💻 computer science

Quantum-Projected Semantic Retrieval: A Universal Low-Latency Backbone for Multi-Modal AI Systems

यह शोध पत्र QuantumRAG को प्रस्तुत करता है, जो एक सार्वभौमिक, कम-विलंबता वाला रिट्रीवल सिस्टम है जो टेक्स्ट एम्बेडिंग्स को हिल्बर्ट स्पेस में जटिल क्वांटम अवस्थाओं में मैप करता है ताकि मानक CPU हार्डवेयर पर BERT-स्तर की सटीकता के साथ 3.6× तेज़ इन्फरेंस प्राप्त किया जा सके, जबकि यह टेक्स्ट, गणित और वीडियो जैसी डेटा मोडैलिटीज के प्रति उदासीन बना रहता है।

मूल लेखक: Amit Rana

प्रकाशित 2026-06-29

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Amit Rana

मूल पेपर CC BY 4.0 (https://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 लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ "क्वांटम-प्रोजेक्टेड सिमेंटिक रिट्रीवल" (QuantumRAG) पेपर का सरल भाषा और रचनात्मक उपमाओं (analogies) का उपयोग करके किया गया स्पष्टीकरण दिया गया है।

बड़ी समस्या: घास के ढेर में सुई ढूँढना

कल्पना कीजिए कि आप एक लाइब्रेरियन हैं जो किसी ग्राहक के लिए एकदम सही किताब ढूँढने की कोशिश कर रहे हैं। आपके पास लाखों किताबों वाली एक लाइब्रेरी है।

पुराना तरीका (क्लासिकल सर्च): आप किताबों को देखते हैं और पूछते हैं, "क्या इस किताब में ग्राहक के अनुरोध वाले शब्द हैं?" यदि ग्राहक "कारों" के बारे में पूछता है और किताब में "ऑटोमोबाइल्स" लिखा है, तो एक साधारण शब्द-गणना प्रणाली इसे मिस कर सकती है। यहाँ तक कि अर्थ समझने वाले स्मार्ट सिस्टम भी आमतौर पर केवल दूरी (distance) मापते हैं। वे पूछते हैं, "इस किताब का विचार आपके प्रश्न से कितनी दूर है?"
सीमा: दूरी काफी नहीं है। दो किताबें आपके प्रश्न से समान दूरी पर हो सकती हैं लेकिन उनके "वाइब" या दृष्टिकोण पूरी तरह से अलग हो सकते हैं। वर्तमान सिस्टम इस अंतर को नहीं देख पाते।

समाधान: QuantumRAG

लेखक, अमित राणा ने QuantumRAG नामक एक नया सिस्टम बनाया है। इसे किसी वास्तविक क्वांटम कंप्यूटर (वह साइंस-फिक्शन वाला जिसमें विशाल कूलिंग टावर होते हैं) की आवश्यकता नहीं है। इसके बजाय, यह एक मानक कंप्यूटर पर चलने के लिए क्वांटम मैकेनिक्स के गणित का उपयोग करता है, लेकिन यह जानकारी को बहुत तेज़ी से और अधिक सटीकता से खोज लेता है।

यह कैसे काम करता है, इसे तीन सरल चरणों में यहाँ समझाया गया है:

1. GPS बनाम कंपास (Encoding)

कल्पना कीजिए कि आपकी लाइब्रेरी का हर दस्तावेज़ एक विशाल मानचित्र पर एक बिंदु है।

क्लासिकल सिस्टम (कोसाइन सिमिलैरिटी): ये सिस्टम केवल GPS निर्देशांक (coordinates) जानते हैं। वे जानते हैं कि कोई दस्तावेज़ कहाँ स्थित है। यदि दो दस्तावेज़ बिल्कुल एक ही स्थान पर हैं, तो सिस्टम सोचता है कि वे समान हैं।
QuantumRAG: यह सिस्टम हर दस्तावेज़ में एक कंपास जोड़ देता है। यह न केवल यह जानता है कि दस्तावेज़ कहाँ है, बल्कि यह भी जानता है कि वह किस दिशा में देख रहा है।
- उपमा: कल्पना कीजिए कि पार्क में एक ही स्थान पर खड़े दो लोग हैं। एक उत्तर (भविष्य के बारे में बात कर रहा है) की ओर देख रहा है, और दूसरा दक्षिण (अतीत के बारे में बात कर रहा है) की ओर देख रहा है। एक GPS कहता है कि वे एक ही जगह पर हैं। एक कंपास जानता है कि वे विपरीत दिशाओं में देख रहे हैं।
- QuantumRAG हर दस्तावेज़ को एक "फेज" (एक दिशा) देता है। यह इसे उन दो दस्तावेज़ों के बीच अंतर करने की अनुमति देता है जो दिखने में समान हैं लेकिन जिनका अर्थ अलग है।

2. स्पॉटलाइट (Retrieval)

जब आप कोई प्रश्न पूछते हैं, तो सिस्टम पूरी लाइब्रेरी को एक साथ नहीं देखता। वह बहुत धीमा हो जाएगा।

ट्रिक: यह "क्वांटम मेजरमेंट" का उपयोग करता है। कल्पना कीजिए कि आपका प्रश्न एक टॉर्च है। पूरे कमरे पर कमजोर रोशनी डालने के बजाय, QuantumRAG अपनी बीम को आपके प्रश्न के 128 सबसे महत्वपूर्ण हिस्सों पर केंद्रित करता है और बाकी को अनदेखा कर देता है।
इसके बाद यह इस केंद्रित बीम की तुलना दस्तावेज़ों से करता है। क्योंकि यह दस्तावेज़ों की "दिशा" (फेज़) को देख रहा है, इसलिए यह उस दस्तावेज़ को चुन सकता है जो वास्तव में आपके इरादे के अनुरूप है, न कि केवल उसे जो सबसे करीब है।

3. ट्यूनिंग फोर्क (Reranking)

सबसे अच्छे उम्मीदवारों को खोजने के बाद, सिस्टम ग्रोवर एल्गोरिदम (एक प्रसिद्ध क्वांटम सर्च विधि) से प्रेरित तकनीक का उपयोग करता है।

उपमा: कल्पना कीजिए कि ट्यूनिंग फोर्क्स (tuning forks) से भरा एक कमरा है। अधिकांश शांत हैं। आप एक ऐसा फोर्क बजाते हैं जो आपके प्रश्न की "फ्रीक्वेंसी" से मेल खाता है। सिस्टम उस विशिष्ट फोर्क को और तेज़ करता जाता है, जबकि अन्य धीरे-धीरे शांत हो जाते हैं।
यह गणितीय रूप से ऐसा करता है ताकि सबसे अच्छा उत्तर सूची में सबसे ऊपर आ जाए। पेपर में उल्लेख किया गया है कि फोर्क को कितनी बार वाइब्रेट करना है, इस गणित को ठीक करना एक बड़ी सफलता थी जिसने सटीकता में काफी सुधार किया।

परिणाम: तेज़ और स्मार्ट

लेखक ने एक कठिन गणितीय बेंचमार्क (MATH डेटासेट) पर 12,500 समस्याओं के साथ इसका परीक्षण किया।

सटीकता (Accuracy): इसने नंबर 1 उत्तर को सही पाने में सबसे अच्छे मौजूदा सिस्टम्स (BERT-cosine) की बराबरी की।
रैंकिंग (Ranking): यह बाकी की सूची (स्थान 2 से 10 तक) को क्रमबद्ध करने में थोड़ा बेहतर था। ऐसा इसलिए है क्योंकि "कंपास दिशा" (फेज़) ने इसे बहुत समान दस्तावेज़ों के बीच अंतर करने में मदद की।
गति (Speed): यह सबसे बड़ी जीत है। यह मानक पद्धति की तुलना में 3.6 गुना तेज़ था।
- मानक पद्धति: ~30 मिलीसेकंड प्रति खोज।
- QuantumRAG: ~8.4 मिलीसेकंड प्रति खोज।
- नोट: पेपर इस बात पर ज़ोर देता है कि यह मानक CPU (सामान्य कंप्यूटर चिप्स) पर चलता है, न कि क्वांटम कंप्यूटरों पर।

