Efficient and Practical Black-Box Verification of Quantum Metric Learning Algorithms

यहाँ शोध पत्र "Efficient and Practical Black-Box Verification of Quantum Metric Learning Algorithms" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

क्वांटम मेट्रिक लर्निंग (QML) का लक्ष्य शास्त्रीय डेटा को एक उच्च-आयामी क्वांटम हिल्बर्ट स्पेस (Hilbert space) में मैप करना है ताकि अलग-अलग वर्गों (classes) के डेटा बिंदु अधिकतम रूप से अलग (आदर्श रूप से ऑर्थोगोनल) हों, जबकि एक ही वर्ग के बिंदु एक साथ क्लस्टर में हों। यह पृथक्करण डाउनस्ट्रीम क्वांटम क्लासिफायर (जैसे हेलस्ट्रॉम या फिडेलिटी-आधारित क्लासिफायर) के प्रदर्शन के लिए अत्यंत महत्वपूर्ण है।

हालाँकि, वर्तमान नोइज़ी इंटरमीडिएट-स्केल क्वांटम (NISQ) हार्डवेयर पर, और अविश्वसनीय क्लाउड कंप्यूटिंग परिदृश्यों में, यह सत्यापित करना कठिन है कि दावा किया गया क्वांटम एम्बेडिंग मॉडल वास्तव में वादा की गई पृथक्करण क्षमता प्राप्त करता है या नहीं। इसके दो मुख्य कारण हैं:

1. ब्लैक-बॉक्स बाधा (Black-Box Constraint): सत्यापनकर्ता (verifier) के पास प्रदाता (prover) के आंतरिक कार्यान्वयन का कोई ज्ञान नहीं होता है, जिसमें सर्किट आर्किटेक्चर, प्रशिक्षित पैरामीटर ($\theta$), या विशिष्ट अनुकूलन लागत फलन (optimization cost function) शामिल हैं।
2. विनाशकारी मापन (Destructive Measurement): क्वांटम मापन विनाशकारी होते हैं, जिसका अर्थ है कि एक एकल मापन अवस्था को कोलैप्स (collapse) कर देता है, जिससे सांख्यिकीय पुनर्निर्माण (statistical reconstruction) के बिना दो अज्ञात क्वांटम अवस्थाओं के बीच पृथक्करण कोण का सीधा अनुमान लगाना असंभव हो जाता है।

मुख्य समस्या यह है: एक गणनात्मक रूप से सीमित सत्यापनकर्ता, जिसके पास प्रदाता के मॉडल का कोई ज्ञान नहीं है, कुशलतापूर्वक कैसे सत्यापित कर सकता है कि प्रदाता का क्वांटम एम्बेडिंग दो डेटा वर्गों के बीच गारंटीकृत कोणीय पृथक्करण (angular separation) प्राप्त करता है?

2. कार्यप्रणाली (Methodology)

लेखक एक दो-पक्षीय ढांचे पर आधारित एक व्यावहारिक ब्लैक-बॉक्स सत्यापन प्रोटोकॉल प्रस्तावित करते हैं: एक शक्तिशाली लेकिन अविश्वसनीय प्रदाता (Prover - $P$) और एक सीमित सत्यापनकर्ता (Verifier - $V$)।

A. औपचारिक ढांचा (Formal Framework)

• प्रदाता (Prover): दावा करता है कि उसके पास एक पैरामीटराइज्ड यूनिटरी सर्किट $U(\vec{x}, \theta)$ है जो शास्त्रीय डेटा $\vec{x}$ को क्वांटम अवस्थाओं $|\psi\rangle$ में एम्बेड करता है ताकि क्लास A की अवस्थाएं क्लास B की अवस्थाओं से ऑर्थोगोनल हों (कोणीय पृथक्करण $\approx \pi/2$)।
• सत्यापनकर्ता (Verifier): उसके पास रॉ क्लासिकल डेटा ओरैकल तक पहुंच है लेकिन वह प्रदाता के सर्किट तक नहीं पहुंच सकता। सत्यापनकर्ता की क्वांटम क्षमताएं बुनियादी प्रोजेक्टिव मापन (projective measurements) करने तक सीमित हैं।

