Which data samples matter when training a quantum model?
यह शोधपत्र एक डेटा-केंद्रित मीट्रिक, क्वांटम-संगत V-उपयोगी सूचना (quantum-compatible V-usable information) को प्रस्तुत करता है जो यह पहचानने के लिए है कि क्वांटम मशीन लर्निंग मॉडल को प्रशिक्षित करने के लिए कौन से डेटा नमूने सबसे महत्वपूर्ण हैं, जिससे सूचित प्रीसेलेक्शन रणनीतियों को सक्षम बनाया जा सके जो प्रशिक्षण डेटा दक्षता में महत्वपूर्ण सुधार करती हैं।
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 लेखक ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
क्वांटम मशीन लर्निंग के उभरते क्षेत्र में, वैज्ञानिक ऐसे कंप्यूटर प्रोग्राम बना रहे हैं जो क्वांटम प्रोसेसर पर चलते हैं, जो सूचना को संसाधित करने के लिए उप-परमाणु दुनिया के विचित्र नियमों का उपयोग करते हैं। ये प्रोग्राम पैटर्न को पहचानने और भविष्यवाणियां करने के लिए डिज़ाइन किए गए हैं, बिल्कुल आज के स्मार्टफोन में पाए जाने वाले आर्टिफिशियल इंटेलिजेंस सिस्टम की तरह, लेकिन इनमें उन समस्याओं को हल करने की क्षमता है जो वर्तमान में मानक कंप्यूटरों के लिए असंभव हैं। हालाँकि, इन क्वांटम मॉडलों के इर्द-गिर्द एक निरंतर रहस्य बना हुआ है: जबकि शोधकर्ताओं ने वर्षों तक इस बात का अध्ययन किया है कि ये मॉडल स्वयं कितने शक्तिशाली हो सकते हैं, उन्होंने उस डेटा पर बहुत कम ध्यान दिया है जिसे उन्हें खिलाया जाता है। जिस तरह एक मानव छात्र अलग तरह से सीखता है यदि वह एक स्पष्ट पाठ्यपुस्तक पढ़ रहा हो या एक भ्रमित करने वाली पाठ्यपुस्तक, एक क्वांटम मॉडल की सफलता काफी हद तक उन विशिष्ट उदाहरणों पर निर्भर करती है जिनका वह अध्ययन करता है। बड़ा सवाल यह रहा है कि क्या कुछ डेटा बिंदु अन्य की तुलना में अधिक मूल्यवान हैं, और क्या हम इन मशीनों को अधिक कुशलता से सिखाने के लिए सबसे सहायक उदाहरणों की पहचान कर सकते हैं।
शोधकर्ताओं की एक टीम ने अब इस प्रश्न का उत्तर दिया है कि एक नए तरीके को विकसित करके कि एक क्वांटम मॉडल किसी डेटासेट से कितनी उपयोगी जानकारी निकाल सकता है। मॉडल को अलग से देखने के बजाय, उन्होंने अपना ध्यान मॉडल और डेटा के बीच के संबंध पर केंद्रित किया। उन्होंने एक ऐसा मीट्रिक (माप) बनाया जो एक नैदानिक उपकरण (डायग्नोस्टिक टूल) की तरह कार्य करता है, जो यह मात्रा निर्धारित करता है कि एक विशिष्ट क्वांटम आर्किटेक्चर एक विशिष्ट सेट के उदाहरणों से कितनी अच्छी तरह सीख सकता है। इस दृष्टिकोण ने खुलासा किया कि सभी डेटा बिंदु समान नहीं होते हैं। कुछ उदाहरण इतने स्पष्ट हैं कि मॉडल उन्हें तुरंत सीख लेता है, जबकि अन्य इतने भ्रमित करने वाले या विरोधाभासी हैं कि वे वास्तव में सीखने की प्रक्रिया में बाधा डालते हैं। प्रत्येक व्यक्तिगत प्रशिक्षण नमूने में "उपयोगी जानकारी" को मापकर, शोधकर्ता देख सके कि कौन से उदाहरण मॉडल की सफलता को संचालित कर रहे थे और कौन से केवल शोर (नॉइज़) थे।
इस माप को काम करने योग्य बनाने के लिए, टीम को क्वांटम कंप्यूटिंग में निहित एक अनूठी समस्या को हल करना पड़ा। क्लासिकल कंप्यूटिंग में, यह समझने के लिए कि एक मॉडल डेटा से कितना सीखता है, वैज्ञानिक इसके प्रदर्शन की तुलना बिना किसी इनपुट के प्रदर्शन से करते हैं। क्वांटम दुनिया में, डेटा इनपुट को बंद करना सीधा नहीं है क्योंकि मशीन की आंतरिक अवस्था नाजुक होती है और आसानी से प्रभावित होती है। शोधकर्ताओं ने एक "ब्लैंक स्लेट" (कोरी स्लेट) इनपुट बनाने के कई तरीकों का परीक्षण किया—एक