यह क्यों महत्वपूर्ण है (पेपर के अनुसार)

पेपर का तर्क है कि यह एक "यूनिवर्सल बैकबोन" है।

हर चीज़ के लिए एक सिस्टम: चाहे आप गणित की समस्या खोज रहे हों, टेक्स्ट का पैराग्राफ, या वीडियो कैप्शन, यह सिस्टम उन सभी के साथ एक जैसा व्यवहार करता है। यह उन सभी को "क्वांटम स्टेट्स" (दिशा वाले बिंदु) में बदल देता है और उन्हें एक ही स्पेस में खोजता है।
न्यूरो-सिंबोलिक AI: पेपर का दावा है कि यह "न्यूरल" AI (जो डेटा से सीखता है लेकिन थोड़ा रहस्यमय होता है) और "सिंबोलिक" AI (जो सख्त नियमों का पालन करता है) के बीच के अंतर को पाटता है। न्यूरल डेटा को एक संरचित गणितीय स्थान (हिल्बर्ट स्पेस) में डालकर, यह सिस्टम तेज़, अधिक व्याख्या योग्य और अधिक विश्वसनीय हो जाता है।

एक वाक्य में सारांश

QuantumRAG एक नया सर्च इंजन है जो सामान्य कंप्यूटरों पर चलता है लेकिन क्वांटम भौतिकी के गणित का उपयोग करता है ताकि हर दस्तावेज़ को उसकी स्थिति के साथ-साथ एक "दिशा" भी दी जा सके, जिससे यह वर्तमान तकनीक की तुलना में 3.6 गुना तेज़ी से उत्तर खोजने और उन्हें अधिक सटीकता से रैंक करने में सक्षम होता है।

तकनीकी सारांश: क्वांटम-प्रोजेक्टेड सिमेंटिक रिट्रीवल (QuantumRAG)

1. समस्या विवरण

आधुनिक AI सिस्टम भारी रूप से रिट्रीवल-ऑगमेंटेड जनरेशन (RAG) पर निर्भर करते हैं, जहाँ दस्तावेज़ पुनर्प्राप्ति (retrieval) की गति और सटीकता महत्वपूर्ण बाधाएं हैं। वर्तमान अत्याधुनिक सघन पुनर्प्राप्ति (dense retrieval) विधियाँ (जैसे, BERT-आधारित कोसाइन सिमिलरिटी) पाठ को फ्लैट, वास्तविक-मान वाले संख्यात्मक निर्देशांकों के रूप में मानती हैं। यह दृष्टिकोण "फेज" (phase) जानकारी—अर्थात वेक्टर स्पेस में सिमेंटिक अवधारणाओं के ओरिएंटेशन एंगल—को त्याग देता है। फलस्वरूप, शास्त्रीय प्रणालियाँ उन अवधारणाओं के बीच अंतर नहीं कर सकतीं जो समान परिमाण (शक्ति) साझा करती हैं लेकिन सिमेंटिक ओरिएंटेशन में भिन्न होती हैं (उदाहरण के लिए, दो ट्यूनिंग फोर्क्स जो एक ही वॉल्यूम पर कंपन कर रहे हैं लेकिन तालमेल से बाहर हैं)। इसके अलावा, मौजूदा क्वांटम-प्रेरित पुनर्प्राप्ति विधियाँ आधुनिक न्यूरल एम्बेडिंग्स के बजाय प्रतीकात्मक शब्द आवृत्तियों (symbolic term frequencies) पर कार्य करती हैं, जिससे वे डेंस वेक्टर रिट्रीवल के लिए हिल्बर्ट स्पेस की समृद्ध ज्यामिति का लाभ उठाने में विफल रहती हैं।

