💻 computer science

Quantum machine learning performance evaluation for air pollution assessment with benchmarking and comparative analysis using multi-metric scoring and quantum circuit expressibility

यह अध्ययन वायु प्रदूषण भविष्यवाणी के लिए क्लासिकल, डीप और क्वांटम मशीन लर्निंग मॉडलों को बेंचमार्क करने हेतु MDQ-3L फ्रेमवर्क प्रस्तुत करता है, जो यह प्रकट करता है कि जहाँ CatBoost और DBN जैसे क्लासिकल मॉडल वर्तमान में NISQ बाधाओं के तहत क्वांटम दृष्टिकोणों से बेहतर प्रदर्शन करते हैं, वहीं प्रस्तावित मल्टी-मेट्रिक स्कोरिंग सिस्टम संरचनात्मक सीमाओं की प्रभावी ढंग से पहचान करता है और भविष्य के हाइब्रिड पर्यावरणीय मॉडलिंग के लिए लो-एंटैंगलमेंट क्वांटम सर्किटों के चयन में मार्गदर्शन करता है।

मूल लेखक: Jagadish Kumar Mogaraju

प्रकाशित 2026-07-09

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jagadish Kumar Mogaraju

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

कल्पना कीजिए कि आप एक शहर में हवा कितनी गंदी है (वायु गुणवत्ता सूचकांक, या AQI) इसका पूर्वानुमान लगाने की कोशिश कर रहे हैं, जिसके लिए आपके पास धुआं, कार का धुआं और औद्योगिक धुएं जैसी सामग्रियों की एक सूची है। आपके पास काम करने के लिए तीन अलग-अलग टीमों के "पूर्वानुमानकर्ता" तैयार हैं:

क्लासिक टीम (मशीन लर्निंग): ये अनुभवी, भरोसेमंद लेखाकारों (accountants) की तरह हैं जो सालों से यह काम कर रहे हैं।
डीप लर्निंग टीम: ये सुपर-स्मार्ट प्रशिक्षुओं (apprentices) की तरह हैं जो जटिल पैटर्न सीख सकते हैं, लेकिन कभी-कभी घबरा भी जाते हैं।
क्वांटम टीम: ये भविष्य के जादूगरों की तरह हैं जो एक नए, प्रयोगात्मक प्रकार के जादू (क्वांटम कंप्यूटर) का उपयोग कर रहे हैं, जो अविश्वसनीय रूप से शक्तिशाली होने का वादा करता है लेकिन वर्तमान में बहुत नाजुक है और गलतियों के प्रति संवेदनशील है।

इस शोध पत्र के लेखक, जगदीश कुमार मोगरेजु, यह देखना चाहते थे कि वास्तव में कौन सबसे अच्छा काम करता है। लेकिन केवल यह देखने के बजाय कि किसने सबसे कम गलतियां कीं, उन्होंने एक विशेष स्कोरकार्ड सिस्टम बनाया जिसे MDQ-3L कहा जाता है।

विशेष स्कोरकार्ड (MDQ-3L)

आमतौर पर, आप केवल यह देख सकते हैं कि किसने सबसे कम गलतियां कीं। लेकिन यह शोध पत्र कहता है, "रुको, यह काफी नहीं है!" लेखक ने एक बहु-स्तरीय स्कोरिंग प्रणाली बनाई जो एक साथ तीन चीजों को देखती है:

सटीकता (Accuracy): क्या उन्होंने नंबर सही प्राप्त किए?
निरंतरता (Consistency): क्या वे उस डेटा पर भी उतना ही अच्छा प्रदर्शन करते हैं जिस पर उन्होंने अभ्यास किया था, जितना कि नए, अनदेखे डेटा पर? (यदि कोई छात्र पाठ्यपुस्तक को रट लेता है लेकिन नई परीक्षा में फेल हो जाता है, तो उसे यहाँ खराब स्कोर मिलता है)।
जटिलता लागत (Complexity Cost): क्वांटम टीम के लिए, एक अतिरिक्त दंड (penalty) है। क्वांटम सर्किट नाजुक कांच की मूर्तियों की तरह होते; यदि वे बहुत जटिल या "मुड़े हुए" (उच्च एंटैंगलमेंट/entanglement) हैं, तो उन्हें प्रशिक्षित करना कठिन होता है और उनके टूटने की संभावना अधिक होती है। स्कोरकार्ड उन्हें बहुत जटिल होने के लिए दंडित करता है।

