⚛️ quantum physics

Scaling Quantum Machine Learning without Tricks: High-Resolution and Diverse Image Generation

यह शोध पत्र एक नवीन, एंड-टू-एंड क्वांटम वॉसरस्टीन GAN फ्रेमवर्क प्रस्तुत करता है जो उन्नत इमेज लोडिंग तकनीकों और अनुकूलित वेरिएशनल सर्किट आर्किटेक्चर का उपयोग करके पिछले स्केलिंग सीमाओं को दूर करता है ताकि डाइमेंशनलिटी रिडक्शन या पैच-आधारित ट्रिक्स पर निर्भर हुए बिना फुल MNIST, Fashion-MNIST, और Street View House Numbers डेटासेट्स से उच्च-रिज़ॉल्यूशन, विविध चित्र उत्पन्न किए जा सकें।

मूल लेखक: Jonas Jäger, Florian J. Kiwit, Carlos A. Riofrío

प्रकाशित 2026-03-03

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jonas Jäger, Florian J. Kiwit, Carlos A. Riofrío

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 रोबोट को चित्र बनाना सिखाने की कोशिश कर रहे हैं। लंबे समय से, क्वांटम कंप्यूटर (वे सुपर-फास्ट, सुपर-अजीब किस्म के कंप्यूटर जो गणना करने के लिए भौतिकी के नियमों का उपयोग करते हैं) इसमें बहुत खराब रहे हैं। वे केवल छोटे, धुंधले रेखाचित्र ही बना पाते थे, या उन्हें करने के लिए एक इंसान को अधिकांश भारी काम करना पड़ता था।

यह शोध पत्र एक ऐसी सफलता की कहानी है जहाँ टीम ने आखिरकार एक क्वांटम रोबोट को बिना किसी "धोखाधड़ी" या शॉर्टकट के, अपने आप पूर्ण, उच्च-गुणवत्ता वाले चित्र बनाना सिखा दिया है।

यहाँ बताया गया है कि उन्होंने यह कैसे किया, जिसे रोजमर्रा के उदाहरणों के साथ समझाया गया है:

1. समस्या: "छोटा पहेली" वाला जाल (The "Tiny Puzzle" Trap)

पहले, यदि आप चाहते थे कि एक क्वांटम कंप्यूटर 28x28 पिक्सेल का चित्र (जैसे हाथ से लिखा हुआ नंबर) बनाए, तो यह मशीन के दिमाग के लिए बहुत बड़ा होता था।

पुराना तरीका (धोखे): शोधकर्ताओं को दो मुख्य तरकीबें इस्तेमाल करनी पड़ती थीं:
1. श्रिंक रे (Shrink Ray - छोटा करने वाली किरण): वे चित्र को एक बहुत छोटे, धुंधले संस्करण में सिकोड़ देते थे, उसे बनवाते थे, और फिर एक क्लासिकल कंप्यूटर का उपयोग करके उसे वापस फैला देते थे। यह एक मास्टरपीस पेंट करने के लिए केवल एक डाक टिकट के आकार के स्केच को देखने जैसा है।
2. पैचवर्क क्विल्ट (Patchwork Quilt - टुकड़ों को जोड़कर बनाया गया): वे 28 अलग-अलग क्वांटम रोबोटों को काम पर लगाते थे, जिनमें से प्रत्येक चित्र की केवल एक पंक्ति बनाता था, और फिर उन्हें आपस में जोड़ दिया जाता था। यह एक घर बनाने जैसा है जहाँ 28 अलग-अलग लोगों को एक-एक ईंट बनाने के लिए कहा जाता है और फिर उम्मीद की जाती है कि वे पूरी तरह से फिट हो जाएंगे।
परिणाम: चित्र बिखरे हुए और अजीब मिश्रण वाले दिखते थे (जैसे एक बिल्ली जो आधी कुत्ता जैसी दिखती हो)।

2. समाधान: एक विशिष्ट क्वांटम कलाकार

लेखकों ने एक एकल, एंड-टू-एंड क्वांटम कलाकार बनाया जो पूरे चित्र को शुरुआत से बनाता है। इसे करने के लिए, उन्होंने केवल कंप्यूटर पर रैंडम शोर (noise) नहीं डाला; उन्होंने उसे एक विशिष्ट "मानसिकता" या इंडक्टिव बायस (inductive bias) दी।

