Q-SINDy: Quantum-Kernel Sparse Identification of Nonlinear Dynamics with Provable Coefficient Debiasing

यहाँ सैमरेंद्रा रॉय और सैयद बहाउद्दीन आलम के शोध पत्र "Q-SINDy: Provable Coefficient Debiasing के साथ Quantum-Kernel Sparse Identification of Nonlinear Dynamics" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

Sparse Identification of Nonlinear Dynamics (SINDY) एक लोकप्रिय ढांचा (framework) है जो उम्मीदवार फलनों (candidate functions) के पुस्तकालय (library) से सक्रिय पदों (active terms) को चुनकर समय-श्रृंखला डेटा (time-series data) से गतिशील प्रणालियों के शासी समीकरणों (governing equations) की खोज करता है (आमतौर पर बहुपद/polynomial)।

लेखक इसके एक स्वाभाविक विस्तार की जांच करते हैं: मानक बहुपद पुस्तकालय ($P$) को क्वांटम फीचर मैप्स (जैसे ZZ-angle encoding, IQP, डेटा री-अपलोडिंग) से प्राप्त एक क्वांटम फीचर लाइब्रेरी ($Q$) के साथ जोड़ना। इसका लक्ष्य उन अवशिष्ट गतिकी (residual dynamics) को पकड़ने के लिए क्वांटम एम्बेडिंग्स की अभिव्यंजक शक्ति (expressive power) का लाभ उठाना है जिन्हें बहुपद चूक जाते हैं।

मुख्य समस्या: लेखक एक स्वाभाविक कार्यान्वयन में देखी जाने वाली एक व्यवस्थित विफलता को पहचानते हैं जिसे "Coefficient Cannibalization" कहा जाता है। जब क्वांटम फीचर्स को केवल बहुपद फीचर्स के साथ जोड़ा जाता है ($\Theta = [P, Q]$), तो क्वांटम फीचर्स उस व्याख्यात्मक शक्ति को सोख लेते हैं जो वास्तव में बहुपद आधार (polynomial basis) की होनी चाहिए। यह अनुमानित बहुपद गुणांकों ($\hat{\xi}_P$) को उनके वास्तविक मानों से दूर धकेल कर उन्हें दूषित कर देता है, भले ही समग्र फिट एरर (fit error) कम हो।

2. कार्यप्रणाली (Methodology)

2.1 Q-SINDy ढांचा

यह विधि स्पार्स रिग्रेशन समस्या को हल करती है:
$$\min_{\Xi} \| \dot{X} - [P, Q] \Xi \|_F^2 + \lambda \| \Xi \|_0$$
जहाँ:

• $P$: बहुपद पुस्तकालय (जैसे, $1, x, y, x^2, xy, \dots$)।
• $Q$: क्वांटम पुस्तकालय जिसमें एक पैरामीटराइज्ड क्वांटम सर्किट $U_\phi(x)$ के ऑब्जर्वेबल्स के एक्सपेक्टेशन वैल्यू शामिल हैं।
• $\dot{X}$: अवस्था के समय डेरिवेटिव (time derivatives of the state)।

2.2 सैद्धांतिक विश्लेषण: Coefficient Cannibalization

लीस्ट-स्क्वायर थ्योरी का उपयोग करते हुए (स्पर्सिटी बाधा को शिथिल करते हुए), लेखक एक साधारण संवर्धित मॉडल (augmented model) में बहुपद गुणांकों के लिए सटीक बायस फॉर्मूला व्युत्पन्न करते हैं:
$$\hat{\xi}_P = \hat{\xi}_P^{\text{vanilla}} - \underbrace{(P^\top P)^{-1} P^\top Q \hat{\xi}_Q}_{\Delta \xi_P}$$

• $\Delta \xi_P$ "कैनिबलाइजेशन" बायस का प्रतिनिधित्व करता है।
• यह तब होता है जब दो शर्तें पूरी होती हैं: (1) $P$ और $Q$ ऑर्थोगोनल नहीं हैं ($P^\top Q \neq 0$), और (2) क्वांटम फीचर्स के पास गतिकी के लिए व्याख्यात्मक शक्ति है ($\hat{\xi}_Q \neq 0$)।
• चूंकि क्वांटम फीचर मैप्स का अक्सर प्रक्षेपवक्र डेटा (trajectory data) पर बहुपद आधार के साथ उच्च ओवरलैप होता है, इसलिए यह बायस गंभीर और व्यवस्थित होता है।

