QSTAR: Quantum Selective Transfer with Adaptive Routing
यह शोध पत्र QSTAR को पेश करता है, जो एक चयनात्मक ट्रांसफर लर्निंग फ्रेमवर्क है जो कम-विश्वास वाले नमूनों को आर्किटेक्चर-सर्च किए गए क्वांटम फॉलबैक शाखा की ओर निर्देशित करता है, जो यह प्रदर्शित करता है कि क्वांटम मॉडल शास्त्रीय क्लासिफायर के समान प्रतिस्थापन के बजाय लक्षित पूरक के रूप में सबसे प्रभावी होते हैं।
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
डेटा से सीख सकने वाली मशीनें बनाने की दौड़ में, वैज्ञानिक लंबे समय से छवियों, ध्वनियों और टेक्स्ट में पैटर्न पहचानने के लिए शक्तिशाली क्लासिकल कंप्यूटरों पर निर्भर रहे हैं। ये सिस्टम अपने काम में उत्कृष्ट हैं, लेकिन वे विशाल भी हैं, जिन्हें प्रशिक्षित करने के लिए भारी मात्रा में ऊर्जा और समय की आवश्यकता होती है। हाल ही में, एक नया दावेदार इस क्षेत्र में आया है: क्वांटम कंप्यूटर। ये मशीनें क्वांटम मैकेनिक्स के अजीब नियमों पर काम करती हैं, जहाँ सूचना एक साथ कई अवस्थाओं में मौजूद हो सकती है, जो कुछ विशिष्ट समस्याओं को क्लासिकल कंप्यूटरों की तुलना में बहुत तेज़ी से हल करने का सैद्धांतिक वादा करती हैं। हालाँकि, वर्तमान क्वांटम उपकरण अभी छोटे, नाजुक और त्रुटियों के प्रति संवेदनशील हैं, जो उन्हें जटिल छवियों के विश्लेषण जैसे भारी कार्यों के लिए अकेले उपयुक्त नहीं बनाते। इसने शोधकर्ताओं को 'क्वांटम ट्रांसफर लर्निंग' नामक एक मध्य मार्ग तलाशने के लिए प्रेरित किया है। इस दृष्टिकोण में, एक भरोसेमंद क्लासिकल कंप्यूटर छवि से बुनियादी विशेषताएं निकालने का भारी काम करता है, और अंत में एक छोटा, विशिष्ट क्वांटम सर्किट जोड़ा जाता है ताकि अंतिम निर्णय लिया जा सके। हालाँकि, बड़ा सवाल यह रहा है कि क्या यह क्वांटम जुड़ाव वास्तव में मदद करता है, या यह केवल एक साधारण कंप्यूटर द्वारा किए जाने वाले काम को करने का एक जटिल तरीका है।
न्यूयॉर्क यूनिवर्सिटी अबू धाबी के शोधकर्ताओं की एक टीम ने QSTAR नामक एक नए फ्रेमवर्क के साथ इस सवाल को हल किया है। क्वांटम कंप्यूटर को हर एक छवि देखने के लिए मजबूर करने के बजाय, उन्होंने एक ऐसा सिस्टम डिज़ाइन किया है जो एक स्मार्ट गेटकीपर (द्वारपाल) की तरह कार्य करता है। यह सिस्टम पहले एक मानक, उच्च गति वाले क्लास적인 कंप्यूटर को छवि का विश्लेषण करने देता है। यदि कंप्यूटर अपने उत्तर के प्रति बहुत आश्वस्त है, तो वह बस परिणाम आउटपुट करता है और आगे बढ़ जाता है। लेकिन यदि कंप्यूटर अनिश्चित है, तो सिस्टम उस विशिष्ट, कठिन छवि को दूसरी राय के लिए एक क्वांटम सर्किट के पास भेज देता है। यह चयनात्मक दृष्टिकोण यह सुनिश्चित करता है कि क्वांटम मशीन का उपयोग केवल तभी किया जाए जब वास्तव में इसकी आवश्यकता हो, जिससे समय और संसाधनों की बचत होती है और यह परीक्षण भी होता है कि क्या क्वांटम शाखा वास्तव में अंतिम उत्तर में सुधार कर सकती है।
इस विचार का परीक्षण करने के लिए, शोधकर्ताओं ने कपड़ों की छवियों का एक डेटासेट उपयोग किया, जो इमेज रिकग्निशन कार्यों के लिए एक सामान्य बेंचमार्क है। उन्होंने एक शक्तिशाली, प्री-ट्रेन्ड क्लासिकल कंप्यूटर से शुरुआत की जिसने पहले ही सामान्य आकृतियों और बनावट को पहचानना सीख लिया था। इसके बाद उन्होंने इस कंप्यूटर के साथ विभिन्न प्रकार के "हेड्स" (शीर्ष) जोड़े यह देखने के लिए कि कौन सा सबसे अच्छा अंतिम निर्णय लेता है। कुछ हेड्स सरल क्लासिकल डिज़ाइन थे, जबकि अन्य उन्नत सर्किट थे जिन्हें KetGPT नामक एक आर्टिफिशियल इंटेलिजेंस टूल द्वारा स्वचालित रूप से खोजा गया था। जब