Scalable Quantum Machine Learning: Trainability, Expressivity and Efficiency
यह शोध पत्र "यूनिटरी ब्रिक-वॉल" (unitary brick-wall) प्रस्तुत करता है, जो एक स्केलेबल फर्मिओनिक क्वांटम आर्किटेक्चर है जो एक ट्यूनेबल पैरामीटर के माध्यम से सिमुलेशन की कठिनाई और प्रशिक्षण लागत के बीच संतुलन बनाकर, बैरन प्लेटो (barren plateaus) को एक साथ दूर करता है, शास्त्रीय जटिलता (classical intractability) सुनिश्चित करता है, और कुशल ग्रेडिएंट गणना प्राप्त करता 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
बुद्धिमान मशीनों के निर्माण की खोज में, वैज्ञानिक लंबे समय से एक बढ़त पाने के लिए क्वांटम दुनिया की ओर देख रहे हैं। क्वांटम कंप्यूटर, जो परमाणुओं और प्रकाश को नियंत्रित करने वाले भौतिकी के विचित्र नियमों का उपयोग करते हैं, कुछ समस्याओं को आज की किसी भी मशीन की तुलना में बहुत तेज़ी से हल करने का वादा करते हैं। एक आशाजनक मार्ग क्वांटम मशीन लर्निंग है, जहाँ इन उपकरणों को पैटर्न पहचानने या भविष्यवाणियाँ करने के लिए प्रशिक्षित किया जाता है, ठीक वैसे ही जैसे आधुनिक आर्टिफिशियल इंटेलिजेंस को शक्ति देने वाले न्यूरल नेटवर्क होते हैं। हालाँकि, वर्षों से यह क्षेत्र एक कठिन स्थिति में फंसा हुआ है। शोधकर्ताओं ने पाया कि हालांकि वे जटिल क्वांटम सर्किट डिजाइन कर सकते थे, लेकिन वे अक्सर एक ऐसी दीवार से टकरा जाते थे जहाँ प्रशिक्षण प्रक्रिया पूरी तरह से विफल हो जाती थी, क्योंकि कंप्यूटर के संकेत सीखने के मार्गदर्शन के लिए बहुत कमजोर हो जाते थे। इसके अलावा, भले ही प्रशिक्षण सफल रहा हो, इस बात का कोई प्रमाण नहीं था कि क्वांट क्वांटम मशीन वास्तव में कुछ ऐसा कर रही है जो एक क्लासिकल कंप्यूटर नहीं कर सकता, या क्या वह इसे पर्याप्त कुशलता से कर सकती है जो उपयोगी हो। चुनौती एक ऐसा डिज़ाइन खोजने की थी जो प्रशिक्षित करने में आसान भी हो और इतनी शक्तिशाली भी हो कि वास्तविक लाभ प्रदान कर सके।
इयोरदानिस केरेनिडिस का एक नया अध्ययन दो विशिष्ट क्वांटम सर्किट डिजाइनों का प्रस्ताव देकर इस गतिरोध का समाधान प्रस्तुत करता है जो इन बाधाओं को दूर करते हैं। यह शोध एक ऐसी विधि पेश करता है जो इन मशीनों को अपना संकेत खोए बिना प्रभावी ढंग से प्रशिक्षित करने की अनुमति देती है, और साथ ही यह सुनिश्चित करती है कि उनके द्वारा किए जाने वाले कार्य इतने जटिल हों कि सबसे अच्छे ज्ञात क्लासिकल कंप्यूटर भी उनका अनुकरण (सिमुलेट) करने में संघर्ष करें। इस सफलता की कुंजी क्वांटम गेट्स की एक चतुर व्यवस्था में निहित है जो सिस्टम के एक विशिष्ट गुण को संरक्षित करती है: पूरी प्रक्रिया के दौरान कणों की संख्या स्थिर रहती है। इस कण-संरक्षण संरचना को एक विशेष प्रकार के इनपुट स्टेट के साथ जोड़कर, शोधकर्ताओं ने एक ऐसा ढांचा तैयार किया है जहाँ मशीन कुशलतापूर्वक सीख सकती है और साथ ही उन समस्याओं का सामना कर सकती है जो क्लासिकल मशीनों के लिए मौलिक रूप से कठिन हैं।
