Measurement-Budget Allocation in Quantum Learning with Finite-Shot Generalization Guarantees

क्वांटम मशीन लर्निंग के उभरते क्षेत्र में, शोधकर्ता कंप्यूटर को क्वांटम भौतिकी के विचित्र नियमों का उपयोग करके पैटर्न पहचानना सिखाने की कोशिश कर रहे हैं। ये मशीनें, जो वर्तमान में अपने शुरुआती चरणों में हैं, उन सिद्धांतों पर काम करती हैं जो हमारे रोजमर्रा के क्लासिकल कंप्यूटरों से मौलिक रूप से भिन्न हैं। बिट्स को प्रोसेस करने के बजाय, जो सख्ती से शून्य या एक होते हैं, वे क्वांटम अवस्थाओं (quantum states) का हेरफेर करती हैं, जो जटिल सुपरपोजिशन (superpositions) में मौजूद हो सकती हैं। भविष्यवाणी करने के लिए, एक क्वांटम कंप्यूटर को इन अवस्थाओं को मापना होता है, लेकिन माप की क्रिया संभाव्य (probabilistic) होती है; यह तुरंत एक एकल, निश्चित उत्तर प्रकट नहीं करती है। इसके बजाय, यह एक यादृच्छिक परिणाम उत्पन्न करती है, जो कई बार दोहराए जाने पर एक विशिष्ट परिणाम की अंतर्निहित संभावना को प्रकट करता है। इस प्रक्रिया को 'बॉर्न नियम' (Born rule) के रूप में जाना जाता है, और यह क्वांटम दुनिया और उस डेटा के बीच का सेतु है जिससे डेटा वैज्ञानिकों को सीखना होता है।

चूंकि ये मशीनें अभी भी बनाई जा रही हैं और अक्सर क्लाउड सेवाओं के माध्यम से एक्सेस की जाती हैं, इसलिए वे प्रयोगों को कितनी बार चलाया जा सकता है, इस पर सख्त सीमाएं लेकर आती हैं। इस सीमा को 'मेजरमेंट बजट' (measurement budget) कहा जाता है। हर बार जब कंप्यूटर डेटा एकत्र करने के लिए एक सर्किट चलाता है, तो वह इस बजट का एक हिस्सा खर्च करता है। वैज्ञानिकों के लिए मुख्य चुनौती इस सीमित संसाधन को खर्च करने का निर्णय लेना है। उन्हें यह चुनने के लिए संघर्ष करना पड़ता है कि क्या प्रयोग को कुछ अलग डेटा बिंदुओं पर बहुत सटीक रीडिंग प्राप्त करने के लिए कई बार चलाया जाए, या एक व्यापक चित्र बनाने के लिए बड़ी संख्या में विभिन्न डेटा बिंदुओं पर कम बार चलाया जाए। इस संतुलन को गलत करने का अर्थ यह हो सकता है कि कंप्यूटर कुछ भी उपयोगी नहीं सीख पाएगा, या तो इसलिए क्योंकि उसने सामान्यीकरण करने के लिए बहुत कम उदाहरण देखे हैं, या इसलिए क्योंकि उन उदाहरणों की रीडिंग इतनी शोरयुक्त (noisy) है कि उन पर भरोसा नहीं किया जा सकता।

फरहत ओजगुर कटाक (Ferhat Ozzer Catak) नामक एक शोधकर्ता ने क्वांटम लर्निंग के लिए संसाधन आवंटन की इस विशिष्ट समस्या पर काम किया है। यह कार्य बाइनरी क्लासिफायर (binary classifiers) पर केंद्रित है, जो क्वांटम अवस्थाओं को दो श्रेणियों में से एक में वर्गीकृत करने के लिए डिज़ाइन किए गए सिस्टम हैं, जैसे कि "हाँ" या "नहीं"। लक्ष्य यह निर्धारित करना था कि कुल मापों की एक निश्चित संख्या को प्रशिक्षण के विभिन्न उदाहरणों की संख्या और प्रत्येक उदाहरण को किए गए मापों की संख्या के बीच इष्टतम तरीके से कैसे विभाजित किया जाए। अध्ययन यह सिद्ध करता है कि यहाँ एक सटीक गणितीय ट्रेड-ऑफ (tradeoff) है: प्रशिक्षण उदाहरणों की संख्या बढ़ाने से एक प्रकार की त्रुटि कम होती है, जबकि प्रत्येक उदाहरण के मापों की संख्या बढ़ाने से दूसरे प्रकार की त्रुटि कम होती है। यदि कोई वैज्ञानिक अपना पूरा बजट केवल कुछ ही उदाहरणों पर हजारों मापों के साथ खर्च करता है, तो वह उन कुछ उदाहरणों को तो पूरी तरह से समझ सकता है लेकिन व्यापक पैटर्न को समझने में विफल हो सकता है। इसके विपरीत, यदि वे हजारों उदाहरणों पर केवल एक माप के साथ अपना बजट बहुत अधिक फैला देते हैं, तो डेटा का शोर किसी भी संकेत (signal) को दबा देगा।

