🤖 machine learning

Image classification via a quantum-inspired strategy involving a mixture of experts

यह शोध पत्र एक हाइब्रिड क्लासिकल-क्वांटम इमेज क्लासिफिकेशन फ्रेमवर्क प्रस्तावित करता है जो क्वांटम-प्रेरित एम्प्लीट्यूड एनकोडिंग, लोकल यूनिटरी कन्वोल्यूशन और स्टेबलाइजर कोड फीचर एक्सट्रैक्शन के मिश्रण का उपयोग करता है ताकि व्यक्तिगत विशेषज्ञों की तुलना में MNIST और Fashion-MNIST बेंचमार्क पर काफी कम विफलता दर प्राप्त की जा सके, जबकि GPU वर्कस्टेशन पर मध्यम कम्प्यूटेशनल ओवरहेड को बनाए रखा जा सके।

मूल लेखक: Kumari Jyoti, Rohith Babu, Apoorva D. Patel

प्रकाशित 2026-07-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kumari Jyoti, Rohith Babu, Apoorva D. Patel

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 कंप्यूटर को हाथ से लिखे नंबरों या अलग-अलग प्रकार के कपड़ों की तस्वीरें पहचानना सिखाने की कोशिश कर रहे हैं। आमतौर पर, कंप्यूटर यह काम छवियों को थोड़ा सिकोड़कर, उन्हें थोड़ा धुंधला करके बड़े आकार देखने के लिए और फिर उन्हें छोटे-छोटे टुकड़ों में काटकर करते हैं जब तक कि वे अनुमान न लगा सकें कि वह क्या है। यह दूर से एक मोज़ेक (mosaic) को देखने जैसा है: आप सूक्ष्म विवरण खो देते हैं, लेकिन आप बता सकते हैं कि वह एक चेहरा है या एक कार।

लेकिन क्या होगा अगर हम इसे एक "क्वांटम-प्रेरित" (quantum-inspired) सुपरपावर के साथ कर सकें? यह बिल्कुल वही है जो भारतीय विज्ञान संस्थान के ज्योति, बाबू और पटेल खोज रहे हैं। उन्होंने इसके लिए कोई वास्तविक क्वांटम कंप्यूटर नहीं बनाया; इसके बजाय, उन्होंने शक्तिशाली ग्राफिक्स कार्ड (GPUs) पर एक चतुर सिमुलेशन बनाया जो एक क्वांटम मशीन की तरह कार्य करता है। उनका लक्ष्य? यह देखना कि क्या विशेषज्ञों की एक टीम मिलकर एक तस्वीर के बारे में अकेले विशेषज्ञ या एक मानक कंप्यूटर की तुलना में बेहतर अनुमान लगा सकती है।

क्वांटम जादू का कमाल: बिना जानकारी खोए धुंधला करना

पुराने तरीके में, जब एक कंप्यूटर पैटर्न खोजने के लिए किसी छवि को धुंधला करता है, तो यह ब्रेड पर मक्खन लगाने जैसा होता है: एक बार जब आप इसे फैला देते हैं, तो आप मूल बनावट वापस नहीं पा सकते। आप जानकारी खो देते हैं। लेखक इसे "लॉसी" (lossy) कहते हैं।

उनकी नई रणनीति एक "यूनिटरी स्मियरिंग" (unitary smearing) ट्रिक का उपयोग करती है। कल्पना कीजिए कि मक्खन फैलाने के बजाय, आपके पास एक जादुई, प्रतिवर्ती (reversible) नृत्य है। पिक्सेल (छवि के छोटे बिंदु) अपनी जगह बदलते हैं और अपने रंगों को एक पूरी तरह से समन्वित दिनचर्या में मिलाते हैं। कुछ भी फेंका नहीं जाता; सब कुछ बस पुनर्व्यवस्थित किया जाता है। यह "क्वांटम" वाला हिस्सा है। वे छवि को अवस्थाओं के सुपरपोजिशन (superposition of states) में बदल देते हैं (इसे एक ऐसी स्थिति के रूप में सोचें जहाँ छवि एक साथ कई थोड़े अलग संस्करणों में मौजूद है) और इन संस्करणों को इस तरह से मिश्रित होने देते हैं कि हर एक बिट की जानकारी सुरक्षित रहती है।

