Quantum-Enhanced Learning Framework for Intelligent and AI-Native 6G Wireless Networks

दुनिया एक ऐसे भविष्य की ओर बढ़ रही है जहाँ हमारे उपकरण—कारखानों में स्मार्ट सेंसर से लेकर हमारी सड़कों पर चलने वाली कारों तक—लगातार एक-दूसरे से बात करेंगे। संचार की यह अगली पीढ़ी, जिसे 6G के रूप में जाना जाता है, अविश्वसनीय रूप से तेज़ और प्रतिक्रियाशील होने का वादा करती है, लेकिन यह एक अनूठी चुनौती भी लाती है: इन उपकरणों के पास अक्सर बहुत सीमित शक्ति और प्रसंस्करण क्षमता होती है। वे उस भारी, जटिल सॉफ़्टवेयर को नहीं ढो सकते जो सुरक्षा खतरों को पहचानने के लिए आवश्यक है, जैसे कि कोई हैकर घुसपैठ करने की कोशिश कर रहा हो। इसे हल करने के लिए, इंजीनियर "टिनी मशीन लर्निंग" (Tiny Machine Learning) की ओर मुड़ रहे हैं, जो आर्टिफिशियल इंटेलिजेंस को छोटा करने का एक तरीका है ताकि इसे सीधे इन छोटे, बैटरी से चलने वाले गैजेट्स पर चलाया जा सके। लक्ष्य यह है कि उपकरण खुद सोचना सीख जाए, और डेटा को किसी विशाल सर्वर पर भेजने के बजाय तुरंत खतरे को पहचान ले। हालाँकि, इसमें एक पेंच है। डेटा में पैटर्न पहचानने वाले सबसे शक्तिशाली उपकरणों के लिए आमतौर पर बहुत अधिक ऊर्जा की आवश्यकता होती है, जबकि वे छोटे उपकरण जो इन उपकरणों पर फिट होते हैं, अक्सर बड़ी तस्वीर को समझने में चूक जाते हैं। शोधकर्ता अब यह पूछ रहे हैं कि क्या उनके पास हार्डवेयर पर बोझ डाले बिना दोनों दुनियाओं का सर्वश्रेष्ठ प्राप्त करने का कोई तरीका है।

शोधकर्ताओं की एक टीम ने एक चतुर समाधान प्रस्तावित किया है जो क्वांटम भौतिकी के अजीब नियमों का उपयोग करता है, न कि सुरक्षा सॉफ़्टवेयर को डिवाइस पर चलाने के लिए, बल्कि उसे सोचने के सिखाने के लिए। वे इस नई प्रणाली को "क्वांटुमर" (Quantumer) कहते हैं। विचार यह है कि केवल प्रशिक्षण चरण के दौरान एक क्वांटम कंप्यूटर, या उसके सिमुलेशन का उपयोग किया जाए। एक मास्टर शिक्षक की कल्पना करें जो उन पैटर्न को देख सकता है जिन्हें एक सामान्य छात्र नहीं देख पाता। यह शिक्षक छात्र को खतरे को पहचानने का सही तरीका सीखने में मदद करता है, लेकिन एक बार जब पाठ समाप्त हो जाता है, तो शिक्षक चला जाता है, और छात्र केवल मानक, रोजमर्रा के उपकरणों का उपयोग करके अपने दम पर आगे बढ़ता है। इस मामले में, "छात्र" एज डिवाइस (edge device) पर चलने वाला छोटा सॉफ़्टवेयर है, और "शिक्षक" एक छोटा क्वांटम सर्किट है जो अंतिम मॉडल बनाने से पहले डेटा को एक स्पष्ट रूप देने के लिए आकार देता है।

