🤖 machine learning

Distributed Quantum Gaussian Processes for Multi-Agent Systems

यह शोध पत्र मल्टी-एजेंट सिस्टम के लिए एक डिस्ट्रीब्यूटेड क्वांटम गॉसियन प्रोसेस (DQGP) फ्रेमवर्क प्रस्तावित करता है जो उन्नत मॉडलिंग के लिए क्वांटम एम्बेडिंग का लाभ उठाता है और परिणामी गैर-यूक्लिडियन अनुकूलन समस्या को हल करने के लिए एक डिस्ट्रीब्यूटेड कंसेंसस रीमानियन ADMM एल्गोरिदम पेश करता है, जो क्वांटम सिमुलेशन के माध्यम से वास्तविक और सिंथेटिक डेटासेट पर इसकी प्रभावकारिता को प्रदर्शित करता है।

मूल लेखक: Meet Gandhi, George P. Kontoudis

प्रकाशित 2026-05-13

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Meet Gandhi, George P. Kontoudis

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

मुख्य चित्र: एक विशाल पहेली को एक क्वांटम टीम के साथ हल करना

कल्पना कीजिए कि आप एक विशाल, ऊबड़-खाबड़ पर्वत श्रृंखला का मानचित्र बनाने की कोशिश कर रहे हैं। आपको किसी भी बिंदु पर ऊंचाई का अनुमान लगाने की आवश्यकता है, लेकिन भूभाग कठिन है—यह अचानक बदल जाता है, और इसके कोई सरल नियम नहीं हैं (जैसे "यह हमेशा उत्तर में ऊंचा होता है")।

समस्या:
पारंपरिक रूप से, एक अकेला कंप्यूटर (या एक अकेला रोबोट) इस मानचित्र को बनाने की कोशिश करता है।

बाधा (The Bottleneck): यदि मानचित्र में बहुत अधिक विवरण (डेटा पॉइंट्स) हैं, तो कंप्यूटर अभिभूत हो जाता है। यह एक मिलियन टुकड़ों वाली जिग्सॉ पहेली को अकेले हल करने जैसा है; इसमें बहुत समय लगता है और इसके लिए एक बहुत बड़ी मेज (मेमोरी) की आवश्यकता होती है।
सीमा (The Limitation): भले ही आप काम को रोबोटों की एक टीम (एक मल्टी-एजेंट सिस्टम) के बीच बांट दें, वे आमतौर पर मानक "क्लासिकल" गणित का उपयोग करते हैं। यह गणित चिकनी, सरल रेखाएं खींचने में अच्छा है, लेकिन यह वास्तविक दुनिया के पहाड़ों की जंगली, जटिल और ऊबड़-खाबड़ प्रकृति को पकड़ने में संघर्ष करता है।

समाधान:
लेखक एक नई टीम रणनीति प्रस्तावित करते हैं जिसे डिस्ट्रीब्यूटेड क्वांटम गॉसियन प्रोसेसेज (DQGP) कहा जाता है। वे दो शक्तिशाली विचारों को जोड़ते हैं:

टीम वर्क: मानचित्र बनाने के काम को कई एजेंटों के बीच बांटना।
क्वांटम जादू: डेटा को उस तरह से देखने के लिए क्वांटम कंप्यूटरों का उपयोग करना जैसे क्लासिकल कंप्यूटर नहीं देख सकते।

अवधारणाओं को उपमाओं के साथ समझाया गया है

1. "क्वांटम लेंस" (क्वांटम का उपयोग क्यों करें?)

कल्पना कीजिए कि आप एक मानक चश्मे (क्लासिकल कंप्यूटिंग) के माध्यम से एक पेंटिंग देख रहे हैं। आप रंगों और आकृतियों को देख सकते हैं, लेकिन आप उन सूक्ष्म, घूमती हुई बनावटों को मिस कर सकते हैं जो कला को जटिल बनाती हैं।

