Who can sample forever? Shot noise effects in quantum linear regression
यह शोधपत्र यह प्रदर्शित करता है कि परिमित-शॉट सैंपलिंग शोर (finite-shot sampling noise) क्वांटम लीनियर रिग्रेशन को मौलिक रूप से सीमित करता है, जिससे समस्या इल-कंडीशन्ड (ill-conditioned) हो जाती है, जिसके कारण क्वांटम ओवरफिटिंग के एक रूप के कारण जब लक्ष्य शोरयुक्त होते हैं, तो पूर्वानुमान त्रुटियां बड़े डेटासेट के साथ बनी रहती हैं या यहाँ तक कि बढ़ भी जाती 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
क्वांटम मशीन लर्निंग के तेजी से विकसित होते क्षेत्र में, शोधकर्ता क्वांटम भौतिकी के विचित्र नियमों का उपयोग करके कंप्यूटर को पैटर्न पहचानना सिखाने की कोशिश कर रहे हैं। एक सामान्य दृष्टिकोण में दो-चरणीय प्रक्रिया शामिल है: पहले, एक निश्चित क्वांटम उपकरण एक इनपुट लेता है और इसे संख्याओं के एक सेट में बदल देता है जिसे 'फीचर्स' (विशेषताएं) कहा जाता है, जो इनपुट को एक नए तरीके से वर्णित करते हैं। दूसरा, एक मानक कंप्यूटर प्रोग्राम इन फीचर्स को संयोजित करना सीखता है ताकि एक भविष्यवाणी की जा सके, जैसे कि किसी विशिष्ट रासायनिक गुण या किसी प्रकार की सामग्री की पहचान करना। यह विधि इसलिए आकर्षक है क्योंकि क्वांटम भाग को प्रशिक्षित करने की आवश्यकता नहीं होती है, जिससे उन सबसे कठिन समस्याओं से बचा जा जा सकता है जो अन्य क्वांटम एल्गोरिदम को प्रभावित करती हैं। हालाँकि, इसमें एक मौलिक समस्या है: क्वांटम उपकरण इन फीचर संख्याओं को सीधे आउटपुट के रूप में नहीं दे सकता। इसके बजाय, इसे विभिन्न परिणामों की संभावनाओं का अनुमान लगाने के लिए क्वांटम अवस्था को कई बार मापना (measure) पड़ता है। यह प्रक्रिया एक जार में लाल और नीले मोतियों के सटीक अनुपात का अनुमान लगाने की कोशिश करने जैसा है; आप जितने अधिक मोती निकालेंगे, आपका अनुमान सत्य के उतने ही करीब होगा, लेकिन सीमित संख्या में नमूनों के साथ, आपके अनुमान में हमेशा कुछ यादृच्छिक त्रुटि (random error) बनी रहेगी।
भौतिकविदों की एक टीम ने अब इस बात की जांच की है कि यह अपरिहार्य मापन त्रुटि, जिसे 'शॉट नॉइज़' (shot noise) कहा जाता है, सीखने की क्षमता को कैसे प्रभावित करती है। उन्होंने एक विशिष्ट सेटअप पर ध्यान केंद्रित किया जहाँ क्वांटम उपकरण प्रशिक्षण डेटा के एक संग्रह से फीचर्स उत्पन्न करता है, और एक क्लासिकल कंप्यूटर उन फीचर्स और वांछित उत्तर के बीच सबसे अच्छा गणितीय संबंध खोजने का प्रयास करता है। शोधकर्ताओं ने पाया कि इन फीचर्स का अनुमान लगाने के लिए सीमित मापों का उपयोग करने की क्रिया ही एक छिपे हुए जाल को जन्म देती है। एक आदर्श दुनिया में जहाँ अनंत माप होते हैं, फीचर्स एक विशाल गणितीय स्थान के भीतर एक सपाट, निम्न-आयामी सतह पर स्थित होंगे। लेकिन वास्तविक दुनिया में, जहाँ माप सीमित हैं, यादृच्छिक शोर (noise) अनुमानित फीचर्स को इस सतह से धकेल कर इसके आसपास के खाली स्थान में ले जाता है। जब कंप्यूटर इस शोर वाले डेटा से सीखने की कोशिश करता है, तो वह इन बिखरे हुए बिंदुओं पर एक रेखा फिट करने का प्रयास करता है, जिससे वह प्रभावी रूप से उन दिशाओं की भविष्यवाणी करना सीख जाता है जो अंतर्निहित भौतिकी में वास्तव में मौजूद ही नहीं हैं।