यह पेपर अलग-अलग प्रकार के क्वांटम हार्डवेयर के लिए तैयार किए गए दो आर्किटेक्चरल ब्लूप्रिंट पर केंद्रित है। एक डिज़ाइन, जिसे "यूनिटरी ब्रिक-वॉल" कहा जाता है, उन मशीनों के लिए बनाया गया है जहाँ क्यूबिट्स एक रेखा में व्यवस्थित होते हैं और केवल अपने निकटतम पड़ोसियों से संवाद कर सकते हैं। दूसरा, "यूनिटरी बटरफ्लाई", उन मशीनों के लिए डिज़ाइन किया गया है जहाँ प्रत्येक क्यूबिट अन्य सभी क्यूबिट से जुड़ सकता है। दोनों डिज़ाइन एक सामान्य रणनीति साझा करते हैं: वे कणों की एक विशेष रूप से तैयार की गई अवस्था से शुरू होते हैं और फिर उन्हें ऑपरेशन्स की परतों के माध्यम से गुजारते हैं। इन ऑपरेशन्स में एक प्रकार का गेट शामिल है जो कणों के लिए 'बीम स्प्लिटर' की तरह कार्य करता है, जो उन्हें बिना बनाए या नष्ट किए आपस में मिला देता है, और फेज गेट्स की एक परत जो सीखे जाने वाले डेटा को एनकोड करती है। यह संयोजन सुनिश्चित करता है कि सिस्टम एक ऐसी अवस्था में बना रहे जिसे क्लासिकल कंप्यूटर ट्रैक करने में कठिन हो, फिर भी क्वांटम मशीन के सीखने के लिए पर्याप्त स्थिर रहे।
क्वांटम मशीन लर्निंग में एक प्रमुख बाधा "बैरेन प्लेटो" (barвन्न प्लेटो) रही है, जो एक ऐसी घटना है जहाँ जैसे-जैसे सिस्टम बड़ा होता है, मॉडल को प्रशिक्षित करने के लिए उपयोग किए जाने वाले संकेत लुप्त हो जाते हैं, जिससे सीखना असंभव हो जाता है। शोधकर्ताओं ने सिद्ध किया कि उनके नए डिज़ाइन इस समस्या से पूरी तरह बचते हैं। उन्होंने दिखाया कि प्रशिक्षण का मार्गदर्शन करने वाले संकेत मजबूत और स्पष्ट रहते हैं, भले ही कणों की संख्या बढ़ती जाए। यह पिछले डिजाइनों से एक महत्वपूर्ण अंतर है, जो अक्सर बड़े होने पर अनियंत्रित (untrainable) हो जाते थे। अध्ययन प्रदर्शित करता है कि ग्रेडिएंट वेरिएंस, जो प्रशिक्षण संकेत की मजबूती का एक माप है, एक प्रबंधनीय स्तर पर रहता है, और इस तरह स्केल करता है जिससे मशीन आकार की परवाह किए बिना कुशलतापूर्वक सीख सकती है। इसका अर्थ है कि प्रशिक्षण प्रक्रिया न केवल सैद्धांतिक रूप से संभव है बल्कि व्यावहारिक रूप से भी व्यवहार्य है।
