⚛️ quantum physics

Efficient Quantum Algorithm for Robust Training

यह शोध पत्र एक एंड-टू-एंड क्वांटम एल्गोरिदम प्रस्तावित करता है जो प्रोजेक्टेड-ग्रेडिएंट एडवरसेरियल ट्रेनिंग को एक उच्च-आयामी स्पार्स लीनियर सिस्टम के रूप में पुनर्गठित करता है, जिससे एक ऐसा क्वेरी कॉस्ट प्राप्त होता है जो बड़े पैमाने के मॉडलों के लिए रोबस्ट ट्रेनिंग के कम्प्यूटेशनल ओवरहेड को महत्वपूर्ण रूप से कम करने के लिए ट्रेनिंग स्टेप्स के साथ रैखिक रूप से और मॉडल के आकार के साथ पॉलीलॉगरिदमिक रूप से स्केल करता है।

मूल लेखक: Yue Wang, Guangyi He, Liepeng Zhang, Lukas Gonon, Qi Zhao

प्रकाशित 2026-03-31

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yue Wang, Guangyi He, Liepeng Zhang, Lukas Gonon, Qi Zhao

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 बिल्लियों को पहचानना सिखा रहे हैं। लेकिन एक समस्या है, एक शरारती हैकर रोबोट को चकमा देने के लिए बिल्लियों की तस्वीरों में नन्हे, अदृश्य शोर (noise) के कण मिलाता रहता है। ये कण इतने छोटे हैं कि मानवीय आँख उन्हें देख नहीं सकती, लेकिन वे रोबोट को यह सोचने पर मजबूर कर देते हैं कि बिल्ली एक टोस्टर है।

रोबस्ट ट्रेनिंग (Robust training) वह प्रक्रिया है जो रोबोट को इन चालों को अनदेखा करना सिखाती है। इसे करने के लिए, रोबोट को हर एक सबक से पहले हैकर के साथ "शतरंज" का खेल खेलना पड़ता है।

हैकर की चाल: रोबोट खुद को धोखा देने के लिए सबसे सटीक नन्हा कण खोजने की कोशिश करता है।
रोबोट की चाल: रोबोट उस चाल से सीखता है और अपने दिमाग को उसका विरोध करने के लिए अपडेट करता है।
दोहराना: वे इसे बार-बार करते हैं।

समस्या: यह "शतरंज का खेल" अविश्वसनीय रूप से धीमा और महंगा है। जैसे-जैसे रोबोट स्मार्ट होते जा रहे हैं (बड़े मॉडल्स), इस खेल को खेलने में लगने वाला समय इतना लंबा होता जा रहा है कि बड़े पैमाने पर उन्हें प्रशिक्षित करना व्यावहारिक रूप से असंभव हो जाता है। यह एक गगनचुंबी इमारत बनाने जैसा है, जहाँ आपको हर एक ईंट को मैन्युअल रूप से हथौड़े से ठोकना पड़ता है जबकि इंजीनियरों की एक टीम उसे गिराने की कोशिश कर रही होती है।

क्वांटम समाधान: "टाइम-ट्रैवलिंग ब्लूप्रिंट" (समय की यात्रा करने वाला खाका)

यह पेपर एक चतुर तरीका प्रस्तावित करता है जिससे क्वांटम कंप्यूटर का उपयोग करके इस धीमी, बार-बार होने वाली हथौड़े चलाने की प्रक्रिया को छोड़ा जा सके। स्टेप-दर-स्टेप गेम खेलने के बजाय, वे पूरी प्रशिक्षण प्रक्रिया को एक विशाल, जटिल पहेली में बदल देते हैं जिसे एक ही बार में हल किया जा सकता है।

यहाँ बताया गया है कि उन्होंने इसे कैसे किया (सादृश्य/एनालॉजी के माध्यम से):

1. "स्मूदी" रूपांतरण (पॉलीनोमियल सरोगेट्स - Polynomial Surrogates)

