🤖 machine learning

QeHDC: Hyperdimensional Computing based on Quantum-enhanced binding and SuperClass Construction

यह शोध पत्र QeHDC का प्रस्ताव करता है, जो एक नवीन क्वांटम-संवर्धित हाइपरडायमेंशनल कंप्यूटिंग फ्रेमवर्क है जो मौजूदा शास्त्रीय और क्वांटम दृष्टिकोणों की तुलना में श्रेष्ठ वर्गीकरण प्रदर्शन, शोर रोधकता (नॉइज़ रोबस्टनेस) और कम्प्यूटेशनल दक्षता प्राप्त करने के लिए साइनुसोइडल और क्वांटम एन्कोडिंग के साथ वन-पास ट्रेनिंग, एक रेफरेंस-स्टेट-आधारित बाइंडिंग ऑपरेशन और डेंसिटी-मैट्रिक्स-आधारित सुपरक्लास जनरेशन रणनीति का उपयोग करता है।

मूल लेखक: Yangjie Xu, Hui Huang, Li Ning, Radu State

प्रकाशित 2026-06-23

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yangjie Xu, Hui Huang, Li Ning, Radu State

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 विशाल पुस्तकालय को व्यवस्थित करने की कोशिश कर रहे हैं जहाँ हर किताब को केवल कुछ कीवर्ड्स से नहीं, बल्कि एक अद्वितीय, चमकते हुए, 10,000-आयामी (dimensional) "फिंगरप्रिंट" द्वारा वर्णित किया गया है। यह हाइपरडायमेंशनल कंप्यूटिंग (HDC) का मूल विचार है। यह एक ऐसा तरीका है जिससे कंप्यूटर वैसे ही सोचते हैं जैसे मानव मस्तिष्क: वे अवधारणाओं (concepts) को दर्शाने के लिए विशाल, अव्यवस्थित, उच्च-आयामी वेक्टर्स का उपयोग करते हैं। यह इसलिए बेहतरीन है क्योंकि यह बहुत मजबूत है (यदि फिंगरप्रिंट का थोड़ा सा हिस्सा धुंधला भी हो जाए, तो भी आप किताब को पहचान सकते हैं) और तेज़ है।

हालाँकि, जैसे-जैसे पुस्तकालय बड़ा होता जाता है, इन विशाल फिंगरप्रिंट्स को प्रबंधित करना पारंपरिक कंप्यूटरों के लिए एक दुःस्वप्न बन जाता है। वे धीमे हो जाते हैं और उनकी मेमोरी खत्म होने लगती है।

यहाँ QeHDC के लेखक आते हैं, जो यह प्रस्तावित करते हैं कि हम पुस्तकालय के सॉर्टिंग सिस्टम को अपग्रेड करें। सोचिए कि यह पुस्तकालय के सॉर्टिंग सिस्टम को अपग्रेड करने जैसा है जिसमें क्वांटम मैकेनिक्स (बहुत सूक्ष्म स्तर की भौतिकी) का उपयोग करके फिंगरप्रिंट्स को छोटा, स्मार्ट और प्रोसेस करने में तेज़ बनाया गया है।

उन्होंने इसे कैसे किया, यहाँ सरल चरणों में दिया गया है:

1. "श्रिंक रे" (सिकुड़ने वाली किरण) एनकोडर (2-स्टेप हाइब्रिड एनकोडर)

पुराने तरीके में, 10,000-आयामी फिंगरप्रिंट प्राप्त करने के लिए आपको बहुत अधिक कंप्यूटर मेमोरी की आवश्यकता होती थी।

नया तरीका: लेखकों ने एक "श्रिंक रे" बनाई है। वे आपके डेटा को लेते हैं और पहले उसे एक मानक गणितीय ट्रिक (रैंडम प्रोजेक्शन) का उपयोग करके फैलाते हैं। फिर, वे एक विशेष क्वांटम "लेंस" (साइनुसोइडल एनकोडिंग) का उपयोग करके उस विशाल फिंगरप्रिंट को एक बहुत छोटे स्थान में सिकोड़ देते हैं जो केवल कुछ क्यूबिट्स (क्वांटम बिट्स) में समा सके।
उपमा: कल्पना कीजिए कि आप एक 100 पन्नों के उपन्यास को एक एकल, जटिल ओरिगामी क्रेन (origami crane) में कंप्रेस कर रहे हैं। वह क्रेन छोटी है, लेकिन यदि आप उसे सही तरीके से खोलें, तो उसमें अभी भी पूरी कहानी समाहित है। यह भारी मात्रा में जगह बचाता है।

