🤖 machine learning

Gated QKAN-FWP: Scalable Quantum-inspired Sequence Learning

यह शोध पत्र Gated QKAN-FWP का प्रस्ताव करता है, जो एक स्केलेबल और पैरामीटर-कुशल क्वांटम-प्रेरित अनुक्रम शिक्षण ढांचा है जो बड़े रिकरेंट मॉडलों की तुलना में क्लासिकल बेंचमार्क और वास्तविक NISQ हार्डवेयर दोनों पर बेहतर लॉन्ग-होराइजन पूर्वानुमान सटीकता प्राप्त करने के लिए फास्ट वेट प्रोग्रामर्स को सिंगल-क्विबिट क्वांटम कोलमोगोरोव-आर्नोल्ड नेटवर्क के साथ एकीकृत करता है।

मूल लेखक: Kuo-Chung Peng, Samuel Yen-Chi Chen, Jiun-Cheng Jiang, Chen-Yu Liu, En-Jui Kuo, Yun-Yuan Wang, Prayag Tiwari, Andrea Ceschini, Chi-Sheng Chen, Yu-Chao Hsu, Chun-Hua Lin, Tai-Yue Li, Antonello Rosato

प्रकाशित 2026-05-11

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kuo-Chung Peng, Samuel Yen-Chi Chen, Jiun-Cheng Jiang, Chen-Yu Liu, En-Jui Kuo, Yun-Yuan Wang, Prayag Tiwari, Andrea Ceschini, Chi-Sheng Chen, Yu-Chao Hsu, Chun-Hua Lin, Tai-Yue Li, Antonello Rosato, Massimo Panella, Simon See, Saif Al-Kuwari, Kuan-Cheng Chen, Nan-Yow Chen, Hsi-Sheng Goan

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

मुख्य विचार: अतीत को याद रखने का एक नया तरीका

कल्पना कीजिए कि आप एक लंबी कहानी पढ़ने के बाद भविष्य की भविष्यवाणी करने की कोशिश कर रहे हैं। अधिकांश कंप्यूटर मॉडल (जैसे मानक AI) कहानी को याद रखने के लिए एक "मानसिक नोट" (एक हिडन स्टेट) रखने की कोशिश करते हैं जो हर नए वाक्य के साथ अपडेट होता रहता है। लेकिन जैसे-जैसे कहानी लंबी होती जाती है, ये नोट्स अव्यवधित हो जाते हैं, उन्हें अपडेट करना कठिन हो जाता है, और कंप्यूटर सब कुछ ट्रैक करने में थक जाता है।

यह पेपर एक नई विधि पेश करता है जिसे Gated QKAN-FWP कहा जाता है। एक अव्यवधित मानसिक नोट रखने के बजाय, यह विधि इस बात के नियमों को बदल देती है कि कंप्यूटर कहानी को कैसे पढ़ता है। यह एक ऐसी किताब की तरह है जहाँ पन्नों पर छपी स्याही वर्तमान वाक्य के आधार पर तुरंत खुद को फिर से लिख सकती है, बजाय इसके कि सारांश को अपने दिमाग में पकड़ कर रखा जाए।

तीन मुख्य सामग्रियाँ

1. "फास्ट वेट" (Fast Weight) का विचार: नियमों को फिर से लिखना, स्मृति को नहीं

एक मानक AI की कल्पना एक ऐसे छात्र के रूप में करें जो नोटबुक में नोट्स ले रहा है। हर बार जब उसे कोई नया तथ्य सुनाई देता है, तो वह उसे एक नई लाइन में लिख देता है। पूरी कहानी को समझने के लिए, उसे पिछली सभी लाइनों को पढ़ना पड़ता है।

लेखक फास्ट वेट प्रोग्रामिंग (FWP) नामक तकनीक का उपयोग करते हैं। कल्पना कीजिए कि एक नोटबुक के बजाय, छात्र के पास एक जादुई व्हाइटबोर्ड है।

