Continuous-Time Quantum Walks based Graph Neural Network

डिजिटल दुनिया में, हमारा अधिकांश डेटा स्प्रेडशीट की तरह साफ-सुथरी पंक्तियों और कॉलमों में व्यवस्थित नहीं है, बल्कि जटिल संबंधों के जाल के रूप में है। एक ऐसे सोशल नेटवर्क के बारे में सोचें जहाँ लोग दोस्ती से जुड़े होते हैं, एक सड़क मानचित्र जहाँ शहर सड़कों से जुड़े होते हैं, या एक जैविक प्रणाली जहाँ प्रोटीन एक-दूसरे के साथ परस्पर क्रिया करते हैं। इन जटिल संरचनाओं को समझने के लिए, वैज्ञानिक 'ग्राफ न्यूरल नेटवर्क' नामक एक प्रकार के आर्टिफिशियल इंटेलिजेंस का उपयोग करते हैं। ये सिस्टम डेटा के आकार से सीखने के लिए डिज़ाइन किए गए हैं, यह समझने के लिए कि सूचना का एक हिस्सा अपने पड़ोसियों को कैसे प्रभावित करता है। वर्षों से, ये उपकरण उत्पादों की सिफारिश करने या ट्रैफ़िक की भविष्यवाणी करने जैसे कार्यों में अविश्वसनीय रूप से सफल रहे हैं, लेकिन वे दो भारी बोझ ढो रहे थे जो उनकी क्षमता को सीमित करते हैं।

पहला बोझ समानता के प्रति एक पूर्वाग्रह है। इनमें से अधिकांश नेटवर्क इस धारणा पर काम करते हैं कि जुड़ी हुई चीजें एक जैसी होती हैं, ठीक वैसे ही जैसे दोस्तों की रुचियां अक्सर समान होती हैं। यह तब अच्छा काम करता है जब संबंध मजबूत और एकसमान होते हैं, लेकिन यह तब बुरी तरह विफल हो जाता है जब संबंध बहुत अलग चीजों को जोड़ते हैं। कई वास्तविक दुनिया के परिदृश्यों में, जैसे कि एक रासायनिक प्रतिक्रिया जहाँ विभिन्न परमाणु कुछ नया बनाने के लिए जुड़ते हैं, या एक वित्तीय नेटवर्क जहाँ विशिष्ट संस्थाएं परस्पर क्रिया करती हैं, पड़ोसी मौलिक रूप से भिन्न होते हैं। पुराने उपकरण, जो सामान्य आधार खोजने के लिए अंतरों को मिटा देते हैं, इन विविध संबंधों से सीखने में संघर्ष करते हैं। दूसरा बोझ गहराई की समस्या है। जटिल पैटर्न सीखने के लिए, इन नेटवर्क्स को गहरा होने की आवश्यकता होती है, जिसमें प्रसंस्करण (प्रोसेसिंग) की कई परतों को एक के ऊपर एक रखा जाता है। हालाँकि, जैसे-जैसे वे गहरे होते जाते हैं, सूचना के प्रत्येक हिस्से का अनूठा विवरण लुप्त होता जाता है, जिससे नेटवर्क का हर एक नोड बिल्कुल एक जैसा दिखने लगता है। यह घटना, जिसे 'ओवर-स्मूथिंग' कहा जाता है, इन प्रणालियों को उथला रहने के लिए मजबूर करती है और कठिन समस्याओं को हल करने की उनकी क्षमता को सीमित करती है।

चीन के रेनमिन विश्वविद्यालय के शोधकर्ताओं की एक टीम ने इन दोनों उलझनों को एक साथ सुलझाने के लिए एक नया दृष्टिकोण प्रस्तावित किया है। स्मूथिंग की समस्या और समानता की समस्या को अलग-अलग ठीक करने के बजाय, उन्होंने क्वांटम मैकेनिक्स के भौतिकी से प्रेरित एक नया प्रकार का नेटवर्क बनाया। विशेष रूप से, उन्होंने 'कंटीन्यूअस-टाइम क्वांटम वॉक' नामक एक अवधारणा का उपयोग किया। शास्त्रीय दुनिया में, यदि आप पानी के गिलास में स्याही की एक बूंद गिराते हैं, तो वह धीरे-धीरे फैल जाएगी और तब तक पतली हो जाएगी जब तक कि पानी समान रूप से रंगीन न हो जाए। पारंपरिक नेटवर्क इस तरह से सूचना प्रसारित करते हैं: यह फैलता है और धुंधला हो जाता है। हालाँकि, क्वांटम दुनिया में, एक कण विसरित (डिफ्यूज) नहीं होता; यह एक तरंग के रूप में यात्रा करता है। यह तरंग स्वयं के साथ हस्तक्षेप कर सकती है, जिससे चोटियों और घाटियों के पैटर्न बनते हैं जो चलते समय कण की विशिष्ट पहचान को बनाए रखते हैं। शोधकर्ताओं ने महसूस किया कि इस तरंग-नुमा गति का उपयोग करके अपने नेटवर्क को निर्देशित करके, वे सूचना को फीका पड़ने से रोक सकते हैं और जुड़े हुए नोड्स के बीच के अंतर को भी पकड़ सकते हैं।

