⚛️ quantum physics

Multi-Mode Quantum Annealing for Variational Autoencoders with General Boltzmann Priors

यह शोध पत्र बोल्ट्ज़मैन-मशीन-प्रायर वेरिएशनल ऑटोएनकोडर (BM-VAEs) को प्रस्तुत करता है, जिन्हें D-Wave Advantage2 प्रोसेसर पर एक मल्टी-मोड क्वांटम एनीलिंग फ्रेमवर्क का उपयोग करके प्रशिक्षित और सैंपल किया गया है, जो पारंपरिक गॉसियन-प्रायर VAEs की तुलना में बेहतर अभिसरण (convergence) और जनरेटिव क्षमताओं—जिसमें अनकंडीशनल और कंडीशनल जनरेशन दोनों शामिल हैं—का प्रदर्शन करता है।

मूल लेखक: Gilhan Kim, Daniel K. Park

प्रकाशित 2026-04-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Gilhan Kim, Daniel K. Park

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 विचार: एक "क्वांटम मस्तिष्क" के साथ कंप्यूटर को सपने देखना सिखाना

कल्पना कीजिए कि आप एक कंप्यूटर को चेहरे बनाना सिखाना चाहते हैं। आप उसे हजारों तस्वीरें देते हैं, और वह नए चेहरे बनाना सीख जाता है जो असली दिखते हैं। वेरिएशनल ऑटोएनकोडर्स (VAEs) यही करते हैं। वे दो हिस्सों वाली एक मशीन की तरह हैं:

एन्कोडर (पर्यवेक्षक): एक फोटो को देखता है और उसे एक छोटे, संक्षिप्त "सारांश" या "ड्रीम कोड" में सिकोड़ देता है।
डिकोडर (कलाकार): उस ड्रीम कोड को लेता है और उसे वापस एक पूरी तस्वीर में विस्तारित करता है।

समस्या: मानक कंप्यूटरों में, "ड्रीम कोड" आमतौर पर स्वतंत्र, यादृच्छिक (random) बिट्स से बना होता है। यह एक ऐसी कहानी लिखने जैसा है जहाँ हर शब्द डिक्शनरी से बेतरतीब ढंग से चुना गया हो। आपको "बिल्ली चटाई पर बैठी है" मिल सकता है, लेकिन आपको "नीला केला चंद्रमा पर उड़ रहा है" भी मिल सकता है। कंप्यूटर चीजों को सुसंगत रखने में संघर्ष करता है (जैसे यह सुनिश्चित करना कि आँखें और मुँह मेल खाएं) क्योंकि कोड के हिस्से आपस में बात नहीं कर पाते।

समाधान: इस शोध के लेखकों ने यादृच्छिक "ड्रीम कोड" को एक बोल्ट्ज़मैन मशीन (Boltzmann Machine) से बदल दिया। इसे एक ड्रीम बिट्स का सोशल नेटवर्क समझें। इस नेटवर्क में, हर बिट अपने पड़ोसियों को जानता है। यदि एक बिट कहता है "मुस्कान," तो उसके पड़ोसी जानते हैं कि उन्हें संभवतः "ऊपर की ओर मुड़े हुए कोने" कहना चाहिए। यह एक संरचित, तार्किक स्वप्न स्थान (dream space) बनाता है।

चुनौती: "असंभव गणित" की समस्या

एक पेच है। इन "सामाजिक बिट्स" के बीच होने वाली अंतःक्रिया (interaction) की गणना करना सामान्य कंप्यूटरों के लिए अविश्वसनीय रूप से कठिन है। यह एक स्टेडियम के 2,000 लोगों के सटीक मूड की भविष्यवाणी करने जैसा है। गणित इतना जटिल हो जाता है कि कंप्यूटर फंस जाता है, और खेल के नियम सीखने में असमर्थ हो जाता है।

जादुई उपकरण: क्वांटम एनीलिंग (Quantum Annealing)

यहीं पर क्वांटम एनीलिंग काम आती है। लेखकों ने एक विशेष क्वांटम कंप्यूटर (एक D-Wave मशीन) का उपयोग किया है जो पहाड़ियों और घाटियों के एक भौतिक परिदृश्य (landscape) की तरह कार्य करता है।

