⚛️ quantum physics

A hardware efficient quantum residual neural network without post-selection

यह शोध पत्र एक हार्डवेयर-कुशल, पूर्णतः विभेद्य (fully differentiable) क्वांटम रेसिडुअल न्यूरल नेटवर्क प्रस्तावित करता है जो पोस्ट-सिलेक्शन की आवश्यकता को समाप्त करता है, बैरन प्लेटो (barren plateaus) को कम करता है, और मानक मॉडलों की तुलना में 10 गुना कम गेट्स के साथ प्रतिस्पर्धी सटीकता प्राप्त करता है, जो इसे संसाधन-सीमित निकट-अवधि (near-term) क्वांटम प्रोसेसरों के लिए उपयुक्त बनाता है।

मूल लेखक: Amena Khatun, Akib Karim, Muhammad Usman

प्रकाशित 2026-04-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Amena Khatun, Akib Karim, Muhammad Usman

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 बहुत ही छोटे, बहुत ही अनाड़ी रोबोट को तस्वीरें पहचानना (जैसे बिल्ली और कुत्ते के बीच अंतर करना) सिखाने की कोशिश कर रहे हैं। यह रोबोट खास है: यह एक क्वांटम कंप्यूटर के अंदर रहता है, जो शक्तिशाली तो है लेकिन बेहद नाजुक भी है और गलतियाँ करने के प्रति प्रवृत्त है।

समस्या यह है कि वर्तमान क्वांटम "शिक्षक" (जिन्हें वैरायशनल क्वांटम क्लासिफायर कहा जाता है) एक ऐसे छात्र की तरह हैं जो एक बहुत ही जटिल विषय को एक ऐसी पाठ्यपुस्तक पढ़कर सीखने की कोशिश कर रहा है जो लगातार मोटी होती जा रही है। जैसे-जैसे किताब गहरी होती जाती है, छात्र अभिभूत हो जाता है, स्याही फीकी पड़ने लगती है, और वह सीखना पूरी तरह से बंद कर देता है। क्वांटम शब्दों में, इसे "बैरेन प्लेटो" (Barren Plateau) कहा जाता है—एक सपाट परिदृश्य जहाँ रोबोट सही रास्ता नहीं खोज पाता क्योंकि वे संकेत (ग्रेडिएंट्स) जो उसे सुधारने के लिए बताते हैं, लुप्त हो जाते हैं।

इसके अलावा, इसे ठीक करने के पिछले प्रयास एक "पोस्ट-सिलेक्शन" (post-selection) ट्रिक का उपयोग करते थे। कल्पना कीजिए कि रोबोट एक पहेली सुलझाने की कोशिश करता है, लेकिन यदि वह एक छोटी सी भी गलती करता है, तो आप उस पूरे प्रयास को कूड़ेदान में फेंक देते हैं और उसे फिर से शुरू करने के लिए कहते हैं। यह सिद्धांत में तो काम करता है, लेकिन वास्तविक दुनिया में, आपको अपने 99% प्रयासों को फेंकना पड़ेगा, जिससे यह प्रक्रिया असंभव रूप से धीमी और महंगी हो जाएगी।

यहाँ वह सफलता है जिसे यह पेपर प्रस्तावित करता है:

1. "डिटूर" का संकेत (रेसिड्यूअल कनेक्शन - Residual Connections)

लेखकों ने एक नए प्रकार का क्वांटम नेटवर्क बनाया जिसे QResNet कहा जाता है। इसे एक ऐसे राजमार्ग की तरह समझें जिसमें स्मार्ट "डिटूर" (रास्ता बदलने वाले) संकेत हैं।

एक मानक नेटवर्क में, डेटा को हर एक लेयर (परत) से होकर गुजरना पड़ता है, जैसे एक कार को शहर के हर ट्रैफिक लाइट से होकर गुजरने के लिए मजबूर किया जाए। यदि ट्रैफिक खराब है (गणित कठिन है), तो कार फंस जाती है।

QResNet में, उन्होंने एक "स्किप लेन" (छोड़ने वाली लेन) जोड़ी है। यह डेटा को भारी ट्रैफिक से बचने की अनुमति देती है यदि उसे रुकने की आवश्यकता नहीं है। रोबोट चुन सकता है कि उसे:

डेटा को बदलना है: "आइए इस तस्वीर को देखें और इसे देखने का अपना तरीका बदलें।"
इसे जैसा है वैसा ही रखना है: "वास्तव में, यह तस्वीर ठीक लग रही है; चलिए इसे बिना बदले आगे भेज देते हैं।"

रोबोट सीखता है कि छवि के प्रत्येक भाग के लिए कौन सा रास्ता चुनना है। यह सीखने के संकेत को मजबूत रखता है और "वेनिशिंग ग्रेडिएंट" (लुप्त होते ग्रेडिएंट) की समस्या को रोकता है।

2. "फेंक देने का नहीं" नियम (नो पोस्ट-सिलेक्शन - No Post-Selection)

यह सबसे बड़ी हार्डवेयर जीत है। पिछले तरीके "रेड लाइट, ग्रीन लाइट" के खेल की तरह थे जहाँ आप केवल उन खिलाड़ियों को रखते हैं जिन्होंने पलकें नहीं झपकाईं। यदि आप पलक झपकाते हैं, तो आप बाहर हैं।

नया तरीका एक डिटरमिनिस्टिक फिल्टर (deterministic filter) की तरह है। "विफल" प्रयासों को फेंकने के बजाय, रोबोट बस सिग्नल के वॉल्यूम (आवाज़/तीव्रता) को समायोजित करता है। वह कहता है, "ठीक है, वह रास्ता थोड़ा कमजोर था, इसलिए मैं सफल पथ की आवाज़ बढ़ा दूँगा और कमजोर पथ की आवाज़ कम कर दूँगा।"

यह क्यों मायने रखता है: आपको अपने 99% काम को फेंकने की आवश्यकता नहीं है। आप हर प्रयास का उपयोग करते हैं। यह इसे क्वांटम "गेट्स" (संचालन) की संख्या के मामले में 10 गुना अधिक कुशल बनाता है। यह बहुत छोटे, सस्ते इंजन के साथ वही परिणाम प्राप्त करने जैसा है।

3. "ट्रेनिंग व्हील्स" जो खुद को एडजस्ट करते हैं

रोबोट के पास एक विशेष नॉब (बटन) है जिसे $\beta$ (बीटा) कहा जाता है।

यदि नॉब 0 पर है, तो रोबक जटिल प्रोसेसिंग को अनदेखा करता है और डेटा को सीधे आगे भेज देता है (स्किप लेन)।
यदि नॉब 1 पर है, तो रोबोट पूरी जटिल प्रोसेसिंग करता है।
जादू: रोबोट प्रशिक्षण के दौरान इस नॉब को स्वचालित रूप से घुमाना सीख जाता है। वह समझ जाता है, "इस विशिष्ट तस्वीर के लिए, मुझे पहले तीन लेयर्स को स्किप करने की आवश्यकता है, लेकिन मुझे अंतिम दो पर भारी काम करने की आवश्यकता है।" यही अनुकूलन क्षमता इसे इतना मजबूत बनाती है।

4. परिणाम: एक कठिन, स्मार्ट रोबोट

शोधकर्ताओं ने इस नए रोबोट का तीन चुनौतियों पर परीक्षण किया:

MNIST: हस्तलिखित संख्याओं (0 बनाम 1) को पहचानना। रोबोट ने 99% बार इसे सही पहचाना।
CIFAR: हवाई जहाज बनाम कारों जैसी जटिल वस्तुओं को पहचानना। इसने 76% सही पहचाना।
SARFish: शोर वाले रडार चित्रों में मछली पकड़ने वाली नावों को पहचानने की वास्तविक दुनिया की चुनौती। इसने 72% सही पहचाना।

"एडवर्सरियल" (Adversarial) परीक्षण:
उन्होंने रोबोट को "एडवर्सरियल हमलों" (छवि में सूक्ष्म, अदृश्य परिवर्तन जो AI को धोखा देने के लिए डिज़ाइन किए गए हैं) के साथ "बेवकूफ" बनाने की कोशिश भी की।

यदि कोई हैकर जानता है कि रोबोट कैसे सोचता है (व्हाइट-बॉक्स), तो वे इसे धोखा दे सकते हैं।
लेकिन, यदि हैकर एक ऐसे तरीके का उपयोग करता है जो दूसरे रोबोट के लिए डिज़ाइन किया गया है (ब्लैक-बॉक्स), तो QResNet आश्चर्यजनक रूप से मजबूत रहता है। यह एक ताले की तरह है जिसे चुभना कठिन है यदि आप उसके विशिष्ट तंत्र को नहीं जानते। "स्किप लेन" एक ऐसा निर्णय सीमा (decision boundary) बनाते हैं जिसे धोखा देना कठिन होता है।

