Restoring quantum neural network trainability through reusable calibration
यह शोध पत्र एक संरचना-संरक्षण त्रुटि-निवारण ढांचे (structure-preserving error-mitigation framework) को प्रस्तुत करता है जो एक संदर्भ सर्किट के एकल अंशांकन (calibration) का पुन: उपयोग करके अवलोकनों (observables) और डेरिवेटिव्स के लिए नियमित अनुमानकों (regularized estimators) का निर्माण करता है, जिससे हार्डवेयर शोर के तहत क्वांटम न्यूरल नेटवर्क की प्रशिक्षण क्षमता में सुधार होता है और प्रत्येक प्रशिक्षण चरण पर बार-बार अंशांकन की आवश्यकता के बिना अभिसरण (convergence) और प्रदर्शन में वृद्धि होती 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 लेखक ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
मशीनों को डेटा से सीखने के लिए बनाने की खोज में, वैज्ञानिक एक ऐसे क्षेत्र की तलाश कर रहे हैं जहाँ शास्त्रीय भौतिकी के नियम क्वांटम दुनिया के विचित्र तर्क के सामने झुक जाते हैं। इस प्रयास के केंद्र में क्वांटम न्यूरल नेटवर्क हैं, जो इलेक्ट्रॉनों या फोटॉन जैसे कणों को नियंत्रित करके सूचना में पैटर्न खोजने के लिए डिज़ाइन किए गए सिस्टम हैं। ये मशीनें केवल नंबरों की गणना नहीं करतीं; वे क्वांटम अवस्था के विशिष्ट गुणों, जिन्हें 'ऑब्जर्वेबल्स' (observables) कहा जाता है, को मापकर और उन मापों से प्राप्त जानकारी के आधार पर अपनी आंतरिक सेटिंग्स को समायोजित करके अपने सीखने का मार्गदर्शन करती हैं। हालाँकि, एक निरंतर बाधा लंबे समय से इस प्रगति को रोकने की धमकी दे रही है: क्वांटम प्रणालियों की अत्यधिक नाजुकता। वास्तविक दुनिया में, पर्यावरण से होने वाला मामूली सा हस्तक्षेप भी—गर्मी, कंपन, या विद्युत चुम्बकीय शोर—उन संकेतों को विकृत कर सकता है जिन्हें मशीन को सीखने की आवश्यकता होती है। यह शोर एक कोहरे की तरह कार्य करता है, जो मशीन की सेटिंग्स और उसके द्वारा उत्पन्न परिणामों के बीच के संबंध को धुंधला कर देता है, जिससे अक्सर सिस्टम के लिए एक अच्छे समाधान और एक बुरे समाधान के बीच अंतर करना असंभव हो जाता है। इस कोहरे को साफ करने के बिना, क्वांटम लर्निंग का वादा केवल सिद्धांत तक ही सीमित रह जाता है, जो वर्तमान में मौजूद अपूर्ण हार्डवेयर पर विश्वसनीय रूप से कार्य करने में असमर्थ है।
नेशनल यूनिवर्सिटी ऑफ सिंगापुर के शोधकर्ताओं ने इस शोर को काटने के लिए एक व्यावहारिक तरीका विकसित किया है, जिससे क्वांटम न्यूरल नेटवर्क आज के imperfect (अपूर्ण) उपकरणों पर भी प्रभावी ढंग से सीख सकते हैं। उनका दृष्टिकोण एक विशिष्ट प्रकार की त्रुटि पर केंद्रित है जो केवल अंतिम परिणाम को पढ़ने के दौरान ही नहीं, बल्कि क्वांटम सर्किट के निष्पादन के दौरान भी होती है। प्रत्येक चरण में हर छोटी त्रुटि को व्यक्तिगत रूप से ठीक करने या जटिल, समय लेने वाले सुधार चलाने के बजाय, टीम ने एक ऐसी रणनीति बनाई जो एक एकल, पुन: प्रयोज्य अंशांकन (reusable calibration) पर निर्भर करती है। उन्होंने महसूस किया कि यदि वे यह मानचित्र बना सकें कि एक विशिष्ट क्वांटम सर्किट संरचना सूचना को कैसे विकृत करती है, तो वे पूरे प्रशिक्षण सत्र के दौरान डेटा को सुधारने के लिए उसी मानचित्र को लागू कर सकते हैं।
