Convolutional neural network versus persistence for forecasting syndrome rate threshold crossings
यह शोध पत्र यह प्रदर्शित करता है कि यद्यपि क्वांटम त्रुटि सुधार (क्वांटम एरर करेक्शन) में अल्पकालिक थ्रेशोल्ड क्रॉसिंग धीमी कैलिब्रेशन ड्रिफ्ट के तहत पूर्वानुमेय होती है, फिर भी एक कनवोल्यूशनल न्यूरल नेटवर्क एक सरल लास्ट-साइकिल पर्सिस्टेंस बेसलाइन की तुलना में कोई सटीकता लाभ प्रदान नहीं करता है, जो मशीन लर्निंग मॉनिटर्स के मूल्यांकन के लिए प्रक्षेपवक्र-विजातीय (ट्रैजेक्टरी-डिस्जॉइंट) मूल्यांकन और सुदृढ़ टेम्पोरल बेसलाइन्स की आवश्यकता पर बल देता है।
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
क्वांटम कंप्यूटर उन समस्याओं को हल करने का वादा करते हैं जो आज की मशीनों के लिए असंभव हैं, लेकिन वे अविश्वसनीय रूप से नाजुक होते हैं। सूचना धारण करने वाले सूक्ष्म कण, जिन्हें क्यूबिट्स (qubits) कहा जाता है, गर्मी, कंपन या यहाँ तक कि बिखरी हुई विद्युत चुम्बकीय तरंगों से भी आसानी से विचलित हो जाते हैं। इन मशीनों को चालू रखने के लिए, वैज्ञानिक क्वांटल एरर करेक्शन (quantum error correction) नामक तकनीक का उपयोग करते हैं। एक एकल, पूर्ण क्यूबिट पर भरोसा करने के बजाय, वे सूचना को कई भौतिक क्यूबिट्स में फैला देते हैं और लगातार उनमें गलतियों की जाँच करते हैं। वे ऐसा विशिष्ट पैटर्न, जिन्हें सिंड्रोम (syndromes) कहा जाता है, को मापकर करते हैं, जो यह प्रकट करते हैं कि क्या कोई त्रुटि हुई है, बिना संग्रहीत किए जा रहे नाजुक डेटा को नष्ट किए। हालाँकि, ये मशीनें स्थिर नहीं हैं; इनके भीतर की स्थितियाँ समय के साथ बदलती रहती हैं। जिस तरह एक संगीत वाद्ययंत्र सुर से भटक जाता है, उसी तरह एक क्वांटम प्रोसेसर के घटक भी विचलित होते हैं, जिससे त्रुटि दर अनिश्चित रूप से घटती और बढ़ती है। यदि इन बदलावों पर ध्यान नहीं दिया गया, तो कंप्यूटर गलत उत्तर दे सकता है और किसी को पता भी नहीं चलेगा कि मशीन खराब हो गई है।
फिलिप्स एक्सेटर एकेडमी के एक शोधकर्ता, एश्टन रेड्डी ने एक व्यावहारिक प्रश्न पूछा: क्या हम त्रुटियों के बढ़ने से पहले ही यह भविष्यवाणी कर सकते हैं कि वे कब बढ़ेंगी? विचार यह है कि मशीन की अपनी त्रुटि जाँचों के इतिहास का उपयोग भविष्य के पूर्वानुमान के लिए किया जाए। यदि एक कंप्यूटर ऑपरेटरों को चेतावनी दे सके कि पुनर्मूल्यांकन (recalibration) की आवश्यकता है, या गणना के किसी हिस्से को अविश्वसनीय घोषित कर सके, तो यह एक बड़ी प्रगति होगी। इसका परीक्षण करने के लिए, रेड्डी ने एक सरल क्वांटम सिस्टम का अनुकरण किया—एक तीन-क्यूबिट कोड जिसे बिट-फ्लिप त्रुटियों को पकड़ने के लिए डिज़ाइन किया गया था—और इसके भीतर शोर को समय के साथ धीरे-धीरे बदलते हुए छोड़ा। लक्ष्य यह देखना था कि क्या एक मशीन लर्निंग मॉडल, विशेष रूप से आर्टिफिशियल इंटेलिजेंस का एक प्रकार जिसे कनवोल्यूशनल न्यूरल नेटवर्क (convolutional neural network) कहा जाता है, पिछले आठ चक्रों के त्रुटि डेटा को देखकर यह अनुमान लगा सकता है कि क्या अगला चक्र एक खतरनाक सीमा को पार कर जाएगा।
