PN-QNN: Harnessing Physical Noise as a Native Regularizer in Photonic Hybrid Quantum Neural Networks
यह शोध पत्र प्रदर्शित करता है कि फोटोनिक हाइब्रिड क्वांटम न्यूरल नेटवर्क में भौतिक शोर (physical noise), कुछ विशिष्ट डेटासेट्स पर वर्गीकरण सटीकता (classification accuracy) में सुधार करने के लिए एक हार्डवेयर-नेटिव रेगुलराइज़र के रूप में कार्य कर सकता है, हालांकि इसकी प्रभावशीलता डेटासेट-निर्भर है और यह सार्वभौमिक रूप से लाभकारी नहीं 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 रोबोट को बिल्लियों, कुत्तों और पक्षियों की तस्वीरें पहचानना सिखाने की कोशिश कर रहे हैं। क्लासिकल कंप्यूटरों की दुनिया में, हमने एक चतुर तरकीब सीखी है: कभी-कभी, यदि आप जानबूझकर रोबोट को प्रशिक्षण के दौरान थोड़ा "नशे में" या "भ्रमित" बना देते हैं—उसकी आँखों में रैंडम स्टैटिक (static) डालकर या उसके दिमाग को हिलाकर—तो वह बाद में जानवरों को पहचानने में वास्तव में बेहतर हो जाता है। इसे "नॉइज़ इंजेक्शन" (noise injection) कहा जाता है, और यह रोबोट को प्रशिक्षण तस्वीरों को बहुत बारीकी से याद करने से रोकता है, जिससे यह वास्तविक दुनिया की अव्यवस्था को संभालने में सक्षम होता है।
अब, एक नए प्रकार के कंप्यूटर की कल्पना करें जो सिलिकॉन चिप्स का उपयोग नहीं करता, बल्कि प्रकाश की किरणों (फोटोन) का उपयोग करके गणित करता है। इन्हें फोटोनिक क्वांटम कंप्यूटर कहा जाता है। अभी, ये मशीनें नए, हाई-टेक खिलौनों की तरह हैं जो थोड़े डगमगाते रहते हैं। प्रकाश की किरणें भटक जाती हैं, फोटोन खो जाते हैं, और दर्पण पूरी तरह से संरेखित (aligned) नहीं होते हैं। आमतौर पर, वैज्ञानिक इस "डगमगाहट" को एक भयानक समस्या मानते हैं जो गणना को खराब कर देती है, और इसे ठीक करने की पूरी कोशिश करते हैं। लेकिन क्या होगा अगर यह डगमगाहट एक बग नहीं, बल्कि एक फीचर हो? क्या होगा अगर प्रकाश की स्वाभाविक "नशे की स्थिति" वास्तव में रोबोट को बेहतर सीखने में मदद कर सके, ठीक वैसे ही जैसे स्टैटिक ने क्लासिकल वाले के लिए किया था? यह एक बड़ा सवाल है जो वैज्ञानिक पूछ रहे हैं: क्या प्रकाश-आधारित क्वांटम कंप्यूटर की अस्त-व्यस्त, शोर भरी वास्तविकता को AI को स्मार्ट बनाने के लिए एक मुफ्त, अंतर्निहित उपकरण में बदला जा सकता है?
यह शोध पत्र, जिसका शीर्षक "PN-QNN" है, सीधे इसी सवाल में उतरता है। शोधकर्ताओं ने एक विशेष प्रकार का मस्तिष्क बनाया जिसे "फोटोनिक हाइब्रिड क्वांटम न्यूरल नेटवर्क" (PHQCNN) कहा जाता है। इसे एक टीम-अप के रूप में सोचें जिसमें एक क्लासिकल कंप्यूटर (बुद्धिमान मैनेजर) और एक फोटोनिक क्वांटम सर्किट (प्रकाश-गति वाला कार्यकर्ता) शामिल हैं। वे यह देखना चाहते थे कि क्या वे प्रकाश के प्राकृतिक भौतिक शोर (noise)—जैसे कि फोटोन का खो जाना या प्रकाश तरंगों का तालमेल बिगड़ना—का उपयोग नेटवर्क को बेहतर तरीके से सीखने में मदद करने के लिए कर सकते हैं।
इसे परखने के लिए, उन्होंने किसी वास्तविक, भौतिक मशीन का उपयोग नहीं किया (जिसे बनाना और नियंत्रित करना अभी भी बहुत कठिन है)। इसके बजाय, उन्होंने एक अत्यंत सटीक कंप्यूटर सिमुलेशन "Perceval" का उपयोग किया जो एक वास्तविक प्रकाश-आधारित कंप्यूटर के व्यवहार की नकल करता है। उन्होंने तीन अलग-अलग प्रशिक्षण चुनौतियाँ सेट कीं: फूलों को पहचानना (Iris), हस्तलिखित अंकों की पहचान करना (Digits), और एक बड़े, अधिक जटिल सेट में नंबरों को खोजना (MNIST)।
यहाँ एक मोड़ है: शोर को खत्म करने के बजाय, उन्होंने शोर को "डायल" (dials) के एक सेट की तरह माना। उनके पास सात अलग-अलग "नॉब्स" (knobs) थे जिन्हें वे घुमा सकते थे, जो यह दर्शाते थे कि प्रकाश स्रोत कितना चमकीला है, प्रकाश तरंगें कितनी भटकती हैं, या फोटोन के खोने की कितनी संभावना है। उन्होंने एक स्मार्ट सर्च एल्गोरिदम (जिसे जेनेटिक एल्गोरिदम कहा जाता है, जो विकास की तरह काम करता है) का उपयोग यह पता लगाने के लिए किया कि प्रत्येक विशिष्ट कार्य के लिए शोर के इन नॉब्स का सही संयोजन क्या है। उन्होंने कंप्यूटर से पूछा: "यदि हम शोर को बिल्कुल सही तरीके से ट्यून करते हैं, तो क्या हमें शून्य शोर वाले मुकाबले बेहतर स्कोर मिल सकता है?"