विशेषज्ञों का मिश्रण: जासूसों की एक टीम

यहाँ "मिक्सचर ऑफ एक्सपर्ट्स" (Mixture of Experts) आता है। कल्पना कीजिए कि एक कमरे में जासूसों की एक भीड़ है जो एक धुंधली फोटो से संदिग्ध की पहचान करने की कोशिश कर रहे हैं।

पुराना तरीका (स्वतंत्र विशेषज्ञ): प्रत्येक जासूस अपनी आंखों के चश्मे (अलग-अलग सेटिंग्स) के साथ फोटो को देखता है और एक अनुमान लगाता है। फिर, आप वोट लेते हैं। यदि 10 जासूस कहते हैं "यह एक बिल्ली है" और 2 कहते हैं "यह एक कुत्ता है," तो आप "बिल्ली" के साथ जाते हैं।
नया तरीका (संयुक्त विशेषज्ञ): अलग-अलग वोट करने के बजाय, सभी जासूस एक बड़ी मेज पर बैठते हैं। वे अपने सभी प्रेक्षणों (observations) को एक साथ जोड़ते हैं और एक एकल, संयुक्त निर्णय लेते हैं।

पेपर में पाया गया कि संयुक्त विशेषज्ञों (Joint Experts) की टीम स्पष्ट विजेता थी। जब जासूसों ने मिलकर काम किया, डेटा साझा किया और एक साथ निर्णय लिया, तो उन्होंने अकेले काम करने और अंत में केवल वोट देने की तुलना में बहुत अधिक बार सही अनुमान लगाया।

परिणाम: स्मार्ट अनुमान, कम गलतियाँ

टीम ने दो प्रसिद्ध डेटासेट पर इसका परीक्षण किया:

MNIST: हाथ से लिखे अंक (0 से 9 तक)।
Fashion-MNIST: कपड़ों की वस्तुओं जैसे शर्ट, पैंट और बूट की तस्वीरें।

उन्होंने अपने "क्वांटम-प्रेरित" सिमुलेशन को NVIDIA H200 GPU पर चलाया। यहाँ क्या हुआ:

हाथ से लिखे नंबरों के लिए (MNIST): मानक कंप्यूटर विधि (क्लासिकल डिफ्यूजन) ने लगभग 95.02% उत्तर सही दिए। नई "संयुक्त विशेषज्ञ" क्वांटम रणनीति ने 97.63% सही प्राप्त किए। यह बहुत बड़ा उछाल नहीं लग सकता है, लेकिन मशीन लर्निंग की दुनिया में, यह एक विशाल सुधार है। इसका मतलब है कि विफलता दर (गलत होना) आधे से अधिक कम हो गई।
कपड़ों के लिए (Fashion-MNIST): यह कठिन परीक्षण था क्योंकि शर्ट और स्वेटर बहुत समान दिख सकते हैं। मानक विधि ने लगभग 76.80% सही प्राप्त किया। नई रणनीति 86.20% तक पहुँच गई। फिर से, उन्होंने विफलता दर को लगभग दो गुना कम कर दिया।

लेखक बताते हैं कि हालांकि इस नए तरीके को चलाने में थोड़ा अधिक समय लगता है (पुरानी विधि के 1.3 सेकंड प्रति राउंड के मुकाबले प्रशिक्षण के एक दौर के लिए लगभग 3 से 4 सेकंड), लेकिन यह ट्रेड-ऑफ सार्थक है क्योंकि कंप्यूटर बहुत कम गलतियाँ करता है।

उन्होंने क्या नहीं किया (और उन्होंने क्या खारिज किया)

