GAT-QNN: Genetic Algorithm-Based Training of Hybrid Quantum Neural Networks

यहाँ शोध पत्र "GAT-QNN: Genetic Algorithm-Based Training of Hybrid Quantum Neural Networks" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र वर्तमान Noisy Intermediate-Scale Quantum (NISQ) उपकरणों पर हाइब्रिड क्वांटम न्यूरल नेटवर्क (HQNNs) की तैनाती में दो महत्वपूर्ण सीमाओं को संबोधित करता है:

• बैकएंड विषमता (Backend Heterogeneity): HQNNs को अक्सर एक विशिष्ट सिम्युलेटर या बैकएंड पर प्रशिक्षित किया जाता है लेकिन विषम वातावरण (विभिन्न सिम्युलेटर, कंपाइलेशन फ्लो, या हार्डवेयर) में तैनात किया जाता है। एक बैकएंड के लिए अनुकूलित सर्किट आर्किटेक्चर दूसरे पर खराब प्रदर्शन कर सकता है, जो शोर (noise), गेट कार्यान्वयन और कंपाइलेशन-प्रेरित संरचनात्मक परिवर्तनों के कारण होता है।
• संसाधन अक्षमता (Resource Inefficiency): एक पूर्ण, जटिल "macroCircuit" को तैनात करना अक्सर अनावश्यक और महंगा होता है। छोटे सब-सर्किट्स ("microCircuits") कम गेट्स के साथ तुलनीय या बेहतर प्रदर्शन प्राप्त कर सकते हैं, जिससे शोर का प्रभाव और रनटाइम कम हो जाता है। हालाँकि, इन इष्टतम सब-सर्किट्स को खोजने के लिए आमतौर पर प्रत्येक उम्मीदवार को फिर से प्रशिक्षित करने की आवश्यकता होती है, जो गणनात्मक रूप से अत्यधिक खर्चीला है।

वर्तमान विधियाँ अक्सर एक विशिष्ट सेटिंग के लिए एक एकल अनुकूलित आर्किटेक्चर प्रदान करती हैं, जो बिना पुन: प्रशिक्षण के, किसी विशिष्ट लक्षित बैकएंड के लिए इन्फरेंस (inference) के समय सर्वश्रेष्ठ आर्किटेक्चर चुनने की प्रक्रिया प्रदान करने में विफल रहती हैं।

2. प्रस्तावित कार्यप्रणाली: GAT-QNN

लेखक GAT-QNN का प्रस्ताव करते हैं, जो जेनेटिक एल्गोरिदम (GAs) का उपयोग करके प्रशिक्षण और तैनाती को अलग करने वाला एक दो-चरणीय ढांचा (two-stage framework) है। मुख्य अवधारणा एक macroCircuit (एक सुपर-स्ट्रक्चर जो एक बड़े खोज स्थान को परिभाषित करता है) और microCircuits (macroCircuit से नमूने के रूप में लिए गए विशिष्ट सब-आर्किटेक्चर) के इर्द-गिर्द घूमती है।

A. क्रोमोसोम एनकोडिंग (Chromosome Encoding)

प्रत्येक उम्मीदवार microCircuit को एक निश्चित-लंबाई वाले पूर्णांक क्रोमोसोम के रूप में एनकोड किया जाता है:

• संरचना: $g = [g^{(1)}_R, g^{(1)}_C, g^{(2)}_R, g^{(2)}_C, L]$
  • $L$: सक्रिय परतों (active layers) की संख्या।
  • $g^{(\ell)}_R$: परत $\ell$ में पैरामीटराइज्ड सिंगल-क्विबिट रोटेशन गेट्स (RX) की संख्या।
  • $g^{(\ell)}_C$: एंग्लिंग गेट्स (CNOT) की संख्या।
• खोज स्थान (Search Space): 4-qubit प्रयोगों के लिए, गेट काउंट 1–4 और डेप्थ 1–2 तक है।

B. चरण 1: GA-संचालित MacroCircuit प्रशिक्षण (GA-Driven MacroCircuit Training)

यह चरण microCircuits की एक जनसंख्या को विकसित करके macroCircuit के साझा पैरामीटर पूल को प्रशिक्षित करता है।