2. "क्वांटम ग्लू" (रेफरेंस-स्टेट-बेस्ड बाइंडिंग)

पुस्तकालय में, आपको अक्सर दो चीजों को एक साथ जोड़ने की आवश्यकता होती है, जैसे कि एक "किताब" और उसका "लेखक"। सामान्य कंप्यूटिंग में, यह करने के लिए आप संख्याओं को गुणा करते हैं, जो धीमा है।

नया तरीका: लेखकों ने क्वांटम सर्किट्स का उपयोग करके चीजों को जोड़ने का एक नया तरीका आविष्कार किया है। केवल संख्याओं को गुणा करने के बजाय, वे एक "रेफरेंस स्टेट" (एक विशेष, पूर्व-निर्मित एंकर) और क्वांटम गेट्स के एक सेट (कणों के एक विशिष्ट नृत्य की तरह) का उपयोग करके डेटा को आपस में चिपकाते हैं।
उपमा: कल्पना कीजिए कि आपके पास दो पहेली के टुकड़े (puzzle pieces) हैं। उन्हें केवल शारीरिक बल से जोड़ने की कोशिश करने के बजाय (जो उन्हें तोड़ सकता है), आप एक विशेष चुंबकीय गोंद (रेफरेंस स्टेट) का उपयोग करते हैं जो उन्हें तुरंत और पूरी तरह से एक साथ जोड़ देता है। यह "गोंद" पुराने तरीकों की तुलना में बहुत अधिक कुशल है।

3. "मास्टर ब्लूप्रिंट" (सुपरक्लास कंस्ट्रक्शन)

एक बार जब आप एक विशिष्ट श्रेणी (जैसे, सभी "साइंस फिक्शन") के लिए सभी "किताबों" को एक साथ जोड़ लेते हैं, तो आपको उन्हें एक "मास्टर ब्लूप्रिंट" में सारांशित करने के तरीके की आवश्यकता होती है ताकि कंप्यूटर जान सके कि साइंस फिक्शन कैसा दिखता है।

नया तरीका: वे डेंसिटी मैट्रिक्स नामक एक गणितीय उपकरण का उपयोग करते हैं। इसे एक साथ सभी साइंस फिक्शन किताबों की फोटो लेने जैसा समझें, जिसमें उन्हें थोड़ा धुंधला किया जाता है ताकि उनके सामान्य "कोर" फीचर्स को पाया जा सके, और फिर सबसे महत्वपूर्ण फीचर्स को चुनकर एक एकल, पूर्ण "सुपरक्लास" टेम्पलेट बनाया जाता है।
उपमा: यदि आप 100 लोगों से एक "कुत्ता" बनाने के लिए कहा, तो आपको 100 अलग-अलग चित्र मिलेंगे। लेखकों की विधि उन 100 चित्रों को लेती है, उनकी सामान्य रेखाओं (कान, पूंछ, थूथन) को ढूंढती है, और पूरे समूह का प्रतिनिधित्व करने वाला एक पूर्ण "आदर्श कुत्ता" चित्र बनाती है।

4. "वन-पास" लर्निंग

पारंपरिक AI (जैसे डीप लर्निंग) एक ऐसे छात्र की तरह है जिसे एक पाठ्यपुस्तक पढ़नी होती है, परीक्षा देनी होती है, फेल होना होता है, फिर से पढ़ना होता है और यह प्रक्रिया हजारों बार दोहरानी होती है।

नया तरीका: QeHDC एक प्रतिभाशाली छात्र की तरह है जो किताब को एक ही बार में पढ़ता है, मूल पैटर्न को तुरंत समझ लेता है, और परीक्षा देने के लिए तैयार रहता है।
लाभ: यह अविश्वसनीय रूप से तेज़ है और इसके लिए भारी कंप्यूटिंग पावर की आवश्यकता नहीं होती है।

5. वास्तविक दुनिया का परीक्षण

लेखकों ने इसे केवल कागज़ पर नहीं किया। उन्होंने इसे दो तरीकों से परखा:

परफेक्ट सिम्युलेटर: उन्होंने इसे एक सुपर-सटीक कंप्यूटर सिमुलेशन (Qiskit Aer) पर चलाया जहाँ कोई शोर (noise) या त्रुटि नहीं है।
वास्तविक मशीन: उन्होंने एक वास्तविक क्वांटम कंप्यूटर (IBM QPU) पर इसका एक छोटा संस्करण चलाया जो आज अस्तित्व में है। ये मशीनें "शोर भरी" (गलतियों के प्रति संवेदनशील) होती हैं, जैसे कि हवा भरे तूफान में किताब पढ़ने की कोशिश करना।