मूल प्रशिक्षण प्रक्रिया "ऊबड़-खाबड़" (bumpy) है। इसमें तीखे निर्णय शामिल हैं (जैसे "क्या एक पिक्सेल पॉजिटिव है या नेगेटिव?") जिन्हें संभालना गणित के लिए कठिन है।

समाधान: लेखकों ने इन ऊबड़-खाबड़, तीखे निर्णयों को सुचारू, घुमावदार "पॉलीनोमियल" अनुमानों से बदल दिया। इसे एक ऊबड़-खाबड़, पथरीले रास्ते को एक चिकनी, घुमावदार स्लाइड में बदलने की तरह समझें। यह बिल्कुल वही रास्ता नहीं है, लेकिन यह काफी करीब है जिससे रोबोध सही सबक सीख सके, और अब गणित सुचारू रूप से बह सकता है।

2. "कारलेमन लिफ्ट" (टाइमलाइन को खोलना - Unfolding the Timeline)

सामान्यतः, रोबोट एक लूप में सीखता है: स्टेप 1, स्टेप 2, स्टेप 3... हैकर हमला करता है, रोबोट सीखता है, हैकर फिर से हमला करता है। यही लूप मुख्य बाधा (bottleneck) है।

समाधान: लेखकों ने कारलेमन लिफ्टिंग (Carleman Lifting) नामक एक गणितीय ट्रिक का उपयोग किया। कल्पना कीजिए कि आपके पास रोबोट के प्रशिक्षण की एक मूवी रील है। मूवी को फ्रेम-दर-फ्रेम देखने के बजाय (जो धीमा है), उन्होंने पूरी मूवी को एक एकल, विशाल, उच्च-आयामी ब्लूप्रिंट में "अनफोल्ड" या खोल दिया।
इस ब्लूप्रिंट में, "हमलावर" और "सीखने वाला" अब एक लूप में लड़ नहीं रहे हैं। वे बस एक विशाल, स्थिर संरचना के अलग-अलग हिस्से हैं। पूरे प्रशिक्षण का इतिहास एक बड़े समीकरण में लिख दिया गया है।

3. "विशाल पहेली" (स्पार्स लीनियर सिस्टम - Sparse Linear System)

एक बार जब प्रशिक्षण को इस ब्लूप्रिंट में अनफोल्ड कर दिया जाता है, तो समस्या "लूप को सिम्युलेट करने" से बदलकर "एक विशाल पहेली को हल करने" में बदल जाती है।

यह पहेली एक स्पार्स लीनियर सिस्टम (Sparse Linear System) है। "स्पार्स" का अर्थ है कि पहेली के अधिकांश हिस्से खाली (शून्य) हैं, जो इसे हल करने के लिए बहुत कुशल बनाता है।
एक क्लासिकल कंप्यूटर में, इस विशाल पहेली को हल करने में अभी भी बहुत समय लगेगा क्योंकि पहेली बहुत बड़ी है।
क्वांटम जादू: क्वांटम कंप्यूटर इन विशिष्ट प्रकार की "स्पार्स" पहेलियों को हल करने में माहिर होते हैं। वे लगभग तुरंत पूरे टाइमलाइन का समाधान पा सकते हैं, जो आकार के बजाय उसके 'लॉगारिदम' (logarithm) के अनुपात में बढ़ता है (जो कि बहुत छोटा है)।

परिणाम: भविष्य का एक "स्नैपशॉट"

रोबोट के स्टेप-दर-स्टेप सीखने का इंतज़ार करने के बजाय, क्वांटम कंप्यूटर विशाल पहेली को हल करता है और आपको प्रशिक्षण समाप्त करने के बाद के रोबोट के दिमाग का एक क्वांटम स्नैपशॉट देता है।

चुनौती: आप क्वांटम स्नैपशॉट को देखकर सामान्य फ़ाइल की तरह नंबर नहीं पढ़ सकते। अंतिम उत्तर प्राप्त करने के लिए आपको इसे "मेज़र" (measure) करना होगा।
लाभ: मेज़र करने की लागत के बावजूद, कुल बचा हुआ समय बहुत बड़ा है। पेपर दिखाता है कि बड़े मॉडल्स के लिए, यह विधि प्रशिक्षण के समय को वर्षों से घटाकर घंटों या दिनों में ला सकती है।