यह शोध पत्र इन दोनों चरम सीमाओं के बीच एक 'स्वीट स्पॉट' (sweet spot) खोजने के लिए एक विशिष्ट नियम व्युत्पन्न करता है। यह दिखाता है कि सबसे अच्छी रणनीति एक पक्ष को अधिकतम करना या दूसरे को नहीं, बल्कि एक मध्य मार्ग खोजना है जहाँ प्रशिक्षण उदाहरणों की संख्या और प्रत्येक उदाहरण के मापों की संख्या एक विशिष्ट तरीके से संतुलित हो। यह संतुलन क्वांटम सिस्टम के आकार और उपलब्ध कुल बजट पर निर्भर करता है। शोधकर्ताओं ने पाया कि प्रशिक्षण उदाहरणों की इष्टतम संख्या कुल बजट के वर्गमूल (square root) के साथ बढ़ती है, जिसे एक लॉगरिदमिक कारक (logarithmic factor) द्वारा समायोजित किया जाता है। इसका अर्थ यह है कि जैसे-जैसे आपको अधिक संसाधन मिलते हैं, आपको उदाहरणों की संख्या और प्रति उदाहरण मापों की संख्या दोनों को बढ़ाना चाहिए, लेकिन एक सरल एक-से-एक अनुपात में नहीं। परिणामी नियम एक रूढ़िवादी दिशानिर्देश प्रदान करता है, यह सुनिश्चित करता है कि सबसे खराब स्थिति में भी, लर्निंग सिस्टम एक अनुमानित सटीकता की सीमा के भीतर प्रदर्शन करेगा।

इस सिद्धांत को सत्यापित करने के लिए, शोधकर्ताओं ने 'पेनीलेन' (PennyLane) नामक एक सॉफ्टवेयर प्लेटफॉर्म का उपयोग करके व्यापक सिमुलेशन चलाए। उन्होंने अपने नियम का परीक्षण दो अलग-अलग आकार के क्वांटम सिस्टम पर किया: एक जिसमें दो क्वबिट्स (qubits) थे और दूसरा जिसमें चार क्वबिट्स थे। उन्होंने नौ अलग-अलग सिंथेटिक डेटासेट बनाए, जो सरल, आसानी से अलग होने वाले समूहों से लेकर अधिक जटिल, ओवरलैपिंग पैटर्न तक विस्तृत थे। हर एक परीक्षण में, उन्होंने लर्निंग सिस्टम के वास्तविक प्रदर्शन की तुलना उनके नए नियम द्वारा अनुमानित सैद्धांतिक सीमा से की। परिणाम सुसंगत थे: वास्तविक त्रुटि दरें सैद्धांतिक सुरक्षा मार्जिन से कभी अधिक नहीं हुईं। सिमुलेशन ने पुष्टि की कि प्रस्तावित आवंटन रणनीति एक विश्वसनीय योजना उपकरण के रूप में काम करती है, जो सिस्टम को इसके अनुमानित प्रदर्शन स्तरों के भीतर सुरक्षित रखती है।

