⚛️ quantum physics

Quantum Feature Selection with Higher-Order Binary Optimization on Trapped-Ion Hardware

यह शोध पत्र एक उच्च-क्रम अनकन्स्ट्रेंड बाइनरी ऑप्टिमाइज़ेशन (HUBO) फॉर्मूलेशन के साथ मल्टीवेरिएट डिपेंडेंसीज का उपयोग करते हुए एक क्वांटम फीचर-सिलेक्शन फ्रेमवर्क प्रस्तुत करता है, जिसे प्रतिस्पर्धी वर्गीकरण प्रदर्शन और मशीन लर्निंग प्रीप्रोसेसिंग के लिए उच्च-क्रम क्वांटम ऑप्टिमाइज़ेशन की व्यवहार्यता प्रदर्शित करने के लिए IonQ Forte ट्रैप्ड-आयन हार्डवेयर पर सफलतापूर्वक कार्यान्वित किया गया था।

मूल लेखक: Carlos Flores-Garrigós, Anton Simen, Qi Zhang, Enrique Solano, Narendra N. Hegade, Sayonee Ray, Claudio Girotto, Jason Iaconis, Martin Roetteler

प्रकाशित 2026-04-30

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Carlos Flores-Garrigós, Anton Simen, Qi Zhang, Enrique Solano, Narendra N. Hegade, Sayonee Ray, Claudio Girotto, Jason Iaconis, Martin Roetteler

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 विशाल पहेली को सुलझाने की कोशिश कर रहे हैं, लेकिन आपके पास चुनने के लिए 32 अलग-अलग टुकड़े (विशेषताएं/features) हैं, और आपको पूरी तस्वीर स्पष्ट रूप से देखने के लिए केवल कुछ ही की आवश्यकता है। समस्या यह है कि कुछ टुकड़े अकेले में महत्वपूर्ण दिखते हैं, कुछ केवल दूसरों के साथ मिलकर महत्वपूर्ण दिखते हैं, और कुछ आपस में एक-दूसरे की नकल (डुप्लिकेट) मात्र हैं।

यह शोध पत्र इस बात का वर्णन करता है कि पहेली के सही टुकड़ों को खोजने के लिए एक क्वांटम कंप्यूटर का उपयोग करने का एक नया तरीका कैसे अपनाया जाए। केवल एक-एक करके या जोड़ों (pairs) में टुकड़ों को देखने के बजाय (पारंपरिक तरीकों की तरह), यह नया तरीका यह देखता है कि तीन टुकड़ों के समूह मिलकर कैसे काम करते हैं।

यहाँ उनके दृष्टिकोण का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. समस्या: बहुत सारे विकल्प

डेटा साइंस में, "फीचर सिलेक्शन" (Feature Selection) एक विशाल सूची में से सबसे उपयोगी जानकारी चुनने की प्रक्रिया है।

पुराना तरीका (QUBO): कल्पना कीजिए कि आप केवल यह पूछकर सर्वश्रेष्ठ टीम के सदस्यों को चुनने की कोशिश कर रहे हैं कि "व्यक्ति A कितना अच्छा है?" और "व्यक्ति A और व्यक्ति B के बीच तालमेल कैसा है?" यह इस तथ्य को अनदेखा कर देता है कि कभी-कभी, तीन लोगों का एक विशिष्ट समूह एक ऐसा जादुई रसायन (chemistry) बनाता है जिसे आप उन्हें व्यक्तिगत रूप से या जोड़ों में देखकर नहीं समझ सकते।
नया तरीका (HUBO): लेखकों ने एक ऐसी विधि बनाई जो यह पूछती है कि "यह विशिष्ट तिकड़ी (trio) मिलकर काम करने में कितनी अच्छी है?" वे इसे हायर-ऑर्डर अनकन्स्ट्रेंड बाइनरी ऑप्टिमाइज़ेशन (HUBO) कहते हैं। यह एक अत्यंत बुद्धिमान मैनेजर की तरह है जो केवल व्यक्तिगत कौशल या जोड़ों को देखने के बजाय, जटिल समूह गतिशीलता (group dynamics) को तुरंत समझ सकता है।