यह अध्ययन दर्शाता है कि यह एक विशिष्ट प्रकार की त्रुटि पैदा करता है जो क्लासिकल कंप्यूटर विज्ञान की त्रुटियों से भिन्न व्यवहार करती है। मानक लर्निंग में, यदि आपके पास एक शोर वाला डेटासेट है, तो अधिक उदाहरण जोड़ने से आमतौर पर आपको सही उत्तर के करीब पहुँचने में मदद मिलती है। यहाँ, शोधकर्ताओं ने पाया कि यदि प्रत्येक उदाहरण के लिए लिए गए मापों की संख्या कम रहती है, तो केवल अधिक प्रशिक्षण उदाहरण जोड़ना समस्या को ठीक नहीं करता है। इसके बजाय, त्रुटि एक जिद्दी स्तर (floor) पर स्थिर हो जाती है जो व्यक्तिगत मापों की सटीकता द्वारा निर्धारित होती है। इस स्तर को कम करने का एकमात्र तरीका प्रत्येक प्रशिक्षण उदाहरण के लिए लिए गए मापों की संख्या बढ़ाना है। यदि शोधकर्ता बहुत कम मापों के साथ सीखने का प्रयास करते हैं, तो मॉडल शोर के प्रति अत्यधिक संवेदनशील हो जाएगा, और अधिक डेटा जोड़ने से वास्तव में परिणामों में सुधार होना बंद हो जाएगा।
स्थिति और भी जटिल हो जाती है जब वे उत्तर जिन्हें मॉडल सीखने की कोशिश कर रहा है, स्वयं थोड़े गलत होते हैं, शायद क्वांटम अवस्थाओं को तैयार करने के तरीकों में खामियों के कारण। इस परिदृश्य में, मॉडल स्वयं शोर को सीखने लगता है। शोधकर्ताओं ने एक घटना देखी जिसे वे 'क्वांटम ओवरफिटिंग' कहते हैं, जहाँ प्रशिक्षण डेटा की सटीकता बढ़ाने से वास्तव में मॉडल की भविष्यवाणियाँ बदतर हो जाती हैं। ऐसा इसलिए होता है क्योंकि मॉडल मापन शोर द्वारा बनाई गई यादृच्छिक दिशाओं को पकड़ने लगता है, और जैसे-जैसे प्रशिक्षण डेटा अधिक सटीक होता जाता है, यह लक्षित उत्तरों की त्रुटियों को भी बढ़ा देता है। अध्ययन एक नाजुक संतुलन को दर्शाता है: आपको प्रशिक्षण उदाहरणों की संख्या और प्रत्येक उदाहरण के लिए लिए गए मापों की संख्या के बीच संतुलन बनाना होगा।
विस्तृत गणितीय विश्लेषण और कंप्यूटर सिमुलेशन के माध्यम से, टीम ने यह मानचित्रित किया कि ये त्रुटियाँ बिल्कुल कैसे बढ़ती और घटती हैं। उन्होंने दिखाया कि जब लक्षित उत्तर पूर्ण होते हैं, तो त्रुटि मापों के बढ़ने के साथ पहले तेजी से घटती है, लेकिन फिर धीमी हो जाती है, जो एक व्यवस्थित पूर्वाग्रह (systematic bias) द्वारा नियंत्रित होती है जिसे अधिक डेटा जोड़कर हटाया नहीं जा सकता। जब लक्षित उत्तर शोर युक्त होते हैं, तो परीक्षण मापों की सटीकता में वृद्धि किए बिना यदि प्रशिक्षण मापों को बहुत सटीक बनाया जाता है, तो त्रुटि अंततः फिर से बढ़ सकती है। यह कार्य क्वांटम प्रयोगों में संसाधनों के आवंटन के लिए एक स्पष्ट मार्गदर्शिका प्रदान करता है, यह दिखाते हुए कि एक बड़ा डेटासेट हमेशा बेहतर नहीं होता यदि व्यक्तिगत मापों की गुणवत्ता में भी सुधार न किया जाए। निष्कर्ष बताते हैं कि भविष्य के क्वांटम लर्निंग सिस्टम को इन सांख्यिकीय सीमाओं के प्रति सचेत रहकर डिज़ाइन किया जाना चाहिए, जिसमें मापों की संख्या और उदाहरणों की संख्या को स्वतंत्र चर के बजाय एक ही सिक्के के दो पहलुओं के रूप में देखा जाए।
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।