स्लो प्रोग्रामर (The Slow Programmer): यह शिक्षक है। यह वर्तमान वाक्य को देखता है और कहता है, "ठीक है, इस वाक्य के लिए, चलिए व्हाइटबोर्ड का फॉर्मूला बदलते हैं।"
फास्ट प्रोग्रामर (The Fast Programmer): यह व्हाइटबोर्ड स्वयं है। यह शिक्षक के निर्देश के आधार पर अपने ही नियमों को तुरंत अपडेट कर देता है।
परिणाम: मॉडल को अतीत को याद रखने की आवश्यकता नहीं है; वर्तमान को समझने के नियमों में पहले से ही अतीत की स्मृति समाहित है। यह ऐसा है जैसे व्हाइटबोर्ड वर्तमान संदर्भ में फिट होने के लिए अपने निर्देशों को खुद ही फिर से लिख लेता है।

2. "क्वांटम-प्रेरित" चमक: सिंगल-क्यूबिट ट्रिक

आमतौर पर, जब लोग AI में "क्वांटम" विचारों का उपयोग करने की कोशिश करते हैं, तो वे एक विशाल, जटिल मशीन बनाने की कोशिश करते हैं जिसमें कई उलझे हुए (entangled) हिस्से हों (जैसे एक विशाल ऑर्केस्ट्रा जहाँ हर वाद्य यंत्र को पूरी तरह से तालमेल में होना चाहिए)। इसे बनाना कठिन है और सामान्य कंप्यूटरों पर इसका अनुकरण (simulate) करना और भी कठिन है।

लेखक एक अलग दृष्टिकोण अपनाते हैं। वे क्वांटम-प्रेरित कोलमोगोरोव-आर्नोल्ड नेटवर्क (QKAN) का उपयोग करते हैं।

उपमा: एक विशाल ऑर्केस्ट्रा के बजाय, एक अत्यंत बहुमुखी सोलो वायलिन वादक की कल्पना करें। यह वायलिन वादक (एक सिंगल-क्यूबिट सर्किट) अपने धनुष (डेटा री-अपलोडिंग) को बदलकर किसी भी धुन (नॉन-लीनियर फंक्शन) को बजा सकता है।
यह क्यों मायने रखता है: क्योंकि वे केवल इस "सोलोइस्ट" दृष्टिकोण का उपयोग करते हैं, इसलिए सिस्टम हल्का है, सामान्य कंप्यूटरों पर आसानी से सिम्युलेट किया जा सकता है, और आश्चर्यजनक रूप से शक्तिशाली है। यह एक विशाल, शोर वाले क्वांटम कंप्यूटर की आवश्यकता के बिना जटिल पैटर्न को पकड़ लेता है।

3. "गेट" (The Gate): स्मृति के लिए वॉल्यूम नॉब

पिछले "फास्ट वेट" मॉडलों के साथ एक समस्या थी: वे पुराने नियमों के ऊपर लगातार नए नियम जोड़ते जा रहे थे। अंततः, व्हाइटबोर्ड विरोधाभासी निर्देशों के एक अराजक स्क्रिबल (उलझे हुए लेखन) में बदल जाता था।

लेखकों ने एक स्केलर गेट (Scalar Gate) जोड़ा है।

उपमा: कल्पना कीजिए कि व्हाइटबोर्ड में एक वॉल्यूम नॉब (गेट) है।
- यदि नॉब ऊपर की ओर है (1 के करीब), तो मॉडल कहता है, "पुराने नियमों को बनाए रखें; वे अभी भी अच्छे हैं।"
- यदि नॉब नीचे की ओर है (0 के करीब), तो मॉडल कहता है, "पुराने नियमों को भूल जाइए; चलिए नए नियमों को आजमाते हैं।"
लाभ: यह मॉडल को बहुत अधिक पुरानी जानकारी से भ्रमित होने से रोकता है। यह AI को यह तय करने की अनुमति देता है कि कितना अतीत रखना है और कितना भूल जाना है, जिससे सीखने की प्रक्रिया बहुत अधिक स्थिर हो जाती है।

