Empirical Evaluation of Quantum Kernel Methods for Classification: A Comparative Study with Classical Kernels

उपयोगी मशीनें बनाने की दौड़ में, जो डेटा से सीख सकें, वैज्ञानिक उन तरीकों की तलाश कर रहे हैं जिनसे क्वांटम भौतिकी के अजीबोगरीब नियमों का उपयोग उन समस्याओं को हल करने के लिए किया जा सके जो आज के कंप्यूटरों के लिए बहुत कठिन हैं। एक आशाजनक विचार यह है कि क्वांटम कंप्यूटर का उपयोग पूरी सीखने की प्रक्रिया चलाने के लिए नहीं, बल्कि सूचनाओं को छाँटने के लिए एक विशेष उपकरण के रूप में किया जाए। कल्पना कीजिए कि आप मिश्रित लाल और नीले कंचों (मारबल्स) के ढेर को अलग करने का सबसे अच्छा तरीका खोजने की कोशिश कर रहे हैं। एक मानक कंप्यूटर उनके बीच एक रेखा खींच देता है। एक क्वांटम दृष्टिकोण पहले कंचों को एक उच्च, अधिक जटिल स्थान में ले जाता है जहाँ वे स्वाभाविक रूप से व्यवस्थित समूहों में अलग हो सकते हैं, और फिर रेखा खींचता है। क्वांटम मशीन का काम यह गणना करना है कि इस नए स्थान में कोई भी दो कंचे एक-दूसरे के कितने करीब हैं, एक ऐसी गणना जो साधारण कंप्यूटरों के लिए कठिन है लेकिन एक क्वांटम कंप्यूटर के लिए आसान है। यह विधि, जिसे क्वांटम कर्नेल (quantum kernel) कहा जाता है, वर्तमान, अपूर्ण क्वांटम उपकरणों का उपयोग वास्तविक दुनिया के डेटा के साथ करने का सबसे ठोस तरीका है। हालाँकि, वर्षों से, शोधकर्ता इस बात पर बहस कर रहे हैं कि क्या यह क्वांटम तरकीब वास्तव में उन सर्वोत्तम तरीकों से बेहतर काम करती है जो हमारे पास पहले से ही नियमित कंप्यूटरों पर उपलब्ध हैं। कुछ अध्ययन कहते हैं कि यह श्रेष्ठ है, अन्य कहते हैं कि यह समान है, और कुछ कहते हैं कि यह बदतर है। भ्रम इतना गहरा था कि यह स्पष्ट नहीं था कि यह असहमति स्वयं क्वांटम तकनीक के कारण थी या प्रयोगों को स्थापित करने के तरीके के कारण।

रोनक भलगामी नामक एक शोधकर्ता ने इस प्रयोग को ही अध्ययन का विषय बनाकर इस बहस को सुलझाने का निर्णय लिया। केवल एक परीक्षण चलाने और एक स्पष्ट विजेता की उम्मीद करने के बजाय, टीम ने एक विशाल, नियंत्रित जांच तैयार की जिसने खेल के नियमों को एक निष्पक्ष मुकाबले को सुनिश्चित करने के लिए बदल दिया। उन्होंने एक ऐसी प्रणाली बनाई जहाँ उन्होंने सैकड़ों अलग-अलग परिदृश्यों में क्वांटम विधियों का शास्त्रीय (क्लासिकल) विधियों के विरुद्ध परीक्षण किया, जिसमें डेटा का आकार, चरों (वेरिएबल्स) की संख्या और कार्य को हल करने की सुगमता को बदला गया। महत्वपूर्ण रूप से, उन्होंने उस छिपे हुए दोष को ठीक किया जिसने पिछले अध्ययनों को परेशान किया था: डेटा को मशीन में डालने से पहले उसे स्केल (पैमाना निर्धारित) करने का तरीका। पिछले कार्यों में, शोधकर्ता अक्सर शास्त्रीय कंप्यूटर के लिए सेटिंग्स को सावधानीपूर्वक ट्यून करते थे जबकि क्वांटम सेटिंग्स को स्थिर छोड़ देते थे, जिससे प्रभावी रूप से क्वांटम पक्ष को कमजोर किया जा रहा था। इस नए अध्ययन में, दोनों पक्षों को अपने सर्वश्रेष्ठ सेटिंग्स खोजने का समान अवसर दिया गया। उन्होंने काम की लागत को गिनने का तरीका भी बदल दिया, इसे एक सिम्युलेशन पर चलने में लगने वाले समय के बजाय, एक वास्तविक क्वांटम मशीन द्वारा किए जाने वाले भौतिक ऑपरेशनों की संख्या के आधार पर मापा।

