⚛️ quantum physics

Q-PhotoNAS: Hybrid Quantum Neural Architecture Search Framework on Photonic Devices

यह शोध पत्र Q-PhotoNAS को प्रस्तुत करता है, जो एक हाइब्रिड न्यूरल आर्किटेक्चर सर्च फ्रेमवर्क है जो फोटोनिक क्वांटम-क्लासिकल मॉडलों को स्वचालित रूप से डिजाइन और अनुकूलित करने के लिए जेनेटिक एल्गोरिदम को लर्नबल क्वांटम फेज एनकोडिंग के साथ जोड़ता है, जो इमेज क्लासिफिकेशन बेंचमार्क पर उच्च सटीकता प्राप्त करने के साथ-साथ फोटोनिक हार्डवेयर की अद्वितीय फीचर-एक्सट्रैक्शन क्षमताओं का प्रदर्शन करता है।

मूल लेखक: Farah Elnakhal, Alberto Marchisio, Nouhaila Innan, Gabriel Falcao, Muhammad Shafique

प्रकाशित 2026-05-22

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Farah Elnakhal, Alberto Marchisio, Nouhaila Innan, Gabriel Falcao, 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 जटिल व्यंजन के लिए एक बेहतरीन रेसिपी बनाने की कोशिश कर रहे हैं, लेकिन आपके पास काम करने के लिए दो बहुत अलग तरह के शेफ हैं: एक मानव शेफ (क्लासिकल कंप्यूटर) और एक जादूगर (क्वांटम कंप्यूटर)। मानव शेफ सब्जियां काटने और सामग्री को व्यवस्थित करने में माहिर है, जबकि जादूगर ऐसे करतब दिखा सकता है जो अकेले मानव के लिए करना असंभव है।

समस्या यह है कि यह तय करना कि इन दोनों को आपस में कैसे काम करना चाहिए, बेहद कठिन है। यदि आप मानव शेफ को अकेले खाना बनाने देते हैं, तो व्यंजन ठीक होता है। यदि आप जादूगर को अकेले करने देते हैं, तो यह एक आपदा बन जाता है। लेकिन यदि आप उनके कौशल को मिलाने का प्रयास करते हैं, तो संयोजनों के अरबों तरीके मौजूद हैं। हर एक संयोजन को हाथ से आज़माने में ब्रह्मांड के अस्तित्व से भी अधिक समय लग जाएगा।

यह पेपर Q-PhotoNAS को पेश करता है, जो एक स्मार्ट "स्वाद चखने वाला रोबोट" है जो विशेष रूप से उस क्वांटम कंप्यूटर के लिए मानव-जादूगर टीम के लिए एकदम सही रेसिपी खोजने के लिए बनाया गया है जो बिजली के बजाय प्रकाश (फोटोन) का उपयोग करता है।

यह यहाँ कैसे काम करता है, इसे सरल अवधारणाओं में विभाजित किया गया है:

1. समस्या: बहुत सारे विकल्प

इस हाइब्रिड सिस्टम को डिजाइन करना एक कस्टम कार बनाने जैसा है। आपको तय करना होगा:

इंजन कितना बड़ा होना चाहिए।
किस प्रकार के ईंधन का उपयोग करना चाहिए।
स्टीयरिंग व्हील पहियों से कैसे जुड़ता है।
सीटों का रंग क्या होगा।

प्रकाश-आधारित क्वांटम कंप्यूटिंग की दुनिया में, इन हिस्सों को व्यवस्थित करने के लगभग 37 अरब अलग-अलग तरीके हैं। लेखकों ने इसे मैन्युअल रूप से करने की कोशिश की (जैसे एक मैकेनिक जो अंदाज़ा लगा रहा है कि कौन से पुर्जे फिट बैठेंगे) और पाया कि यह धीमा था और अक्सर ऐसा परिणाम देता था जिससे कार ठीक से नहीं चल पाती थी। उन्हें इन सर्वोत्तम संयोजनों का स्वचालित रूप से परीक्षण करने के लिए एक तरीके की आवश्यकता थी।

