← नवीनतम पेपर
⚛️ क्वांटम भौतिकी

Beyond Error Mitigation: Using Boosting for Noisy Quantum Machine Learning

यह शोध पत्र प्रदर्शित करता है कि सुपरवाइज्ड क्वांटम मशीन लर्निंग में, नॉइजी पैरामीटराइज्ड क्वांटम सर्किट्स को बूस्ट करने से आदर्श शोरहीन आउटपुट के खर्चीले पुनर्निर्माण से बचने के लिए कार्य-विशिष्ट जानकारी का लाभ उठाकर, प्रोबेबिलिस्टिक एरर कैंसलेशन की तुलना में कम सर्किट निष्पादन और उच्च टेस्ट सटीकता के साथ वर्गीकरण लक्ष्यों को प्राप्त किया जा सकता है।

मूल लेखक: Anastasiia Lukianenko, Yash J. Patel, Nurbolat Kenbayev, Vedran Dunjko

प्रकाशित 2026-11-20
📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

मूल लेखक: Anastasiia Lukianenko, Yash J. Patel, Nurbolat Kenbayev, 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

उपयोगी क्वांटम कंप्यूटर बनाने की दौड़ में, वैज्ञानिक एक जिद्दी बाधा का सामना कर रहे हैं: शोर (noise)। सिद्धांत में कल्पित शुद्ध, त्रुटि-मुक्त गणनाओं के विपरीत, वास्तविक क्वांटम मशीनें नाजुक होती हैं। उनके घटक, जिन्हें क्यूबिट्स कहा जाता है, अपने परिवेश से आसानी से विचलित हो जाते हैं, जिससे गणना पूरी होने से पहले ही उनमें मौजूद जानकारी बिखर जाती है। वर्षों से, इस समस्या के प्रति मानक दृष्टिकोण यह रहा है कि जैसे-जैसे त्रुटियां होती हैं, उन्हें ठीक करने का प्रयास किया जाए। 'एरर मिटिगेशन' (error mitigation) नामक तकनीकें एक फिल्टर की तरह कार्य करती हैं, जो अंतिम परिणाम से शोर को हटाने का प्रयास करती हैं ताकि वह आदर्श, पूर्ण मशीन दिखा सके जो वास्तव में उत्पन्न करती। हालांकि, यह फ़िल्टरिंग प्रक्रिया अविश्वसनीय रूप से महंगी है। एक स्पष्ट उत्तर प्राप्त करने के लिए, शोधकर्ताओं को अक्सर एक ही गणना को हजारों या लाखों बार चलाने की आवश्यकता होती है, इस उम्मीद में कि इन शोर वाले प्रयासों का सांख्यिकीय औसत अंततः त्रुटियों को समाप्त कर देगा। इन बार-बार किए जाने वाले रन, या "शॉट्स" (shots) की यह भारी मांग, क्वांटम कंप्यूटिंग को कई वास्तविक दुनिया के कार्यों के लिए बहुत धीमा और संसाधन-गहन बनाने का खतरा पैदा करती है।

अनास्तासिया लुकियानेंको, यश जे. पटेल, नूरबोलात केनबेव और वेद्रन डुनको का एक नया अध्ययन इस धारणा को चुनौती देता है कि हमें हमेशा एक पूर्ण, शोर-मुक्त पुनर्निर्माण के लिए प्रयास करना चाहिए। शोधकर्ताओं ने एक सरल, अधिक व्यावहारिक प्रश्न पूछा: यदि लक्ष्य केवल एक सही निर्णय लेना है, जैसे डेटा को दो श्रेणियों में वर्गीकृत करना, तो क्या मशीन को हर मध्यवर्ती गणना के सटीक, पूर्ण मान को जानने की आवश्यकता है? उन्होंने पाया कि कई सीखने के कार्यों (learning tasks) के लिए, उत्तर 'नहीं' है। हर एक शोर वाले परिणाम को साफ करने की कोशिश करने के बजाय, टीम ने प्रदर्शित किया कि शोर को स्वीकार करना और 'बूस्टिंग' (boosting) नामक रणनीति का उपयोग करना अक्सर अधिक कुशल होता है। यह विधि कई अपूर्ण, शोर वाले क्वांटम मॉडलों को लेती है और उन्हें एक एकल, शक्तिशाली प्रेडिक्टर (predictor) में संयोजित करती है। उनके सिमुलेशन दिखाते हैं कि यह दृष्टिकोण पारंपरिक त्रुटि-सुधार विधियों के समान सटीकता स्तर तक पहुँच सकता है, लेकिन इसके लिए बहुत कम क्वांटम सर्किट निष्पादन की आवश्यकता होती है, विशेष रूप से जैसे-जैसे मशीनें बड़ी और अधिक शोर वाली होती जाती हैं।

