Object Detection Using Quantum Transfer Learning

आर्टिफिशियल इंटेलिजेंस की दुनिया में, कंप्यूटर यह पहचानने में उल्लेखनीय रूप से कुशल होते जा रहे हैं कि चीजें क्या हैं। वे एक तस्वीर देख सकते हैं और आपको बता सकते हैं कि एक कुत्ता कालीन पर बैठा है। लेकिन एक अधिक कठिन चुनौती अभी भी बाकी है: मशीन को न केवल कुत्ते की पहचान करना सिखाना, बल्कि यह भी बताना कि वह तस्वीर में ठीक कहाँ स्थित है, यानी उसके चारों ओर एक सटीक बॉक्स बनाना। यह कार्य, जिसे 'ऑब्जेक्ट डिटेक्शन' (वस्तु पहचान) कहा जाता है, के लिए कंप्यूटर को एक साथ दो चीजें सीखने की आवश्यकता होती है: वस्तु की पहचान और अंतरिक्ष में उसकी निरंतर स्थिति। जबकि पारंपरिक कंप्यूटर प्रोग्रामों ने डेटा की विशाल मात्रा और लाखों समायोज्य सेटिंग्स (adjustable settings) का उपयोग करके इसे प्रबंधित किया है, वे अक्सर इन दोनों लक्ष्यों को कुशलतापूर्वक संतुलित करने में संघर्ष करते हैं। एक नया क्षेत्र, क्वांटम मशीन लर्निंग, एक अलग मार्ग प्रदान करता है। यह क्वांटम भौतिकी के विचित्र नियमों का उपयोग करता है, जहाँ कण एक ही समय में कई अवस्थाओं में मौजूद हो सकते हैं, ताकि सूचना को संसाधित किया जा सके। हालाँकि, सीखने के लिए क्वांटम कंप्यूटरों का उपयोग करने के शुरुआती प्रयासों में से अधिकांश ने केवल सरल 'हाँ या ना' वाले प्रश्नों पर ध्यान केंद्रित किया है, जिससे वस्तुओं को खोजने और बॉक्स बनाने जैसे जटिल कार्य काफी हद तक अछूते रह गए।

शाहरूद यूनिवर्सिटी ऑफ टेक्नोलॉजी, ईरान के शोधकर्ताओं के एक दल ने अब इस अंतर को पाट दिया है। उन्होंने एक नया हाइब्रिड सिस्टम बनाया है जो वस्तु का पता लगाने के लिए एक मानक कंप्यूटर प्रोग्राम को एक छोटे क्वांटम सर्किट के साथ जोड़ता है। उनका कार्य बताता है कि इस कठिन समस्या को हल करने के लिए, एक क्वांटम कंप्यूटर को पूरी तरह से 'एंटैंगल्ड' (entangled), या गहराई से परस्पर जुड़ा हुआ होने की आवश्यकता नहीं है, जैसा कि कई वैज्ञानिकों ने पहले माना था। इसके बजाय, उन्होंने पाया कि सूचना के प्रवाह को सावधानीपूर्वक नियंत्रित करने से बहुत कम सेटिंग्स के साथ उच्च प्रदर्शन प्राप्त किया जा सकता है।

शोधकर्ताओं ने एक मानक, पूर्व-प्रशिक्षित (pre-trained) कंप्यूटर प्रोग्राम से शुरुआत की जो छवियों में दृश्य विशेषताओं को पहचानने में पहले से ही बहुत अच्छा है। उन्होंने इस प्रोग्राम के आउटपुट को लिया और उसे केवल आठ क्वबिट्स (qubits) से बने एक छोटे क्वांटम सिस्टम में डाल दिया। क्वबिट्स क्वांटम कंप्यूटर में सूचना की बुनियादी इकाइयाँ हैं। टीम ने इन आठ क्वबिट्स को दो समूहों में विभाजित किया। पहले चार क्वबिट्स यह निर्धारित करने के लिए समर्पित थे कि वस्तु क्या है, जैसे कि बिल्ली या कुत्ता। अन्य चार क्वबिट्स उस बॉक्स के सटीक निर्देशांक (coordinates) की गणना करने के कार्य के लिए सौंपे गए थे जो वस्तु के चारों ओर होगा। इस अलगाव ने सिस्टम को इन दो अलग-अलग प्रकार के शिक्षण को एक-दूसरे के काम में बाधा डाले बिना एक साथ संभालने की अनुमति दी।

इन दो समूहों के क्वबिट्स को जोड़ने के लिए, शोधकर्ताओं ने दो अलग-अलग वायरिंग पैटर्न का परीक्षण किया। एक पैटर्न एक सीधी रेखा है, जहाँ प्रत्येक क्वबिट केवल अपने निकटतम पड़ोसी से जुड़ा होता है। दूसरा एक वृत्त (circle) है, जहाँ अंतिम क्वबिट पहले वाले से वापस जुड़कर एक बंद लूप बनाता है। उन्होंने पाया कि गोलाकार व्यवस्था काफी बेहतर काम करती है। इस गोलाकार सेटअप में, क्वबिट्स के दो समूहों के बीच का संबंध आश्चर्यजनक रूप से कमजोर था, फिर भी सिस्टम ने अत्यधिक सटीकता के साथ डिटेक्शन कार्य किया। वास्तव में, गोलाकार डिजाइन ने 0.9488 का डिटेक्शन स्कोर प्राप्त किया, जो बहुत बड़े, पारंपरिक कंप्यूटर मॉडल के प्रदर्शन के लगभग समान है।

