⚛️ quantum physics

Divide et impera: hybrid multinomial classifiers from quantum binary models

यह शोध पत्र क्वांटम बाइनरी मॉडलों को मल्टीनोमियल क्लासिफायर में संयोजित करने के लिए हाइब्रिड रणनीतियों की जांच करता है, जो यह प्रदर्शित करता है कि एक बाइनरी निर्णय वृक्ष (डिसीजन ट्री) दृष्टिकोण वन-बनाम-एक (वन-वैर्सस-वन) और वन-बनाम-शेष (वन-वैर्सस-रेस्ट) जैसे अन्य तरीकों के समान सटीकता बनाए रखते हुए लॉगरिदमिक ओवरहेड के साथ एक लागत प्रभावी समाधान प्रदान करता है।

मूल लेखक: Simone Roncallo, Angela Rosy Morgillo, Seth Lloyd, Chiara Macchiavello, Lorenzo Maccone

प्रकाशित 2026-04-10

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Simone Roncallo, Angela Rosy Morgillo, Seth Lloyd, Chiara Macchiavello, Lorenzo Maccone

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 विशेष, हाई-टेक भर्ती समिति (hiring committee) के प्रमुख हैं। आपका काम उम्मीदवारों के रेज्यूमे (resumes) को देखना और यह तय करना है कि वे किन 10 अलग-अलग जॉब रोल्स के लिए सबसे उपयुक्त हैं।

क्लासिकल कंप्यूटरों की दुनिया में, आप 10 विशेषज्ञों की एक टीम रख सकते हैं, जहाँ प्रत्येक विशेषज्ञ केवल एक विशिष्ट नौकरी को पहचानने में माहिर हो। या, आप 45 विशेषज्ञों को रख सकते हैं, जहाँ नौकरियों के हर एक जोड़े (pair) के लिए अपना एक विशेषज्ञ हो। यह काम तो करता है, लेकिन यह धीमा और महंगा है क्योंकि आपको सबको सुनना पड़ता है।

यह पेपर क्वांटम विशेषज्ञों (जो सिलिकॉन चिप्स के बजाय प्रकाश और लेजर का उपयोग करते हैं) के बारे में है जो निर्णय लेने (हाँ/नहीं, A या B) में अविश्वसनीय रूप से तेज़ हैं। समस्या यह है: आप इन सुपर-फास्ट "हाँ/नहीं" विशेषज्ञों का उपयोग करके 10 विकल्पों के बीच चुनाव कैसे करें बिना उनकी गति को धीमा किए?

लेखकों ने इस पहेली को सुलझाने के लिए तीन अलग-अलग रणनीतियों का प्रयास किया। यहाँ सरल उपमाओं (analogies) का उपयोग करके इसका विवरण दिया गया है:

तीन रणनीतियाँ

1. "राउंड-रॉबिन टूर्नामेंट" (एक-बनाम-एक)

विचार: कल्पना कीजिए कि एक बॉक्सिंग टूर्नामेंट चल रहा है। 10 लोगों में से सर्वश्रेष्ठ फाइटर खोजने के लिए, आप हर व्यक्ति को दूसरे व्यक्ति के साथ लड़ाते हैं।
गणित: यदि आपके पास 10 क्लास हैं, तो आपको 45 अलग-अलग लड़ाइयाँ (classifiers) चाहिए।
परिणाम: यह बहुत सटीक है, लेकिन यह एक लॉजिस्टिक दुःस्वप्न है। एक विजेता चुनने के लिए आपको 45 अलग-अलग क्वांटम प्रयोग चलाने होंगे। जैसे-जैसे आप क्लास जोड़ते हैं, "लागत" बहुत तेज़ी से बढ़ती है (क्वाड्रेटिक रूप से)।

2. "ऑल-स्टार गेम" (एक-बनाम-शेष)

विचार: कल्पना कीजिए कि आपके पास 10 जज हैं। जज नंबर 1 पूछता है, "क्या यह उम्मीदवार एक शेफ है?" (हाँ/नहीं)। जज नंबर 2 पूछता है, "क्या यह उम्मीदवार एक डॉक्टर है?" (हाँ/नहीं)। और इसी तरह।
गणित: आपको 10 जज चाहिए।
परिणाम: यह टूर्नामेंट से बेहतर है। आप केवल 10 प्रयोग चलाते हैं। हालाँकि, आपको अभी भी सभी से उनका प्रश्न पूछना होगा और फिर वोटों की गिनती करनी होगी। लागत रैखिक (linear) रूप से बढ़ती है (10, 20, 30...)।