एक वाक्य में सारांश

लेखकों ने "हैकर बनाम लर्नर" के धीमे, दोहराव वाले खेल को एक एकल, विशाल गणितीय पहेली में बदलने का तरीका खोजा लिया है जिसे एक क्वांटम कंप्यूटर पलक झपकते ही हल कर सकता है, जिससे प्रभावी रूप से हम पहले की तुलना में बहुत तेज़ी से अत्यधिक सुरक्षित AI को प्रशिक्षित कर सकते हैं।

यहाँ युए वांग (Yue Wang) और अन्य द्वारा लिखित शोध पत्र "Efficient Quantum Algorithm for Robust Training" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

मशीन लर्निंग में एडवरसैरियल रोबस्टनेस (Adversarial Robustness):
मशीन लर्निंग सिस्टम 'एडवरसैरियल एग्जांपल्स' (adversarial examples) के प्रति संवेदनशील होते हैं—ये ऐसे इनपुट होते हैं जिनमें सूक्ष्म परिवर्तन (perturbations) किए जाते हैं जो गलत वर्गीकरण (misclassification) का कारण बनते हैं। रोबस्ट ट्रेनिंग (विशेष रूप से प्रोजेक्टेड ग्रेडिएंट डिसेंट या PGD-आधारित एडवरसैरियल ट्रेनिंग) मानक रक्षा प्रणाली है। इसमें एक मि-मैक्स (min-max) अनुकूलन शामिल है जहाँ, प्रत्येक पैरामीटर अपडेट के लिए, मॉडल पर पहले एक "हमला" (attack) किया जाता है ताकि सबसे खराब स्थिति वाले बदलाव को खोजा जा सके, और फिर उस परिवर्तित इनपुट पर मॉडल को अपडेट किया जाता है।

बाधा (The Bottleneck):
रोबस्ट ट्रेनिंग का प्राथमिक कम्प्यूटेशनल बोझ संरचनात्मक (structural) है। मानक ट्रेनिंग (एक बैच प्रति एक अपडेट) के विपरीत, रोबस्ट ट्रेनिंग में प्रत्येक बाहरी इटरेशन के भीतर एक युग्मित (coupled) अटैकर-लर्नर लूप की आवश्यकता होती है। हमलावर को वर्तमान मॉडल अवस्था के लिए आंतरिक मैक्सिमाइजेशन समस्या (बदलाव खोजना) को हल करना होता है, और फिर लर्नर उस परिणाम के आधार पर मॉडल को अपडेट करता है। यह बार-बार होने वाला, क्रमिक युग्मन (sequential coupling) रोबस्ट ट्रेनिंग को मानक ट्रेनिंग की तुलना में काफी अधिक महंगा बना देता है, जिससे एक स्केलेबिलिटी बाधा उत्पन्न होती है।

प्रश्न:
क्या क्वांटम कंप्यूटिंग इस विशिष्ट वर्कलोड बाधा को हल करने के लिए एक कठोर न्यूनीकरण (rigorous reduction) प्रदान कर सकती है? जबकि क्वांटम मशीन लर्निंग (QML) अक्सर क्वांटम मॉडल्स को प्रशिक्षित करने पर ध्यान केंद्रित करती है, यह शोध पत्र पूछता है कि क्या इस क्लासिकल रोबस्ट ट्रेनिंग लूप को क्वांटम न्यूनीकरण के माध्यम से अधिक कुशलता से निष्पादित किया जा सकता है।

2. कार्यप्रणाली (Methodology)

लेखक एक एंड-टू-एंड क्वांटम प्रक्रिया प्रस्तावित करते हैं जो युग्मित अटैकर-लर्नर डायनेमिक्स को एक उच्च-आयामी स्पार्स लीनियर सिस्टम (high-dimensional sparse linear system) में पुनर्गठित करती है। मुख्य कार्यप्रणाली में तीन मुख्य चरण शामिल हैं:

A. पॉलिनॉमियल सरोगेट एप्रोक्सिमेशन (Polynomial Surrogate Approximation)

मूल रोबस्ट ट्रेनिंग डायनेमिक्स में नॉन-स्मूथ ऑपरेशन्स (ग्रेडिएंट के लिए साइन फंक्शन और बाधाओं के लिए क्लिपिंग/प्रोजेक्शन) शामिल होते हैं जो लीनियर करने में कठिन होते हैं।

लेखक नॉन-स्मूथ साइन और क्लिपिंग फंक्शन को पॉलिनॉमियल एप्रोक्सिमेशन ( $P_s$ और $P_c$ ) से बदलते हैं।
वे ग्रेडिएंट ब्लॉक्स को भी पॉलिनॉमियल से एप्रोक्सिमेट करते हैं।
यह रोबस्ट ट्रेनिंग के एक पूर्ण बाहरी इटरेशन (अटैकर + लर्नर) को संयुक्त अवस्था $v_t = (\delta_t, u_t)$ पर कार्य करने वाले एक पॉलिनॉमियल मैप $\Psi_t(v_t)$ में बदल देता है, जहाँ $\delta$ परिवर्तन है और $u$ मॉडल पैरामीटर है।

B. डिस्क्रीट-टाइम कारलेमैन लिफ्टिंग (Discrete-Time Carleman Lifting)

एक बार जब डायनेमिक्स पॉलिनॉमियल हो जाती हैं, तो लेखक स्टेट स्पेस का विस्तार करके नॉनलीनियर सिस्टम को लीनियर करने की एक तकनीक, कारलेमैन लिफ्टिंग लागू करते हैं।

वे एक लिफ्टेड स्टेट वेक्टर $y^{(N)}(t)$ को परिभाषित करते हैं जिसमें संयुक्त अवस्था के सभी मोनॉमियल्स (monomials) डिग्री $N$ तक शामिल होते हैं (जैसे, $v, v^{\otimes 2}, \dots, v^{\otimes N}$ )।
नॉनलीनियर पॉलिनॉमियल अपडेट $\Psi_t$ को इस उच्च-आयामी स्थान में एक लीनियर रिकरेंस में परिवर्तित किया जाता है:
$\hat{y}(t+1) = B(t)\hat{y}(t) + c(t)$
जहाँ $B(t)$ पॉलिनॉमियल गुणांकों से प्राप्त एक स्पार्स मैट्रिक्स है।

C. होराइजन लीनियर सिस्टम फॉर्मुलेशन (Horizon Linear System Formulation)

ट्रेनिंग स्टेप-बाय-स्टेप सिम्युलेट करने के बजाय (जो क्लासिकल दृष्टिकोण है), लेखक पूरे प्रशिक्षण विंडो $T$ को एक एकल वैश्विक लीनियर सिस्टम में "अनरोल" (unroll) करते हैं।

वे समय के साथ लिफ्टेड स्टेट्स को स्टैक करते हैं: $Y = (\hat{y}(0), \dots, \hat{y}(T))$ ।
यह एक ब्लॉक लोअर-बायडायगोनल स्पार्स लीनियर सिस्टम बनाता है:
$M Y = B_{rhs}$
जहाँ $M$ होराइजन मैट्रिक्स है और $B_{rhs}$ प्रारंभिक अवस्था और फोर्सिंग टर्म्स को दर्शाता है।
मुख्य अंतर्दृष्टि: बार-बार होने वाला अटैकर-लर्नर लूप अब अनुकूलन कॉल्स का एक क्रम नहीं है, बल्कि एक एकल संरचित लीनियर अलजेब्रा ऑब्जेक्ट है।

