Hybrid Quantum-Classical Machine Learning Algorithms for Multi-Output Time-Series Forecasting at Utility Scale
यह शोध पत्र IBM Marrakesh क्वांटम प्रोसेसर का उपयोग करते हुए 103-घरेलू स्मार्ट मीटर डेटासेट पर दो ढांचों, कर्नेलकृत क्वांटम रिज़र्वोइर कंप्यूटिंग (Kernelized Quantum Reservoir Computing) और प्रोजेक्टेड क्वांटम कर्नेल गॉसियन प्रोसेस (Projected Quantum Kernel Gaussian Processes) का मूल्यांकन करके, यूटिलिटी स्तर पर मल्टी-आउटपुट टाइम-सीरीज़ पूर्वानुमान के लिए हाइब्रिड क्वांटम-क्लासिकल मशीन लर्निंग की व्यवहार्यता को प्रदर्शित करता है, जहाँ दोनों मॉडलों ने सिम्युलेटर पर क्लासिकल बेसलाइन की तुलना में महत्वपूर्ण त्रुटि कमी हासिल की और NISQ हार्डवेयर पर प्रतिस्पर्धी प्रदर्शन बनाए रखा।
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 यह अनुमान लगाने की कोशिश कर रहे हैं कि आने वाले घंटों में 100 अलग-अलग परिवार कितनी बिजली का उपयोग करेंगे। यह केवल अंदाज़ा लगाना नहीं है; यह संख्याओं के एक अराजक नृत्य में पैटर्न को पहचानने के बारे में है। कुछ परिवार तब अधिक बिजली का उपयोग करते हैं जब ठंड होती है, कुछ तब जब वे टीवी देखते हैं, और उनकी आदतें अक्सर एक जैसी होती हैं।
यह शोध पत्र इस पहेली को सुलझाने की कोशिश कर रहे शोधकर्ताओं की एक टीम के बारे में है जो एक नए प्रकार के कंप्यूटर का उपयोग कर रहे हैं: एक हाइब्रिड क्वांटम-क्लासिकल मशीन। इसे एक टीम के रूप में सोचें जहाँ एक सुपर-फास्ट, भविष्यवादी "क्वांटम मस्तिष्क" जटिल पैटर्न को पहचानने का भारी काम करता है, जबकि एक मानक "क्लासिकल मस्तिष्क" (जैसे कि आज का आपका लैपटॉप) अंतिम गणनाओं और निर्णय लेने का काम संभालता है।
यहाँ उनके दो मुख्य प्रयोगों का सरल विवरण दिया गया है:
चुनौती: "शोर वाला" (Noisy) क्वांटम कंप्यूटर
शोधकर्ताओं के पास एक आदर्श, भविष्यवादी क्वांटम कंप्यूटर नहीं था। उन्होंने एक वास्तविक, वर्तमान पीढ़ी के कंप्यूटर (जिसे NISQ डिवाइस कहा जाता है) का उपयोग किया जो एक लैब में स्थित है। इस कंप्यूटर को एक प्रतिभाशाली लेकिन थोड़े विचलित रहने वाले संगीतकार के रूप में समझें। यह अविश्वसनीय रूप से जटिल संगीत (कठिन गणितीय समस्याओं को हल करना) बजा सकता है, लेकिन यह शोर (हार्डवेयर त्रुटियों) से विचलित हो जाता है और कभी-कभी गलत नोट भी बजा सकता है। लक्ष्य यह देखना था कि क्या यह "विचलित संगीतकार" अभी भी एक मानक कंप्यूटर की तुलना में बिजली के उपयोग का बेहतर अनुमान लगाने में मदद कर सकता है।
प्रयोग 1: "गूँज का कमरा" (The Echo Chamber - KQRC-RM)
उपमा: एक बड़े, गूँजने वाले गुफा (रेज़र्वोइर/Reservoir) की कल्पना करें। आप गुफा में एक ध्वनि (बिजली का डेटा) चिल्लाते हैं, और वह ध्वनि टकराकर वापस आती है, पिछले ध्वनियों की गूँज के साथ मिश्रित होती है। ध्वनि जिस तरह से शांत होती है, उससे गुफा के आकार के बारे में पता चलता है।
- यह कैसे काम करता है: उन्होंने बिजली के डेटा को एक क्वांटम "गुफा" में डाला। जैसे ही डेटा क्वांटम सिस्टम के भीतर टकराकर घूमता रहा, इसने गूँज के एक जटिल पैटर्न का निर्माण किया। फिर उन्होंने भविष्य के बिजली उपयोग को समझने के लिए इन गूँजों को बार-बार "सुना" (Repeated Measurement)।
- परिणाम:
- सिमुलेटर में (एक आदर्श गुफा): जब उन्होंने इसे एक आदर्श कंप्यूटर सिमुलेशन पर चलाया, तो यह अद्भुत था। इसने सबसे अच्छे मानक कंप्यूटर तरीके की तुलना में 37% कम त्रुटि के साथ भविष्य के उपयोग की भविष्यवाणी की।