2. रेसिपी: "ऊर्जा" मॉडल

सर्वश्रेष्ठ टीम खोजने के लिए, शोधकर्ताओं ने एक गणितीय "रेसिपी" बनाई जिसे हैमिल्टोनियन (Hamiltonian) (एक स्कोरकार्ड की तरह सोचें) कहा जाता है।

प्रासंगिकता (One-body): यदि सूचना का एक टुकड़ा अपने आप में बहुत उपयोगी है, तो स्कोरकार्ड उसे एक "बोनस" देता है (ऊर्जा को कम करता है)।
अतिरेक/Redundancy (Two-body): यदि दो सूचना के टुकड़े बिल्कुल एक ही बात कहते हैं, तो स्कोरकार्ड दोनों को चुनने पर दंडित करता है (ऊर्जा को बढ़ाता है)।
जटिल समूह (Three-body): यही असली सफलता का मंत्र है। यदि तीन सूचना के टुकड़े मिलकर एक शक्तिशाली अंतर्दृष्टि (insight) प्रदान करते हैं, तो स्कोरकार्ड उस विशिष्ट तिकड़ी को पुरस्कृत करता है।
"नो फ्री लंच" नियम: कंप्यूटर को हर एक टुकड़े को चुनने से रोकने के लिए (जो कि एक आलसी और आसान समाधान है), उन्होंने एक दंड जोड़ा। यह एक सख्त कोच की तरह है जो कहता है, "आप पूरी टीम नहीं चुन सकते; आपको केवल सबसे अच्छी छोटी टीम चुननी होगी।"

3. मशीन: द क्वांटम जिम

उन्होंने अपने इस तरीके का परीक्षण IonQ द्वारा बनाए गए एक वास्तविक क्वांटम कंप्यूटर पर किया, जो "ट्रैप्ड आयन" (आवेशित परमाणु) का उपयोग करता है।

वर्कआउट: उन्होंने डिजिटाइज़्ड काउंटरडायैबेटिक क्वांटम ऑप्टिमाइज़ेशन (DCQO) नामक तकनीक का उपयोग किया। कल्पना कीजिए कि आप कोहरे से भरी घाटी में सबसे निचले बिंदु को खोजने की कोशिश कर रहे हैं। एक सामान्य पैदल यात्रा आपको एक छोटे से गड्ढे में फंसा सकती है। यह तकनीक एक गाइडेड टूर की तरह है जो कंप्यूटर को बिना अटके, सबसे निचले बिंदु (सर्वश्रेष्ठ समाधान) तक तेज़ी से और सुचारू रूप से "फिसलने" में मदद करती है।
परिणाम: कंप्यूटर ने इस "वर्कआउट" को चलाया और प्रत्येक फीचर के लिए संभावनाओं (probabilities) की एक सूची थमा दी, जिससे पता चला कि वह फीचर सर्वश्रेष्ठ समाधानों में कितनी बार दिखाई दिया।

4. टेस्ट ड्राइव: दो वास्तविक परिदृश्य

उन्होंने यह देखने के लिए कि क्या उनका तरीका वास्तव में काम करता है, दो अलग-अलग डेटासेट पर अपने तरीके का परीक्षण किया:

परिदृश्य A: पित्त की पथरी (Gallstone) डेटासेट (चिकित्सा)
- कार्य: 32 स्वास्थ्य मेट्रिक्स (जैसे कोलेस्ट्रॉल, आयु, वजन) के आधार पर भविष्यवाणी करना कि क्या रोगी को पित्त की पथरी है।
- परिणाम: क्वांटम पद्धति ने 19 प्रमुख मेट्रिक्स चुने। इसने मानक कंप्यूटर तरीकों (जैसे PCA या साधारण रैंकिंग द्वारा शीर्ष 19 चुनना) की तुलना में बेहतर प्रदर्शन किया। इसने लक्षणों की एक छोटी, स्वच्छ सूची खोजी जो बीमारी की भविष्यवाणी करने में पूरे डेटा के बराबर या उससे भी बेहतर थी।
- जांच: उन्होंने वास्तविक क्वांटम कंप्यूटर के परिणामों की तुलना एक आदर्श, शोर-रहित (noise-free) सिमुलेशन से की। वे बहुत करीब से मेल खाते थे, जिससे सिद्ध हुआ कि वास्तविक हार्डवेयर उम्मीद के अनुसार काम करता है।
परिदृश्य B: स्पैमबेस (Spambase) डेटासेट (ईमेल)
- कार्य: 32 शब्द/वर्ण आवृत्तियों के आधार पर यह बताना कि कोई ईमेल स्पैम है या नहीं।
- परिणाम: क्वांटम पद्धति ने सूची को 23 प्रमुख संकेतकों तक कम कर दिया। फिर से, इसने मानक तरीकों से बेहतर प्रदर्शन किया। इसने "शोर" (अनावश्यक शब्दों) को हटा दिया जबकि "सिग्नल" (वे शब्द जो वास्तव में स्पैम का संकेत देते हैं) को बरकरार रखा।

5. निष्कर्ष (Bottom Line)

लेखक दावा करते हैं कि:

यह काम करता है: क्वांटम कंप्यूटर ने सफलतापूर्वक डेटा के उच्च-गुणवत्ता वाले उपसमुच्चय (subsets) खोज लिए।
यह पुराने तरीके से बेहतर है: "तीन-तरफा" संबंधों (higher-order) को देखकर, इसने उन संयोजनों को पाया जो केवल व्यक्तियों या जोड़ों को देखने वाले तरीकों की तुलना में बेहतर थे।
यह कुशल है: इसने सटीकता खोए बिना भविष्यवाणियां करने के लिए आवश्यक डेटा की मात्रा को कम कर दिया।
हार्डवेयर तैयार है: वास्तविक IonQ मशीन के परिणाम सटीक सिमुलेशन के बहुत समान थे, जिससे पता चलता है कि आज के क्वांटम कंप्यूटर पहले से ही इन जटिल "समूह गतिशीलता" वाली समस्याओं को संभालने में सक्षम हैं।

संक्षेप में, लेखकों ने एक क्वांटम "स्काउट" बनाया है जो समूह में सबसे मूल्यवान सदस्यों को पहचानने में बेहतर है क्योंकि वह लोगों के तीन-तीन के समूहों के बीच की बातचीत को समझता है, न कि केवल जोड़ों के बीच। उन्होंने यह साबित किया कि यह वास्तविक हार्डवेयर और वास्तविक डेटा पर काम करता है।

यहाँ शोध पत्र "Quantum Feature Selection with Higher-Order Binary Optimization on Trapped-Ion Hardware" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

फीचर सिलेक्शन (FS) उच्च-आयामी (high-dimensional) डेटासेट में मॉडल की व्याख्यात्मकता (interpretability) में सुधार करने, ओवरफिटिंग को कम करने और कम्प्यूटेशनल दक्षता बढ़ाने के लिए महत्वपूर्ण है। हालाँकि, क्लासिकल FS विधियों के सामने महत्वपूर्ण सीमाएँ हैं:

Wrapper विधियाँ: ये कम्प्यूटेशनल रूप से महंगी हैं और इनका स्केलिंग खराब है।
Filter विधियाँ: (जैसे म्यूचुअल इंफॉर्मेशन) अक्सर फीचर्स के बीच के इंटरैक्शन (interactions) को अनदेखा कर देती हैं।
Embedded विधियाँ: ये हाइपरपैरामीटर्स के प्रति संवेदनशील होती हैं और अक्सर लीनियर या पदानुक्रमित (hierarchical) निर्भरताओं की ओर पक्षपाती होती हैं।
क्वांटम सीमाएँ: मौजूदा क्वांटम दृष्टिकोण आमतौर पर FS को एक क्वाड्रेटिक अनकन्स्ट्रेंड बाइनरी ऑप्टिमाइज़ेशन (QUBO) समस्या के रूप में स्वरूपित करते हैं। QUBO केवल एक- और दो-बॉडी इंटरैक्शन तक सीमित है, जो उच्च-क्रम की निर्भरताओं (multivariate relationships) को अनदेखा करने, उन्हें अनुमानित करने या महंगे क्वाड्रैटाइजेशन ओवरहेड्स के माध्यम से पेश करने के लिए मजबूर करता है।

मुख्य चुनौती: एक क्वांटम ऑप्टिमाइज़ेशन फ्रेमवर्क में समस्या को क्वाड्रेटिक रूप में कम किए बिना, फीचर्स के बीच जटिल, उच्च-क्रम सांख्यिकीय निर्भरताओं (higher-order statistical dependencies) को स्पष्ट रूप से कैसे कैप्चर किया जाए, और इसे वर्तमान नॉइज़ी इंटरमीडिएट-स्केल क्वांटम (NISQ) हार्डवेयर पर कैसे निष्पादित किया जाए।

2. कार्यप्रणाली (Methodology)

लेखक IonQ Forte ट्रैप्ड-आयन हार्डवेयर पर निष्पादित Higher-Order Unconstrained Binary Optimization (HUBO) पर आधारित एक नवीन फ्रेमवर्क प्रस्तावित करते हैं।

A. HUBO सूत्रीकरण (HUBO Formulation)

एक क्वाड्रेटिक हैमिल्टनियन के बजाय, समस्या को एक हैमिल्टनियन में एनकोड किया गया है जिसमें एक-, दो-, और तीन-बॉडी (three-body) इंटरैक्शन टर्म शामिल हैं:
$H(Z) = \sum_i h_i Z_i + \sum_{i<j} J_{ij} Z_i Z_j + \sum_{i<j<k} K_{ijk} Z_i Z_j Z_k + C$

वेरिएबल्स (Variables): $Z_i \in \{-1, +1\}$ (Ising कन्वेंशन), जहाँ $-1$ फीचर सिलेक्शन को दर्शाता है।
कोएफिशिएंट्स (Coefficients): म्यूचुअल इंफॉर्मेशन (MI) से प्राप्त:
- $h_i$ : लक्ष्य (target) के प्रति व्यक्तिगत फीचर की प्रासंगिकता को एनकोड करता है।
- $J_{ij}$ : युग्मवार रेडंडेंसी (pairwise redundancy) को एनकोड करता है (सह-संबंधित फीचर्स को दंडित करना)।
- $K_{ijk}$ : उच्च-क्रम की निर्भरताओं को एनकोड करता है (उन सूचनाओं को कैप्चर करना जो केवल तीन फीचर्स के समूहों में मौजूद होती हैं)।
स्ट्रक्चर्ड पेनल्टीज़ (Structured Penalties): ट्रिवियल समाधानों (जैसे सभी फीचर्स का चयन करना) को रोकने के लिए, एक लीनियर पेनल्टी टर्म $H_\lambda$ जोड़ा गया है, जो एक थ्रेशोल्ड $\tau$ से नीचे की नगण्य प्रासंगिकता वाले फीचर्स को दबा देता है।

B. ऑप्टिमाइज़ेशन एल्गोरिदम: डिजिटाइज़्ड काउंटरडायैबेटिक क्वांटम ऑप्टिमाइज़ेशन (DCQO)

लेखक HUBO हैमिल्टनियन के ग्राउंड स्टेट को खोजने के लिए DCQO का उपयोग करते हैं:

तंत्र (Mechanism): यह "शॉर्टकट्स टू एडियाबैटिसिटी" से प्रेरित एक गेट-आधारित दृष्टिकोण है जो ड्राइवर हैमिल्टनियन और लक्षित HUBO हैमिल्टनियन के बीच इंटरपोलेट करता है, जबकि फाइनाइट-टाइम इवोल्यूशन के दौरान डायैबेटिक ट्रांजिशन को दबाने के लिए अनुमानित काउंटरडायैबेटिक टर्म्स को जोड़ता है।
निष्पादन (Execution): इसे IonQ Forte (Yb+ आयन) पर कार्यान्वित किया गया है, जिसमें ऑल-टू-ऑल कनेक्टिविटी (all-to-all connectivity) है, जो बिना किसी जटिल एम्बेडिंग के HUBO द्वारा आवश्यक लॉन्ग-रेंज इंटरैक्शन को स्वाभाविक रूप से सपोर्ट करती है।

C. पोस्ट-प्रोसेसिंग और सिलेक्शन (Post-Processing and Selection)

सैंपलिंग (Sampling): सिस्टम को बिटस्ट्रिंग सैंपल्स जेनरेट करने के लिए मापा जाता है।
फिल्टरिंग (Filtering): सैंपल्स को ऊर्जा के आधार पर रैंक किया जाता है; शोर को फ़िल्टर करने के लिए केवल निम्नतम-ऊर्जा वाले अंश ( $\rho$ , जैसे टॉप 25%) को रखा जाता है।
स्कोरिंग (Scoring): फीचर महत्व ( $I_i$ ) की गणना निम्न-ऊर्जा वाले उपसमूह के भीतर एक फीचर के चुने जाने की अनुभवजन्य आवृत्ति (empirical frequency) के रूप में की जाती है ( $x_i=1$ )।
थ्रेशोल्डिंग (Thresholding): यदि $I_i \geq \delta$ है, तो फीचर्स को चुना जाता है।

3. मुख्य योगदान (Key Contributions)

फीचर सिलेक्शन के लिए HUBO: सीधे तौर पर तीन-बॉडी इंटरैक्शन को कैप्चर करने वाला पहला स्पष्ट HUBO सूत्रीकरण, जो QUBO रिडक्शन में निहित सूचना हानि से बचता है।
हार्डवेयर कार्यान्वयन: IonQ Forte ट्रैप्ड-आयन हार्डवेयर पर एक उच्च-क्रम ऑप्टिमाइज़ेशन समस्या के सफल निष्पादन को प्रदर्शित करना, जो मशीन लर्निंग प्रीप्रोसेसिंग के लिए गहरे क्वांटम सर्किट चलाने की व्यवहार्यता को दर्शाता है।
मॉडल स्वतंत्रता (Model Independence): यह विधि डेटा से प्राप्त शुद्ध सांख्यिकीय निर्भरताओं (म्यूचुअल इंफॉर्मेशन) पर निर्भर करती है, जिसमें चयन चरण के दौरान किसी मॉडल ट्रेनिंग की आवश्यकता नहीं होती है।
बेंचमार्किंग: वास्तविक दुनिया के डेटासेट पर नॉइज़लेस क्वांटम सिमुलेशन और क्लासिकल बेसलाइन्स (SelectKBest और PCA) के विरुद्ध व्यापक तुलना।

4. प्रयोगात्मक परिणाम (Experimental Results)

फ्रेमवर्क का परीक्षण दो डेटासेट पर किया गया: Gallstone (बायोमेडिकल, 38 फीचर्स) और Spambase (टेक्स्टुअल, 57 फीचर्स)। हार्डवेयर बाधाओं के लिए दोनों को 32 फीचर्स तक प्री-सिलेक्ट किया गया था।