यह जानना महत्वपूर्ण है कि यह पेपर क्या नहीं कह रहा है।

अभी वास्तविक क्वांटम कंप्यूटर नहीं: लेखकों ने स्पष्ट रूप से कहा है कि उन्होंने इसे किसी भौतिक क्वांटम प्रोसेसर पर नहीं चलाया। उन्होंने एक क्लासिकल कंप्यूटर पर क्वांटम व्यवहार का सिमुलेशन किया। वे परिशिष्ट (appendix) में यह भी सुझाव देते हैं कि इसे एक वास्तविक क्वांटम चिप पर कैसे किया जा सकता है, लेकिन यहाँ प्रस्तुत परिणाम एक सिमुलेशन से हैं।
हर चीज़ के लिए जादुई समाधान नहीं: यह तरीका इन विशिष्ट प्रकार की छवियों के लिए बहुत अच्छा काम करता है। लेखक नोट करते हैं कि कपड़ों के डेटासेट के लिए, सिस्टम अभी भी उन वस्तुओं के साथ संघर्ष करता है जो बहुत समान दिखती हैं, जैसे कि "शर्ट" बनाम "पुलओवर"। यदि आकार बहुत समान हैं, तो सिस्टम अभी भी भ्रमित हो जाता है। उन्होंने यह दावा नहीं किया कि उन्होंने ब्रह्मांड की हर छवि समस्या को हल कर दिया है।
स्वतंत्र विशेषज्ञ कमजोर हैं: पेपर स्पष्ट रूप से इस विचार के विरुद्ध तर्क देता है कि यदि विशेषज्ञ आपस में बात नहीं करते हैं, तो बहुत सारे विशेषज्ञों का होना पर्याप्त नहीं है। "स्वतंत्र विशेषज्ञ" दृष्टिकोण (जहाँ वे केवल वोट करते हैं) "संयुक्त" दृष्टिकोण की तुलना में काफी खराब प्रदर्शन करता है। असली जादू संयुक्त प्रसंस्करण में है, न कि केवल एक बड़ी टीम होने में।

निचोड़

यह पेपर बताता है कि क्वांटम भौतिकी के विचारों को उधार लेकर—जैसे कि प्रतिवर्ती मिश्रण (reversible mixing) और त्रुटि-सुधार कोड (error-correcting codes)—और उन्हें एआई विशेषज्ञों की एक टीम के साथ जोड़कर जो उनके निष्कर्ष साझा करते हैं, हम ऐसे इमेज क्लासिफायर बना सकते हैं जो वर्तमान मानक तरीकों की तुलना में काफी अधिक सटीक हैं।

उन्होंने दिखाया कि उनके सिम्युलेटेड सेटअप पर, यह "क्वांटम मिक्सचर ऑफ एक्सपर्ट्स" रणनीति मौजूदा क्लासिकल विधियों की तुलना में तस्वीर को गलत पहचानने की संभावना को लगभग आधा कर देती है। यह एक आशाजनक, व्यावहारिक विकल्प है जो आज के हार्डवेयर पर चलता है, जो इस बात की झलक देता है कि भविष्य के क्वांटम-प्रेरित उपकरण हमें दुनिया को एक समय में एक पिक्सेल करके अधिक स्पष्ट रूप से देखने में कैसे मदद कर सकते हैं।

तकनीकी सारांश: क्वांटम-प्रेरित विशेषज्ञों का मिश्रण (Mixture of Experts) के माध्यम से छवि वर्गीकरण

समस्या विवरण
भौतिक इमेज प्रोसेसिंग में पैटर्न पहचान के लिए अक्सर विशाल डेटासेट से प्रासंगिक विशेषताओं (features) को निकालने की आवश्यकता होती है जहाँ स्टोरेज और प्रोसेसिंग समय सीमित होता है। मानक कनवल्शनल न्यूरल नेटवर्क (CNNs) इसे डिफ्यूजन-आधारित स्मियरिंग (diffusion-based smearing) और ब्लॉक-वाइज पूलिंग के माध्यम से डेटा को डाउनसैंपल करके हल करते हैं। हालाँकि, ये शास्त्रीय तंत्र स्वाभाविक रूप से 'लॉसी' (lossy) होते हैं; वे कम्प्यूटेशनल जटिलता को कम करने के लिए सूक्ष्म संरचनात्मक विवरणों को नष्ट कर देते हैं। जबकि क्वांटम एल्गोरिदम संभावित दक्षता लाभ प्रदान करते हैं, महत्वपूर्ण लाभ आमतौर पर वास्तविक क्वांटम डेटा इनपुट की आवश्यकता रखते हैं। यह कार्य एक हाइब्रिड क्लासिकल-क्वांटम फ्रेमवर्क प्रस्तावित करके फीचर एक्सट्रैक्शन और वर्गीकरण दक्षता में सुधार करने की चुनौती को संबोधित करता है, जो डाउनसैंपलिंग प्रक्रिया के दौरान सूचना के नुकसान को न्यूनतम करता है।

