⚛️ quantum physics

HQTN-SER: Speech Emotion Recognition with Hybrid Quantum Tensor Networks

यह शोध पत्र HQTN-SER को प्रस्तुत करता है, जो एक हाइब्रिड क्वांटम-क्लासिकल फ्रेमवर्क है जो कम संख्या में क्विबिट्स और प्रशिक्षण योग्य मापदंडों का उपयोग करके कई बेंचमार्क में सुदृढ़ स्पीच इमोशन रिकग्निशन (वाक् भावना पहचान) प्राप्त करने के लिए एक संरचित कनेक्टिविटी वाले MPS-प्रेरित क्वांटम टेंसर नेटवर्क का लाभ उठाता है।

मूल लेखक: Mahad Mohtashim, Nouhaila Innan, Muhammad Shafique

प्रकाशित 2026-05-15

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mahad Mohtashim, Nouhaila Innan, Muhammad Shafique

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 कंप्यूटर को यह सिखाने की कोशिश कर रहे हैं कि केवल उसकी आवाज़ सुनकर कोई व्यक्ति कैसा महसूस कर रहा है। इसे स्पीच इमोशन रिकग्निशन (SER) कहा जाता है। यह कठिन है क्योंकि भावनाएं सूक्ष्म होती हैं। एक "दुखी" आवाज़, "शांत" या "ऊब" भरी आवाज़ के समान लग सकती है, और बैकग्राउंड का शोर या अलग-अलग रिकॉर्डिंग माइक्रोफोन कंप्यूटर को भ्रमित कर सकते हैं।

आमतौर पर, इसमें महारत हासिल करने के लिए, कंप्यूटरों को भारी मात्रा में डेटा और विशाल, जटिल दिमागों (डीप लर्निंग मॉडल्स) की आवश्यकता होती है। लेकिन क्या होगा यदि हमारे पास इतना डेटा न हो, या हमें कंप्यूटर को छोटा और कुशल बनाना हो?

यह पेपर एक नई विधि पेश करता है जिसे HQTN-SER कहा जाता है। इसे एक "हाइब्रिड" टीम के रूप में समझें जहाँ एक क्लासिकल कंप्यूटर और एक छोटा, विशिष्ट क्वांटम कंप्यूटर मिलकर इस समस्या को हल करते हैं।

यह कैसे काम करता है, यहाँ सरल उपमाओं के साथ दिया गया है:

1. समस्या: "अभिभूत जासूस" (The Overwhelmed Detective)

पारंपरिक AI मॉडल उन जासूसों की तरह हैं जो अपराध स्थल के हर एक विवरण को याद रखने की कोशिश करते हैं। यदि अपराध स्थल (आवाज़ की रिकॉर्डिंग) उस चीज़ से थोड़ा भी अलग है जिसे उन्होंने पढ़ा था, तो वे भ्रमित हो जाते हैं। उन्हें सीखने के लिए सबूतों के एक विशाल पुस्तकालय (डेटा) की आवश्यकता होती है।

लेखक जानना चाहते थे: क्या हम एक स्मार्ट, छोटा जासूस बना सकते हैं जिसे एक विशाल पुस्तकालय की आवश्यकता नहीं है, फिर भी वह सुरागों के बीच सूक्ष्म संबंधों को समझ सके?

2. समाधान: "क्वांटम टीम-अप" (A Quantum Team-Up)

लेखकों ने दो साथियों के साथ एक सिस्टम बनाया है:

पार्टनर A (द क्लासिकल एनकोडर): यह एक मानक, हल्का कंप्यूटर मस्तिष्क है। इसका काम आवाज़ को सुनना और मुख्य बिंदुओं को एक संक्षिप्त, साफ सारांश (एक "लेटेंट एम्बेडिंग") में बदलना है। इसे एक मानव सहायक के रूप में सोचें जो आवाज़ की प्रमुख विशेषताओं पर जल्दी से नोट्स लेता है।
पार्टनर B (द क्वांटम टेंसर नेटवर्क): यह असली सितारा है। एक मानक क्वांटम सर्किट के बजाय जो सब कुछ को सब कुछ से जोड़ने की कोशिश करता है (जो अव्यवस्थित और नियंत्रित करना कठिन है), यह एक विशिष्ट संरचना का उपयोग करता है जिसे MPS (मैट्रिक्स प्रोडक्ट स्टेट) कहा जाता है।