उन्होंने क्वांटम सर्किट को हर एक छवि को संभालने के लिए मजबूर किया, तो परिणाम मिले-जुले रहे। सबसे अच्छे मैन्युअल रूप से डिज़ाइन किए गए क्वांटम सर्किट ने लगभग 57 प्रतिशत उत्तर सही दिए, जबकि सबसे अच्छे AI-खोजे गए क्वांटम सर्किट ने 78.5 प्रतिशत तक सटीकता प्राप्त की। हालाँकि यह एक सुधार था, फिर भी यह सबसे अच्छे शुद्ध रूप से क्लासिकल सिस्टम से पीछे रह गया, जिसने 81.6 प्रतिशत सटीकता हासिल की। इसने पुष्टि की कि केवल एक क्लासिकल मस्तिष्क को क्वांटम में बदलने से सिस्टम अपने आप स्मार्ट नहीं हो जाता है।
असली सफलता तब मिली जब उन्होंने चयनात्मक रूटिंग (selective routing) को चालू किया। क्लासिकल कंप्यूटर को आसान मामलों को संभालने देने और केवल भ्रमित करने वाली, कम आत्मविश्वास वाली छवियों को क्वांटम सर्किट के पास भेजने से, सिस्टम ने क्वांटम तकनीक के लिए एक स्पष्ट भूमिका पाई। इन कठिन नमूनों पर, AI-खोजे गए क्वांटम सर्किट ने एक मानक क्लासिकल विकल्प की तुलना में काफी बेहतर प्रदर्शन किया। एक विशिष्ट कॉन्फिडेंस सेटिंग पर, क्वांटम शाखा ने इन कठिन छवियों पर सटीकता में क्लासिकल बैकअप की तुलना में लगभग सात प्रतिशत अंकों का सुधार किया। जब पूरे सिस्टम को एक साथ रखा गया, तो एडेप्टिव क्वांटम दृष्टिकोण ने 80.9 प्रतिशत की समग्र सटीकता प्राप्त की, जो एडेप्टिव क्लासिकल सिस्टम से थोड़े लेकिन सार्थक अंतर से बेहतर थी। यह सुझाव देता है कि क्वांटम कंप्यूटर क्लासिकल कंप्यूटर का विकल्प नहीं है, बल्कि एक विशिष्ट उपकरण है जो तब चमकता है जब मानक प्रणाली संघर्ष कर रही होती है।
शोधकर्ताओं ने क्वांटम सर्किट के आकार और जटिलता को भी करीब से देखा ताकि वे एक अधिक कुशल डिज़ाइन खोज सकें। उन्होंने पाया कि एक बहुत छोटा, अधिक कॉम्पैक्ट सर्किट, जिसे उन्होंने कैंडिडेट नंबर 160 के रूप में पहचाना, केवल दस समायोज्य सेटिंग्स और नौ लॉजिक गेट्स का उपयोग करके अपने आप में 81.9 प्रतिशत सटीकता प्राप्त कर सकता है। यह खोज महत्वपूर्ण है क्योंकि यह दिखाती है कि क्वांटम लाभ के लिए विशाल, जटिल मशीनों की आवश्यकता नहीं है; बहुत छोटे, कुशल सर्किट भी शक्तिशाली हो सकते हैं यदि उनका सही तरीके से उपयोग किया जाए। हालाँकि, टीम ने सावधानी बरतते हुए उल्लेख किया कि ये परिणाम कंप्यूटर सिमुलेशन से आए हैं, और वास्तविक क्वांटम हार्डवेयर पर चलाने पर प्रदर्शन भिन्न हो सकता है। उन्होंने सिस्टम का परीक्षण कीटों के एक अलग डेटासेट पर भी किया और पाया कि वहां क्वांटम लाभ दिखाई नहीं दिया, जो इस विचार को पुख्ता करता है कि यह तकनीक कोई सार्वभौमिक समाधान नहीं बल्कि विशिष्ट प्रकार की अनिश्चितता के लिए एक विशेष समाधान है।
अंततः, यह कार्य रोजमर्रा के मशीन लर्निंग में क्वांटम कंप्यूटरों की भविष्य की भूमिका को स्पष्ट करता है। अध्ययन का सुझाव है कि सबसे व्यावहारिक रास्ता हमारे वर्तमान सिस्टम को पूरी तरह से बदलने का नहीं है, बल्कि हाइब्रिड टीमें बनाने का है जहाँ क्लासिकल कंप्यूटर मुख्य काम संभालते हैं और क्वांटम कंप्यूटर सबसे कठिन समस्याओं के लिए विशेषज्ञों के रूप में हस्तक्षेप करते हैं। एक स्मार्ट रूटिंग सिस्टम का उपयोग करके यह तय करना कि कब क्वांटम विशेषज्ञ को बुलाना है, हम बेहतर परिणाम प्राप्त कर सकते हैं बिना हर डेटा के टुकड़े पर महंगे क्वांटम गणनाओं को चलाए। यह चयनात्मक रणनीति क्वांटम तकनीक को हमारे दैनिक उपयोग के उपकरणों में एकीकृत करने का एक यथार्थवादी और कुशल तरीका प्रदान करती है, जो एक सैद्धांतिक वादे को एक व्यावहारिक लाभ में बदल देती 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।