मुख्य निष्कर्ष (The Bottom Line)

यह पेपर एक हार्डवेयर-कुशल क्वांटम न्यूरल नेटवर्क प्रस्तुत करता है जो:

संसाधनों को बर्बाद नहीं करता (विफल प्रयासों को फेंकने की आवश्यकता नहीं है)।
बेहतर सीखता है क्योंकि यह संकेतों को मजबूत रखने के लिए "स्किप लेन" का उपयोग करता है।
आज के कंप्यूटरों के लिए तैयार है क्योंकि इसे पिछले मॉडलों की तुलना में बहुत कम संचालन (गेट्स) की आवश्यकता होती है।

यह क्वांटम मशीन लर्निंग को वास्तव में उपयोगी बनाने की दिशा में एक कदम है, जो उन आदर्श मशीनों की प्रतीक्षा करने के बजाय जो शायद दशकों तक अस्तित्व में न हों, आज के शोर वाले, अपूर्ण क्वांटम कंप्यूटरों पर काम कर सके।

यहाँ शोध पत्र "A hardware efficient quantum residual neural network without post-selection" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

क्वांटम मशीन लर्निंग (QML), विशेष रूप से वेरिएशनल क्वांटम क्लासिफायर (QVCs), नोइजी इंटरमीडिएट-स्केल क्वांटम (NISQ) युग में तीन महत्वपूर्ण सीमाओं का सामना कर रहे हैं:

बैरन प्लेटो (Barren Plateaus): जैसे-जैसे सर्किट की गहराई और क्वबिट्स की संख्या बढ़ती है, कॉस्ट फंक्शन का ग्रेडिएंट तेजी से (exponentially) शून्य हो जाता है, जिससे प्रशिक्षण असंभव हो जाता है।
हार्डवेयर अक्षमता (Hardware Inefficiency): मौजूदा गहरे क्वांटम सर्किटों में भारी संख्या में गेट्स की आवश्यकता होती है, जो वर्तमान हार्डवेयर के कोहेरेंस समय (coherence times) और एरर थ्रेशोल्ड से अधिक होते हैं।
पोस्ट-सिलेक्शन सीमाएँ (Post-Selection Limitations): क्वांटम नेटवर्क में रेसिडुअल कनेक्शन (स्किप कनेक्शन) लागू करने के पिछले प्रयासों ने पोस्ट-सिलेक्शन (एक एंसिला क्वबिट को मापना और उन रन को हटा देना जहाँ परिणाम $|0\rangle$ नहीं होता) पर भरोसा किया। यह दृष्टिकोण संभाव्य (probabilistic) है, डिफरेंशिएबल नहीं है (जो ग्रेडिएंट डिसेंट के लिए कम्प्यूटेशनल ग्राफ को तोड़ देता है), और जैसे-जैसे सर्किट की गहराई बढ़ती है, इसमें घातीय संख्या में पुनरावृत्तियों (repetitions) की आवश्यकता होती है।

2. कार्यप्रणाली: QResNet आर्किटेक्चर

लेखक QResNet का प्रस्ताव करते हैं, जो एक हार्डवेयर-कुशल क्वांटम रेसिडुअल न्यूरल नेटवर्क है जो पोस्ट-सिलेक्शन के बिना नियत रूप से (deterministically) रेसिडुअल कनेक्शन लागू करता है।

मुख्य तंत्र: लीनियर कॉम्बिनेशन ऑफ यूनिटरीज (LCU)

प्रोबेबिलिस्टिक पोस्ट-सिलेक्शन के बजाय, मॉडल आइडेंटिटी ऑपरेशन ( $I$ ) और एक वेरिएशनल यूनिटरी ( $W$ ) के नियत लीनियर कॉम्बिनेशन को बनाने के लिए एक एंसिला-कंट्रोल्ड दृष्टिकोण का उपयोग करता है।