1. आरंभ (Initialization): यादृच्छिक क्रोमोसोम (microCircuit आर्किटेक्चर) की एक जनसंख्या उत्पन्न की जाती है।
2. पुनरावृत्ति विकास (Iterative Evolution):
   • सैंपलिंग (Sampling): प्रत्येक क्रोमोसोम macroCircuit के खोज स्थान से एक विशिष्ट microCircuit को इंस्टैंशिएट करता है।
   • प्रशिक्षण (Training): microCircuit को कार्य (जैसे, MNIST वर्गीकरण) पर प्रशिक्षित किया जाता है।
   • पैरामीटर पुनर्गठन (Parameter Reintegration): प्रशिक्षित microCircuit से सीखे गए पैरामीटर्स को साझा macroCircuit वेट्स में वापस एकत्रित किया जाता है। यह macroCircuit को विविध आर्किटेक्चरल उम्मीदवारों के माध्यम से ज्ञान संचित करने की अनुमति देता है।
   • GA ऑपरेटर्स: उच्च फिटनेस (टेस्ट सटीकता) की ओर जनसंख्या को विकसित करने के लिए मानक GA ऑपरेशंस (Parent Selection, Multi-point Crossover, Mutation) लागू किए जाते हैं।
3. परिणाम: एक जेनेटिकली अनुकूलित macroCircuit जिसके पास एक समेकित वेट सेट है।

C. चरण 2: GA-संचालित इन्फरेंस (GA-Driven Inference - Deployment)

यह चरण बिना पुन: प्रशिक्षण के इष्टतम परिनियोजन (deployment) आर्किटेक्चर का चयन करता है।

1. केवल-इन्फरेंस मूल्यांकन (Inference-Only Evaluation): प्रशिक्षण चरण की अंतिम जनसंख्या से शुरू होकर, एक नया GA रन निष्पादित किया जाता है।
2. फिटनेस गणना (Fitness Calculation): उम्मीदवार microCircuits को निश्चित, प्रशिक्षित macroCircuit वेट्स का उपयोग करके बनाया और मूल्यांकित किया जाता है। इस चरण में कोई पैरामीटर अपडेट नहीं होता है।
3. बैकएंड-जागरूक चयन (Backend-Aware Selection): GA उन microCircuits का चयन करता है जो विशेष रूप से लक्षित बैकएंड पर इन्फरेंस-टाइम फिटनेस को अधिकतम करते हैं। यह सिस्टम को बिना पुन: प्रशिक्षण के बैकएंड-विशिष्ट शोर और कंपाइलेशन प्रभावों के अनुकूल होने की अनुमति देता है।
4. आउटपुट: एक रैंक किया गया शीर्ष-प्रदर्शन करने वाले, संसाधन-कुशल microCircuits का सेट जो तैनाती के लिए तैयार है।

3. प्रमुख योगदान (Key Contributions)

• GAT-QNN फ्रेमवर्क: एक नवीन GA-आधारित पाइपलाइन जो microCircuits को पुनरावृत्त रूप से सैंपल, ट्रेन और इंटीग्रेट करके एक macroCircuit को प्रशिक्षित करती है, जिससे NISQ बाधाओं के तहत आर्किटेक्चर और पैरामीटर्स की संयुक्त खोज संभव होती है।
• अलग किया गया प्रशिक्षण/इन्फरेंस (Decoupled Training/Inference): यह विधि पैरामीटर संचय के लिए प्रशिक्षण चरण को तैनाती के लिए आर्किटेक्चर चयन से अलग करती है। यह बैकएंड बदलने पर मॉडल को पुन: प्रशिक्षित करने की आवश्यकता को समाप्त करता है।
• संसाधन-जागरूक परिनियोजन (Resource-Aware Deployment): फ्रेमवर्क स्वाभाविक रूप से उन छोटे microCircuits (कम गेट्स) की पहचान करता है जो उच्च सटीकता बनाए रखते हैं, जो NISQ उपकरणों के शोर संबंधी प्रतिबंधों को संबोधित करता है।
• दो-चरणीय पाइपलाइन: यह स्पष्ट रूप से एक वर्कफ़्लो को परिभाषित करता है जहाँ एक साझा macroCircuit को प्रशिक्षित किया जाता है, जिसके बाद विशिष्ट निष्पादन वातावरण के लिए सर्वश्रेष्ठ microCircuit का चयन करने के लिए एक स्वतंत्र GA-संचालित इन्फरेंस रन चलाया जाता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

