Evolving Hybrid Quantum-Classical Architectures for Image Classification
यह शोध पत्र इमेज क्लासिफिकेशन के लिए हाइब्रिड क्वांटम-क्लासिकल आर्किटेक्चर की खोज को स्वचालित करने के लिए EXAQC इवोल्यूशनरी फ्रेमवर्क का विस्तार करता है, जो यह प्रदर्शित करता है कि विकसित पैरामीटराइज्ड क्वांटम सर्किट MNIST, Fashion-MNIST और CIFAR-10 पर प्रतिस्पर्धी सटीकता प्राप्त कर सकते हैं और क्लासिकल डीप लर्निंग मॉडल्स की तुलना में प्रशिक्षित पैरामीटर्स की संख्या को काफी कम कर सकते हैं।
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
स्मार्ट कंप्यूटर बनाने की शांत दौड़ में, एक नया क्षेत्र उभर कर आया है जहाँ सिलिकॉन चिप्स का कठोर तर्क, क्वांटम यांत्रिकी की तरल और संभाव्यता वाली प्रकृति से मिलता है। वर्षों से, वैज्ञानिक मशीनों को पैटर्न पहचानना सिखाने की कोशिश कर रहे हैं, जैसे कि एक तस्वीर में बिल्ली को पहचानना या एक्स-रे में ट्यूमर की पहचान करना। पारंपरिक कंप्यूटर यह काम डेटा के विशाल मात्रा को गणितीय फिल्टरों की परतों के माध्यम से प्रोसेस करके करते हैं, एक ऐसी विधि जो अच्छा काम करती है लेकिन इसके लिए अत्यधिक ऊर्जा और मेमोरी की आवश्यकता होती है। क्वांटम कंप्यूटर, जो परमाणुओं को नियंत्रित करने वाले भौतिकी के अजीब नियमों का उपयोग करते हैं, इन समस्याओं को बहुत कम प्रयास के साथ हल करने का वादा करते हैं, लेकिन उन्हें नियंत्रित करना बेहद कठिन है। सबसे बड़ी बाधा यह है कि इन क्वांटम मशीनों के भीतर के "सर्किट"—सूचना को प्रोसेस करने वाले गेटों की विशिष्ट व्यवस्था—को अत्यधिक सटीकता के साथ डिजाइन किया जाना चाहिए। यदि डिजाइन थोड़ा भी गलत हुआ, तो कंप्यूटर सीखना विफल हो जाता है, या इससे भी बुरा, सीखना पूरी तरह से बंद कर देता है। लंबे समय तक, शोधकर्ताओं को इन डिजाइनों को हाथ से बनाना पड़ता था, यह अनुमान लगाते हुए कि किसी विशिष्ट कार्य के लिए क्वांटम भागों की कौन सी व्यवस्था सबसे अच्छी रहेगी, एक ऐसी प्रक्रिया जो धीमी, महंगी और अक्सर अप्रभावी थी।
रोचेस्टर इंस्टीट्यूट ऑफ टेक्नोलॉजी के शोधकर्ताओं की एक टीम ने एक अलग दृष्टिकोण अपनाया है, जो कंप्यूटर को खुद को डिजाइन करने की अनुमति देता है। उन्होंने EXAQC नामक एक प्रणाली विकसित की है, जो किसी दिए गए कार्य के लिए सर्वोत्तम संभव क्वांटम सर्किट खोजने के लिए प्राकृतिक चयन के समान एक विकासवादी प्रक्रिया का उपयोग करती है। एक मानव इंजीनियर द्वारा ब्लूप्रिंट बनाने के बजाय, यह प्रणाली हजारों यादृच्छिक (रैंडम) सर्किट डिजाइन तैयार करती है, उनका परीक्षण करती है, और जो सबसे अच्छा प्रदर्शन करते हैं उन्हें रखती है। फिर यह बेहतर संस्करण बनाने के लिए इन सफल डिजाइनों को मिलाती है और उनमें उत्परिवर्तन (म्यूटेशन) करती है, और इस चक्र को तब तक दोहराती है जब तक कि उसे एक ऐसा समाधान न मिल जाए जो सटीक और कुशल दोनों हो। शोधकर्ताओं ने इस प्रणाली का परीक्षण इमेज क्लासिफिकेशन (छवि वर्गीकरण) के कठिन कार्य पर किया, जिसमें मशीन से हाथ से लिखे नंबरों, कपड़ों की वस्तुओं, और कारों और जानवरों जैसी रोजमर्रा की वस्तुओं की तस्वीरों को देखने और उन्हें सही श्रेणियों में वर्गीकृत करने को कहा गया।
इस प्रयोग के परिणाम एक महत्वपूर्ण बदलाव को प्रकट करते हैं कि हम भविष्य की बुद्धिमान प्रणालियों को कैसे बना सकते हैं। जब शोधकर्ताओं ने अपने विकासवादी सिस्टम को हाथ से लिखे अंकों को पहचानने के कार्य पर लागू किया, तो इसने लगभग 98.5 प्रतिशत की सफलता दर हासिल की। जब कार्य कठिन हुआ और कपड़ों की छवियों की ओर बढ़ा, तो सिस्टम अभी भी लगभग 90.6 प्रतिशत सही रहने में सफल रहा। असली परीक्षा सबसे जटिल डेटासेट के साथ आई, जो दस अलग-अलग वस्तु वर्गों की रंगीन छवियों का एक संग्रह था। यहाँ, सिस्टम ने 