अब, कल्पना कीजिए कि आपने क्वांटम चश्मा पहना है।

उपमा: क्लासिकल कंप्यूटर डेटा को एक मानक "फीचर स्पेस" (एक सपाट 2D ड्राइंग की तरह) में प्रोजेक्ट करते हैं। क्वांटम कंप्यूटर डेटा को एक हिल्बर्ट स्पेस (Hilbert Space) में प्रोजेक्ट करते हैं। इसे एक ऐसे कमरे के रूप में सोचें जो उस कमरे से घातीय (exponentially) रूप से बड़ा है जिसमें आप खड़े हैं।
लाभ: इस विशाल क्वांटम कमरे में, डेटा पॉइंट्स जो सामान्य कमरे में दूर या असंबद्ध लग रहे थे, वे अचानक करीब या छिपे हुए संबंधों को प्रकट करने लगते हैं। यह सिस्टम को उन जटिल पैटर्न (जैसे पहाड़ के ऊबड़-खाबड़ किनारों) को पहचानने की अनुमति देता है जिन्हें "मानक चश्मे" पूरी तरह से मिस कर देते हैं।

2. "अन्वेषकों की टीम" (डिस्ट्रीब्यूटेड सिस्टम्स)

एक रोबोट द्वारा पूरी दुनिया का नक्शा बनाने के बजाय, आपके पास अन्वेषकों (एजेंटों) की एक टीम है।

सेटअप: प्रत्येक अन्वेषक को एक विशिष्ट पड़ोस सौंपा जाता है। वे अपने स्वयं के क्षेत्र का एक स्थानीय मानचित्र बनाते हैं।
चुनौती: यदि वे केवल अपने निष्कर्ष एक-दूसरे को चिल्लाकर बताते हैं, तो वे असहमत हो सकते हैं। एक कहता है "पहाड़ी यहाँ खड़ी है," और दूसरा कहता है "यह समतल है।" उन्हें एक एकल, वैश्विक मानचित्र पर सहमत होने की आवश्यकता है।
पुराना तरीका: वे सहमत होने के लिए एक मानक बातचीत पद्धति (ADMM) का उपयोग करते हैं। लेकिन यह विधि मानती है कि हर कोई एक ही "सपाट" भाषा बोल रहा है।
नया तरीका (DR-ADMM): क्योंकि क्वांटम डेटा उस अजीब, विशाल "हिल्बर्ट स्पेस" में रहता है (जो एक गोले या डोनट की सतह की तरह घुमावदार है), मानक बातचीत अच्छी तरह से काम नहीं करती है। लेखकों ने एक नया बातचीत उपकरण बनाया जिसे डिस्ट्रीब्यूटेड कंसेंसस रीमैनियन ADMM (Distributed consensus Riemannian ADMM) कहा जाता है।
- रूपक: कल्पना कीजिए कि अन्वेषक एक विशाल, घुमावदार गुब्बारे की सतह पर चल रहे हैं। यदि वे एक सीधी रेखा (यूक्लिडियन गणित) में चलने की कोशिश करते हैं, तो वे गिर जाते हैं। नया एल्गोरिदम (रीमैनियन ADMM) उन्हें बीच में मिलने के लिए गुब्बारे की वक्रता के साथ चलना सिखाता है ताकि वे गिर न जाएं। यह उन्हें एक वैश्विक मानचित्र पर सहमत होने में मदद करता है, भले ही गणित घुमावदार और जटिल हो।

3. "क्वांटम कर्नेल" (गुप्त सूत्र)

मशीन लर्निंग में, एक "कर्नेल" एक फंक्शन है जो यह मापता है कि दो डेटा पॉइंट्स कितने समान हैं।

क्लासिकल कर्नेल: दो सेबों की तुलना उनके रंग और वजन को देखकर करने जैसा है।
क्वांटम कर्नेल: दो सेबों की तुलना उन्हें क्वांटम अवस्थाओं में बदलकर और यह देखकर करने जैसा है कि उनकी "क्वांटम तरंगें" कैसे ओवरलैप होती हैं।
पेपर का दावा: लेखक एक विशिष्ट प्रकार के क्वांटम कर्नेल (प्रोजेक्टेड क्वांटम कर्नेल) का उपयोग करते हैं जो वर्तमान, अपूर्ण क्वांटम सिम्युलेटर्स पर चलने के लिए पर्याप्त कुशल है। यह डेटा के उन "स्पूकी" (spooky) सहसंबंधों को पकड़ता है जिन्हें क्लासिकल तरीके मिस कर देते हैं।

