Experimental evidence of generalization in quantum machine learning in small-data regime
यह शोध पत्र प्रयोगात्मक साक्ष्य प्रदान करता है कि हार्डवेयर-अनुकूल क्वांटम कन्वोल्यूशनल न्यूरल नेटवर्क (QCNNs), लॉगरिदमिक पैरामीटर स्केलिंग का लाभ उठाकर अत्यंत छोटे डेटासेट से मजबूत सामान्यीकरण (generalization) प्राप्त कर सकते हैं, हालांकि यथार्थवादी इमेज डेटा के लिए उनका व्यावहारिक अनुप्रयोग वर्तमान में अनुकूलन चुनौतियों के बजाय डेटा एनकोडिंग में क्यूबिट दक्षता और सर्किट गहराई के बीच के समझौतों (trade-offs) के कारण सीमित है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
विज्ञान और चिकित्सा के कई क्षेत्रों में, सबसे मूल्यवान जानकारी अक्सर प्राप्त करना सबसे कठिन होता है। दुर्लभ बीमारियों का निदान करने की कोशिश कर रहे डॉक्टर, अद्वितीय आणविक संरचनाओं का अध्ययन करने वाले शोधकर्ता, या एक नए वायरस के प्रसार को ट्रैक करने वाले वैज्ञानिक अक्सर एक निराशाजनक वास्तविकता का सामना करते हैं: उनके पास सीखने के लिए बहुत कम उदाहरण होते हैं। आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) की दुनिया में, जहाँ कंप्यूटर प्रोग्राम को स्मार्ट बनने के लिए आमतौर पर डेटा के विशाल पहाड़ों की आवश्यकता होती है, सूचना की यह कमी एक बड़ी बाधा है। जब एक कंप्यूटर को केवल कुछ ही उदाहरणों पर प्रशिक्षित किया जाता है, तो वह अंतर्निहित नियमों को सीखने के बजाय उन विशिष्ट मामलों को रटने लगता है, जिसे 'ओवरफिटिंग' (overfitting) नामक विफलता कहा जाता है। यह एक महत्वपूर्ण अंतराल छोड़ देता है: हम ऐसे सिस्टम कैसे बना सकते हैं जो केवल कुछ ही उदाहरणों से प्रभावी ढंग से सीख सकें?
एक आशाजनक उत्तर क्वांटम कंप्यूटिंग की विचित्र और शक्तिशाली दुनिया से उभरा है। क्लासिकल कंप्यूटरों के विपरीत, जो जानकारी को सरल ऑन-ऑफ़ स्विच के रूप में संसाधित करते हैं, क्वांटम कंप्यूटर परमाणुओं और प्रकाश को नियंत्रित करने वाले भौतिकी के नियमों का उपयोग जानकारी को रखने और हेरफेर करने के लिए एक बहुत अधिक जटिल तरीके से करते हैं। एक विशिष्ट डिज़ाइन, जिसे क्वांटम कनवोल्यूशनल न्यूरल नेटवर्क कहा जाता है, के बारे में सिद्धांत दिया गया है कि यह छोटे डेटासेट से सीखने में असाधारण रूप से सक्षम है। विचार यह है कि ये नेटवर्क एक विशेष संरचना के साथ बनाए गए हैं जो उन्हें सामान्यीकरण (generalize) करने की अनुमति देता है—अर्थात, वे जो कुछ भी सीखा है उसे नई, अनदेखी स्थितियों में लागू कर सकते हैं—बिना पारंपरिक कंप्यूटर प्रोग्रामों की तरह डेटा की विशाल मात्रा की आवश्यकता के। लेकिन सिद्धांत एक बात है, और वास्तविकता दूसरी। इन क्वांटम प्रणालियों के उपयोगी होने के लिए, उन्हें न केवल गणितीय मॉडलों में, बल्कि आज मौजूद वास्तविक हार्डवेयर पर भी काम करना चाहिए, और उन्हें केवल अमूर्त क्वांटम अवस्थाओं के बजाय वास्तविक दुनिया की छवियों को संभालने में सक्षम होना चाहिए।
शोधकर्ताओं की एक टीम ने इस विचार का वास्तविक दुनिया में परीक्षण करने के लिए हाथ आजमाया, जिसमें यह देखा गया कि क्या ये क्वांटम नेटवर्क वास्तव में बहुत कम छवियों से सीख सकते हैं। उन्होंने नेटवर्क का एक कामकाजी संस्करण बनाया जो वर्तमान क्वांटम मशीनों के अनुकूल है, जो कि एक प्रकार का उपकरण है जो अभी विकास के शुरुआती चरणों में है। यह देखने के लिए कि क्या यह काम करता है, उन्होंने सिस्टम को एक सरल कार्य दिया: हस्तलिखित अंकों शून्य और एक के बीच अंतर करना। उन्होंने प्रशिक्षण के उदाहरणों की एक अत्यंत छोटी संख्या के साथ शुरुआत की, जो केवल दस जितनी कम थी। आश्चर्यजनक रूप से, क्वांटम नेटवर्क ने कार्य को तेजी से सीख लिया। जैसे-जैसे उन्होंने अधिक उदाहरण जोड़े, नई संख्याओं को सही ढंग से पहचानने की उनकी क्षमता में सुधार हुआ, और प्रशिक्षण डेटा और नए डेटा के बीच का अंतर कम हो गया। इसने पुष्टि की कि नेटवर्क केवल देखे गए कुछ चित्रों को रट नहीं रहा था, बल्कि वास्तव में एक नियम सीख रहा था जो उसे सामान्यीकरण करने की अनुमति देता था।
