Image Compression Using Quantum Wavelet Transform and Quantum Convolutional Networks

आधुनिक दुनिया में, डेटा प्रगति की मुद्रा है, फिर भी यह एक भारी बोझ भी है। उपग्रह द्वारा ली गई हर तस्वीर, अस्पताल में किया गया हर स्कैन, और एक रोबोट द्वारा कैप्चर किया गया हर फ्रेम एक विशाल फ़ाइल बनाता है जिसे संग्रहीत और नेटवर्क पर भेजा जाना चाहिए। इसे प्रबंधित करने के लिए, वैज्ञानिक लंबे समय से संपीड़न (कंप्रेशन) पर भरोसा करते आए हैं, जो एक ऐसी प्रक्रिया है जो उन सूचनाओं को हटाकर फ़ाइलों को छोटा करती है जिन्हें मानव आँख शायद ही मिस करे। दशकों से, इस काम के लिए मानक उपकरण शास्त्रीय गणितीय विधियाँ रहे हैं, जो एक छवि को संख्याओं के ग्रिड के रूप में देखते हैं और उनके आकार को कम करने के लिए कठोर सूत्रों को लागू करते हैं। हालाँकि, जैसे-जैसे छवियां बड़ी और अधिक जटिल होती जा रही हैं, ये पारंपरिक विधियाँ अपनी सीमाओं तक पहुँच रही हैं, और महत्वपूर्ण विवरणों को धुंधला किए बिना फ़ाइलों को छोटा रखने के लिए संघर्ष कर रही हैं। क्वांटम कंप्यूटिंग के रूप में एक नया क्षितिज उभरा है, जो एक ऐसा क्षेत्र है जो सूचना को संसाधित करने के लिए उप-परमाणु दुनिया को नियंत्रित करने वाले भौतिकी के विचित्र नियमों का उपयोग करता है, जिसे शास्त्रीय मशीनें नहीं कर सकतीं। सुपरपोजिशन (जहाँ एक प्रणाली एक साथ कई अवस्थाओं में मौजूद हो सकती है) और एंटैंगलमेंट (जहाँ कण दूरियों के बावजूद आपस में जुड़े रहते हैं) जैसे सिद्धांतों का लाभ उठाकर, शोधकर्ता यह पता लगा रहे हैं कि क्या ये क्वांटम प्रभाव छवियों को पहले से कहीं अधिक कुशलता से संपीड़ित करने के कार्य को संभाल सकते हैं।

शोधकर्ताओं के एक दल ने अब एक हाइब्रिड सिस्टम प्रस्तावित किया है जो इन दोनों दुनियाओं के बीच के अंतर को पाटता है, जो क्वांटम यांत्रिकी की कच्ची शक्ति को शास्त्रीय डीप लर्निंग की परिष्कृत बुद्धिमत्ता के साथ जोड़ता है। उनका काम, जो एक हालिया अध्ययन में विस्तृत है, ग्रेस्केल छवियों को छोटा करने की एक विधि की रूपरेखा तैयार करता है जो दोनों प्रौद्योगिकियों की अनूठी शक्तियों का लाभ उठाती है। यह प्रक्रिया एक मानक डिजिटल छवि को क्वांटम अवस्था में एनकोड करके शुरू होती है, जो एक संक्षिप्त प्रतिनिधित्व है जो पूरी तस्वीर को कुछ ही क्वांटम बिट्स में समाहित कर देता है। यह केवल डेटा का अनुवाद नहीं है बल्कि एक मौलिक पुनर्गठन है जो छवि को एक एकल, एकीकृत क्वांटम वस्तु के रूप में हेरफेर करने की अनुमति देता है। एक बार एनकोड होने के बाद, छवि एक विशेष रूपांतरण से गुजरती है जिसे क्वांटम वेवलेट ट्रांसफॉर्म कहा जाता है। इसे एक परिष्कृत फिल्टर के रूप में समझें जो छवि को विवरण की विभिन्न परतों में विभाजित करता है, जो चिकनी, व्यापक आकृतियों को तीक्ष्ण, जटिल बनावट (टेक्सचर) से अलग करता है। यह चरण महत्वपूर्ण है क्योंकि यह छवि को अगले चरण के लिए तैयार करता है, जहाँ वास्तविक आकार में कमी आती है।