इस अध्ययन में इस विचलित होते शोर के पंद्रह अलग-अलग, लंबे समय तक चलने वाले सिमुलेशन तैयार किए गए, जिनमें डेटा के छह हजार चक्र शामिल थे। परीक्षण को निष्पक्ष बनाने के लिए, शोधकर्ता ने डेटा को इस तरह विभाजित किया कि पूरे सिमुलेशन अलग रखे गए; मॉडल को कुछ पर प्रशिक्षित किया गया, कुछ पर परीक्षण किया गया, और उसने एक ही सिमुलेशन को दोबारा कभी नहीं देखा। इससे मॉडल को उन पैटर्नों को केवल याद करने से रोका जा सका जो एक ही रन के भीतर दोहराए जाते थे। मॉडल को त्रुटि संभावनाओं के आठ लगातार स्नैपशॉट दिए गए और उससे पूछा गया कि क्या अगला स्नैपशॉट उच्च त्रुटि दर दिखाएगा। परिणाम स्पष्ट और कुछ हद तक आश्चर्यजनक थे। न्यूरल नेटवर्क ने चेतावनी के संकेतों को पहचानना सीख लिया था, और इसने लगभग सभी क्षणों को सही ढंग से पहचाना जब त्रुटि दर बढ़ी थी। इसने लगभग अट्ठानवे प्रतिशत उच्च-त्रुटि वाली घटनाओं को पकड़ा। हालाँकि, इसने बहुत अधिक बार गलत अलार्म भी बजाया, जिससे कई शांत चक्रों में भी खतरे की सूचना दी।
एक बहुत ही सरल विधि की तुलना में, जटिल न्यूरल नेटवर्क की जीत नहीं हुई। वह सरल विधि, जिसे पर्सिस्टेंस बेसलाइन (persistence baseline) कहा जाता है, एक सीधे तर्क पर काम करती है: यह मान लेती है कि अगला क्षण बिल्कुल हालिया क्षण जैसा ही होगा। यदि पिछला चक्र शांत था, तो यह भविष्यवाणी करता है कि अगला भी शांत होगा; यदि पिछला शोर भरा था, तो यह भविष्यवाणी करता है कि अगला भी शोर भरा होगा। इस विशिष्ट परिदृश्य में, जहाँ शोर धीरे-धीरे बदलता है, इस सरल अनुमान ने उन्नत एआई की तुलना में बेहतर काम किया। सरल विधि ने निन्यानवे प्रतिशत सटीकता प्राप्त की, जबकि न्यूरल नेटवर्क लगभग नब्बे प्रतिशत तक पहुँच पाया। न्यूरल नेटवर्क दुर्लभ, खतरनाक स्पाइक्स (spikes) को पकड़ने में बेहतर था, लेकिन इसने कुल मिलाकर अधिक गलतियाँ कीं क्योंकि इसने खतरे की भविष्यवाणी तब भी की जब कोई खतरा नहीं था। अध्ययन बताता है कि क्वांटम हार्डवेयर में होने वाले धीमे, निरंतर परिवर्तनों के लिए, सबसे हालिया डेटा बिंदु में भविष्यवाणी करने के लिए आवश्यक लगभग सारी जानकारी होती है, जिससे इस विशिष्ट कार्य के लिए न्यूरल नेटवर्क का जटिल पैटर्न-मैचिंग अनावश्यक हो जाता है।
यह शोध उन लोगों के लिए एक महत्वपूर्ण सबक उजागर करता है जो क्वांटम कंप्यूटरों की निगरानी के लिए आर्टिफिशियल इंटेलिजेंस बना रहे हैं। यदि डेटा को लापरवाही से विभाजित किया जाता है, तो एक मॉडल अत्यंत बुद्धिमान प्रतीत हो सकता है क्योंकि उसने पहले से ही उसी पैटर्न के कुछ हिस्सों को देखा होता है, जिसे डेटा लीकेज (data leakage) नामक दोष कहा जाता है। पूरे सिमुलेशन को अलग रखकर, इस अध्ययन ने सुनिश्चित किया कि परिणाम वास्तविक भविष्य कहने की शक्ति को दर्शाते हैं। इसने यह भी दिखाया कि एक परिष्कृत एआई को तैनात करने से पहले, वैज्ञानिकों को यह जांच लेना चाहिए कि क्या एक सरल, नियम-आधारित दृष्टिकोण वही काम समान रूप से कर सकता है। इस मामले में, जटिल उपकरण ने समग्र सटीकता में सरल बेसलाइन की तुलना में कोई लाभ नहीं दिया। जबकि न्यूरल नेटवर्क की लगभग हर स्पाइक को पकड़ने की क्षमता उन स्थितियों में उपयोगी है जहाँ त्रुटि को चूक जाना, गलत अलार्म से कहीं अधिक बुरा होता है, अध्ययन निष्कर्ष निकालता है कि धीमे बदलावों के पूर्वानुमान के लिए सबसे सरल टेम्पोरल प्रेडिक्टर (temporal predictor) सबसे विश्वसनीय बेंचमार्क बना हुआ है। यह कार्य एक अनुस्मारक के रूप में कार्य करता है कि स्मार्ट क्वांटम मॉनिटर बनाने की दौड़ में, सबसे प्रभावी उपकरण हमेशा सबसे जटिल वाला नहीं होता 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।