इसे इस तरह समझें:

सामान्य कलाकार (पुराना तरीका): आप एक रोबोट को रैंडम लेगो ब्रिक्स (Lego bricks) का एक बैग देते हैं और कहते हैं, "एक कार बनाओ।" वह एक कार बना सकता है, या ईंटों का ढेर, या एक अजीब राक्षस।
विशिष्ट कलाकार (नया तरीका): आप रोबोट को एक विशिष्ट निर्देश पुस्तिका देते हैं जिसमें लिखा है, "कारों के पहिए यहाँ होते हैं, शरीर वहाँ होता है, और पहियों को शरीर से जुड़ा होना चाहिए।" रोबोट को यह समझने के लिए डिज़ाइन किया गया है कि एक कार कैसे बनती है।

इस पेपर में, उन्होंने क्वांटम सर्किट (रोबोट के दिमाग) को इस तरह डिज़ाइन किया कि वह स्वाभाविक रूप से समझ सके कि चित्रों की संरचना कैसी होती है, ठीक वैसे ही जैसे एक इंसान समझता है कि एक चेहरे में दो आँखें और एक नाक होती है। उन्होंने इमेज एनकोडिंग का एक विशिष्ट तरीका उपयोग किया जिसे FRQI (Flexible Representation of Quantum Images) कहा जाता है, जो एक गुप्त भाषा की तरह है जो क्वांटम कंप्यूटरों के सोचने के तरीके के साथ पूरी तरह फिट बैठती है।

3. सीक्रेट सॉस: "मूड रिंग" शोर (The "Mood Ring" Noise)

जेनरेटिव एआई (Generative AI) में सबसे बड़ी बाधा विविधता (diversity) है। यदि आप एक रोबोट से 100 बिल्लियाँ बनाने के लिए कहते हैं, और वह केवल एक ही "मोड" (सोचने का एक ही तरीका) जानता है, तो वह 100 एक जैसी बिल्लियाँ बनाएगा।

पुराना तरीका: वे "व्हाइट नॉइज़" (static) का उपयोग करते थे, जो एक सपाट, धूसर कोहरे जैसा होता है। यह उबाऊ है और इससे रोबोट बार-बार एक ही चीज़ बनाता है।
नया तरीका (मल्टीमॉडल नॉइज़): टीम ने रोबोट को एक "मूड रिंग" दी। एक साधारण धूसर कोहरे के बजाय, उन्होंने उसे विभिन्न "मूड्स" या "मोड्स" का मिश्रण दिया।
- मोड A: "नुकीले कान वाली बिल्ली बनाओ।"
- मोड B: "मुलायम कान वाली बिल्ली बनाओ।"
- मोड C: "सोती हुई बिल्ली बनाओ।"
रोबोट इन मूड्स के बीच स्विच करना सीख जाता है। यह उसे बिना किसी धुंधलेपन के विविध और अद्वितीय चित्र (अलग जूते, अलग ड्रेस, अलग अंक) बनाने की अनुमति देता है।

4. परिणाम: रेखाचित्रों से मास्टरपीस तक

उन्होंने प्रसिद्ध डेटासेट्स पर इसका परीक्षण किया:

MNIST (हाथ से लिखे नंबर): रोबोट ने 0 से 9 तक स्पष्ट, तीखे नंबर बनाए।
Fashion-MNIST (कपड़े): इसने सैंडल, ड्रेस और कोट जैसे स्पष्ट विवरण (जैसे सैंडल की स्ट्रैप) के साथ चित्र बनाए।
SVHN (सड़क के नंबर): इसने रंगीन घर के नंबरों को भी संभाला, यह समझते हुए कि एक "0" आमतौर पर अन्य नंबरों के बीच में होता है।

स्कोरकार्ड: उन्होंने गुणवत्ता को मापने के लिए FID (Frechet Inception Distance) नामक मीट्रिक का उपयोग किया। इसमें स्कोर जितना कम हो, उतना बेहतर है।

पुराने "पैचवर्क" तरीके का स्कोर 207 था।
उनके नए "विशिष्ट कलाकार" का स्कोर 152 (और कपड़ों के लिए 60!) था।
अनुवाद: नया तरीका काफी अधिक स्पष्ट, वास्तविक और कम "ग्लिच" वाले चित्र बनाने में सफल रहा।

5. यह क्यों महत्वपूर्ण है?

