🤖 AI

Quantum Kernels for Audio Deepfake Detection Using Spectrogram Patch Features

यह शोध पत्र Q-Patch को प्रस्तुत करता है, जो एक क्वांटम फीचर मैप है जो ऑडियो स्पेक्ट्रोग्राम से स्थानीय समय-आवृत्ति पैच (time-frequency patches) को उथले, हार्डवेयर-कुशल क्वांटम सर्किट में एनकोड करता है, और ऑडियो डेटा की समय-आवृत्ति संरचना का स्पष्ट रूप से लाभ उठाकर क्लासिकल बेसलाइन (0.87 AUROC) की तुलना में बेहतर ऑडियो डीपफेक डिटेक्शन प्रदर्शन प्रदर्शित करता है।

मूल लेखक: Lisan Al Amin, Rakib Hossain, Mahbubul Islam, Faisal Quader, Thanh Thi Nguyen

प्रकाशित 2026-05-08

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC0 1.0

मूल लेखक: Lisan Al Amin, Rakib Hossain, Mahbubul Islam, Faisal Quader, Thanh Thi Nguyen

मूल पेपर CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/) के तहत सार्वजनिक डोमेन को समर्पित 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

मुख्य विचार: क्वांटम आवर्धक लेंस (Magnifying Glass) के साथ नकली आवाजों को पकड़ना

कल्पना कीजिए कि आप एक असली मानवीय आवाज और एक हाई-टेक रोबोटिक आवाज (एक "डीपफेक") के बीच अंतर करने की कोशिश कर रहे हैं। यह एक संग्रहालय में नकली पेंटिंग को पहचानने जैसा है। वर्तमान में अधिकांश तरीके पूरी पेंटिंग को एक साथ देखते हैं, जैसे कि एक विशाल धुंधली फोटो।

इस शोध पत्र के लेखक, Q-Patch, एक अलग दृष्टिकोण का प्रस्ताव करते हैं। पूरी ऑडियो फ़ाइल को देखने के बजाय, वे ध्वनि के सूक्ष्म, विशिष्ट विवरणों पर ज़ूम करने के लिए एक क्वांटम "आवर्धक लेंस" (magnifying glass) का उपयोग करते हैं। उनका मानना है कि क्वांटम भौतिकी के लेंस के माध्यम से इन छोटे टुकड़ों को देखकर, वे नकली आवाज में उन सूक्ष्म दरारों को पहचान सकते हैं जिन्हें सामान्य कंप्यूटर नहीं देख पाते।

यह कैसे काम करता है: "ऑडियो पहेली" का रूपक (Analogy)

यहाँ उनके द्वारा उपयोग की गई प्रक्रिया का चरण-दर-चरण विवरण दिया गया है, जिसे रोजमर्रा की अवधारणाओं में विभाजित किया गया है:

1. ध्वनि को चित्र में बदलना (स्पेक्ट्रोग्राम - Spectrogram)
सबसे पहले, वे ऑडियो रिकॉर्डिंग को एक विजुअल मैप में बदल देते हैं जिसे स्पेक्ट्रोग्राम कहा जाता है। इसे ध्वनि के एक स्थलाकृतिक मानचित्र (topographical map) के रूप में सोचें, जहाँ ऊँचाई वॉल्यूम (आवाज़ का स्तर) को दर्शाती है और रंग पिच (pitch) को दर्शाते हैं।

समस्या: अधिकांश AI इस मानचित्र को एक सामान्य फोटोग्राफ की तरह मानता है।
Q-Patch का समाधान: वे इस मानचित्र को एक जिग्सॉ पहेली (jigsaw puzzle) की तरह मानते हैं। वे मानचित्र को छोटे, गैर-अतिव्यापी (non-overlapping) वर्गों या पैच में काट देते हैं, जैसे किसी फोटो को 4x4 इंच की टाइल्स में काटना।

2. टाइल्स का सारांश निकालना ("ध्वनिक फिंगरप्रिंट" - Acoustic Fingerprint)
वे पूरे टाइल को कंप्यूटर में नहीं डालते। इसके बजाय, वे प्रत्येक टाइल का एक त्वरित स्नैपशॉट लेते हैं और उसे केवल चार संख्याओं में संक्षिप्त कर देते हैं।

