An Annealing-based Quantum Neural Network with Discrete Wavelet Transforms for Enhanced Air Pollution Nowcasting

वायु प्रदूषण एक शांत, व्यापक खतरा है जो हमारे शहरों और कारखानों के साथ बढ़ा है, जो लाखों लोगों के फेफड़ों का दम घोंट रहा है और जीवन को छोटा कर रहा है। दशकों से, वैज्ञानिक और इंजीनियर शक्तिशाली कंप्यूटर प्रोग्रामों पर भरोसा करते आए हैं ताकि यह भविष्यवाणी की जा सके कि कब और कहाँ सूक्ष्म कणों के खतरनाक स्तर दिखाई देंगे, इस उम्मीद में कि समुदायों को खुद को बचाने के लिए अग्रिम सूचना मिल सके। ये प्रोग्राम, जिन्हें डीप लर्निंग मॉडल कहा जाता है, जटिल डेटा में पैटर्न खोजने में उत्कृष्ट हैं, लेकिन वे अक्सर तब संघर्ष करते हैं जब वायु गुणवत्ता का डेटा अव्यवस्थित, अचानक बदलने वाला या अराजक होता है। इसके अलावा, इन विशाल प्रोग्रामों को प्रशिक्षित करने के लिए भारी मात्रा में बिजली की आवश्यकता होती है, जिससे एक ऐसा कार्बन फुटप्रिंट बनता है जो स्वच्छ हवा के लक्ष्य के ही विपरीत है। जैसे-जैसे दुनिया इन पर्यावरणीय खतरों का पूर्वानुमान लगाने के बेहतर तरीके खोज रही है, एक नया क्षितिज उभरा है: स्मार्ट, अधिक कुशल भविष्यवाणी मशीन बनाने के लिए क्वांटम भौतिकी के विचित्र नियमों का उपयोग करना।

हाल ही में एक अध्ययन में, शोधकर्ताओं ने इस भविष्य की ओर एक महत्वपूर्ण कदम उठाते हुए एक नया प्रकार का पूर्वानुमान उपकरण बनाया है जो क्वांटम कंप्यूटिंग को 'वेवलेट ट्रांसफॉर्म' नामक एक तकनीक के साथ जोड़ता है। ओटो मेनेगासो पाइरेस और सहयोगियों के नेतृत्व वाली टीम ने सूक्ष्म कणों (fine particulate matter) की सांद्रता, जिसे PM2.5 के रूप में जाना जाता है, की भविष्यवाणी करने पर ध्यान केंद्रित किया, जो इतने छोटे होते हैं कि रक्तप्रवाह में प्रवेश कर सकते हैं और गंभीर स्वास्थ्य समस्याएं पैदा कर सकते हैं। उन्होंने अपने सिस्टम का परीक्षण यूनाइटेड किंगडम के गिल्डफोर्ड में दो निगरानी केंद्रों से प्राप्त वास्तविक दुनिया के डेटा का उपयोग करके किया, जहाँ यातायात और उद्योग अत्यधिक अस्थिर वायु गुणवत्ता की स्थिति पैदा करते हैं। चुनौती यह थी कि इन केंद्रों से प्राप्त डेटा अनियमित था, जो प्रदूषण के अचानक और अत्यधिक उछालों से भरा हुआ था, जिसने पारंपरिक कंप्यूटर मॉडलों को भ्रमित कर दिया।

इस समस्या से निपटने के लिए, शोधकर्ताओं ने एक हाइब्रिड सिस्टम बनाया है जो एक क्वांटम न्यूरल नेटवर्क का उपयोग करता है। मानक कंप्यूटरों के विपरीत, जो जानकारी को एक सीधी रेखा में संसाधित करते हैं, यह सिस्टम एक साथ कई संभावनाओं को तलाशने के लिए क्वांटम यांत्रिकी के सिद्धांतों का उपयोग करता है। हालाँकि, वर्तमान भौतिक क्वांटम कंप्यूटर इतने बड़े और शोर वाले (noisy) जटिल समस्या को संभालने के लिए बहुत छोटे हैं। इससे बचने के लिए, टीम ने 'डाइनैक्स' (Dynex) नामक एक विशेष प्लेटफॉर्म का उपयोग किया, जो उन्नत हार्डवेयर का उपयोग करके एक क्वांटम कंप्यूटर के व्यवहार की नकल करता है जो एक क्वांटम एनीलर की तरह कार्य करता है। इसने उन्हें 172 क्वांटम बिट्स तक का सिमुलेशन चलाने की अनुमति दी, जो वर्तमान भौतिक क्वांटम उपकरणों पर संभव स्तर से कहीं अधिक है। उन्होंने इस क्वांटम इंजन को 'डिस्क्रीट वेवलेट ट्रांसफॉर्म्स' नामक एक गणितीय विधि के साथ जोड़ा, जो अराजक प्रदूषण संकेतों को उनके अंतर्निहित लय और अचानक आने वाले झटकों में विभाजित करता है, जिससे डेटा को कंप्यूटर के लिए समझना आसान हो जाता है।

