How Much Reconstruction Does Quantum Machine Learning Need? Late Fusion of Independently Trained Quantum Subcircuits
यह शोध पत्र सर्किट-कटिंग क्वांटम मशीन लर्निंग में घातांकीय-लागत (exponential-cost) पुनर्निर्माण के एक लागत प्रभावी और शोर-रोधी विकल्प के रूप में "लेट फ्यूजन" (late fusion) का प्रस्ताव करता है, जहाँ स्वतंत्र रूप से प्रशिक्षित सब-सर्किट्स को विभिन्न बेंचमार्क पर पूर्ण पुनर्निर्माण के समान सटीकता प्राप्त करने के लिए एक क्लासिकल हेड के माध्यम से संयोजित किया जाता 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 विशाल, असंभव पहेली (जिगसॉ पजल) को सुलझाने की कोशिश कर रहे हैं, लेकिन आपके पास काम करने के लिए केवल एक छोटी सी मेज है। आप पूरी तस्वीर को एक साथ नहीं रख सकते, इसलिए आपको उस पहेली को छोटे, प्रबंधनीय टुकड़ों में काटना होगा। यही क्वांटम मशीन लर्निंग (Quantum Machine Learning) पर काम करने वाले वैज्ञानिकों का दैनिक संघर्ष है। वे शक्तिशाली "क्वांटम मस्तिष्क" (जिसे क्वांटम न्यूरल नेटवर्क कहा जाता है) बनाना चाहते हैं ताकि जटिल समस्याओं को हल किया जा सके, लेकिन आज के क्वांटम कंप्यूटर उन छोटी मेजों की तरह हैं—उनके पास पूरा मस्तिष्क रखने के लिए पर्याप्त जगह (क्यूबिट्स) नहीं है।
इस समस्या से निपटने के लिए, शोधकर्ता 'सर्किट कटिंग' (circuit cutting) नामक एक तरकीब का उपयोग करते हैं। यह उस विशाल पहेली को अलग करने, अलग-अलग मेजों पर छोटे टुकड़ों को हल करने और फिर उन उत्तरों को वापस जोड़ने की कोशिश करने जैसा है। समस्या यह है कि उन्हें वापस जोड़ने का पुराना तरीका अविश्वसनीय रूप से महंगा और अव्यवस्थित है। इसके लिए एक ही छोटी पहेली को हजारों बार चलाने और मूल तस्वीर को फिर से बनाने के लिए एक विशाल, जटिल गणितीय गणना करने की आवश्यकता होती है। यह हर एक टुकड़े को मापने और हर दरार के सटीक कोण की गणना करके टूटे हुए फूलदान को फिर से बनाने की कोशिश करने जैसा है; इसमें बहुत समय लगता है और यह बहुत नाजुक है। बड़ा सवाल जो वैज्ञानिक पूछ रहे थे वह यह है: क्या हमें वास्तव में एक अच्छा उत्तर पाने के लिए इतनी कड़ी मेहनत करने की आवश्यकता है, या क्या कोई सरल तरीका मौजूद है?
यह शोध पत्र, जिसका शीर्षक है "How Much Reconstruction Does Quantum Machine Learning Need?", इसी प्रश्न की गहराई में जाता है और 'लेट फ्यूजन' (Late Fusion) नामक एक चतुर नए विचार का प्रस्ताव देता है। लेखक, प्रभजोत सिंह, अद्वैत एन. टोोसी और राजकुमार बुय्या (मेलबर्न विश्वविद्यालय से), तर्क देते हैं कि विशाल क्वांटम तस्वीर को पूरी तरह से पुनर्गठित (reconstruct) करने के बजाय, हम बस छोटे टुकड़ों को अपनी समस्याओं को हल करने दे सकते हैं और फिर उनके अंतिम अनुमानों को मिलाने के लिए एक सरल, स्मार्ट "गोंद" (एक छोटा क्लासिकल कंप्यूटर प्रोग्राम) का उपयोग कर सकते हैं।
यहाँ उन्होंने जो जादू खोजा है वह यह है: आपको आमतौर पर उस महंगे गोंद की आवश्यकता ही नहीं होती है।
शोधकर्ताओं ने पाया कि अधिकांश मशीन लर्निंग कार्यों के लिए, सही निर्णय लेने के लिए आवश्यक जानकारी वास्तव में "स्थानीय" (local) होती है। इसे जासूसों की एक टीम के रूप में सोचें। यदि आपके पास अपराध स्थल के अलग-अलग हिस्सों को देख रहे दो जासूस हैं, और उन्हें जिन सुरागों की आवश्यकता है वे उनके ठीक सामने हैं, तो उन्हें अपनी जांच के हर एक विवरण को साझा करने की आवश्यकता नहीं है ताकि अपराधी को पकड़ा जा सके। वे बस अपने निष्कर्ष लिख सकते हैं और उन्हें एक सुपरवाइजर को सौंप सकते हैं जो उन्हें जोड़ता है। क्वांटम दुनिया में, इसका अर्थ है कि छोटे क्वांटम सर्किटों को पूरी तरह से स्वतंत्र रूप से प्रशिक्षित और मापा जा सकता है। फिर, एक छोटा, सस्ता क्लासिकल कंप्यूटर ("फ्यूजन हेड") उनके परिणामों को लेता है और अंतिम भविष्यवाणी करता है।