शोधकर्ताओं ने एक सामान्य प्रकार की समस्या पर ध्यान केंद्रित किया जिसे 'बाइनरी क्लासिफिकेशन' (binary classification) कहा जाता है, जहाँ एक कंप्यूटर को यह तय करना होता है कि कोई इनपुट एक समूह से संबंधित है या दूसरे से, जैसे दो प्रकार की छवियों के बीच अंतर करना। इस सेटिंग में, गणना का विशिष्ट मान उसके संकेत (sign) से कम महत्वपूर्ण है—चाहे परिणाम धनात्मक हो या ऋणात्मक—जो अंतिम लेबल को निर्धारित करता है। टीम ने शोर वाले क्वांटम सर्किटों को संभालने के दो अलग-अलग तरीकों की तुलना की। पहला तरीका, जिसे 'प्रोबेबिलिस्टिक एरर कैंसिलेशन' (probabilistic error cancellation) कहा जाता है, शोर के प्रभावों को गणितीय रूप से उलटने का प्रयास करता है। यह सर्किट को कई बार चलाकर और परिणामों को पुन: भारित (reweighting) करके काम करता है ताकि एक पूर्ण, शोर-रहित परिणाम का अनुकरण किया जा सके। जबकि यह विधि सैद्धांतिक रूप से सुदृढ़ है, शोधकर्ताओं ने उल्लेख किया कि सर्किट के आकार और शोर की तीव्रता के साथ सर्किट को चलाने की संख्या तेजी से (exponentially) बढ़ती है। यह तूफान में चिल्लाकर फुसफुसाहट सुनने की कोशिश करने जैसा है; अंततः, आवश्यक प्रयास असंभव हो जाता है।

दूसरा तरीका, 'बूस्टिंग', एक अलग रास्ता अपनाता है। शोर को ठीक करने के बजाय, यह शोर वाले क्वांटम सर्किटों को "वीक लर्नर्स" (weak learners) के रूप में मानता है—ऐसे मॉडल जो केवल यादृच्छिक अनुमान (random guessing) से थोड़े बेहतर हैं। एल्गोरिदम इन कमजोर मॉडलों को एक के बाद एक प्रशिक्षित करता है, और हर बार उन उदाहरणों पर अधिक ध्यान केंद्रित करता है जिन्हें पिछले मॉडल ने गलत बताया था। इन कई अपूर्ण मॉडलों के अनुमानों को जोड़कर, सिस्टम एक मजबूत, सटीक क्लासिफायर बनाता है। अध्ययन का मुख्य अंतर्दृष्टि यह है कि इस प्रक्रिया के लिए व्यक्तिगत मॉडलों का पूर्ण होना आवश्यक नहीं है। जब तक वे पर्याप्त उपयोगी जानकारी बनाए रखते हैं जिससे वे संयोग से थोड़ा बेहतर अनुमान लगा सकें, तब तक संयोजन सफल हो सकता है। शोधकर्ताओं ने इस प्रक्रिया का चार-क्यूबिट क्वांटम कंप्यूटर पर सिमुलेशन किया, जिसमें विभिन्न गहराई वाले और विभिन्न स्तर के भौतिक शोर वाले सर्किटों का परीक्षण किया गया। उन्होंने सटीकता का एक विशिष्ट लक्ष्य निर्धारित किया और मापा कि प्रत्येक विधि को उस लक्ष्य तक पहुँचने के लिए कितनी बार सर्किट चलाना पड़ा।