उन्होंने वास्तव में क्या किया? (परिणाम)

टीम ने इस नए "वॉल्यूम नॉब वाले जादुई व्हाइटबोर्ड" का परीक्षण तीन प्रकार की चुनौतियों पर किया:

गणितीय पहेलियाँ (टाइम-सीरीज बेंचमार्क्स): उन्होंने मॉडल को जटिल गणितीय पैटर्न (जैसे डैम्प्ड पेंडुलम और क्वांटम भौतिकी सिमुलेशन) की भविष्यवाणी करने के लिए कहा।
- परिणाम: नया मॉडल पुराने तरीकों की तुलना में अधिक सटीक और स्थिर था, विशेष रूप से तब जब पैटर्न लंबे और जटिल थे।
वीडियो गेम (रीइन्फोर्समेंट लर्निंग): उन्होंने एक साधारण भूलभुलैया खेल (MiniGrid) में मॉडल का परीक्षण किया।
- परिणाम: मॉडल ने बड़े और भारी मॉडलों के समान ही भूलभुलैया को हल करना सीखा, लेकिन इसने यह काम 58% कम पैरामीटर्स के साथ किया (यह बहुत छोटा और अधिक कुशल था)।
सूर्य की भविष्यवाणी करना (सोलर साइकिल फोरकास्टिंग): यह उनका सबसे बड़ा वास्तविक दुनिया का परीक्षण था। उन्होंने 11-वर्षीय सनस्पॉट चक्र की भविष्यवाणी करने की कोशिश की, जो बेहद कठिन है क्योंकि सूर्य का व्यवहार अराजक है और दशकों में बदलता रहता है।
- सेटअप: उन्होंने अगले 11 वर्षों (132 महीने) की भविष्यवाणी करने के लिए मॉडल को 44 वर्षों का डेटा (528 महीने) दिया।
- मुकाबला: उनका छोटा मॉडल (12,500 पैरामीटर्स) विशाल क्लासिकल मॉडल्स (जिनमें से कुछ में 167,000 तक पैरामीटर्स थे) को हरा गया।
- जीत: इसने सौर चक्र के शिखर (जब सनस्पॉट सबसे अधिक सक्रिय होते हैं) की भविष्यवाणी कब हुआ और यह कितना मजबूत था, इसके संबंध में अधिक सटीकता से की, बावजूद इसके कि यह बहुत छोटा था।
"असली क्वांटम" परीक्षण: यह साबित करने के लिए कि उनका "क्वांटम-प्रेरित" विचार वास्तव में काम करता है, उन्होंने वास्तविक क्वांटम कंप्यूटरों जैसे कि IonQ और IBM पर मॉडल चलाया।
- परिणाम: इन शोर वाले, शुरुआती चरण के क्वांटम मशीनों पर भी, मॉडल की भविष्यवाणियां पूर्ण कंप्यूटर सिमुलेशन के लगभग समान थीं। यह साबित करता है कि उनकी विधि वर्तमान पीढ़ी के क्वांटम हार्डवेयर के लिए तैयार है।

सारांश

यह पेपर AI को घटनाओं के लंबे अनुक्रमों को याद रखने का एक चतुर तरीका प्रस्तुत करता है। एक भारी मेमोरी बैंक भरने के बजाय, वे AI को एक हल्के "क्वांटम-प्रेरित" तरीके का उपयोग करके अपने नियमों को ऑन-द-फ्लाई (चलते-चलते) फिर से लिखने देते हैं। उन्होंने यह तय करने के लिए एक "गेट" जोड़ा है कि कितना अतीत का डेटा रखना है, जिससे भ्रम की स्थिति पैदा नहीं होती।

परिणामस्वरूप, यह मॉडल अपने बड़े प्रतिस्पर्धियों की तुलना में छोटा, तेज़ और अधिक सटीक है, जो सौर चक्रों जैसी जटिल वास्तविक दुनिया की घटनाओं की भविष्यवाणी करने में सक्षम है, और आज के प्रयोगात्मक क्वांटम कंप्यूटरों पर चलने के लिए तैयार है।