दौड़ के परिणाम

विजेता: क्लासिक टीम
CatBoost और Extra Trees मॉडल (क्लासिक टीम से) इस दौड़ में जीते। वे उन भरोसेमंद लेखाकारों की तरह थे जिन्होंने बिना किसी शोर-शराबे के लगातार सही आंकड़े प्राप्त किए। उनके पास कोई "जटिलता दंड" नहीं था क्योंकि वे क्वांटम जादू का उपयोग नहीं करते हैं।

उप-विजेता: डीप लर्निंग टीम
DBN (डीप बिलीफ नेटवर्क्स) जैसे मॉडलों ने बहुत अच्छा प्रदर्शन किया, क्लासिक टीम के लगभग बराबर। वे स्मार्ट और सटीक थे, हालांकि उन्हें अधिक कंप्यूटिंग शक्ति की आवश्यकता थी।

क्वांटम टीम: अभी सीख रहे हैं
क्वांटम मॉडल (जादूगर) संघर्ष कर रहे थे।

समस्या: भले ही कुछ क्वांटम सर्किटों ने छोटी गलतियां कीं, लेकिन वे अक्सर भविष्यवाणी की दिशा को गलत कर देते थे। सांख्यिकीय शब्दों में, उनके पास "नेगेटिव आर-स्क्वेर्ड" (negative R-squared) स्कोर था, जिसका अर्थ है कि वे हर बार औसत वायु गुणवत्ता का अनुमान लगाने की तुलना में खराब प्रदर्शन कर रहे थे।
"बैरन प्लेटो" (Barren Plateau): शोध पत्र में उल्लेख है कि कुछ क्वांटम सर्किट बहुत जटिल थे। कल्पना कीजिए कि आप एक विशाल, पूरी तरह से सपाट रेगिस्तान से बाहर निकलने का रास्ता खोजने की कोशिश कर रहे हैं जहाँ हर दिशा एक जैसी दिखती है। क्वांटम मॉडल इस "सपाटपन" (जिसे बैरन प्लेटो कहा जाता है) में खो गए और सही रास्ता नहीं सीख सके।
दंड: क्योंकि क्वांटम सर्किट या तो बहुत सरल थे या बहुत जटिल (बहुत अधिक "एंटैंगलमेंट"), स्कोरकार्ड ने उनके अंक भारी रूप से काट दिए।

स्कोरकार्ड का "जादू"

शोध पत्र का सबसे दिलचस्प हिस्सा यह है कि कैसे स्कोरकार्ड ने रैंकिंग को समायोजित किया।

बिना विशेष नियमों के, क्वांटम टीम कुछ छोटे परीक्षणों में ठीक लग रही थी।
MDQ-3L स्कोरकार्ड के साथ, शोध पत्र ने खुलासा किया कि क्वांटम टीम वास्तव में 25% से 40% पीछे चल रही थी।
स्कोरकार्ड ने यह भी दिखाया कि यदि क्वांटम टीम सरल, कम "मुड़े हुए" सर्किट (जैसे RYCZ या SELR डिजाइन) का उपयोग करती है, तो वे अपने दंड को लगभग 30% तक कम कर सकती हैं।

मुख्य निष्कर्ष

शोध पत्र यह निष्कर्ष निकालता है कि हालांकि "क्वांटम जादूगर" आकर्षक हैं और भविष्य में बड़ी संभावना रखते हैं, लेकिन वे अभी वायु प्रदूषण की भविष्यवाणी करने के लिए "क्लासिक लेखाकारों" को बदलने के लिए तैयार नहीं हैं।

क्वांटम मॉडल वर्तमान में बहुत अस्थिर और बहुत जटिल हैं। लेखक का सुझाव है कि फिलहाल के लिए, सबसे अच्छा दृष्टिकोण विश्वसनीय क्लासिक और डीप लर्निंग मॉडल का पालन करना है, जबकि इस नए स्कोरकार्ड का उपयोग क्वांटम टीम को भविष्य के लिए सरल, अधिक स्थिर सर्किट बनाने में मदद करने के लिए किया जा सकता है।