शोधकर्ताओं ने एक संदर्भ सर्किट (reference circuit) बनाया जो उस मशीन की सटीक संरचना, गहराई और कनेक्शन को दर्शाता है जिसे वे प्रशिक्षित करने का इरादा रखते थे, लेकिन उन्होंने इसे एक सरल कार्य करने के लिए प्रोग्राम किया: इनपुट डेटा को पूरी तरह से अपरिवर्तित छोड़ना। इस संदर्भ सर्किट को विभिन्न शुरुआती इनपुट के साथ कई बार चलाकर, उन्होंने मापा कि हार्डवेयर ने सूचना को वास्तव में कैसे बिखेरा। इस प्रक्रिया ने शोर का एक विस्तृत मानचित्र तैयार किया, जिसका उपयोग उन्होंने एक गणितीय उपकरण बनाने के लिए किया जो विरूपण को उलटने में सक्षम था। महत्वपूर्ण रूप से, यह उपकरण पुन: प्रयोज्य होने के लिए डिज़ाइन किया गया था। एक बार मानचित्र बन जाने के बाद, इसे वास्तविक लर्निंग सर्किट पर हर बार लागू किया जा सकता था जब वह नया डेटा प्रोसेस करता था, बिना इसकी आवश्यकता के कि मशीन अपनी आंतरिक सेटिंग्स को बदलते समय इसे फिर से कैलकुलेट या पुनः मापा जाए। यह पिछले तरीकों से एक महत्वपूर्ण विचलन है जिनमें अक्सर हर मोड़ पर सिस्टम को पुन: अंशांकित करने या अतिरिक्त, महंगे परीक्षण चलाने की आवश्यकता होती थी जो सीखने की प्रक्रिया को धीमा कर देते थे।
अपने विचार का परीक्षण करने के लिए, टीम ने पहले एक कंप्यूटर पर व्यापक सिमुलेशन चलाया जो शोर वाले क्वांटम हार्डवेयर के व्यवहार की नकल करता था। उन्होंने एक वर्गीकरण कार्य (classification task) स्थापित किया जहाँ मशीन को डेटा को विभिन्न श्रेणियों में छाँटना था, जो सीखने वाले एल्गोरिदम के लिए एक सामान्य परीक्षण है। इन सिमुलेशन में, बिना सुधारा गया, शोर वाला मशीन संघर्ष कर रहा था, उसका लर्निंग कर्व (learning curve) सपाट हो गया क्योंकि शोर ने उन संकेतों को दबा दिया जिनका उसे अनुसरण करने की आवश्यकता थी। इसके विपरीत, पुन: प्रयोज्य अंशांकन का उपयोग करने वाली मशीन बहुत तेजी से सीखी, उसका प्रदर्शन एक आदर्श, शोर-मुक्त प्रणाली के बहुत करीब था। शोधकर्ताओं ने देखा कि सुधार ने लर्निंग लैंडस्केप की स्पष्टता को बहाल कर दिया, जिससे मशीन अच्छे और बुरे सेटिंग्स के बीच के अंतर को स्पष्ट रूप से देख सकी। यह स्पष्टता एक उच्च-सटीक परिणाम की ओर एक तीव्र, अधिक सीधा मार्ग प्रदान करने में सफल रही, जिससे सिस्टम को अनसुधारित संस्करण की तुलना में बहुत कम चरणों में सर्वोत्तम समाधान तक पहुँचने में मदद मिली।