यह पेपर दिखाता है कि हस्तलिखित नंबरों को पहचानने या फूलों को छाँटने जैसे मानक डेटासेट के लिए यह "लेट फ्यूजन" विधि, पुराने, महंगे पुनर्गठन (reconstruction) तरीके जितनी ही सटीक है। वास्तव में, यह शोर (noise) को संभालने में अक्सर बेहतर होती है। क्योंकि पुराना तरीका सटीक क्वांटम अवस्था को गणितीय रूप से पुनर्गठित करने की कोशिश करता है, यह त्रुटियों (जैसे रेडियो लाइन पर स्टैटिक) को बढ़ा देता है, जिससे परिणाम और खराब हो जाता है क्योंकि पहेली बड़ी होती जाती है। नया तरीका टुकड़ों के बीच के जटिल क्वांटम "स्टैटिक" को अनदेखा करता है और केवल अंतिम उत्तरों पर ध्यान केंद्रित करता है, जिससे यह अधिक मजबूत बनता है।
हालाँकि, लेखक बहुत सावधान हैं कि यह तरीका क्या नहीं है। वे स्पष्ट रूप से कहते हैं कि इसका मतलब यह नहीं है कि क्वांटम कंप्यूटर अचानक इन कार्यों के लिए क्लासिकल कंप्यूटरों को हरा रहे हैं। वास्तव में, उनके द्वारा परीक्षण किए गए मानक डेटासेट पर, एक अच्छी तरह से ट्यून किया गया क्लासिकल कंप्यूटर उनके क्वांटम तरीके के समान ही प्रदर्शन करता है। यहाँ सफलता यह नहीं है कि क्वांटम "अधिक बुद्धिमान" है; बल्कि यह है कि क्वांटum अब कुशल (efficient) है। उन्होंने सिद्ध किया कि यदि आप सर्किट कटिंग का उपयोग करने जा रहे हैं, तो आप सटीकता खोए बिना एक विशाल मात्रा में समय और ऊर्जा बचाकर महंगे पुनर्गठन चरण को त्याग सकते हैं।
यह सुनिश्चित करने के लिए कि वे कुछ छोड़ न दें, लेखकों ने एक "क्वांटमनेस डायल" (Quantumness Dial) बनाया है। यह एक ऐसा उपकरण है जो उन्हें "प्योर फ्यूजन" (कोई पुनर्गठन नहीं) और "फुल रिकंस्ट्रक्शन" (महंगा तरीका) के बीच स्लाइड करने की अनुमति देता है। उन्होंने पाया कि उन कार्यों के लिए जहाँ जानकारी वास्तव में स्थानीय है, आप शून्य सटीकता हानि के साथ सीधे "प्योर फ्यूजन" तक जा सकते हैं। लेकिन उन्होंने एक सीमा भी पहचानी: यदि डेटा गहराई से "एंटैंगल्ड" (entangled) है (यानी सुराग इतने मिले-जुले हैं कि उन्हें समझने के लिए आपको एक साथ पूरी तस्वीर को देखना ही होगा), तो फ्यूजन विफल हो जाता है, और आपको महंगे पुनर्गठन की आवश्यकता होती है। उन्होंने इस "एंटैंगलमेंट" को मापने के लिए एक नैदानिक उपकरण (diagnostic tool) भी बनाया, ताकि आप जान सकें कि कब सस्ते तरीके का उपयोग करना है और कब आप मजबूरन महंगे तरीके का उपयोग करेंगे।
संक्षेप में, यह शोध पत्र बताता है कि कई व्यावहारिक क्वांटम मशीन लर्निंग कार्यों के लिए, हम टूटे हुए फूलदान को पूरी तरह से फिर से बनाने की कोशिश करना बंद कर सकते हैं। इसके बजाय, हम बस टुकड़ों की बात सुन सकते हैं, एक सरल उपकरण के साथ उनकी कहानियों को जोड़ सकते हैं, और बहुत कम लागत पर वही परिणाम प्राप्त कर सकते हैं। यह हमारे वर्तमान, सीमित क्वांटम हार्डवेयर का उपयोग करने का एक अधिक व्यावहारिक, शोर-प्रतिरोधी तरीका है, भले ही यह अभी हमें क्लासिकल कंप्यूटरों पर "सुपर-पावर" न दे।
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।