उपमा: "नेबरहुड वॉच" (The Neighborhood Watch)
घरों (क्यूबिट्स) की एक लंबी कतार की कल्पना करें।

स्टैंडर्ड क्वांटम सर्किट्स एक ऐसे पड़ोस की तरह हैं जहाँ हर घर एक ही समय में दूसरे सभी घरों से बात करने की कोशिश करता है। यह अराजक, शोर भरा और प्रबंधित करने में कठिन हो जाता है, खासकर यदि आपके पास केवल कुछ ही घर (क्यूबिट्स) हों।
MPS संरचना (HQTN-SER) एक नेबरहुड वॉच की तरह है। घर #1 केवल घर #2 से बात करता है। घर #2, घर #1 और #3 से बात करता है। घर #3, घर #2 और #4 से बात करता है।
- यह संचार की एक संरचित श्रृंखला बनाता है।
- यह सिस्टम को एक तार्किक, चरण-दर-चरण तरीके से पैटर्न खोजने के लिए मजबूर करता है।
- यह बहुत कम "संसाधनों" (क्यूबिट्स) का उपयोग करता है लेकिन यह पहचानने में बहुत अच्छा है कि आवाज़ का एक हिस्सा अगले हिस्से से कैसे जुड़ता है।

3. वे एक साथ कैसे काम करते हैं

इनपुट: आवाज़ को एक डिजिटल मानचित्र (जैसे स्पेक्ट्रोग्राम) में बदल दिया जाता है।
कंप्रेशन: सिस्टम इस विशाल मानचित्र को एक छोटे आकार में सिकोड़ देता है (PCA नामक तकनीक का उपयोग करके) ताकि छोटा क्वांटम कंप्यूटर इसे संभाल सके।
पैरेलल प्रोसेसिंग:
- क्लासिकल पार्टनर आवाज़ का एक सारांश बनाता है।
- क्वांटम पार्टनर (नेबरहुड वॉच संरचना का उपयोग करके) आवाज़ का विश्लेषण करता है ताकि आवाज़ के विभिन्न हिस्सों के बीच छिपे हुए, सूक्ष्म कनेक्शनों को खोजा जा सके जिन्हें एक मानक कंप्यूटर मिस कर सकता है।
फ्यूजन (विलय): वे अपने नोट्स को मिलाते हैं। क्लासिकल सारांश + क्वांटम "अंतर्दृष्टि" को अंतिम अनुमान लगाने के लिए एक साथ रखा जाता है।

4. परिणाम: क्या यह काम करता है?

टीम ने तीन अलग-अलग वॉयस डेटाबेस (RAVDESS, SAVEE, और MDER) पर इसका परीक्षण किया, जिनमें अलग-अलग भाषाएं, लहजे और रिकॉर्डिंग की गुणवत्ता शामिल थी।

स्कोर: हाइब्रिड टीम ने बहुत अच्छे स्कोर (लगभग 73% से 80% सटीकता) प्राप्त किए, जो बहुत बड़े, पारंपरिक मॉडल्स के प्रतिस्पर्धी हैं।
"सोलो" टेस्ट: उन्होंने सिस्टम को केवल क्लासिकल भाग या केवल क्वांटम भाग के साथ चलाने का प्रयास किया।
- केवल क्लासिकल: इसने ठीक-ठाक प्रदर्शन किया, लेकिन बहुत अच्छा नहीं।
- केवल क्वांटम: यह बुरी तरह विफल रहा।
- निष्कर्ष: जादू तब होता है जब वे एक साथ काम करते हैं। क्वांटम भाग एक विशिष्ट प्रकार का "स्ट्रक्चर" जोड़ता है जो क्लासिकल भाग को बेहतर निर्णय लेने में मदद करता है।

5. "रियल वर्ल्ड" स्ट्रेस टेस्ट

चूंकि वास्तविक क्वांटम कंप्यूटर वर्तमान में शोर वाले (जैसे स्टैटिक के साथ रेडियो) होते हैं, इसलिए लेखकों ने अपने मॉडल का परीक्षण एक सिम्युलेटर का उपयोग करके किया जो वास्तविक दुनिया के शोर वाले क्वांटम डिवाइस (जिसे "FakeMarrakesh" कहा जाता है) की नकल करता है।