- वास्तविक हार्डवेयर पर (एक शोर वाली गुफा): जब उन्होंने इसे वास्तविक क्वांटम कंप्यूटर पर चलाया, तो "शोर" बीच में आ गया। भविष्यवाणियाँ खराब हो गईं, और त्रुटि वास्तव में मानक कंप्यूटर की तुलना में बढ़ गई।
- निष्कर्ष: "गूँज का कमरा" वाला विचार सिद्धांत में बहुत अच्छा है, लेकिन फिलहाल, वास्तविक क्वांटम हार्डवेयर इस विशिष्ट कार्य के लिए मानक कंप्यूटर से बेहतर होने के लिए बहुत शोर वाला है।
प्रयोग 2: "स्थानीय पड़ोस की निगरानी" (Projected Quantum Kernel Gaussian Process)
उपमा: एक पूरे शहर के मौसम की भविष्यवाणी करने की कोशिश करने की कल्पना करें। पूरे वायुमंडल को एक साथ मापने के बजाय (जो कठिन है और जिसमें त्रुटियों की संभावना अधिक है), आप केवल छोटे, स्थानीय पड़ोसों को देखते हैं। यदि स्थानीय पड़ोस धूप वाला है, तो आप मानते हैं कि पूरा शहर भी धूप वाला ही होगा। यह "स्थानीय" और "मजबूत" (Robust) है।
- यह कैसे काम करता है: यह मॉडल "शोर-प्रतिरोधी" (Noise-resistant) होने के लिए डिज़ाइन किया गया है। पूरे क्वांटम अवस्था को देखने के बजाय (जो नाजुक है), यह केवल छोटी, स्थानीय सूचनाओं (जैसे एक समय में केवल कुछ क्यूबिट्स की जाँच करना) को देखता है। फिर यह भविष्य का अनुमान लगाने के लिए "गौसियन प्रोसेस" (एक स्मार्ट सांख्यिकीय उपकरण) का उपयोग करता है।
- परिणाम:
- सिमुलेटर में: यह एक बड़ी सफलता थी, जिसने मानक तरीकों की तुलना में भविष्यवाणियों की त्रुटियों को 62% तक कम कर दिया।
- वास्तविक हार्डवेयर पर: शोर वाले क्वांटम कंप्यूटर के साथ भी, इसने मानक कंप्यूटर को 40% से पछाड़ दिया।
- बड़ा परीक्षण (100 परिवार): उन्होंने 100 क्वांटम "बिट्स" (क्यूबिट्स) का उपयोग करके एक साथ 100 परिवारों के लिए बड़े पैमाने पर भविष्यवाणी करने की कोशिश की।
- 49% परिवारों की भविष्यवाणी बहुत उच्च सटीकता (कम त्रुटि) के साथ की गई।
- 31% मध्यम सटीकता की सीमा में थे।
- 20% में उच्च त्रुटियां थीं।
- त्रुटियां क्यों हुईं? शोधकर्ताओं ने पाया कि जिन 20% लोगों के लिए खराब भविष्यवाणियां हुईं, उन्हें क्वांटम चिप के सबसे "शोर वाले" हिस्सों (जैसे कि वे क्यूबिट्स जो थके हुए हैं या जिनका ध्यान कम समय के लिए केंद्रित रहता है) में रखा गया था। यदि उन्हें चिप के "स्वस्थतम" हिस्सों में रखा जाता, तो परिणाम और भी बेहतर होते।
मुख्य निष्कर्ष (The Bottom Line)
शोध पत्र का दावा है कि:
- यह संभव है: हम अब वास्तविक क्वांटम कंप्यूटरों पर 100 से अधिक क्यूबिट्स के साथ इन जटिल, बहु-परिवार बिजली पूर्वानुमानों को चला सकते हैं।
- यह आशाजनक है लेकिन अपूर्ण है: "स्थानीय पड़ोस की निगरानी" वाला तरीका (प्रयोग 2) विजेता है। यह वर्तमान हार्डवेयर के शोर को संभालने के लिए पर्याप्त मजबूत है और मानक कंप्यूटरों को भी मात देता है।
- हार्डवेयर मायने रखता है: भविष्यवाणी की गुणवत्ता इस बात पर निर्भर करती है कि आप क्वांटम चिप के किस हिस्से का उपयोग करते हैं। यदि चिप का कोई विशिष्ट हिस्सा शोर वाला है, तो उस स्थान के लिए भविष्यवाणियां खराब होंगी।
संक्षेप में: शोधकर्ताओं ने सिद्ध किया कि एक हाइब्रिड टीम (क्वांटम + क्लासिकल) अकेले क्लासिकल टीम की तुलना में बिजली के उपयोग की बेहतर भविष्यवाणी कर सकती है, यहाँ तक कि आज के अपूर्ण क्वांटम कंप्यूटरों पर भी। हालाँकि, "पूर्ण" क्वांटम लाभ अभी भी हार्डवेयर के थोड़ा शांत और अधिक विश्वसनीय होने की प्रतीक्षा कर रहा है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।