⚛️ quantum physics

Local tensor-train surrogates for quantum learning models

यह शोध पत्र स्थानीय इनपुट पैच के भीतर प्रशिक्षित क्वांटम मशीन लर्निंग मॉडलों के तेज़, प्रमाणित रूप से सटीक शास्त्रीय टेंसर-ट्रेन सरोगेट्स (surrogates) के निर्माण के लिए एक ढांचे को प्रस्तुत करता है, जो टेलर बहुपद सन्निकटन (Taylor polynomial approximation) को अनुभवजन्य जोखिम न्यूनीकरण (empirical risk minimization) के साथ जोड़कर किया जाता है, जिससे स्पष्ट रूप से नियंत्रित सन्निकटन और सामान्यीकरण त्रुटियों के साथ कुशल अनुमान (inference) सक्षम होता है।

मूल लेखक: Sreeraj Rajindran Nair, Christopher Ferrie

प्रकाशित 2026-04-29

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Sreeraj Rajindran Nair, Christopher Ferrie

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

यहाँ सरल भाषा और रचनात्मक उपमाओं (analogies) का उपयोग करते हुए शोध पत्र (paper) का विवरण दिया गया है।

बड़ी समस्या: महंगा क्वांटम "ब्लैक बॉक्स" (Black Box)

कल्पना कीजिए कि आपने एक अविश्वसनीय रूप से शक्तिशाली, भविष्यवादी मशीन (एक क्वांटम मशीन लर्निंग मॉडल) बनाई है जो जटिल समस्याओं को हल कर सकती है। यह एक मास्टर शेफ की तरह है जो एक आदर्श भोजन बना सकता है। हालाँकि, इसमें एक पेंच है: हर बार जब आप इस शेफ से किसी व्यंजन का स्वाद चखने या रेसिपी चेक करने के लिए कहते हैं, तो आपको उन्हें एक विशेष, महंगे और धीमे किचन (क्वांटम हार्डवेयर) में भेजना पड़ता है।

यदि आप इस शेफ का उपयोग 1,000 ग्राहकों को परोसने के लिए करना चाहते हैं (इन्फरेंस फेज/inference phase), तो आपको उन्हें 1,000 बार उस महंगे किचन में भेजना होगा। इसमें समय, ऊर्जा और पैसे का बहुत बड़ा खर्च आता है।

लक्ष्य: लेखक इस शेफ की एक सस्ती, तेज़ क्लासिकल कॉपी (एक "सरोगेट") बनाना चाहते हैं। एक बार जब असली क्वांटम शेफ प्रशिक्षित हो जाता है, तो हम उन्हें एक स्थानीय सहायक (local assistant) से बदलना चाहते हैं जो बिना किसी महंगे क्वांटम किचन की आवश्यकता के, एक साधारण लैपटॉप पर तुरंत सवालों के जवाब दे सके।

समाधान: "लोकल टेंसर-ट्रेन सरोगेट्स" (LTTS)

यह शोध पत्र इस सस्ती कॉपी को बनाने के लिए एक विशिष्ट रणनीति के साथ एक विधि प्रस्तावित करता है: पूरी दुनिया की नकल करने की कोशिश न करें; बस एक छोटा सा पड़ोस (neighborhood) कॉपी करें।

1. "लोकल पैच" (Local Patch) की उपमा

कल्पना कीजिए कि आप पूरी पृथ्वी का नक्शा बनाने की कोशिश कर रहे हैं। यह अविश्वसनीय रूप से जटिल है और हर जगह इसे सही करना बहुत कठिन है।

पुराना तरीका (ग्लोबल सरोगेट्स): एक ही बार में पूरी पृथ्वी का एक आदर्श नक्शा बनाने की कोशिश करना। यह बहुत बड़ा है, बहुत विस्तृत है और इसके लिए बहुत अधिक डेटा की आवश्यकता है।
नया तरीका (लोकल सरोगेट्स): एक विशिष्ट शहर (एक लोकल पैच) को चुनें। यदि आप केवल उस शहर पर ज़ूम करते हैं, तो वहां का भूभाग (terrain) बहुत सरल दिखाई देता है। आप केवल उस शहर का एक बहुत सटीक, सरल नक्शा बना सकते हैं।