परिदृश्य: एक ऊबड़-खाबड़ इलाके की कल्पना करें जहाँ निचली घाटियाँ "अच्छे, वास्तविक चेहरों" का प्रतिनिधित्व करती हैं और ऊँची चोटियाँ "अजीब, टूटे हुए चेहरों" का।
लक्ष्य: अच्छे चित्र बनाने के लिए कंप्यूटर को सबसे गहरी घाटियों को खोजना होता है।

यह शोध पत्र एक चतुर तकनीक पेश करता है: एक ही क्वांटम मशीन का उपयोग करके तीन मोड संचालन (Three Modes of Operation), ठीक वैसे ही जैसे एक स्विस आर्मी नाइफ में अलग-अलग कामों के लिए अलग-अलग औजार होते हैं।

मोड 1: "तेज़ सीखने वाला" (डायबैटिक क्वांटम एनीलिंग - Diabatic Quantum Annealing)

कार्य: कंप्यूटर को खेल के नियम सिखाना (ट्रेनिंग)।
उपमा: एक छात्र की कल्पना करें जो बहुत तेज़, अराजक परीक्षा दे रहा है। उसे हर उत्तर एकदम सही नहीं मिलता, लेकिन उसे सही पैटर्न सीखने के लिए सही उत्तरों का एक "पर्याप्त अच्छा" नमूना मिल जाता है।
यह कैसे काम करता है: क्वांटम कंप्यूटर इतनी तेज़ी से चलता है कि वह तुरंत सबसे गहरी घाटी में नहीं फंसता। इसके बजाय, यह इधर-उधर उछलता है, जिससे कंप्यूटर को विविध प्रकार के नमूने मिलते हैं। यह कंप्यूटर को गणित के बुरे लूप में फंसे बिना ड्रीम बिट्स के "सामाजिक नियमों" को सीखने में मदद करता है।

मोड 2: "गहरा स्वप्न देखने वाला" (स्टैंडर्ड क्वांटम एनीलिंग - Standard Quantum Annealing)

कार्य: नए, यादृच्छिक चेहरे बनाना (अनकंडीशनल जनरेशन)।
उपमा: अब, एक छात्र की कल्पना करें जो एक धीमी, ध्यानमग्न यात्रा कर रहा है। उसके पास दुनिया भर का समय है ताकि वह पहाड़ी से नीचे लुढ़क सके और सबसे गहरी, सबसे आरामदायक घाटी में बस सके।
यह कैसे काम करता है: क्वांटम कंप्यूटर बहुत धीरे-धीरे चलता है। यह "बिट्स" को सबसे निम्न ऊर्जा अवस्थाओं (सबसे वास्तविक चेहरे के विन्यास) में स्थिर होने के लिए मजबूर करता है। जब आप इन्हें डिकोड करते हैं, तो आपको एक बिल्कुल नया, उच्च-गुणवत्ता वाला चेहरा मिलता है जो पहले कभी अस्तित्व में नहीं था।

मोड 3: "निर्देशक" (कंडीशनल क्वांटम एनीलिंग - Conditional Quantum Annealing)

कार्य: विशिष्ट विशेषताओं वाले चेहरे बनाना, जैसे "बालों में बैंग जोड़ें" या "मुस्कुराएं" (कंडीशनल जनरेशन)।
उपमा: कल्पना कीजिए कि आप एक फिल्म सेट पर निर्देशक हैं। आप अभिनेताओं (बिट्स) को बताते हैं, "मुझे एक मुस्कान चाहिए!" आप केवल उनसे अनुमान लगाने के लिए नहीं कहते; आप उन्हें शारीरिक रूप से "मुस्कान" वाली घाटी की ओर धकेलते हैं।
यह कैसे काम करता है: कंप्यूटर परिदृश्य में एक "चुंबकीय धक्का" (bias fields) जोड़ता है। यह पहाड़ियों को झुका देता है ताकि "मुस्कान" वाली घाटी सबसे निचला बिंदु बन जाए। क्वांटम कंप्यूटर फिर उसी विशिष्ट पहाड़ी की ओर लुढ़कता है, यह सुनिश्चित करता है कि नया चेहरा बिल्कुल वैसा ही हो जैसा आपने मांगा था, जबकि वह प्राकृतिक और सुसंगत भी दिखे।

यह क्यों महत्वपूर्ण है?