परिणाम: वास्तविक हार्डवेयर के "तूफान" के बावजूद, उनका तरीका आश्चर्यजनक रूप से अच्छा काम करता है। इसने उच्च सटीकता के साथ पैटर्न को पहचाना, जिससे यह साबित हुआ कि यह क्वांटम दृष्टिकोण केवल एक सिद्धांत नहीं है—यह वास्तव में काम करता है और वर्तमान तकनीक पर चलता है।

सारांश

पेपर का दावा है कि डेटा को कंप्रेस करने, अवधारणाओं को जोड़ने और श्रेणियों के लिए "मास्टर ब्लूप्रिंट" बनाने के लिए क्वांटम मैकेनिक्स का उपयोग करके, उन्होंने एक नए प्रकार का कंप्यूटर मस्तिष्क बनाया है। यह मस्तिष्क पारंपरिक तरीकों की तुलना में तेज़ है, कम मेमोरी का उपयोग करता है, और अधिक मजबूत (त्रुटियों के प्रति कठिन) है, भले ही यह आज के छोटे, अपूर्ण क्वांटम कंप्यूटरों पर चल रहा हो। उन्होंने मानक डेटासेट्स (जैसे हस्तलिखित नंबरों और बोले गए अक्षरों को पहचानना) पर इसका परीक्षण किया और पाया कि यह सर्वोत्तम पारंपरिक तरीकों को मात देता है या उनके बराबर है।

तकनीकी सारांश: QeHDC – क्वांटम-एन्हांस्ड हाइपरडायमेंशनल कंप्यूटिंग

समस्या विवरण
हाइपरडायमेंशनल कंप्यूटिंग (HDC) एक सुदृढ़, शोर-सहिष्णु (noise-tolerant) कम्प्यूटेशनल प्रतिमान है जो सूचना प्रतिनिधित्व और प्रसंस्करण के लिए उच्च-आयामी वैक्टर्स (आमतौर पर >10,000 आयाम) का उपयोग करता है। हालांकि यह प्रभावी है, लेकिन शास्त्रीय HDC को डेटा के पैमाने और आयामीता बढ़ने के साथ भंडारण और कम्प्यूटेशनल जटिलता के संबंध में महत्वपूर्ण बाधाओं का सामना करना पड़ता है। पारंपरिक बाइंडिंग ऑपरेशन्स (जैसे कि सर्कुलर कन्वोल्यूशन) अक्सर $O(N^2)$ जटिलता की आवश्यकता रखते हैं, और उच्च-आयामी वैक्टर्स के प्रतिनिधित्व के लिए पर्याप्त मेमोरी की आवश्यकता होती है। लेखक तर्क देते हैं कि क्वांटम यांत्रिक गुणों—विशेष रूप से सुपरपोजिशन, एंटैंगलमेंट और ब्लॉच स्फीयर (Bloch sphere) के ज्यामितीय गुणों—का लाभ उठाकर, ये वास्तुशिल्प सीमाओं को तोड़ सकते हैं, जिससे घातीय आयामी संपीड़न (exponential dimensional compression) और अधिक कुशल फीचर इंटरैक्शन संभव हो सके।

कार्यप्रणाली: QeHDC फ्रेमवर्क
प्रस्तावित क्वांटम-एन्हांस्ड हाइपरडायमेंशनल कंप्यूटिंग (QeHDC) फ्रेमवर्क चार मुख्य मॉड्यूल के माध्यम से शास्त्रीय डेटा प्रोसेसिंग को क्वांटम सर्किट ऑपरेशन्स के साथ एकीकृत करता है:

2-स्टेप हाइब्रिड एनकोडर:
- शास्त्रीय रूपांतरण (Classical Transformation): इनपुट वेक्टर्स $X \in \mathbb{R}^d$ को एक रैंडम वेट मैट्रिक्स और बायस टर्म का उपयोग करके लक्ष्य आयाम $n = 2^N$ (जहाँ $N$ क्वबिट्स की संख्या है) में प्रोजेक्ट किया जाता है।
- क्वांटम एनकोडिंग: प्रोजेक्ट किए गए मानों को एक "क्रॉस-मल्टीप्लिकेटिव" साइनुसोइडल ट्रांसफॉर्मेशन ( $\Phi_{re} = \cos(Z')\sin(Z)$ , $\Phi_{im} = \sin(Z')\cos(Z)$ ) का उपयोग करके कॉम्प्लेक्स-वैल्यूड क्वांटम अवस्थाओं में मैप किया जाता है। यह सुनिश्चित करता है कि कॉम्प्लेक्स स्पेस में एक समान फेज एंगल वितरण हो, जिसे फिर प्रारंभिक क्वांटम अवस्था $|\Psi\rangle$ बनाने के लिए नॉर्मलाइज किया जाता है। यह चरण स्पष्ट रूप से डेटा प्रतिनिधित्व के आयाम को शास्त्रीय उच्च-आयामी से क्वबिट्स की एक लॉगरिदमिक संख्या तक कम कर देता है।
रेफरेंस-स्टेट-आधारित क्वांटम बाइंडिंग:
- शास्त्रीय बाइंडिंग से जुड़े घातीय क्वबिट विकास से बचने के लिए, लेखक एक संपीड़ित बाइंडिंग ऑपरेशन पेश करते हैं।
- एक इनपुट अवस्था $|\Phi_{in}\rangle$ को एक पूर्व-निर्धारित रेफरेंस अवस्था $|\Phi_{ref}\rangle$ के साथ एक विशिष्ट क्वांटम सर्किट का उपयोग करके बाउंड किया जाता है।
- यह सर्किट दो रजिस्टरों के बीच पत्राचार करने वाले क्वबिट्स के बीच $\pi/4$ के रोटेशन एंगल के साथ कंट्रोल्ड-RX (CRX) गेट्स का उपयोग करता है, जिसके बाद रेफरेंस रजिस्टर के भीतर सिंगल-क्वबिट RY रोटेशन्स और चेन एंटैंगलमेंट (CX गेट्स) का उपयोग किया जाता है। यह एक अत्यधिक एंटैंगल्ड, संपीड़ित क्वांटम प्रतिनिधित्व $|\Psi_{comp}\rangle$ बनाता है।
डेंसिटी-मैट्रिक्स-आधारित सुपरक्लास जनरेशन:
- वैक्टर्स का औसत निकालने के बजाय, फ्रेमवर्क प्रत्येक क्लास $c$ के लिए एक "सुपरक्लास" टेम्पलेट का निर्माण करता है, जो उस क्लास के सभी बाउंड सैंपल स्टेट्स के डेंसिटी मैट्रिसेस को एकत्रित करता है: $\rho_c = \frac{1}{m} \sum |\Psi_i\rangle\langle\Psi_i|$ ।
- $\rho_c$ पर आइजनवैल्यू डिकम्पोजिशन (eigenvalue decomposition) किया जाता है। सबसे बड़े आइजनवैल्यू ( $\lambda_{max}$ ) के अनुरूप आइजनवेक्टर को प्रतिनिधि सुपरक्लास टेम्पलेट $|\Phi_{template}\rangle$ के रूप में चुना जाता है। यह रणनीति महत्वपूर्ण सांख्यिकीय विशेषताओं को निकालती है और मजबूती (robustness) को बढ़ाती है।
सिंगल-पास ट्रेनिंग और क्लासिफिकेशन:
- मॉडल एक सिंगल-पास ट्रेनिंग मैकेनिज्म का उपयोग करता है, जिसमें सुपरक्लास टेम्पलेट्स के निर्माण के लिए केवल एक डेटा ट्रावर्सल की आवश्यकता होती है, जिससे पुनरावृत्त बैकप्रोपैगेशन (iterative backpropagation) से बचा जा जाता है।
- वर्गीकरण (Classification): एक टेस्ट सैंपल के लिए, समान एनकोडिंग और बाइंडिंग प्रक्रिया को लागू किया जाता है। क्लास लेबल की भविष्यवाणी टेस्ट बाउंड स्टेट और प्रत्येक पूर्व-निर्धारित सुपरक्लास टेम्पलेट के बीच क्वांटम स्टेट फिडेलिटी (fidelity) की गणना करके की जाती है। उच्चतम फिडेलिटी वाले क्लास का चयन किया जाता है।
- निष्पादन (Execution): फ्रेमवर्क को आदर्श शोर-मुक्त सिम्युलेटर (Qiskit Aer) और वास्तविक हार्डवेयर (IBM QPU) दोनों पर मान्य किया गया है, जहाँ फिडेलिटी गणना के लिए क्वांटम स्टेट टोमोग्राफी का उपयोग करके डेंसिटी मैट्रिसेस का पुनर्निर्माण किया जाता है।