एंसिला तैयारी (Ancilla Preparation): एक एंसिला क्वबिट को रोटेशन $R_Y(\theta_\ell)$ का उपयोग करके सुपरपोजिशन स्टेट $|\psi_a\rangle = c_\ell |0\rangle + s_\ell |1\rangle$ में तैयार किया जाता है।
नियंत्रित ऑपरेशन (Controlled Operation):
- यदि एंसिला $|0\rangle$ है, तो डेटा क्वबिट्स आइडेंटिटी ऑपरेशन ( $I$ ) से गुजरते हैं।
- यदि एंसिला $|1\rangle$ है, तो डेटा क्वबिट्स एक वेरिएशनल यूनिटरी ब्लॉक $W_\ell(\vartheta_\ell)$ से गुजरते हैं।
अनकंप्यूटेशन (Uncomputation): एंसिला को डेटा क्वबिट्स से अलग (disentangle) करने के लिए वापस रोटेट ( $R_Y(-\theta_\ell)$ ) किया जाता है।
नियत स्केलिंग (Deterministic Scaling): डेटा स्टेट पर परिणामी प्रभावी मैप है:
$M_\ell = \frac{1}{1 + |\beta_\ell|^2} (I + |\beta_\ell|^2 W_\ell)$
यहाँ, $\beta_\ell$ एक ट्रेन करने योग्य पैरामीटर (trainable parameter) है जो रेसिडुअल स्ट्रेंथ को नियंत्रित करता है। आउटपुट का एक्सपेक्टेशन वैल्यू (expectation value) नियत रूप से $(1 + |\beta_\ell|^2)$ द्वारा स्केल होता है, जिससे माप परिणामों को हटाने की आवश्यकता समाप्त हो जाती है।

प्रशिक्षण क्षमता और बैरन प्लेटो शमन (Trainability and Barren Plateau Mitigation)

ट्रेन करने योग्य $\beta$ : पिछले कार्यों के विपरीत जहाँ रेसिडुअल वेट्स फिक्स्ड थे, $\beta_\ell$ एक लर्न करने योग्य पैरामीटर है। यह नेटवर्क को एडैप्टिव रूप से ब्लॉक्स को बायपास करने (यदि $\beta_\ell \to 0$ ) या पूर्ण ट्रांसफॉर्मेशन लागू करने (यदि $|\beta_\ell| \to 1$ ) की अनुमति देता है।
ग्रेडिएंट वेरिएंस: लेखक सिद्ध करते हैं कि $\beta$ को सिस्टम डायमेंशन के साथ स्केल करने की अनुमति देकर (विशेष रूप से $\beta_{max} \approx \sqrt{d}$ , जहाँ $d$ हिल्बर्ट स्पेस डायमेंशन है), ग्रेडिएंट वेरिएंस तेजी से (exponentially) कम नहीं होता है। यह गणितीय रूप से बैरन प्लेटो की अनुपस्थिति की गारंटी देता है, जो गहरे क्वांटम नेटवर्क के लिए एक बड़ी सफलता है।

सर्किट डिज़ाइन

बाइनरी क्लासिफिकेशन: 5 एंसिला-कंट्रोल्ड रेसिडुअल ब्लॉक्स का उपयोग करता है। इनपुट डेटा एम्प्लीट्यूड-एनकोडेड है।
मल्टी-क्लास क्लासिफिकेशन: एक्सप्रेसिविटी बढ़ाने के लिए 5 रेसिडुअल ब्लॉक्स से पहले 30 स्टैंडर्ड QVC लेयर्स का एक उथला "बैकबोन" जोड़ता है, जिसके बाद सभी डेटा क्वबिट्स पर एक सॉफ्टमैक्स (softmax) लेयर लगाई जाती है।

