ConQUESTA: Topology-Aware Post-Training Structural Pruning of Quantum Neural Networks
ConQUESTA क्वांटम न्यूरल नेटवर्क के लिए एक टोपोलॉजी-जागरूक पोस्ट-ट्रेनिंग प्रूनिंग फ्रेमवर्क है जो उम्मीदवार एंटैंगलर्स की स्क्रीनिंग और स्पष्ट बाधाओं के तहत पूर्ण प्रूनिंग मास्क की खोज करके कार्य सटीकता और हार्डवेयर दक्षता को अनुकूलित करता है, जिससे विभिन्न क्वबिट स्केल्स और डेटासेट्स में कंपाइलर-प्रेरित गेट्स और डेप्थ में महत्वपूर्ण कमी आती 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
निकट भविष्य में, क्वांटम मैकेनिक्स के विचित्र नियमों पर आधारित कंप्यूटर उन समस्याओं को हल करने में मदद कर सकते हैं जो वर्तमान में हमारी मानक मशीनों के लिए असंभव हैं। ये क्वांटम कंप्यूटर 'क्यूबिट्स' (qubits) नामक सूचना की सूक्ष्म इकाइयों का उपयोग करते हैं, जो एक साथ कई अवस्थाओं में मौजूद हो सकते हैं, जिससे वे एक साथ कई संभावनाओं को तलाश सकते हैं। इन मशीनों को पैटर्न पहचानने या डेटा को वर्गीकृत करने जैसे कार्यों के लिए उपयोगी बनाने के लिए, वैज्ञानिक उन्हें लॉजिक गेट्स से बने सर्किट का उपयोग करके प्रोग्राम करते हैं। हालाँकि, इन सर्किटों का निर्माण करना कठिन है क्योंकि भौतिक हार्डवेयर अक्सर विरल (sparse) होता है; सभी क्यूबिट्स एक-दूसरे से जुड़े नहीं होते हैं। इस तरह की मशीन पर सर्किट को काम करने योग्य बनाने के लिए, इंजीनियरों को दूर स्थित क्यूबिट्स के बीच सूचना स्थानांतरित करने के लिए अतिरिक्त कदम डालने होते हैं, ठीक वैसे ही जैसे सड़क मानचित्र में डायवर्जन (detour) जोड़ना। ये डायवर्जन, जिन्हें रूटिंग ऑपरेशन्स कहा जाता है, जटिलता और त्रुटियां बढ़ाते हैं, जिससे अंतिम प्रोग्राम धीमा और कम विश्वसनीय हो जाता है। चुनौती एक ऐसा क्वांटम प्रोग्राम डिजाइन करने की है जो अपने काम को करने के लिए पर्याप्त सटीक हो लेकिन इस अपूर्ण हार्डवेयर पर कुशलतापूर्वक चलने के लिए पर्याप्त सरल भी हो।
न्यूयॉर्क यूनिवर्सिटी अबू धाबी के शोधकर्ताओं की एक टीम ने इस विशिष्ट समस्या को हल करने के लिए एक नई विधि विकसित की है, जो इस बात पर ध्यान केंद्रित करती है कि क्वांटम न्यूरल नेटवर्क के प्रशिक्षित होने के बाद क्या होता है। कल्पना कीजिए कि एक छात्र ने कड़ी मेहनत की है और एक विषय में महारत हासिल कर ली है, लेकिन अंतिम परीक्षा के लिए उसे अपने उत्तरों को उपकरणों के एक बहुत ही विशिष्ट, सीमित सेट का उपयोग करके लिखना आवश्यक है। शोधकर्ताओं ने पूछा: छात्र के ज्ञान के किन हिस्सों को हटाया जा सकता है ताकि उत्तर उन उपकरणों में फिट हो सके, बिना सही ग्रेड पाने की क्षमता खोए? उन्होंने 'ConQUESTA' नामक एक ढांचा तैयार किया, जो इन क्वांटम सर्किटों के लिए एक स्मार्ट संपादक (editor) के रूप में कार्य करता है। सर्किट के उन हिस्सों को केवल इसलिए हटाने के बजाय जो पहली नज़र में कम महत्वपूर्ण लगते हैं, यह प्रणाली पूरे सर्किट को एक संपूर्ण इकाई के रूप में देखती है। यह सिम्युलेट करती है कि विभिन्न प्रकार के क्वांटम हार्डवेयर पर सर्किट वास्तव में कैसे चलेगा, और यह भी जाँचती है कि इसे चलाने के लिए कितने अतिरिक्त कदमों की आवश्यकता होगी।