D. क्वांटम समाधान और रीडआउट (Quantum Solution and Readout)

सॉल्वर: $MY = B_{rhs}$ को हल करने के लिए एक क्वांटम लीनियर सिस्टम एल्गोरिदम (QLSA), जैसे HHL या इसके वेरिएंट का उपयोग किया जाता है। समाधान एक क्वांटम अवस्था $|Y\rangle$ है जो संपूर्ण प्रशिक्षण प्रक्षेपवक्र (trajectory) को एनकोड करता है।
जटिलता (Complexity): क्वेरी जटिलता लिफ्टेड सिस्टम के आयाम ( $N_h$ ) के पॉलीलॉगैरिदमिकली (polylogarithmically) और कंडीशन नंबर $\kappa(M)$ तथा स्पर्सिटी $s_M$ के रैखिक रूप से स्केल करती है।
रीडआउट: अंतिम मॉडल पैरामीटर्स को समाधान अवस्था के "टर्मिनल डिग्री-1 ब्लॉक" से निकाला जाता है। स्थानीय स्थिरता (local stability/contractivity) और अंतिम वेट्स की स्पर्सिटी की धारणाओं के तहत, अंतिम वेट्स का क्लासिकल विवरण स्टेट टोमोग्राफी के माध्यम से कुशलतापूर्वक प्राप्त किया जा सकता है।

3. प्रमुख योगदान (Key Contributions)

कठोर क्वांटम न्यूनीकरण (Rigorous Quantum Reduction): यह शोध पत्र स्थानीय स्थिरता और स्पर्सिटी की धारणाओं के तहत प्रोजेक्टेड-ग्रेडिएंट रोबस्ट ट्रेनिंग को एक स्पार्स लीनियर सिस्टम में मैप करने वाला पहला कठोर गणितीय पुनर्गठन प्रदान करता है।
जटिलता लाभ (Complexity Advantage):
- क्लासिकल: प्रशिक्षण चरणों की संख्या $T$ और आंतरिक अटैक लूप की लागत के साथ रैखिक रूप से स्केल करता है।
- क्वेलम: डोमिनेंट क्वेरी कॉस्ट $\tilde{O}(s_M \kappa^2(M) \text{polylog}(N_h) / \epsilon_{LS})$ के रूप में स्केल करती है। महत्वपूर्ण रूप से, प्रशिक्षण होराइजन $T$ और मॉडल आकार पर निर्भरता लीनियर के बजाय पॉलीलॉगैरिदमिक (लिफ्टेड डायमेंशन $N_h$ के माध्यम से) है।
नॉन-स्मूथनेस को संभालना: यह कार्य पॉलिनॉमियल सरोगेट्स का उपयोग करके और कारलेमैन ट्रंकेशन बाउंड्स के माध्यम से एप्रोक्सिमेशन एरर को नियंत्रित करके एडवरसैरियल ट्रेनिंग के नॉन-स्मूथ घटकों (साइन/प्रोजेक्शन) को संभालने के लिए एक विशिष्ट तकनीक पेश करता है।
एंड-टू-एंड प्रक्रिया: यह पेपर युग्मित अवस्था परिभाषा से लेकर पॉलिनॉमियल सरोगेट, लिफ्टिंग, लीनियर सिस्टम असेंबली और अंतिम पैरामीटर एक्सट्रैक्शन तक की पूरी पाइपलाइन का विवरण देता है।

4. परिणाम (Results)