तकनीकी सारांश: Gated QKAN-FWP: स्केलेबल क्वांटम-प्रेरित अनुक्रम शिक्षण (Scalable Quantum-inspired Sequence Learning)

समस्या विवरण (Problem Statement)

दीर्घकालिक टेम्पोरल डिपेंडेंसी (long-range temporal dependencies) का मॉडलिंग करना अनुक्रम शिक्षण (sequence learning) में एक केंद्रीय चुनौती बनी हुई है। क्वांटम मशीन लर्निंग (QML) के संदर्भ में, यह चुनौती नोइजी इंटरमीडिएट-स्केल क्वांटम (NISQ) हार्डवेयर की सीमाओं के कारण और भी बढ़ जाती है। मौजूदा क्वांटम रिकरेंट न्यूरल नेटवर्क (QRNNs) और क्वांटम लॉन्ग शॉर्ट-टर्म मेमोरी (QLSTM) वेरिएंट को बार-बार सर्किट मूल्यांकन और बैकप्रोपैगेशन थ्रू टाइम (BPTT) की आवश्यकता होती है, जिसमें महंगे क्वांटम ग्रेडिएंट अनुमान शामिल होते हैं। जैसे-जैसे अनुक्रम की लंबाई बढ़ती है, प्रशिक्षण लागत अत्यधिक हो जाती है, और गहरे, अत्यधिक एंटेंगल्ड (entangled) क्वांटम न्यूरल नेटवर्क को विश्वसनीय रूप से निष्पादित करना या क्लासिकली सिम्युलेट करना कठिन होता है। जबकि क्वांटम फास्ट वेट प्रोग्रामर्स (QFWPs) पैरामीटर डायनेमिक्स के माध्यम से हिडन-स्टेट डायनेमिक्स को बदलकर एक नया दृष्टिकोण प्रदान करते हैं, मौजूदा कार्यान्वयन अभी भी मल्टी-क्यूबिट आर्किटेक्चर पर निर्भर हैं जो NISQ उपकरणों पर स्केल करने में कठिन और सिम्युलेट करने में महंगे हैं।

कार्यप्रणाली (Methodology)

लेखक Gated QKAN-FWP का प्रस्ताव करते हैं, जो एक फ्रेमवर्क है जो क्वांटम-प्रेरित कोलमोगोरोव-आर्नोल्ड नेटवर्क (QKAN) को फास्ट वेट प्रोग्रामिंग (FWP) प्रतिमान (paradigm) के साथ एकीकृत करता है। यह आर्किटेक्चर मल्टी-क्यूबिट एंटेंगमेंट बाधाओं को दरकिनार करने के लिए डिज़ाइन किया गया है जबकि अभिव्यंजक शक्ति (expressive power) को बनाए रखता है।

मुख्य घटक (Core Components)