3. "डिसीजन ट्री" (कीप/फनल)

विचार: यह इस पेपर का पसंदीदा समाधान है। कल्पना कीजिए कि एक विशाल, जादुई कीप (funnel) या एक "चूज़ योर ओन एडवेंचर" बुक है।
- चरण 1: आप एक प्रश्न पूछते हैं: "क्या उम्मीदवार 'क्रिएटिव' समूह में है या 'टेक्निकल' समूह में?" (यह एक बाइनरी हाँ/नहीं है)।
- चरण 2: उत्तर के आधार पर, आप एक विशिष्ट पथ (path) पर चलते हैं। आप अन्य 9 प्रश्न नहीं पूछते। आप केवल उस विशिष्ट पथ के लिए प्रासंगिक अगला प्रश्न पूछते हैं।
- चरण 3: आप समूह को तब तक आधा-आधा विभाजित करते रहते हैं जब तक कि आप केवल एक जॉब टाइटल तक नहीं पहुँच जाते।
गणित: 10 या 45 प्रश्न पूछने के बजाय, आपको केवल लगभग 3 या 4 प्रश्न पूछने की आवश्यकता है (क्योंकि $2^3 = 8$ और $2^4 = 16$ )।
परिणाम: यह विजेता है। यह अविश्वसनीय रूप से कुशल है। यदि आपके पास 1,000 जॉब रोल भी हों, तो भी सही जॉब टाइटल खोजने के लिए आपको केवल 10 प्रश्न पूछने होंगे।

बड़ी खोज

लेखकों ने वास्तविक दुनिया के डेटा (जैसे हस्तलिखित नंबर, कपड़ों की वस्तुएं, और बिल्लियों/कुत्तों की तस्वीरों को पहचानना) का उपयोग करके सिमुलेशन चलाए। यहाँ उन्हें क्या मिला:

सटीकता समान है: आश्चर्यजनक रूप से, "डिसीजन ट्री" विधि उतनी ही सटीक थी जितनी कि "टूर्नामेंट" या "ऑल-स्टार" विधियाँ। शॉर्टकट लेने से आपने अपनी गुणवत्ता में कोई कमी नहीं की।
गति ही सब कुछ है: डिसीजन ट्री ही एकमात्र ऐसी विधि है जो क्वांटम एडवांटेज को बनाए रखती है।
- क्वांटम कंप्यूटर व्यक्तिगत "हाँ/नहीं" प्रश्न के लिए पहले से ही सुपर फास्ट है।
- यदि आप टूर्नामेंट विधि का उपयोग करते हैं, तो आप इतने अधिक प्रश्न चलाते हैं कि आप अपने स्पीड एडवांटेज को खत्म कर देते हैं।
- यदि आप डिसीजन ट्री का उपयोग करते हैं, तो आप इतने कम प्रश्न पूछते हैं कि क्वांटम गति 'एक्सपोनेंशियल' बनी रहती है। यह एक फेरारी (क्वांटम मॉडल) होने के बाद भी उसे ट्रैफिक जाम (अन्य विधियों) में चलाने के बजाय खाली हाईवे (डिसीजन ट्री) पर चलाने जैसा है।

"ट्री" की समस्या

एकमात्र पेच यह है कि डिसीजन ट्री एक क्रमिक (sequential) प्रक्रिया है। आपको पहले प्रश्न 1 पूछना होगा, उत्तर का इंतज़ार करना होगा, फिर प्रश्न 2 पूछना होगा। आप उन्हें एक साथ नहीं पूछ सकते जैसे अन्य विधियों में होता है।

हालाँकि, लेखकों ने पाया कि भले ही पेड़ (tree) को सावधानीपूर्वक बनाया जाना चाहिए, लेकिन पेड़ का विशिष्ट आकार बहुत मायने नहीं रखता था। चाहे आप पहले "A बनाम B" को विभाजित करें या "C बनाम D" को, अंतिम सटीकता लगभग समान थी। इसका मतलब है कि आपको पेड़ डिजाइन करने के लिए किसी जीनियस आर्किटेक्ट की आवश्यकता नहीं है; एक रैंडम आर्किटेक्ट भी ठीक काम करेगा।

