Average Quantum Relative Entropy and Transpilation Depth as Indicators of Noise Robustness in Quantum Binary Classification

कल्पना कीजिए कि आपने एक बहुत ही चतुर रोबोट शेफ बनाया है। आपने इस शेफ को एक आदर्श, स्वच्छ रसोई में प्रशिक्षित किया है जहाँ कोई व्याकुलता नहीं है, न ही कोई टूटा हुआ चाकू है और न ही बिजली की कटौती। इस आदर्श दुनिया में, वह शेफ 95% बार एक स्वादिष्ट भोजन बना सकता है।

अब, आप इस शेफ को एक वास्तविक, अराजक रेस्तरां की रसोई में काम करने के लिए भेजना चाहते हैं। इस वास्तविक रसोई में टिमटिमाती लाइटें, फिसलन भरे फर्श और ऐसे ओवन हैं जो थोड़े अधिक गर्म चलते हैं। आप उम्मीद कर सकते हैं कि रसोई के अस्त-व्यस्त होने के कारण शेफ का प्रदर्शन गिर जाएगा। लेकिन यहाँ एक पहेली है: क्यों कुछ शेफ अव्यवस्थित रसोई में 60% सफलता तक गिर जाते हैं, जबकि अन्य (जो आदर्श रसोई में उतने ही अच्छे दिखते थे) केवल 85% तक ही गिरते हैं?

यह शोध पत्र, जिसे हेलसिंकी विश्वविद्यालय के शोधकर्ताओं द्वारा लिखा गया है, क्वांटम मशीन लर्निंग के इस रहस्य को सुलझाने की कोशिश करता है। वे "क्वांटम क्लासिफायर" (Quantum Classifiers) का अध्ययन कर रहे हैं—ऐसे एल्गोरिदम जो डेटा को दो समूहों में वर्गीकृत करते हैं (जैसे ईमेल को "स्पैम" या "स्पैम नहीं" में छाँटना)।

यहाँ उनके निष्कर्षों का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. समस्या: "आदर्श बनाम अव्यवस्थित" का अंतर

क्वांटम कंप्यूटर की दुनिया में, हम अक्सर अपने मॉडल को क्लासिकल कंप्यूटर (सिमुलेटर) पर प्रशिक्षित करते हैं जहाँ सब कुछ आदर्श होता है। लेकिन जब हम उन्हें वास्तविक क्वांटम हार्डवेयर पर चलाते हैं (जो वर्तमान में "नॉइजी" या शोर-शराबे वाला और त्रुटि-प्रवण है), तो वे अक्सर विफल हो जाते हैं।

शोधकर्ताओं ने देखा कि दो क्वांटम मॉडल कागज़ पर बिल्कुल समान दिख सकते थे:

• उनका "लॉजिकल" डिज़ाइन एक जैसा था।
• उनके चरणों (steps) की संख्या भी समान थी।
• दोनों ने आदर्श सिमुलेशन में 95% सटीकता प्राप्त की थी।

फिर भी, वास्तविक हार्डवेयर पर जाने के बाद, एक मॉडल 60% सटीकता तक गिर सकता है, जबकि दूसरा 85% पर मजबूत बना रहता है। पुराना नियम—"छोटे सर्किट बेहतर होते हैं"—इस अंतर को पूरी तरह से समझाने में विफल रहा।

2. दो नए संकेतक (गुप्त नुस्खा)

लेखकों का प्रस्ताव है कि यदि आप यह अनुमान लगाना चाहते हैं कि एक मॉडल वास्तविक (अव्यवस्थित) मशीन में कितना अच्छा प्रदर्शन करेगा, तो आपको वास्तविक मशीन पर चलाने से पहले ही दो विशिष्ट चीजों को देखना होगा।

संकेतक A: "समूहों के बीच की दूरी" (औसत क्वांटम रिलेटिव एंट्रॉपी)

कल्पना कीजिए कि आप एक कुत्ते को बिल्ली और कुत्ते के बीच अंतर करना सिखा रहे हैं।

• मॉडल 1 उन्हें बारीक, धुंधली बारीकियों को देखकर पहचानने की सीखता है। वास्तविक दुनिया में, थोड़ी सी धुंध (शोर) भी उन्हें पहचानना असंभव बना देती है।
• मॉडल 2 उन्हें बड़े, स्पष्ट अंतरों (कान बनाम थूथन) को देखकर पहचानने की सीखता है। धुंध होने के बावजूद, कुत्ता अभी भी उनके बीच अंतर कर सकता है।

क्वांटम शब्दों में, यह "अंतर" क्वांटम रिलेटिव एंट्रॉपी कहलाता है।

• उच्च एंट्रॉपी (High Entropy): डेटा के दो समूह (बिल्ली और कुत्ता) क्वांटम दुनिया में एक-दूसरे से बहुत दूर हैं। उन्हें अलग करना आसान है।
• निम्न एंट्रॉपी (Low Entropy): समूह एक-दूसरे के बहुत करीब हैं। शोर आसानी से एक "बिल्ली" को "कुत्ते" के ढेर में धकेल सकता है।