बेहतर सीखना: पारंपरिक तरीकों की तुलना में कंप्यूटर ने तेज़ी से सीखा और कम गलतियाँ कीं क्योंकि "बिट्स के सोशल नेटवर्क" ने उसे डेटा को बेहतर ढंग से समझने में मदद की।
वास्तविक नियंत्रण: आप एक सामान्य AI से आसानी से "चश्मे वाला चेहरा बनाओ" नहीं कह सकते। इस पद्धति के साथ, आप सपने को निर्देशित कर सकते हैं ताकि आप जो चाहते हैं वही बना सकें, और AI बाकी चीज़ों को तार्किक रूप से पूरा कर देता है।
एक उपकरण, तीन काम: एक ही क्वांटम मशीन का उपयोग सीखने, यादृच्छिक रूप से सपने देखने और आदेशों का पालन करने के लिए किया जाता है। यह एक बहुमुखी उपकरण है जिसे हर कार्य के लिए फिर से बनाने की आवश्यकता नहीं होती है।

निष्कर्ष

लेखकों ने एक नया प्रकार का AI बनाया है जो खुद को अपने विचारों को व्यवस्थित करना सिखाने के लिए क्वांटम कंप्यूटर का उपयोग करता है। यादृच्छिक अनुमान लगाने के बजाय, यह विशेषताओं के एक संरचित "भाषा" को सीखता है। क्वांटम कंप्यूटर का तीन अलग-अलग तरीकों (तेज़ सीखना, धीमा सपना देखना और निर्देशित स्टीयरिंग) से उपयोग करके, उन्होंने एक ऐसा सिस्टम बनाया है जो उच्च-गुणवत्ता वाले, नियंत्रणीय चेहरे उत्पन्न कर सकता है, जो यह सिद्ध करता है कि क्वांटम कंप्यूटर रचनात्मक AI के लिए व्यावहारिक उपकरण हो सकते हैं, न कि केवल सैद्धांतिक भौतिकी प्रयोग।

यहाँ गिलहान किम और डैनियल के. पार्क के शोध पत्र "Multi-Mode Quantum Annealing for Variational Autoencoders with General Boltzmann Priors" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

वेरिएशनल ऑटोएनकोडर्स (VAEs) जटिल डेटा के संक्षिप्त लेटेंट रिप्रजेंटेशन (latent representations) को सीखने के लिए मानक ढांचे हैं। हालाँकि, उनकी जनरेटिव क्षमता अक्सर लेटेंट प्रायर डिस्ट्रीब्यूशन (latent prior distribution) के चयन द्वारा सीमित होती है।

मानक प्रायर की सीमा: अधिकांश VAEs एक फैक्टराइज्ड आइसोट्रोपिक गौसियन प्रायर ( $N(0, I)$ ) का उपयोग करते हैं। यह लेटेंट वेरिएबल्स के बीच स्वतंत्रता (independence) को मानता है, जो मॉडल को उन संरचित अंतःक्रियाओं (structured interactions), सहसंबंधों (correlations) और सामूहिक भिन्नता के मोड (collective modes of variation) को पकड़ने से रोकता है जो उच्च-गुणवत्ता वाली जनरेशन के लिए आवश्यक हैं।
एनर्जी-बेस्ड विकल्प: गौसियन प्रायर को एक एनर्जी-बेस्ड मॉडल (EBM), विशेष रूप से एक बोल्ट्ज़मैन मशीन (BM) से बदलने से लेटेंट वेरिएबल्स के बीच स्पष्ट युग्मवार अंतःक्रियाएं (pairwise interactions) संभव होती हैं। यह एक संरचित "एनर्जी लैंडस्केप" बनाता है जहाँ लेटेंट कॉन्फ़िगरेशन आपस में जुड़े होते हैं।
कंप्यूटेशनल बाधा (The Computational Bottleneck): EBMs को प्रशिक्षित करने के लिए प्रायर डिस्ट्रीब्यूशन से सैंपलिंग की आवश्यकता होती है ताकि ग्रेडिएंट्स (विशेष रूप से लर्निंग रूल के "नेगेटिव फेज" के लिए) का अनुमान लगाया जा सके। मनमाने कनेक्टिविटी वाले सामान्य, नॉन-रिस्ट्रिक्टेड बोल्ट्ज़मैन मशीनों के लिए, यह सैंपलिंग क्लासिकल रूप से कठिन (classically intractable) है (जिसमें एक्सपोनेंशियल समय लगता है)। रिस्ट्रिक्टेड बोल्ट्ज़मैन मशीन्स (RBMs) क्लासिकल रूप से सुलभ हैं, लेकिन वे स्ट्रक्चरल बाधाएं (बाइपार्टाइट ग्राफ) लागू करती हैं जो अभिव्यक्ति (expressivity) को सीमित करती हैं।