कार्यप्रणाली (Methodology)
लेखक एक क्वांटम मिक्सचर ऑफ एक्सपर्ट्स (QMoE) फ्रेमवर्क प्रस्तावित करते हैं, जिसे एक हाइब्रिड सिस्टम के रूप में लागू किया गया है जहाँ क्वांटम-प्रेरित सबरूटीन एक मानक CNN के विशिष्ट घटकों को प्रतिस्थापित करते हैं, जिसके बाद अंतिम वर्गीकरण के लिए एक क्लासिकल फुली कनेक्टेड न्यूरल नेटवर्क (FCL) का उपयोग किया जाता है। कार्यप्रणाली में पांच प्रमुख चरण शामिल हैं:

स्टेट एनकोडिंग (State Encoding):
- इनपुट छवियों (MNIST और Fashion-MNIST, मूल रूप से 28×28) को 32×32 तक पैड किया जाता है और बाइनरी मानों ( $c_{x,y} = \pm 1$ ) के लिए थ्रेशोल्ड किया जाता है।
- छवियों को एम्प्लीट्यूड एनकोडिंग (amplitude encoding) का उपयोग करके 10-क्यूबिट क्वांटम अवस्थाओं में एम्बेड किया जाता है: $|\psi\rangle = \frac{1}{32} \sum c_{x,y} |x, y\rangle$ । यह स्थानिक संसाधन आवश्यकता को तेजी से (exponentially) कम करता है, जिससे बाद के ऑपरेशन्स कच्चे पिक्सेल के बजाय एनकोडेड स्टेट पर कार्य कर सकते हैं।
कनवल्शनल स्मियरिंग (Unitary बनाम Diffusion):
- क्लासिकल बेसलाइन: पुनरावृत्त डिफ्यूजन के लिए एक डिस्क्रीट लैपलेसियन ऑपरेटर का उपयोग करती है: $X^{t+1}_{i,j} = (1-\alpha)X^t_{i,j} + \frac{\alpha}{4}\sum X^t_{neighbors}$ । यह एक 'लॉसी' प्रक्रिया है।
- क्वांटम रणनीति: डिफ्यूजन को नॉन-लॉसी यूनिटरी स्मियरिंग (non-lossy unitary smearing) से बदल देती है। इमेज ग्रिड को सम (even) और विषम (odd) उपसमूहों (चेकरबोर्ड पैटर्न) में विभाजित किया जाता है। स्थानीय यूनिटरी ऑपरेटर्स ( $U_o, U_e$ ) पाउली मैट्रिसेस से प्राप्त हैमिल्टोनियन ब्लॉक्स का उपयोग करके एलिमेंट्री स्क्वेयर्स के कोनों पर एम्प्लिट्यूड को मिलाते हैं। इस मिक्सिंग को एक पैरामीटर $s = \sin \theta$ द्वारा नियंत्रित किया जाता है, जिसे प्रशिक्षण के दौरान अनुकूलित (optimize) किया जाता है।
मिक्सचर ऑफ एक्सपर्ट्स (MoE):
- कई "विशेषज्ञों" (experts) को यूनिटरी स्मियरिंग में उपयोग किए गए विशिष्ट पैरामीटर मानों ( $\theta_i$ ) द्वारा परिभाषित किया गया है।
- स्वतंत्र रणनीति (Independent Strategy): प्रत्येक विशेषज्ञ छवि को प्रोसेस करता है, और भविष्यवाणियों को बहुमत मत (majority vote) के माध्यम से संयोजित किया जाता है।
- संयुक्त रणनीति (Joint Strategy): सभी विशेषज्ञों द्वारा निकाली गई विशेषताओं को क्लासिफायर द्वारा संसाधित करने के लिए संयोजित (concatenate) किया जाता है। पेपर इस संयुक्त दृष्टिकोण पर जोर देता है।
ब्लॉक-वाइज पूलिंग (Stabilizer Codes):
- क्लासिकल बेसलाइन: 3×3 विंडोज़ के भारित औसत (weighted averaging) द्वारा इमेज रिज़ॉल्यूशन को कम करती है (32×32 $\to$ 16×16 $\to$ 8×8 $\to$ 4×4)।
- क्वांटम रणनीति: [[5,1,3]] परफेक्ट नॉन-डिजेनरेट स्टेबलाइजर कोड का उपयोग करती है। चूंकि पिक्सेल निर्देशांक को प्रति अक्ष 5 क्यूबिट में एनकोड किया गया है, कोड सिंड्रोम (कम्यूटिंग जनरेटर के एक्सपेक्टेशन वैल्यू) निकालता है ताकि प्रति अक्ष 16 विशिष्ट विशेषताएं प्राप्त की जा सकें। यह अपरिवर्तनीय डाउनसैंपलिंग को एक नियत (deterministic) सिंड्रोम एक्सट्रैक्शन से बदल देता है जो विशिष्ट संरचनात्मक जानकारी को सुरक्षित रखता है।
वर्गीकरण (Classification):
- निकाली गई विशेषताओं (प्रति विशेषज्ञ प्रति लेयर 16 विशेषताएं) को एक मानक फुली कनेक्टेड न्यूरल नेटवर्क (FCL) में फीड किया जाता है जिसका आर्किटेक्चर फनल (512 $\to$ 256 $\to$ 128 $\to$ 10) जैसा है।
- सिस्टम को PyTorch का उपयोग करके GPU वर्कस्टेशन पर CrossEntropyLoss (लेबल स्मूथिंग सहित) के साथ Adam ऑप्टिमाइज़र का उपयोग करके प्रशिक्षित किया जाता है।