संपीड़न का मुख्य हिस्सा एक क्वांटम कनवोल्यूशनल नेटवर्क के भीतर होता है, जो क्वांटम हार्डवेयर पर चलने के लिए डिज़ाइन किया गया एक प्रकार का आर्टिफिशियल इंटेलिजेंस है। यह नेटवर्क एक 'बॉटलनेक' के रूप में कार्य करता है, जो जटिल क्वांटम अवस्था को एक बहुत छोटे, लेटेंट (सुप्त) रूप में सिकोड़ देता है। शास्त्रीय कंप्यूटरों के विपरीत जो स्थान बचाने के लिए केवल डेटा को हटा सकते हैं, यह क्वांटम प्रणाली छवि के विभिन्न हिस्सों के बीच आवश्यक संबंधों को बनाए रखने के लिए एंटैंगलमेंट का उपयोग करती है और बाकी को हटा देती है। शोधकर्ताओं ने इस क्वांटम नेटवर्क को यह सीखने के लिए प्रशिक्षित किया कि कौन सी विशेषताएं बनाए रखना महत्वपूर्ण हैं और किन्हें सुरक्षित रूप से हटाया जा सकता है, जिससे प्रक्रिया को अनुकूलित किया जा सके ताकि सबसे महत्वपूर्ण संरचनात्मक जानकारी बरकरार रहे। परिणाम छवि का एक अत्यधिक संपीड़ित संस्करण है जो क्वांटम मापों के एक सेट के रूप में मौजूद होता है। इस डेटा को भंडारण या ट्रांसमिशन के लिए उपयोगी बनाने के लिए, इन क्वांटम मापों को वापस मानक डिजिटल संख्याओं में परिवर्तित किया जाता है, जो भेजने या सहेजने के लिए तैयार होते हैं।

जब छवि को फिर से देखने का समय आता है, तो प्रक्रिया उलट जाती है। संपीड़ित डेटा को वापस सिस्टम में फीड किया जाता है, जहाँ एक इन्वर्स क्वांटम नेटवर्क छोटे लेटेंट स्टेट को एक बड़े रूप में विस्तारित करता है। एक दूसरा क्वांटम ट्रांसफॉर्मेशन फिर विवरण की अलग की गई परतों को पुनर्गठित करता है, मूल तस्वीर का एक मोटा संस्करण बनाता है। हालाँकि, क्योंकि संपीड़न 'लॉसी' (lossy) था—जिसका अर्थ है कि सिकुड़ने के दौरान कुछ जानकारी जानबूझकर हटा दी गई थी—पुनर्गठित छवि अक्सर धुंधली होती है और उसमें वे सूक्ष्म बनावट नहीं होती जो एक फोटो को वास्तविक बनाती हैं। इसे हल करने के लिए, शोधकर्ताओं ने एक शक्तिशाली जेनेरेटिव नेटवर्क का उपयोग करते हुए एक अंतिम शास्त्रीय चरण जोड़ा। यह नेटवर्क एक डिजिटल कलाकार के रूप में कार्य करता है, जो धुंधले पुनर्निर्माण का विश्लेषण करता है और बुद्धिमानी से गायब उच्च-आवृत्ति वाले विवरणों को भर देता है, जैसे कि पत्तियों की बनावट या किसी इमारत के किनारे की तीक्ष्णता। यह बेतरतीब ढंग से अनुमान नहीं लगाता है बल्कि उन पैटर्न का उपयोग करता है जिन्हें इसने सीखा है ताकि छवि को स्पष्टता के उस स्तर तक बहाल किया जा सके जो आज उपलब्ध सर्वश्रेष्ठ शास्त्रीय संपीड़न मानकों के बराबर या कुछ मामलों में उनसे भी बेहतर है।

शोधकर्ताओं ने अपने सिस्टम का परीक्षण परिदृश्य (लैंडस्केप) छवियों के एक बड़े संग्रह पर किया, जिसमें उनके हाइब्रिड दृष्टिकोण की तुलना वर्तमान स्वर्ण मानक, जिसे JPEG2000 के रूप में जाना जाता है, से की गई। परिणाम आश्चर्यजनक थे। जबकि शास्त्रीय पद्धति ने लगभग 27.15 के गुणवत्ता स्कोर के साथ एक पुनर्निर्मित छवि बनाई, उनके क्वांटम-संवर्धित सिस्टम ने, अंतिम जेनेरेटिव सुधार के बाद, 30.06 से अधिक का स्कोर प्राप्त किया। यह अंतर, भले ही संख्याओं में छोटा लगे, दृश्य निष्ठा (विजुअल फिडेलिटी) में एक महत्वपूर्ण छलांग का प्रतिनिधित्व करता है, जिसका अर्थ है कि छवियां बहुत अधिक स्पष्ट और मूल के प्रति अधिक सच्ची दिख रही थीं। सिस्टम प्रकाश और अंधेरे क्षेत्रों के सही वितरण को बनाए रखने में भी सक्षम था, यह सुनिश्चित करते हुए कि पुनर्निर्मित तस्वीरें फीकी या विकृत न दिखें। इन निष्कर्षों को केवल सैद्धांतिक न बनाने के लिए, टीम ने क्लाउड के माध्यम से उपलब्ध एक वास्तविक, भौतिक क्वांटम कंप्यूटर पर अपने सिस्टम के क्वांटम हिस्से को भी चलाया। जबकि वास्तविक हार्डवेयर ने वर्तमान शोर वाले उपकरणों की प्रकृति के कारण कुछ मामूली त्रुटियां पेश कीं, सिस्टम ने अभी भी छवियों की मुख्य संरचनाओं को सफलतापूर्वक संरक्षित किया, जिससे यह सिद्ध हुआ कि यह अवधारणा एक आदर्श सिमुलेशन के बाहर भी काम करती है।