85.5 प्रतिशत की सटीकता प्राप्त की। इन संख्याओं को विशेष रूप से महत्वपूर्ण बनाने वाली बात केवल यह नहीं है कि सिस्टम ने काम किया, बल्कि यह है कि इसने कैसे काम किया। शोधकर्ताओं ने पाया कि उनके द्वारा विकसित क्वांटम सर्किट अविश्वसनीय रूप से संक्षिप्त थे, जो पारंपरिक कंप्यूटर मॉडलों द्वारा आवश्यक संसाधनों के एक बहुत छोटे अंश का उपयोग करते थे। वास्तव में, सबसे जटिल डेटासेट पर, हाइब्रिड सिस्टम ने एक विशाल, दस-परत वाले डीप न्यूरल नेटवर्क के समान सटीकता प्राप्त की, जबकि इस काम को करने के लिए 96 प्रतिशत से अधिक कम समायोज्य सेटिंग्स, या पैरामीटर्स का उपयोग किया।
अध्ययन ने यह भी उजागर किया कि डेटा को क्वांटम मशीन में फीड करने का तरीका पहले की तुलना में अधिक महत्वपूर्ण है। शोधकर्ताओं ने एक मानक डिजिटल छवि को क्वांटम अवस्था में बदलने के विभिन्न तरीकों का परीक्षण किया। उन्होंने पाया कि सरल छवियों के लिए, इस तरीके से बहुत फर्क नहीं पड़ता। हालाँकि, जटिल, रंगीन छवियों के लिए, अनुवाद पद्धति का चुनाव महत्वपूर्ण था। एक विशिष्ट विधि, जो रोटेशन-आधारित एनकोडिंग का उपयोग करती है, ने सिस्टम को पारंपरिक एम्प्लीट्यूड-आधारित विधि की तुलना में छवियों को बहुत बेहतर ढंग से समझने में सक्षम बनाया, जिससे सटीकता में बीस प्रतिशत से अधिक का सुधार हुआ। यह सुझाव देता है कि जैसे-जैसे कार्य कठिन होते जाते हैं, डेटा को क्वांटम प्रोसेसर के लिए तैयार करने का तरीका प्रोसेसर के समान ही महत्वपूर्ण हो जाता है।
शायद सबसे आश्चर्यजनक खोज यह थी कि सिस्टम ने छवियों में सूचना की विशाल मात्रा को कैसे संभाला। जटिल डेटासेट से एक कच्ची (रॉ) छवि में तीन हजार से अधिक डेटा बिंदु होते हैं, जो वर्तमान क्वांटम हार्डवेयर के लिए सीधे संभालने के लिए बहुत अधिक हैं। शोधकर्ताओं ने क्वांटम भाग को भेजने से पहले छवि को एक छोटे, प्रबंधनीय सारांश में संकुचित करने के लिए एक मानक कंप्यूटर घटक का उपयोग करके इस समस्या को हल किया। विकासवादी प्रणाली ने फिर इस सारांश को संसाधित करना सीखा। यह पता चला कि इन संकुचित सारांशों को संभालने के लिए विकसित किए गए क्वांटम सर्किट सरल, दोहराव वाले ढांचे नहीं थे। इसके बजाय, उन्होंने कनेक्शनों के जटिल, अनियमित पैटर्न विकसित किए जो उन निश्चित डिजाइनों से बिल्कुल अलग थे जिन्हें इंसान आमतौर पर बनाते हैं। ये विकसित सर्किट संकुचित डेटा से आवश्यक जानकारी को उल्लेखनीय दक्षता के साथ निकालने में सक्षम थे, जिससे यह सिद्ध हुआ कि एक स्वचालित खोज उन समाधानों को ढूंढ सकती है जिन्हें मानव डिजाइनर अनदेखा कर सकते हैं।
शोधकर्ता सावधानीपूर्वक नोट करना चाहते थे कि ये परिणाम कंप्यूटर सिमुलेशन से आए हैं, वास्तविक क्वांटम हार्डवेयर पर सर्किट चलाने से नहीं, जो अभी भी अपने शुरुआती चरणों में है और त्रुटियों के प्रति संवेदनशील है। हालाँकि, प्रयोग के दस अलग-अलग रन में परिणामों की निरंतरता यह बताती है कि निष्कर्ष मजबूत हैं और केवल एक भाग्यशाली संयोग नहीं हैं। सिस्टम ने केवल एक समाधान नहीं खोजा; इसने एक ऐसा समाधान खोजा जो मौजूदा तरीकों की तुलना में काफी अधिक कुशल था। एक क्लासिकल कंप्यूटर की विशेषताओं को निकालने की क्षमता को क्वांटम कंप्यूटर की उन्हें प्रोसेस करने की क्षमता के साथ जोड़कर, शोधकर्ताओं ने एक ऐसे पथ का प्रदर्शन किया जो विशाल, ऊर्जा-खपत करने वाले मॉडलों की आवश्यकता को समाप्त करता है। यह कार्य दर्शाता है कि हमें वास्तविक दुनिया के डेटा की चुनौतियों के लिए तैयार, शक्तिशाली और संक्षिप्त हाइब्रिड सिस्टम बनाने के लिए पूर्ण क्वांटम हार्डवेयर का इंतजार करने की आवश्यकता नहीं है; विशिष्ट कार्य के लिए सही आर्किटेक्चर को विकसित करके, हम इसे प्राप्त कर सकते हैं।
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।