2. कार्यप्रणाली (Methodology)

लेखक एक बोल्ट्ज़मैन-मशीन-प्रायर VAE (BM-VAE) प्रस्तावित करते हैं जिसे D-Wave Advantage2 प्रोसेसर पर क्वांटम एनीलिंग (QA) का उपयोग करके प्रशिक्षित और तैनात किया जाता है। मुख्य नवाचार एक मल्टी-मोड क्वांटम एनीलिंग रणनीति है जो बिना पुन: प्रशिक्षण (retraining) के तीन अलग-अलग परिचालन मोड के लिए एक ही सीखे गए ऊर्जा परिदृश्य (energy landscape) का उपयोग करती है।

A. मॉडल आर्किटेक्चर

एन्कोडर ( $q_\phi$ ): इनपुट $x$ को एक लॉजिट वेक्टर $\mu$ में मैप करता है, जो बाइनरी लेटेंट वेरिएबल्स $z \in \{\pm 1\}^K$ पर एक फैक्टराइज्ड बरनौली पोस्टीरियर $q_\phi(z|x)$ को परिभाषित करता है।
डिकोडर ( $p_\theta$ ): लेटेंट वेरिएबल्स से डेटा को पुनर्गठित (reconstruct) करता है।
प्रायर ( $p_\psi$ ): एक सामान्य बोल्ट्ज़मैन मशीन जिसे एक ऊर्जा फलन $E_\psi(z) = -\sum J_{ij} z_i z_j$ द्वारा परिभाषित किया गया है। RBMs के विपरीत, यह हार्डवेयर कनेक्टिविटी (Zephyr topology) द्वारा निर्धारित मनमाने युग्मवार अंतःक्रियाओं ( $J_{ij}$ ) की अनुमति देता है।
प्रशिक्षण उद्देश्य (Training Objective): एविडेंस लोअर बाउंड (ELBO) का मैक्सिमाइजेशन। KL डाइवर्जेंस टर्म एक ऊर्जा टर्म और एक एंट्रॉपी टर्म में विभाजित होता है, जिसे पोस्टीरियर और प्रायर के बीच फ्री-एनर्जी गैप के रूप में समझा जाता है।

B. मल्टी-मोड क्वांटम एनीलिंग रणनीति

यह ढांचा एनीलिंग शेड्यूल्स और सैंपलिंग डिस्ट्रीब्यूशंस के बीच संबंध का लाभ उठाकर मोड को स्विच करता है:

डायैबेटिक क्वांटम एनीलिंग (DQA) प्रशिक्षण के लिए:
- लक्ष्य: ग्रेडिएंट एस्टीमेशन (नेगेटिव फेज) के लिए अनबायस्ड सैंपलिंग।
- तंत्र: एक तेज़ एनीलिंग शेड्यूल (5 ns) का उपयोग करता है। सैद्धांतिक विश्लेषण से पता चलता है कि डायैबेटिक शासन में, आउटपुट डिस्ट्रीब्यूशन एक बोल्ट्ज़मैन फॉर्म $p(z) \propto e^{-\beta E(z)}$ को एप्रोक्सिमेट करता है जिसमें एक प्रभावी इनवर्स टेम्परेचर $\beta \approx 1$ होता है।
- लाभ: यह प्रायर पैरामीटर्स ( $J_{ij}$ ) को अपडेट करने के लिए अनबायस्ड सैंपल्स प्रदान करता है, जिससे बाद में प्रभावी तापमान (effective temperature) को फिट करने की आवश्यकता नहीं होती।
स्टैंडर्ड क्वांटम एनीलिंग (QA) अनकंडीशनल जनरेशन के लिए:
- लक्ष्य: विविध, उच्च-गुणवत्ता वाले सैंपल्स उत्पन्न करना।
- तंत्र: एक धीमे एनीलिंग शेड्यूल (0.5 $\mu$ s) का उपयोग करता है। यह प्रभावी $\beta$ को बढ़ाता है, जिससे सैंपल्स सीखे गए परिदृश्य के लो-एनर्जी मिनिमा (low-energy minima) के पास केंद्रित हो जाते हैं।
- लाभ: यह सुसंगत लेटेंट कॉन्फ़िगरेशन उत्पन्न करता है जो वास्तविक दिखने वाले इमेज को डिकोड करते हैं, जिससे सीखे गए युग्मवार संबंधों का लाभ मिलता है।
कंडीशनल क्वांटम एनीलिंग (c-QA) कंडीशनल जनरेशन के लिए:
- लक्ष्य: विशिष्ट विशेषताओं (जैसे, "Bangs") के साथ नमूने उत्पन्न करना।
- तंत्र: ऊर्जा फलन में एक्सटर्नल बायस फील्ड्स ( $h$ ) जोड़कर मोड 2 को संवर्धित करता है: $E_{\psi,c}(z) = E_\psi(z) - \sum h_i z_i$ । बायस को एट्रिब्यूट-एवरेज एन्कोडर आउटपुट से प्राप्त किया जाता है।
- लाभ: सीखे गए युग्मवार कपलिंग्स ( $J_{ij}$ ) बायस को लेटेंट स्पेस में प्रसारित करते हैं, यह सुनिश्चित करते हुए कि उत्पन्न नमूने न केवल एट्रिब्यूट की ओर झुके हों बल्कि सेमेंटिक रूप से सुसंगत और विविध भी हों।

3. मुख्य योगदान (Key Contributions)

स्केल पर जनरल बोल्ट्ज़मैन प्रायर: यह पेपर क्वांटम हार्डवेयर का उपयोग करके VAEs में पहली सफल नॉन-रिस्ट्रिक्टेड बोल्ट्ज़मैन मशीन प्रायर के प्रशिक्षण और तैनाती को प्रदर्शित करता है। भौतिक क्विबिट्स (2000 क्विबिट्स तक) के साथ लेटेंट वेरिएबल्स को वन-टू-वन मैप करके, वे क्लासिकल RBMs की संरचनात्मक सीमाओं को दरकिनार करते हैं।
सिद्धांतिक मल्टी-मोड ऑपरेशन: लेखक स्थापित करते हैं कि एक एकल सीखा गया ऊर्जा परिदृश्य तीन उद्देश्यों (प्रशिक्षण, अनकंडीशनल जनरेशन, कंडीशनल जनरेशन) के लिए काम कर सकता है, जिसके लिए केवल एनीलिंग शेड्यूल और बायस फील्ड्स को समायोजित करने की आवश्यकता होती है, न कि पुन: प्रशिक्षण या आर्किटेक्चर बदलने की।
सैद्धांतिक आधार (Theoretical Grounding): वे डायैबेटिक क्वांटम एनीलिंग का उपयोग करके QA-आधारित प्रशिक्षण में "इफेक्टिव टेम्परेचर" फिटिंग की समस्या को हल करते हैं, जो एनीलिंग शेड्यूल और बोल्ट्ज़मैन सैंपलिंग डिस्ट्रीब्यूशन ( $\beta \approx 1$ ) के बीच एक सीधा संबंध प्रदान करता है।
"एक बार प्रशिक्षित करें, कई तरह से कंडीशन करें": मॉडल को डिकोडर या पुन: प्रशिक्षण को संशोधित किए बिना, एक्सटर्नल बायस फील्ड्स के माध्यम से पोस्ट-ट्रेनिंग के बाद सेमेंटिक एडिटिंग और कंडीशनल जनरेशन करने की क्षमता।