लेखक कहते हैं: "आइए हम डेटा के एक बहुत छोटे, विशिष्ट क्षेत्र के लिए ही क्वांटम मॉडल की कॉपी बनाएं।" यदि आपको नए डेटा पॉइंट के लिए भविष्यवाणी करनी है, तो आप निकटतम "शहर" (पैच) को खोजते हैं और उस स्थानीय कॉपी का उपयोग करते हैं।

2. दो-चरणीय रेसिपी: टेलर + टेंसर-ट्रेन (Taylor + Tensor-Train)

इस स्थानीय कॉपी को बनाने के लिए, लेखक एक दो-चरणीय गणितीय रेसिपी का उपयोग करते हैं:

चरण A: "टेलर पॉलिनोमियल" (एक रफ स्केच)
क्वांटम मॉडल को एक ऊबड़-खाबड़, घुमावदार पहाड़ी के रूप में सोचें। यदि आप एक स्थान पर खड़े होते हैं और अपने पैरों के ठीक नीचे की जमीन को देखते हैं, तो वह समतल दिखती है। यदि आप थोड़ा और दूर देखते हैं, तो यह एक हल्की ढलान जैसी दिखती है। यदि आप थोड़ा और आगे देखते हैं, तो यह एक वक्र (curve) जैसी दिखती है।

लेखक उस विशिष्ट स्थान पर ढलान और घुमावों के आधार पर पहाड़ी का एक गणितीय "स्केच" बनाने के लिए टेलर पॉलिनोमियल्स (Taylor Polynomials) का उपयोग करते हैं।
पेंच: यह स्केच केवल तभी सटीक होता है जब आप अपने शुरुआती स्थान (पैच रेडियस) के बहुत करीब रहते हैं। यदि आप बहुत दूर चले जाते हैं, तो स्केच गलत हो जाता है।

चरण B: "टेंसर-ट्रेन" (संपीड़न/Compression)
चरण A से प्राप्त स्केच अभी भी एक सामान्य कंप्यूटर पर स्टोर करने के लिए बहुत बड़ा है क्योंकि इसमें बहुत सारे नंबर (एक टेंसर) शामिल हैं।

कल्पना कीजिए कि आप एक विशाल, हाई-रिज़ॉल्यूशन 3D मूर्ति को स्टोर करने की कोशिश कर रहे हैं। यह बहुत अधिक मेमोरी लेता है।
टेंसर-ट्रेन (Tensor-Train - TT) विधि उस मूर्ति को मोड़ने (fold) का एक चतुर तरीका है। यह बड़े 3D ऑब्जेक्ट को छोटे, प्रबंधनीय टुकड़ों की एक श्रृंखला (जैसे ट्रेनों के डिब्बे) में तोड़ देता है, जिसे बहुत कम जगह में स्टोर किया जा सकता है।
यह जटिल गणितीय स्केच को एक ऐसे प्रारूप में कंप्रेस करने की अनुमति देता है जिसे एक साधारण कंप्यूटर पर तेज़ी से कैलकुलेट किया जा सके।

वे कैसे सिद्ध करते हैं कि यह काम करता है

शोध पत्र केवल यह नहीं कहता कि "यह काम करता है"; वे एक गणितीय गारंटी (प्रमाण) प्रदान करते हैं कि कॉपी सटीक है। वे संभावित त्रुटि (error) को तीन श्रेणियों में बांटते हैं:

स्केचिंग एरर (Sketching Error): वास्तविक पहाड़ी और "टेलर स्केच" के बीच कितना अंतर है। यह इस बात पर नियंत्रित होता है कि आपका "पैच" कितना छोटा है। पैच जितना छोटा होगा, पहाड़ी उतनी ही समतल दिखेगी, और स्केच उतना ही बेहतर होगा।
कंप्रेशन एरर (Compression Error): जब मूर्ति को "टेंसर-ट्रेन" श्रृंखला में मोड़ा जाता है, तो कितनी डिटेल खो जाती है। यह "ट्रेन" के आकार (बॉन्ड डायमेंशन) द्वारा नियंत्रित होता है।
लर्निंग एरर (Learning Error): चूंकि वे इस कॉपी को शोर वाले डेटा (जैसे धुंध में पहाड़ी की तस्वीरें लेना) से सीखते हैं, इसलिए गलत अनुमान लगाने की एक छोटी सी संभावना होती है। वे सांख्यिकी (statistics) का उपयोग करके यह सिद्ध करते हैं कि पर्याप्त तस्वीरों के साथ, यह त्रुटि नगण्य हो जाती है।

