्व सिद्धांत (representation theory) पर निर्भर करता है। वे नोट करते हैं कि हालांकि उनका वर्तमान मूल्यांकन बड़े क्वबिट काउंट के कारण क्लासिकल सिमुलेशन सीमाओं के कारण स्पार्स पॉइंट क्लाउड्स तक सीमित है, लेकिन यह सैद्धांतिक ढांचा आणविक संरचनाओं और क्रिस्टलीय सामग्रियों सहित व्यापक 3D ज्यामितीय समस्याओं के लिए लागू करने योग्य है। यह कार्य QML के लिए एक नया दृष्टिकोण प्रदान करने का लक्ष्य रखता है, जो सिमेट्री-प्रिजर्विंग क्वांटम आर्किटेक्चर के अनुसंधान को प्रोत्साहित करता है।