From Reachability to Learnability: Geometric Design Principles for Quantum Neural Networks

यहाँ विशाल एस. नगाइरंगम और माइकल स्पैनोव्स्की के शोध पत्र "From Reachability to Learnability: Geometric Design Principles for Quantum Neural Networks" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

क्लासिकल डीप न्यूरल नेटवर्क इसलिए प्रभावी हैं क्योंकि उनके लेयर्स डेटा रिप्रजेंटेशन की ज्यामिति (geometry) को अनुकूल रूप से विकृत (deform) कर सकते हैं। इसके विपरीत, वर्तमान क्वांटम न्यूरल नेटवर्क (QNN) डिज़ाइन अक्सर स्टेट रीचेबिलिटी (नियंत्रणीयता, अभिव्यक्तता, या सार्वभौमिक सन्निकटन गारंटी) पर ध्यान केंद्रित करते हैं। लेखक तर्क देते हैं कि केवल गहराई (depth) या स्टेट रीचेबिलिटी, QNN में फीचर-लर्निंग क्षमता की गारंटी नहीं देती है।

मूल समस्या जिसका समाधान किया गया है वह है: एक क्वांटम लेयर को उपयोगी हिडन रिप्रजेंटेशन सीखने के लिए पर्याप्त लचीला बनाने के लिए क्या आवश्यक है, न कि केवल कठोर रूपांतरण (rigid transformations) लागू करने के लिए?

• डेटा-स्वतंत्र ट्रेन करने योग्य यूनिटरीज (Data-independent trainable unitaries): ये ट्यून करने योग्य तो हैं लेकिन ज्यामितीय रूप से कठोर (isometries) हैं; वे सीखने योग्य पुनर्रचना (reorientations) के रूप में कार्य करते हैं लेकिन डेटा मैनिफोल्ड को विकृत नहीं कर सकते।
• शुद्ध डेटा एनकोडिंग (Pure data encodings): ये चयनात्मक (डेटा-निर्भर) हैं लेकिन ट्यून करने योग्य नहीं हैं; वे निश्चित विकृतियाँ (fixed deformations) उत्पन्न करते हैं जिन्हें प्रशिक्षण के दौरान अनुकूलित नहीं किया जा सकता है।
• फिक्स्ड एंटैंगलर्स (Fixed entanglers): जैसे कि CNOT गेट्स, अकेले कई-क्विबिट स्टेट मैनिफोल्ड्स पर अनुकूलित ज्यामितीय नियंत्रण प्रदान नहीं करते हैं।

2. कार्यप्रणाली (Methodology)

लेखक QNN का विश्लेषण प्योर-स्टेट मैनिफोल्ड सेटिंग ($M_n \cong \mathbb{C}P^{2^n-1}$) के भीतर करते हैं, जहाँ एनकोडेड डेटा को एक एम्बेडेड मैनिफोल्ड के रूप में माना जाता है। वे ली-ग्रुप क्रियाओं (Lie-group actions) की इन्फिनिटेसिमल ज्यामिति का उपयोग करके डिज़ाइन नियम प्राप्त करते हैं।

