Quantum anomaly detection in real scarce data

आधुनिक दुनिया में, मशीनें और सिस्टम डेटा की एक निरंतर धारा उत्पन्न करते हैं, चाहे वह सौर पैनल का तापमान हो या किसी मरीज की धड़कन। इसमें से अधिकांश डेटा सामान्य होता है, जो एक स्वस्थ प्रणाली की स्थिर, अपेक्षित लय को दर्शाता है। हालाँकि, कभी-कभी कुछ गलत हो जाता है। एक छोटी सी गड़बड़ी, अचानक आया उछाल, या एक धीमी गिरावट उस विफलता का संकेत दे सकती है, जिसे यदि अनियẩn छोड़ दिया गया, तो यह एक महंगी बंदी या सुरक्षा खतरे का कारण बन सकती है। इन दुर्लभ, असामान्य क्षणों को खोजने को 'एनोमली डिटेक्शन' (असंगति का पता लगाना) के रूप में जाना जाता है। कंप्यूटर के लिए यह एक कठिन कार्य है क्योंकि "अच्छे" डेटा की तुलना में "बुरे" डेटा की मात्रा बहुत कम होती है, जिससे मानक शिक्षण उपकरण अक्सर भ्रमित हो जाते हैं, या तो समस्या को पूरी तरह से अनदेखा कर देते हैं या गलत अलार्म बजा देते हैं। यह चुनौती ऊर्जा जैसे क्षेत्रों में विशेष रूप से गंभीर है, जहाँ वैश्विक स्तर पर स्वच्छ ऊर्जा की ओर संक्रमण के लिए विशाल सौर फार्मों को कुशलतापूर्वक चलाना महत्वपूर्ण है।

शोधकर्ता इस समस्या को हल करने के लिए पारंपरिक कंप्यूटिंग को उभरती हुई क्वांटम मशीनों की शक्ति के साथ जोड़कर एक नए मार्ग की खोज कर रहे हैं। जबकि क्लासिकल कंप्यूटर सूचनाओं को बिट्स में संसाधित करते हैं जो या तो शून्य या एक होते हैं, क्वांटम कंप्यूटर क्वांटम बिट्स, या 'क्यूबिट्स' का उपयोग करते हैं, जो एक साथ कई अवस्थाओं में मौजूद हो सकते हैं। यह अनूठी विशेषता उन्हें अपने क्लासिकल समकक्षों की तुलना में बहुत कम संसाधनों के साथ जटिल पैटर्न को संभालने की अनुमति देती है। हाल ही में, फ्लोरेंस विश्वविद्यालय और एनि एस.पी.ए. (Eni S.p.A.) के वैज्ञानिकों की एक टीम ने परीक्षण किया कि क्या यह क्वांटम लाभ बड़े पैमाने के सौर फोटोवोल्टिक संयंत्रों में दोषों की पहचान करने में मदद कर सकता है। उन्होंने एक विशिष्ट परिदृश्य पर ध्यान केंद्रित किया जहाँ डेटा दुर्लभ और असंतुलित है, जो औद्योगिक सेटिंग्स में एक सामान्य वास्तविकता है जहाँ वास्तविक विफलताएं दुर्लभ घटनाएं होती हैं।

टीम ने एक सौर ऊर्जा संयंत्र का एक वास्तविक सिमुलेशन बनाया, जिसने एक सेकंड में एक माप की दर के साथ सोलह दिनों के संचालन की नकल करते हुए डेटा उत्पन्न किया। उन्होंने सिस्टम में विभिन्न प्रकार के कृत्रिम दोष पेश किए, जैसे शॉर्ट सर्किट, प्रदर्शन में गिरावट, ओपन सर्किट, और बादलों या मलबे से छाया (शैडोइंग)। डेटा का एक बड़ा हिस्सा सामान्य, स्वस्थ संचालन का प्रतिनिधित्व करता था, जबकि दोष कुल डेटा का एक बहुत छोटा हिस्सा थे। लक्ष्य एक कंप्यूटर मॉडल को प्रशिक्षित करना था ताकि वह इन दुर्लभ विसंगतियों को पहचान सके और यह वर्गीकृत कर सके कि किस प्रकार का दोष हो रहा है। इसे करने के लिए, उन्होंने एक दो-चरणीय हाइब्रिड आर्किटेक्चर विकसित किया। सबसे पहले, उन्होंने सेंसर रीडिंग के लंबे अनुक्रम को एक छोटे, अधिक प्रबंधनीय सारांश में संकुचित करने के लिए एक क्लासिकल कंप्यूटर नेटवर्क का उपयोग किया। फिर, उन्होंने इस सारांश को एक क्वांटम लेयर में डाला जिसे डेटा सामान्य है या दोषपूर्ण, और यदि दोषपूर्ण है, तो किस प्रकार का है, इस पर अंतिम निर्णय लेने के लिए डिज़ाइन किया गया था।

