Diversity-Aware Ensemble of Quantum-Classical Models via Combinatorial Fusion
यह शोध पत्र आर्किटेक्चरल रूप से विविध शास्त्रीय और क्वांटम मॉडलों को प्रभावी ढंग से संयोजित करने के लिए कॉम्बिनेटरियल फ्यूजन एनालिसिस का उपयोग करते हुए एक विविधता-जागरूक एंसेम्बल फ्रेमवर्क प्रस्तावित करता है, जो यह प्रदर्शित करता है कि यह हाइब्रिड दृष्टिकोण कई बाइनरी क्लासिफिकेशन बेंचमार्क पर व्यक्तिगत सर्वश्रेष्ठ मॉडलों से लगातार बेहतर प्रदर्शन करता 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 क्षेत्र में, वैज्ञानिक कंप्यूटर को क्वांटम भौतिकी के विचित्र नियमों का उपयोग करके समस्याओं को हल करना सिखाने की कोशिश कर रहे हैं। रोजमर्रा के कंप्यूटरों में पाए जाने वाले मानक बिट्स के बजाय, जो या तो शून्य होते हैं या एक, ये मशीनें क्वांटम बिट्स या 'क्यूबिट्स' का उपयोग करती हैं जो एक ही समय में कई अवस्थाओं में मौजूद हो सकते हैं। इन मशीनों को सीखने के योग्य बनाने के लिए, शोधकर्ता क्वांटम गेट्स से बने विशेष सर्किट बनाते हैं। ये भौतिक तार और स्विच नहीं हैं, बल्कि गणितीय निर्देश हैं जो क्यूबिट्स की अवस्था को घुमाते और मोड़ते हैं। चुनौती यह है कि इन निर्देशों को व्यवस्थित करने के अनगिनत तरीके हैं। जिस तरह एक शेफ किसी व्यंजन को पूर्ण बनाने के लिए मसालों के विभिन्न संयोजनों को आजमा सकता है, उसी तरह शोधकर्ताओं को सबसे अच्छा परिणाम प्राप्त करने के लिए गेट्स का सही क्रम चुनना होता है। लंबे समय तक, मानक दृष्टिकोण इन संभावनाओं की खोज करना, एक एकल सर्वोत्तम डिज़ाइन चुनना और बाकी को छोड़ देना रहा है। यह विधि मानती है कि प्रत्येक कार्य के लिए एक आदर्श आर्किटेक्चर मौजूद है, और अन्य डिज़ाइन केवल विफल प्रयास हैं।
हालाँकि, एक नया अध्ययन बताता है कि यह दृष्टिकोण मूल्यवान जानकारी को फेंक रहा होगा। शोधकर्ताओं ने, क्वांटम और क्लासिकल कंप्यूटर मॉडल के मिश्रण के साथ काम करते हुए, एक अलग प्रश्न पूछा: क्या होगा यदि वे डिज़ाइन जो अपने आप में नहीं जीते, फिर भी उपयोगी सुराग रखते हों? उन्होंने प्रस्तावित किया कि कई अलग-अलग डिज़ाइनों को मिलाकर, यहाँ तक कि अपूर्ण डिज़ाइनों को भी, समूह अकेले किसी भी एकल मॉडल की तुलना में बेहतर भविष्यवाणियां कर सकता है। यह विचार विविधता की अवधारणा पर आधारित है। एक टीम में, अलग तरह से सोचने वाले सदस्यों का होना समान विशेषज्ञों के समूह से अक्सर अधिक शक्तिशाली होता है। यदि एक व्यक्ति गलती करता है, तो दूसरा उत्तर स्पष्ट रूप से देख सकता है। शोधकर्ताओं ने इस तर्क को क्वांटम सर्किट पर लागू किया, प्रत्येक अलग डिज़ाइन को एक टीम के अद्वितीय सदस्य के रूप में माना। उन्होंने डेटा को देखने के तरीके में प्रत्येक मॉडल के