क्वांटम-प्रेरित कोलमोगोरोव-आर्नोल्ड नेटवर्क (QKAN):
- फिक्स्ड एक्टिवेशन फंक्शन के बजाय, QKAN द्वारा डेटा री-अपलोडिंग एक्टिवेशन (DARUAN) द्वारा निर्मित सीखने योग्य यूनिवेरिएट फंक्शनों का उपयोग किया जाता है।
- DARUAN समृद्ध फूरियर स्पेक्ट्रा उत्पन्न करने के लिए सिंगल-क्यूबिट डेटा री-अपलोडिंग सर्किटों का उपयोग करता है, जो कम मापदंडों के साथ अत्यधिक नॉन-लीनियर मैपिंग सक्षम बनाता है।
- यह सिंगल-क्यूबिट दृष्टिकोण वर्तमान NISQ हार्डवेयर (जहाँ सिंगल-क्यूबिट एरर रेट कम होते हैं) के साथ अनुकूलता सुनिश्चित करता है और कुशल क्लासिकल सिमुलेशन की अनुमति देता है।
फास्ट वेट प्रोग्रामिंग (FWP) फ्रेमवर्क:
- यह मॉडल रिकरेंट हिडन-स्टेट इवोल्यूशन के स्थान पर पैरामीटर स्पेस में डायनेमिकल इवोल्यूशन को प्रतिस्थापित करता है।
- एक "स्लो" प्रोग्रामर नेटवर्क प्रत्येक टाइम स्टेप पर "फास्ट" प्रोग्रामर के अपडेट उत्पन्न करता है।
- फास्ट पैरामीटर वर्तमान इनपुट के आधार पर विकसित होते हैं, जिससे रिकरेंट लूप के भीतर स्पष्ट क्वांटम ग्रेडिएंट गणना से बचा जा सकता है।
स्केलर-गेटेड अपडेट नियम (Scalar-Gated Update Rule):
- एक नवीन योगदान के रूप में स्केलर-गेटेड फास्ट-वेट अपडेट नियम का परिचय दिया गया है।
- प्रत्येक टाइम स्टेप $t$ पर, स्लो प्रोग्रामर एक अपडेट $\Delta W_t$ और एक स्केलर गेट $g_t \in [0, 1]$ आउटपुट करता है।
- फास्ट पैरामीटर इस प्रकार विकसित होते हैं: $W_{t+1} = g_t W_t + (1 - g_t) \Delta W_t$ ।
- यह तंत्र पिछले मापदंडों को बनाए रखने और नए अपडेट को अपनाने के बीच संतुलन बनाता है, जिससे पैरामीटर इवोल्यूशन स्थिर होता है।

सैद्धांतिक विश्लेषण (Theoretical Analysis)

पेपर गेटेड अपडेट का एक सैद्धांतिक विवरण प्रदान करता है:

एडेप्टिव मेमोरी कर्नेल (Adaptive Memory Kernel): रिकर्सन को अनरोल करके यह दिखाया जा सकता है कि वर्तमान पैरामीटर सभी पिछले अपडेट्स का एक भारित एकत्रीकरण (weighted aggregation) हैं, जहाँ वेट्स बाद के गेट्स के आधार पर घटते हैं। यह एक इनपुट-डिपेंडेंट टेम्पोरल कर्नेल बनाता है।
ज्यामितीय सीमा (Geometric Boundedness): गेटेड अपडेट यह सुनिश्चित करता है कि फास्ट पैरामीटर्स, इनिशियलाइजेशन और ऐतिहासिक प्रस्तावों के कॉन्वेक्स हल (convex hull) के भीतर रहें, जो अनगेटेड वेरिएंट्स में देखी जाने वाली अनबाउंडेड एडिटिव एक्यूमुलेशन को रोकता है।
पैरेललाइज़ेबल ग्रेडिएंट पाथ्स (Parallelizable Gradient Paths): सामान्य RNNs के विपरीत, जिन्हें जैकोबियन की श्रृंखला के माध्यम से अनुक्रमिक BPTT की आवश्यकता होती है, गेटेड FWP रिकर्सन पैरामीटर ट्रजेक्टरी को 'पैरेलल प्रीफिक्स स्कैन' के माध्यम से हल करने की अनुमति देता है। यह ग्रेडिएंट पाथ डेप्थ को $O(T)$ से घटाकर $O(\log T)$ कर देता है और सुनिश्चित करता है कि ग्रेडिएंट्स डेंस मैट्रिक्स मल्टीप्लिकेशन के बजाय स्केलर उत्पादों के माध्यम से प्रसारित हों, जिससे वेनिशिंग/एक्सप्लोडिंग ग्रेडिएंट समस्याओं को कम किया जा सके।

मुख्य योगदान (Key Contributions)

