QLIF-CAST: Quantum Leaky-Integrate-and-Fire for Time-Series Weather Forecasting

तकनीकी सारांश: समय-श्रृंखला मौसम पूर्वानुमान के लिए QLIF-CAST

समस्या विवरण
सटीक और कुशल समय-श्रृंखला पूर्वानुमान, विशेष रूप से बहुभिन्नरूपी (multivariate) पर्यावरणीय परिवेशों में, शास्त्रीय और क्वांटम दोनों न्यूरल आर्किटेक्चर के लिए एक महत्वपूर्ण चुनौती बना हुआ है। जबकि शास्त्रीय आवर्ती मॉडल (जैसे LSTMs) उच्च भविष्य कहनेवाला गुणवत्ता प्रदान करते हैं, वे अक्सर पर्याप्त गणनात्मक लागत का कारण बनते हैं। इसके विपरीत, शास्त्रीय स्पाइकिंग न्यूरल नेटवर्क (SNNs) इवेंट-ड्रिवन दक्षता तो प्रदान करते हैं, लेकिन निरंतर-मान वाले रिग्रेशन (continuous-valued regression) के लिए अक्सर अभिव्यंजक अवस्था प्रतिनिधित्व (expressive state representations) की कमी होती है। हालांकि क्वांटम लीकी इंटीग्रेट-एंड-फायर (QLIF) मॉडलों ने इमेज क्लासिफिकेशन में आशाजनक परिणाम दिखाए हैं, लेकिन निरंतर-मान वाली समय-श्रृंखला रिग्रेशन के लिए उनका अनुप्रयोग अभी भी अनछुआ है। इसके अलावा, मौजूदा क्वांटम पूर्वानुमान मॉडल अक्सर गहरे, वेरिएशनल क्वांटम सर्किट (VQCs) पर निर्भर करते हैं जो निकट-अवधि मध्यवर्ती-पैमाने के क्वांटम (NISQ) उपकरणों पर उच्च प्रशिक्षण लागत और शोर संवेदनशीलता से ग्रस्त होते हैं।

कार्यप्रणाली
यह शोध पत्र QLIF-CAST प्रस्तुत करता है, जो समय-श्रृंखला रिग्रेशन के लिए अनुकूलित एक हाइब्रिड क्वांटम-क्लासिकल आवर्ती आर्किटेक्चर है। मुख्य नवाचार मानक शास्त्रीय न्यूरॉन अपडेट नियम को क्वांटम-प्रेरित तंत्र से बदलने में निहित है, जबकि वर्तमान हार्डवेयर के अनुकूल उथले (shallow) सर्किट डेप्थ को बनाए रखा गया है।