शोधकर्ताओं ने इसे सफल बनाने के लिए दो चरणों वाली प्रक्रिया तैयार की है। सबसे पहले, उन्होंने "क्वांटुमर-क्यू" (Quantumer-Q) नामक एक प्रणाली बनाई, जो प्रशिक्षण मैदान के रूप में कार्य करती है। यहाँ, वे नेटवर्क ट्रैफ़िक डेटा—जैसे कि संचार करने की कोशिश कर रहे उपकरणों के डिजिटल पदचिह्न—को एक संक्षिप्त आर्टिफिशियल इंटेलिजेंस मॉडल में फीड करते हैं। यह मॉडल डेटा को एक विशेष क्वांटम परत के माध्यम से गुजारता है। यह परत एक छोटे, चार-क्यूबिट (four-qubit) क्वांटम सर्किट का उपयोग करती है। सरल शब्दों में, एक क्यूबिट क्वांटम सिस्टम में सूचना की एक इकाई है जो एक साथ कई अवस्थाओं में रह सकती है, जिससे यह जानकारी को अत्यधिक जटिल, गैर-रेखीय (non-linear) तरीके से संसाधित कर सकती है। यह सर्किट डेटा को लेता है और उसे एक नए आकार में मोड़ देता है, जिससे सामान्य ट्रैफ़िक और दुर्भावनापूर्ण हमलों के बीच के अंतर को उजागर किया जा सके। यह प्रणाली को सामान्य तरीकों की तुलना में बहुत अधिक प्रभावी ढंग से अच्छे ट्रैफ़िक और बुरे ट्रैफ़िक के बीच अंतर करना सीखने में मदद करता है।

एक बार जब सिस्टम इन पैटर्न को सीख लेता है, तो दूसरा चरण शुरू होता है। शोधकर्ता क्वांटम सर्किट को पूरी तरह से हटा देते हैं। जो बचता है वह एक शुद्ध क्लासिकल मॉडल है, जिसे "क्वांटुमर-सी" (Quantumer-C) कहा जाता है, जो एक रास्पबेरी पाई (Raspberry Pi) पर फिट होने के लिए पर्याप्त छोटा है, जो शौकीनों और इंजीनियरों द्वारा उपयोग किया जाने वाला एक लोकप्रिय, कम लागत वाला कंप्यूटर है। यह अंतिम मॉडल क्वांटम प्रशिक्षण से प्राप्त ज्ञान को बनाए रखता है, लेकिन यह केवल सामान्य सिलिकॉन चिप्स का उपयोग करके संचालित होता है जो रोजमर्रा के इलेक्ट्रॉनिक्स में पाए जाते हैं। परिणाम यह है कि यह एक अत्यंत कुशल सुरक्षा प्रणाली है। शोधकर्ताओं ने इसका परीक्षण औद्योगिक और इंटरनेट-ऑफ-थिंग्स (IoT) नेटवर्क का प्रतिनिधित्व करने वाले तीन अलग-अलग डेटासेट्स पर किया। उन्होंने पाया कि यह मॉडल, जो 105,000 से अधिक मापदंडों (वे आंतरिक सेटिंग्स जो AI के सोचने के तरीके को परिभाषित करती हैं) का उपयोग करता है, उच्च सटीकता के साथ घुसपैठ का पता लगा सकता है।

जब उन्होंने इस प्रशिक्षित मॉडल को रास्पबेरी पाई 4 पर तैनात किया, तो सीमित संसाधनों वाले इस डिवाइस के लिए परिणाम आश्चर्यजनक थे। सिस्टम लगभग 16.8 मिलीसेकंड में एक निर्णय ले सकता है, और 0.65 मेगाबाइट से कम मेमोरी का उपयोग करता है। इसे समझने के लिए, पूरा मॉडल एक एकल उच्च-रिज़ॉल्यूशन वाली तस्वीर से भी छोटा है, फिर भी यह नेटवर्क ट्रैफ़िक को स्कैन कर सकता है और खतरों की पहचान लगभग तुरंत कर सकता है। शोधकर्ताओं ने अपने दृष्टिकोण की तुलना अन्य उन्नत मॉडलों से की, जिनमें डीप न्यूरल नेटवर्क और अन्य हल्के ट्रांसफॉर्मर शामिल हैं। हालांकि उनमें से कुछ मॉडल थोड़े अधिक सटीक थे, लेकिन उन्हें काफी अधिक मेमोरी और प्रोसेसिंग पावर की आवश्यकता थी, जिससे वे 6G नेटवर्क को शक्ति देने वाले छोटे उपकरणों के लिए अव्यवहारिक हो गए। क्वांटम-सहायता प्राप्त प्रशिक्षण ने उनके मॉडल को अपनी क्षमता से कहीं अधिक प्रदर्शन करने में सक्षम बनाया, जिससे यह बड़े सिस्टमों के करीब प्रदर्शन स्तर प्राप्त करने के साथ-साथ छोटा और ऊर्जा-कुशल बना रहा।