2.3 समाधान: Orthogonalization (ऑर्थोगोनलाइजेशन)

लेखक एक ज्यामितीय सुधार प्रस्तावित करते हैं: रिग्रेशन से पहले क्वांटम फीचर्स को बहुपद कॉलम स्पेस के विरुद्ध ऑर्थोगोनलाइज करना।

1. $P$ के ऑर्थोगोनल कॉम्प्लीमेंट पर $Q$ का प्रोजेक्शन ज्ञात करें:
   $$Q_\perp = Q - P(P^\top P)^{-1} P^\top Q$$
2. पुस्तकालय का निर्माण करें: $\Theta = [P, Q_\perp]$।
3. Theorem 3 सिद्ध करता है कि इस संशोधन के साथ, अनुमानित बहुपद गुणांकات वैनिला SINDy अनुमानों के समान हो जाते ($\hat{\xi}_P^{\text{orth}} = \hat{\xi}_P^{\text{vanilla}}$), चाहे क्वांटम गुणांक कुछ भी हों। क्वांटम फीचर्स को केवल उस विचरण (variance) को समझाने के लिए प्रतिबंधित किया जाता है जिसे $P$ नहीं समझा सकता।

2.4 नैदानिक उपकरण ($R^2_Q$)

यह अनुमान लगाने के लिए कि किसी दिए गए सिस्टम और फीचर मैप के लिए कैनिबलाइजेशन होगा या नहीं, लेखक एक डायनेमिक्स-अवेयर डायग्नोस्टिक पेश करते हैं:
$$R^2_Q = 1 - \frac{\| \dot{X} - Q(Q^\dagger \dot{X}) \|_F^2}{\| \dot{X} - \bar{\dot{X}} \|_F^2}$$
यह मापता है कि क्वांटम फीचर्स अकेले समय डेरिवेटिव को कितनी अच्छी तरह से भविष्यवाणी कर सकते हैं। उच्च $R^2_Q$ उच्च कैनिबलाइजेशन जोखिम का संकेत देता है।

3. मुख्य योगदान (Key Contributions)

1. Coefficient Cannibalization की खोज: एक विशिष्ट विफलता मोड की पहचान जहाँ क्वांटम फीचर्स SINDy में शास्त्रीय बहुपद पदों की व्याख्यात्मकता को दूषित करते हैं।
2. सिद्ध सुधार (Provable Correction): सटीक बायस फॉर्मूला का व्युत्पन्न और एक प्रमाण कि सरल ऑर्थोगोनलाइजेशन इस बायस को पूरी तरह समाप्त कर देता है, जिससे मूल भौतिक समीकरणों की संरचनात्मक रिकवरी सुरक्षित रहती है।
3. भवि 예측 डायग्नोस्टिक (Predictive Diagnostic): $R^2_Q$ मीट्रिक का विकास, जो सांख्यिकीय महत्व ($r=0.70, p=0.023$) के साथ कैनिबलाइजेशन की गंभीरता की भविष्यवाणी करता है, जो साधारण कॉलम-स्पेस ओवरलैप मेट्रिक्स से बेहतर प्रदर्शन करता है।
4. व्यापक सत्यापन: छह गतिशील प्रणालियों, तीन क्वांटम आर्किटेक्चर और विभिन्न शोर (noise) स्तरों पर व्यापक परीक्षण।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने छह कैनोनिकल सिस्टम (Duffing, Van der Pol, Lorenz, Lotka-Volterra, cubic oscillator, Rössler) और Burgers' equation (PDE) पर विधि का मूल्यांकन किया।