2. समाधान: "विकासवादी" रोबोट शेफ

लेखकों ने Q-PhotoNAS नामक एक प्रणाली बनाई है जो एक डिजिटल विकास प्रयोगशाला (evolution lab) के रूप में कार्य करती है। मानव के अनुमान लगाने के बजाय, कंप्यूटर एक जेनेटिक एल्गोरिदम का उपयोग करता है।

जनसंख्या (The Population): कल्पना कीजिए कि रोबोट एक साथ 20 अलग-अलग "शिशु" रेसिपी (आर्किटेक्चर) बनाता है।
परीक्षण (The Test): यह देखने के लिए कि व्यंजन कितना स्वादिष्ट है, यह एक छोटा, त्वरित संस्करण (डेटा की एक छोटी मात्रा का उपयोग करके) "पकाता" है।
चयन (The Selection): यह 20 सबसे अच्छे स्वाद वाली रेसिपी रखता है और खराब वाली को हटा देता है।
मिश्रण (Crossover): यह दो अच्छी रेसिपी के सबसे अच्छे हिस्सों को लेता है और उन्हें आपस में मिला देता है। उदाहरण के लिए, यह रेसिपी A से "इंजन" और रेसिपी B से "स्टीयरिंग" ले सकता है ताकि एक नई, संभावित रूप से बेहतर रेसिपी C बनाई जा सके।
उत्परिवर्तन (The Mutation): कभी-कभी, यह स्वाद सुधारने के लिए एक सामग्री को बेतरतीब ढंग से बदल देता है (जैसे चीनी के बजाय नमक का एक चुटकी डालना) यह देखने के लिए कि क्या इससे स्वाद बेहतर होता है।
लूप (The Loop): यह इस प्रक्रिया को 30 बार दोहराता है। प्रत्येक दौर के साथ, रेसिपी बेहतर होती जाती है, और वे एक आदर्श संयोजन की ओर विकसित होती हैं।

3. विशेष सामग्री: "सीखने योग्य" प्रकाश

इस पेपर में सबसे बड़े नवाचारों में से एक यह है कि वे "जादू" वाले हिस्से को कैसे संभालते हैं। आमतौर पर, जब आप क्वांटम कंप्यूटर में डेटा फीड करते हैं, तो आपको उसे एक विशिष्ट आकार में मजबूर करना पड़ता है (जैसे एक चौकोर टुकड़े को गोल छेद में जबरदस्ती फिट करना)।

इस नए ढांचे में, रोबंतु खुद प्रकाश को आकार देना सीखता है। वह यह पता लगाता है कि चित्र डेटा को "फेज" (जैसे तरंग के समय को समायोजित करना) में बदलने का सही तरीका क्या है, ताकि क्वांटम कंप्यूटर इसे सबसे अच्छी तरह समझ सके। यह बिल्कुल वैसा ही है जैसे रोबोट जादूगर को सिखा रहा है कि सबसे अच्छा परिणाम पाने के लिए अपनी छड़ी को ठीक से कैसे घुमाना है, बजाय इसके कि जादूगर को एक कठोर, पूर्व-निर्धारित ट्रिक का उपयोग करने के लिए मजबूर किया जाए।

4. परिणाम: एक विजेता रेसिपी

रोबोट ने अपनी नई रेसिपी का परीक्षण दो प्रसिद्ध चित्र डेटासेट्स पर किया: Digits (हाथ से लिखे गए अंक 0-9) और MNIST (हाथ से लिखे गए अंकों का एक बड़ा, कठिन सेट)।