फ्रेमवर्क प्रस्ताव: कुशल अनुक्रम मॉडलिंग के लिए QKAN मॉड्यूल को फास्ट-वेट प्रोग्रामिंग के साथ संयोजित करने वाले एक क्वांटम-प्रेरित फ्रेमवर्क, Gated QKAN-FWP का परिचय।
गेटेड मैकेनिज्म: एक स्केलर-गेटेड फास्ट-वेट मैकेनिज्म का विकास जो मेमोरी रिटेंशन और अपडेट के बीच अनुकूल रूप से संतुलन बनाता है, जिसे ज्यामितीय सीमा और पैरेललाइज़ेबल रिकर्सन के सैद्धांतिक प्रमाणों का समर्थन प्राप्त है।
अनुभवजन्य प्रदर्शन (Empirical Performance): वास्तविक दुनिया के मल्टी-स्टेप सोलर साइकिल फोरकास्टिंग पर मजबूत प्रदर्शन का प्रदर्शन, जहाँ एक 12.5k-पैरामीटर वाला मॉडल क्लासिकल रिकरेंट बेसलाइन्स (LSTM, WaveNet-LSTM, MESN) से, जो 13 गुना अधिक पैरामीटर्स वाले हैं, बेहतर प्रदर्शन करता है।
NISQ वैलिडेशन: वास्तविक क्वांटम हार्डवेयर (IonQ Forte-1 और IBM ibm_aachen) पर प्रशिक्षित फास्ट प्रोग्रामर का सफल परिनियोजन, जो नॉइज़लेस सिम्युलेटर के सापेक्ष $10^{-3}$ रिलेटिव मीन स्क्वायर एरर (MSE) के भीतर फोरकास्टिंग सटीकता को पुनः प्राप्त करता है।

प्रयोगात्मक परिणाम (Experimental Results)

टाइम-सीरीज प्रेडिक्शन बेंचमार्क्स

मॉडल का मूल्यांकन सिंथेटिक डेटासेट्स (Damped SHM, Bessel function, NARMA5/10) और क्वांटम डायनेमिक्स डेटासेट्स (Delayed Quantum Control, Jaynes-Cummings) पर किया गया।

मजबूती (Robustness): GQKAN-QKANFWP वेरिएंट (जो दोनों प्रोग्रामर्स के लिए HQKAN का उपयोग करता है) ने विभिन्न इनपुट विंडो साइज ( $N=8$ से $64$) केAcross सबसे अधिक मजबूती प्रदर्शित की।
स्थिरता (Stability): अनगेटेड QFWP वेरिएंट्स ने बढ़ते विंडो साइज के साथ, विशेष रूप से NARMA और क्वांटम डायनेमिक्स कार्यों पर, महत्वपूर्ण प्रदर्शन गिरावट दिखाई, जबकि गेटेड HQKAN-आधारित वेरिएंट्स ने स्थिरता बनाए रखी।

वास्तविक दुनिया का सौर चक्र पूर्वानुमान (Real-World Solar Cycle Forecasting)

इस फ्रेमवर्क को 3,326 मासिक सनस्पॉट रिकॉर्ड (1749–2026) का उपयोग करके सौर चक्रओं के पूर्वानुमान के लिए लागू किया गया।

सेटअप: 132 महीने के क्षितिज (1 चक्र) का पूर्वानुमान लगाने के लिए 528 महीने की इनपुट विंडो (लगभग 4 चक्र) का उपयोग किया गया।
प्रदर्शन: GQKAN-QKANFWP मॉडल (12,474 पैरामीटर्स) ने निम्नलिखित की तुलना में कम स्केल्ड MSE, पीक एम्प्लीट्यूड एरर (PAE) और पीक टाइमिंग एरर (PTE) प्राप्त किया:
- WaveNet-LSTM (167k params)
- LSTM-L (89k params)
- मॉडिफाइड इको स्टेट नेटवर्क (MESN, 132k params)
- वैनिला RNN (11.5k params)
विज़ुअलाइज़ेशन: मॉडल ने चक्र चरणों के दौरान ग्राउंड ट्रुथ को अपने प्रेडिक्शन एनवेलप में शामिल करते हुए, मैक्रोस्कोपिक साइकिल स्ट्रक्चर और पीक टाइमिंग को सफलतापूर्वक कैप्चर किया।

सुदृढीकरण शिक्षण (Reinforcement Learning - MiniGrid)