2. कार्यप्रणाली: QuantumRAG

यह शोध पत्र QuantumRAG का प्रस्ताव करता है, जो न्यूरल टेक्स्ट एम्बेडिंग्स को हिल्बर्ट स्पेस के भीतर एक जटिल क्वांटम अवस्था (complex quantum state) में मैप करता है। महत्वपूर्ण रूप से, यह सिस्टम भौतिक क्वांटम कंप्यूटर की आवश्यकता के बिना मानक CPU हार्डवेयर पर चलता है। इस आर्किटेक्चर में निम्नलिखित चरण शामिल हैं:

2.1 क्वांटम एनकोडिंग पाइपलाइन

वाक्य एनकोडिंग (Sentence Encoding): इनपुट टेक्स्ट (किसी भी मोडैलिटी से: टेक्स्ट, वीडियो कैप्शन, गणितीय समस्याएँ) को एक मानक सेंटेंस एनकोडर (SE-384) के माध्यम से गुजारा जाता है ताकि एक यूनिट-नॉर्मलाइज्ड रियल-वैल्यूड वेक्टर $e \in \mathbb{R}^{384}$ उत्पन्न किया जा सके।
स्ट्रक्चर्ड रैंडम प्रोजेक्शन: वेक्टर को एक फिक्स्ड मैट्रिक्स $P$ के माध्यम से 512-आयामी वास्तविक स्थान ( $z \in \mathbb{R}^{512}$ ) में प्रोजेक्ट किया जाता है।
कॉम्प्लेक्स स्टेट कंस्ट्रक्शन: 512 आयामों को दो हिस्सों में विभाजित किया जाता है: पहले 256 वास्तविक भाग (real part) बनाते हैं, और अगले 256 काल्पनिक भाग (imaginary part) बनाते हैं। यह एक यूनिट कॉम्प्लेक्स क्वांटम स्टेट $\psi \in \mathbb{C}^{256}$ $ψ \in C^{256}$ बनाता है।
- सुपरपोजिशन (Superposition): प्रत्येक 256 आयाम एक परिमाण (कि एक सिमेंटिक फीचर कितनी मजबूती से मौजूद है) और एक फेज (कॉम्प्लेक्स प्लेन में उसका ओरिएंटेशन) दोनों को एनकोड करता है।
- फिशर-मास्क्ड नॉर्मलाइजेशन (Fisher-Masked Normalization): एक प्री-कंप्यूटेड फिशर डिस्क्रीमिनेन्ट मास्क, जो सिमेंटिक श्रेणियों को बेहतर ढंग से अलग करने वाले आयामों को बढ़ाता है और शोर (noise) को दबाता है, इसे पुन: नॉर्मलाइजेशन से पहले एलिमेंट-वाइज लागू किया जाता है।

2.2 रिट्रीवल मैकेनिज्म: Q-CSD

मुख्य रिट्रीवल मेट्रिक Q-CSD (Query-Collapsed Spectral Diagonal) है, जो क्वांटम फिडेलिटी ( $|\langle \psi_q | \psi_d \rangle|^2$ ) की गणना करता है।

मेजरमेंट कोलैप्स (Measurement Collapse): तुलना से पहले, क्वेरी स्टेट को उसके शीर्ष- $k$ (जैसे, $k=128$ ) सबसे अभिव्यंजक आयामों को बनाए रखकर "कोलैप्स" किया जाता है। यह एक क्वांटम मेजरमेंट की तरह कार्य करता है, जो सिमेंटिक शोर को फ़िल्टर करता है।
सिमिलरिटी स्कोर: स्कोर स्पार्स क्वेरी स्टेट और पूर्ण दस्तावेज़ स्टेट के बीच स्क्वेर्ड इनर प्रोडक्ट है। कोसाइन सिमिलरिटी के विपरीत, जो केवल वास्तविक वेक्टर्स के बीच कोण को मापता है, क्वांटम फिडेलिटी परिमाण ओवरलैप और फेज अलाइनमेंट दोनों को कैप्चर करती है।

2.3 एडेप्टिव एम्प्लीट्यूड एम्प्लीफिकेशन (QAA) रेंकर

शीर्ष-50 उम्मीदवारों को रिफाइन करने के लिए, सिस्टम ग्रोवर के क्वांटम एम्प्लीट्यूड एम्प्लीफिकेशन के शास्त्रीय सिमुलेशन का उपयोग करता है।