यह अध्ययन यह भी स्पष्ट करता है कि वर्तमान क्वांटम लर्निंग प्रयोग अक्सर अक्षम क्यों होते हैं। इस क्षेत्र में एक सामान्य अभ्यास प्रशिक्षण के बहुत कम अवस्थाओं के लिए बहुत अधिक संख्या में माप का उपयोग करना रहा है। विश्लेषण बताता है कि यह दृष्टिकोण अक्सर सिस्टम को एक "सैंपल-लिमिटेड" (sample-limited) शासन में छोड़ देता है, जहाँ विविध उदाहरणों की कमी प्राथमिक बाधा होती है, न कि मापों की सटीकता। संसाधनों को अधिक विशिष्ट प्रशिक्षण अवस्थाओं को शामिल करने की ओर स्थानांतरित करके, भले ही इसका अर्थ प्रत्येक के लिए थोड़ी शोरयुक्त रीडिंग स्वीकार करना हो, समग्र लर्निंग प्रदर्शन में काफी सुधार हो सकता है। यह अंतर्दृष्टि वैज्ञानिकों को भविष्य की तकनीकी सफलताओं की प्रतीक्षा किए बिना, वर्तमान, अपूर्ण हार्डवेयर पर बेहतर प्रयोग डिजाइन करने का एक व्यावहारिक तरीका प्रदान करती है।

हालाँकि ये निष्कर्ष नियोजन के लिए एक ठोस सांख्यिकीय आधार प्रदान करते हैं, लेखक अपने कार्य की सीमाओं को नोट करने में सावधानी बरतते हैं। यह नियम उन स्थितियों पर लागू होता है जहाँ माप सेटिंग्स निश्चित हैं या डेटा के स्वतंत्र रूप से चुनी गई हैं, जैसे कि एक मॉडल का मूल्यांकन करना जिसे पहले ही प्रशिक्षित किया जा चुका है। यह अभी उस अधिक जटिल परिदृश्य को कवर नहीं करता है जहाँ प्रशिक्षण प्रक्रिया के दौरान ही माप सेटिंग्स को गतिशील रूप से समायोजित किया जाता है। इसके अलावा, विश्लेषण एक आदर्श वातावरण मानता है जहाँ एकमात्र त्रुटि स्रोत माप प्रक्रिया का सांख्यिकीय शोर है। यह वास्तविक दुनिया के क्वांटम हार्डवेयर की भौतिक खामियों को ध्यान में नहीं रखता है, जैसे कि पर्यावरण या स्वयं मशीन के कारण होने वाली त्रुटियां। ये भौतिक त्रुटियां एक 'नॉइज़ फ्लोर' (noise floor) बनाती हैं जो सांख्यिकीय शोर के ऊपर स्थित होती हैं, जिसका अर्थ है कि वास्तविक उपकरणों पर, आवश्यक मापों की संख्या उनके नियम द्वारा सुझाए गए संख्या से भी अधिक हो सकती है।

इन सीमाओं के बावजूद, यह कार्य क्षेत्र के लिए एक स्पष्ट, कार्रवाई योग्य मार्ग प्रदान करता है। यह बातचीत को संसाधनों को कैसे खर्च करने का अनुमान लगाने से बदलकर, सांख्यिकी के नियमों के आधार पर सबसे कुशल वितरण की गणना करने की ओर ले जाता है। माप बजट को एक सीमित संसाधन के रूप में मानकर, जिसे विस्तार (breadth) और गहराई (depth) के बीच सावधानीपूर्वक विभाजित किया जाना चाहिए, शोधकर्ता ओवर-सैंपलिंग और अंडर-सैंपलिंग दोनों के खतरों से बच सकते हैं। अध्ययन निष्कर्ष निकालता है कि हालांकि पूर्ण क्वांटम लर्निंग का मार्ग अभी लंबा है, लेकिन डेटा की मात्रा और माप की सटीकता के बीच ट्रेड-ऑफ को नेविगेट करने के लिए एक विश्वसनीय मानचित्र होना एक महत्वपूर्ण कदम है। यह मार्गदर्शन वैज्ञानिकों को आज के सीमित क्षमताओं वाले क्वांटम उपकरणों से अधिकतम संभव मूल्य निकालने की अनुमति देता है, यह सुनिश्चित करता है कि प्रत्येक माप क्वांटम दुनिया की अधिक मजबूत समझ की ओर बढ़े।