"जादुई" परिणाम

लेखक दिखाते हैं कि इन विधियों को मिलाकर:

गति (Speed): नया क्लासिकल कॉपी, क्वांटम कंप्यूटर से पूछने की तुलना में 250 से 400 गुना तेज़ है।
सटीकता (Accuracy): कॉपी उस छोटे स्थानीय पैच के भीतर प्रमाणित रूप से सटीक है।
दक्षता (Efficiency): उन्हें क्वांटम मॉडल की गुप्त रेसिपी जानने की आवश्यकता नहीं है। वे क्वांटम मॉडल को एक "ब्लैक बॉक्स" के रूप में मानते हैं, बस उससे सवाल पूछते हैं और उसके जवाबों के आधार पर एक नक्शा बनाते हैं।

सारांश उपमा

कल्पना कीजिए कि आपके पास एक सुपर-कंप्यूटर है जो मौसम की भविष्यवाणी करता है, लेकिन इसे चलाने में 1 घंटा लगता है और प्रत्येक रन की लागत $1,000 है।

शोध पत्र का विचार: हर बार मौसम जानने के लिए सुपर-कंप्यूटर चलाने के बजाय, आप अपने विशिष्ट पड़ोस के लिए एक स्थानीय मौसम विज्ञानी (meteorologist) को काम पर रखते हैं।
विधि: आप अपने पड़ोस के लिए सुपर-कंप्यूटर से 100 बार डेटा मांगते हैं। आप उस डेटा का उपयोग अपने पड़ोस के लिए एक सरल, स्थानीय मौसम मानचित्र (Taylor) बनाने और उसे एक छोटी नोटबुक (Tensor-Train) में कंप्रेस करने के लिए करते हैं।
परिणाम: अब, जब भी आपको अपने पड़ोस के मौसम के बारे में जानना हो, तो आप बस नोटबुक देख लेते हैं। इसमें केवल 1 सेकंड लगता है और इसकी कोई लागत नहीं है। यदि आप दूसरे पड़ोस में जाते हैं, तो आप बस उस पड़ोस के लिए बनी नोटबुक उठा लेते हैं।

यह शोध पत्र यह सिद्ध करता है कि यह "नोटबुक" गणितीय रूप से गारंटी देती है कि वह सुपर-कंप्यूटर का एक बहुत अच्छा अनुमान है, जब तक कि आप उस पड़ोस की सीमाओं के भीतर रहते हैं।

यहाँ शोध पत्र "Local tensor-train surrogates for quantum learning models" (Sreeraj Rajindran Nair और Christopher Ferrie द्वारा) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

बाधा (The Bottleneck): क्वांटम मशीन लर्निंग (QML) के व्यावहारिक परिनियोजन (deployment) में एक प्रमुख बाधा इन्फरेंस चरण (inference phase) की कम्प्यूटेशनल लागत है। क्लासिकल मॉडल्स के विपरीत, जिन्हें प्रशिक्षण के बाद नगण्य लागत पर क्वेरी किया जा सकता है, QML मॉडल्स (विशेष रूप से वैरियेशनल क्वांटम एल्गोरिदम या PQCs) को प्रत्येक भविष्यवाणी के लिए क्वांटम हार्डवेयर पर बार-बार मूल्यांकन की आवश्यकता होती है। इससे समय, ऊर्जा और हार्डवेयर संसाधनों की लागत बढ़ती है, जो सर्किट जटिलता के साथ बढ़ती जाती है।
अंतराल (The Gap): जबकि "ग्लोबल" क्लासिकल सरोगेट्स (जो पूरे इनपुट स्पेस पर मॉडल का अनुमान लगाते हैं) मौजूद हैं, वे अक्सर 'कर्स ऑफ डायमेंशनैलिटी' (curse of dimensionality) से ग्रस्त होते हैं या उन्हें क्वांटम मॉडल के बारे में विशिष्ट संरचनात्मक धारणाओं (जैसे कि फूरियर सीरीज़ के रूप में प्रतिनिधित्व योग्य री-अपलोडिंग मॉडल) की आवश्यकता होती है। एक ऐसे मॉडल-अग्नोस्टिक (model-agnostic) फ्रेमवर्क की आवश्यकता है जो बिना किसी विशिष्ट आंतरिक संरचना की धारणा बनाए, स्थानीय स्तर पर किसी भी प्रशिक्षित क्वांटम मॉडल का कुशलतापूर्वक अनुमान लगा सके और कठोर त्रुटि सीमा (error bounds) एवं सांख्यिकीय गारंटी प्रदान कर सके।