स्कोर: रोबोट ने Digits टेस्ट पर 99.44% सटीकता और MNIST पर 98.78% सटीकता प्राप्त की।
तुलना: जब उन्होंने इस "मानव + जादूगर" टीम की तुलना एक "केवल मानव" टीम (एक मानक कंप्यूटर जिसमें क्वांटम हिस्सा नहीं है) से की, तो हाइब्रिड टीम हर बार जीत गई।
जीत का कारण: विश्लेषण से पता चला कि "जादूगर" (फोटोनिक लेयर) केवल वही नहीं कर रहा था जो मानव शेफ कर रहा था। यह छिपे हुए पैटर्न और विशेषताओं को खोज रहा था जिन्हें मानव शेफ नहीं देख सकता था, प्रभावी रूप से व्यंजन में स्वाद का एक नया आयाम जोड़ रहा था।

5. स्पीड चेक: जादू कितनी तेज़ है?

लेखकों ने यह भी गणना की कि एक वास्तविक, भौतिक क्वांटम कंप्यूटर (Quandela Ascella चिप) पर इसमें कितना समय लगेगा जो प्रकाश का उपयोग करता है।

बाधा (The Bottleneck): सबसे धीमी प्रक्रिया प्रकाश के चलने (जो तात्कालिक है) या डिटेक्शन की नहीं है; यह हीटिंग (गर्मी) की है। मशीन प्रकाश के पथ को बदलने के लिए गर्मी का उपयोग करती है, और इसमें गर्म होने और ठंडा होने में थोड़ा समय लगता है।
समय: इस हीटिंग विलंब के साथ भी, सिस्टम लगभग 67 मिलीसेकंड (Digits के लिए) और 149 मिलीसेकंड (MNIST के लिए) में एक एकल छवि की पहचान कर सकता है। यह कई वास्तविक दुनिया के कार्यों के लिए व्यावहारिक रूप से पर्याप्त तेज़ है।

सारांश

संक्षेप में, यह पेपर दिखाता है कि हमें AI के लिए क्वांटम कंप्यूटर बनाने के लिए जीनियस आर्किटेक्ट होने की आवश्यकता नहीं है। इसके बजाय, हम एक स्वचालित विकासवादी रोबोट का उपयोग कर सकते हैं जो अरबों संभावनाओं में से खोज कर सकता है, क्लासिकल कंप्यूटर को प्रकाश-आधारित क्वांटम कंप्यूटर के साथ मिलाने का सबसे अच्छा तरीका ढूंढ सकता है, और एक ऐसा सिस्टम बना सकता है जो अकेले किसी भी एक से अधिक स्मार्ट और सटीक हो। यह एक इंसान द्वारा एक आदर्श कार डिजाइन का अनुमान लगाने बनाम एक ऐसी फैक्ट्री के बीच का अंतर है जो कारों को तब तक स्वचालित रूप से बनाती, टेस्ट करती और सुधारती है जब तक कि वे परफेक्ट न हो जाएं।