परिणाम: मॉडल के प्रदर्शन में बहुत कम बदलाव आया। यह "परफेक्ट/साइलेंट" सिम्युलेटर की तुलना में "नॉइजी" सिम्युलेटर पर लगभग उतना ही सटीक था।
क्यों? क्योंकि "नेबरहुड वॉच" संरचना (MPS) इतनी सरल और व्यवस्थित है कि शोर के पास चीजों को बिगाड़ने के लिए पर्याप्त जगह नहीं है। यह एक अच्छी तरह से संगठित टीम की तरह है जो काम पूरा कर सकती है भले ही ऑफिस थोड़ा अस्त-व्यस्त हो।

सारांश

यह पेपर यह दावा नहीं करता कि क्वांटम कंप्यूटर अब जादुई सुपर-ब्रेन हैं जो सब कुछ तुरंत हल कर देते हैं। इसके बजाय, यह दिखाता है कि यदि आप एक क्वांटम कंप्यूटर को एक स्मार्ट, स्ट्रक्चर्ड लेआउट (जैसे आपस में बात करने वाले पड़ोसियों की एक श्रृंखला) के साथ डिजाइन करते हैं और उसे एक मानक कंप्यूटर के साथ जोड़ते हैं, तो आप आवाज़ों में भावनाओं को पहचानने के लिए एक बहुत ही कुशल, स्थिर सिस्टम बना सकते हैं। यह साबित करता है कि आज के सीमित, शोर वाले क्वांटम कंप्यूटरों के साथ काम करते समय आकार से अधिक संरचना मायने रखती है।

तकनीकी सारांश: HQTN-SER

समस्या विवरण
स्पीच इमोशन रिकग्निशन (SER) वास्तविक दुनिया में तैनाती के दौरान भावनात्मक संकेतों की सूक्ष्मता, वक्ता निर्भरता (speaker dependency), और रिकॉर्डिंग स्थितियों की परिवर्तनशीलता के कारण महत्वपूर्ण चुनौतियों का सामना करता है। जबकि डीप लर्निंग मॉडलों ने उच्च सटीकता प्राप्त की है, वे अक्सर बड़े पैरामीटर काउंट और विशाल, क्यूरेटेड डेटासेट्स पर निर्भर करते हैं, जिससे वे छोटे, असंतुलित या सीमित वक्ता वाले डेटासेट्स पर ओवरफिटिंग के प्रति संवेदनशील हो जाते हैं। इसके अलावा, SER के लिए मौजूदा क्वांटम मशीन लर्निंग (QML) दृष्टिकोण अक्सर सीमित इंडक्टिव बायस (inductive bias) वाले जेनेरिक सर्किट टोपोलॉजी का उपयोग करते हैं, जिससे असंगत प्रदर्शन लाभ और हाइपरपैरामीटर ट्यूनिंग के प्रति संवेदनशीलता उत्पन्न होती है। मुख्य चुनौती यह है कि जब डेटा और क्वांटम संसाधन (क्विबिट संख्या और सर्किट गहराई) दोनों सीमित हों, तो स्पीच फीचर्स में संरचित सहसंबंधों (structured correlations) को प्रभावी ढंग से कैसे मॉडल किया जाए।

कार्यप्रणाली: HQTN-SER फ्रेमवर्क
यह शोध पत्र HQTN-SER का प्रस्ताव करता है, जो एक हाइब्रिड क्वांटम-क्लासिकल फ्रेमवर्क है जिसे कम-क्विबिट सेटिंग्स में संचालित करने के लिए डिज़ाइन किया गया है। यह पाइपलाइन चार मुख्य चरणों से मिलकर बनी है:

डेटा प्रीप्रोसेसिंग: कच्चे ऑडियो को 22.05 kHz पर रीसैंपल किया जाता है, 5 सेकंड के लिए ट्रंकेट या पैड किया जाता है, और 128-आयामी मेल-स्पेक्ट्रोग्राम (Mel-spectrograms) में परिवर्तित किया जाता है। इन्हें प्रिंसिपल कंपोनेंट एनालिसिस (PCA) का उपयोग करके वेक्टराइज और 32 आयामों तक संकुचित किया जाता है।
फीचर मैपिंग: संकुचित 32-आयामी वेक्टर को एक सीखने योग्य एफ़ाइन प्रोजेक्शन ( $P, b$ ) के माध्यम से लो-डायमेंशनल इनपुट स्पेस ( $n \in \{3, 4\}$ क्विबिट्स) में मैप किया जाता है।
हाइब्रिड आर्किटेक्चर:
- क्लासिकल पाथ: एक कॉम्पैक्ट एनकोडर PCA फीचर्स को एक लेटेंट एम्बेडिंग ( $z_c$ ) में बदल देता है।
- क्वांटम पाथ: एक वैरिेशनल क्वांटम सर्किट (VQC) जिसमें मैट्रिक्स प्रोडक्ट स्टेट (MPS) कनेक्टिविटी है, मैप किए गए इनपुट को प्रोसेस करता है। सर्किट एंगल एनकोडिंग ( $R_y$ रोटेशन) के साथ-साथ स्थानीय सीखने योग्य ब्लॉक्स ( $R_y, R_z$ ) और निकटतम-पड़ोसी (nearest-neighbor) CNOT गेट्स के एक संरचित अनुक्रम का उपयोग करता है। यह MPS संरचना एंटैंगलमेंट को स्थानीय पड़ोस तक सीमित करती है, जिससे पैरामीटर वृद्धि नियंत्रित होती है और संरचित सहसंबंध मॉडलिंग सुनिश्चित होती है।
- मेजरमेंट: क्वांटम सर्किट सिंगल-क्विबिट ऑब्जर्वेबल्स ( $Z$ ) के एक्सपेक्टेशन वैल्यूज को क्वांटम फीचर्स ( $z_q$ ) के रूप में आउटपुट करता है।
फ्यूजन और क्लासिफिकेशन: क्लासिकल एम्बेडिंग ( $z_c$ ) और क्वांटम मेजरमेंट स्टैटिस्टिक्स ( $z_v$ ) को संयोजित (concatenate) किया जाता है और इमोशन लेबल की भविष्यवाणी करने के लिए एक फुली कनेक्टेड क्लासिफायर में फीड किया जाता है। मॉडल को कैटेगोरिकल क्रॉस-एन्ट्रॉपी और क्वांटम ग्रेडिएंट्स के लिए 'पैरामीटर-शिफ्ट रूल' का उपयोग करके एंड-टू-एंड प्रशिक्षित किया जाता है।

प्रमुख योगदान

MPS-प्रेरित क्वांटम मॉड्यूल: एक क्वांटम प्रोसेसिंग ब्लॉक का डिज़ाइन जो स्पीच फीचर्स में संरचित सहसंबंधों को मॉडल करने के लिए MPS कनेक्टिविटी का उपयोग करता है, जो एक कॉम्पैक्ट पैरामीट्राइजेशन प्रदान करता है और उन "बैरेन प्लेटो" (barren plateau) समस्याओं से बचता है जो अक्सर असंरचित, गहरे वैरिेशनल सर्किट्स से जुड़ी होती हैं।
क्वांटम-क्लासिकल फ्यूजन स्ट्रैटेजी: एक एंड-टू-एंड डिफरेंशिएबल तंत्र जो सीखे गए क्लासिकल लेटेंट एम्बेडिंग्स को क्वांटम मेजरमेंट स्टैटिस्टिक्स के साथ जोड़ता है, यह प्रदर्शित करता है कि क्वांटम मॉड्यूल एक स्टैंडअलोन क्लासिफायर के बजाय एक संरचित फीचर ट्रांसफार्मर के रूप में कार्य करता है।
एकीकृत मल्टी-डेटासेट मूल्यांकन: तीन अलग-अलग बेंचमार्क (RAVDESS, SAVEE, और MDER) में एक कठोर मूल्यांकन, जो विभिन्न भाषाओं, वक्ता जनसांख्यिकी और रिकॉर्डिंग स्थितियों को कवर करता है, यह सुनिश्चित करता है कि परिणाम केवल डेटासेट-विशिष्ट नहीं हैं।
हार्डवेयर-अवेयर एनालिसिस: वास्तविक डिवाइस नॉइज़ को सिम्युलेट करने के लिए FakeMarrakesh नॉइज़ मॉडल का उपयोग करके एक स्टेबिलिटी असेसमेंट, जो निकट-अवधि (near-term) क्वांटम सेटिंग्स में मॉडल की मजबूती को प्रदर्शित करता है।