अंतर को मापने के लिए 'कॉम्बिनेटोरियल फ्यूजन एनालिसिस' नामक पद्धति का उपयोग किया और फिर उनके उत्तरों को संयोजित किया। परिणामों ने दिखाया कि मॉडलों के विविध समूह को सुनने से, न कि केवल शीर्ष प्रदर्शन करने वाले को, प्रणाली जटिल वर्गीकरण कार्यों को हल करने में काफी अधिक सटीक हो गई, जिससे यह सिद्ध हुआ कि कई अलग-अलग दृष्टिकोणों का सामूहिक ज्ञान एक अकेले प्रतिभाशाली मॉडल की तुलना में श्रेष्ठ है।
टीम ने परीक्षण के लिए बीस-नौ अलग-अलग मॉडलों का एक बड़ा पूल बनाने के साथ शुरुआत की। इस समूह में बीस क्वांटम सर्किट (विभिन्न संरचनाओं के साथ) और नौ क्लासिकल मॉडल शामिल थे, जैसे कि मानक मशीन लर्निंग एल्गोरिदम और डीप लर्निंग नेटवर्क। क्वांटम सर्किट दो मुख्य रणनीतियों का उपयोग करके बनाए गए थे। पहले, उन्होंने बारह रूपांतर उत्पन्न किए जो क्यूबिट्स को जोड़ने और उनकी अवस्थाओं को घुमाने के विभिन्न तरीकों का परीक्षण करने वाली एक खोज प्रक्रिया पर आधारित थे। दूसरे, उन्होंने आठ सावधानीपूर्वक चुने गए सर्किट जोड़े जो पूरी तरह से अलग गणितीय निर्माण खंडों का उपयोग करते थे, जिनमें से कुछ प्रकृति में कणों के बीच होने वाली अंतःक्रियाओं से प्रेरित थे और अन्य यादृच्छिक पैटर्न पर आधारित थे। इन क्वांटम मॉडलों के साथ, उन्होंने निर्णय वृक्ष (डिसीजन ट्री) और सपोर्ट वेक्टर मशीन जैसे परिचित क्लासिकल उपकरणों को भी शामिल किया। लक्ष्य यह देखना था कि क्या इन बहुत अलग प्रकार के मॉडलों को मिलाने से एक एकल मॉडल की तुलना में एक मजबूत भविष्यवक्ता बनेगा।
मॉडलों को संयोजित करने का निर्णय लेने के लिए, शोधकर्ताओं ने केवल उन मॉडलों को नहीं चुना जिनके स्कोर उच्चतम थे। इसके बजाय, उन्होंने उन मॉडलों की तलाश की जो डेटा को रैंक करने के तरीके में एक-दूसरे से भिन्न थे। उन्होंने 'कॉग्निटिव डायवर्सिटी' (संज्ञानात्मक विविधता) नामक एक माप का उपयोग किया, जो यह गणना करता है कि दो मॉडल अपने भविष्यवाणियों के क्रम पर कितना असहमत होते हैं। यदि दो मॉडल हमेशा सहमत होते हैं, तो वे अनावश्यक (रिडंडेंट) हैं; यदि वे एक संरचित तरीके से असहमत होते हैं, तो वे विविध हैं। टीम ने मॉडलों के सबसे विविध जोड़ों की पहचान की और पाँच का एक छोटा समूह चुना जिसने उच्च प्रदर्शन और उच्च विविधता का सबसे अच्छा मिश्रण प्रदान किया। इस चयन प्रक्रिया ने यह सुनिश्चित किया कि अंतिम टीम केवल व्यक्तिगत प्रदर्शन करने वालों का संग्रह नहीं थी, बल्कि मॉडलों का एक ऐसा समूह था जो एक-दूसरे की कमजोरियों को पूरा करता था।