ओरेकल (Oracle): एक मल्टी-क्राइटेरिया ओरेकल उच्च-स्कोर वाले उम्मीदवारों को फेज फ्लिप ( $\times -1$ ) के साथ मार्क करता है।
इष्टतम इटरेशन (Optimal Iteration): सिस्टम एक विशिष्ट संख्या में इटरेशन $t^* = \lfloor \frac{\pi}{4} \sqrt{N/M} \rfloor$ के लिए डिफ्यूजन ऑपरेटर लागू करता है, जहाँ $N$ पूल का आकार है और $M$ चिह्नित आइटम्स की संख्या है। शोध पत्र पिछले कार्यों में एक महत्वपूर्ण सुधार नोट करता है: $M$ (केवल $\sqrt{N}$ के बजाय) को शामिल करने वाला सही फॉर्मूला उपयोग करने से एम्प्लीट्यूड ओवरशूट को रोका जा सकता है और महत्वपूर्ण सटीकता प्राप्त की जा सकती है।

3. मुख्य योगदान

हिल्बर्ट-स्पेस एनकोडिंग: किसी भी डेंस एम्बेडिंग को एक यूनिट कॉम्प्लेक्स क्वांटम स्टेट में मैप करने की एक विधि, जो सिमेंटिक प्रतिनिधित्व के लिए फेज को एक नए डिग्री ऑफ फ्रीडम के रूप में पेश करती है।
Q-CSD मेट्रिक: एक नवीन स्पार्स क्वांटम फिडेलिटी मेट्रिक जो कोसाइन सिमिलिटी द्वारा अदृश्य फेज जानकारी का लाभ उठाते हुए, तुलना करने से पहले क्वेरी को उसके सबसे अभिव्यंजक आयामों में कोलैप्स करता है।
फिशर डिस्क्रीमिनेन्ट मास्क: एक रूल-बेस्ड, नॉन-लर्न्ड वेटिंग मैकेनिज्म जो एनकोडिंग के समय डिस्क्रिमिनेटिव आयामों को बढ़ाने और शोर को दबाने के लिए लागू किया जाता है।
सुधारित QAA रेंकर: $M$ (केवल $\sqrt{N}$ के बजाय) को शामिल करने वाले सही इटरेशन काउंट फॉर्मूले के साथ ग्रोवर एल्गोरिदम पर आधारित एक एडेप्टिव रेंकर, जो पिछले कार्यान्वयन में पाई गई 9.2 प्रतिशत-पॉइंट की सटीकता गिरावट को ठीक करता है।
यूनिवर्सल मल्टी-मोडल बैकबोन: एक एकल रिट्रीवल पाइपलाइन जो बिना आर्किटेक्चरल बदलाव के गणित, प्राकृतिक भाषा और वीडियो सामग्री को इंडेक्स और रिट्रीव करने में सक्षम है।

4. प्रयोगात्मक परिणाम

सिस्टम का मूल्यांकन MATH बेंचमार्क (12,500 समस्याएँ, 7 श्रेणियाँ, 500 टेस्ट क्वेरी) पर BERT-कोसाइन बेसलाइन और अन्य रिट्रीवल विधियों के विरुद्ध किया गया।

