💻 computer science

Quantum LEGO Learning: A Modular Design Principle for Hybrid Artificial Intelligence

यह शोध पत्र "क्वांटम लेगो लर्निंग" (Quantum LEGO Learning) का परिचय देता है, जो एक मॉड्यूलर हाइब्रिड एआई फ्रेमवर्क है जो स्थिर अनुकूलन, शोर प्रतिरोध (noise resilience), और प्रतिनिधित्व शिक्षण (representation learning) को अनुकूलन योग्य अनुकूलन (adaptive adaptation) से अलग करके NISQ हार्डवेयर पर बेहतर प्रदर्शन प्राप्त करने के लिए एक फ्रीज किए गए क्लासिकल फीचर एक्सट्रैक्टर को एक प्रशिक्षित वेरिएशनल क्वांटम सर्किट से अलग करता है।

मूल लेखक: Jun Qi, Chao-Han Huck Yang, Pin-Yu Chen, Min-Hsiu Hsieh, Hector Zenil, Jesper Tegner

प्रकाशित 2026-07-06

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jun Qi, Chao-Han Huck Yang, Pin-Yu Chen, Min-Hsiu Hsieh, Hector Zenil, Jesper Tegner

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

मुख्य विचार: क्वांटम LEGO के साथ निर्माण करना

कल्पना कीजिए कि आप एक जटिल मशीन बनाने की कोशिश कर रहे हैं। अतीत में, लोगों ने पूरी मशीन को "क्वांटम" नामक एक नई, नाजुक और बहुत संवेदनशील सामग्री से बनाने की कोशिश की। समस्या क्या थी? यह सामग्री शोर (noise) के मामूली कंपन के प्रति इतनी संवेदनशील है कि मशीन काम करने से पहले ही अक्सर बिखर जाती है।

इस शोध पत्र के लेखक निर्माण का एक नया तरीका प्रस्तावित करते हैं: क्वांटम LEGO लर्निंग (Quantum LEGO Learning)।

पूरी चीज़ को उस नाजुक सामग्री से बनाने के बजाय, वे एक मजबूत, विश्वसनीय आधार बनाने का सुझाव देते हैं जो मानक, मजबूत सामग्रियों (क्लासिकल कंप्यूटर) से बना हो, और केवल अंतिम, विशेष हिस्से के लिए नाजुक क्वांटम सामग्री का उपयोग करते हैं जो वास्तविक "सोचने" या निर्णय लेने का कार्य करता है।

सिस्टम के तीन मुख्य भाग

यह शोध पत्र तीन अलग-अलग ब्लॉकों से बने एक सिस्टम का वर्णन करता है, जैसे कि एक LEGO सेट:

जमी हुई नींव (द क्लासिकल ब्लॉक - The Frozen Foundation):
- यह क्या है: एक शक्तिशाली, प्री-ट्रेन्ड कंप्यूटर प्रोग्राम (जैसे ResNet या टेंसर नेटवर्क) जिसने डेटा में पैटर्न पहचानना पहले से ही सीख लिया है।
- उपमा: इसे एक मास्टर शेफ (मुख्य रसोइया) के रूप में सोचें जिसने सब्जियां काटने, मांस को मसालेदार बनाने और सामग्री तैयार करने में वर्षों बिताए हैं। एक बार जब सामग्री तैयार हो जाती है, तो शेफ काम करना बंद कर देता है। वे अपनी जगह पर "जम" (frozen) जाते हैं। वे प्रयोग के दौरान अपनी रेसिपी नहीं बदलते हैं।
- भूमिका: यह कच्चे, अव्यवस्थित डेटा (जैसे धुंधली फोटो या DNA अनुक्रम) को लेता है और उसे एक साफ, व्यवस्थित विशेषताओं की सूची में बदल देता है।
कनेक्टर (द एनकोडर - The Encoder):
- यह क्या है: एक सरल पुल जो शेफ की व्यवस्थित सामग्री को उस प्रारूप में अनुवादित करता है जिसे क्वांटम मशीन समझ सके।
- उपमा: यह एक अनुवादक की तरह है जो शेफ के नोट्स लेता है और उन्हें एक विशेष कोड में लिखता है जिसे क्वांटम रोबोट पढ़ सके। यह कोई नया स्वाद नहीं जोड़ता; यह केवल भाषा बदलता है।
क्वांटम हेड (द ट्रेनिएबल ब्लॉक - The Quantum Head):
- यह क्या है: एक छोटा, उथला क्वांटम सर्किट (VQC) जो प्रशिक्षण के दौरान सीखने और बदलने के लिए एकमात्र हिस्सा है।
- उपमा: यह एक विशेषज्ञ क्वांटम रोबोट है जो असेंबली लाइन के अंत में बैठा है। इसका एकमात्र काम तैयार सामग्री को देखना और निर्णय लेना है: "क्या यह एक सिंगल क्वांटम डॉट है या डबल वाला?" या "क्या यह DNA अनुक्रम इस प्रोटीन से जुड़ेगा?"
- भूमिका: यह अंतिम निर्णय लेता है। क्योंकि केवल यही हिस्सा हिल रहा है (बदल रहा है), इसलिए इसे नियंत्रित करना बहुत आसान है।

यह डिज़ाइन बेहतर क्यों है (क्यों?)