तकनीकी सारांश: Q-PhotoNAS

समस्या विवरण
फोटोनिक क्वांटम कंप्यूटिंग स्केलेबल क्वांटम मशीन लर्निंग (QML) के लिए एक आशाजनक मंच प्रदान करती है क्योंकि यह कमरे के तापमान पर संचालित होती है, इसमें डिकोहेरेंस (decoherence) कम होता है, और यह मौजूदा फाइबर नेटवर्क के साथ अनुकूल है। हालाँकि, प्रभावी हाइब्रिड फोटोनिक क्वांटम-क्लासिकल आर्किटेक्चर को डिजाइन करना एक महत्वपूर्ण चुनौती बनी हुई है। वर्तमान दृष्टिकोण अलग-अलग घटकों के मैनुअल ट्यूनिंग पर निर्भर करते हैं: क्लासिकल प्रीप्रोसेसिंग पाइपलाइन, डेटा एनकोडिंग रणनीतियाँ (क्लासिकल फीचर्स को ऑप्टिकल फेज़ में मैप करना), और आसपास के क्लासिकल लेयर्स की संरचना। जैसा कि पेपर के प्रेरक उदाहरणों (चित्र 1) में दिखाया गया है, Digits और MNIST जैसे डेटासेट्स पर प्रतिस्पर्धी सटीकता प्राप्त करने के लिए पुनरावृत्ति वाले, हाथ से डिज़ाइन किए गए प्रयासों की आवश्यकता होती है, जहाँ प्रत्येक आर्किटेक्चरल परिवर्तन के लिए पूर्ण रिट्रेनिंग रन की आवश्यकता होती है। संयुक्त डिज़ाइन स्पेस अत्यंत विशाल है (लगभग $3.7 \times 10^{10}$ कॉन्फ़िगरेशन), और घटकों के बीच मजबूत इंटरैक्शन ग्रेडी मैनुअल ट्यूनिंग को अविश्वसनीय और अक्षम बनाता है। इसके अलावा, मौजूदा न्यूरल आर्किटेक्चर सर्च (NAS) फ्रेमवर्क विशेष रूप से फोटोनिक हार्डवेयर को लक्षित नहीं करते हैं, जिसके गेट-आधारित क्यूबिट सिस्टम से भिन्न अद्वितीय प्रतिबंध (जैसे, निश्चित मोड काउंट, विशिष्ट एनकोडिंग नॉन-लिनियरिटी) होते हैं।

कार्यप्रणाली: Q-PhotoNAS फ्रेमवर्क
लेखक Q-PhotoNAS का प्रस्ताव करते हैं, जो हाइब्रिड फोटोनिक क्वांटम-क्लासिकल मॉडल्स के लिए विशेष रूप से डिज़ाइन किया गया एक न्यूरल आर्किटेक्चर सर्च फ्रेमवर्क है। यह सिस्टम चार चरणों को एकीकृत करता है: डेटा प्रीप्रोसेसिंग, प्रोग्रेसिव मॉडल डेवलपमेंट, जेनेटिक एल्गोरिदम (GA)-आधारित सर्च, और हार्डवेयर निष्पादन समय का अनुमान।