नया सिस्टम, जिसे लेखक CTQW-GNN कहते हैं, तीन अलग-अलग प्रकार की सूचना एकत्र करने वाली प्रक्रियाओं को एक साथ चलाकर काम करता है। पहली प्रक्रिया क्वांटम-प्रेरित तरंग गति का उपयोग करके नेटवर्क में सूचना फैलाती है। क्योंकि यह गति क्वांटम भौतिकी के नियमों पर आधारित है, यह सूचना की कुल मात्रा को संरक्षित करती है और इसे धुंधलेपन में क्षय नहीं होने देती। यह नेटवर्क को उच्च-आवृत्ति वाले विवरणों और नोड्स के बीच के अंतरों को देखने की अनुमति देता है जिन्हें अन्य विधियाँ छोड़ देती हैं। दूसरी प्रक्रिया क्वांटम वॉक द्वारा बनाए गए पैटर्न का उपयोग उन नोड्स के बीच संबंध खोजने के लिए करती है जो दूर स्थित हैं, भले ही वे सीधे तौर पर जुड़े न हों। यह नेटवर्क को उन दूर के दोस्तों को खोजने में मदद करता है जो समान गुणों को साझा करते हैं, एक ऐसा कार्य जिसमें मानक विधियाँ अक्सर विफल रहती हैं। तीसरी प्रक्रिया एक अधिक पारंपरिक दृष्टिकोण है जो तत्काल पड़ोसियों पर ध्यान केंद्रित करती है, यह सुनिश्चित करती है कि सिस्टम अभी भी उन ग्राफ्स पर अच्छी तरह से काम करे जहाँ सब कुछ समान है। सूचना के इन तीन प्रवाहों को जोड़कर, नेटवर्क डेटा की एक समृद्ध, विस्तृत तस्वीर बनाता है जिसे न तो पुराने तरीके और न ही नया क्वांटम तरीका अकेले प्राप्त कर सकता था।

शोधकर्ताओं ने सामाजिक नेटवर्क से लेकर रासायनिक संरचनाओं तक चौदह अलग-अलग डेटासेट्स पर इस नए सिस्टम का परीक्षण किया। परिणाम आश्चर्यजनक थे। प्रत्येक डेटासेट पर, नया सिस्टम मौजूदा सर्वोत्तम विधियों से बेहतर प्रदर्शन करता है। उन ग्राफ्स पर जहाँ जुड़े हुए नोड्स एक-दूसरे से बहुत भिन्न थे, नए सिस्टम ने सटीकता में महत्वपूर्ण सुधार किया, जिससे यह सिद्ध हुआ कि वह अपनी राह खोए बिना विविध संबंधों से सफलतापूर्वक सीख सकता है। उन ग्राफ्स पर जहाँ नोड्स बहुत समान थे, इसने सबसे अच्छे पारंपरिक उपकरणों के समान ही प्रदर्शन किया, जिससे पता चला कि इसने समान डेटा को संभालने की अपनी क्षमता का त्याग नहीं किया है। सबसे महत्वपूर्ण बात यह है कि शोधकर्ताओं ने देखा कि जैसे-जैसे वे नेटवर्क को गहरा और गहरा बनाते गए, सूचना एक समान धुंधलेपन में नहीं सिमटी। प्रत्येक नोड की अनूठी विशेषताएं, प्रसंस्करण के कई स्तरों से गुजरने के बाद भी, विशिष्ट बनी रहीं। इसने पुष्टि की कि क्वांटम-प्रेरित दृष्टिकोण ने सफलतापूर्वक ओवर-स्मूथिंग की समस्या को हल कर दिया है, जो वर्षों से इस क्षेत्र में बनी हुई थी।

यह सुनिश्चित करने के लिए कि यह केवल एक तुक्का नहीं था, टीम ने कठोर गणितीय स्पष्टीकरण प्रदान किया कि उनकी विधि क्यों काम करती है। उन्होंने दिखाया कि क्वांटम वॉक सूचना के लिए एक आदर्श दर्पण की तरह कार्य करता है, जो इसकी किसी भी ऊर्जा को अवशोषित किए बिना इसे परावर्तित करता है। यह गुण गारंटी देता है कि नेटवर्क विवरणों को खोए बिना जितना आवश्यक हो उतना गहरा जा सकता है। उन्होंने यह भी स्थापित किया कि क्वांटम वॉक को कितनी देर तक चलना चाहिए, यह सुनिश्चित करते हुए कि सिस्टम पास और दूर के दोनों पड़ोसियों से सही मात्रा में सूचना प्राप्त करे। इस नए तरीके की कम्प्यूटेशनल लागत आश्चर्यजनक रूप से कम है, जो सबसे कुशल मौजूदा उपकरणों की गति से मेल खाती है, जिसका अर्थ है कि इसका उपयोग बिना धीमे हुए विशाल डेटासेट्स पर किया जा सकता है।

यह कार्य आर्टिफिशियल इंटेलिजेंस के क्षेत्र में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है। उप-परमाणु दुनिया के एक सिद्धांत को उधार लेकर, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो पहले की तुलना में अधिक मजबूत, अधिक लचीला और अधिक शक्तिशाली है। यह प्रदर्शित करता है कि वर्तमान एआई की सीमाएं अनिवार्य रूप से स्थायी बाधाएं नहीं हैं, बल्कि सूचना के प्रवाह के मूलभूत नियमों पर पुनर्विचार करके उन्हें दूर किया जा सकता है। नया सिस्टम केवल पुराने मॉडलों के छेदों को नहीं भरता है; यह एक नया आधार बनाता है जो मशीनों को वास्तविक दुनिया की जटिल, विविध और गहरी संरचनाओं को उस स्पष्टता के साथ समझने की अनुमति देता है जो पहले पहुंच से बाहर थी।