• क्लासिकल-टू-ली-एल्जेब्रा (CLA) मैप्स: वे एक औपचारिकता पेश करते है जो क्लासिकल इनपुट ($x$) और ट्रेन करने योग्य वेट्स ($w$) को ली-एल्जेब्रा $\mathfrak{g} \subset \mathfrak{su}(2^n)$ के तत्वों से जोड़ती है। प्रभावी जनरेटर को इस प्रकार परिभाषित किया गया है:
  $$\Gamma(w, x) = \sum_{j=1}^k \alpha_j(w_j, x) G_j$$
  जहाँ $\alpha_j$ वे मैप्स हैं जो वेट्स और डेटा पर निर्भरता निर्धारित करते हैं।
• ऑलमोस्ट कम्पलीट लोकल सिलेक्टिविटी (aCLS): ज्यामितीय लचीलापन प्राप्त करने के लिए, CLA मैप को एक साथ दो शर्तों को पूरा करना चाहिए:
  1. पूर्णता (Completeness): वेट जैकोबियन मैट्रिक्स का रैंक पूर्ण होना चाहिए (पैरामीटर्स सभी उपलब्ध जनरेटर दिशाओं को नियंत्रित करने चाहिए)।
  2. स्थानीय चयनात्मकता (Local Selectivity): डेटा जैकोबियन मैट्रिक्स का रैंक पूर्ण होना चाहिए (क्रिया इनपुट मैनिफोल्ड केAcross भिन्न होनी चाहिए)।
  • आवश्यकता: इसके लिए वेट्स और डेटा के बीच एक गैर-तुच्छ संयुक्त निर्भरता (जैसे, द्विपद रूप/bilinear forms $\alpha_j = w_j \cdot x$) की आवश्यकता होती है। डेटा और वेट्स को अलग-अलग ब्लॉक्स में विभाजित करना इस मानदंड में विफल रहता है।
• पैरामीटराइज्ड एंटैंगलर्स (Parametrized Entanglers): कई-क्विबिट मैनिफोल्ड्स के तेजी से बढ़ते ज्यामितीय स्वतंत्रता (degrees of freedom) तक पहुँचने के लिए पैरामीटराइज्ड एंटैंगलिंग दिशाओं की आवश्यकता होती है। फिक्स्ड एंटैंगलर्स सुलभ विरूपण (deformations) को एक सब-एल्जेब्रा (जैसे, $\bigoplus \mathfrak{su}(2)$) तक सीमित कर देते हैं, जिससे ज्यामितीय लचीलापन सीमित हो जाता है।

3. मुख्य योगदान (Key Contributions)

1. प्रतिमान परिवर्तन (Paradigm Shift): QNN डिज़ाइन के फोकस को "स्टेट रीचेबिलिटी" (क्या हम एक लक्षित अवस्था तक पहुँच सकते हैं?) से "नियंत्रणीय ज्यामिति" (क्या हम छिपे हुए क्वांटम फीचर स्पेस को अनुकूल रूप से आकार दे सकते हैं?) की ओर ले जाता है।
2. ज्यामितीय मानदंड (aCLS): यह एक आवश्यक स्थिति को परिभाषित करता है जिसके लिए QNN लेयर्स को फीचर लर्निंग करने में सक्षम होना चाहिए। aCLS को संतुष्ट करने वाले लेयर्स डेटा मैनिफोल्ड के अनुकूल, ट्रेन करने योग्य विरूपणों की अनुमति देते हैं, जबकि इसे संतुष्ट न करने वाले लेयर्स कठोर रोटेशन या निश्चित विकृतियों की तरह व्यवहार करते हैं।
3. सामान्य आर्किटेक्चर का निदान (Diagnosis of Common Architectures):
   • डेटा-स्वतंत्र लेयर्स: इन्हें गैर-चयनात्मक (ग्लोबल आइसोमेट्रियां) सिद्ध किया गया है, जो फीचर डिफॉर्मर के बजाय सीखने योग्य बायस टर्म की तरह व्यवहार करते हैं।
   • प्योर डेटा री-अपलोड (PDR): इसे गैर-ट्यून करने योग्य (निश्चित विकृतियाँ) सिद्ध किया गया है, जिसमें प्रशिक्षण के दौरान विरूपण की डिग्री को अनुकूलित करने की क्षमता का अभाव है।
4. संसाधन दक्षता (Resource Efficiency): यह प्रदर्शित करता है कि aCLS को संतुष्ट करने से पारंपरिक री-अपलोड बेसलाइन की तुलना में काफी कम क्वांटम संसाधनों (क्विबिट्स और गेट्स) के साथ उच्च-आयामी ज्यामितीय विरूपण प्राप्त किया जा सकता है।

4. परिणाम (Results)

लेखकों ने एक aCLS-संतुष्ट मॉडल की तुलना प्योर डेटा री-अपलोड (PDR) बेसलाइन से करते हुए संख्यात्मक बेंचमार्क का उपयोग करके अपने ढांचे को मान्य किया।

