Adaptive directional gradients for parameterised quantum circuits
यह शोध पत्र पैरामीट्राइज़्ड क्वांटम सर्किट के लिए एक फॉरवर्ड ग्रेडिएंट फ्रेमवर्क प्रस्तुत करता है जो मौजूदा ग्रेडिएंट एस्टिमेशन विधियों को एकीकृत करता है और QUIVER एडेप्टिव ऑप्टिमाइज़र को पैरामीटर-शिफ्ट नियम और अन्य अत्याधुनिक ऑप्टिमाइज़रों की तुलना में कम मेजरमेंट लागत के साथ काफी अधिक कुशल प्रशिक्षण प्राप्त करने में सक्षम बनाता है।
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 बहुत ही जटिल रोबोट (एक पैरामीटराइज़्ड क्वांटम सर्किट) को कोई समस्या हल करना सिखाने की कोशिश कर रहे हैं, जैसे कि बिल्ली की तस्वीर पहचानना या डिलीवरी ट्रक के लिए सबसे अच्छा रास्ता खोजना। इसे सिखाने के लिए, आपको इसे वह "दिशा" दिखानी होगी जिसमें इसे बेहतर होने के लिए आगे बढ़ना चाहिए। गणितीय शब्दों में, इसे ग्रेडिएंट (gradient) की गणना करना कहा जाता है।
समस्या यह है कि वर्तमान क्वांटम कंप्यूटरों पर, इस दिशा की गणना करना अविश्वसनीय रूप से महंगा है। यह एक विशाल शहर का मानचित्र बनाने के लिए हर एक गली में एक-एक करके चलने जैसा है। यदि आपके रोबोट के पास घुमाने के लिए 1,000 नॉब्स (knobs) हैं, तो पुराने तरीके में आपको यह जानने के लिए 1,000 अलग-अलग रास्ते तय करने होंगे कि किस दिशा में जाना है। इसमें बहुत अधिक समय और ऊर्जा (जिसे "मेज़रमेंट शॉट्स" कहा जाता है) लगती है, जिससे रोबोट को प्रशिक्षित करना असंभव हो जाता है जैसे-जैसे वह बड़ा होता जाता है।
यह शोध पत्र इस दिशा को खोजने का एक नया, स्मार्ट तरीका पेश करता है, जिसे फॉरवर्ड ग्रेडिएंट्स (Forward Gradients) कहा जाता है, और इस प्रक्रिया को प्रबंधित करने के लिए एक स्मार्ट कोच जिसे QUIVER कहा जाता है।
पुराना तरीका: "हर गली का मानचित्र बनाना" वाली समस्या
मानक विधि (जिसे पैरामीटर-शिफ्ट रूल कहा जाता है) एक सूक्ष्म सर्वेक्षक की तरह है। किसी विशिष्ट स्थान पर जमीन का ढलान जानने के लिए, उन्हें बाईं ओर चलना होगा, मापना होगा, दाईं ओर चलना होगा, मापना होगा, और ऐसा ही हर एक (1,000) नॉब के लिए दोहराना होगा।
- लागत: यदि आपके पास 1,000 नॉब्स हैं, तो आपको 2,000 अलग-अलग यात्राएं करनी होंगी। जैसे-जैसे रोबोट बढ़ता है, लागत भी रैखिक रूप से बढ़ती है। यह बहुत धीमा है।
नया तरीका: "कंपास" रणनीति (फॉरवर्ड ग्रेडिएंट्स)
लेखक एक अलग दृष्टिकोण प्रस्तावित करते हैं। हर एक गली की जांच करने के बजाय, कल्पना करें कि आप शहर के बीच में खड़े हैं और आप एक रैंडम दिशा में एक डार्ट (dart) फेंकते हैं। आप उस दिशा में कुछ कदम चलते हैं, ढलान की जांच करते हैं, और फिर एक अलग रैंडम दिशा में दूसरा डार्ट फेंकते हैं।
यदि आप ऐसा कुछ बार करते हैं (मान लीजिए 10 या 20 बार) और परिणामों का औसत निकालते हैं, तो आपको उस समग्र दिशा का एक आश्चर्यजनक रूप से अच्छा अनुमान मिल जाता है जहाँ आपको जाना चाहिए, बिना कभी भी हर एक गली में चले।
- जादू: आप चुन सकते हैं कि कितने रैंडम दिशाओं की जांच करनी है।
- यदि आप 1 दिशा की जांच करते हैं, तो यह पुराने "SPSA" तरीके जैसा है (तेज़ लेकिन थोड़ा शोर वाला/noisy)।