जीनोम और सर्च स्पेस: फ्रेमवर्क छह कार्यात्मक जीन समूहों में 19 हाइपरपैरामीटर्स को एनकोड करता है:
- डेटा/प्रीप्रोसेसिंग: PCA कंपोनेंट्स और कन्वोल्यूशनल फ्रंटएंड पैरामीटर्स।
- प्री-क्वांटम नेटवर्क: क्वांटम सर्किट से पहले के क्लासिकल लेयर्स के लिए डेप्थ, विड्थ, एक्टिवेशन फंक्शन्स और नॉर्मलाइजेशन।
- फेज़ एनकोडिंग: एक अभिनव, लर्नबल एनकोडिंग मैकेनिज्म जो फिक्स्ड स्कीम्स को बदल देता है। यह एक डिफरेंशिएबल ट्रांसफॉर्मेशन $\theta_i = \text{act}_\phi(x_i \cdot s_i + b_i) \cdot \pi$ का उपयोग करता है, जहाँ एक्टिवेशन फंक्शन ( $\sigma$ , $\tanh$ , या $\text{clamp}$ ), स्केल इनिशियलाइज़ेशन ( $s_i$ ), और बायस समावेश ( $b_i$ ) सभी GA द्वारा ऑप्टिमाइज़ किए जाते हैं।
- क्वांटम लेयर: फोटोनिक सर्किट का आउटपुट डायमेंशन।
- क्लासिफायर हेड: अंतिम क्लासिकल लेयर्स की डेप्थ, विड्थ और एक्टिवेशन।
- ट्रेनिंग: लर्निंग रेट, शेड्यूल, वेट डिके और ग्रेडिएंट क्लिपिंग।
  इस सर्च स्पेस में लगभग $3.7 \times 10^{10}$ कॉन्फ़िगरेशन शामिल हैं।
जेनेटिक एल्गोरिदम रणनीति: GA 30 पीढ़ियों में 20 कैंडिडेट आर्किटेक्चर की आबादी को विकसित करता है। यह नियोजित करता है:
- ग्रुप-आधारित क्रॉसओवर: आर्किटेक्चरल कोहेरेंस बनाए रखने के लिए, पूरे जीन समूह (जैसे, सभी प्री-क्वांटम पैरामीटर्स) पैरेंट्स से यूनिट्स के रूप में विरासत में मिलते हैं, जिससे असंगत आर्किटेक्चर (जैसे, संकीर्ण विड्थ वाले गहरे नेटवर्क) के निर्माण को रोका जा सके।
- पर-जीन म्यूटेशन: कॉन्फ़िगरेशन को रिफाइन या विविध बनाने के लिए लोकल स्टेप्स और ग्लोबल जम्प्स का मिश्रण।
- एलीटिज्म: शीर्ष 2 व्यक्तियों को बिना किसी बदलाव के संरक्षित किया जाता है।
- फिटनेस इवैल्यूएशन: उम्मीदवारों का मूल्यांकन वैलिडेशन एक्यूरेसी का अनुमान लगाने के लिए एक छोटे "प्रॉक्सी" बजट (Digits के लिए 1,000 सैंपल्स पर 5 एपोच; MNIST के लिए 5,000 सैंपल्स पर 3 एपोच) पर किया जाता है। पाया गया सबसे अच्छा आर्किटेक्चर फिर पूरे डेटासेट पर 100 एपोच के लिए पूरी तरह से रिट्रेन किया जाता है।
हार्डवेयर एस्टीमेशन: फ्रेमवर्क में Quandela Ascella फोटोनिक QPU पर निष्पादन समय का अनुमान लगाने के लिए एक फर्स्ट-प्रिंसिपल्स मैथमेटिकल मॉडल शामिल है। कुल लेटेंसी ( $T_{total}$ ) को फेज़-शिफ्टर रीकॉन्फ़िगरेशन समय ( $T_{prep}$ ), वेवगाइड प्रोपेगेशन समय ( $T_{prop}$ ), डिटेक्शन समय ( $T_{det}$ ), और इलेक्ट्रॉनिक ओवरहेड ( $T_{lat}$ ) के योग के रूप में मॉडल किया गया है। मोंटे कार्लो सिमुलेशन थर्मल ड्रिफ्ट, फोटोन कोइन्सिडेंस अनिश्चितता और इलेक्ट्रॉनिक जिटर को ध्यान में रखते हैं।

प्रमुख परिणाम
फ्रेमवर्क का मूल्यांकन Digits और MNIST इमेज क्लासिफिकेशन बेंचमार्क्स पर किया गया।

सटीकता (Accuracy): Q-PhotoNAS ने Digits पर 99.44% और MNIST पर 98.78% की अंतिम वैलिडेशन एक्यूरेसी हासिल की। ये परिणाम मैन्युअल रूप से डिज़ाइन किए गए बेसलाइन्स (जैसे, शुद्ध क्वांटम सर्किट्स या फिक्स्ड-एनकोडिंग हाइब्रिड्स) से काफी बेहतर हैं और क्लासिकल-ओनली बेसलाइन्स के बराबर हैं।
क्वांटम योगदान: सीखे गए आर्किटेक्चर के विश्लेषण से पता चला कि फोटोनिक लेयर गैर-रिडंडेंट फीचर्स निकालती है।
- Digits के लिए, क्वांटम आउटपुट्स की इंटर-क्लास कोसाइन सिमिलरिटी कम (0.135) थी, जो ऑर्थोगोनल क्लास सेपरेशन को दर्शाती है। क्वांटम और क्लासिकल फीचर्स के बीच प्रति-सैंपल सिमिलरिटी 0.167 थी, जो पूरक (complementary) जानकारी का सुझाव देती है।
- MNIST के लिए, इंटर-क्लास सिमिलरिटी 0.100 थी, और प्रति-सैंपल सिमिलरिटी -0.154 थी, जो यह संकेत देती है कि फोटोनिक लेयर सक्रिय रूप से क्लासिकल पाथवे के साथ 'एंटी-अलाइन' (anti-align) होती है, जिससे एक मजबूत प्रकार की पूरकता मिलती है।
- हाइब्रिड मॉडल्स ने पैरामीटर-मैच्ड क्लासिकल-ओनली बेसलाइन्स की तुलना में लगातार लगभग 0.65 प्रतिशत अंक (Digits) और 0.83 प्रतिशत अंक (MNIST) अधिक प्रदर्शन किया, जिसमें रैंडम सीड्स के बीच वेरिएंस भी कम था।
हार्डवेयर लेटेंसी: Quandela Ascella QPU पर, अनुमानित सिंगल-इमेज इन्फरेंस टाइम Digits के लिए ~67 ms और MNIST के लिए ~149 ms था। विश्लेषण ने पहचाना कि थर्मल फेज़-शिफ्टर रीकॉन्फ़िगरेशन प्रमुख लागत (88% से अधिक क्वांटम बजट के लिए जिम्मेदार) है, जो सर्किट डेप्थ के साथ रैखिक रूप से स्केल करती है।

