Sleep-Disordered Breathing Detection with Quantum Recurrent Neural Networks

नींद आराम की एक ऐसी अवस्था है जिसे अधिकांश लोग सामान्य मानकर अनदेखा कर देते हैं, फिर भी लाखों लोगों के लिए, यह एक मौन संघर्ष से बाधित होती है: सांस रुक जाती है या खतरनाक रूप से उथली हो जाती है। यह स्थिति, जिसे स्लीप-डिसऑर्डर ब्रीदिंग (श्वसन संबंधी विकार) कहा जाता है, उन प्रकरणों को शामिल करती है जहाँ वायु प्रवाह पूरी तरह से रुक जाता है या काफी कम हो जाता है, जिससे अक्सर रक्त में ऑक्सीजन के स्तर में गिरावट आती है। इन घटनाओं का पता लगाना गंभीर स्वास्थ्य जोखिमों के निदान के लिए महत्वपूर्ण है, लेकिन वर्तमान विधि एक श्रमसाध्य प्रक्रिया है। डॉक्टरों को रोगी के शरीर से जुड़े सेंसरों की घंटों की रिकॉर्डिंग को मैन्युअल रूप से देखना पड़ता है, ताकि हवा के प्रवाह और रक्त में ऑक्सीजन के स्तर के विशिष्ट पैटर्न को पहचाना जा सके। यह कार्य समय लेने वाला है और मानवीय त्रुटि की संभावना से भरा है, जो शोधकर्ताओं को कंप्यूटर की मदद लेने के लिए प्रेरित करता है। वर्षों से, मानक आर्टिफिशियल इंटेलिजेंस को इन पैटर्न को पहचानने के लिए प्रशिक्षित किया गया है, लेकिन अब कंप्यूटिंग के एक नए क्षितिज का परीक्षण किया जा रहा है ताकि यह देखा जा सके कि क्या यह काम बेहतर तरीके से, या कम से कम बहुत कम डिजिटल भार के साथ कर सकता है।

यह नया क्षितिज क्वांटम कंप्यूटिंग है, जो सूचना को संसाधित करने के लिए उप-परमाणु दुनिया के विचित्र नियमों का उपयोग करता है। एक मानक कंप्यूटर के स्विचों के विपरीत जो या तो 'ऑन' होते हैं या 'ऑफ', एक क्वांटम कंप्यूटर की मूल इकाइयाँ, जिन्हें क्वबिट्स (qubits) कहा जाता है, एक ही समय में 'ऑन' और 'ऑफ' दोनों अवस्थाओं में रह सकती हैं। यह उन्हें कई संभावनाओं को एक साथ तलाशने की अनुमति देता है। वैज्ञानिकों ने लंबे समय से सोचा है कि क्या ये मशीनें अपने क्लासिकल समकक्षों की तुलना में डेटा से अधिक कुशलता से सीख सकती हैं, विशेष रूप से दिल की धड़कन या सांस लेने के पैटर्न जैसे जटिल अनुक्रमों के साथ। स्पेन के शोधकर्ताओं की एक टीम ने इस विचार का परीक्षण करने के लिए एक विशिष्ट प्रकार का आर्टिफिशियल इंटेलिजेंस बनाने का लक्ष्य रखा जिसे 'क्वांटम रिकरेंट न्यूरल नेटवर्क' कहा जाता है। उन्होंने इस प्रणाली को एक स्मृति (मेमोरी) की तरह कार्य करने के लिए डिज़ाइन किया, जो सांस लेने के डेटा के अनुक्रम को एक समय में एक क्षण के रूप में संसाधित करती है, जबकि रोगी की रात की पूरी कहानी समझने के लिए उससे पहले की घटनाओं का रिकॉर्ड रखती है।

शोधकर्ताओं ने नींद के अध्ययन के एक बड़े सार्वजनिक डेटाबेस से वास्तविक मेडिकल रिकॉर्ड लिए और उन्हें छोटे, प्रबंधनीय टुकड़ों में विभाजित किया। उन्होंने अपने सिस्टम का विभिन्न स्थितियों में परीक्षण करने के लिए तीन अलग-अलग डेटा सेट बनाए। पहला सेट छोटा था, जिसमें सांस लेने के पैटर्न के केवल 300 उदाहरण थे, जिसमें केवल वायु प्रवाह सिग्नल का उपयोग किया गया था। दूसरा सेट मध्यम आकार का था जिसमें 600 उदाहरण थे, जिसमें ऑक्सीजन के स्तर को मापने वाला दूसरा सिग्नल जोड़ा गया था। तीसरा सेट सबसे बड़ा और सबसे कठिन था, जिसमें 1,200 उदाहरण थे जिनमें सामान्य श्वसन और हाइपोपनिया (hypopnea) नामक एक अधिक सूक्ष्म प्रकार की श्वसन समस्या शामिल थी, जो सामान्य नींद से अलग पहचानना कठिन है। इन प्रत्येक परिदृश्यों के लिए, उन्होंने अपने नए क्वांटम मॉडल को प्रशिक्षित किया और इसकी तुलना एक पारंपरिक कंप्यूटर मॉडल के साथ की, जो उसी बुनियादी संरचना का उपयोग करता था लेकिन मानक हार्डवेयर पर चलता था।