सैद्धांतिक गारंटी: मुख्य प्रमेय सिद्ध करता है कि यदि सिस्टम स्थानीय रूप से स्थिर (contractive) है और होराइजन मैट्रिक्स स्पार्स और वेल-कंडीशन्ड है, तो एक क्वांटम प्रक्रिया अंतिम नेटवर्क पैरामीटर्स का एक क्लासिकल विवरण त्रुटि $\epsilon_{out}$ के साथ उत्पन्न कर सकती है।
कंडीशनिंग: कॉन्ट्रैक्टिव लोकल रिजीम में, कंडीशन नंबर $\kappa(M)$ एक स्थिरांक द्वारा या $T$ के रैखिक रूप से सीमित होता है, जिससे यह सुनिश्चित होता है कि क्वांटम सॉल्वर कुशल बना रहे।
संख्यात्मक सिमुलेशन (Numerical Simulation):
- लेखकों ने एक रिड्यूस्ड MNIST टास्क (अंक 0-4) पर रिड्यूस्ड अपडेट मॉडल (पॉलिनॉमियल सरोगेट) को मान्य किया।
- उन्होंने क्लीन-ओनली, रोबस्ट-ओनली और मिक्स्ड ट्रेनिंग मोड की तुलना की।
- सिमुलेशन ने पुष्टि की कि रिड्यूस्ड मॉडल (पॉलिनॉमियल सरोगेट का उपयोग करके) मानक ट्रेनिंग के समान स्थिर डायनेमिक्स और प्लेटो प्रदर्शित करता है, जो उपयोग की गई एप्रोक्सिमेशन रणनीति को मान्य करता है।
- नोट: सिमुलेशन ने लीनियर सिस्टम संरचना को सत्यापित करने के लिए एक क्वांटम बैकएंड सिम्युलेटर (MindSpore Quantum) में फीड किए गए रिड्यूस्ड मॉडल के क्लासिकल कार्यान्वयन का उपयोग किया, न कि पूर्ण-स्तरीय क्वांटम निष्पादन का।

5. महत्व और भविष्य की दिशाएं (Significance and Future Directions)

क्वांटम फुटिंग पर AI सुरक्षा: यह कार्य AI सुरक्षा को एक शुद्ध क्लासिकल अनुकूलन समस्या से एक ठोस क्वांटम कम्प्यूटेशनल कार्य में ले जाता है। यह एक विशिष्ट क्षेत्र (स्थानीय स्थिरता + स्पर्सिटी) की पहचान करता है जहाँ रोबस्ट ट्रेनिंग के ओवरहेड को काफी कम किया जा सकता है।
QML से परे: कई QML पेपर्स के विपरीत, जो क्वांटम मॉडल्स को प्रशिक्षित करने का प्रस्ताव देते हैं, यह पेपर क्वांटम एल्गोरिदम का उपयोग करके क्लासिकल मॉडल्स को एडवरसैरियल हमलों के खिलाफ कुशलतापूर्वक प्रशिक्षित करने के विषय में है।
सीमाएँ और खुले प्रश्न:
- धारणाएँ: यह विधि स्थानीय स्थिरता (प्रशिक्षण प्रक्षेपवक्र एक कॉन्ट्रैक्टिव क्षेत्र में रहना चाहिए) और अंतिम पैरामीटर्स की स्पर्सिटी पर निर्भर करती है।
- रीडआउट: अंतिम पैरामीटर्स के कुशल निष्कर्षण के लिए आउटपुट का स्पार्स या कंप्रेसिबल होना आवश्यक है।
- एप्रोक्सिमेशन एरर: पॉलिनॉमियल सरोगेट एक त्रुटि पेश करता है जिसे लंबे प्रशिक्षण विंडो के दौरान नियंत्रित किया जाना चाहिए।
- भविष्य का कार्य: लेखक ट्रांसफर बाउंड्स को रिफाइन करने, अधिक सुरक्षा-प्रासंगिक टर्मिनल मात्राओं की पहचान करने, जिनमें पूर्ण स्टेट रिकवरी की आवश्यकता न हो, और रेड्यूसन को व्यापक थ्रेट मॉडल्स (जैसे, ट्रांसपोर्ट-बेस्ड) तक विस्तारित करने का सुझाव देते हैं।

संक्षेप में, यह शोध पत्र एक नया क्वांटम एल्गोरिदम प्रस्तावित करता है जो एडवरसैरियल रोबस्ट ट्रेनिंग की पुनरावृत्त, महंगी प्रक्रिया को एक एकल स्पार्स लीनियर सिस्टम समाधान में बदल देता है, जो विशिष्ट संरचनात्मक धारणाओं के तहत प्रशिक्षण होराइजन और मॉडल आकार के संबंध में एक संभावित घातांकीय (exponential) गति प्रदान करता है।