जो परिणाम को इतना प्रभावशाली बनाता है वह इसकी दक्षता है। नए क्वांटम मॉडल को कार्य सीखने के लिए केवल लगभग दस हजार समायोज्य सेटिंग्स की आवश्यकता थी। इसके विपरीत, उनके द्वारा तुलना किए गए बड़े पारंपरिक मॉडलों को समान परिणाम प्राप्त करने के लिए दस लाख से अधिक सेटिंग्स की आवश्यकता थी। यह आवश्यक सेटिंग्स की संख्या में 99 प्रतिशत से अधिक की कमी को दर्शाता है। शोधकर्ताओं ने दिखाया कि गोलाकार वायरिंग का उपयोग करके, वे दोनों कार्यों के बीच एंटैंगलमेंट (entanglement) की मात्रा को दबा सकते हैं। एंटैंगलमेंट एक क्वांटम घटना है जहाँ कण इस तरह से जुड़े होते हैं कि एक की अवस्था तुरंत दूसरे को प्रभावित करती है। लंबे समय से यह माना जाता रहा है कि अधिक एंटैंगलमेंट का अर्थ अधिक शक्ति होता है। यह अध्ययन सुझाव देता है कि इस विशिष्ट कार्य के लिए इसके विपरीत सत्य है: एंटैंगलमेंट को सीमित करना और सूचना के प्रवाह को नियंत्रित करना वास्तव में सिस्टम को बेहतर तरीके से सीखने में मदद करता है।

टीम ने थर्मोडायनामिक्स (ऊष्मागतिकी) के लेंस से भी इस प्रक्रिया को देखा, जो भौतिक विज्ञान की वह शाखा है जो ऊष्मा और ऊर्जा से संबंधित है। उन्होंने सीखने की प्रक्रिया को एक ऐसी प्रणाली के रूप में व्याख्यायित किया जो कम ऊर्जा और कम अव्यवस्था (disorder) की स्थिति तक पहुँचने का प्रयास कर रही है। जैसे-जैसे मॉडल सीखता गया, इसकी भविष्यवाणियों में अनिश्चितता कम होती गई, ठीक वैसे ही जैसे एक गर्म वस्तु अपने परिवेश के अनुरूप ठंडी होकर स्थिर होती है। सिस्टम का वह हिस्सा जो वस्तु के स्थान को खोजने के लिए जिम्मेदार था, एक भौतिक बल की तरह कार्य करता है जो भविष्यवाणी को सही स्थान पर खींचता है, जबकि पहचान करने के लिए जिम्मेदार हिस्सा भ्रम को कम करने का कार्य करता है। इस तरह से सीखने की प्रक्रिया को देखते हुए, शोधकर्ता समझा सके कि यह सिस्टम इतने कम सेटिंग्स के साथ इतना अच्छा क्यों काम कर रहा था।

इन निष्कर्षों ने क्वांटम कंप्यूटिंग के क्षेत्र में एक सामान्य धारणा को चुनौती दी है। कई विशेषज्ञों का मानना था कि जटिल समस्याओं को हल करने के लिए, क्वांटमान कंप्यूटरों को जितना संभव हो सके उतना अधिक एंटैंगलमेंट उत्पन्न करना चाहिए। यह शोध पत्र प्रदर्शित करता है कि ऑब्जेक्ट डिटेक्शन के लिए, कुंजी केवल अधिक एंटैंगलमेंट नहीं है, बल्कि यह है कि इसे कैसे व्यवस्थित किया गया है। एक गोलाकार टोपोलॉजी का उपयोग करके सूचना के प्रवाह को विनियमित करके, सिस्टम अनावश्यक शोर को छानने और उन विवरणों पर ध्यान केंद्रित करने में सक्षम था जो महत्वपूर्ण थे। परिणाम एक अत्यधिक कुशल मॉडल है जो वर्तमान तकनीक की तुलना में बहुत कम संसाधनों का उपयोग करके सटीकता के साथ वस्तुओं की पहचान और स्थान का पता लगा सकता है।

यह कार्य इस बात के लिए एक नया द्वार खोलता है कि हम भविष्य के आर्टिफिशियल इंटेलिजेंस को कैसे बना सकते हैं। यह सुझाव देता है कि सबसे शक्तिशाली क्वांटमान सिस्टम वे नहीं होंगे जो सबसे अधिक अराजक या परस्पर जुड़े हुए हैं, बल्कि वे होंगे जिन्हें सूचना को ठीक वहीं निर्देशित करने के लिए सावधानीपूर्वक संरचित किया गया है। शोधकर्ताओं ने दिखाया है कि एक ऐसा क्वांटम-एन्हांस्ड डिटेक्टर बनाना संभव है जो अविश्वसनीय रूप से सटीक और उल्लेखनीय रूप से सुव्यवस्थित (lean) दोनों हो। जैसे-जैसे क्वांटम हार्डवेयर में सुधार जारी है, नियंत्रित सूचना प्रवाह और लक्षित दक्षता के ये सिद्धांत अगली पीढ़ी की बुद्धिमान मशीनों के ब्लूप्रिंट बन सकते हैं।