• संरचनात्मक रिकवरी (Structural Recovery):
  • Naive Q-SINDy: गंभीर गिरावट देखी गई। उदाहरण के लिए, शोर वाले Duffing ऑसिलेटर पर, सही पदों को रिकवर करने की True Positive Rate (TPR) वैनिला (1.0) से गिरकर 0.40 हो गई। कुछ मामलों में (Lotka-Volterra), बिना शोर के भी TPR 0 तक गिर गया।
  • Orthogonalized Q-SINDy: सभी शोर स्तरों और प्रणालियों में वैनिला SINDy के प्रदर्शन (TPR $\approx$ 1.0) से लगातार मेल खाया, जो बायस के सैद्धांतिक उन्मूलन की पुष्टि करता है।
• फीचर काउंट का खंडन: एक RBF कर्नेल बेसलाइन, जिसने 20 अलग-अलग हाइपरपैरामीटर कॉन्फ़िगरेशन का उपयोग किया, क्वांटम वेरिएंट की तुलना में अधिक विफल रहा, जिससे सिद्ध होता है कि समस्या केवल "बहुत अधिक फीचर्स" की नहीं है, बल्कि आधारों के बीच एक विशिष्ट ज्यामितीय अंतःक्रिया है।
• मजबूती (Robustness): ऑर्थोगोनलाइजेशन विधि ने सिम्युलेटेड डिपोलराइजिंग हार्डवेयर शोर (प्रति गेट 2% तक) के तहत मजबूती बनाए रखी।
• PDE विस्तार: फ्रेमवर्क Burgers' equation के लिए सफलतापूर्वक विस्तारित हुआ। इस मामले में, $R^2_Q$ डायग्नोस्टिक ने निम्न कैनिबलाइजेशन जोखिम (कम क्वांटम व्याख्यात्मक शक्ति के कारण) की सही भविष्यवाणी की, और दोनों (naive और orthogonalized) विधियों ने सत्य (truth) को रिकवर किया।

5. महत्व और निष्कर्ष (Significance and Conclusion)

• पद्धतिगत कठोरता (Methodological Rigor): यह पेपर वैज्ञानिक मशीन लर्निंग में क्वांटम फीचर्स को एकीकृत करने के लिए एक कठोर गणितीय आधार प्रदान करता है, जो "ब्लैक बॉक्स" संवर्धन से आगे बढ़कर ज्यामितीय रूप से सिद्धांत-आधारित एकीकरण की ओर ले जाता है।
• व्याख्यात्मकता (Interpretability): गुणांक बायस को समाप्त करके, यह विधि सुनिश्चित करती है कि रिकवर किए गए सिम्बोलिक समीकरण भौतिक रूप से व्याख्या योग्य और सटीक बने रहें, जो सुरक्षा-महत्वपूर्ण अनुप्रयोगों (जैसे डिजिटल ट्विन्स) के लिए महत्वपूर्ण है।
• सामान्यीकरण (Generalizability): हालांकि यह क्वांटम फीचर्स पर केंद्रित है, लेखक नोट करते हैं कि "कैनिबलाइजेशन" तंत्र किसी भी कर्नेल-संवर्धित स्पार्स रिग्रेशन (जैसे RBF, न्यूरल नेटवर्क) पर लागू होता है। ऑर्थोगोनलाइजेशन फिक्स सबस्ट्रेट-स्वतंत्र (substrate-independent) है।
• भविष्य की दृष्टि: यह कार्य बताता है कि जबकि वर्तमान क्वांटम हार्डवेयर अभी भी इन छोटे पैमाने की समस्याओं के लिए शास्त्रीय सिमुलेशन से तेज नहीं है, इसका पद्धतिगत योगदान (ऑर्थोगोनलाइजेशन) तुरंत लागू करने योग्य है। यह विश्वसनीय हाइब्रिड क्वांटम-क्लासिकल पाइपलाइनों के लिए मार्ग प्रशस्त करता है।

संक्षेप में, Q-SINDy प्रदर्शित करता है कि जबकि नाइव (naive) क्वांटम संवर्धन समीकरण खोज को सुधारने में विफल रहता है क्योंकि यह 'coefficient cannibalization' का शिकार होता है, एक सरल ऑर्थोगोनलाइजेशन चरण भौतिक नियमों की सटीकता से समझौता किए बिना क्वांटम अभिव्यक्तता के लाभों को बहाल कर देता है।