प्रमुख योगदान (Key Contributions)

हाइब्रिड फ्रेमवर्क: पेपर एक विशिष्ट आर्किटेक्चर पेश करता है जहाँ क्लासिकल डिफ्यूजन को यूनिटरी कन्वोल्यूशन द्वारा और क्लासिकल पूलिंग को क्वांटम स्टेबलाइजर कोड सिंड्रोम एक्सट्रैक्शन द्वारा प्रतिस्थापित किया जाता है।
मिक्सचर ऑफ एक्सपर्ट्स: यह प्रदर्शित करता है कि संयुक्त निर्णय लेने की प्रक्रिया (प्रत्येक विशेषज्ञ द्वारा अलग-अलग स्मियरिंग पैरामीटर का उपयोग करते हुए) स्वतंत्र विशेषज्ञ मतदान और एकल-विशेषज्ञ क्लासिकल बेसलाइन दोनों की तुलना में काफी बेहतर प्रदर्शन करती है।
कुशल विशेषता निष्कर्षण (Efficient Feature Extraction): एम्प्लीट्यूड एनकोडिंग और स्टेबलाइजर कोड का लाभ उठाकर, यह विधि इनपुट डाइमेंशनलिटी को 784 पिक्सेल से घटाकर 16 विशेषताओं (या $16 \times N_{exp} \times N_{lyr}$ के मामले में) तक कम करती है, जबकि क्लासिकल लॉसी डाउनसैंपलिंग की तुलना में अधिक प्रासंगिक जानकारी बनाए रखती है।
व्यावहारिक कार्यान्वयन: एल्गोरिदम को पूरी तरह से क्लासिकल GPU हार्डवेयर पर एक "क्वांटम-प्रेरित" दृष्टिकोण (क्वांटम अवस्थाओं का अनुकरण करने वाले टेंसर ऑपरेशन्स) का उपयोग करके लागू किया गया है, जिससे यह बिना किसी वास्तविक क्वांटम हार्डवेयर की आवश्यकता के तुरंत तैनात करने योग्य बन जाता है।