A. Gallstone डेटासेट

हार्डवेयर बनाम सिमुलेशन: फीचर समावेश की संभावनाओं के संबंध में IonQ Forte और नॉइज़लेस सिमुलेशन के बीच मजबूत गुणात्मक सहमति देखी गई।
प्रदर्शन: क्वांटम-चुने गए उपसमूह (19 फीचर्स) ने 0.88 ROC-AUC प्राप्त किया, जो निम्नलिखित से बेहतर रहा:
- सभी फीचर्स (0.86)
- PCA (0.79)
- SelectKBest (0.84)
अंतर्दृष्टि: उच्च-क्रम के टर्म्स के समावेश ने मॉडल को यूनिवेरिएट विधियों की तुलना में अधिक कॉम्पैक्ट और सूचनात्मक उपसमूह की पहचान करने में सक्षम बनाया।

B. Spambase डेटासेट

प्रदर्शन: क्वांटम-चुने गए उपसमूह (23 फीचर्स) ने 0.9836 ROC-AUC प्राप्त किया, जो निम्नलिखित से बेहतर रहा:
- सभी फीचर्स (0.9817)
- PCA (0.9615)
- SelectKBest (0.9805)
दक्षता: इस पद्धति ने आयामीता (dimensionality) को ~28% कम कर दिया और सभी फीचर्स का उपयोग करने की तुलना में वर्गीकरण सटीकता में मामूली सुधार किया।

5. महत्व और निष्कर्ष (Significance and Conclusion)

क्वाड्रेटिक से परे: यह अध्ययन सिद्ध करता है कि (3-body terms के माध्यम से) उच्च-क्रम सांख्यिकीय संरचनाओं को स्पष्ट रूप से मॉडल करने से मानक क्वाड्रेटिक (QUBO) दृष्टिकोणों की तुलना में बेहतर फीचर उपसमूह मिलते हैं, विशेष रूप से जटिल मल्टीवेरिएट डिपेंडेंसी वाले डेटासेट में।
हार्डवेयर उपयुक्तता: ट्रैप्ड-आयन प्रोसेसर अपनी ऑल-टू-ऑल कनेक्टिविटी के कारण HUBO समस्याओं के लिए विशिष्ट रूप से उपयुक्त हैं, जो सुपरकंडक्टिंग आर्किटेक्चर में सामान्य रूप से होने वाले क्यूबिट मैपिंग/एम्बेडिंग ओवरहेड्स की आवश्यकता को समाप्त करता है।
स्केलेबिलिटी: परिणाम बताते हैं कि जैसे-जैसे क्वांटम हार्डवेयर स्केल होता है (अधिक क्यूबिट, उच्च फिडेलिटी), यह दृष्टिकोण उन उच्च-आयामी फीचर सिलेक्शन समस्याओं को हल कर सकता है जो क्लासिकल कॉम्बिनेटोरियल विधियों के लिए कम्प्यूटेशनल रूप से कठिन हैं।
भविष्य का कार्य: लेखक बड़े डेटासेट के लिए ऑप्टिमाइज़ेशन लैंडस्केप को और बेहतर बनाने हेतु बायस-फील्ड्स (bias fields) को इटरेटिवली अपडेट करने के लिए Bias-Field DCQO (BF-DCQO) को एकीकृत करने का प्रस्ताव करते हैं।

संक्षेप में, यह शोध पत्र एक व्यावहारिक, मॉडल-अग्नोस्टिक क्वांटम वर्कफ़्लो प्रदर्शित करता है जो फीचर कॉम्पैक्टनेस और प्रेडिक्टिव परफॉरमेंस दोनों में क्लासिकल डाइमेंशनैलिटी रिडक्शन तकनीकों को पछाड़ने के लिए ट्रैप्ड-आयन हार्डवेयर पर हायर-ऑर्डर ऑप्टिमाइज़ेशन का लाभ उठाता है।