यह एक बड़ी बात है क्योंकि यह साबित करता है कि क्वांटम मशीन लर्निंग को कठिन काम करने के लिए क्लासिकल कंप्यूटरों पर निर्भर रहने की आवश्यकता नहीं है।

दक्षता (Efficiency): उन्होंने इसे एक बहुत छोटे क्वांटम कंप्यूटर (केवल 11 से 13 "क्यूबिट्स") के साथ हासिल किया। एक क्लासिकल कंप्यूटर को समान काम करने के लिए लाखों पैरामीटर्स (मेमोरी बिट्स) की आवश्यकता होती है।
कोई धोखाधड़ी नहीं: उन्होंने न तो चित्र को छोटा किया और न ही उसे जोड़ा। उन्होंने पूरा चित्र एक बार में बनाया।
वास्तविक दुनिया के लिए तैयार: उन्होंने "शॉट नॉइज़" (जो वास्तविक, अपूर्ण क्वांटम हार्डवेयर पर होने वाली त्रुटियों का अनुकरण करता है) के साथ भी परीक्षण किया, और चित्र फिर भी अच्छे दिखे।

निचोड़ (The Bottom Line)

कल्पना कीजिए कि आपके पास एक छोटा, अत्यंत शक्तिशाली पेंटब्रश है जो पेंट की केवल कुछ बूंदें ही पकड़ सकता है। सालों तक, लोगों ने एक भित्ति चित्र (mural) बनाने के लिए उस ब्रश को बाल्टी में डुबोकर, कैनवास को छोटा करके और उम्मीद करके कोशिश की कि काम बन जाएगा।

यह पेपर कहता है: "नहीं, आइए एक ऐसा ब्रश डिज़ाइन करें जो जानता है कि भित्ति चित्र के लिए पेंट को बिल्कुल कैसे पकड़ना है, और आइए इसे विभिन्न कलात्मक शैलियों के बीच स्विच करना सिखाएं।"

और अचानक, वह छोटा ब्रश एक मास्टरपीस बना सकता है जो पुराने भारी ब्रशों को टक्कर दे। यह कला, डिज़ाइन और डेटा जनरेशन जैसे रचनात्मक कार्यों के लिए क्वांटम कंप्यूटरों को उपयोगी बनाने की दिशा में एक बहुत बड़ा कदम है।

यहाँ शोध पत्र "Scaling Quantum Machine Learning without Tricks: High-Resolution and Diverse Image Generation" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

क्वांटम जनरेटिव एडवरसैरियल नेटवर्क (QGANs) ऐतिहासिक रूप से हार्डवेयर की सीमाओं और उपयुक्त इंडक्टिव बायस (inductive biases) की कमी के कारण "टॉय एग्जांपल्स" (toy examples) या अत्यधिक प्रतिबंधित डेटासेट तक सीमित रहे हैं। उच्च-रिज़ॉल्यूशन वाली छवियां उत्पन्न करने के लिए पिछले अत्याधुनिक दृष्टिकोणों ने स्केलिंग समस्याओं को दूर करने के लिए "ट्रिक्स" (tricks) का उपयोग किया:

आयाम न्यूनीकरण (Dimensionality Reduction): क्वांटम जनरेशन से पहले क्वांटम जनरेशन के लिए छवियों को कम-आयामी लेटेंट स्पेस में संकुचित करने के लिए क्लासिकल ऑटोएनकोडर्स या PCA का उपयोग करना, जिसके बाद क्लासिकल पोस्ट-प्रोसेसिंग की जाती है।
पैच जनरेशन (Patch Generation): कई छोटे क्वांटम जनरेटरों को प्रशिक्षित करना, जिनमें से प्रत्येक एक छोटी पैच या छवि की पंक्ति के लिए जिम्मेदार होता है, न कि पूरी छवि को एंड-टू-एंड जनरेट करना।