4. प्रयोगात्मक परिणाम (Experimental Results)

मॉडल का मूल्यांकन MNIST, Fashion-MNIST, और CelebA (D-Wave Advantage2 प्रोसेसर के साथ 2000 क्विबिट्स तक का उपयोग करके) पर किया गया।

प्रशिक्षण प्रदर्शन:
- BM-VAE ने समान एन्कोडर-डिकोडर आर्किटेक्चर वाले गौसियन-प्रायर VAE (G-VAE) की तुलना में तेजी से कन्वर्ज किया और कम रिकंस्ट्रक्शन लॉस (बाइनरी क्रॉस-एन्ट्रॉपी) प्राप्त किया।
- सीखने योग्य प्रायर ने रिकंस्ट्रक्शन और प्रायर मैचिंग के बीच तनाव को कम किया, जिससे मॉडल को डेटा डिस्ट्रीब्यूशन के अनुकूल होने में मदद मिली।
अनकंडीशनल जनरेशन:
- मोड 2 (QA) के माध्यम से उत्पन्न सैंपल्स ने CelebA पर विविध चेहरे के कॉन्फ़िगरेशन (पोज़, एक्सप्रेशन, बाल, स्किन टोन में भिन्नता) दिखाए, जिससे पुष्टि हुई कि BM ने एक संरचित लेटेंट डिस्ट्रीब्यूशन सीखा है।
- इसके लिए किसी पोस्ट-प्रोसेसिंग या डीनोइजिंग की आवश्यकता नहीं थी।
कंडीशनल जनरेशन और एडिटिंग:
- तुलना: सीधे बाइनराइज्ड एन्कोडर आउटपुट को डिकोड करने से कठोर और अप्राकृतिक इमेज प्राप्त हुईं। इसके विपरीत, c-QA (मोड 3) ने विविध और सेमेंटिक रूप से सुसंगत इमेज बनाईं।
- एट्रिब्यूट मैनिपुलेशन: मॉडल ने मूल पहचान को बनाए रखते हुए टेस्ट इमेज में विशेषताओं (जैसे, "Bangs") को सफलतापूर्वक जोड़ा, जो दर्शाता है कि सीखे गए युग्मवार संबंध सेमेंटिक बाधाओं को प्रभावी ढंग से प्रसारित करते हैं।

5. महत्व (Significance)

क्वांटम एनीलिंग एक प्रिमिटिव के रूप में: यह कार्य क्वांटम एनीलिंग को डीप जनरेटिव मॉडलिंग के लिए एक नियंत्रण योग्य कंप्यूटेशनल प्रिमिटिव के रूप में पुन: स्थापित करता है। यह प्रदर्शित करता है कि क्वांटम हार्डवेयर VAEs के डिजाइन स्पेस को विस्तार दे सकता है, जिससे सामान्य, पूरी तरह से कनेक्टेड प्रायर संभव होते हैं जो क्लासिकली प्रशिक्षित करना असंभव है।
स्केलेबिलिटी: Zephyr टोपोलॉजी पर 2000 क्विबिट्स का सफल उपयोग यह सिद्ध करता है कि क्वांटम एनीलिंग वास्तविक दुनिया के इमेज डेटासेट के लिए प्रासंगिक उच्च-आयामी लेटेंट स्पेस (K=2000) को संभाल सकता है।
व्यावहारिक उपयोगिता: यह ढांचा नियंत्रित कंटेंट जनरेशन और वैज्ञानिक खोज के लिए एक मजबूत वर्कफ़्लो प्रदान करता है, जहाँ केवल अनकंडीशनल जनरेशन की तुलना में सीखे गए लेटेंट एनर्जी लैंडस्केप को नेविगेट करना अधिक मूल्यवान है। यह सांख्यिकीय यांत्रिकी (एर्जी लैंडस्केप) और आधुनिक डीप लर्निंग (VAEs) के बीच के अंतर को पाटता है।