उन्होंने वास्तव में क्या किया? (प्रयोग)

लेखकों ने वास्तविक क्वांटम कंप्यूटर नहीं बनाया (जो अभी भी बहुत दुर्लभ और शोर वाला है)। इसके बजाय, उन्होंने नियमित सुपर कंप्यूटरों पर सिम्युलेटर का उपयोग किया ताकि वे क्वांटम कंप्यूटर होने का नाटक कर सकें।

उन्होंने अपने तरीके का परीक्षण दो प्रकार के डेटा पर किया:

वास्तविक दुनिया का डेटा: नासा के शटल रडार टोपोग्राफी मिशन (SRTM) से ऊंचाई के मानचित्र। ये जटिल, गैर-समान आकृतियों वाले वास्तविक पहाड़ हैं।
सिंथेटिक डेटा: एक क्वांटम प्रक्रिया द्वारा उत्पन्न एक नकली दुनिया, जिसे विशेष रूप से क्लासिकल कंप्यूटरों के लिए समझने में कठिन बनाया गया है।

परिणाम:

बेहतर सटीकता: पहाड़ों की ऊंचाई का अनुमान लगाते समय, उनके क्वांटम टीम पद्धति ने सर्वश्रेष्ठ क्लासिकल टीम पद्धतियों की तुलना में कम गलतियाँ कीं।
बेहतर अनिश्चितता (Uncertainty): उन्होंने केवल ऊंचाई का अनुमान नहीं लगाया; वे जानते थे कि वे कितने आश्वस्त थे। उनके "कॉन्फिडेंस स्कोर" अधिक सटीक थे।
स्केलेबिलिटी (Scalability): जैसे-जैसे उन्होंने एजेंटों की संख्या बढ़ाई (4 से 27 तक), क्वांटम पद्धति ने अपना आधार बनाए रखा, जबकि क्लासिकल पद्धतियां टीम के बड़ा होने पर सटीकता खोने लगीं।

कमी (जो पेपर स्वीकार करता है)

पेपर अपनी सीमाओं के बारे में ईमानदार है:

"बैरेन प्लेटो" (The Barren Plateau): कभी-कभी, यदि डेटा बहुत विरल (बहुत कम पॉइंट्स) है और क्वांटम स्पेस बहुत विशाल है, तो क्वांटम अवस्थाएं इतनी अलग हो जाती हैं कि वे अपना सारा संबंध खो देती हैं (वे ऑर्थोगोनल हो जाती हैं)। इससे सीखना रुक जाता है। लेखकों ने यह कुछ विशिष्ट मामलों में देखा जहाँ उनके पास बहुत कम डेटा और कई एजेंट थे।
सिमुलेशन बनाम वास्तविकता: उन्होंने एक क्लासिकल कंप्यूटर पर यह चलाया जो एक क्वांटम कंप्यूटर का अनुकरण (simulate) कर रहा था। वे स्वीकार करते हैं कि वास्तविक, शोर वाले क्वांटम हार्डवेयर (NISQ युग) पर इसे चलाना एक भविष्य की चुनौती है, लेकिन गणित साबित करता है कि इसे काम करना चाहिए।

सारांश

यह पेपर जटिल, बदलते वातावरण का मानचित्र बनाने के लिए रोबोटों की एक टीम के लिए एक नया तरीका प्रस्तुत करता है। छिपे हुए पैटर्न को देखने के लिए क्वांटम गणित का उपयोग करके और टीम को एक घुमावदार, जटिल मानचित्र पर सहमत होने में मदद करने के लिए एक नए बातचीत एल्गोरिदम का उपयोग करके, वे पारंपरिक तरीकों की तुलना में बेहतर मॉडल बना सकते हैं। यह कागज के नक्शों वाले कार्टोग्राफर्स की टीम से 3D होलोग्राफिक प्रोजेक्टर वाले अन्वेषकों की टीम में अपग्रेड करने जैसा है जो इलाके के वास्तविक आकार पर तुरंत सहमत हो सकते हैं।

तकनीकी सारांश: मल्टी-एजेंट सिस्टम के लिए वितरित क्वांटम गॉसियन प्रोसेस (Distributed Quantum Gaussian Processes)