B. सत्यापन प्रोटोकॉल (The Verification Protocol)

यह प्रोटोकॉल इस अंतर्दृष्टि पर निर्भर करता है कि इष्टतम मेट्रिक लर्निंग के तहत, एक ही वर्ग के भीतर सभी अवस्थाएं लगभग समान होनी चाहिए। इसलिए, प्रत्येक वर्ग के अवस्थाओं के समूह (ensemble) को एक एकल अज्ञात क्यूबिट अवस्था के रूप में माना जा सकता है। प्रोटोकॉल इस प्रकार चलता है:

1. सैंपलिंग (Sampling): सत्यापनकर्ता क्लास A से $N$ नमूने और क्लास B से $N$ नमूने चुनता है।
2. समूह आवंटन (Group Allocation): प्रत्येक वर्ग के लिए, $N$ नमूनों को तीन समान उप-समूहों में विभाजित किया जाता है।
3. अवस्था तैयारी (State Preparation): सत्यापनकर्ता लेबल के बिना शास्त्रीय डेटा बिंदु प्रदाता को भेजता है। प्रदाता एम्बेडिंग सर्किट $U(\vec{x}, \theta)$ लागू करता है और परिणामी क्यूबिट अवस्थाओं को वापस करता है।
4. मापन (Measurement): सत्यापनकर्ता तीन परस्पर अनबायस्ड बेसिस (Mutually Unbiased Bases - MUBs) में लौटाए गए क्यूबिट्स को मापता है:
   • स्टैंडर्ड बेसिस (Standard Basis): $\{|0\rangle, |1\rangle\}$
   • हाडामाड बेसिस (Hadamard Basis): $\{|+\rangle, |-\rangle\}$
   • सर्कुलर बेसिस (Circular Basis): $\{|+i\rangle, |-i\rangle\}$
     प्रत्येक उप-समूह को इनमें से एक बेसिस में मापा जाता है।
5. अवस्था पुनर्निर्माण (State Reconstruction): मापन सांख्यिकी (प्रत्येक बेसिस में परिणामों की प्रायिकता) का उपयोग करके, सत्यापनकर्ता प्रत्येक वर्ग समूह के लिए ब्लॉक वेक्टर (Bloch vector) और घनत्व मैट्रिक्स (density matrix - $\rho$) को पुनर्गठित करता है।
   • एक सिंगल क्यूबिट के लिए, तीन MUBs में मापन तीन बेसिस में अवस्था को पूरी तरह से निर्धारित करने के लिए पर्याप्त जानकारी प्रदान करता है।
6. कोण अनुमान (Angle Estimation): सत्यापनकर्ता दो पुनर्गठित घनत्व मैट्रिसेस ($\rho_A$ और $\rho_B$) के बीच क्वांटम फिडेलिटी ($F$) की गणना करता है और बयर्स एंगल (Bures angle) ($\Theta$) प्राप्त करता है:
   $$\Theta = \arccos(\sqrt{F(\rho_A, \rho_B)})$$
7. निर्णय (Decision): यदि अनुमानित कोण $\Theta$, $\pi/2$ (एक थ्रेशोल्ड $\gamma$ के भीतर) के करीब है, तो सत्यापनकर्ता दावे को स्वीकार (ACCEPT) करता है; अन्यथा, वह इसे अस्वीकार (REJECT) कर देता है।

C. सैद्धांतिक गारंटी (Theoretical Guarantees)

• पूर्णता (Completeness): यदि प्रदाता ईमानदार है और मॉडल इष्टतम है, तो सत्यापनकर्ता उच्च प्रायिकता ($1 - \epsilon$) के साथ स्वीकार करेगा।
• सुदृढ़ता (Soundness): यदि प्रदाता दुर्भावनापूर्ण (malicious) है (बिना वैध एम्बेडिंग के धोखाधड़ी करने की कोशिश कर रहा है), तो वह यह अंतर नहीं कर सकता कि कौन से नमूने किस वर्ग के हैं (क्योंकि लेबल छिपे हुए हैं)। फलस्वरूप, वह दो अलग-अलग क्लस्टर नहीं बना सकता। प्रोटोकॉल सिद्ध करता है कि एक दुर्भावनापूर्ण प्रदाता की सफलता की प्रायिकता नगण्य ($\delta$) है, क्योंकि वे प्रभावी रूप से दो वितरणों को मिला देंगे, जिससे पृथक्करण कोण कम हो जाएगा।

3. प्रमुख योगदान (Key Contributions)