अध्ययन ने यह भी पता लगाया कि यदि वे क्वांटम घटकों को हटा देते तो क्या होता ताकि यह देखा जा सके कि प्रत्येक भाग ने सफलता में कितना योगदान दिया। जब उन्होंने क्वांटम संपीड़न नेटवर्क को एक मानक शास्त्रीय नेटवर्क से बदल दिया, तो पुनर्निर्मित छवियों की गुणवत्ता काफी गिर गई, जिससे पता चला कि क्वांटम विधि छवि के भीतर सूक्ष्म, गैर-स्थानीय संबंधों को संरक्षित करने में बेहतर थी। इसके विपरीत, जब उन्होंने क्वांटम वेवलेट फिल्टर को शास्त्रीय फिल्टर से बदला, तो सिस्टम संघर्ष करने लगा, जिसके परिणामस्वरूप धुंधले और विकृत आउटपुट मिले। इसने पुष्टि की कि उनके दृष्टिकोण की वास्तविक शक्ति दोनों प्रौद्योगिकियों के सहज एकीकरण में निहित है: क्वांटम सिस्टम डेटा को संपीड़ित करने और मुख्य संरचना को बरकरार रखने का भारी काम संभालता है, और शास्त्रीय सिस्टम अंतिम परिणाम को निखारने के लिए कदम बढ़ाता है। शोधकर्ताओं ने पाया कि यह साझेदारी उन्हें 4 से 1 का संपीड़न अनुपात प्राप्त करने की अनुमति देती है, जिसका अर्थ है कि फ़ाइल का आकार उसके मूल आकार के एक चौथाई तक कम हो जाता है, बिना उस दृश्य गुणवत्ता को खोए जो मानव पर्यवेक्षकों के लिए सबसे महत्वपूर्ण है।

अंततः, यह कार्य प्रदर्शित करता है कि इमेज प्रोसेसिंग का भविष्य क्वांटम और शास्त्रीय कंप्यूटिंग के बीच चुनाव नहीं है, बल्कि उनके बीच एक सहयोग है। विशाल डेटा फ़ाइलों के आकार को कुशलतापूर्वक कम करने के लिए क्वांटम यांत्रिकी का उपयोग करने और उनकी सुंदरता को बहाल करने के लिए शास्त्रीय बुद्धिमत्ता का उपयोग करने के माध्यम से, शोधकर्ताओं ने एक पाइपलाइन बनाई है जो कुशल भी है और प्रभावी भी। उनके निष्कर्ष बताते हैं कि जैसे-जैसे क्वांटम हार्डवेयर में सुधार होगा, यह हाइब्रिड दृष्टिकोण चिकित्सा निदान से लेकर रिमोट सेंसिंग तक के क्षेत्रों में बढ़ते दृश्य डेटा को प्रबंधित करने के लिए एक महत्वपूर्ण उपकरण बन सकता है। अध्ययन यह दावा नहीं करता है कि उन्होंने इमेज कंप्रेशन की हर समस्या को हल कर दिया है, न ही यह सुझाव देता है कि क्वांटम कंप्यूटर पूरी तरह से शास्त्रीय कंप्यूटरों को बदलने के लिए तैयार हैं। इसके बजाय, यह एक स्पष्ट, नपा-तुला मार्ग प्रदान करता है, जो दिखाता है कि दोनों दुनियाओं के सर्वश्रेष्ठ को मिलाकर, हम ऐसे सिस्टम बना सकते हैं जो स्मार्ट, तेज़ और आधुनिक दुनिया की दृश्य जटिलता को संभालने में अधिक सक्षम हैं।