परिणामों ने एक ऐसी कहानी का खुलासा किया जो इस बात पर निर्भर करती है कि कितना डेटा उपलब्ध है। जब शोधकर्ताओं ने मॉडल को सीखने के लिए बहुत कम जानकारी दी, तो क्वांटम संस्करण चमक उठा। इसने टेस्ट केसों में से 83 प्रतिशत मामलों में सांस लेने की समस्याओं की सही पहचान की, जो पारंपरिक मॉडल से काफी बेहतर था, जो केवल 69 प्रतिशत तक ही पहुँच पाया था। यह सुझाव देता है कि क्वांटम दृष्टिकोण उन स्थितियों में पैटर्न खोजने में असाधारण रूप से अच्छा है जब वह भारी मात्रा में प्रशिक्षण डेटा पर निर्भर नहीं हो सकता। हालाँकि, जैसे-जैसे डेटा की मात्रा बढ़ी, लाभ बदल गया। मध्यम आकार के डेटासेट पर, दोनों मॉडल समान रूप से प्रदर्शन करते थे, जिसमें पारंपरिक मॉडल ने विशिष्ट घटनाओं की पहचान करने में थोड़ी बेहतर सटीकता दिखाई। जब शोधकर्ताओं ने सबसे बड़े और जटिल डेटासेट की ओर रुख किया, जिसमें कठिन हाइपोपनिया घटनाएं शामिल थीं, तो पारंपरिक मॉडल आगे निकल गया और उसने सभी स्तरों पर उच्च सटीकता प्राप्त की।

इन निष्कर्षों को जो बात विशेष रूप से दिलचस्प बनाती है, वह केवल स्कोर नहीं है, बल्कि उन्हें प्राप्त करने की लागत है। पारंपरिक कंप्यूटर मॉडल को पैटर्न सीखने के लिए हजारों समायोज्य सेटिंग्स, जिन्हें पैरामीटर कहा जाता है, की आवश्यकता थी। इसके विपरीत, क्वांटम मॉडल ने एक सौ से भी कम पैरामीटरों के साथ अपने परिणाम प्राप्त किए। इसे समझने के लिए, क्वांटम मॉडल एक विशाल डिजिटल मस्तिष्क के काम को बहुत कम आंतरिक मशीनरी का उपयोग करके कर रहा था। यह अत्यधिक दक्षता बताती है कि क्वांटम सिस्टम को उन भारी मेमोरी और प्रोसेसिंग पावर की आवश्यकता के बिना जटिल कार्यों को सीखने में सक्षम हो सकता है जिसकी मानक कंप्यूटरों को आवश्यकता होती है। हालाँकि, इस दक्षता के साथ एक समझौता भी था। क्वांटम मॉडल को सीखने में बहुत अधिक समय लगा, जिसे समाधान तक पहुँचने के लिए सैकड़ों प्रशिक्षण चक्रों की आवश्यकता थी, जबकि पारंपरिक मॉडल अक्सर कुछ दर्जन चक्रों में ही अपना उत्तर पा लेता था। क्वांटम सिस्टम ने एक रन से दूसरे रन में अपने प्रदर्शन में अधिक भिन्नता भी दिखाई, जो यह संकेत देता है कि यह उस परिपक्व तकनीक की तुलना में अभी भी थोड़ा कम स्थिर है जिसे वह चुनौती दे रहा है।

यह अध्ययन एक क्वांटम कंप्यूटर के उच्च-सटीक सिमुलेशन का उपयोग करके किया गया था, क्योंकि आज उपलब्ध वास्तविक भौतिक मशीनें इतनी जटिल कार्यों को विश्वसनीय रूप से चलाने के लिए बहुत छोटी और शोर-युक्त (noisy) हैं। शोधकर्ता स्वीकार करते हैं कि हालांकि उनके क्वांटम मॉडल ने, विशेष रूप से डेटा-दुर्लभ स्थितियों में, बहुत आशाजनक प्रदर्शन किया है, लेकिन यह अभी तक अस्पताल के लिए तैयार कोई अंतिम उत्पाद नहीं है। आगे का रास्ता इन मॉडलों को वास्तविक क्वांटम हार्डवेयर के शोर को संभालने के लिए परिष्कृत करने और यह पता लगाने में शामिल है कि क्या उन्हें अन्य प्रकार के चिकित्सा डेटा पर लागू किया जा सकता है। यह कार्य सुझाव देता है कि जैसे-जैसे क्वांटम तकनीक परिपक्व होगी, यह मानव शरीर की जटिल लय का विश्लेषण करने के लिए एक शक्तिशाली, हल्का विकल्प प्रदान कर सकती है, जिससे संभावित रूप से नींद के विकारों का निदान सभी के लिए तेज़ और अधिक सुलभ हो जाएगा।