संक्षेप में: क्लासिक टीम आज की दौड़ जीत गई। क्वांटम टीम अभी प्रशिक्षण ले रही है, और यह नया स्कोरकार्ड उन्हें यह समझने में मदद कर रहा है कि बेहतर होने के लिए उन्हें वास्तव में क्या सुधारने की आवश्यकता है।

तकनीकी सारांश: वायु प्रदूषण मूल्यांकन के लिए क्वांटम मशीन लर्निंग प्रदर्शन मूल्यांकन

समस्या विवरण
वायु गुणवत्ता में गिरावट तत्काल सुधारात्मक कार्रवाई की आवश्यकता को जन्म देती है, जिससे वायु गुणवत्ता सूचकांक (AQI) की भविष्यवाणी करने के लिए मशीन लर्निंग (ML), डीप लर्निंग (DL) और क्वांटम मशीन लर्निंग (QML) की खोज तेज हो गई है। हालांकि विभिन्न अध्ययनों ने वायु प्रदूषण डेटा के लिए क्वांटम-प्रेरित मॉडलों या हाइब्रिड क्वांटम-क्लासिकल दृष्टिकोणों को लागू किया है, लेकिन एक एकीकृत, मल्टी-मेट्रिक फ्रेमवर्क की कमी है जो शास्त्रीय और क्वांटम मॉडलों का एक दूसरे के विरुद्ध कठोरता से बेंचमार्किंग कर सके। विशेष रूप से, मौजूदा साहित्य अक्सर क्वांटम सर्किट की संरचनात्मक जटिलताओं—जैसे कि एक्सप्रेसिबिलिटी (expressibility) और एंटैंगलिंग पावर (entangling power)—और उनके जनरलाइजेशन गैप (generalization gaps) तथा नोइजी इंटरमीडिएट-स्केल क्वांटम (NISQ) बाधाओं के तहत ऑप्टिमाइजेशन पैथोलॉजी (जैसे बैरन प्लेटो) के साथ संबंध को समझाने में विफल रहता है। यह अध्ययन क्वांटम-विशिष्ट संरचनात्मक दंडों (structural penalties) को शामिल करते हुए एक मल्टी-मेट्रिक पदानुक्रम का उपयोग करके ML, DL और QML मॉडलों के तुलनात्मक मूल्यांकन का प्रस्ताव करके इस अंतर को संबोधित करता है।

कार्यप्रणाली
यह अध्ययन 2015 से 2020 तक के 257,834 अवलोकनों वाले एक डेटासेट का उपयोग करता है, जो सेंट्रल पोल्यूशन कंट्रोल बोर्ड (भारत) से प्राप्त है, जिसमें 13 प्रेडिक्टर्स (PM2.5, PM10, NOx, SO2, O3 और वाष्पशील कार्बनिक यौगिकों सहित) शामिल हैं ताकि AQI की भविष्यवाणी की जा सके। डेटा प्रीप्रोसेसिंग में z-स्कोर नॉर्मलाइजेशन, आइसोलेशन फॉरेस्ट के माध्यम से आउटलियर हटाना, इम्प्यूटेशन और स्क्यूनेस (skewness) को संबोधित करने के लिए यियो-जॉनसन (Yeo-Johnson) ट्रांसफॉर्मेशन शामिल था। क्वांटम एनकोडिंग के लिए फीचर्स को चार मुख्य घटकों (96.5% वेरिएंस बनाए रखते हुए) में कम किया गया।

मूल्यांकन फ्रेमवर्क, जिसे MDQ-3L (Machine Learning, Deep Learning, Quantum - 3-Level) कहा जाता है, मूल्यांकन के तीन अलग-अलग स्तरों को एकीकृत करता है:

स्तर 1 (अनुमानित सटीकता): सामान्यीकृत रिग्रेशन मेट्रिक्स (MAE, MSE, RMSE, MAPE, RMSLE) और निर्धारण गुणांक ( $R^2$ ) को एकत्रित करता है।
स्तर 2 (जनरलाइजेशन): ट्रेनिंग और टेस्टिंग RMSE ( $\Delta_m$ ) के बीच के अंतर को मापता है।
स्तर 3 (क्वांटम जटिलता): एक विशिष्ट संरचनात्मक रेगुलराइज़र ( $\mathcal{R}_m^{(Q)}$ ) लागू करता है, जो NISQ सीमाओं और बैरन प्लेटो जोखिमों को ध्यान में रखते हुए उच्च एक्सप्रेसिबिलिटी ( $E_m$ ) और एंटैंगलिंग पावर ( $P_m$ ) को दंडित करता है।

एकीकृत प्रदर्शन फंक्शनल ( $J_m$ ) इन स्तरों को भारित गुणांकों ( $\alpha, \beta, \gamma$ ) के साथ जोड़ता है, जो 80% प्राथमिकता के साथ अनुमानित सटीकता को प्राथमिकता देता है जबकि जटिलता दंडों को 20% शामिल करता है। एक विस्तारित संस्करण, MDQ-3L+ $\mathcal{B}$ , एक बेंचमार्किंग टर्म ( $\mathcal{B}_m^{(exp)}$ ) शामिल करता है जो एक सर्किट की एक्सप्रेसिबिलिटी और एंटैंगलिंग पावर के लक्ष्य मानों से विचलन को दंडित करता है।

अध्ययन ने निम्नलिखित का मूल्यांकन किया:

17 ML रिग्रेसर्स: कैटबूस्ट (CatBoost), XGBoost, रैंडम फॉरेस्ट और विभिन्न लीनियर मॉडल्स सहित।
9 DL मॉडल: MLP, CNN, LSTM, GRU, DBN और ट्रांसफॉर्मर्स सहित।
7 QML सर्किट्स: 4 क्विबिट्स के साथ नॉइलेस बैकएंड पर सिम्युलेटेड, जिनमें रैंडम लेयर्स रिग्रेसर (RLR), RYCZ, शिफ्टेड एंटैंगल्ड लीनियर रिग्रेसर (SELR), हार्डवेयर एफिशिएंट एंसात्ज़ (HEA), क्वांटम कनवोल्यूशनल न्यूरल नेटवर्क (QCNN), ट्री टेंसर नेटवर्क (TTN), और क्वांटम अटेंशन (QAtten) शामिल हैं।

मुख्य परिणाम

शास्त्रीय प्रदर्शन: ट्री-बेस्ड एन्सेम्बल मेथड्स, विशेष रूप से कैटबूस्ट (CatBoost) और एक्स्ट्रा ट्रीज़ (Extra Trees), और डीप बिलीफ नेटवर्क (DBN) शीर्ष प्रदर्शन करने वाले के रूप में उभरे। कैटबूस्ट ने 0.68 के $R^2$ के साथ 72.41 का RMSE प्राप्त किया, जबकि DBN ने सभी मॉडलों में उच्चतम $R^2$ (0.72) और न्यूनतम MSE (4807.5) प्राप्त किया।
क्वांटम प्रदर्शन: सभी QML सर्किट्स ने नेगेटिव $R^2$ मान ( -1.2 से -7.9 के बीच) प्रदर्शित किए, जो एक स्थिर-माध्य (constant-mean) बेसलाइन से भी खराब प्रदर्शन का संकेत देते हैं। हालांकि कुछ सर्किट्स जैसे QAttn और RYCZ ने प्रतिस्पर्धी रॉ एरर मेट्रिक्स (जैसे QAttn MSE $\approx$ 0.25) दिखाए, लेकिन उनके नेगेटिव वेरिएंस एक्सप्लेनेशन और संरचनात्मक दंडों के कारण उनके कंपोजिट स्कोर शास्त्रीय मॉडलों की तुलना में काफी अधिक रहे।
संरचनात्मक दंड: उच्च एक्सप्रेसिबिलिटी (QCNN, TTN के साथ $E \approx 2.0$ ) और उच्च एंटैंगलिंग पावर (RLR के साथ $P \approx 0.40$ ) वाले सर्किट्स को भारी दंड का सामना करना पड़ा। MDQ-3L फ्रेमवर्क ने खुलासा किया कि वर्तमान बाधाओं के तहत कच्ची सर्किट क्षमता (raw circuit capacity) पूर्वानुमान उपयोगिता में परिवर्तित नहीं होती है।
बेंचमार्किंग प्रभाव: बेंचमार्किंग टर्म ( $\mathcal{B}$ ) को शामिल करने से QCNN और TTN जैसे आर्किटेक्चर के दंडों में लगभग 30% की कमी आई जब वे लक्षित एक्सप्रेसिबिलिटी/एंटैंगलमेंट के साथ संरेखित थे, फिर भी वे कंपोजिट स्कोर में शास्त्रीय मॉडलों से 25-40% पीछे रहे।
फीचर महत्व: SHAP विश्लेषण ने पुष्टि की कि PM2.5 AQI का प्रमुख चालक है, जिसके बाद PM10, CO और O3 का स्थान है, और मॉडल पार्टिकुलेट मैटर सांद्रता पर अत्यधिक निर्भर हैं।