प्रक्रिया सर्किट में उन कनेक्शनों की पहचान करने से शुरू होती है जो भौतिक रूप से बनाए रखने में महंगे हैं लेकिन अंतिम उत्तर में बहुत कम योगदान देते हैं। सिस्टम इन कनेक्शनों को हटाने के कई विभिन्न संयोजनों का परीक्षण करता है, लेकिन यह केवल अनुमान नहीं लगाता है। यह प्रत्येक संभावित सर्किट संस्करण को कंपाइल करता है, उसे विशिष्ट हार्डवेयर की भाषा में अनुवादित करता है ताकि यह देख सके कि इसे चलाने के लिए वास्तव में कितने अतिरिक्त चरणों, या "डायवर्जन" की आवश्यकता होगी। यह पिछले तरीकों से एक महत्वपूर्ण अंतर है, जो अक्सर व्यक्तिगत रूप से एक-एक कनेक्शन को देखकर संसाधन बचाने का प्रयास करते थे। शोधकर्ताओं ने पाया कि कनेक्शनों के एक समूह को एक साथ हटाने से सर्किट का पूरा लेआउट इस तरह बदल सकता है जो केवल व्यक्तिगत भागों की बचत को जोड़ने मात्र से अनुमानित करना असंभव है। इन पूर्ण संयोजनों के माध्यम से खोज करके, सिस्टम एक ऐसा सर्किट संस्करण खोज लेता है जो मूल मॉडल की सटीकता बनाए रखते हुए काफी अधिक कुशल होता है।
अपने प्रयोगों में, टीम ने अंकों की छवियों को पहचानने, कैंसर के प्रकारों को वर्गीकृत करने और फूलों की पहचान करने के लिए डिज़ाइन किए गए क्वांटम सर्किटों का परीक्षण किया। उन्होंने चार, छह और आठ क्यूबिट्स वाले सर्किटों पर इस विधि को लागू किया, और प्रत्येक मामले में आधे से अधिक कनेक्शन हटा दिए। परिणाम चौंकाने वाले थे। फूलों की पहचान करने के कार्य पर, नई विधि ने आवश्यक संसाधनों को अस्सी प्रतिशत से अधिक कम कर दिया, जो मौजूदा सर्वोत्तम तकनीकों की तुलना में एक महत्वपूर्ण सुधार है। अन्य कार्यों के लिए भी सुधार पर्याप्त थे, जो तैंतीस से बहत्तर प्रतिशत के बीच थे। महत्वपूर्ण रूप से, मॉडलों की सटीकता उच्च बनी रही, जिससे सिद्ध हुआ कि सिस्टम मशीन के 'दिमाग' को तोड़े बिना अतिरिक्त भार को हटा सकता है। उन मामलों में जहाँ प्रारंभिक छंटनी (pruning) ने मॉडल को थोड़ा कम सटीक बना दिया, एक संक्षिप्त 'फाइन-ट्यूनिंग' अवधि ने सिस्टम को रिकवर करने में मदद की, जिससे यह सुनिश्चित हुआ कि अंतिम मॉडल सख्त प्रदर्शन मानकों को पूरा करे।
शोधकर्ताओं ने यह भी पता लगाया कि बड़े होने पर यह विधि कैसे स्केल करती है। उन्होंने एक परिदृश्य का अनुकरण किया जहाँ कनेक्शनों की संख्या एक छोटी मुट्ठी भर से बढ़कर सौ से अधिक हो गई। उनके स्क्रीनिंग प्रोसेस के बिना, सर्किट को छाँटने के संभावित तरीकों की संख्या लाखों में पहुँच जाती, जिससे सर्वोत्तम समाधान खोजना असंभव हो जाता। हालाँकि, पहले से ही उम्मीदवारों को सीमित करने के लिए अपनी स्मार्ट स्क्रीनिंग का उपयोग करके, सिस्टम को केवल उन संभावनाओं के एक बहुत छोटे अंश का मूल्यांकन करने की आवश्यकता पड़ी। भले ही कच्चे विकल्पों की संख्या हजारों गुना बढ़ गई, लेकिन जिस संस्करण का सिस्टम को वास्तव में परीक्षण करना था, वह केवल थोड़ा ही बढ़ा। यह सुझाव देता है कि यह विधि भविष्य में बहुत बड़े और अधिक जटिल क्वांटम कंप्यूटरों को बिना उलझे संभाल सकती है।
अंततः, यह कार्य क्वांटम न्यूरल नेटवर्क को वास्तविक दुनिया के हार्डवेयर के लिए तैयार करने का एक व्यावहारिक तरीका प्रदान करता है। यह इन नेटवर्कों को शुरू से डिजाइन करने की आवश्यकता को प्रतिस्थापित नहीं करता है, बल्कि यह उन्हें बनने के बाद परिष्कृत करने के लिए एक शक्तिशाली उपकरण प्रदान करता है। सर्किट को एक एकल, परस्पर जुड़े सिस्टम के रूप में मानकर और इसे हार्डवेयर की वास्तविकताओं के विरुद्ध परीक्षण करके, शोधकर्ताओं ने दिखाया है कि ऐसे क्वांटम प्रोग्राम बनाना संभव है जो शक्तिशाली और कुशल दोनों हों। निष्कर्ष बताते हैं कि सही अनुकूलन उपकरणों के साथ, सैद्धांतिक क्वांटम एल्गोरिदम और उन्हें चलाने वाले भौतिक मशीनों के बीच के अंतर को कम किया जा सकता है, जिससे हम इन कंप्यूटरों के लिए अपने समय की सबसे कठिन चुनौतियों से निपटने के समय के करीब पहुँच सकते हैं।
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।