सटीकता (Accuracy):
- P@1 (Precision at 1): क्वांटम Q-CSD ने 0.698 प्राप्त किया, जो BERT-कोसाइन बेसलाइन (0.700) के सांख्यिकीय रूप से समान है।
- NDCG@10 (Ranking Quality): क्वांटम Q-CSD ने 0.825 प्राप्त किया, जो कोसाइन बेसलाइन (0.823) से बेहतर है। शोध पत्र इस 0.2 प्रतिशत-पॉइंट की बढ़त का श्रेय फेज जानकारी को दिया है जो 2–10 के स्थानों पर रैंकिंग ऑर्डर में सुधार करती है।
- MRR: दोनों प्रणालियों ने 0.799 प्राप्त किया।
लेटेंसी (Latency):
- एंड-टू-एंड: क्वांटम Q-CSD प्रति क्वेरी 8.4 ms में चला, जबकि कोसाइन बेसलाइन के लिए यह 29.9 ms था (एक 3.6× स्पीडअप)।
- नेट रिट्रीवल स्पीड: साझा BERT एनकोडिंग स्टेप को छोड़कर, रिट्रीवल कंप्यूटेशन स्वयं 13.6 गुणा तेज़ था (1.7 ms बनाम 23.2 ms)।
स्केलेबिलिटी: प्रयोगों ने दिखाया कि हिल्बर्ट स्पेस आयाम को बढ़ाने (64 से 256 से 1,024 तक) से अंडरलाइंग सेंटेंस एनकोडर की सीमा तक सटीकता में सुधार होता है। वर्तमान $n=8$ (256-dim) कॉन्फ़िगरेशन को CPU हार्डवेयर के लिए व्यावहारिक इष्टतम (optimum) के रूप में पहचाना गया है।

5. महत्व और दावे

शोध पत्र QuantumRAG को न्यूरो-सिंबोलिक (NeSy) AI की ओर एक आधारभूत कदम के रूप में प्रस्तुत करता है।

न्यूरल-सिंबोलिक ब्रिज: यह न्यूरल धारणा (लर्न्ड एम्बेडिंग्स) और सिंबोलिक रीजनिंग (स्ट्रक्चर्ड मैथमेटिकल रूल्स) के बीच के अंतर को पाटता है। डेंस एम्बेडिंग्स पर हिल्बर्ट स्पेस (यूनिटैरिटी, ऑर्थोगोनैलिटी, फेज) की सख्त गणितीय संरचना लागू करके, रिट्रीवल लेयर एक ब्लैक बॉक्स के बजाय व्याख्या योग्य (interpretable) और नियम-आधारित हो जाती है।
फेज एक सिमेंटिक डायमेंशन के रूप में: प्राथमिक दावा यह है कि "फेज" अर्थ का एक मापने योग्य आयाम है जिसे शास्त्रीय प्रणालियाँ अनदेखा करती हैं। क्वांटम फिडेलिटी सिस्टम को उन दस्तावेजों के बीच अंतर करने की अनुमति देती है जो "शक्ति में समान" हैं लेकिन "ओरिएंटेशन में भिन्न" हैं, जिससे बेहतर रैंक ऑर्डरिंग प्राप्त होती है।
हार्डवेयर एगोस्टिक (Hardware Agnosticism): सिस्टम यह प्रदर्शित करता है कि क्वांटम-एन्हांस्ड रिट्रीवल के लाभ (सुपरपोजिशन और फेज जागरूकता) भौतिक क्वांटम कंप्यूटर की प्रतीक्षा किए बिना, गणितीय सिमुलेशन के माध्यम से कमोडिटी CPU हार्डवेयर पर प्राप्त किए जा सकते हैं।
भविष्य की क्षमता: लेखक दावा करते हैं कि यह आर्किटेक्चर "क्वांटम-रेडी" है। हालांकि वर्तमान लाभ केवल सुपरपोजिशन और फेज से आते हैं, सिस्टम को भविष्य में उच्च-क्रम के सिमेंटिक सहसंबंधों (higher-order semantic correlations) को पकड़ने के लिए भौतिक क्वांटम हार्डवेयर पर एंटैंगलमेंट (entanglement) का लाभ उठाने के लिए डिज़ाइन किया गया है, जो संभावित रूप से $O(\sqrt{N})$ सर्च स्पीडअप प्राप्त कर सकता है।

शोध पत्र निष्कर्ष निकालता है कि QuantumRAG एक "यूनिवर्सल लो-लेटेंसी बैकबोन" प्रदान करता है, जो कोसाइन सिमिलिटी का एक गणितीय रूप से कठोर विकल्प है, जो तेज़, अधिक व्याख्या योग्य है और एकल इंडेक्स के भीतर विविध डेटा मोडैलिटीज को संभालने में सक्षम है।