Quantum kernel support vector machines for trabecular bone classification: comparing feature reduction strategies on synthetic micro-CT data
यह अध्ययन प्रदर्शित करता है कि जबकि अधिकांश आयामी न्यूनीकरण (dimensionality reduction) रणनीतियाँ क्वांटम कर्नेल SVM को ट्रैबेक्यूलर बोन वर्गीकरण में शास्त्रीय बेसलाइन से कम प्रदर्शन करने के लिए मजबूर करती हैं, UMAP एकमात्र ऐसी विधि है जो क्वांटम कर्नेल को प्रतिस्पर्धी बने रहने की अनुमति देती है, हालांकि देखा गया लाभ सांख्यिकीय रूप से महत्वहीन है और संभवतः फोल्ड निर्भरता द्वारा बढ़ा हुआ है, साथ ही यह निष्कर्ष भी निकलता है कि ZZ क्वांटम कर्नेल रिग्रेशन कार्यों के लिए सुचारू मीट्रिक संरचनाओं को पकड़ने में विफल रहते हैं।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप किताबों के एक विशाल पुस्तकालय को दो ढेरों में छाँटने की कोशिश कर रहे हैं: "स्वस्थ हड्डी" और "कमजोर हड्डी।" लेकिन आप टेक्स्ट को पढ़ने के बजाय, एक विशेष, उच्च-तकनीकी सूक्ष्मदर्शी (माइक्रोस्कोप) के माध्यम से इन किताबों को देख रहे हैं जो हर पन्ने को धूसर (ग्रे) और सफेद रंग के एक जटिल, घूमते हुए पैटर्न में बदल देता है। यह वास्तव में वही है जो वैज्ञानिक ट्रैबेक्यूलर बोन (हड्डियों के भीतर स्पंजी, हनीकॉम्ब जैसी संरचना) के साथ माइक्रो-सीटी स्कैन का उपयोग करके कर रहे हैं।
शोधकर्ता यह देखना चाहते थे कि क्या एक नया प्रकार का कंप्यूटर मस्तिष्क—एक क्वांटम कंप्यूटर—इस छँटाई के काम को एक मानक, क्लासिकल कंप्यूटर की तुलना में बेहतर तरीके से कर सकता है। हालाँकि, यह "पुस्तकालय" बहुत बड़ा है और इसके पैटर्न बहुत उलझे हुए हैं जिन्हें क्वांटम कंप्यूटर सीधे तौर पर संभाल नहीं सकता। यह एक पूरे समुद्र को चाय के कप में फिट करने की कोशिश करने जैसा है। इसे ठीक करने के लिए, उन्हें इस डेटा को एक प्रबंधनीय आकार में सिकोड़ने की आवश्यकता थी। इस प्रक्रिया को डाइमेंशनैलिटी रिडक्शन (dimensionality reduction) कहा जाता है।
पाँच "सिकोड़ने वाले" (The Five "Shrinkers")
टीम ने इस विशाल डेटा को एक छोटे, 8-आयामी (8-dimensional) "पैकेज" में कंप्रेस करने के लिए पाँच अलग-अलग तरीकों का परीक्षण किया। इस प्रक्रिया को एक सूटकेस पैक करने के पाँच अलग-अलग तरीकों के रूप में सोचें:
- PCA (प्रिंसिपल कंपोनेंट एनालिसिस): जैसे अपने कपड़ों को करीने से तह करके रखना ताकि वे फिट आ सकें।
- RP Gaussian और RP Sparse: जैसे अपने कपड़ों को एक बैग में फेंकना और उन्हें हिलाकर देखना कि क्या फिट बैठता है।
- PLS (पार्शियल लीस्ट स्क्वायर्स): जैसे केवल उन्हीं चीजों को पैक करना जिनकी आपको एक विशिष्ट यात्रा के लिए आवश्यकता होगी।
- UMAP (यूनिफॉर्म मैनिफोल्ड एप्रोक्सिमेशन एंड प्रोजेक्शन): जैसे एक जादुई मानचित्र का उपयोग करना जो आपके कपड़ों को इस तरह व्यवस्थित करता है कि सबसे महत्वपूर्ण चीजें बिल्कुल ऊपर आ जाएं।
दौड़: क्लासिकल बनाम क्वांटम
एक बार जब डेटा पैक हो गया, तो उन्होंने इसे दो धावकों के पास भेजा:
- क्लासिकल धावक: एक मानक कंप्यूटर जो एक सिद्ध "रेडियल बेसिस फंक्शन" एल्गोरिदम का उपयोग करता है।
- क्वांटम धावक: एक क्वांटम कंप्यूटर जो एक विशिष्ट "ZZ फीचर मैप" (डेटा को क्वांटम भाषा में अनुवाद करने का एक तरीका) का उपयोग करता है।
उन्होंने यह देखने के लिए कि कौन तेज़ और अधिक सटीक है, विभिन्न परिदृश्यों (क्रॉस-वैलिडेशन) में इस दौड़ को 25 बार चलाया।
परिणाम: दो परीक्षणों की कहानी
पहला परीक्षण (द "फोल्डेड" रेस):
जब उन्होंने डेटा सेटों को बार-बार एक ही तरह से चलाकर परीक्षण किया (जो कभी-कभी कंप्यूटर को उत्तर याद करने के लिए धोखा दे सकता है), तो UMAP एकमात्र ऐसा तरीका था जहाँ क्वांटम धावक, क्लासिकल धावक के साथ बराबरी बनाए रख सका। वास्तव में, क्वांटम धावक बहुत मामूली अंतर से जीतता हुआ प्रतीत हुआ।
दूसरा परीक्षण (द "इंडिपेंडेंट" रेस):
सुनिश्चित करने के लिए कि यह सही है, उन्होंने 10 पूरी तरह से नए, स्वतंत्र डेटा सेटों के साथ एक अधिक कड़ा परीक्षण किया। इस बार, जादू गायब हो गया। क्वांटम धावक वास्तव में क्लासिकल धावक से थोड़ा पीछे रह गया। पहले परीक्षण की छोटी सी "जीत" डेटा के समूह बनाने के तरीके के कारण हुआ एक संयोग मात्र था।
हारने वाले:
अन्य चार तरीकों (PCA, रैंडम प्रोजेक्शन और PLS) के लिए, क्वांटम धावक केवल हारा ही नहीं; वह बुरी तरह लड़खड़ा गया। स्वस्थ और कमजोर हड्डी के बीच अंतर बताने में वह क्लासिकल कंप्यूटर की तुलना में काफी खराब प्रदर्शन कर रहा था।
रिग्रेशन प्रयोग (The Regression Experiment)
शोधकर्ताओं ने यह भी आज़माया कि क्या वे क्वांटम कंप्यूटर का उपयोग सटीक संख्याओं (जैसे "हड्डी कितनी मोटी है?") की भविष्यवाणी करने के लिए कर सकते हैं, न कि केवल उन्हें श्रेणियों में बांटने के लिए। यह एक किताब के वजन का सटीक अनुमान लगाने की कोशिश करने जैसा है, बजाय इसके कि केवल यह कहें कि वह "भारी" है या "हल्की"।
- परिणाम: क्वांटम कंप्यूटर इसमें पूरी तरह विफल रहा। वह संख्याओं की भविष्यवाणी बिल्कुल नहीं कर सका, और अक्सर उसे नकारात्मक स्कोर मिले। ऐसा लगता है कि जिस क्वांटम टूल का उन्होंने उपयोग किया वह श्रेणियों के बीच रेखाएं खींचने (वर्गीकरण) के लिए तो अच्छा है, लेकिन निरंतर मापन (भविiation/अनुमान) को समझने में बहुत खराब है।
मुख्य निष्कर्ष (The Bottom Line)
मुख्य निष्कर्ष सरल है: आप डेटा को कैसे तैयार करते हैं, यह इस बात से अधिक महत्वपूर्ण है कि आप किस कंप्यूटर का उपयोग करते हैं।
यदि आप डेटा को सिकोड़ने के लिए गलत तरीके (जैसे PCA या रैंडम पैकिंग) का उपयोग करते हैं, तो क्वांटम कंप्यूटर खराब प्रदर्शन करता है। हालाँकि, यदि आप सही तरीके (जैसे UMAP) का उपयोग करते हैं, तो क्वांटम कंप्यूटर कम से कम क्लासिकल कंप्यूटर के साथ प्रतिस्पर्धा कर सकता है, भले ही वह अनिवार्य रूप से जीतता नहीं है। अध्ययन यह निष्कर्ष निकालता है कि इस क्षेत्र में क्वांटम कंप्यूटरों को उपयोगी बनाने के लिए, हमें डेटा को क्वांटम मशीन में भेजने से पहले उसे कैसे "पैक" किया जाता है, इस बारे में बहुत सावधान रहने की आवश्यकता 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।