परिणाम चौंकाने वाले थे। जब शोधकर्ताओं ने अपने सिस्टम में कच्चा, बिना संसाधित प्रदूषण डेटा डाला, तो पारंपरिक कंप्यूटर मॉडल अचानक आए उछालों को समझने में विफल रहे, जिससे अविश्वसनीय भविष्यवाणियाँ हुईं। इसके विपरीत, क्वांटम न्यूरल नेटवर्क ने इस अस्थिरता के प्रति स्वाभाविक लचीलापन दिखाया, और डेटा को साफ किए बिना ही प्रदूषण की छिपी हुई गतिशीलता को पकड़ लिया। इसने मानक मॉडलों से काफी बेहतर प्रदर्शन किया और अपनी भविष्यवाणियों की सटीकता को दोगुना कर दिया। जब टीम ने डेटा को स्पष्ट रूप से देखने में मदद करने के लिए वेवलेट डिकंपोजिशन को जोड़ा, तो क्वांटम मॉडल अपने शिखर प्रदर्शन पर पहुँच गया, जिससे अध्ययन में परीक्षण किए गए किसी भी मॉडल की तुलना में उच्चतम सटीकता और न्यूनतम त्रुटि दर प्राप्त हुई।

शायद सबसे महत्वपूर्ण बात यह है कि अध्ययन ने खुलासा किया कि यह क्वांटम दृष्टिकोण न केवल बेहतर काम करता है, बल्कि यह अनिश्चितता को अलग तरह से संभालता है। जबकि पारंपरिक मॉडल अक्सर चरम प्रदूषण घटनाओं के दौरान आत्मविश्वासी लेकिन गलत उत्तर देते थे, क्वांटम प्रणाली ने डेटा के अनियमित होने पर संभावित परिणामों की सीमा को सही ढंग से विस्तृत किया, जिससे खतरे को स्वीकार किया गया। शोधकर्ताओं ने पाया कि केवल क्वांटम मॉडल को अधिक जटिल बनाने से हमेशा बेहतर परिणाम नहीं मिले; इसमें आकार और संरचना का एक विशिष्ट संतुलन था जो सबसे अच्छा काम करता था। यह सुझाव देता है कि क्वांटम प्रणाली में अव्यवस्थित, वास्तविक दुनिया के संकेतों से सीखने की एक जन्मजात क्षमता है, जैसा कि क्लासिकल कंप्यूटर नहीं कर सकते।

यह कार्य प्रदर्शित करता है कि क्वांटम मशीन लर्निंग अब केवल सैद्धांतिक प्रयोगों से आगे बढ़कर व्यावहारिक, उच्च-जोखिम वाली समस्याओं को हल करने के क्षेत्र में प्रवेश कर रही है। 172 क्वांटम बिट्स के सिस्टम का सफलतापूर्वक सिमुलेशन करके, टीम ने सिद्ध किया कि ये विधियाँ वास्तविक दुनिया के पर्यावरणीय डेटा की जटिलता को संभालने के लिए स्केल की जा सकती हैं। हालाँकि परिणाम एक भौतिक क्वांटम कंप्यूटर के बजाय एक सिम्युलेटेड प्लेटफॉर्म पर प्राप्त किए गए थे, फिर भी इनके निष्कर्ष एक स्पष्ट मार्ग प्रदान करते हैं। वे सुझाव देते हैं कि निकट भविष्य में, हम इन क्वांटम-संवर्धित उपकरणों का उपयोग वायु गुणवत्ता की अभूतपूर्व सटीकता के साथ निगरानी करने के लिए कर सकते हैं, जिससे समुदायों को सुरक्षित रहने के लिए विश्वसनीय और समय पर चेतावनी मिल सके, और यह सब उन विशाल क्लासिकल कंप्यूटरों की तुलना में कम ऊर्जा का उपयोग करते हुए संभव हो सकता है जिन पर हम आज निर्भर हैं।