1. ब्लैक-बॉक्स सत्यापन प्रोटोकॉल: एक नवीन एल्गोरिदम जो मॉडल के किसी भी आंतरिक पैरामीटर या संरचना के ज्ञान के बिना क्वांटम एम्बेडिंग की गुणवत्ता को सत्यापित करता है।
2. सांख्यिकीय अवस्था पुनर्निर्माण: केवल तीन MUBs में बुनियादी प्रोजेक्टिव मापन का उपयोग करके दो क्वांटम अवस्था समूहों के बीच पृथक्करण कोण का अनुमान लगाने की विधि, जो क्वांटम मापन की विनाशकारी प्रकृति की चुनौती को दूर करती है।
3. प्रतिरोधी मजबूती (Adversarial Robustness): एक वैध एम्बेडिंग सर्किट के बिना पृथक्करण का दिखावा करने वाले दुर्भावनापूर्ण प्रदाताओं के विरुद्ध प्रोटोकॉल की सुदृढ़ता का सैद्धांतिक प्रमाण।
4. व्यावहारिक कार्यान्वयन: एक वास्तविक वेरिएशनल क्वांटम मॉडल (PennyLane का QAOAEmbedding) पर इस सत्यापन योजना का पहला कार्यान्वयन।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने QAOAEmbedding मॉडल को सत्यापित करने के लिए PennyLane लाइब्रेरी का उपयोग किया।

• सिमुलेशन सटीकता (Simulation Accuracy): $0$से$\pi/2$ तक ग्राउंड-ट्रुथ कोणों के साथ सिमुलेशन में, प्रोटोकॉल ने शोर (noise) को दर्शाने वाले गॉसियन व्यवधानों (Gaussian perturbations) के बावजूद वास्तविक पृथक्करण कोणों को सटीक रूप से पुनः प्राप्त किया।
• नमूना दक्षता (Sample Efficiency): प्रयोगों ने दिखाया कि जैसे-जैसे नमूनों की संख्या ($N$) बढ़ती है, अनुमानित कोण और फिडेलिटी तेजी से वास्तविक मूल्यों की ओर अभिसरित (converge) होते हैं।
• वास्तविक-विश्व सत्यापन (Real-World Verification): प्रशिक्षित QAOAEmbedding मॉडल (दावा किया गया कोण $0.3\pi$) पर लागू होने पर, प्रोटोकॉल ने मॉडल के प्रदर्शन को सफलतापूर्वक मान्य किया, यह प्रदर्शित करते हुए कि अनुमानित कोण सैद्धांतिक अपेक्षा के अनुरूप था।
• प्रतिरोधी परीक्षण (Adversarial Testing): प्रोटोकॉल ने उन परिदृश्यों को प्रभावी ढंग से खारिज कर दिया जहाँ पृथक्करण प्राप्त नहीं किया गया था, जिससे इसकी उपयोगिता की पुष्टि हुई।

5. महत्व और भविष्य का कार्य (Significance and Future Work)

• NISQ के लिए विश्वास: यह कार्य वर्तमान शोर वाले हार्डवेयर पर क्वांटम मशीन लर्निंग पाइपलाइनों की शुद्धता को मान्य करने के लिए एक महत्वपूर्ण उपकरण प्रदान करता है।
• स्केलेबिलिटी (Scalability): शोध पत्र एकाधिक समूहों (pairwise verification) और उच्च-आयामी फीचर वेक्टर्स (जिसके लिए अधिक मापन सेटिंग्स की आवश्यकता होती है लेकिन तर्क समान रहता है) के विस्तार पर चर्चा करता है।
• व्यापक प्रभाव: यह कार्य अन्य क्वांटम प्रतिमानों, जैसे क्वांटम क्लस्टरिंग और वर्गीकरण को सत्यापित करने के द्वार खोलता है, यह सुनिश्चित करता है कि मेट्रिक लर्निंग में "क्वांटम लाभ" के दावे वास्तविक हैं न कि शोर या गलत कार्यान्वयन का परिणाम।

निष्कर्षतः, यह शोध पत्र क्वांटम मशीन लर्निंग में "विश्वास की समस्या" के लिए एक मजबूत, कुशल और व्यावहारिक समाधान प्रस्तुत करता है, जो एक कमजोर सत्यापनकर्ता को उनके मॉडल को रिवर्स-इंजीनियर किए बिना शक्तिशाली क्वांटम मॉडल का ऑडिट करने में सक्षम बनाता है।