परिणाम एक दिलचस्प मिश्रण थे—"हाँ," "नहीं," और "यह निर्भर करता है।" फूलों के डेटासेट (Iris) और छोटे अंक डेटासेट (Digits) के लिए, उत्तर एक छोटा लेकिन वास्तविक "हाँ" था। शोर को बिल्कुल सही तरीके से ट्यून करके, AI को पैटर्न पहचानने में थोड़ी बेहतर दक्षता मिली—फूलों के लिए 0.82% बेहतर और अंकों के लिए 1.45% बेहतर। ऐसा लग रहा था जैसे "नशे में" दिए गए प्रशिक्षण ने रोबोट को बेहतर ढंग से सामान्यीकरण (generalize) करने में मदद की।
हालाँकि, बड़े, अधिक जटिल MNIST डेटासेट के लिए, कहानी पूरी तरह बदल गई। जब उन्होंने बड़े काम के लिए उसी शोर-ट्यूनिंग तकनीक का उपयोग किया, तो AI वास्तव में खराब हो गया, जो लगभग 1.21% गिर गया। यह बताता है कि शोर कोई जादुई छड़ी नहीं है जो हर जगह काम करती है। फूलों के लिए "परफेक्ट शोर" पूरी तरह से अंकों के लिए "परफेक्ट शोर" से अलग है, और बड़े MNIST कार्य के लिए, शोर रास्ते का कांटा बन गया।
शोधकर्ताओं ने इसके पीछे के गणित को भी देखा। उन्होंने पाया कि यह भौतिक शोर एक "टिखोनोव रेगुलराइज़र" (Tikhonov regularizer) की तरह काम करता है, जो एक फैंसी गणितीय शब्द है जिसका अर्थ है एक स्मूथिंग पेनल्टी (smoothing penalty)। यह ऐसा है जैसे शोर AI को सीखने की प्रक्रिया में एक "सुरक्षित," सपाट रास्ता लेने के लिए मजबूर करता है, जिससे यह प्रशिक्षण डेटा के सूक्ष्म, अजीब विवरणों पर बहुत अधिक अटकने से बच जाता है। लेकिन, ठीक वैसे ही जैसे एक मसाला जो एक रेसिपी में सूप को स्वादिष्ट बनाता है लेकिन दूसरी में उसे खराब कर देता है, यह प्रभाव पूरी तरह से इस बात पर निर्भर करता है कि आप कौन सी रेसिपी (डेटासेट) और कौन सा बर्तन (सर्किट आर्किटेक्चर) उपयोग कर रहे हैं।
इसलिए, इस शोध पत्र का मुख्य निष्कर्ष यह है कि फोटोनिक क्वांटम कंप्यूटरों में भौतिक शोर वास्तव में AI को स्मार्ट बनाने के लिए एक मुफ्त, अंतर्निहित सहायक के रूप में कार्य कर सकता है, लेकिन यह एक सार्वभौमिक समाधान नहीं है। यह कुछ समस्याओं के लिए काम करता है और दूसरों के लिए विफल हो जाता है। वैज्ञानिकों ने दिखाया कि शोर को सावधानीपूर्वक ट्यून करके, आप प्रदर्शन में थोड़ी अतिरिक्त बढ़त निकाल सकते हैं, लेकिन आपको इस बारे में बहुत विशिष्ट होना होगा कि आप इसे कैसे करते हैं। यह एक आशाजनक विचार है जो वर्तमान तकनीक की ज्ञात कमजोरी को एक संभावित ताकत में बदल देता है, लेकिन इसके लिए हर नए चैलेंज के लिए एक नाजुक, कस्टम-ट्यून्ड दृष्टिकोण की आवश्यकता 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।