निष्कर्ष

क्वांटम कंप्यूटर को कई श्रेणियों (केवल दो नहीं) में चीजों को वर्गीकृत करने में सक्षम बनाने के लिए, आपको केवल अधिक क्वांटम कंप्यूटरों को समस्या में नहीं झोंकना चाहिए। इसके बजाय, आपको उन्हें एक डिसीजन ट्री में व्यवस्थित करना चाहिए।

यह दृष्टिकोण आपको जटिल, वास्तविक दुनिया की समस्याओं (जैसे सैकड़ों प्रजातियों के पेंगुइन या कपड़ों के प्रकारों की पहचान करना) को हल करते समय "जादुई" क्वांटम गति (एक्सपोनेंशियल स्पीडअप) को बनाए रखने की अनुमति देता है, बिना कम्प्यूटेशनल ओवरहेड में फंसे।

संक्षेप में: सबको सब कुछ न पूछें। सही प्रश्न पूछें, सही पथ पर चलें, और क्वांटम गति को अपना काम करने दें।

यहाँ सिमोन रोनकालो और अन्य द्वारा लिखित शोध पत्र "Divide et impera: hybrid multinomial classifiers from quantum binary models" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र क्वांटम मशीन लर्निंग (QML) की एक मौलिक चुनौती को संबोधित करता है: अंतर्निहित रूप से बाइनरी (द्वि-आधारी) क्वांटम क्लासिफायर को मल्टीनोमियल (बहु-वर्ग) वर्गीकरण कार्यों के लिए विस्तारित करना, बिना क्वांटम लाभ (quantum advantage) की क्षमता से समझौता किए।

संदर्भ: कई क्वांटम क्लासिफायर (जैसे, वेरिएशनल क्वांटम क्लासिफायर, SWAP-टेस्ट क्लासिफायर) एक एकल बाइनरी निर्णय (0 या 1) को एक प्रायिकता स्कोर के आधार पर आउटपुट करने के लिए डिज़ाइन किए गए हैं।
बाधा (The Bottleneck): $K$ वर्गों के मल्टीनोमियल वितरण से सीधे नमूना (sampling) लेना आमतौर पर कम से कम $O(K)$ का कम्प्यूटेशनल ओवरहेड पेश करता है, जो $K$ न्यूरॉन्स वाले एक क्लासिकल आउटपुट लेयर की लागत की नकल करता है। यह ओवरहेड उस घातीय गति (exponential speedup) को खतरे में डालता है जो क्वांटम मॉडल इनपुट आकार के संबंध में प्रदान करते हैं।
लक्ष्य: पोस्ट-प्रोसेसिंग रणनीतियों के माध्यम से बाइनरी क्वांटम मॉडलों के एक संग्रह का उपयोग करके एक मल्टीनोमियल क्लासिफायर का निर्माण करना, जिससे क्वांटम लाभ को संरक्षित करते हुए कम्प्यूटेशनल ओवरहेड को न्यूनतम किया जा सके।

2. कार्यप्रणाली (Methodology)

लेखक एक हाइब्रिड क्वांटम-क्लासिकल दृष्टिकोण का प्रस्ताव करते हैं। वे एक विशिष्ट क्वांटम ऑप्टिकल क्लासिफायर का उपयोग करते जो होंग-ओ-मैंडेल (HOM) प्रभाव (जैसा कि उनके पिछले कार्य [30, 31] में प्रस्तुत किया गया है) पर आधारित है और इस बाइनरी मॉडल के कई उदाहरणों को तीन मानक अपघटन (decomposition) रणनीतियों का उपयोग करके जोड़ते हैं:

वन-वर्सेस-वन (One-vs-One - OvO):
- प्रत्येक वर्ग के जोड़े $(k, k')$ के लिए एक अलग बाइनरी क्लासिफायर को प्रशिक्षित करता है।
- ओवरहेड: $K(K-1)/2$ क्लासिफायर।
- जटिलता (Complexity): इन्फरेंस (inference) के समय $O(K^2)$ ।
- तंत्र (Mechanism): बहुमत मतदान (majority voting) के साथ समानांतर मूल्यांकन।
वन-वर्सेस-रेस्ट (One-vs-Rest - OvR):
- प्रत्येक वर्ग $k$ के लिए एक बाइनरी क्लासिफायर को प्रशिक्षित करता है जो वर्ग $k$ को अन्य सभी से अलग करता है।
- ओवरहेड: $K$ क्लासिफायर।
- जटिलता: इन्फरेंस के समय $O(K)$ ।
- तंत्र: समानांतर मूल्यांकन; जिस वर्ग का स्कोर सबसे अधिक होता है उसे चुना जाता है।
बाइनरी डिसीजन ट्री (Binary Decision Tree - DT):
- $K$ वर्गों के सेट को बाइनरी पार्टिशन में पुनरावर्ती (recursively) रूप से विभाजित करता है, जिससे एक पदानुक्रमित (hierarchical) वृक्ष संरचना में व्यवस्थित होता है।
- ओवरहेड: ट्री के रूट (root) से लीफ (leaf) तक जाने के लिए आवश्यक है।
- जटिलता: इन्फरेंस के समय $O(\log_2 K)$ ।
- तंत्र: अनुक्रमिक (sequential) मूल्यांकन। प्रत्येक नोड पर, इनपुट को बाइनरी क्लासिफायर के आउटपुट के आधार पर बाएं या दाएं निर्देशित किया जाता है जब तक कि एक लीफ (एकल वर्ग) तक न पहुँच जाए।