इस कठोर तुलना के परिणामों ने एक आश्चर्यजनक सत्य प्रकट किया: सफलता को निर्धारित करने वाला सबसे बड़ा कारक मशीन की क्वांटम प्रकृति नहीं थी, बल्कि एक सरल सेटिंग थी जो यह नियंत्रित करती है कि डेटा को कैसे स्केल किया जाता है। जब शोधकर्ताओं ने क्वांटम विधि के लिए इस सेटिंग को ट्यून किया, तो वास्तविक दुनिया के डेटा पर सटीकता नाटकीय रूप से बढ़ गई, जो 0.339 अंक तक थी। यह सुधार इतना बड़ा था कि यह उन किसी भी अंतर से अधिक था जो उन्होंने क्वांटम विधि और सर्वोत्तम शास्त्रीय विधियों के बीच पाया था। वास्तव में, एक बार जब क्वांटम विधि को ठीक से ट्यून किया गया, तो इसने चार मानक वास्तविक दुनिया के डेटासेट्स पर सर्वोत्तम शास्त्रीय विधियों के समान प्रदर्शन किया, लेकिन यह उनसे बेहतर नहीं प्रदर्शन कर सकी। यह विचार कि क्वांटम कंप्यूटरों के पास इन कार्यों के लिए एक स्वाभाविक, अंतर्निहित लाभ है, डेटा द्वारा समर्थित नहीं था। क्वांटम विधि केवल एक विशेष, बनावटी डेटासेट पर स्पष्ट बढ़त दिखा सकी, जिसे विशेष रूप से क्वांटम मशीन के अपने आंतरिक तर्क द्वारा हल करने के लिए डिज़ाइन किया गया था। सामान्य डेटा पर, क्वांटम लाभ जटिलता बढ़ने के साथ कम हो गया और डेटा की मात्रा बढ़ने पर ही बढ़ा।

अध्ययन ने एक व्यावहारिक बाधा को भी उजागर किया जो निकट भविष्य में इन मशीनों के उपयोग को प्रभावित करेगी। शोधकर्ताओं ने पाया कि त्रुटि का सबसे बड़ा स्रोत क्वांटम हार्डवेयर का शोर (नॉइज़) नहीं था, बल्कि तथ्य यह था कि मशीन को एक एकल उत्तर प्राप्त करने के लिए कई माप लेने होते हैं। 'सैंपलिंग' (sampling) नामक यह प्रक्रिया, हार्डवेयर की खामियों की तुलना में कहीं अधिक गलतियाँ पैदा करती है। एक बड़े डेटासेट पर विश्वसनीय परिणाम प्राप्त करने के लिए, एक क्वांटम कंप्यूटर को अपने सर्किट को लगभग 5 करोड़ बार चलाना होगा, जो वर्तमान हार्डवेयर पर निरंतर संचालन के हफ्तों का कार्य होगा। इसके विपरीत, हार्डवेयर घटकों से होने वाला शोर एक बहुत छोटी समस्या थी। यह सुझाव देता है कि वर्तमान में इन क्वांटम उपकरणों का उपयोग करने की मुख्य बाधा हार्डवेयर को शांत बनाना नहीं है, बल्कि कम माप के साथ उत्तर प्राप्त करने का तरीका खोजना है। शोधकर्ताओं ने निष्कर्ष निकाला कि यदि क्वांटम कर्नेल का उपयोग वास्तविक हार्डवेयर पर किया जाना है, तो इस विधि का एक विशिष्ट, सरल संस्करण ही एकमात्र व्यावहारिक विकल्प है, क्योंकि इसमें सटीकता में बहुत मामूली गिरावट के साथ सैकड़ों गुना कम ऑपरेशन की आवश्यकता होती है।

अंततः, यह कार्य स्पष्ट करता है कि क्षेत्र में इतनी उलझन क्यों थी। पिछले अध्ययनों के विरोधाभासी परिणाम क्वांटम भौतिकी के अप्रत्याशित होने के कारण नहीं थे, बल्कि प्रयोगों के असंगत होने के कारण थे। जब नियमों को निष्पक्ष बनाया जाता है और सेटिंग्स को सही ढंग से ट्यून किया जाता है, तो क्वांटम विधि शास्त्रीय विधियों के लिए एक सक्षम प्रतिस्पर्धी होती है, लेकिन यह कोई जादुई समाधान नहीं है जो उन समस्याओं को हल कर सके जिन्हें वे नहीं कर सकते। इस कार्य के लिए क्वांटम कंप्यूटर का उपयोग करने का लाभ एक गारंटीकृत जीत नहीं है, बल्कि एक संकीर्ण संभावना है जो पूरी तरह से डेटा की विशिष्ट संरचना और प्रयोग को स्थापित करने में बरती गई सावधानी पर निर्भर करती है। फिलहाल, सबसे महत्वपूर्ण सबक यह है कि इन प्रणालियों को मापने और ट्यून करने का तरीका मशीन की क्वांटम प्रकृति से अधिक मायने रखता है।