परिणाम (Results)
फ्रेमवर्क का MNIST और Fashion-MNIST डेटासेट पर क्लासिकल डिफ्यूजन बेसलाइन के विरुद्ध बेंचमार्किंग किया गया:

MNIST डेटासेट:
- क्लासिकल बेसलाइन (इष्टतम $\alpha=1.5$ ) ने 95.02% टेस्ट सटीकता प्राप्त की।
- क्वांटम जॉइंट एक्सपर्ट रणनीति (16 विशेषज्ञ, 16 लेयर्स) ने 97.63% टेस्ट सटीकता प्राप्त की।
- यह क्लासिकल पद्धति की तुलना में विफलता दर में लगभग दो गुना कमी को दर्शाता है।
Fashion-MNIST डेटासेट:
- उच्च आकार अस्पष्टता (shape ambiguity) के कारण, क्लासिकल बेसलाइन 76.80% पर चरम पर पहुँची।
- क्वांटम जॉइंट एक्सपर्ट रणनीति (18 विशेषज्ञ, 16 लेयर्स) ने 86.20% प्राप्त किया।
- फिर से, विफलता दर क्लासिकल विधि की तुलना में लगभग दो गुना कम हो गई।
कंप्यूटेशनल ओवरहेड: जॉइंट एक्सपर्ट क्वांटम-प्रेरित मॉडल के लिए प्रति एपोक (epoch) का समय क्लासिकल बेसलाइन की तुलना में केवल मध्यम वृद्धि दिखाता है, जो इस दृष्टिकोण को वर्तमान GPU वर्कस्टेशन पर कम्प्यूटेशनल रूप से व्यावहारिक बनाता है।

महत्व और दावे (Significance and Claims)
पेपर का दावा है कि प्रस्तावित क्वांटम-प्रेरित रणनीति छवि वर्गीकरण कार्यों के लिए, विशेष रूप से Fashion-MNIST जैसे जटिल संरचनात्मक विशेषताओं वाले डेटासेट के लिए, एक स्पष्ट लाभ प्रदान करती है। इसकी प्राथमिक महत्ता इस बात के प्रदर्शन में निहित है कि:

यूनिटरी कन्वोल्यूशन, लॉसी क्लासिकल डिफ्यूजन की तुलना में अधिक इमेज जानकारी बनाए रखता है।
स्टेबलाइजर कोड-आधारित सिंड्रोम एक्सट्रैक्शन, फीचर रिडक्शन के लिए एक मजबूत विधि प्रदान करता है जो मानक पूलिंग से बेहतर है।
संयुक्त विशेषज्ञ विश्लेषण (Joint expert analysis) स्वतंत्र विश्लेषण की तुलना में अधिक प्रासंगिक विशेषताएं निकालता है, जो इस क्वांटम-प्रेरित संदर्भ के भीतर "मिक्सचर ऑफ एक्सपर्ट्स" दृष्टिकोण को मान्य करता है।

लेखक निष्कर्ष निकालते हैं कि हालांकि वर्तमान कार्यान्वयन क्लासिकल (सिम्युलेटेड) है, फ्रेमवर्क को एक क्वांटम प्रोसेसर पर निष्पादित करने के लिए डिज़ाइन किया गया है (जैसा कि परिशिष्ट में विस्तृत है), जो भविष्य के मशीन लर्निंग कार्यों के लिए हाइब्रिड क्लासिकल-क्वांटम प्रोसेसर की ओर एक व्यवहार्य मार्ग का सुझाव देता है। वे विनम्रतापूर्वक नोट करते हैं कि यह रणनीति सभी क्लासिकल विधियों के विकल्प के बजाय, मध्यम ओवरहेड के साथ मौजूदा क्लासिकल स्कीम्स के लिए एक व्यावहारिक विकल्प है।

क्वांटम जादू का कमाल: बिना जानकारी खोए धुंधला करना

विशेषज्ञों का मिश्रण: जासूसों की एक टीम

परिणाम: स्मार्ट अनुमान, कम गलतियाँ

उन्होंने क्या नहीं किया (और उन्होंने क्या खारिज किया)

निचोड़

इसी तरह के और पेपर