Distilling Datasets into Shallow Circuits for Quantum Machine Learning
यह शोध पत्र क्वांटम डेटासेट डिस्टिलेशन (QDD) को प्रस्तुत करता है, जो एक ऐसी विधि है जो बार-बार होने वाले स्टेट प्रिपरेशन ओवरहेड को समाप्त करने के लिए पूर्ण डेटासेट को सीधे पैरामीट्रिक शैलो सर्किट्स के एक छोटे सेट में डिस्टिल करती है, जिससे पूर्ण-डेटा प्रशिक्षण के समान सटीकता प्राप्त होती है और शॉट काउंट में महत्वपूर्ण कमी आती है और वास्तविक क्वांटम हार्डवेयर पर सफल सत्यापन होता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
क्वांटम मशीन लर्निंग के उभरते हुए क्षेत्र में, वैज्ञानिक कंप्यूटरों को क्वांटम भौतिकी के विचित्र नियमों का उपयोग करके सीखना सिखा रहे हैं। साधारण कंप्यूटरों में पाए जाने वाले मानक बिट्स के विपरीत, जो या तो शून्य या एक होते हैं, ये मशीनें क्वांटम बिट्स या 'क्यूबिट्स' का उपयोग करती हैं, जो अवस्थाओं के जटिल संयोजनों में मौजूद हो सकते हैं। ऐसी मशीन को सिखाने के लिए, शोधकर्ताओं को पहले साधारण डेटा, जैसे कि एक तस्वीर, को एक विशिष्ट क्वांटम अवस्था में अनुवादित करना होता है। यह अनुवाद एक साधारण प्रतिलिपि नहीं है; इसके लिए एक विशेष अनुक्रम, जिसे सर्किट कहा जाता है, की आवश्यकता होती है ताकि मशीन द्वारा डेटा को प्रोसेस करने से पहले उसे तैयार किया जा सके। चुनौती यह है कि इस तैयारी अनुक्रम को बनाना समय और कंप्यूटिंग शक्ति के मामले में अत्यधिक महंगा है। प्रत्येक छवि जिसे मशीन को सीखना है, उसके लिए तैयारी सर्किट को फिर से बनाया और चलाया जाना चाहिए। जब हजारों छवियों की बात आती है, तो यह प्रक्रिया एक बड़ा अवरोध बन जाती है, जिससे प्रशिक्षण की गति बहुत धीमी हो जाती है और उन संसाधनों की खपत होती है जो वर्तमान में दुर्लभ हैं।
RIKEN AIP के शोधकर्ताओं ने डेटा को शुरू से ही तैयार करने के तरीके को बदलकर इस समस्या को हल करने के लिए एक नया तरीका विकसित किया है। मौजूदा छवियों को संकुचित (कंप्रेस) करने और फिर उन्हें क्वांटम मशीन में लोड करने का तरीका खोजने के बजाय, उन्होंने डेटा और लोडिंग निर्देशों को एक साथ डिजाइन करने का निर्णय लिया। वे इस दृष्टिकोण को 'क्वांटम डेटासेट डिस्टिलेशन' कहते हैं। कल्पना कीजिए कि आप किताबों के एक पुस्तकालय को एक छोटे सूटकेस में फिट करने की कोशिश कर रहे हैं। पारंपरिक तरीका यह होगा कि आप सबसे महत्वपूर्ण किताबें चुनें, उन्हें सिकोड़ें, और फिर उन्हें कुशलतापूर्वक पैक करने का तरीका खोजने के लिए संघर्ष करें। यह नया तरीका संकुचन और पैकिंग के चरणों को पूरी तरह से छोड़ देता है। इसके बजाय, शोधकर्ता ब्रांड-न्यू, कृत्रिम "किताबों" का एक छोटा सेट बनाते हैं जिन्हें शुरू से ही सूटकेस में पूरी तरह से फिट होने के लिए डिजाइन किया गया है। ये कृत्रम नमूने छवियां नहीं हैं; वे वे सटीक निर्देश हैं जिनकी आवश्यकता क्वांटम मशीन में डेटा लोड करने के लिए होती है।