2. कार्यप्रणाली: लोकल टेंसर-ट्रेन सरोगेट्स (LTTS)

लेखक इनपुट डेटा स्पेस के स्थानीय पैच (local patches) के भीतर प्रशिक्षित क्वांटम मॉडल्स के लिए तेज़, सस्ते और प्रमाणित सटीक क्लासिकल सरोगेट्स बनाने के लिए एक फ्रेमवर्क प्रस्तावित करते हैं। यह दृष्टिकोण तीन अलग-अलग घटकों को जोड़ता है:

A. लोकल टेलर एप्रोक्सिमेशन (Local Taylor Approximation)

वैश्विक फलन (global function) का अनुमान लगाने के बजाय, यह विधि $x_0$ पर केंद्रित एक स्थानीय हाइपरक्यूब पैच $B(x_0, r)$ पर ध्यान केंद्रित करती है।

लक्षित क्वांटम मॉडल $g(x)$ को डिग्री $p$ के एक ट्रंकेटेड टेलर बहुपद (truncated Taylor polynomial) $T_p(\xi)$ द्वारा अनुमानित किया जाता है।
ट्रंकेशन एरर (truncation error) नियत (deterministic) है और पैच रेडियस $r$ तथा फलन की स्मूथनेस (smoothness) द्वारा नियंत्रित होता है।

B. टेंसर-ट्रेन (TT) एम्बेडिंग

उच्च-आयामी इनपुट्स ( $N$ आयाम) को बिना एक्सपोनेंशियल स्केलिंग के संभालने के लिए, टेलर गुणांकों को एक टेंसर-ट्रेन (TT) फॉर्मेट (जिसे भौतिकी में मैट्रिक्स प्रोडक्ट स्टेट्स भी कहा जाता है) में एम्बेड किया जाता है।

एम्बेडिंग स्कीम: टेलर बहुपद एक "सिम्प्लेक्स" इंडेक्स सेट (कुल डिग्री $\le p$ ) का उपयोग करता है, जबकि TT फॉर्मेट को एक "बॉक्स" इंडेक्स सेट (कार्तीय उत्पाद $\{0, \dots, p\}^N$ ) की आवश्यकता होती है। लेखक जीरो-पैडिंग (zero-padding) के माध्यम से सिम्प्लेक्स गुणांकों को बॉक्स स्पेस में मैप करते हैं।
कंप्रेशन (Compression): गुणांकों के इस उच्च-क्रम वाले टेंसर को बॉन्ड डायमेंशन (रैंक) $\chi$ के साथ TT-SVD का उपयोग करके कंप्रेस किया जाता है। यह पैरामीटर गणना को एक्सपोनेंशियल $(p+1)^N$ से घटाकर पॉलीनोमियल $O(N(p+1)\chi^2)$ कर देता है।

C. सांख्यिकीय लर्निंग (Statistical Learning - ERM)

यह फ्रेमवर्क सरोगेट के सीखने को एक सांख्यिकीय रिग्रेशन समस्या के रूप में मानता है।