परिणामों ने दिखाया कि यह हाइब्रिड दृष्टिकोण अत्यधिक प्रभावी था। केवल यह पता लगाने के कार्य में कि क्या कोई विसंगति मौजूद है, हाइब्रिड मॉडल ने पूरी तरह से क्लासिकल मॉडल के समान प्रदर्शन किया, और लगभग पूर्ण सटीकता प्राप्त की। हालाँकि, इस हाइब्रिड मॉडल ने यह कार्य बहुत कम जटिलता के साथ किया। इसने क्लासिकल संस्करण की तुलना में लगभग चालीस गुना कम समायोज्य सेटिंग्स, या पैरामीटर्स, का उपयोग किया। अधिक कठिन कार्य में, जो कि दोष के विशिष्ट प्रकार का वर्गीकरण करना था, हाइब्रिड मॉडल ने वास्तव में क्लासिकल मॉडल को पछाड़ दिया, जिससे स्वस्थ डेटा और विशिष्ट प्रकार के नुकसान, जैसे कि आंशिक छाया, के बीच अंतर करने में कम गलतियाँ हुईं। महत्वपूर्ण रूप से, अध्ययन में पाया गया कि डेटा के संकुचन के बाद प्रक्रिया के बिल्कुल अंत में क्वांटम लेयर को रखना सबसे प्रभावी रणनीति थी। जब शोधकर्ताओं ने प्रक्रिया में बहुत पहले क्वांटम लेयर का उपयोग करने का प्रयास किया, तो प्रदर्शन काफी गिर गया, जिससे पता चलता कि संचालन का क्रम बहुत मायने रखता है।

शोधकर्ताओं ने क्वांटम सर्किट (सूचना को संसाधित करने वाली आंतरिक संरचना) बनाने के विभिन्न तरीकों का भी परीक्षण किया। उन्होंने पाया कि एक सरल सर्किट डिज़ाइन, जब डेटा के पर्याप्त दोहराव के साथ जोड़ा जाता है, तो अधिक जटिल और परिष्कृत डिज़ाइनों की तुलना में बेहतर काम करता है। यह निष्कर्ष महत्वपूर्ण है क्योंकि सरल सर्किट वर्तमान पीढ़ी के क्वांटम हार्डवेयर पर कम त्रुटिपूर्ण होते हैं, जो अभी भी शोर-शराबे वाला और अपूर्ण है। अध्ययन बताता है कि क्लासिकल कंप्यूटरों को अनुक्रमिक डेटा को व्यवस्थित करने का भारी काम करने देने और क्वांटम कंप्यूटरों को अंतिम वर्गीकरण पर ध्यान केंद्रित करने देने से, ऐसे मॉडल बनाए जा सकते हैं जो न केवल सटीक हैं बल्कि कुशल भी हैं और 'ओवरफिटिंग' (एक सामान्य समस्या जहाँ मॉडल सामान्य नियम सीखने के बजाय प्रशिक्षण डेटा को याद कर लेता है) की संभावना कम है।

यह कार्य प्रदर्शित करता है कि क्वांटम मशीन लर्निंग केवल एक सैद्धांतिक अवधारणा नहीं है बल्कि एक व्यावहारिक उपकरण है जिसे आज वास्तविक दुनिया की औद्योगिक समस्याओं पर लागू किया जा सकता है। एक हाइब्रिड दृष्टिकोण का उपयोग करके, टीम ने दिखाया कि पारंपरिक तरीकों की तुलना में बहुत कम कम्प्यूटेशनल लागत के साथ उच्च प्रदर्शन प्राप्त करना संभव है। यह दक्षता अत्यंत महत्वपूर्ण है क्योंकि दुनिया उन विशाल ऊर्जा ग्रिडों की ओर बढ़ रही है जिन्हें निरंतर, विश्वसनीय निगरानी की आवश्यकता होती है। अध्ययन पुष्टि करता है कि क्वांटम एक्सेलेरेटर्स, जब पारंपरिक उच्च-प्रदर्शन कंप्यूटिंग के साथ एकीकृत किए जाते हैं, तो वे उन दुर्लभ, महत्वपूर्ण घटनाओं का पता लगाने के लिए एक टिकाऊ और शक्तिशाली समाधान प्रदान कर सकते हैं जो हमारी ऊर्जा प्रणालियों को सुरक्षित रूप से चलाने में मदद करते हैं।