• डेटासेट्स:
  1. यूनिफॉर्म हाइपरस्फीयर: $\mathbb{R}^6$ में संकेंद्रित 5D हाइपरस्फीयर का बाइनरी वर्गीकरण।
  2. टॉप डिके (Top Decay): LHC पर टॉप क्वार्क डिके (सीक्वेंशियल बनाम डायरेक्ट थ्री-बॉडी) का बाइनरी वर्गीकरण।
  3. जेट क्लासिफिकेशन: पार्टिकल जेट्स का मल्टी-क्लास वर्गीकरण (JetClass डेटासेट)।
• प्रदर्शन:
  • aCLS मॉडल ने सभी डेटासेट्स में AUC और सटीकता के मामले में PDR मॉडल को लगातार पछाड़ा।
  • हाइपरस्फीयर: aCLS मॉडल ने 6 क्विबिट्स वाले PDR मॉडल को पछाड़ने के लिए केवल 2 क्विबिट्स का उपयोग किया।
  • टॉप डिके: aसीएस मॉडल ने कम क्विबिट्स (5 बनाम 8) के साथ उच्च AUC (0.795 बनाम 0.751) प्राप्त किया।
  • जेट क्लासिफिकेशन: aCS मॉडल ने सभी वर्गों के लिए वन-वर्सेस-ऑल AUC में निरंतर सुधार दिखाया।
• संसाधन दक्षता:
  • aCLS मॉडल्स को काफी कम पैरामीटराइज्ड गेट ऑपरेशंस की आवश्यकता थी। हाइपरस्फीयर परिदृश्य में, aCS मॉडल ने तुलनीय या बेहतर पैरामीटर काउंट बनाए रखते हुए, PDR मॉडल द्वारा आवश्यक गेट ऑपरेशंस के लगभग एक-चौथाई का उपयोग किया।
  • यह सुझाव देता है कि ज्यामितीय लचीलापन (aCLS के माध्यम से) बेहतर सर्किट दक्षता की ओर ले जाता है।

5. महत्व (Significance)

यह कार्य QML अभ्यासकर्ताओं के लिए एक व्यावहारिक आर्किटेक्चर-डिज़ाइन चेकलिस्ट प्रदान करता है, जिससे 'ट्रायल-एंड-एरर' (परीक्षण और त्रुटि) पद्धति से होने वाली खोज की आवश्यकता कम हो जाती है।

• सैद्धांतिक प्रभाव: यह QNN लेयर्स की समझ को फिर से परिभाषित करता है, यह समझाता है कि क्यों कुछ आर्किटेक्चर स्थिर (plateau) हो जाते हैं (वे फीचर लर्नर के बजाय सीखने योग्य आइसोमेट्री या निश्चित विकृति बन जाते हैं)।
• व्यावहारिक प्रभाव: यह क्लासिकल इनपुट डेटा के लिए क्वांटम लाभ (Quantum Advantage) प्राप्त करने का एक मार्ग प्रदान करता है, जिससे क्वांटम स्टेट मैनिफोल्ड पर ज्यामितीय फीचर लर्निंग के लिए घातीय रूप से बड़े वास्तविक आयामों तक पहुँचा जा सकता है, हालांकि इसके लिए पैरामीटराइज्ड गेट ऑपरेशंस की लागत चुकानी पड़ती है।
• डिज़ाइन नियम: सक्षम QNN बनाने के लिए, आपको ट्रेन करने योग्य वेट्स को डेटा-निर्भर जनरेटर्स (जैसे, द्विपद मैप्स के माध्यम से) के साथ जोड़ना होगा और पूर्ण मैनिफोल्ड ज्यामिति तक पहुँचने के लिए पैरामीटराइज्ड एंटैंगलिंग दिशाओं को शामिल करना होगा।

निष्कर्षतः, यह शोध पत्र स्थापित करता है कि नियंत्रणीय ज्यामिति (controllable geometry), सरल स्टेट रीचेबिलिटी के बजाय, सीखने की क्षमता (learnability) के लिए मौलिक आवश्यकता है।