हाइपोथीसिस क्लास: लर्नर एक सीमित TT हाइपोथीसिस क्लास $H_{TT}(\Lambda, \chi)$ के भीतर एक प्रेडिक्टर की खोज करता है।
एम्पिरिकल रिस्क मिनिमाइजेशन (ERM): मॉडल को स्थानीय पैच से लिए गए शोर युक्त नमूनों $(X_i, Y_i)$ पर स्क्वेर्ड एरर को कम करने के लिए प्रशिक्षित किया जाता है।
वार्म स्टार्ट (Warm Start): नियत टेलर-TT सर्टिफिकेट, ERM ऑप्टिमाइजेशन के लिए एक "वार्म स्टार्ट" के रूप में कार्य कर सकता है, जिससे अभिसरण (convergence) तेज होता है।

3. मुख्य सैद्धांतिक योगदान

यह शोध पत्र एक कठोर PAC (Probably Approximately Correct) लर्निंग फ्रेमवर्क प्रदान करता है जिसमें स्पष्ट एरर डिकंपोजिशन है।

A. डिटरमिनिस्टिक एरर सर्टिफिकेट

लेखक सिद्ध करते हैं कि TT हाइपोथीसिस क्लास में लक्षित फलन का एक अच्छा अनुमान शामिल है। कुल त्रुटि निम्नलिखित के योग द्वारा सीमित है:

टेलर ट्रंकेशन एरर: $O(r^{p+1})$ के रूप में स्केल करती है। यह पैच रेडियस $r$ और डिग्री $p$ द्वारा नियंत्रित होती है।
TT एप्रोक्सिमेशन एरर: TT बॉन्ड डायमेंशन $\chi$ के साथ स्केल करती है। यह टेलर गुणांक टेंसर की कंप्रेसिबिलिटी द्वारा नियंत्रित होती है।
फीचर नॉर्म कॉन्स्टेंट: टेंसर-प्रोडक्ट फीचर मैप से उत्पन्न एक वर्स्ट-केस फैक्टर $K^N$ (जहाँ $K \approx 1.5$ ), जो "कर्स ऑफ डायमेंशनैलिटी" के स्थिरांकों (constants) का प्रतिनिधित्व करता है, हालांकि पैरामीटर गणना पॉलीनोमियल बनी रहती है।

B. सांख्यिकेशनल जनरलाइजेशन बाउंड्स

टेंसर नेटवर्क के लिए स्यूडो-डायमेंशन (pseudo-dimension) बाउंड्स का उपयोग करते हुए, लेखक सीखे गए सरोगेट के जनरलाइजेशन एरर (excess risk) पर उच्च-संभावना वाले बाउंड्स निकालते हैं।

सैंपल कॉम्प्लेक्सिटी: लक्ष्य त्रुटि $\eta$ प्राप्त करने के लिए आवश्यक नमूनों की संख्या $n$ , प्रभावी आयाम $d_{eff} \approx N(p+1)\chi^2$ के साथ पॉलीनोमियल रूप से स्केल करती है।
लोकल एडवांटेज: महत्वपूर्ण रूप से, बाउंड्स स्पष्ट रूप से पैच रेडियस $r$ पर निर्भर करते हैं। $r$ को छोटा करने से टेलर ट्रंकेशन एरर और नॉर्म बजट $\Lambda^*(r)$ दोनों कम हो जाते हैं, जिससे ग्लोबल सरोगेट्स की तुलना में टाइट सांख्यिकीय बाउंड्स और कम आवश्यक नमूने मिलते हैं।

4. संख्यात्मक परिणाम (Numerical Results)

लेखकों ने एक सिंथेटिक गौसियन क्लासिफिकेशन टास्क और वास्तविक दुनिया के UCI Banknote Authentication डेटासेट पर इस फ्रेमवर्क को मान्य किया। उन्होंने एक 6-क्यूबिट क्वांटम कनवल्शनल न्यूरल नेटवर्क (QCNN) को प्रशिक्षित किया और स्थानीय सरोगेट्स बनाए।