परिणाम
प्रस्तावित मॉडल ने कम क्विबिट काउंट (3–4 क्विबिट्स) के साथ तीनों डेटासेट्स पर निरंतर प्रदर्शन प्राप्त किया:

RAVDESS: 80.12% सटीकता (ओवरऑल F1: 0.8012)।
SAVEE: 78.26% सटीकता (ओवरऑल F1: 0.7826)।
MDER: 73.51% सटीकता (ओवरऑल F1: 0.7351)।

एब्लेशन और तुलनात्मक निष्कर्ष:

एब्लेशन (Ablation): क्वांटम मॉड्यूल को हटाने ("Classical only") से प्रदर्शन में महत्वपूर्ण गिरावट आई, विशेष रूप से वक्ता-सीमित SAVEE डेटासेट पर। केवल क्वांटम मॉड्यूल पर निर्भर रहना ("Quantum only") खराब रहा, जो पुष्टि करता है कि MPS मॉड्यूल एक हाइब्रिड पाइपलाइन के भीतर एक संरचित घटक के रूप में सबसे प्रभावी है।
तुलना: HQTN-SER ने पूर्ववर्ती क्वांटम SER विधियों (जैसे, Qubit SW Deep-ESN, CDQKL) की सटीकता के बराबर या उससे अधिक प्रदर्शन किया, जबकि काफी कम क्विबिट्स (5–10 के मुकाबले 3–4) और कई मामलों में कम कुल सीखने योग्य पैरामीटर्स का उपयोग किया।
हार्डवेयर मजबूती: जब FakeMarrakesh नॉइज़ मॉडल के तहत मूल्यांकन किया गया, तो MDER मॉडल की सटीकता नगण्य रूप से बदली (73.51% से 73.45% तक), जो यह दर्शाता है कि उथला (shallow), स्थानीय रूप से जुड़ा हुआ MPS स्ट्रक्चर और एक्सपेक्टेशन-वैल्यू मेजरमेंट्स डिवाइस नॉइज़ के खिलाफ पैसिव मजबूती प्रदान करते हैं।

महत्व और दावे
शोध पत्र विनम्रतापूर्वक दावा करता है कि HQTN-SER "अनकंडीशनल क्वांटम एडवांटेज" प्रदर्शित नहीं करता है, बल्कि यह स्थापित करता है कि संरचित क्वांटम आर्किटेक्चर वास्तविक बाधाओं के तहत SER के लिए स्थिर, व्याख्या योग्य और पैरामीटर-कुशल समाधान प्रदान कर सकते हैं।

लेखकों का तर्क है कि MPS कनेक्टिविटी एक फायदेमंद इंडक्टिव बायस पेश करती है जो जेनेरिक सर्किट्स की तुलना में सहसंबंधित ध्वनिक संकेतों (जैसे पिच ट्रेजेक्टरीज और स्पेक्ट्रल टिल्ट) को अधिक प्रभावी ढंग से मॉडल करती है, जब संसाधन सीमित हों। परिणाम बताते हैं कि निकट-अवधि क्वांटम-असिस्टेड अफेक्टिव कंप्यूटिंग के लिए, क्वांटम सर्किट की कनेक्टिविटी (संरचना) का डिज़ाइन उसके डेप्थ या विड्थ जितना ही महत्वपूर्ण है। यह कार्य भविष्य के अनुसंधान के लिए एक पुनरुत्पादनीय (reproducible) बेसलाइन प्रदान करता है, जो स्पष्ट करता है कि संरचित क्वांटम मॉड्यूल, विशेष रूप से उन परिदृश्यों में जहाँ डेटा दुर्लभ है और हार्डवेयर संसाधन सीमित हैं, आज भी अफेक्टिव कंप्यूटिंग में मूल्य जोड़ सकते हैं।