रूपक: कल्पना कीजिए कि आप जंगल की एक टाइल देख रहे हैं। हर पत्ते को गिनने के बजाय, आप बस यह नोट करते हैं: "यह कितना हरा है?" (ऊर्जा/Energy), "हरे रंग का केंद्र कहाँ है?" (सेंट्रॉइड/Centroid), "यह कितना फैला हुआ है?" (बैंडविड्थ/Bandwidth), और "क्या हरा रंग ऊपर से नीचे तक सुसंगत है?" (सुसंगतता/Coherence)।
वे दो सबसे दिलचस्प टाइल्स (वे जिनमें सबसे अधिक "एक्शन" है) को चुनते हैं और बाकी को अनदेखा कर देते हैं। यह डेटा को छोटा और प्रबंधनीय रखता है।

3. क्वांटम जादू (द "एंटैंगल्ड डाइस" - Entangled Dice)
यहीं से "क्वांटम" वाला हिस्सा शुरू होता है। वे उन दो टाइल्स से प्राप्त चार संख्याओं को लेते हैं और उन्हें एक क्वांटम सर्किट में फीड करते हैं।

रूपक: कल्पना कीजिए कि आपके पास 8 पासे (qubits) हैं। एक सामान्य कंप्यूटर में, आप परिणाम प्राप्त करने के लिए उन्हें रोल करते हैं। एक क्वांटम कंप्यूटर में, आप उन्हें "एंटैंगल" (entangle) कर सकते हैं। इसका मतलब है कि पासे जादुई रूप से जुड़े हुए हैं; यदि आप एक को बदलते हैं, तो दूसरे तुरंत प्रतिक्रिया देते हैं, भले ही वे एक-दूसरे से दूर हों।
Q-Patch विधि इन पासों को जोड़ने के लिए एक बहुत ही उथले (shallow), सरल सर्किट (केवल 3 परतें गहरी) का उपयोग करती है। यह ध्वनि के लिए एक अद्वितीय "क्वांटम अवस्था" (quantum state) बनाता है।
ऐसा क्यों करना? क्वांटम अवस्थाएं सूक्ष्म पैटर्न और संबंधों का पता लगा सकती हैं जिन्हें सामान्य गणित देखना संघर्ष करता है, विशेष रूप से तब जब आपके पास प्रशिक्षण के लिए बहुत अधिक डेटा न हो।

4. तुलना (समानता परीक्षण - Similarity Test)
अंत में, वे एक वास्तविक आवाज की "क्वांटम अवस्था" की तुलना एक नकली आवाज से करते हैं।

वे एक फिडेलिटी स्कोर (fidelity score) की गणना करते हैं, जो मूल रूप से एक "समानता प्रतिशत" है।
यदि दो वास्तविक आवाजों की क्वांटम अवस्थाएँ बहुत समान हैं (उच्च स्कोर), और एक नकली आवाज की क्वांटम अवस्था बहुत अलग है (कम स्कोर), तो सिस्टम जान जाता है कि कौन सा क्या है।

उन्होंने क्या पाया?

शोधकर्ताओं ने 100 ऑडियो क्लिप्स (50 असली, 50 नकली) के एक छोटे, नियंत्रित सेट पर इसका परीक्षण किया। उन्होंने अपने क्वांटम तरीके की तुलना दो "सामान्य" कंप्यूटर तरीकों से की:

RBF-SVM: उन्हीं छोटे टाइल्स का उपयोग करने वाला एक मानक गणितीय मॉडल।
Tiny CNN: एक छोटा, मानक इमेज-रिकग्निशन AI जो पूरे स्पेक्ट्रोग्राम को देखता है।

परिणाम:

Q-Patch (क्वांटम विधि): इसने असली और नकली के बीच अंतर करने के पैमाने पर 0.87 (1.0 में से) स्कोर किया।
RBF-SVM (मानक गणित): इसने 0.82 स्कोर किया।
Tiny CNN (मानक AI): इसने 0.85 स्कोर किया।

निष्कर्ष: क्वांटम विधि आवाजों को अलग करने में सबसे अच्छी थी। इससे भी महत्वपूर्ण बात यह है कि "क्वांटम मैप" ने वास्तविक और नकली ध्वनियों के बीच एक बहुत स्पष्ट अलगाव दिखाया, जिससे पता चलता है कि क्वांटम दृष्टिकोण ने डेटा को व्यवस्थित करने का एक अनूठा तरीका खोज लिया जिसे अन्य तरीकों ने मिस कर दिया था।

महत्वपूर्ण सीमाएं (बारीक विवरण - Fine Print)

यह शोध पत्र बहुत ईमानदार है कि यह अध्ययन अभी क्या सिद्ध नहीं करता है:

यह एक सिमुलेशन है: उन्होंने इसे वास्तविक, भौतिक क्वांटम कंप्यूटर पर नहीं चलाया (जो वर्तमान में बहुत शोर वाला और महंगा है)। उन्होंने इसे एक रेगुलर CPU पर सिम्युलेट किया।
नकली डेटा: "नकली" आवाजें आधुनिक डीपफेक की तरह उन्नत AI द्वारा नहीं बनाई गई थीं। उन्हें साधारण स्टैटिक नॉइज़ जोड़कर और ध्वनि को विकृत करके बनाया गया था। यह एक नियंत्रित परीक्षण था, न कि वास्तविक दुनिया के हैकर्स के खिलाफ मुकाबला।
छोटा सैंपल साइज: उन्होंने केवल 100 क्लिप्स का उपयोग किया। वास्तविक दुनिया में, यह सुनिश्चित करने के लिए कि सिस्टम काम करता है, आपको हजारों या लाखों की आवश्यकता होती है।

सारांश

यह शोध पत्र Q-Patch का प्रस्ताव देता है, जो नकली आवाजों का पता लगाने का एक नया तरीका है। पूरी ध्वनि को देखने के बजाय, यह ध्वनि को छोटे टुकड़ों में काटता है, उनका सारांश निकालता है, और उनका विश्लेषण करने के लिए एक सरल, उथले क्वांटम सर्किट का उपयोग करता है। अपने छोटे, नियंत्रित परीक्षण में, यह क्वांटम दृष्टिकोण असली और नकली ध्वनियों के बीच अंतर करने में मानक कंप्यूटर तरीकों की तुलना में बेहतर था। यह एक आशाजनक "प्रूफ ऑफ कॉन्सेप्ट" है जो दिखाता है कि क्वांटम कंप्यूटिंग ऑडियो सुरक्षा के लिए एक उपयोगी उपकरण हो सकती है, बशर्ते हमें बेहतर हार्डवेयर मिल जाए और हम भविष्य में वास्तविक दुनिया के डीपफेक्स पर इसका परीक्षण कर सकें।

तकनीकी सारांश: स्पेक्ट्रोग्राम पैच फीचर्स का उपयोग करके ऑडियो डीपफेक डिटेक्शन के लिए क्वांटम कर्नेल्स

समस्या विवरण
टेक्स्ट-टू-स्पीच (TTS) और वॉयस कन्वर्जन (VC) जैसी जनरेटिव स्पीच प्रौद्योगिकियों के प्रसार ने ऑडियो प्रतिरूपण (impersonation) और धोखाधड़ी के संबंध में महत्वपूर्ण सुरक्षा जोखिम पैदा कर दिए हैं। हालांकि डीप लर्निंग-आधारित डिटेक्टरों ने प्रगति की है, वे अक्सर अनदेखे हमलों, वास्तविक दुनिया के विरूपणों (जैसे, चैनल प्रभाव, शोर) और वितरण बदलावों (distribution shifts) के विरुद्ध मजबूती दिखाने में संघर्ष करते हैं। इसके अतिरिक्त, कई मौजूदा दृष्टिकोण ऑडियो स्पेक्ट्रोग्राम को जेनेरिक छवियों के रूप में मानते हैं, जिससे वे भाषण की अंतर्निहित समय-आवृत्ति (time-frequency) संरचना का स्पष्ट रूप से लाभ उठाने में विफल रहते हैं। इसके अलावा, विशेष रूप से कम-संसाधन वाले परिवेश में स्पेक्ट्रोग्राम ज्यामिति के अनुकूल प्रतिनिधित्व का उपयोग करके क्वांटम मशीन लर्निंग (QML) को ऑडियो स्पूफिंग डिटेक्शन में लागू करने संबंधी शोध की कमी है।

कार्यप्रणाली: Q-Patch फ्रेमवर्क
लेखक Q-Patch का प्रस्ताव करते हैं, जो एक क्वांटम फीचर-मैपिंग फ्रेमवर्क है जिसे मेल-स्पेक्ट्रोग्राम से स्थानीय समय-आवृत्ति पैच को उथले (shallow) क्वांटम सर्किटों में एनकोड करने के लिए डिज़ाइन किया गया है। यह कार्यप्रणाली तीन मुख्य चरणों के माध्यम से आगे बढ़ती है:

फ्रंट-एंड प्रोसेसिंग और पैच विभाजन:
- ऑडियो वेवफॉर्म्स को 16 kHz पर रीसैंपल किया जाता है और लॉग-मेल स्पेक्ट्रोग्राम (64 मेल बिन्स) में परिवर्तित किया जाता है।
- स्पेक्ट्रोग्राम को प्रत्येक उत्तलन (utterance) के अनुसार मानकीकृत किया जाता है और गैर-अतिव्यापी (non-overlapping) $4 \times 4$ समय-आवृत्ति पैच में विभाजित किया जाता है।
- प्रत्येक पैच को एक संक्षिप्त, चार-आयामी वेक्टर ( $s \in \mathbb{R}^4$ $s \in R^{4}$ ) में संक्षेपित किया जाता है जिसमें व्याख्या योग्य ध्वनिक डिस्क्रिप्टर (acoustic descriptors) होते हैं:
  - मीन पैच एक्टिवेशन (तीव्रता)।
  - स्पेक्ट्रल सेंट्रॉइड (Spectral Centroid)।
  - स्पेक्ट्रल बैंडविड्थ (Spectral Bandwidth)।
  - इंटर-फ्रेम कोहेरेंस (समयगत निरंतरता)।
- क्वांटम संसाधनों को प्रबंधित करने के लिए, मीन एक्टिवेशन ऊर्जा के आधार पर शीर्ष- $k$ पैच (विशेष रूप से $k=2$ ) का चयन किया जाता है।
क्वांटम फीचर मैप (एम्बेडिंग):
- चयनित पैच सारांशों को एक उथले, हार्डवेयर-कुशल सर्किट का उपयोग करके क्वांटम अवस्थाओं में एम्बेड किया जाता है।
- आर्किटेक्चर: दो चयनित पैचों के लिए, एक 8-क्विबिट सिस्टम का उपयोग किया जाता है (प्रत्येक पैच के लिए 4 क्विबिट)।
- सर्किट डिज़ाइन: एम्बेडिंग यूनिटरी $U_\phi(s)$ पैरामीटराइज्ड सिंगल-क्विबिट रोटेशन ( $R_X, R_Y, R_Z$ ) के बाद कंट्रोल्ड-जेड ($CZ$) गेट्स की एक हल्की एंटैंगलिंग चेन से बना है।
- बाधाएं: NISQ बाधाओं का अनुपालन करने के लिए सर्किट डेप्थ $d \le 3$ तक सीमित है। एंटैंगलमेंट को पैच के भीतर स्थानीय श्रृंखलाओं और स्थानिक निकटता को कैप्चर करने के लिए एक एकल इंटर-पैच कनेक्शन तक सीमित रखा गया है ताकि अत्यधिक गहराई से बचा जा सके।
- कर्नेल परिभाषा: क्वांटम कर्नेल को स्टेट फिडेलिटी (state fidelity) के माध्यम से परिभाषित किया जाता है: $\kappa(x, x') = |\langle \phi(x) | \phi(x') \rangle|^2$ ।
वर्गीकरण (Classification):
- एक क्वांटम सपोर्ट वेक्टर मशीन (QSVM) को प्रीकंप्यूटेड कर्नेल मैट्रिक्स (ग्राम मैट्रिक्स) का उपयोग करके प्रशिक्षित किया जाता है।
- वेरिएशनल क्वांटम क्लासिफायर के विपरीत, Q-Patch को सर्किट पैरामीटर्स के इटरेटिव ऑप्टिमाइजेशन की आवश्यकता नहीं होती है; लर्निंग को प्रीकंप्यूटेड कर्नेल पर मानक कॉनवेक्स SVM ऑप्टिमाइजेशन में बदल दिया जाता है।

प्रमुख योगदान

पैच-आधारित प्रतिनिधित्व: एक समय-आवृत्ति-जागरूक ऑडियो प्रतिनिधित्व का परिचय, जो स्पेक्ट्रोग्राम को जेनेरिक इमेज के रूप में मानने के बजाय संक्षिप्त, व्याख्या योग्य ध्वनिक डिस्क्रिप्टर का उपयोग करके स्थानीय क्षेत्रों को सारांशित करता है।
NISQ-अनुपालक फीचर मैप: निकट-अवधि क्वांटम हार्डवेयर बाधाओं (डेप्थ $\le 3$ , 4–8 क्विबिट) के लिए विशेष रूप से तैयार किया गया एक उथला क्वांटम फीचर मैप, जिसमें एडजेसेंसी-अवेयर एंटैंगलमेंट शामिल है।
नियंत्रित मूल्यांकन: एक कम-संसाधन सेटिंग में आकार-मिलान वाले क्लासिकल बेसलाइन के विरुद्ध एक कठोर तुलना, जो इनपुट प्रतिनिधित्व से क्वांटम फीचर मैप के योगदान को अलग करती है।