इस दृष्टिकोण को 4-qubit HQNN का उपयोग करके 4-क्लास MNIST वर्गीकरण कार्य पर सत्यापित किया गया।

• प्रदर्शन लाभ (Performance Gains):
  • GA-प्रशिक्षित पाइपलाइन और GA-संचालित इन्फरेंस ने नियमित प्रशिक्षण बेसलाइन्स की तुलना में लगातार बेहतर प्रदर्शन किया।
  • सटीकता में सुधार: कई बैकेंड्स (PennyLane, AWS Braket simulator, और QASM simulator) में पारंपरिक रूप से प्रशिक्षित macroCircuit पर GA-संचालित इन्फरेंस का उपयोग करने की तुलना में 22–23% अधिक टेस्ट सटीकता प्राप्त की।
  • सर्वश्रेष्ठ परिणाम: एक विशिष्ट microCircuit (क्रोमोसोम [3, 2, 2, 1, 2]) ने केवल 5 RX और 3 CNOT गेट्स का उपयोग करके 0.870 की टेस्ट सटीकता प्राप्त की। इसके विपरीत, नियमित प्रशिक्षण के तहत पूर्ण macroCircuit ने 0.915 प्राप्त किया लेकिन इसके लिए 8 RX और 8 CNOT की आवश्यकता थी; हालाँकि, सीधे तौर पर मूल्यांकित GA-प्रशिक्षित macroCircuit ने केवल 0.780 प्राप्त किया, जो इन्फरेंस-चरण के चयन की आवश्यकता को उजागर करता है।
• मजबूती (Robustness): प्रदर्शन लाभ सभी तीन परीक्षण किए गए बैकेंड्स में सुसंगत थे, जो विषम निष्पादन वातावरण को संभालने की विधि की क्षमता को सिद्ध करते हैं।
• दक्षता (Efficiency): चयनित microCircuits अक्सर पूर्ण macroCircuit की तुलना में काफी कम संसाधनों (गेट्स) का उपयोग करते हुए भी उच्च सटीकता बनाए रखते हैं।

5. महत्व (Significance)

• प्रशिक्षण-तैनाती बेमेल को हल करना (Solving the Training-Deployment Mismatch): GAT-QNN उस महत्वपूर्ण अंतर को संबोधित करता है जहाँ एक वातावरण में प्रशिक्षित मॉडल दूसरे में विफल हो जाता है। लक्षित बैकएंड की विशेषताओं के आधार पर इन्फरेंस के समय आर्किटेक्चर चुनकर, यह पुन: प्रशिक्षण की लागत के बिना मजबूती सुनिश्चित करता है।
• NISQ अनुकूलता (NISQ Compatibility): यह विधि स्पष्ट रूप से उथले (shallow) सर्किट और कम गेट काउंट के लिए अनुकूलित है, जो इसे वर्तमान शोर वाले क्वांटम हार्डवेयर के लिए अत्यधिक उपयुक्त बनाती है।
• स्केलेबिलिटी (Scalability): यह दृष्टिकोण हजारों व्यक्तिगत आर्किटेक्चर को शून्य से प्रशिक्षित करने के बजाय, एक साझा macroCircuit पर प्रशिक्षण लागत को कम करके क्वांटम न्यूरल आर्किटेक्चर सर्च (QNAS) के लिए एक स्केलेबल मार्ग प्रदान करता है।
• भविष्य का प्रभाव: यह कार्य बैकएंड-अज्ञेयवादी (backend-agnostic) क्वांटम मशीन लर्निंग परिनियोजन के लिए मार्ग प्रशस्त करता है, जहाँ एक एकल प्रशिक्षित मॉडल विभिन्न क्वांटम प्रोसेसर या सिम्युलेटर के अनुकूल होने के लिए इष्टतम सब-आर्किटेक्चर का चयन करके गतिशील रूप से अनुकूलित हो सकता है।