Federated Unlearning of Quantum Data via Classical Shadows
यह शोध पत्र SHADE का प्रस्ताव करता है, जो क्वांटम न्यूरल नेटवर्क के लिए एक फेडेरेटेड अनलर्निंग विधि है जो क्लासिकल शैडोज़ का उपयोग करके न्यूटन करेक्शन के माध्यम से विशिष्ट क्वांटम डेटा के प्रभाव का अनुमान लगाने और उसे हटाने के लिए किया जाता है, जिससे डेटा रिप्ले के बिना रिट्रेनिंग-स्तर की सटीकता प्राप्त होती है जबकि इसके लिए आवश्यक शैडो आकार केवल ऑब्जर्वेबल के बैकवर्ड लाइट कोन के साथ स्केल 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 कंप्यूटिंग की उभरती दुनिया में, मशीनें सूचना के बिट्स को वैसे प्रोसेस नहीं करतीं जैसे हमारी जेबों में मौजूद कंप्यूटर करते हैं। इसके बजाय, वे क्वांटम अवस्थाओं (quantum states) को नियंत्रित करती हैं, जो परमाणुओं या फोटॉन जैसे कणों की नाजुक, भौतिक स्थितियाँ होती हैं। ये अवस्थाएँ अविश्वसनीय रूप से नाजुक होती हैं; जिस क्षण एक वैज्ञानिक डेटा पढ़ने के लिए उन्हें मापता है, वह अवस्था समाप्त और परिवर्तित हो जाती है, ठीक वैसे ही जैसे एक सीलबंद लिफाफा खोलने से उसकी गोपनीयता नष्ट हो जाती है। यह नाजुकता क्वांटम सेंसर के नेटवर्क के लिए एक अनूठी चुनौती पैदा करती है, जहाँ कई छोटे उपकरण मिलकर एक साझा आर्टिफिशियल इंटेलिजेंस को प्रशिक्षित करने के लिए काम करते हैं। यदि कोई सेंसर खराब हो जाता है या कोई उपयोगकर्ता चाहता है कि उसका डेटा हटा दिया जाए, तो नेटवर्क को उस विशिष्ट जानकारी को "भूलना" (unlearn) होगा। पारंपरिक कंप्यूटिंग में, यह अक्सर पुराने डेटा को सिस्टम को यह सिखाने के लिए फिर से चलाने (replaying) से किया जाता है कि उसे क्या भूलना है। हालाँकि, क्योंकि क्वांटम अवस्थाएँ मापन के बाद लुप्त हो जाती हैं और उनकी नकल (copy) नहीं की जा सकती, इसलिए पुराना डेटा अब अस्तित्व में ही नहीं रहता। नेटवर्क के पास एक ऐसे अतीत की स्मृति रह जाती है जिसे वह दोबारा नहीं देख सकता, जिससे विशिष्ट डेटा को हटाना पूरी प्रक्रिया को शुरू से शुरू किए बिना असंभव सा लगता है।
शोधकर्ताओं ने अब इस विरोधाभास का एक समाधान प्रस्तावित किया है, एक विधि जिसे शैडो-बेस्ड डेटा इरेज़र (Shadow-based Data Erasure), या SHADE कहा जाता है, जो एक क्वांटम नेटवर्क को मूल अवस्थाओं को दोबारा देखे बिना ही विशिष्ट डेटा को भूलने की अनुमति देता है। संयुक्त राज्य अमेरिका के विश्वविद्यालयों में काम कर रही टीम ने महसूस किया कि जबकि क्वांटम अवस्थाएँ स्वयं गायब हो जाती हैं, उनका नेटवर्क पर जो गणितीय प्रभाव था, उसे एक अलग प्रकार के रिकॉर्ड से पुनर्गठित किया जा सकता है। प्रारंभिक प्रशिक्षण चरण के दौरान, नेटवर्क में प्रत्येक नोड न केवल मुख्य सीखने के कार्य के लिए डेटा को मापता है, बल्कि वह क्वांटम अवस्थाओं की कुछ कॉपियाँ "स्नैपशॉट" लेने के लिए भी अलग रख देता है। ये स्नैपशॉट पूर्ण रिकॉर्ड नहीं हैं, जो कि रखना असंभव होगा, बल्कि यादृच्छिक (random), सिंगल-क्यूबिट मापन की एक श्रृंखला हैं जो पर्याप्त जानकारी कैप्चर करती है कि बाद में विभिन्न स्थितियों के तहत वह अवस्था कैसे व्यवहार करेगी। इन स्नैपशॉट को एक क्वांटम वस्तु के शास्त्रीय रेखाचित्र (classical sketch) के रूप में समझें, जो वस्तु को स्वयं रखने की आवश्यकता के बिना उसके आवश्यक आकार को कैप्चर करता है।