• आर्किटेक्चर: मॉडल एक सात-परत हाइब्रिड आर्किटेक्चर का उपयोग करता है। परतें 1, 3–7 मानक शास्त्रीय घटक (TimeDistributed Dense, BatchNorm, LSTM, और Dense layers) हैं। महत्वपूर्ण अंतर परत 2 में है, जहाँ न्यूरोनल अपडेट होता है।
• QLIF न्यूरॉन मॉडल: QLIF-CAST में, उत्तेजना अवस्थाओं (excitation states) को सिंगल-क्यूबिट क्वांटम सुपरपोजिशन के रूप में एनकोड किया जाता है। स्टेट अपडेट में शामिल है:
  1. स्टेट एनकोडिंग: उत्तेजना संभाव्यता $\alpha$ को रोटेशन एंगल $\phi$ में मैप किया जाता है।
  2. क्वांटम सर्किट: प्रत्येक टाइमस्टेप पर एक डेप्थ-2 सिंगल-क्यूबिट सर्किट निष्पादित होता है: $|0\rangle \xrightarrow{R_x(\phi)} \xrightarrow{R_x(\theta_{input})} \text{Measure}$। रोटेशन एंगल्स शास्त्रीय नेटवर्क वेट्स से गणना किए जाते हैं, स्वतंत्र क्वांटम पैरामीटर्स के रूप में सीखे नहीं जाते।
  3. डायनेमिक्स: मॉडल $T_1$ रिलैक्सेशन डिके (relaxation decay) और एक स्पाइक जनरेशन तंत्र को शामिल करता है जहाँ यदि उत्तेजना संभाव्यता थ्रेसहोल्ड (0.75) से अधिक हो जाती है, तो एक स्पाइक उत्सर्जित होता है और अवस्था रीसेट हो जाती है।
  4. प्रशिक्षण: स्पाइक जनरेशन की गैर-विभेदक (non-differentiable) प्रकृति के कारण, मॉडल बैकप्रोपैगेशन के लिए सरोगेट ग्रेडिएंट्स (विशेष रूप से एक आर्कटैन्जेंट फंक्शन) का उपयोग करता है।
• वेक्टराइजेशन: क्वांटम सर्किट सिमुलेशन के कंप्यूटेशनल ओवरहेड को संबोधित करने के लिए, लेखक एक वेक्टराइज्ड निष्पादन रणनीति लागू करते हैं जहाँ बैच, टाइमस्टेप और न्यूरॉन्स के बीच सभी रोटेशन एंगल्स को एक एकल समानांतर सर्किट कॉल में प्रोसेस किया जाता है, जिससे अनुक्रमिक निष्पादन की तुलना में रिपोर्ट किया गया 500× स्पीडअप प्राप्त होता है।
• मूल्यांकन डिजाइन: अध्ययन को दो चरणों में विभाजित किया गया है:
  1. नियंत्रित तुलना: एक बहुभिन्नरूपी मौसम डेटासेट (D1) पर QLIF-CAST की तुलना पैरामीटर-मैच्ड क्लासिकल LIF बेसलाइन से की गई है। एकमात्र चर न्यूरोनल अपडेट नियम है।
  2. क्रॉस-डोमेन बेंचमार्किंग: वायु गुणवत्ता (D2) और पवन गति (D3) बेंचमार्क पर QLIF-CAST का मूल्यांकन अत्याधुनिक क्वांटम मॉडलों (QLSTM और LSTM-QNN) के विरुद्ध किया गया है ताकि स्पीड-एरर ट्रेड-ऑफ का विश्लेषण किया जा सके।

प्रमुख योगदान

1. नवीन अनुप्रयोग डोमेन: यह कार्य QLIF न्यूरॉन को इमेज क्लासिफिकेशन से निरंतर-मान वाली बहुभिन्नरूपी समय-श्रृंखला रिग्रेशन तक विस्तारित करता है, जिससे इसे टेम्पोरल फोरकास्टिंग के लिए एक व्यवहार्य आर्किटेक्चर के रूप में स्थापित करता है।
2. व्यवस्थित स्पीड-एरर लक्षण वर्णन: शोध पत्र गहराई वाले वेरिएशनल क्वांटम आर्किटेक्चर (QLSTM, LSTM-QNN) के विरुद्ध QLIF-CAST के उथले, क्लासिकली-ड्रिवन सिंगल-क्यूबिट सर्किट्स की पहली व्यवस्थित तुलना प्रदान करता है, जो प्रशिक्षण दक्षता और भविष्यवाणी सटीकता के बीच के ट्रेड-ऑफ को मात्रात्मक रूप से दर्शाता है।
3. क्रॉस-डोमेन सत्यापन: मॉडल का मूल्यांकन कोर क्वांटम सर्किट को संशोधित किए बिना तीन अलग-अलग पर्यावरणीय डोमेन (मौसम विज्ञान, वायु गुणवत्ता और पवन ऊर्जा) में किया गया है, जो आर्किटेक्चरल सामान्यता को प्रदर्शित करता है।
4. व्यावहारिक कार्यान्वयन: एक बैच की गई, वेक्टराइज्ड सर्किट निष्पादन रणनीति पेश की गई है, जो क्लासिकल सिमुलेशन के तहत वास्तविक-पैमाने के डेटासेट पर प्रशिक्षण को संभव बनाती है।
5. हार्डवेयर सत्यापन: सर्किट को एक वास्तविक 156-क्यूबिट QPU (IBM Marrakesh) पर निष्पादित किया गया, जो सिमुलेशन से न्यूनतम विचलन के साथ विश्वसनीय संचालन की पुष्टि करता है।