प्रशिक्षण प्रक्रिया को और भी तेज़ बनाने के लिए, पेपर मशीन की सेटिंग्स के आवश्यक समायोजनों की गणना करने के लिए एक नया एल्गोरिदम पेश करता है। पारंपरिक रूप से, एक क्वांटम मॉडल को प्रशिक्षित करने के लिए प्रत्येक सिंगल पैरामीटर के समायोजन के लिए सर्किट को कई बार चलाना आवश्यक होता है, जो बड़े सिस्टम के लिए अत्यधिक धीमा हो जाता है। नया तरीका, जिसे "मल्टी-लेयर पैरेलल पैरामीटर-शिफ्ट रूल" कहा जाता है, शोधकर्ताओं को सभी आवश्यक समायोजन एक साथ करने की अनुमति देता है। हजारों बार सर्किट चलाने के बजाय, वे इसे कणों की संख्या पर निर्भर संख्या में चला सकते हैं, न कि मशीन के कुल आकार पर। एक हजार क्यूबिट वाली मशीन के लिए, यह आवश्यक रन की संख्या को सोलह गुना से अधिक के कारक से कम कर देता है, जिससे बड़े पैमाने पर प्रशिक्षण व्यवहार्य हो जाता है।
अध्ययन इस प्रश्न को भी संबोधित करता है कि क्या ये क्वांटम मशीनें वास्तव में कुछ विशेष कर रही हैं। शोधकर्ताओं ने दिखाया कि उनके सर्किट का आउटपुट, विशेष रूप से कणों के पैटर्न, क्लासिकल कंप्यूटरों के लिए अनुकरण करना अत्यंत कठिन है। उन्होंने कणों की संख्या के आधार पर कठिनाई की एक "सीढ़ी" स्थापित की है। जब कणों की संख्या कम होती है, तो क्लासिकल कंप्यूटर आसानी से क्वांटम मशीन की नकल कर सकते हैं। हालाँकि, जैसे-जैसे कणों की संख्या एक विशिष्ट सीमा तक बढ़ती है, क्वांटम आउटपुट का अनुकरण करने का कार्य तेजी से (exponentially) कठिन हो जाता है। शोधकर्ताओं द्वारा चुने गए ऑपरेटिंग पॉइंट पर, जहाँ साठ कण शामिल हैं, सबसे अच्छे ज्ञात क्लासिकल एल्गोरिदम को एक एकल आउटपुट को सिमुलेट करने के लिए एक अरब-अरब (billion billion) से अधिक ऑपरेशंस की आवश्यकता होगी। जटिलता का यह स्तर वर्तमान क्लासिकल सुपरकंप्यूटरों की पहुंच से बहुत बाहर है, जो एक वास्तविक क्वांटम लाभ का सुझाव देता है।
यह ढांचा विभिन्न मशीन लर्निंग कार्यों के लिए लचीला बनाने के लिए डिज़ाइन किया गया है, जैसे कि नया डेटा उत्पन्न करना या जटिल वातावरण में निर्णय लेना। शोधकर्ता समझाते हैं कि क्वांटम मशीन एक 'सैंपलर' के रूप में कार्य करती है, जो परिणामों का एक सेट उत्पन्न करती है जिसका उपयोग सीधे किया जा सकता है या क्लासिकल कंप्यूटर द्वारा प्रोसेस किया जा सकता है। जेनेरेटिव मॉडलिंग जैसे कार्यों के लिए, जहाँ लक्ष्य वास्तविक डेटा जैसा दिखने वाला नया डेटा बनाना है, क्वांटम मशीन की जटिल, कठिन-से-सिमुलेट पैटर्न उत्पन्न करने की क्षमता ही मुख्य लाभ है। रिइन्फोर्समेंट लर्निंग के लिए, जहाँ एक एजेंट निर्णय लेने के लिए सीखता है, क्वांटम मशीन संभावनाओं के एक विशाल स्थान की खोज कर सकती है जिसे क्लासिकल तरीके मिस कर सकते हैं। अध्ययन स्पष्ट करता है कि हालांकि प्रशिक्षण के कुछ हिस्से क्लासिकल कंप्यूटरों पर किए जा सकते हैं, मॉडल का अंतिम परिनियोजन (deployment) उस क्वांटम डिवाइस पर निर्भर करता है जो उन कठिन-से-सिमुलेट सैंपल्स को उत्पन्न करता है जो सिस्टम को शक्ति देते हैं।