3. प्रमुख योगदान

पोस्ट-सिलेक्शन-मुक्त रेसिडुअल लर्निंग: पोस्ट-सिलेक्शन-मुक्त रेसिडुअल कनेक्शन का पहला कार्यान्वयन जो पूरी तरह से डिफरेंशिएबल और नियत (deterministic) है, जो मानक ग्रेडिएंट-आधारित ऑप्टिमाइजेशन (जैसे Adam) को बिना सैंपल-एंड-डिस्कार्ड मैकेनिज्म के सक्षम बनाता है।
बैरन प्लेटो शमन: एक सैद्धांतिक प्रमाण और आर्किटेक्चरल डिज़ाइन जो दिखाता है कि ट्रेन करने योग्य रेसिडुअल स्ट्रेंथ, गहरे सर्किटों में भी, ग्रेडिएंट के घातीय विलुप्त होने (vanishing) को रोकती है।
हार्डवेयर दक्षता: यह आर्किटेक्चर स्टैंडर्ड गहरे QVCs की तुलना में काफी कम गेट्स के साथ उच्च सटीकता प्राप्त करता है, जिससे यह निकट-अवधि (near-term) क्वांटम डिवाइसों के लिए उपयुक्त बनता है।
एडवर्सरियल रोबस्टनेस (Adversarial Robustness): मॉडल ब्लैक-बॉक्स एडवर्सरियल हमलों के विरुद्ध क्लासिकल ट्रांसफर हमलों की तुलना में बेहतर लचीलापन प्रदर्शित करता है।

4. प्रयोगात्मक परिणाम

मॉडल का मूल्यांकन तीन डेटासेट्स पर किया गया: MNIST, CIFAR-2, और SARFish (सिंथेटिक अपर्चर रडार)।

डेटासेट	कार्य (Task)	सटीकता (Accuracy)	कुल गेट्स (Total Gates)	तुलना (Comparison)
MNIST	बाइनरी (0 बनाम 1)	99%	200	10x कम गेट्स के साथ गहरे QVCs को पछाड़ता है।
CIFAR-2	बाइनरी (हवाई जहाज बनाम ऑटो)	76%	200	जटिल छवियों पर मजबूत सामान्यीकरण।
SARFish	बाइनरी (फिशिंग बनाम नॉन-फिशिंग)	72.14%	200	शोर वाले, वास्तविक दुनिया के रिमोट सेंसिंग डेटा पर प्रभावी।
MNIST	मल्टी-क्लास (10 क्लासेस)	80%	1,400	30 QVC लेयर्स + 5 रेसिडुअल ब्लॉक्स के साथ प्राप्त किया गया।

गेट रिडक्शन: 10-क्लास MNIST पर ~~80% सटीकता प्राप्त करने के लिए, एक स्टैंडर्ड QVC को ~8,000 गेट्स (~~200 लेयर्स) की आवश्यकता होती है। प्रस्तावित QResNet केवल ~~1,400 गेट्स (~~30 लेयर्स + 5 रेसिडुअल ब्लॉक्स) के साथ समान प्रदर्शन प्राप्त करता है, जो ~5.7x गेट काउंट में कमी है।
एडवर्सरियल रोबस्टनेस: ब्लैक-बॉक्स हमलों (क्लासिकल मॉडल्स द्वारा उत्पन्न और QResNet में ट्रांसफर किए गए एडवर्सरियल उदाहरणों) के तहत, मॉडल उच्च सटीकता बनाए रखता है, जबकि व्हाइट-बॉक्स हमलों में अपेक्षित गिरावट देखी गई। यह सुझाव देता है कि क्वांटम निर्णय सीमाएं (decision boundaries) संरचनात्मक रूप से क्लासिकल सीमाओं से भिन्न हैं।

5. महत्व

यह कार्य निकट-अवधि क्वांटम हार्डवेयर पर QML को तैनात करने के लिए एक व्यावहारिक मार्ग प्रदान करता है। "पोस्ट-सिलेक्शन बॉटलनैक" और "बैरन प्लेटो समस्या" को एक साथ हल करके, QResNet सक्षम बनाता है:

स्केलेबिलिटी (Scalability): गहरे नेटवर्क को ग्रेडिएंट विलुप्त हुए बिना प्रशिक्षित किया जा सकता है।
दक्षता (Efficiency): कम गेट्स के साथ उच्च सटीकता प्राप्त होती है, जिससे शोर और डिकोहेरेंस (decoherence) के संपर्क में आने का जोखिम कम होता है।
स्थिरता (Stability): एडेप्टिव रेसिडुअल स्ट्रेंथ नेटवर्क को इष्टतम सूचना प्रवाह सीखने की अनुमति देती है, जिससे प्रशिक्षण की गतिशीलता स्थिर होती है।

यह शोध भविष्य के मजबूत, स्केलेबल और हार्डवेयर-कुशल क्वांटम मशीन लर्निंग मॉडल्स के लिए क्वांटम रेसिडुअल लर्निंग को एक मौलिक आर्किटेक्चरल सिद्धांत के रूप में स्थापित करता है।