शोधकर्ताओं ने इस विचार का परीक्षण छवियों के दो प्रसिद्ध संग्रहों पर किया: एक जिसमें हाथ से लिखे अंक थे और दूसरा जिसमें कपड़ों की तस्वीरें थीं। वे यह देखना चाहते थे कि क्या वे डेटा के एक बहुत छोटे हिस्से का उपयोग करके एक क्वांटम मॉडल को प्रशिक्षित कर सकते हैं और साथ ही डेटा लोड करने की लागत को भी कम रख सकते हैं। अपने प्रयोगों में, उन्होंने दस कृत्रिम नमूनों का एक डिस्टिल्ड डेटासेट बनाया, जो प्रत्येक छवि की श्रेणी के लिए था। यह मूल डेटासेट के आकार में लगभग छह हजार गुना की कमी है। इस भारी कमी के बावजूद, इन दस नमूनों पर प्रशिक्षित क्वांटम मॉडल, साठ हजार छवियों के पूर्ण सेट पर प्रशिक्षित मॉडलों के लगभग उतना ही अच्छा प्रदर्शन करते हैं। उनकी सफलता की कुंजी यह थी कि उन्होंने डेटा और लोडिंग प्रक्रिया को अलग-अलग समस्याओं के रूप में नहीं माना। डेटा को सीधे क्वांटम ऑपरेशन्स के एक अनुक्रम के रूप में अनुकूलित करके, उन्होंने यह सुनिश्चित किया कि रिटेन किया गया हर एक हिस्सा ऐसा हो जिसका मशीन वास्तव में उपयोग कर सके, बिना असंभव तैयारियों पर ऊर्जा बर्बाद किए।
सबसे महत्वपूर्ण निष्कर्षों में से एक यह था कि इस पद्धति ने मशीन द्वारा अपने प्रयोगों को चलाने की कुल संख्या में कितनी बचत की। क्वांटम कंप्यूटिंग में, प्रत्येक माप (मेजरमेंट) के लिए मशीन को एक पूर्ण चक्र चलाना आवश्यक होता है, जो कि एक महंगी प्रक्रिया है। जब शोधकर्ताओं ने प्रत्येक चरण में सीमित मापों का उपयोग करके अपने मॉडलों को प्रशिक्षित किया, तो उनके डिस्टिल्ड दृष्टिकोण ने मानक पद्धति की तुलना में सौ गुना से अधिक कम कुल रन का उपयोग करके उच्च स्तर की सटीकता प्राप्त की। यह सुझाव देता है कि मशीन की भौतिक सीमाओं के साथ डेटा को सावधानीपूर्वक व्यवस्थित करके, वैज्ञानिक उन विशाल कंप्यूटिंग समय की आवश्यकता के बिना शक्तिशाली परिणाम प्राप्त कर सकते हैं जो वर्तमान में क्वांटम प्रशिक्षण को इतना कठिन बनाते हैं।
टीम ने अपने तरीके की तुलना अन्य रणनीतियों से भी की जो डेटा का आकार कम करने का प्रयास करती हैं। कुछ दृष्टिकोण मूल सेट से सबसे प्रतिनिधि छवियों को चुनते हैं, जबकि अन्य पहले छवियों को संकुचित करने की कोशिश करते हैं और फिर उन्हें लोड करने का तरीका ढूंढते हैं। शोधकर्ताओं ने पाया कि ये अलग-अलग चरण अक्सर विफल हो जाते हैं क्योंकि संपीड़न (कंप्रेशन) प्रक्रिया उस जानकारी को खो देती है जिसे लोडिंग सर्किट पुनः प्राप्त नहीं कर सकता। इसके विपरीत, उनके संयुक्त दृष्टिकोण ने जानकारी को सुरक्षित रखा क्योंकि डेटा को लोडिंग के लिए आवश्यक निर्देशों से कभी अलग नहीं किया गया था। जब उन्होंने IBM के उपलब्ध वास्तविक क्वांटम हार्डवेयर पर अपने मॉडलों का परीक्षण किया, तो परिणाम बरकरार रहे। उनके छोटे, डिस्टिल्ड डेटासेट पर प्रशिक्षित मॉडल शोर वाले, अपूर्ण मशीनों पर चलने के बावजूद, पूर्ण डेटा पर प्रशिक्षित मॉडलों के लगभग समान प्रदर्शन करते हैं।
यह कार्य प्रदर्शित करता है कि डेटा को तैयार करने का तरीका उतना ही महत्वपूर्ण है जितना कि उससे सीखने के लिए उपयोग किए जाने वाले एल्गोरिदम। डेटा और लोडिंग निर्देशों को एक साथ डिजाइन करके, शोधकर्ताओं ने दिखाया कि सामान्य संसाधनों के एक अंश के साथ प्रभावी क्वांटम मॉडल को प्रशिक्षित करना संभव है। उन्होंने न केवल प्रक्रिया को तेज करने का तरीका नहीं खोजा; उन्होंने इसे व्यवहार्य बनाने का तरीका खोजा। अध्ययन बताता है कि क्वांटम मशीन लर्निंग का भविष्य केवल बड़े, अधिक शक्तिशाली मशीन बनाने पर नहीं, बल्कि उन्हें आवश्यक जानकारी खिलाने के लिए स्मार्ट और अधिक कुशल तरीके खोजने पर निर्भर हो सकता है। डेटा और हार्डवेयर के इस सावधानीपूर्ण संरेखण के माध्यम से, व्यावहारिक क्वांटम लर्निंग की बाधा को कम कर दिया गया है, जो इन जटिल प्रणालियों को वास्तविक दुनिया में प्रशिक्षित करने के लिए एक स्पष्ट मार्ग प्रदान करता 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।