समस्या विवरण
गॉसियन प्रोसेस (GPs) स्वायत्त प्रणालियों में संभावabilistic मॉडलिंग और अनिश्चितता परिमाणीकरण (uncertainty quantification) के लिए एक मानक उपकरण हैं। हालांकि, बड़े पैमाने के, वास्तविक दुनिया के वातावरण में उनका अनुप्रयोग दो प्राथमिक बाधाओं के कारण बाधित है:

स्केलेबिलिटी (Scalability): $N$ नमूनों पर GP को प्रशिक्षित करने के लिए $O(N^3)$ गणना और $O(N^2)$ मेमोरी की आवश्यकता होती है, जो बड़े डेटासेट को संभालने वाले एकल एजेंट के लिए अव्यवहार्य बनाता है।
अभिव्यक्ति संबंधी सीमाएं (Expressivity Limitations): शास्त्रीय कर्नेल फलन (classical kernel functions), जो डेटा को उच्च-आयामी फीचर स्पेस में मैप करते हैं, शास्त्रीय हार्डवेयर के गणितीय प्रतिबंधों के कारण सीमित अभिव्यक्ति रखते हैं। वे अक्सर गैर-स्थिर (non-stationary) वातावरणों में अंतर्निहित जटिल, गैर-रेखीय सहसंबंधों को पकड़ने में विफल रहते हैं।

जबकि वितरित गॉसियन प्रोसेस (DGPs) डेटा को कई एजेंटों के बीच विभाजित करके स्केलेबिलिटी का समाधान करते हैं, वे शास्त्रीय कर्नेल की सीमित अभिव्यक्ति से बाधित रहते हैं। इसके विपरीत, क्वांटम गॉसियन प्रोसेस (QGPs) क्वांटम कर्नेल के माध्यम से डेटा को घातीय रूप से बड़े हिल्बर्ट स्पेस (Hilbert spaces) में एम्बेड करके अभिव्यक्ति की सीमाओं को पार करने की क्षमता प्रदान करते हैं। हालांकि, मल्टी-एजेंट सेटिंग में QGPs को प्रशिक्षित करना एक अनूठी चुनौती पेश करता है: क्वांटम सर्किट के हाइपरपैरामीटर (आमतौर पर रोटेशनल एंगल्स) एक गैर-यूक्लिडियन रीमानियन मैनिफोल्ड (विशेष रूप से एक टोरस) में स्थित होते हैं, जिससे मानक यूक्लिडियन अनुकूलन तकनीक जैसे कि शास्त्रीय ADMM लागू नहीं हो पाते।

कार्यप्रणाली (Methodology)
लेखक एक डिस्ट्रिब्यूटेड क्वांटम ग meskipun गॉसियन प्रोसेस (DQGP) फ्रेमवर्क का प्रस्ताव करते हैं जो क्वांटम कर्नेल की अभिव्यक्ति क्षमता को वितरित मल्टी-एजेंट लर्निंग के साथ एकीकृत करता है। इस कार्यप्रणाली का मुख्य केंद्र एक अभिनव अनुकूलन एल्गोरिदम है जिसे क्वांटम मापदंडों की गैर-यूक्लिडियन प्रकृति को संभालने के लिए डिज़ाइन किया गया है।