शोधकर्ता जो सिद्ध है और जो अभी भी खोजा जा रहा है, उसके बीच अंतर करने में सावधानी बरतते हैं। उन्होंने गणितीय रूप से सिद्ध किया है कि उनके डिज़ाइन प्रशिक्षित करने योग्य हैं और वे बैरेन प्लेटो की समस्या से बचते हैं। उन्होंने यह भी सिद्ध किया है कि आज के सर्वोत्तम ज्ञात एल्गोरिदम के आधार पर, क्लासिकल सिमुलेशन लागत कणों की संख्या के साथ तेजी से (exponentially) बढ़ती है। हालाँकि, वे नोट करते हैं कि समस्या की पूर्ण कठोरता (absolute hardness) उपयोग किए गए कणों की विशिष्ट संख्या पर निर्भर करती है। साठ कणों के चुने गए ऑपरेटिंग पॉइंट पर, कार्य वर्तमान क्लासिकल क्षमताओं से परे कठिन है, लेकिन शोधकर्ता स्वीकार करते हैं कि क्लासिकल एल्गोरिदम में भविष्य के सुधार इस सीमा को बदल सकते हैं। वे सुझाव देते हैं कि लाभ को बनाए रखने के लिए सिस्टम को कणों की संख्या बढ़ाकर समायोजित किया जा सकता है।
यह कार्य क्वांटम मशीन लर्निंग को एक व्यावहारिक वास्तविकता बनाने की दिशा में एक महत्वपूर्ण कदम है। प्रशिक्षण क्षमता और दक्षता की दोहरी समस्याओं को हल करके, शोधकर्ताओं ने ऐसे क्वांटम न्यूरल नेटवर्क बनाने का रोडमैप प्रदान किया है जिनका वास्तव में उपयोग किया जा सकता है। डिज़ाइन आज बनाई जा रही हार्डवेयर के अनुकूल हैं, और प्रशिक्षण विधियाँ इतनी कुशल हैं कि उन्हें निकट-अवधि (near-term) के उपकरणों पर लागू किया जा सकता है। अध्ययन यह दावा नहीं करता कि ये मशीनें हर समस्या को हल करेंगी या क्लासिकल कंप्यूटरों की जगह लेंगी, लेकिन यह दिखाता है कि वे उन कार्यों के वर्ग तक पहुँच सकती हैं जो क्लासिकल मॉडलों के लिए कठिन हैं। यह वित्त जैसे क्षेत्रों में नए अनुप्रयोगों के द्वार खोलता है, जहाँ जटिल जोखिम मॉडलिंग की आवश्यकता होती है, या विज्ञान में, जहाँ क्वांटम सिस्टम का अनुकरण करना महत्वपूर्ण है।
पेपर आगे के मार्ग को रेखांकित करते हुए समाप्त होता है। अगला कदम इन डिज़ाइनों को वास्तविक क्वांटम हार्डवेयर पर परीक्षण करना है ताकि यह देखा जा सके कि क्या वे वास्तविक दुनिया के कार्यों पर व्यावहारिक लाभ प्रदान करते हैं। शोधकर्ताओं ने विशिष्ट समस्याओं की पहचान की है, जैसे पोर्टफोलियो ऑप्टिमाइज़ेशन और जेनेरेटिव मॉडलिंग, जहाँ क्वांटम लाभ दिखने की सबसे अधिक संभावना है। वे इस बात पर जोर देते हैं कि हालांकि सैद्धांतिक आधार ठोस है, वास्तविक परीक्षण वास्तविक डेटा पर इन मशीनों के प्रदर्शन में होगा। उन्होंने जो ढांचा बनाया है वह उस भविष्य के लिए एक स्पष्ट और स्केलेबल पथ प्रदान करता है, जो जटिलता में खोए बिना मशीन लर्निंग के लिए क्वांटम मैकेनिक्स की शक्ति का उपयोग करने का एक तरीका प्रदान करता 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।