क्वांटम मॉडल:

आर्किटेक्चर: फोटॉन स्थानिक मोड (spatial modes) और HOM इंटरफेरेंस का उपयोग करके ऑप्टिकली कार्यान्वित एक उथला (shallow) न्यूरल नेटवर्क।
तुल्यता (Equivalence): गणितीय रूप से $M$ हिडन न्यूरॉन्स (स्क्वायर मोड एक्टिवेशन) वाले एक क्लासिकल शैलो नेटवर्क और एक लीनियर आउटपुट लेयर (सिग्मॉइड एक्टिवेशन) के समान है।
बाधाएं (Constraints): फोटॉन अवस्थाओं में पैरामीटर्स के भौतिक एनकोडिंग के कारण वेट्स (weights) को प्रतिबंधित किया गया है (हिडन लेयर्स के लिए L2-नॉर्मलाइज्ड और आउटपुट के लिए L1-नॉर्मलाइज्ड)।
गति (Speedup): यह $N$ फीचर्स को स्थिर $O(1)$ कम्प्यूटेशनल और ऑप्टिकल संसाधनों के साथ वर्गीकृत करके एक सुपर-एक्सपोनेंशियल स्पीडअप प्रदान करता है।

प्रायोगिक सेटअप (Experimental Setup):

डेटासेट्स: MNIST, Fashion-MNIST, और CIFAR-10।
बेसलाइन: एक क्लासिकल बेसलाइन को ठीक उसी अपघटन रणनीतियों (OvO, OvR, DT) का उपयोग करके बनाया गया था, लेकिन एक अधिक एक्सप्रेसिव आर्किटेक्चर (डीप ReLU नेटवर्क, कोई नॉर्मलाइजेशन बाधा नहीं) के साथ, ताकि यह सुनिश्चित किया जा सके कि कोई भी प्रदर्शन अंतराल (performance gap) मॉडल की एक्सप्रेसिविटी के कारण नहीं बल्कि पोस्ट-प्रोसेसिंग रणनीति के कारण है।
मेट्रिक्स: $K$ वर्गों के लिए औसत सटीकता (Average accuracy)।

3. मुख्य योगदान (Key Contributions)

हाइब्रिड फ्रेमवर्क: यह प्रदर्शित किया गया कि अंडरलाइंग क्वांटम हार्डवेयर आर्किटेक्चर को बदले बिना बाइनरी क्वांटम मॉडलों को मल्टीनोमियल क्लासिफायर में बदलने का एक व्यवहार्य तरीका क्या है।
ओवरहेड विश्लेषण: विभिन्न अपघटन रणनीतियों (OvO, OvR, DT) के लिए क्वांटम संदर्भ में कम्प्यूटेशनल ओवरहेड ( $O(K^2)$ , $O(K)$ , और $O(\log_2 K)$ ) का एक कठोर तुलनात्मक अध्ययन प्रदान किया।
डिसीजन ट्री अनुकूलन: बाइनरी डिसीजन ट्री (DT) को सबसे लागत प्रभावी रणनीति के रूप में पहचाना, जो क्वांटम मॉडल के घातीय स्पीडअप को बनाए रखने के लिए इन्फरेंस ओवरहेड को लॉगरिदमिक जटिलता तक सीमित करके इसे सुरक्षित करता है।
अनुभवजन्य सत्यापन (Empirical Validation): दिखाया गया कि अपघटन रणनीति का चयन करने का सटीकता पर नगण्य प्रभाव (negligible impact) पड़ता है, जिसका अर्थ है कि सबसे कुशल रणनीति (DT) को प्रदर्शन से समझौता किए बिना चुना जा सकता है।