क्वांटम एनकोडिंग और कर्नेल्स:
- शास्त्रीय डेटा को हबरेट्सन एनकोडिंग सर्किट्स (Hubregtsen Encoding Circuits) का उपयोग करके क्वांटम अवस्थाओं में एनकोड किया जाता है, जो सुपरपोजिशन के लिए हैडामार्ड गेट्स और एंटैंगलमेंट के लिए कंडीशनल रोटेशन गेट्स का उपयोग करते हैं।
- फ्रेमवर्क प्रोजेक्टेड क्वांटम कर्नेल्स (PQK) का उपयोग करता है। फिडेलिटी कर्नेल्स के विपरीत, जिन्हें घातीय स्टेट ओवरलैप गणनाओं की आवश्यकता होती है, PQKs ऑब्जर्वेबल मेजरमेंट्स (जैसे Pauli-Z, Pauli-X, Pauli-Y) के माध्यम से क्वांटम अवस्थाओं को शास्त्रीय फीचर वेक्टर्स में मैप करते हैं और इन प्रोजेक्शन पर एक शास्त्रीय आउटर कर्नेल (जैसे Matérn) लागू करते हैं। यह भौतिक व्याख्यात्मकता बनाए रखते हुए कम्प्यूटेशनल लागत को कम करता है।
डिस्ट्रिब्यूटेड कंसेंसस रीमानियन ADMM (DR-ADMM):
- $M$ एजेंटों में क्वांटम एनकोडिंग सर्किट के हाइपरपैरामीटर को अनुकूलित करने के लिए, लेखक DR-ADMM विकसित करते हैं।
- मैनिफोल्ड परिभाषा: अनुकूलन स्थान को एक टोरस मैनिफोल्ड ( $T^P$ ) के रूप में परिभाषित किया गया है, जहाँ पैरामीटर $[0, \pi]$ में रोटेशनल एंगल्स हैं। मानक यूक्लिडियन ऑपरेशन्स को रीमानियन ऑपरेशन्स द्वारा प्रतिस्थापित किया गया है, जिसमें प्रोजेक्शन, रिट्रैक्शन, लॉगरिदमिक मैप्स और वेक्टर ट्रांसपोर्ट शामिल हैं।
- कंसेंसस तंत्र: एजेंट स्थानीय हाइपरपैरामीटर वेक्टर्स ( $\theta_m$ ) बनाए रखते हैं और वैश्विक कंसेंसस ( $z$ ) तक पहुँचने के लिए एक केंद्रीय सर्वर के साथ संचार करते हैं। एल्गोरिदम $\theta_m = z$ के प्रतिबंध के अधीन स्थानीय नेगेटिव मार्जिनल लॉग-लाइक्लीहुड के योग को कम करता है।
- अभिसरण (Convergence): लेखक सिद्ध करते हैं कि विशिष्ट स्मूथनेस धारणाओं के तहत, DR-ADMM एल्गोरिदम $O(1/S)$ की सबलीनियर अभिसरण दर के साथ एक स्थिर बिंदु (stationary point) की ओर अभिसरित होता है जो करुश-कुहन-टकर (KKT) शर्तों को संतुष्ट करता है।
प्रेडिक्शन एग्रीगेशन:
- एक बार जब वैश्विक कंसेंसस पैरामीटर सीख लिए जाते हैं, तो प्रत्येक एजेंट स्थानीय प्रेडिक्टिव मीन और वेरिएंस की गणना करता है।
- इन स्थानीय भविष्यवाणियों को जनरलाइज्ड प्रोडक्ट ऑफ एक्सपर्ट्स (gPoE) पद्धति का उपयोग करके एक वैश्विक भविष्यवाणी में एकत्रित किया जाता है।

प्रमुख योगदान
यह शोध पत्र दो प्राथमिक तकनीकी योगदान देता है:

DR-ADMM एल्गोरिदम: एक वितरित कंसेंसस अनुकूलन एल्गोरिदम का परिचय जो विशेष रूप से रीमानियन मैनिफोल्ड्स के लिए तैयार किया गया है, जिससे कई एजेंटों के बीच पैरामीट्रिक क्वांटम सर्किटों को प्रशिक्षित करना संभव होता है।
DQGP फ्रेमवर्क: एक वितरित लर्निंग आर्किटेक्चर का निर्माण जो क्वांटम कर्नेल्स (एंटैंगलमेंट और सुपरपोजिशन का लाभ उठाते हुए) की अभिव्यंजक शक्ति को मल्टी-एजेंट सिस्टम तक स्केल करता है, जिससे प्रभावी रूप से DGPs की स्केलेबिलिटी और शास्त्रीय कर्नेल्स की अभिव्यक्ति सीमाओं दोनों का समाधान होता है।

प्रायोगिक परिणाम
DQGP की प्रभावकारिता का मूल्यांकन एक क्लासिकल क्वांटम सिम्युलेटर (Qiskit और PennyLane) पर दो प्रकार के डेटासेट का उपयोग करके किया गया:

वास्तविक डेटा: चार अलग-अलग टाइल्स में NASA के शटल रडार टोपोग्राफी मिशन (SRTM) के गैर-स्थिर एलीवेशन डेटासेट।
सिंथेटिक डेटा: एक क्वांटम गॉसियन प्रोसेस प्रायर से उत्पन्न डेटासेट।

इस पद्धति की तुलना एक सिंगल-एजेंट फुल-GP और दो वितरित शास्त्रीय बेसलाइन: FACT-GP और apx-GP से की गई।

प्रदर्शन मेट्रिक्स: अध्ययन ने अनिश्चितता परिमाणीकरण के लिए नेगेटिव लॉग प्रेडिक्टिव डेंसिटी (NLPD) और भविष्यवाणी सटीकता के लिए नॉर्मलाइज्ड रूट मीन स्क्वेर्ड एरर (NRMSE) का उपयोग किया।
निष्कर्ष:
- DQGP ने विभिन्न एजेंट काउंट्स ( $M=4, 8, 27$ ) और डेटासेट साइज ( $N=500, 5000$ ) में NRMSE और NLPD दोनों में शास्त्रीय वितरित विधियों (FACT-GP और apx-GP) को लगातार पछाड़ दिया।
- विशेष रूप से, DQGP ने अपने शास्त्रीय समकक्षों की तुलना में लगभग 32-47% कम NRMSE प्राप्त किया और NLPD में महत्वपूर्ण सुधार दिखाया।
- फ्रेमवर्क ने एजेंटों की संख्या बढ़ने के साथ मजबूती प्रदर्शित की, और वहां भी बढ़त बनाए रखी जहां शास्त्रीय विधियों के प्रदर्शन में गिरावट देखी गई।
- सीमाएं: विशिष्ट मामलों में, जैसे कम डेटा ( $N=500$ ) और उच्च एजेंट काउंट ( $M=27$ ) के साथ, DQGP कभी-कभी शास्त्रीय विधियों से कम प्रदर्शन करता है। लेखक इस घटना को "बेरन प्लेटो" (barren plateau) की घटना के रूप में देखते हैं, जहाँ उच्च-आयामी क्वांटम हिल्बर्ट स्पेस में स्पार्स क्लासिकल डेटा को एम्बेड करने से अवस्थाएं लगभग ऑर्थोगोनल हो जाती हैं, जिससे सहसंबंध समाप्त हो जाते हैं और ग्रेडिएंट-आधारित अनुकूलन बाधित होता है।

महत्व और दावे
यह शोध पत्र दावा करता है कि प्रस्तावित DQGP फ्रेमवर्क वितरित लर्निंग की स्केलेबिलिटी और क्वांटम कंप्यूटिंग की उच्च अभिव्यक्ति क्षमता के बीच के अंतर को सफलतापूर्वक पाटता है। एक रीमानियन अनुकूलन दृष्टिकोण को फॉर्म्युलेट करके, लेखकों ने मल्टी-एजेंट सेटिंग में क्वांटम कर्नेल्स को प्रशिक्षित करना सक्षम बनाया है, जो पहले एक चुनौती थी क्योंकि क्वांटम पैरामीटर्स का स्वभाव गैर-यूक्लिडियन है।

लेखक इस बात पर जोर देते हैं कि हालांकि वर्तमान प्रयोग क्लासिकल सिम्युलेटर्स पर आधारित हैं और अभी तक NISQ हार्डवेयर पर क्वांटम स्पीडअप प्रदर्शित नहीं करते हैं, फिर भी यह फ्रेमवर्क उन संभावित कम्प्यूटेशनल स्पीडअप और मॉडलिंग लाभों को रेखांकित करता है जो क्वांटम हार्डवेयर गॉसियन प्रोसेस के लिए प्रदान कर सकते हैं। यह कार्य भविष्य के हाइब्रिड क्लासिकल-क्वांटम सिस्टम के लिए एक आधारभूत आर्किटेक्चर स्थापित करता है जो स्वायत्त मल्टी-एजेंट सिस्टम में जटिल, गैर-स्थिर, बड़े पैमाने के संभावabilistic मॉडलिंग कार्यों को संभालने में सक्षम होंगे।