एक बार टीम का चयन हो जाने के बाद, शोधकर्ताओं ने दो मुख्य विधियों का उपयोग करके उनके भविष्यवाणियों को संयोजित किया। पहली विधि प्रत्येक मॉडल द्वारा दिए गए कच्चे स्कोर (रॉ स्कोर्स) का औसत निकालती थी, जबकि दूसरी विधि उनके रैंकिंग का औसत निकालती थी। उन्होंने इन संयोजनों को भारित (वेटिंग) करने के कई तरीकों का परीक्षण किया, कभी इन मॉडलों को अधिक महत्व दिया जो अधिक विविध थे, तो कभी उन मॉडलों को प्राथमिकता दी जो व्यक्तिगत रूप से सर्वश्रेष्ठ प्रदर्शन करते थे। उन्होंने इन प्रणालियों का परीक्षण चार अलग-अलग वास्तविक दुनिया के डेटासेट पर किया, जिसमें हृदय रोग और मधुमेह के निदान के लिए उपयोग किए जाने वाले चिकित्सा रिकॉर्ड से लेकर रडार सिग्नल और ईमेल स्पैम फिल्टर तक शामिल थे। हर एक मामले में, संयुक्त मॉडल ने पूल के सर्वश्रेष्ठ एकल मॉडल से बेहतर प्रदर्शन किया।
सुधार काफी बड़े थे। हृदय रोग की भविष्यवाणी करने वाले डेटासेट पर, संयुक्त मॉडल ने सर्वश्रेष्ठ एकल मॉडल की तुलना में सटीकता में 3.38 प्रतिशत का सुधार किया। मधुमेह के डेटासेट के लिए, यह लाभ और भी बड़ा था, जो 6.03 प्रतिशत तक पहुँच गया। आयनोस्फीयर रडार डेटा के मामले में, संयुक्त प्रणाली ने 98.11 प्रतिशत की सटीकता प्राप्त की, जो सर्वश्रेष्ठ एकल मॉडल द्वारा प्राप्त 94.34 प्रतिशत से एक महत्वपूर्ण उछाल है। स्पैम डिटेक्शन कार्य पर भी, जहाँ मॉडल पहले से ही बहुत अच्छे थे, फ्यूजन पद्धति ने 0.58 प्रतिशत का अतिरिक्त सुधार निकालने में सफलता प्राप्त की। यह परिणाम तब भी कायम रहे जब शोधकर्ताओं ने अपनी पद्धति की तुलना एनसेम्बल या हाइब्रिड क्वांटम-क्लासिकल दृष्टिकोणों का उपयोग करने वाले अन्य हालिया अध्ययनों से की। उनकी पद्धति ने सभी चार डेटासेट में लगातार उच्चतम स्कोर दिए।
अध्ययन ने यह भी खुलासा किया कि सबसे सफल टीमें लगभग हमेशा क्वांटम और क्लासिकल मॉडलों का मिश्रण थीं। कुछ मामलों में, सबसे अच्छा संयोजन एक विशिष्ट क्वांटम सर्किट जिसमें पेड़ जैसी संरचना (ट्री-लाइक स्ट्रक्चर) थी, को एक क्लासिकल बूस्टिंग एल्गोरिदम के साथ जोड़ा गया था। अन्य उदाहरणों में, अनुकूलन एल्गोरिदम (ऑप्टिमाइज़ेशन एल्गोरिदम) से प्रेरित एक क्वांटम सर्किट एक न्यूरल नेटवर्क के साथ मिलकर सबसे अच्छा काम करता था। यह सुझाव देता है कि क्वांटम मॉडल और क्लासिकल मॉडल दुनिया को मौलिक रूप से अलग तरीकों से देखते हैं, और उनकी यही भिन्नता है जो उन्हें संयोजित होने पर इतना शक्तिशाली बनाती है। यह शोध दर्शाता है कि बेहतर क्वांटम मशीन लर्निंग का मार्ग केवल एक आदर्श सर्किट डिज़ाइन खोजने में नहीं है, बल्कि कई अलग-अलग डिज़ाइनों की विविध शक्तियों को एक साथ मिलकर प्रभावी ढंग से उपयोग करने में निहित है। सर्वोत्तम मॉडल की खोज को एक सर्वोत्तम टीम की खोज के रूप में मानकर, शोधकर्ताओं ने क्वांटम कंप्यूटिंग की क्षमता को अनलॉक करने का एक नया तरीका दिखाया 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।