4. परिणाम (Results)

लेखकों ने 4-वर्ग और 6-वर्ग के सबसेट्स पर और CIFAR-10 पर $K=2$ से $10$ तक बदलते हुए बेंचमार्क किया।

सटीकता तुलना (Accuracy Comparison):
- क्वांटम और क्लासिकल मॉडल सभी रणनीतियों (OvO, OvR, DT) में तुलनीय सटीकता प्राप्त करते हैं।
- क्लासिकल मॉडल थोड़ा, निरंतर लाभ दिखाते हैं (उदाहरण के लिए, MNIST पर ~1-2% अधिक), जो क्वांटम मॉडल पर नॉर्मलाइजेशन बाधाओं के कारण है जो इसकी एक्सप्रेसिविटी को सीमित करती हैं।
- रणनीति स्वतंत्रता (Strategy Independence): OvO, OvR, या DT के चुनाव से अंतिम सटीकता में महत्वपूर्ण बदलाव नहीं आया।
स्केलेबिलिटी (वर्गों की संख्या $K$ ):
- जैसे-जैसे $K$ बढ़ा (10 तक), क्वांटम और क्लासिकल दोनों मॉडलों के लिए सटीकता निरंतर घटती गई।
- मॉडलों और रैंडम गेसिंग (random guessing) के बीच का अंतर महत्वपूर्ण बना रहा (क्वांटम: रैंडम से ~23–30% ऊपर; क्लासिकल: रैंडम से ~28–35% ऊपर)।
- यह सुझाव देता है कि बाधा पोस्ट-प्रोसेसिंग रणनीति स्वयं है, न कि विशिष्ट क्वांटम आर्किटेक्चर।
डिसीजन ट्री मजबूती (Decision Tree Robustness):
- ट्री टोपोलॉजी और ट्रेनिंग सीड्स को बदलकर किए गए परीक्षणों ने दिखाया कि न तो विशिष्ट ट्री संरचना और न ही ट्रेनिंग वेरिएंस ने सटीकता को महत्वपूर्ण रूप से प्रभावित किया, जो पुष्टि करता है कि DT दृष्टिकोण मजबूत है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

क्वांटम लाभ को संरक्षित करना: यह अध्ययन सिद्ध करता है कि इनपुट आकार के सापेक्ष घातीय गति (exponential speedup) के साथ एक मल्टीनोमियल क्वांटम क्लासिफायर बनाना संभव है। डिसीजन ट्री दृष्टिकोण का उपयोग करके, ओवरहेड को $O(\log_2 K)$ तक कम कर दिया जाता है, जो अंडरलाइंग HOM क्लासिफायर की स्थिर $O(1)$ लागत की तुलना में नगण्य है।
लागत-प्रभावशीलता (Cost-Effectiveness): डिसीजन ट्री हाइब्रिड क्वांटम क्लासिफायर के लिए इष्टतम विकल्प है, जो समानांतर विधियों (OvO/OvR) के समान सटीकता स्तर बनाए रखते हुए सबसे कम कम्प्यूटेशनल ओवरहेड प्रदान करता है।
भविवी दिशाएँ: लेखक सुझाव देते हैं कि बढ़ते $K$ के साथ देखी गई सटीकता में गिरावट पोस्ट-प्रोसेसिंग की "एग्नोस्टिक" (agnostic) प्रकृति के कारण है (वर्गों को स्वतंत्र रूप से मानना)। भविष्य के सुधारों के लिए, वर्गों के बीच सहसंबंधों (correlations) का बेहतर लाभ उठाने के लिए डिसीजन ट्री संरचना को क्वांटम मॉडलों के साथ संयुक्त प्रशिक्षण (joint training) की आवश्यकता हो सकती है, बजाय इसके कि ट्री को केवल एक पोस्ट-प्रोसेसिंग स्टेप के रूप में माना जाए।

संक्षेप में, यह शोध पत्र वास्तविक दुनिया के बहु-वर्ग समस्याओं के लिए बाइनरी क्वांटम क्लासिफायर को स्केल करने के लिए एक व्यावहारिक रोडमैप प्रदान करता है, जिसमें क्वांटम दक्षता बनाए रखने के लिए बाइनरी डिसीजन ट्री को महत्वपूर्ण घटक के रूप में पहचाना गया है।