← नवीनतम पेपर
⚛️ क्वांटम भौतिकी

Uncertainty-aware quantum machine learning based on Dempster-Shafer theory

यह शोध पत्र डेम्पस्टर-शाफर सिद्धांत पर आधारित एक अनिश्चितता-जागरूक क्वांटम वर्गीकरण ढांचे को प्रस्तुत करता है जो पैरामीटराइज्ड क्वांटम सर्किटों को लेबल के सेट पर भविष्यवाणी अनिश्चितता सीखने और व्यक्त करने में सक्षम बनाता है, जो क्वांटम डेम्पस्टर-शाफर फ्यूजन के लिए एक संसाधन-कुशल दृष्टिकोण प्रदान करता है।

मूल लेखक: Marie Kempkes, Jakob Spiegelberg, Evert van Nieuwenburg, Vedran Dunjko

प्रकाशित 2026-11-13
📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

मूल लेखक: Marie Kempkes, Jakob Spiegelberg, Evert van Nieuwenburg, Vedran Dunjko

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

आर्टिफिशियल इंटेलिजेंस की दुनिया में, एक ऐसा मॉडल जो अधिकांश समय सही उत्तर देता है, अक्सर पर्याप्त नहीं होता है। कल्पना कीजिए कि एक स्वयं चालक (सेल्फ-ड्राइविंग) कार एक पैदल यात्री को दस में से नौ बार सही ढंग से पहचान लेती है, लेकिन दसवीं बार में एक दुर्लभ, असामान्य बाधा को पहचानने में विफल रहती है। यदि सिस्टम यह संकेत देने में सक्षम नहीं है कि वह अनिश्चित है, तो इसके परिणाम गंभीर हो सकते हैं। यह अनिश्चितता की चुनौती है: न केवल यह जानना कि कंप्यूटर क्या सोचता है, बल्कि यह भी जानना कि वह उस विचार के प्रति कितना आश्वस्त है। जबकि पारंपरिक मशीन लर्निंग ने इस संदेह को मापने के तरीके विकसित किए हैं, उभरते हुए क्वांटम मशीन लर्निंग के क्षेत्र ने मुख्य रूप से कच्ची गति और सटीकता पर ध्यान केंद्रित किया है, जिससे विश्वसनीयता का प्रश्न काफी हद तक अनसुलझा रह गया है। शोधकर्ता अब यह पूछ रहे हैं कि कैसे ऐसे क्वांटम कंप्यूटर बनाए जाएं जो तब स्वीकार कर सकें जब वे उत्तर नहीं जानते, एक ऐसी क्षमता जो इन शक्तिशाली उपकरणों को उच्च-जोखिम वाली वास्तविक दुनिया की स्थितियों में तैनात करने के लिए आवश्यक है।

शोधकर्ताओं की एक टीम ने क्वांटम सर्किट को 'डेम्पस्टर-शाफर थ्योरी' (Dempster-Shafer theory) नामक एक गणितीय ढांचे का उपयोग करके अनिश्चितता व्यक्त करना सिखाकर इस समस्या को हल करने की दिशा में एक महत्वपूर्ण कदम उठाया है। मानक प्रायिकता (प्रोबेबिलिटी) के विपरीत, जो किसी विशिष्ट परिणाम के लिए संभावना का एक एकल प्रतिशत निर्धारित करती है, यह सिद्धांत मॉडल को एक साथ संभावनाओं के समूहों को भार (वेट) आवंटित करने की अनुमति देता है। इसे इस अंतर के रूप में समझें कि "मैं 90% आश्वस्त हूँ कि यह एक कुत्ता है" कहने और "मुझे यकीन है कि यह या तो एक कुत्ता है या एक भेड़िया है, लेकिन मैं यह नहीं बता सकता कि कौन सा है" कहने के बीच क्या अंतर है। यह अंतर महत्वपूर्ण है क्योंकि यह सूचना की कमी के कारण होने वाली अनिश्चितता को डेटा की अंतर्निय अस्पष्टता के कारण होने वाली अनिश्चितता से अलग करता है। इन क्वांटम प्रणालियों के लिए इस शास्त्रीय पद्धति को अनुकूलित करके, शोधकर्ताओं ने एक नए प्रकार का क्लासिफायर बनाया है जो न केवल एक एकल भविष्यवाणी आउटपुट करता है, बल्कि एक संरचित मानचित्र भी प्रदान करता है कि वह क्या जानता है और वह क्या नहीं जानता।