यह अध्ययन स्पष्ट करता है कि यह आपकी कार या आपके स्मार्ट थर्मोस्टेट पर क्वांटम कंप्यूटर चलाने के बारे में नहीं है। क्वांटम वाला हिस्सा पूरी तरह से प्रशिक्षण चरण के लिए है, जिसका उपयोग मॉडल को दुनिया को स्पष्ट रूप से देखने के लिए सिखाने के लिए ऑफलाइन किया जाता है। एक बार जब शिक्षण समाप्त हो जाता है, तो क्वांटम हार्डवेयर की अब आवश्यकता नहीं होती। यह अंतर महत्वपूर्ण है क्योंकि इसका मतलब है कि अंतिम सुरक्षा प्रणाली को उन्हीं सस्ते, व्यापक रूप से उपलब्ध चिप्स के साथ बनाया जा सकता है जो आज पहले से ही उपयोग में हैं। शोधकर्ताओं ने प्रदर्शित किया कि क्वांटम मैकेनिक्स का उपयोग करके सीखने की प्रक्रिया को आकार देकर, वे एक ऐसा "शिक्षक" बना सकते हैं जो एक छोटे, क्लासिकल मॉडल को जटिल डेटा पैटर्न समझने में मदद करता है। यह दृष्टिकोण परिष्कृत सुरक्षा की आवश्यकता और सीमित हार्डवेयर की वास्तविकता के बीच के अंतर को पाटता है, जो 6G नेटवर्क बनाने वाले अरबों उपकरणों को सुरक्षित करने के लिए एक व्यावहारिक मार्ग प्रदान करता है।

निष्कर्ष बताते हैं कि यह हाइब्रिड विधि नेटवर्क के किनारे (edge) पर उन्नत बुद्धिमत्ता लाने का एक व्यवहार्य तरीका है। मॉडल ने विभिन्न प्रकार के औद्योगिक और उपभोक्ता नेटवर्क में 'डिनियल-ऑफ-सर्विस' (denial-of-service) के प्रयासों और डेटा चोरी सहित विभिन्न प्रकार के साइबर हमलों की सफलतापूर्वक पहचान की। शोधकर्ताओं ने नोट किया कि जब उन्होंने क्वांटम परत को हटाया और मॉडल को रास्पबेरी पाई के लिए अत्यधिक संकुचित प्रारूप में परिवर्तित किया, तो सटीकता थोड़ी कम हो गई, फिर भी सिस्टम मजबूत और तेज़ बना रहा। यह समझौता स्वीकार्य है क्योंकि विकल्प—एक बहुत बड़े, ऊर्जा की खपत करने वाले मॉडल का उपयोग करना—इन उपकरणों पर काम ही नहीं करेगा। यह कार्य पुष्टि करता है कि क्वांटम-उन्नत प्रशिक्षण ऐसे क्लासिकल मॉडल तैयार कर सकता है जो स्मार्ट और छोटे दोनों हैं, जो अपनी बैटरी को खत्म किए बिना जुड़े हुए विश्व की रक्षा करने के लिए तैयार हैं।