रैंक स्केलिंग: प्रयोगों ने दिखाया कि जीरो-पैडिंग के माध्यम से सिम्प्लेक्स टेलर गुणांकों को बॉक्स TT फॉर्मेट में एम्बेड करने से गैर-सेपरेबल फंक्शन्स के लिए TT रैंक व्यवस्थित रूप से नहीं बढ़ता है। कई मामलों में (जैसे उच्च-डिग्री वाले बहुपदों में), इसने आवश्यक रैंक को वास्तव में कम (deflation) कर दिया।
एरर डिकंपोजिशन: कुल त्रुटि को टेलर ट्रंकेशन और TT कंप्रेशन घटकों में सफलतापूर्वक विभाजित किया गया। TT कंप्रेशन एरर मध्यम रैंक ( $\chi \approx 3-5$ ) पर नगण्य हो गई, जिससे पुष्टि हुई कि परीक्षण किए गए शासन (regime) में टेलर ट्रंकेशन एरर ही कुल त्रुटि पर हावी है।
प्रदर्शन:
- सटीकता (Accuracy): ERM-सीखा गया सरोगेट कच्चे टेलर-TT सर्टिफिकेट (वार्म स्टार्ट) से लगातार बेहतर प्रदर्शन करता है, जो टेलर रिमाइंडर को ठीक करता है।
- स्पीडअप: क्वांटम सर्किट कॉल्स को क्लासिकल TT सरोगेट से बदलने के परिणामस्वरूप प्रति मूल्यांकन 250x से 400x की गति वृद्धि (speedup) हुई।
- लोकल बनाम ग्लोबल: छोटे पैच रेडियस $r$ ने कम एप्रोक्सिमेशन एरर दिए और कम नमूनों की आवश्यकता पड़ी, जो स्थानीय सरोगेशन के सैद्धांतिक लाभ को प्रमाणित करता है।

5. महत्व और प्रभाव (Significance and Impact)

मॉडल-अग्नोस्टिक: पिछले कार्यों के विपरीत जिन्हें विशिष्ट क्वांटम मॉडल संरचनाओं (जैसे फूरियर सीरीज़) की आवश्यकता होती है, LTTS किसी भी स्थानीय रूप से स्मूथ क्वांटम मॉडल के लिए काम करता है, जिससे यह व्यापक रेंज के NISQ और भविष्य के FASQ एल्गोरिदम के लिए लागू करने योग्य बनता है।
प्रशिक्षण और इन्फरेंस का पृथक्करण: यह फ्रेमवर्क एक ऐसा वर्कफ़्लो सक्षम करता है जहाँ महंगे क्वांटम संसाधनों का उपयोग केवल प्रशिक्षण के लिए किया जाता है। एक बार प्रशिक्षित होने के बाद, मॉडल को एक तेज़, सस्ते और स्केलेबल क्लासिकल TT सरोगेट में "डीक्वांटाइज" (dequantize) किया जा सकता है।
सैद्धांतिक स्पष्टता: यह पेपर स्पष्ट रूप से रिप्रेजेंटेशन कॉम्प्लेक्सिटी (TT के माध्यम से पॉलीनोमियल) और फीचर-इंड्यूस्ड कॉन्स्टेंट्स (एम्बेडिंग के माध्यम से एक्सपोनेंशियल) को अलग करता है। यह स्पष्ट करता है कि समस्या में 'कर्स ऑफ डायमेंशनैलिटी' कहाँ प्रवेश करती है और यह सुझाव देता है कि स्थानीय पैच के लिए, प्रभावी जटिलता प्रबंधनीय है।
व्यावहारिक परिनियोजन: स्पष्ट, नियंत्रणीय त्रुटि सीमा और सैंपल कॉम्प्लेक्सिटी गारंटी प्रदान करके, LTTS उन संसाधन-बाधित वातावरणों में QML मॉडल्स को तैनात करने के लिए एक व्यवहार्य मार्ग प्रदान करता है जहाँ बार-बार क्वांटम क्वेरी करना असंभव है।

संक्षेप में, यह कार्य महंगे क्वांटम इन्फरेंस को कुशल, स्थानीय रूप से सटीक क्लासिकल टेंसर-नेटवर्क सरोगेट्स से बदलने के लिए एक कठोर सैद्धांतिक और व्यावहारिक आधार स्थापित करता है, जो क्वांटम ट्रेनिंग और क्लासिकल डिप्लॉयमेंट के बीच के अंतर को पाटता है।