शोधकर्ताओं ने इस प्रयोग को और आगे बढ़ाया ताकि यह देखा जा सके कि क्या यह सफलता एक अधिक कठिन, वास्तविक दुनिया के परिदृश्य में बनी रहती है। वे स्तन ऊतक (breast tissue) के अल्ट्रासाउंड चित्रों वाले एक मेडिकल इमेजिंग डेटासेट की ओर मुड़े, जहाँ लक्ष्य कैंसरयुक्त और गैर-कैंसरयुक्त वृद्धि के बीच अंतर करना था। यह कार्य बहुत कठिन है क्योंकि चित्र बहुत समान दिखते हैं, और डेटा अक्सर असंतुलित होता है। यहाँ भी, क्वांटम नेटवर्क ने कम संख्या में उदाहरणों से कुछ उपयोगी सीखने में सफलता प्राप्त की, और लगातार रैंडम गेसिंग (random guessing) से बेहतर प्रदर्शन किया। हालाँकि, जब उन्होंने इसे समान संख्या में समायोज्य सेटिंग्स वाले एक मानक कंप्यूटर प्रोग्राम के साथ तुलना की, तो क्वांटम सिस्टम ने अपनी जगह बनाए रखी, जबकि क्लासिकल प्रोग्राम कुछ भी सीखने में विफल रहा। इससे पता चला कि क्वांटम डिज़ाइन वास्तव में कम डेटा से अर्थ निकालने में अधिक कुशल था।
फिर भी, कहानी क्वांटम कंप्यूटिंग की एक सरल जीत के साथ समाप्त नहीं हुई। शोधकर्ताओं ने एक महत्वपूर्ण प्रश्न भी पूछा: क्या यह सिस्टम बड़े, उच्च-रिज़ॉल्यूशन वाली छवियों को संभालने के लिए स्केल अप (बड़ा) हो सकता है, जैसे कि अस्पतालों में आज उपयोग की जाने वाली छवियां? उन्होंने सिम्युलेट किया कि क्या होगा यदि वे नेटवर्क में बढ़ती आकार की छवियों को फीड करने का प्रयास करें। उन्होंने पाया कि एक मौलिक बाधा है जिसका संबंध स्वयं लर्निंग एल्गोरिदम से नहीं है, बल्कि इस बात से है कि छवियों को क्वांटम कंप्यूटर की भाषा में कैसे अनुवादित किया जाता है। एक चित्र को क्वांटम मशीन में डालने के लिए, डेटा को मशीन के क्यूबिट्स (qubits), जो क्वांटम सूचना की बुनियादी इकाइयाँ हैं, की अवस्था में एनकोड किया जाना चाहिए। शोधकर्ताओं ने पाया कि इसे करने के दो मुख्य तरीके हैं, और दोनों में एक गंभीर दोष है जब छवि बड़ी हो जाती है। एक विधि बहुत कम क्यूबिट्स का उपयोग करती है लेकिन इसके लिए एक ऐसा सर्किट चाहिए जो इतना गहरा और जटिल हो कि वर्तमान मशीनों पर इसे चलाने में असंभव रूप से लंबा समय लगेगा। दूसरी विधि सर्किट को छोटा और तेज़ रखती है लेकिन इसमें क्यूबिट्स की संख्या बढ़ती जाती है जो छवि के प्रत्येक पिक्सेल के साथ बढ़ती है, जिससे यह किसी भी मौजूदा क्वांटम डिवाइस की भौतिक सीमाओं को पार कर जाती है।
यह खोज इस बात की समझ को नया रूप देती है कि क्वांटम मशीन लर्निंग को क्या रोक रहा है। कम नमूनों से सीखने की क्षमता वास्तविक है और इसे प्रदर्शित किया गया है, लेकिन बड़े पैमाने पर इमेज विश्लेषण के लिए इन प्रणालियों का उपयोग करने का मार्ग लर्निंग प्रोसेस (सीखने की प्रक्रिया) से बाधित नहीं है, बल्कि डेटा को लोड करने की लागत से बाधित है। शोधकर्ताओं ने निष्कर्ष निकाला कि हालांकि क्वांटम नेटवर्क दुर्लभ बीमारी के निदान या आणविक डिजाइन जैसे डेटा-कमी वाले अनुप्रयोगों के लिए बहुत आशाजनक हैं, लेकिन वे सामान्य इमेज प्रोसेसिंग के लिए क्लासिकल कंप्यूटरों की जगह नहीं ले सकते। यह तकनीक आधुनिक दुनिया के विशाल डेटासेट को संभालने के लिए तैयार नहीं है क्योंकि हार्डवेयर आवश्यक डेटा एनकोडिंग का समर्थन नहीं कर सकता है। यह कार्य एक परिदृश्य का स्पष्ट मानचित्र प्रस्तुत करता है: कम डेटा से सीखने की क्षमता मौजूद है, लेकिन उस डेटा को मशीन में फीड करने की इंजीनियरिंग चुनौती अभी भी प्रमुख बाधा बनी हुई है।
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।