ऐसी स्थिति जिसमें कार्य के बारे में कोई जानकारी नहीं होती है लेकिन फिर भी वह मशीन की भौतिक बाधाओं का सम्मान करती है। उन्होंने पाया कि क्वांटम सिस्टम को 'इक्वल सुपरपोजिशन' (समान सुपरपोजिशन) की स्थिति में तैयार करना, जहाँ हर संभावित परिणाम की संभावना समान होती है, सबसे अच्छा तटस्थ आधार (न्यूट्रल बेसलाइन) के रूप में कार्य करता है। इसने उन्हें सटीक रूप से मापने की अनुमति दी कि वास्तविक डेटा पेश करने के बाद अनिश्चितता में कितनी कमी आई, जिससे यह स्पष्ट स्कोर मिला कि मॉडल ने वास्तव में कितना सीखा।
इस नई स्कोरिंग प्रणाली का उपयोग करते हुए, टीम ने देखा कि क्वांटम मॉडल समय के साथ कैसे सीखते हैं। उन्होंने मॉडल को एक डेटासेट पर प्रशिक्षित होते हुए देखा जिसे पदार्थ के विभिन्न चरणों (फेजेस ऑफ मैटर) को वर्गीकृत करने के लिए डिज़ाइन किया गया था, जो एक जटिल भौतिक अवस्था है जहाँ कण एक साथ मिलकर व्यवहार करते हैं। परिणामों ने दिखाया कि मॉडल पूरे डेटासेट को एक साथ नहीं सीखते हैं। इसके बजाय, वे आसान उदाहरणों में महारत हासिल करते हैं, जबकि विभिन्न चरणों के बीच की सीमाओं के पास के कठिन उदाहरणों के साथ संघर्ष करते हैं। मीट्रिक ने खुलासा किया कि मॉडल की सामान्यीकरण (जनरलाइजेशन) करने की क्षमता—जो नए, अनदेखे डेटा पर अपने सीखे हुए ज्ञान को लागू करने का उसका कौशल है—सीधे तौर पर इस बात से जुड़ी थी कि उसने प्रशिक्षण सेट से कितनी उपयोगी जानकारी निकाली है। जब मॉडल को सबसे अधिक सूचनात्मक उदाहरणों से सीखने के लिए मजबूर किया गया, तो इसके प्रदर्शन में काफी सुधार हुआ।
इन मॉडलों को अधिक कुशलता से प्रशिक्षित करने के लिए इस खोज का सबसे व्यावहारिक अनुप्रयोग एक नई रणनीति है। पारंपरिक रूप से, शोधकर्ता क्वांटम मॉडलों को विशाल डेटासेट पर प्रशिक्षित करते हैं, जो एक धीमी और संसाधन-गहन प्रक्रिया है। टीम ने प्रदर्शित किया कि उनके सूचना मीट्रिक का उपयोग करके केवल सबसे मूल्यवान डेटा बिंदुओं का चयन करके, वे सटीकता खोए बिना मूल डेटा के एक बहुत छोटे अंश पर मॉडल को प्रशिक्षित कर सकते हैं। एक प्रयोग में, उन्होंने प्रशिक्षण डेटा को अस्सी प्रतिशत तक कम कर दिया, केवल सबसे सूचनात्मक शीर्ष बीस प्रतिशत नमूनों को रखा। इस छोटे, क्यूरेटेड सबसेट पर प्रशिक्षित मॉडल ने पूर्ण डेटासेट पर प्रशिक्षित मॉडल के समान ही प्रदर्शन किया। यह निष्कर्ष बताता है कि भविष्य में, हमें क्वांटम कंप्यूटरों को हर उपलब्ध उदाहरण खिलाने की आवश्यकता नहीं होगी; इसके बजाय, हम उन्हें सावधानीपूर्वक चुने गए बेहतरीन सबक दे सकते हैं, जिससे समय और कंप्यूटिंग शक्ति की भारी बचत होगी।
शोधकर्ताओं ने सिंथेटिक डेटा और जटिल क्वांटम अवस्थाओं सहित कई अलग-अलग प्रकार की समस्याओं में इस दृष्टिकोण को मान्य किया, जिससे पुष्टि हुई कि यह विधि लगातार काम करती है। उन्होंने यह भी दिखाया कि उनके नैदानिक उपकरण को बहुत बड़े सिस्टम पर लागू किया जा सकता है, जैसे कि पचास क्यूबिट्स वाले मॉडल का अनुकरण करना, जो पारंपरिक तरीकों के साथ अध्ययन करने के लिए एक कठिन पैमाना है। हालांकि वर्तमान में उनका कार्य सिमुलेशन पर आधारित है, यह क्वांटम मशीन लर्निंग को अधिक व्यावहारिक बनाने के लिए एक ठोस मार्ग प्रदान करता है। यह समझकर कि कौन सा डेटा सबसे अधिक मायने रखता है, वैज्ञानिक बेहतर मॉडल तेजी से बना सकते हैं, जिससे क्वांटम कंप्यूटिंग के वादे को एक ऐसी वास्तविकता में बदला जा सके जो शक्तिशाली और कुशल दोनों हो।
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।