प्रायोगिक परिणाम
फ्रेमवर्क का मूल्यांकन LJ Speech डेटासेट के एक संतुलित उपसमुच्चय (50 बोना फाइडे और 50 स्पूफ़ेड उत्तलन, 80 प्रशिक्षण और 20 विकास नमूनों के साथ) पर किया गया। स्पूफ़ किए गए नमूनों को ऑथेंटिसिटी मैनिपुलेशन के नियंत्रित प्रॉक्सी के रूप में एडिटिव गॉसियन नॉइज़ और स्पेक्ट्रल डिस्टॉर्शन का उपयोग करके जेनरेट किया गया था।

प्रदर्शन: Q-Patch ने 0.87 का एरिया अंडर द रिसीवर ऑपरेटिंग कैरेक्टरिस्टिक कर्व (AUROC) और 14.8% का इक्वल एरर रेट (EER) प्राप्त किया।
तुलना:
- इसने ठीक उसी पैच-लेवल फीचर्स पर प्रशिक्षित रेडियल बेसिस फंक्शन SVM (RBF-SVM) (AUROC 0.82, EER 18.2%) को पछाड़ दिया, जो क्वांटम फीचर मैप और फिडेलिटी-आधारित कर्नेल के मूल्य को प्रदर्शित करता है।
- इसने सीधे स्पेक्ट्रोग्राम पर प्रशिक्षित एक कॉम्पैक्ट कनवल्शनल न्यूरल नेटवर्क (Tiny CNN, $\le 100$ k पैरामीटर्स) (AUROC 0.85, EER 16.3%) को भी पछाड़ दिया।
कर्नेल विश्लेषण: कर्नेल स्पेस के विश्लेषण ने स्पष्ट क्लास स्ट्रक्चर का खुलासा किया। बोना फाइडे और स्पूफ़ेड नमूनों के बीच क्रॉस-क्लास समानता लगभग 0.615 थी, जो भीतर-क्लास (within-class) समानताओं से काफी कम थी, जो इंगित करता है कि कर्नेल प्रभावी रूप से ऑथेंटिसिटी-संबंधित संकेतों को कैप्चर करता है।

महत्व और दावे
यह पेपर Q-Patch को एक फिजिबिलिटी स्टडी (व्यवहार्यता अध्ययन) के रूप में प्रस्तुत करता है, जो यह प्रदर्शित करता है कि समय-आवृत्ति-जागरूक क्वांटम फीचर मैप्स, विशेष रूप से सीमित-डेटा सेटिंग्स में, ऑडियो ऑथेंटिसिटी भेदभाव के लिए एक उपयोगी इंडक्टिव बायस प्रदान कर सकते हैं।

व्यावहारिकता: फ्रेमवर्क को वर्तमान NISQ हार्डवेयर बाधाओं के अनुरूप बनाने के लिए कंप्यूटेशनल रूप से हल्का बनाया गया है।
इंडक्टिव बायस: परिणाम बताते हैं कि उथले क्वांटम सर्किटों के माध्यम से स्पेक्ट्रोग्राम ज्यामिति को स्पष्ट रूप से मॉडल करना, जेनेरिक क्लासिकल दृष्टिकोणों की तुलना में ऑथेंटिसिटी भेदभाव को बेहतर बना सकता है।
दावों की विनम्रता: लेखक स्पष्ट रूप से उल्लेख करते हैं कि परिणाम एक नियंत्रित व्यवहार्यता अध्ययन से प्राप्त प्रारंभिक साक्ष्य हैं। वे सीमाओं को स्वीकार करते हैं, जिनमें वास्तविक डीपफेक के बजाय सिम्युलेटेड स्पूफिंग (शोर/विकृति) का उपयोग, छोटा डेटासेट (सांख्यिकीय निश्चितता को सीमित करता है), और भौतिक हार्डवेयर के बजाय आदर्श क्वांटम सिमुलेशन पर निर्भरता शामिल है। इस कार्य को स्केलेबल, हार्डवेयर-अवेयर क्वांटम ऑडियो सुरक्षा की ओर एक कदम के रूप में फ्रेम किया गया है, जिसके लिए वास्तविक शोर के तहत मजबूती, बड़े विविध बेंचमार्क और हार्डवेयर परिनियोजन को संबोधित करने के लिए भविष्य के कार्य की आवश्यकता है।

मुख्य विचार: क्वांटम आवर्धक लेंस (Magnifying Glass) के साथ नकली आवाजों को पकड़ना

यह कैसे काम करता है: "ऑडियो पहेली" का रूपक (Analogy)

उन्होंने क्या पाया?

महत्वपूर्ण सीमाएं (बारीक विवरण - Fine Print)

सारांश

इसी तरह के और पेपर