A3C का उपयोग करके MiniGrid-Empty एनवायरनमेंट्स (5x5 से 16x16 ग्रिड) पर मूल्यांकन किया गया।

गेटेड वेरिएंट्स ने अनगेटेड QFWP की तुलना में लगातार बेहतर प्रदर्शन किया, विशेष रूप से ग्रिड साइज बढ़ने पर।
G-QKAN-QKANFWP ने 1,114 पैरामीटर्स के साथ 16x16 टास्क पर प्रतिस्पर्धी रिवॉर्ड्स प्राप्त किए, जो समान प्रदर्शन पर क्लासिकल G-FWP बेसलाइन (2,665 params) की तुलना में ~58% की कमी है।

NISQ हार्डवेयर निष्पादन (NISQ Hardware Execution)

फास्ट प्रोग्रामर को IonQ Forte-1 (36 क्यूबिट्स) और IBM ibm_aachen (156 क्यूबिट्स) पर निष्पादित किया गया।
स्लो प्रोग्रामर और गेटिंग लॉजिक क्लासिकली चले; केवल DARUAN मॉड्यूल ही QPU पर चला।
परिणाम दर्शाते हैं कि फोरकास्ट 1,024 शॉट्स पर नॉइज़लेस सिम्युलेटर के ~0.1% रिलेटिव MSE के भीतर अभिसरण (converge) हुए, जो सिंगल-क्यूबिट डिज़ाइन की NISQ अनुकूलता की पुष्टि करते हैं।

महत्व और दावे (Significance and Claims)

यह पेपर Gated QKAN-FWP को एक स्केलेबल, पैरामीटर-एफिशिएंट और NISQ-अनुकूल दृष्टिकोण के रूप में स्थापित करता है।

स्केलेबिलिटी: विशेष रूप से सिंगल-क्यूबिट सर्किटों (DARUAN) पर निर्भर रहकर और मल्टी-क्यूबिट एंटेंगमेंट से बचकर, यह फ्रेमवर्क उन हार्डवेयर बाधाओं और सिमुलेशन लागतों को दूर करता है जो पारंपरिक QRNNs को प्रभावित करती हैं।
स्थिरता: स्केलर-गेटेड अपडेट नियम पैरामीटर इवोल्यूशन की अस्थिरता के लिए एक सैद्धांतिक और अनुभवजन्य समाधान प्रदान करता है, जो ज्यामितीय सीमा और उथले ग्रेडिएंट पाथ प्रदान करता है।
व्यावहारिकता: वास्तविक क्वांटम हार्डवेयर पर सफल निष्पादन यह सिद्ध करता है कि क्वांटम-प्रेरित मॉडल दीर्घकालिक पूर्वानुमान जैसे व्यावहारिक कार्यों के लिए वर्तमान NISQ उपकरणों पर तैनात किए जा सकते हैं, जो कि NISQ सीमाओं से बाधित मॉडलों के लिए पहले पहुंच से बाहर था।
दक्षता: मॉडल ने सौर चक्र पूर्वानुमान पर क्लासिकल रिकरेंट बेसलाइन्स की तुलना में काफी कम पैरामीटर्स के साथ अत्याधुनिक (state-of-the-art) प्रदर्शन हासिल किया है, जो QKAN आर्किटेक्चर की पैरामीटर दक्षता को उजागर करता है।

लेखक निष्कर्ष निकालते हैं कि हालांकि मूल KAN आर्किटेक्चर अल्ट्रा-लार्ज-स्केल परिदृश्यों में अनुकूलन चुनौतियों का सामना करते हैं, Gated QKAN-FWP की संरचनात्मक डिजाइन (एक कम-आयामी लेटेंट स्पेस में अनुक्रमों को ऑटोरेग्रेसिव रूप से प्रोसेस करना) इन बोझों को कम करती है, जो भविष्य के डायनेमिक्स ऑप्टिमाइजेशन और भौतिक हार्डवेयर निष्पादन विस्तार की दिशा में मार्ग प्रशस्त करती है।