- यदि आप सभी 1,000 दिशाओं की जांच करते हैं, तो यह पुराने "पैरामीटर-शिफ्ट" तरीके जैसा है (परफेक्ट लेकिन धीमा)।
- नया तरीका आपको एक "गोल्डिलॉक्स" (Goldilocks) संख्या चुनने की अनुमति देता है (जैसे 20 दिशाएं)। यह 1,000 दिशाओं की जांच करने की तुलना में बहुत तेज़ है, लेकिन केवल 1 दिशा की जांच करने की तुलना में बहुत अधिक सटीक है।
स्मार्ट कोच: QUIVER
केवल रैंडम तरीके से डार्ट फेंकना पर्याप्त नहीं है; आपको यह जानने की आवश्यकता है कि कितने डार्ट फेंकने हैं और प्रत्येक एक को कितनी सावधानी से देखना है। यहीं QUIVER काम आता है।
QUIVER को रोबोट को प्रशिक्षित करते हुए देखते हुए एक स्मार्ट कोच के रूप में सोचें:
- प्रशिक्षण के शुरुआती चरण में: रोबोट समाधान से दूर है, और रास्ता अव्यवस्थित है। कोच कहता है, "आइए एक व्यापक समझ प्राप्त करने के लिए कई अलग-अलग दिशाओं को जल्दी से देखें।" (उच्च दिशाओं की संख्या, प्रति दिशा कम प्रयास)।
- प्रशिक्षण के बाद के चरण में: रोबोट समाधान के करीब है। कोच कहता है, "हमें अब उतनी अधिक दिशाओं को देखने की आवश्यकता नहीं है, लेकिन हम जिन दिशाओं को देखते हैं, उनके प्रति हमें बहुत सटीक होना होगा।" (कम दिशाएं, प्रति दिशा उच्च प्रयास)।
QUIVER शोर (noise) के आधार पर वास्तविक समय में इस संतुलन को स्वचालित रूप से समायोजित करता है, यह सुनिश्चित करता है कि रोबमाट बिना ऊर्जा बर्बाद किए कुशलतापूर्वक सीख सके।
इस शोध पत्र ने क्या पाया
लेखकों ने चार अलग-अलग प्रकार की समस्याओं पर इस विचार का परीक्षण किया:
- हृदय की लय (ECG डेटा) को वर्गीकृत करना।
- हाथ से लिखे अंकों (MNIST चित्र) को पहचानना।
- एक क्वांटम सिस्टम की निम्नतम ऊर्जा अवस्था (lowest energy state) खोजना (VQE)।
- ऑप्टिमाइज़ेशन पहेलियों (MaxCut) को हल करना।
परिणाम:
- गति: अपने नए तरीके का उपयोग करके, वे 60 क्यूबिट्स और 1,770 पैरामीटर्स वाले रोबोट को प्रशिक्षित कर सके।
- दक्षता: उन्होंने पुराने "धीमे" तरीके के समान सटीकता स्तर प्राप्त किया, लेकिन इसके लिए बहुत कम ऊर्जा (मेज़रमेंट शॉट्स) का उपयोग किया। कुछ मामलों में, वे कई गुना अधिक कुशल थे।
- तुलना: उनका तरीका अन्य लोकप्रिय "तेज़" तरीकों (जैसे SPSA और RCD) और यहाँ तक कि उन स्मार्ट "अनुकूली" (adaptive) तरीकों (iCANS/gCANS) को भी मात दे गया जो यह देखने के बारे में चतुर होने की कोशिश करते हैं कि वे कहाँ देखते हैं।
मुख्य निष्कर्ष
यह शोध पत्र यह दावा नहीं करता है कि इसने क्वांटम कंप्यूटिंग की हर समस्या को हल कर दिया है। इसके बजाय, यह एक नया, लचीला टूलकिट प्रदान करता है। यह एक कठोर, महंगी नियम पद्धति को एक ट्यून करने योग्य रणनीति से बदल देता है जिसे स्थिति के आधार पर ऊपर या नीचे सेट किया जा सकता है। यह साबित करता है कि सही रास्ता खोजने के लिए आपको हर एक पथ की जांच करने की आवश्यकता नहीं है; कभी-कभी, कुछ स्मार्ट, रैंडम पथों की जांच करना काम पूरा करने के लिए पर्याप्त होता है।
संक्षेप में: उन्होंने क्वांटम कंप्यूटरों को तेजी से सीखने का एक तरीका खोजने का एक तरीका खोजा है जो गणितीय रूप से सिद्ध कार्यप्रणाली पर आधारित है, जिससे बहुत अधिक समय और संसाधनों की बचत होती 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।