प्रमुख योगदान

डायमेंशनल कंप्रेशन: यह प्रदर्शित करता है कि क्वांटम अवस्थाएं पारंपरिक उच्च-आयामी वेक्टर स्पेस को केवल $\log_2 N$ क्वबिट्स का उपयोग करके प्रदर्शित कर सकती हैं, जिससे संसाधन ओवरहेड काफी कम हो जाता है।
नया बाइंडिंग मैकेनिज्म: कंट्रोल्ड रोटेशन और एंटैंगलमेंट गेट्स का उपयोग करके एक 'रेफरेंस-स्टेट-आधारित क्वांटम बाइंडिंग' ऑपरेशन पेश करता है, जो घातीय क्वबिट लागत के बिना कुशल डेटा एसोसिएशन प्राप्त करता है।
सुपरक्लास निर्माण: एक डेंसिटी-मैट्रिक्स-आधारित सुपरक्लास जनरेशन रणनीति प्रस्तावित करता है जो मजबूत, प्रतिनिधि क्लास टेम्पलेट्स बनाने के लिए आइजनवैल्यू डिकम्पोजिशन का उपयोग करता है, जिससे सामान्यीकरण (generalization) में सुधार होता है।
क्रॉस-प्लेटफॉर्म वेरिफिकेशन: एक पूर्ण प्रयोगात्मक सत्यापन प्रणाली प्रदान करता है जो एल्गोरिदम को उच्च-फिडेलिटी सिम्युलेटर और भौतिक IBM क्वांटम प्रोसेसर दोनों पर मान्य करती है, जो NISQ युग में इसकी व्यवहार्यता को प्रदर्शित करती है।

प्रयोगात्मक परिणाम
लेखकों ने तीन बेंचमार्क डेटासेट्स पर QeHDC का मूल्यांकन किया: ISOLET (स्पीच), MNIST (हस्तलिखित अंक), और UCI HAR (ह्यूमन एक्टिविटी रिकग्निशन)।

प्रदर्शन: बाइनरी क्लासिफिकेशन कार्यों में, QeHDC ने निम्न आयामों (16D, 32D, 64D), जो कि 4, 5 और 6 क्वबिट्स के अनुरूप हैं, तक सीमित होने के बावजूद शास्त्रीय HDC बेसलाइन्स (VanillaHD, AdaptHD, SparseHD, आदि) की तुलना में बेहतर सटीकता प्राप्त की।
- ISOLET (64D/6 क्वबिट्स) पर, QeHDC ने 98.97% सटीकता प्राप्त की।
- MNIST (64D/6 क्वबिट्स) पर, इसने 99.97% सटीकता प्राप्त की।
- UCI HAR (64D/6 क्वबिट्स) पर, इसने 92.04% सटीकता प्राप्त की।
मजबूती (Robustness): पद्धति ने क्लास की संख्या बढ़ने (10 क्लास तक) के बावजूद उच्च प्रदर्शन बनाए रखा, और कई शास्त्रीय बेसलाइन्स को पीछे छोड़ दिया जो निम्न-आयामी सेटिंग्स में सटीकता में गिरावट का शिकार हुए।
हार्डवेयर व्यवहार्यता: IBM QPUs (छोटे बैचों का उपयोग करके) पर प्रयोगों ने दिखाया कि हार्डवेयर शोर के बावजूद, पुनर्निर्मित क्वांटम अवस्थाएं वर्गीकरण के लिए पर्याप्त संरचना बनाए रखती हैं, जहाँ आदर्श अवस्थाओं के साथ फिडेलिटी उच्च बनी रहती है (जैसे, UCI HAR के लिए QPU पर 0.87 फिडेलिटी बनाम Aer पर 0.98)।

महत्व और दावे
पेपर दावा करता है कि QeHDC पारंपरिक HDC की दक्षता और स्टोरेज बाधाओं को दूर करने के लिए एक व्यावहारिक समाधान प्रदान करता है। क्वांटम गुणों का लाभ उठाकर, फ्रेमवर्क निम्न-आयामी स्थानों में प्रभावी वर्गीकरण को सक्षम बनाता है जो वर्तमान NISQ हार्डवेयर के अनुकूल है। लेखक इस बात पर जोर देते हैं कि उनका दृष्टिकोण मशीन लर्निंग के लिए क्वांटम कंप्यूटिंग को लागू करने के लिए एक "व्यवहार्य समाधान" प्रदान करता है, यह प्रदर्शित करते हुए कि क्वांटम-एन्हांस्ड बाइंडिंग और डेंसिटी-मैट्रिक्स-आधारित एब्स्ट्रैक्शन, व्यापक प्रशिक्षण पुनरावृत्तियों के बिना मजबूत, शोर-प्रतिरोधी वर्गीकरण दे सकते हैं। यह कार्य एक "क्वांटम-प्रेरित कम्प्यूटेशनल प्रतिमानों" की ओर एक कदम के रूप में प्रस्तुत किया गया है जो शास्त्रीय संज्ञानात्मक आर्किटेक्चर और उभरते क्वांटम हार्डवेयर के बीच के अंतर को पाटते हैं।