SHADE विधि की प्रतिभा इस बात में निहित है कि यह इन रेखाचित्रों का उपयोग सटीक गणितीय सुधार करने के लिए कैसे करती है। जब किसी विशिष्ट सेंसर या विशिष्ट समय अवधि से डेटा हटाने का अनुरोध आता है, तो नेटवर्क को लुप्त हुई अवस्थाओं को दोबारा मापने की आवश्यकता नहीं होती है। इसके बजाय, नोड्स अपने संग्रहीत स्नैपशॉट का उपयोग यह अनुमान लगाने के लिए करते हैं कि भुलाए गए डेटा का साझा मॉडल पर कितना गणितीय "खिंचाव" (pull) था। वे गणना करते हैं कि भुलाए गए डेटा ने नेटवर्क के वर्तमान ज्ञान को कितना प्रभावित किया और शेष डेटा मॉडल की संरचना का समर्थन कैसे करता है। एक केंद्रीय सर्वर फिर इन अनुमानों को जोड़ता है ताकि मॉडल की सेटिंग्स पर एक एकल, शक्तिशाली समायोजन लागू किया जा सके। यह समायोजन प्रभावी रूप से अवांछित डेटा के प्रभाव को रद्द कर देता है, जिससे नेटवर्क के पास एक ऐसा मॉडल बचता है जो ऐसा व्यवहार करता है जैसे उसने उस डेटा को कभी देखा ही न हो। महत्वपूर्ण बात यह है कि यह पूरी प्रक्रिया केवल शास्त्रीय सूचना (classical information) का उपयोग करके मानक इंटरनेट कनेक्शन के माध्यम से होती है; इस दौरान कोई भी क्वांटम अवस्था तैयार या मापी नहीं जाती है।
शोधकर्ताओं ने पचास नोड्स वाले सिमुलेशन और क्वांटम प्रोसेसर से लैस भौतिक एज कंप्यूटिंग बोर्डों पर इस दृष्टिकोण का परीक्षण किया। उन्होंने पाया कि यह विधि उल्लेखनीय गति और सटीकता के साथ काम करती है। अपने परीक्षणों में, सुधारा गया मॉडल उस मॉडल के प्रदर्शन से मेल खाता था जिसे ताज़ा डेटा पर पूरी तरह से फिर से प्रशिक्षित किया गया था, जिसमें सटीकता का अंतर आधे प्रतिशत अंक से भी कम था। यह स्तर की सटीकता 0.2 सेकंड से भी कम समय में प्राप्त की गई, जो उन अन्य तरीकों की तुलना में बहुत कम समय है जो डेटा को फिर से चलाने या पूरे नोड्स को हटाने का प्रयास करते हैं। अध्ययन ने एक आश्चर्यजनक अंतर्दृष्टि भी दी: डेटा स्टोर करने की लागत के बारे में, किसी अवस्था को भूलने के लिए आवश्यक डेटा की मात्रा सिस्टम में कुल क्यूबिट्स की संख्या के साथ नहीं बढ़ती है। इसके बजाय, यह उस विशिष्ट भाग की जटिलता पर आधारित होती है जिसे डेटा ने छुआ था। इसका अर्थ यह है कि जैसे-जैसे क्वांटम नेटवर्क अधिक जटिल समस्याओं को संभालने के लिए बड़े होते हैं, विशिष्ट जानकारी को भूलने के लिए आवश्यक मेमोरी प्रबंधनीय बनी रहती है।
यह सिद्ध करके कि क्वांटम डेटा को मूल अवस्थाओं के बिना मिटाया जा सकता है, यह कार्य क्वांटम मशीन लर्निंग की व्यावहारिक तैनाती के लिए एक महत्वपूर्ण बाधा को दूर करता है। यह सुनिश्चित करता है कि ये शक्तिशाली नेटवर्क उपयोगकर्ता की गोपनीयता का सम्मान कर सकते हैं और बदलते परिवेश के अनुसार अनुकूलित हो सकते हैं, बिना अपने अतीत की गलतियों में फंसे रहे। यह विधि इस तथ्य पर निर्भर करती है कि एक लर्निंग मॉडल पर क्वांटम अवस्था का प्रभाव पूर्वानुमेय (predictable) होता है, भले ही वह अवस्था स्वयं गायब हो चुकी हो। प्रशिक्षण के दौरान यादृच्छिक मापन को सावधानीपूर्वक रिकॉर्ड करके, शोधकर्ताओं ने दिखाया है कि एक नेटवर्क भूलना सीख सकता है, जिससे सिस्टम की अखंडता सुरक्षित रहती है और उन लोगों के अधिकारों का सम्मान होता है जिन्होंने डेटा में योगदान दिया है। यह विकास सुझाव देता है कि एक ऐसा भविष्य जहाँ क्वांटम नेटवर्क न केवल शक्तिशाली हैं बल्कि लचीले और विश्वसनीय भी हैं, जो उस डेटा से ग्रस्त हुए बिना विकसित होने में सक्षम हैं जो अब वहां नहीं होना चाहिए।
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।