ये विधियाँ क्वांटम मॉडलों की वास्तविक क्षमता को छिपा देती हैं, क्योंकि भारी काम अक्सर क्लासिकल घटकों द्वारा किया जाता है। लेखक एक एकल, एंड-टू-एंड क्वांटम जनरेटर को प्रशिक्षित करने का लक्ष्य रखते हैं जो बिना आयाम न्यूनीकरण या पैचिंग के मानक डेटासेट्स पर पूर्ण-रिज़ॉल्यूशन, विविध छवियां उत्पन्न करने में सक्षम हो।

2. कार्यप्रणाली (Methodology)

लेखक एक क्वांटम वासरस्टीन GAN (QGAN) फ्रेमवर्क का प्रस्ताव करते हैं जो इमेज डेटा के लिए विशेष रूप से डिज़ाइन किए गए मजबूत इंडक्टिव बायस पेश करने के लिए विशिष्ट डिज़ाइन विकल्पों को एकीकृत करता है। इस सिस्टम में एक क्वांटम जनरेटर ( $G$ ) और एक क्लासिकल कॉन्वोल्यूशनल डिस्क्रिमिनेटर ( $D$ ) शामिल है।

A. इमेज एनकोडिंग (FRQI)

सिस्टम फ्लेक्सिबल रिप्रेजेंटेशन ऑफ क्वांटम इमेजेस (FRQI) एनकोडिंग का उपयोग करता है:

एड्रेस क्वबिट्स (Address Qubits): $A$ क्वबिट्स पिक्सेल की स्थिति ( $2^A$ पिक्सेल) को एनकोड करते हैं।
कलर क्वबिट (Color Qubit): 1 क्वबिट रोटेशन एंगल्स के माध्यम से ग्रेस्केल तीव्रता को एनकोड करता है ( $\cos(\frac{\pi}{2}x_j)|0\rangle + \sin(\frac{\pi}{2}x_j)|1\rangle$ )।
इंडेक्सिंग (Indexing): पिक्सेल को मॉर्टन (Z-order) इंडेक्सिंग का उपयोग करके इंडेक्स किया जाता है, जो स्थानिक रूप से आसन्न पिक्सेल को इंडेक्स के बाइनरी प्रतिनिधित्व में समूहित करता है, जिससे एंटैंगलमेंट एंट्रॉपी कम होती है और स्टेट अधिक कंप्रेसिबल बनती है।

B. क्वांटम जनरेटर आर्किटेक्चर

जनरेटर एक वेरिएशनल क्वांटम सर्किट (VQC) है जिसे दो विशिष्ट इंडक्टिव बायस के साथ डिज़ाइन किया गया है:

टास्क-स्पेसिफिक एंसेट (Task-Specific Ansatz): जेनेरिक हार्डवेयर-एफिशिएंट एंसेट्स के विपरीत, यह सर्किट FRQI ट्रांसफॉर्मेशन के बीजगणित (algebra) की नकल करता है:
- इनिशियलाइजेशन (Initialization): हैडामार्ड गेट्स एक समान सुपरपोजिशन (एक समान ग्रे इमेज का प्रतिनिधित्व करने के लिए) बनाते हैं।
- नॉइज़ इंजेक्शन (Noise Injection): पैरामीटराइज्ड $R_x$ गेट्स एड्रेस क्वबिट्स में शोर (noise) इंजेक्ट करते हैं।
- एंटैंगलमेंट (Entanglement): अल्टरनेटिंग नियरस्ट-नेबर (N2) और नेक्स्ट-नियरस्ट-नेबर (N3) गेट्स की एक लैडर संरचना एड्रेस क्वबिट्स को एंटैंगल करती है। यह छवियों की पदानुक्रमित स्थानिक संरचना (विभिन्न पैमानों पर वर्टिकल और हॉरिजॉन्टल आयामों को मिलाना) को दर्शाता है।
- कलर मॉड्यूलेशन (Color Modulation): एड्रेस क्वबिट्स पर नियंत्रित $R_y$ रोटेशन, जो स्थानीयकृत पिक्सेल तीव्रता समायोजन की अनुमति देता है।
मल्टीमॉडल नॉइज़ ट्यूनिंग (Multimodal Noise Tuning):
- एक निश्चित यूनिमोडल गौसियन नॉइज़ के बजाय, मॉडल एक सीखने योग्य (learnable) गौसियन मिक्सचर मॉडल का उपयोग करता है।
- एक डिस्क्रीट मोड इंडेक्स $m$ को सैंपल किया जाता है, और नॉइज़ वेक्टर को उस मोड और लेयर के लिए विशिष्ट सीखने योग्य एफाइन पैरामीटर्स ( $\mu_m, \sigma_m$ ) के माध्यम से रूपांतरित किया जाता है।
- यह मॉडल को अलग-अलग इंट्रा-क्लास विविधताओं (जैसे, जूतों के विभिन्न स्टाइल) को अवास्तविक आर्टिफैक्ट्स में मिलाए बिना कैप्चर करने की अनुमति देता है।