उनके कार्य का मूल एक 'पैरामीटराइज्ड क्वांटम सर्किट' (parameterized quantum circuit) में निहित है, जो एक प्रकार का क्वांटम प्रोग्राम है जहाँ प्रशिक्षण के दौरान सेटिंग्स को समायोजित किया जा सकता है। शोधकर्ताओं ने एक प्रशिक्षण प्रक्रिया डिजाइन की है जो सर्किट को अपने "विश्वास" को एक विशिष्ट उत्तर पर केंद्रित करने के बजाय विभिन्न लेबल के सेटों में वितरित करने के लिए प्रोत्साहित करती है। जब सर्किट को एक छवि दी जाती है, तो यह एक ऐसी क्वांटम अवस्था उत्पन्न करता है जहाँ विभिन्न परिणामों की संभावनाएँ इन विश्वास भारों के अनुरूप होती हैं। यदि इनपुट स्पष्ट और परिचित है, तो मॉडल अपना भार एकल सही लेबल पर केंद्रित करता है। हालाँकि, यदि इनपुट भ्रमित करने वाला या असामान्य है, तो मॉडल स्वाभाविक रूप से अपने भार को संभावित लेबल के एक बड़े समूह में फैला देता है, जो प्रभावी रूप से यह संकेत देता है कि वह अनिश्चित है। यह व्यवहार प्रशिक्षण के दौरान सीधे डेटा से उभरता है, जिसके लिए किसी जटिल बाहरी समायोजन की आवश्यकता नहीं होती है।

यह परीक्षण करने के लिए कि क्या यह दृष्टिकोण वास्तव में काम करता है, टीम ने वास्तविक दुनिया के इमेज डेटासेट्स का उपयोग करके सिमुलेशन चलाए। उन्होंने अपने क्वांटम मॉडलों को अंकों (डिजिट्स) को पहचानने के लिए प्रशिक्षित किया और फिर उन्हें उन छवियों के साथ चुनौती दी जिन्हें उन्होंने पहले कभी नहीं देखा था। एक विश्वसनीय अनिश्चितता प्रणाली को इन अपरिचित छवियों को जोखिम भरा घोषित करना चाहिए। परिणामों ने दिखाया कि उनकी विधि इस कार्य में अत्यधिक प्रभावी थी। मॉडलों ने सफलतापूर्वक परिचित छवियों और अजीब, असाधारण छवियों के बीच अंतर किया, जिसमें अनिश्चितता के मापों ने उच्च सटीकता के साथ अपरिचित डेटा की पहचान की। यह सुझाव देता है कि क्वांटम सर्किटों ने अपने ज्ञान की सीमाओं को पहचानना सीख लिया है, जो वास्तविक दुनिया में सुरक्षित रूप से संचालित होने के इरादे वाले किसी भी सिस्टम के लिए एक महत्वपूर्ण गुण है।

शोधकर्ताओं ने यह भी पता लगाया कि ये मॉडल एक साथ कैसे काम कर सकते हैं। कई जटिल परिदृश्यों में, कई सेंसर या विभिन्न प्रकार के डेटा विरोधाभासी या आंशिक जानकारी प्रदान कर सकते हैं। टीम ने प्रदर्शित किया कि उनके क्वांटम मॉडल व्यक्तिगत आकलन को एक एकल, अधिक विश्वसनीय निष्कर्ष में कैसे जोड़ सकते हैं। कई अलग-अलग क्वांटम क्लासिफायर के अनिश्चितता मानचित्रों को मिलाकर, सिस्टम एक स्पष्ट तस्वीर प्राप्त कर सकता है जो किसी एकल मॉडल द्वारा अकेले प्राप्त की जा सकती थी। 'मास फ्यूजन' (mass fusion) के रूप में जानी जाने वाली इस प्रक्रिया को दिखाया गया कि यह समग्र सटीकता में सुधार करती है, जिससे यह सिद्ध होता है कि ये क्वांटम मॉडल संदेह को कम करने और भविष्यवाणियों को तेज करने के लिए सहयोग कर सकते हैं।

हालाँकि वर्तमान प्रयोग भौतिक हार्डवेयर के बजाय सिम्युलेटेड क्वांटम कंप्यूटरों पर किए गए थे, फिर भी इनके निष्कर्ष भविष्य के लिए एक व्यावहारिक ब्लूप्रिंट प्रदान करते हैं। अध्ययन बताता है कि क्वांटम मशीनों को उनकी सीमाओं के बारे में ईमानदार होने के लिए प्रशिक्षित किया जा सकता है, जो सरल सटीकता स्कोर से आगे बढ़कर उनके निर्णयों का एक समृद्ध, अधिक विश्वसनीय मूल्यांकन प्रदान करती हैं। इन अनिश्चितता-जागरूक तरीकों को एकीकृत करके, यह क्षेत्र ऐसे क्वांटम सिस्टम की ओर बढ़ता है जो न केवल शक्तिशाली हैं, बल्कि स्वायत्त ड्राइविंग या चिकित्सा निदान जैसे महत्वपूर्ण अनुप्रयोगों के लिए सुरक्षित और विश्वसनीय भी हैं। यह कार्य स्थापित करता है कि क्वांटम मॉडल अपने ज्ञान के पूर्ण स्पेक्ट्रम को व्यक्त करना सीख सकते हैं, जो पूर्ण निश्चितता से लेकर पूर्ण अज्ञानता तक है, जो अगली पीढ़ी की बुद्धिमान मशीनों के लिए एक आवश्यक आधार प्रदान करता है।

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।

Digest आज़माएँ →