महत्व और दावे
यह शोध दावा करता है कि यह हाइब्रिड एनवायर्नमेंटल मॉडलिंग के लिए एक व्याख्या योग्य, मल्टी-मेट्रिक टूल प्रदान करता है जो क्वांटम मशीन इंटेलिजेंस बेंचमार्क को आगे बढ़ाता है। इसके प्राथमिक योगदान शामिल हैं:

एकीकृत बेंचमार्किंग: MDQ-3L फ्रेमवर्क विषम मेट्रिक्स और क्वांटम संरचनात्मक गुणों को एक एकल, तुलनीय स्कोर में सफलतापूर्वक एकत्रित करता है, जिससे मॉडलों को केवल एक अनुकूल मेट्रिक के आधार पर चुनने से रोका जाता है जो अन्य में विफल हो सकता है।
QML सीमाओं को उजागर करना: अध्ययन मात्रात्मक रूप से प्रदर्शित करता है कि NISQ बाधाओं (4-6 क्विबिट्स, उथली गहराई) के तहत, वर्तमान QML सर्किट्स जनरलाइजेशन गैप और ऑप्टिमाइजेशन पैथोलॉजी (बैरन प्लेटो) से जूझते हैं, जिसके परिणामस्वरूप शास्त्रीय ML/DL बेसलाइन्स की तुलना में 25-40% का प्रदर्शन घाटा होता है।
भविष्य के आर्किटेक्चर के लिए मार्गदर्शन: उच्च एक्सप्रेसिबिलिटी और एंटैंगलमेंट को दंडित करके, फ्रेमवर्क सुझाव देता है कि लो-एंटैंगलमेंट एंसात्ज़ (जैसे SELR और HEA) जिनमें मध्यम एक्सप्रेसिबिलिटी हो, भविष्य के पुनरावृत्तियों में 10-15% संभावित लाभ प्रदान कर सकते हैं क्योंकि वे NISQ ट्रेनैबिलिटी आवश्यकताओं के साथ बेहतर ढंग से संरेखित होते हैं।
कार्यप्रणाली की कठोरता: यह कार्य एक्सप्रेसिबिलिटी और एंटैंगलमेंट के गुणात्मक चर्चा से आगे बढ़कर उन्हें मात्रात्मक रेगुलराइजेशन कोऑर्डिनेट्स के रूप में स्थापित करके, सांख्यिकीय सटीकता और हार्डवेयर-संरेखित जटिलता के बीच संतुलन बनाने वाले मॉडल चयन के लिए एक कठोर मानदंड प्रदान करता है।

लेखक निष्कर्ष निकालते हैं कि हालांकि क्वांटम सर्किट इस विशिष्ट रिग्रेशन कार्य के लिए अभी तक श्रेष्ठ नहीं हैं, प्रस्तावित फ्रेमवर्क भविष्य के हाइब्रिड मॉडलों के मूल्यांकन के लिए एक आवश्यक संरचना प्रदान करता है, यह सुनिश्चित करता है कि एक आयाम में सुधार दूसरे में होने वाली त्रुटियों को छिपा न दे।

विशेष स्कोरकार्ड (MDQ-3L)

दौड़ के परिणाम

स्कोरकार्ड का "जादू"

मुख्य निष्कर्ष

इसी तरह के और पेपर