परिणामों ने विभिन्न स्थितियों के आधार पर दक्षता में स्पष्ट बदलाव का खुलासा किया। जब शोर कम था और सर्किट उथले (shallow) थे, तो पारंपरिक त्रुटि-निवारण (error-mitigation) विधि प्रतिस्पर्धी थी। हालांकि, जैसे-जैसे सर्किट गहरे होते गए और शोर मजबूत हुआ, त्रुटि-निवारण विधि की लागत आसमान छूने लगी। इसके विपरीत, बूस्टिंग विधि कुशल बनी रही। शोर के स्तर और सर्किट की गहराई के विभिन्न तुलनाओं में से उनยิ่ง बयान में, बूस्टिंग दृष्टिकोण को उसी सीखने के लक्ष्य तक पहुँचने के लिए कम सर्किट निष्पादन की आवश्यकता थी। कुछ मामलों में, अंतर काफी बड़ा था, जहाँ त्रुटि-निवारण विधि को बूस्टिंग की तुलना में कई गुना अधिक रन की आवश्यकता थी। इसके अलावा, बूस्टिंग विधि ने न केवल संसाधनों की बचत की; बल्कि इसने नए, अनदेखे डेटा पर त्रुटि-निवारण विधि द्वारा बनाए गए मॉडलों की तुलना में थोड़े अधिक सटीक मॉडल भी तैयार किए।

अध्ययन ने यह भी देखा कि व्यावहारिक रूप से ये सैद्धांतिक भविष्यवाणियाँ कितनी सटीक हैं। शोधकर्ताओं ने ऐसे सिमुलेशन चलाए जहाँ उन्होंने केवल लागत का अनुमान लगाने के बजाय प्रत्येक एकल माप शॉट (measurement shot) को स्पष्ट रूप से गिना। उन्होंने पाया कि बूस्टिंग एल्गोरिदम को चलाने के ओवरहेड को शामिल करने के बाद भी, कुल संसाधन लागत अक्सर शोर को साफ करने की लागत से कम थी। यह सुझाव देता है कि यह सामान्य धारणा—कि सीखने से पहले शोर को हटाने के लिए हमेशा भारी कीमत चुकानी पड़ती है—कई कार्यों के लिए अनावश्यक हो सकती है। शोधकर्ताओं ने जोर दिया कि उनके निष्कर्ष एक विशिष्ट प्रकार के शोर और एक विशिष्ट सीखने के कार्य के सिमुलेशन पर आधारित हैं, लेकिन सिद्धांत सुदृढ़ है: यदि लक्ष्य एक सही निर्णय लेना है न कि एक पूर्ण संख्या, तो शोर से बचने वाली जानकारी को संरक्षित करना उस जानकारी के पुनर्निर्माण की तुलना में सस्ता है जो खो गई है।

यह कार्य यह दावा नहीं करता है कि त्रुटि निवारण (error mitigation) बेकार है या अब क्वांटम कंप्यूटर सभी समस्याओं को हल करने के लिए तैयार हैं। सिमुलेशन एक छोटे, चार-क्यूबिट सिस्टम पर किए गए थे, और परिणाम इस बात पर निर्भर करते हैं कि शोर कैसे व्यवहार करता है और सीखने के कार्य की प्रकृति क्या है। हालाँकि, यह अध्ययन निकट भविष्य के लिए एक सम्मोहक विकल्प प्रदान करता है। यह सुझाव देता है कि जैसे-जैसे क्वांटम हार्डवेयर बेहतर होता जाता है लेकिन फिर भी अपूर्ण रहता है, सबसे प्रभावी रणनीति तेजी से महंगी सुधार प्रक्रियाओं के साथ लड़ना नहीं, बल्कि ऐसे सीखने के एल्गोरिदम डिजाइन करना है जो स्वाभाविक रूप से इसके प्रति लचीले हों। यह स्वीकार करके कि व्यक्तिगत क्वांटम गणनाएं त्रुटिपूर्ण होंगी और उन्हें प्रभावी ढंग से संयोजित करने पर ध्यान केंद्रित करके, शोधकर्ता पहले से सोचे गए संभव से कहीं कम संसाधनों के साथ उपयोगी परिणाम प्राप्त कर सकते हैं। लेखक सुझाव देते हैं कि आगे का रास्ता उन सीखने की प्रक्रियाओं को डिजाइन करने में निहित है जो क्वांटम मशीनों की शोर वाली वास्तविकता के साथ काम करती हैं, न कि उन्हें एक आदर्श, त्रुटि-मुक्त स्थिति में जबरन ढालने में जो तकलीफ़देह हो सकती 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 →