निष्कर्ष: जो मॉडल डेटा के समूहों को एक-दूसरे से दूर रखने के लिए प्रशिक्षित होते हैं (उच्च एंट्रॉपी), वे शोर के प्रति बहुत अधिक मजबूत होते हैं।

संकेतक B: "यात्रा की दूरी" (ट्रांसपाइलेशन डेप्थ)

क्वांटम कंप्यूटर विदेशी देशों की तरह हैं जिनकी अपनी भाषा और सड़क के नियम हैं। जब आप एक प्रोग्राम (सर्किट) लिखते हैं, तो आपको उसे उस विशिष्ट मशीन के लिए ट्रांसपाइल (अनुवादित) करना होता है जिसका आप उपयोग कर रहे हैं।

• कभी-कभी, "बाएँ मुड़ें" जैसे सरल निर्देश को "दाएँ मुड़ें, घूमें, फिर बाएँ मुड़ें" की एक जटिल श्रृंखला में अनुवादित करना पड़ता है क्योंकि उस मशीन में "बाएँ" बटन नहीं होता।
• यह अनुवाद प्रक्रिया अतिरिक्त चरणों को जोड़ देती है। ट्रांसपाइलेशन डेप्थ उन वास्तविक चरणों की गिनती है जिन्हें मशीन को पूरा करना पड़ता है।

निष्कर्ष: मशीन को जितने अधिक चरणों को पूरा करना पड़ता है, उसके फिसलने या गिरने (त्रुटियों के संचय) की संभावना उतनी ही अधिक होती है। एक मॉडल जो कागज़ पर छोटा दिखता है, वह अनुवाद के बाद बहुत लंबा और अव्यवस्थित हो सकता है।

3. बड़ी खोज: आपको दोनों की आवश्यकता है

शोधकर्ताओं ने पाया कि केवल एक कारक को देखना पर्याप्त नहीं है।

• परिदृश्य A: एक मॉडल की "यात्रा की दूरी लंबी" (High Depth) है लेकिन समूह "बहुत दूर" (High Entropy) हैं। यह अभी भी जीवित रह सकता है क्योंकि समूह इतने स्पष्ट हैं कि शोर उन्हें भ्रमित नहीं कर सकता।
• परिदृश्य B: एक मॉडल की "यात्रा की दूरी छोटी" (Low Depth) है लेकिन समूह "एक साथ सिमटे हुए" (Low Entropy) हैं। यह विफल हो जाएगा क्योंकि थोड़ा सा भी शोर समूहों को एक-दूसरे में मिला देगा।

उपमा:
इसे जमी हुई झील पर चलने के रूप में सोचें।

• ट्रांसपाइलेशन डेप्थ वह दूरी है जो आपको तय करनी है।
• रिलेटिव एंट्रॉपी वह बर्फ है जो आपके पैरों के नीचे है।
• यदि आपको लंबी दूरी तय करनी है (High Depth), तो जीवित रहने के लिए आपको बहुत मोटी बर्फ (High Entropy) की आवश्यकता होगी।
• यदि बर्फ पतली है (Low Entropy), तो एक छोटी यात्रा (Low Depth) भी खतरनाक हो सकती है।

4. यह क्यों महत्वपूर्ण है ("प्री-फ्लाइट चेक")

इस पेपर का सबसे व्यावहारिक हिस्सा यह है कि आप वास्तविक, शोर वाले क्वांटम हार्डवेयर को छूने से पहले ही क्लासिकली (एक सामान्य कंप्यूटर पर) इन दोनों संख्याओं की गणना कर सकते हैं।

शोधकर्ताओं ने एक विधि बनाई है जिससे वे एक प्रशिक्षित मॉडल को देखकर कह सकते हैं:

"यह मॉडल सिमुलेशन में बहुत अच्छा दिखता है, लेकिन इसके 'समूहों के बीच की दूरी' और 'अनुवाद चरणों' के आधार पर, इसके वास्तविक मशीन पर विफल होने की संभावना है।"

यह वैज्ञानिकों को अपने मॉडलों को स्क्रीन (छानने) की अनुमति देता है। वे उन मॉडलों को हटा सकते हैं जिनके विफल होने की संभावना है और केवल उन्हीं मजबूत मॉडलों को वास्तविक क्वांटम कंप्यूटर पर भेज सकते हैं, जिससे समय और पैसा बचता है।

सारांश

यह पेपर तर्क देता है कि यह अनुमान लगाने के लिए कि एक क्वांटम क्लासिफायर शोर भरी वास्तविक दुनिया में कैसे जीवित रहेगा, आप केवल यह नहीं देख सकते कि एक आदर्श सिमुलेशन में इसकी सटीकता कितनी है या इसका कोड कितना "छोटा" दिखता है। आपको यह जांचना होगा:

1. श्रेणियाँ कितनी विशिष्ट हैं? (क्या वे दूर हैं या एक-दूसरे के करीब सिमटी हुई हैं?)
2. इसे कितने अनुवाद चरणों की आवश्यकता है? (मशीन को कितने अतिरिक्त मूव्स करने पड़ते हैं?)

इन दोनों संख्याओं को मिलाकर, आपको एक विश्वसनीय "मौसम पूर्वानुमान" मिलता है कि आपका क्वांटम मॉडल लॉन्च करने से पहले कैसा प्रदर्शन करेगा।