C. ट्रेनिंग और नॉइज़ हैंडलिंग

WGAN-GP: सिस्टम स्थिर प्रशिक्षण और एक सार्थक लॉस लैंडस्केप सुनिश्चित करने के लिए ग्रेडिएंट पेनल्टी के साथ वासरस्टीन GAN (WGAN-GP) का उपयोग करता है।
शॉट नॉइज़ सिमुलेशन (Shot Noise Simulation): वास्तविक हार्डवेयर के लिए तैयार होने के लिए, लेखक मॉडल को फाइनाइट-शॉट सैंपलिंग (मापन शोर का अनुकरण) का उपयोग करके प्रशिक्षित करते हैं। यह जनरेटर को अधिक समान मार्जिनल प्रोबेबिलिटीज वाले स्टेट्स बनाने के लिए मजबूर करता है, जो उन "मिसिंग पिक्सल्स" को रोकता है जो तब होते हैं जब बेस स्टेट्स में बहुत कम एम्प्लीट्यूड होता है।

3. मुख्य योगदान (Key Contributions)

एंड-टू-एंड फुल-रिज़ॉल्यूशन जनरेशन: बिना डाइमेंशनलिटी रिडक्शन या पैचिंग के मानक डेटासेट्स (MNIST, Fashion-MNIST, SVHN) पर पूर्ण-रिज़ॉल्यूशन छवियां (32x32) बनाने वाले एकल क्वांटम जनरेटर का पहला प्रदर्शन।
सर्किट डिज़ाइन के माध्यम से इंडक्टिव बायस: यह सिद्ध करना कि जेनेरिक, एप्लीकेशन-अग्नोस्टिक एंसेट्स की तुलना में टास्क-स्पेसिफिक सर्किट आर्किटेक्चर (जो FRQI संरचना की नकल करते हैं) बेहतर होते हैं।
मल्टीमॉडल नॉइज़ इंजेक्शन: एक सीखने योग्य नॉइज़-ट्यूनिंग मैकेनिज्म पेश करना जो इमेज डायवर्सिटी में काफी सुधार करता है और मोड कोलैप्स (mode collapse) को रोकता है।
शॉट नॉइज़ के प्रति मजबूती: यह प्रदर्शित करना कि सिम्युलेटेड मेजरमेंट नॉइज़ के तहत प्रशिक्षण से अधिक मजबूत मॉडल मिलते हैं जो वास्तविक क्वांटम हार्डवेयर बाधाओं के तहत बेहतर प्रदर्शन करते हैं।

4. परिणाम (Results)

लेखकों ने अपने दृष्टिकोण का मूल्यांकन MNIST, Fashion-MNIST, और Street View House Numbers (SVHN) पर किया।