महत्व और दावे
पेपर का दावा है कि यह हाइब्रिड फोटोनिक क्वांटम-क्लासिकल आर्किटेक्चर के लिए विशेष रूप से डिज़ाइन किया गया पहला NAS फ्रेमवर्क प्रस्तुत करता है। इसका महत्व निम्नलिखित में निहित है:

व्यवस्थित डिज़ाइन स्पेस एक्सप्लोरेशन: यह मैनुअल, ट्रायल-एंड-एरर डिज़ाइन से आगे बढ़कर एक स्वचालित खोज की ओर बढ़ता है जो क्लासिकल प्रीप्रोसेसिंग, लर्नबल फेज़ एनकोडिंग और फोटोनिक सर्किट संरचना के बीच जटिल, नॉन-डिफरेंशिएबल इंटरैक्शन को संभालता है।
लर्नेबल एनकोडिंग: फेज़ एनकोडिंग ट्रांसफॉर्मेशन को एक संयुक्त रूप से ऑप्टिमाइज़ किए गए डिज़ाइन एक्सिस के रूप में मानकर, फ्रेमवर्क फोटोनिक सर्किट को एंड-टू-एंड डेटा डिस्ट्रीब्यूशन के साथ अपने फेज़ स्पेस को अलाइन करने की अनुमति देता है, जिससे फिक्स्ड एनकोडिंग स्कीम्स की सीमाएं दूर हो जाती हैं।
व्यावहारिक व्यवहार्यता: परिणाम दर्शाते हैं कि हाइब्रिड फोटोनिक सिस्टम के लिए ऑटोमेटेड सर्च व्यावहारिक है, जो वर्तमान थर्मल फोटोनिक हार्डवेयर पर मिलिसेकंड के दशक के इन्फरेंस समय के साथ उच्च सटीकता प्राप्त करता है।
हार्डवेयर-अवेयर ऑप्टिमाइजेशन: फर्स्ट-प्रिंसिपल्स टाइमिंग एस्टीमेटर का समावेश हार्डवेयर बॉटलनैक्स (विशेष रूप से थर्मल रीकॉन्फ़िगरेशन) की पहचान करने की अनुमति देता है, जो भविष्य के हार्डवेयर विकास को इलेक्ट्रो-ऑप्टिक विकल्पों की ओर निर्देशित करता है।

लेखक निष्कर्ष निकालते हैं कि Q-PhotoNAS फोटोनिक डिवाइसेज पर क्वांटम AI के व्यवस्थित डिज़ाइन के लिए एक पुन: प्रयोज्य, सिद्धांत-आधारित फ्रेमवर्क प्रदान करता है, जो बड़े मोड काउंट और वैकल्पिक एनकोडिंग रणनीतियों की खोज का मार्ग प्रशस्त करता है।