परिणाम

• चरण 1 (क्वांटम बनाम क्लासिकल): बहुभिन्नरूपी मौसम डेटासेट पर, QLIF-CAST ने पैरामीटर-मैच्ड क्लासिकल LIF बेसलाइन की तुलना में 15.4% कम मीन स्क्वेर्ड एरर (MSE) और 4.4% कम मीन एब्सोल्यूट एरर (MAE) प्राप्त किया। सुधार सबसे अधिक उन चरों में देखा गया जिनमें मजबूत टेम्पोरल स्ट्रक्चर (तापमान और दबाव) था। सर्किट ओवरहेड के कारण क्वांटम मॉडल को सिमुलेशन में 2.4× अधिक प्रशिक्षण समय की आवश्यकता थी।
• चरण 2 (अत्याधुनिक क्वांटम मॉडलों बनाम):
  • वायु गुणवत्ता (बनाम QLSTM): QLIF-CAST ने क्लासिकल LSTM बेसलाइन की तुलना में 26.8% कम MAE प्राप्त किया, लेकिन प्रकाशित QLSTM परिणामों की तुलना में 40% अधिक MAE दर्ज किया। हालांकि, QLIF-CAST 100 एपॉक्स के मुकाबले 26 एपॉक्स में अभिसरित (converge) हुआ, जो प्रशिक्षण समय में महत्वपूर्ण कमी को दर्शाता है।
  • पवन गति (बनाम LSTM-QNN): QLIF-CAST ने प्रकाशित LSTM-QNN परिणामों की तुलना में 42.3% अधिक RMSE दिखाया, लेकिन यह 16.8× तेज़ (3.88 मिनट बनाम 65.3 मिनट) प्रशिक्षित हुआ। 1.66 किमी/घंटा के पूर्ण त्रुटि अंतर को विंड टर्बाइन कंट्रोल सिस्टम के परिचालन सहनशीलता के भीतर नोट किया गया।
• हार्डवेयर सत्यापन: IBM Marrakesh QPU पर निष्पादन के परिणामस्वरूप आदर्श सिमुलेशन से औसतन 1.2% का विचलन हुआ, जो NISQ शोर सीमाओं के भीतर डेप्थ-2 सिंगल-क्यूबिट सर्किट की विश्वसनीयता की पुष्टि करता है।

महत्व और दावे
यह शोध पत्र QLIF-CAST को केवल एक ऐसे मॉडल के रूप में नहीं रखता जो भविष्यवाणी सटीकता में सभी मौजूदा आर्किटेक्चर से सार्वभौमिक रूप से बेहतर हो, बल्कि इसे स्पीड-एरर ट्रेड-ऑफ स्पेस में एक विशिष्ट समाधान के रूप में प्रस्तुत करता है। लेखक दावा करते हैं कि QLIF-CAST विशिष्ट परिनियोजन परिदृश्यों के लिए एक "पारेटो-ऑप्टिमल" स्थिति प्रदान करता है:

• प्रशिक्षण दक्षता: यह गहरे वेरिएशनल क्वांटम मॉडलों की तुलना में काफी तेज़ अभिसरण और कम प्रशिक्षण लागत प्रदान करता है क्योंकि यह प्रशिक्षण योग्य क्वांटम पैरामीटर्स से जुड़े महंगे पैरामीटर-शिफ्ट ग्रेडिएंट गणनाओं से बचता है।
• हार्डवेयर अनुकूलता: इसकी उथली, सिंगल-क्यूबिट सर्किट संरचना स्वाभाविक रूप से डिकोहेरेंस और गेट एरर के प्रति प्रतिरोधी है, जो इसे गहरे मल्टी-क्यूबिट आर्किटेक्चर की तुलना में निकट-अवधि क्वांटम हार्डवेयर पर तैनाती के लिए अनूठा उपयुक्त बनाती है।
• क्वांटम लाभ: समान पैरामीटर काउंट के साथ क्लासिकल बेसलाइन पर 15.4% MSE की कमी यह दर्शाती है कि क्वांटम न्यूरोनल डायनेमिक्स (इंटरफेरेंस और नॉन-लीनियर प्रोबेबिलिटी-स्पेस डिके) टेम्पोरल रिग्रेशन कार्यों के लिए एक मापने योग्य इंडक्टिव बायस (inductive bias) प्रदान करते हैं।

लेखक निष्कर्ष निकालते हैं कि QLिफ-CAST एज डिप्लॉयमेंट, रियल-टाइम मॉनिटरिंग और उन परिदृश्यों के लिए व्यावहारिक विकल्प है जहाँ प्रशिक्षण गति और हार्डवेयर अनुकूलता, अधिकतम भविष्यवाणी परिशुद्धता से अधिक प्राथमिकता रखती है।