परफॉर्मेंस मेट्रिक्स: उन्होंने गुणवत्ता और विविधता को मापने के लिए फ्रैचेट इनसेप्शन डिस्टेंस (FID) का उपयोग किया। कम FID बेहतर प्रदर्शन को दर्शाता है।
- MNIST (10 क्लासेस): 118 का FID (64-लेयर मॉडल)।
- Fashion-MNIST (10 क्लासेस): 91 का FID (64-लेयर मॉडल)।
- SVHN (कलर, डिजिट 0): 84 का FID (32-लेयर मॉडल)।
स्टेट-ऑफ-द-आर्ट के साथ तुलना:
- लेखकों ने अपने सिंगल-जेनेरेटर QGAN की तुलना पिछले सर्वश्रेष्ठ "पैच-QGAN" (Tsang et al.) से की, जो MNIST के लिए 28 अलग-अलग जनरेटर का उपयोग करता है।
- MNIST (3 क्लासेस): उनके मॉडल ने FID 152 प्राप्त किया जबकि पैच-QGAN का 207 था।
- Fashion-MNIST (2 क्लासेस): उनके मॉडल ने FID 60 प्राप्त किया जबकि पैच-QGAN का 179 था।
एब्लेशन स्टडीज (Ablation Studies):
- टास्क-स्पेसिफिक बनाम जेनेरिक: जेनेरिक सर्किट्स ने अस्पष्ट, निम्न-गुणवत्ता वाली छवियां बनाईं जिनमें मोड कोलैप्स देखा गया (FID ~279)। स्थानिक सुसंगतता और एज डेफिनिशन के लिए टास्क-स्पेसिफिक डिज़ाइन आवश्यक था।
- नॉइज़ ट्यूनिंग: यूनिमोडल नॉइज़ से क्लास मिक्सिंग हुई (जैसे, अंकों का एक दूसरे में बदलना)। मल्टीमॉडल नॉइज़ और ट्यूनिंग ने स्पष्ट, उच्च-गुणवत्ता वाली क्लासेस का उत्पादन किया।
- ओवरमोडिंग (Overmoding): क्लासेस की तुलना में अधिक नॉइज़ मोड्स (जैसे, प्रति क्लास 4 मोड्स) का उपयोग करने से गुणवत्ता से समझौता किए बिना इंट्रा-क्लास विविधता (जैसे, बूट्स में अलग-अलग हील प्रकारों के बीच अंतर करना) बढ़ी।

5. महत्व और निष्कर्ष (Significance and Conclusion)

स्केलेबिलिटी: यह कार्य प्रदर्शित करता है कि क्वांटम जनरेटिव मॉडलिंग PCA या पैचिंग जैसे क्लासिकल "क्रच" (crutches) पर निर्भर हुए बिना पूर्ण-रिज़ॉल्यूशन छवियों तक स्केल कर सकता है।
संसाधन दक्षता: क्वांटम जनरेटर केवल 11–13 क्वबिट्स और लगभग 10,000 ट्रेन करने योग्य पैरामीटर्स का उपयोग करता है, जबकि क्लासिकल मॉडल अक्सर लाखों पैरामीटर्स की आवश्यकता रखते हैं।
व्यावहारिक मार्ग: शॉट-नॉइज़ स्थितियों के तहत प्रशिक्षण देकर और इंडक्टिव बायस का उपयोग करके, यह पेपर शुरुआती फॉल्ट-टोलरेंट हार्डवेयर पर निकट-अवधि क्वांटम इमेज जनरेशन के लिए एक ब्लूप्रिंट प्रदान करता है।
भविष्य का दृष्टिकोण: लेखक सुझाव देते हैं कि हालांकि वर्तमान परिणाम अभी तक सबसे उन्नत क्लासिकल डिफ्यूजन मॉडल्स से आगे नहीं निकले हैं, फिर भी यह दृष्टिकोण कुशल, स्ट्रक्चर-अलाइन्ड आर्किटेक्चर के माध्यम से जनरेटिव मॉडलिंग को नया आकार देने की क्षमता को उजागर करता है।

संक्षेप में, यह शोध पत्र हेयुरिस्टिक वर्कअराउंड्स से दूर जाकर और स्ट्रक्चरल प्रॉपर्टीज का लाभ उठाकर एक सिद्धांत-आधारित, टास्क-स्पेसिफिक डिज़ाइन को अपनाकर क्वांटम इमेज जनरेशन के लिए एक नया स्टेट-ऑफ-द-आर्ट स्थापित करता है।