टीम ने अपने तरीके को वास्तविक दुनिया में ले जाने के लिए, आईबीएम (IBM) द्वारा प्रदान किए गए एक वास्तविक क्वांटम प्रोसेसर पर परीक्षण किया। यहाँ, चुनौतियाँ अधिक तात्कालिक थीं और शोर अधिक अप्रत्याशित था। उन्होंने एक सरलीकृत ऑप्टिमाइज़ेशन लूप चलाया, जिसमें हार्डवेयर को एक विशिष्ट त्रुटि मान को कम करने के लिए अपनी सेटिंग्स को समायोजित करने के लिए कहा गया। इस वास्तविक दुनिया के वातावरण में भी, अंशांकन प्रभावी साबित हुआ। सुधारा गया सिस्टम अनसुधारित सिस्टम की तुलना में काफी कम त्रुटि मान तक पहुँच गया, जिससे यह सिद्ध हुआ कि यह विधि भौतिक हार्डवेयर की कठोरता को झेल सकती है। परिणामों ने दिखाया कि मशीन शोर की उपस्थिति के बावजूद सीखने की अपनी क्षमता बनाए रख सकती है, जिससे पुष्टि हुई कि यह रणनीति केवल एक सैद्धांतिक अभ्यास नहीं थी, बल्कि व्यावहारिक उपयोग के लिए एक व्यवहार्य उपकरण थी।
शायद इस कार्य का सबसे उल्लेखनीय पहलू इसकी स्केलेबिलिटी (scale करने की क्षमता) थी। शोधकर्ताओं ने एक मॉड्यूलर क्वांटम नेटवर्क बनाया जो पच्चीस स्वतंत्र चैनलों से बना था, जिनमें से प्रत्येक में चार क्वबिट्स थे, यानी कुल एक सौ क्वबिट्स। एक पारंपरिक दृष्टिकोण में, इतने बड़े सिस्टम को अंशांकित करने के लिए बहुत अधिक समय और संसाधनों की आवश्यकता होगी, जैसा कि कोई उम्मीद कर सकता है कि मशीन के हर हिस्से के लिए एक अद्वितीय अंशांकन की आवश्यकता होगी। हालाँकि, क्योंकि चैनल एक ही अंतर्निहित संरचना और शोर विशेषताओं को साझा करते थे, टीम एक छोटे ब्लॉक के लिए बनाए गए एकल अंशांकन मानचित्र का उपयोग सभी पच्चीस चैनलों में करने में सक्षम थी। इस पुन: उपयोग ने उन्हें एक सौ क्वबिट वाले पूरे सिस्टम की विशेषताओं को बिना अंशांकन लागत बढ़ाए सुधारने की अनुमति दी। परिणाम एक ऐसा सिस्टम था जिसने अनसुधारित संस्करण की तुलना में काफी बेहतर प्रदर्शन किया, जिससे शोर के कारण खोई हुई सटीकता का एक बड़ा हिस्सा वापस मिल गया।
निष्कर्ष बताते हैं कि क्वांटम मशीन लर्निंग का भविष्य पथ आवश्यक रूप से दोषरहित, त्रुटि-मुक्त हार्डवेयर की प्रतीक्षा करने की आवश्यकता नहीं है। इसके बजाय, वर्तमान उपकरणों द्वारा सूचना को विकृत करने के विशिष्ट तरीकों को समझकर और मानचित्रित करके, शोधकर्ता इन त्रुटियों को कुशलतापूर्वक और बार-बार सुधारने वाले उपकरण बना सकते हैं। अध्ययन प्रदर्शित करता है कि अंशांकन के दौरान सर्किट की संरचना को संरक्षित करने से एक स्थिर सुधार मिलता है जो तब भी बना रहता है जब मशीन सीखती और बदलती है। यह दृष्टिकोण आज क्वांटम लर्निंग के प्रदर्शन को सुधारने का एक व्यावहारिक तरीका प्रदान करता है, जो शोर वाले, अपूर्ण मशीनों को निरंतर, संसाधन-गहन पुन: अंशांकन की आवश्यकता के बिना सक्षम शिक्षार्थियों में बदल देता है। यह कार्य स्थापित करता है कि सही प्रकार के अंशांकन के साथ, शोर के कोहरे को हटाया जा सकता है, जिससे वे स्पष्ट संकेत प्रकट होते हैं जिनकी क्वांटम कंप्यूटरों को वास्तव में सीखने के लिए आवश्यकता होती 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।