यह शोध पत्र तर्क देता है कि यह "LEGO" दृष्टिकोण वर्तमान क्वांटम कंप्यूटिंग की तीन बड़ी समस्याओं को हल करता है:

1. स्थिरता (कांपते हाथों का समाधान - No More Shaky Hands)

समस्या: पुराने हाइब्रिड मॉडलों में, आप "शेफ" और "रोबोट" दोनों को एक साथ प्रशिक्षित करने की कोशिश करते थे। यदि रोबोट कोई गलती करता था, तो वह त्रुटि पूरे सिस्टम में वापस उछलती थी, जिससे शेफ भ्रमित हो जाता था और पूरी चीज़ अस्थिर हो जाती थी।
LEGO समाधान: चूंकि शेफ (क्लासिकल भाग) स्थिर/जमा हुआ है, यदि रोबोट गलती करता है, तो त्रुटि केवल रोबोट तक ही सीमित रहती है। यह नींव को नहीं हिलाता। यह प्रशिक्षण प्रक्रिया को सुचारू और स्थिर बनाता है, भले ही क्वांटम मशीन शोर वाली हो।

2. शोर प्रतिरोध (ध्वनिरोधी दीवार - Noise Resistance)

समस्या: क्वांटम कंप्यूटर एक तूफान में रेडियो की तरह होते हैं; वे बहुत सारा स्टैटिक (शोर) पकड़ते हैं।
LEGO समाधान: चूंकि क्लासिकल भाग स्थिर है, इसलिए क्वांटम मशीन से आने वाला स्टैटिक क्लासिकल भाग को खराब करने के लिए पीछे की ओर यात्रा नहीं कर सकता। "जमा हुआ" ब्लॉक एक ध्वनिरोधी दीवार की तरह कार्य करता है, जो भारी काम को क्वांटम शोर से सुरक्षित रखता है।

3. दक्षता (छोटा ही सुंदर है - Efficiency)

समस्या: लोगों ने सोचा था कि कुछ उपयोगी करने के लिए आपको सैकड़ों क्यूबिट्स वाले विशाल क्वांटम कंप्यूटर की आवश्यकता होगी।
LEGO समाधान: शोध पत्र दिखाता है कि क्योंकि "शेफ" ने डेटा को समझने का कठिन काम पहले ही कर लिया है, इसलिए "रोबोट" को छोटा और सरल होने की आवश्यकता है। आप एक बहुत छोटे क्वांटम सर्किट (जैसे 20 क्यूबिट्स) के साथ भी बेहतरीन परिणाम प्राप्त कर सकते हैं क्योंकि भारी काम क्लासिकल भाग द्वारा पहले ही किया जा चुका है।

उन्होंने क्या परीक्षण किया (प्रयोग)

शोधकर्ताओं ने केवल सिद्धांत की बात नहीं की; उन्होंने ये LEGO सेट बनाए और दो वास्तविक दुनिया के परिदृश्यों में इनका परीक्षण किया:

क्वांटम डॉट वर्गीकरण (Quantum Dot Classification): उन्होंने "चार्ज स्टेबिलिटी डायग्राम" (पैटर्न जो दिखाते हैं कि सूक्ष्म डॉट्स में इलेक्ट्रॉन कैसे व्यवहार करते हैं) की छवियों को देखा। उन्हें यह पहचानना था कि छवि एक सिंगल डॉट दिखाती है या डबल डॉट।
- परिणाम: उनका LEGO मॉडल उन मॉडलों की तुलना में बेहतर काम कर गया जिन्होंने शून्य से सब कुछ सीखने की कोशिश की, और यह तब भी सटीक रहा जब उन्होंने वास्तविक, अपूर्ण क्वांटम कंप्यूटर को दर्शाने के लिए इसमें "शोर" जोड़ा।
जीनोम भविष्यवाणी (Genome Prediction): उन्होंने प्रयास किया कि क्या एक विशिष्ट DNA अनुक्रम किसी प्रोटीन (ट्रांसक्रिप्शन फैक्टर) से बंधेगा।
- परिणाम: उन्होंने इसे एक वास्तविक IBM क्वांटम कंप्यूटर (Heron प्रोसेसर) पर चलाया। LEGO मॉडल (क्लासिकल + क्वांटम) ने उस मॉडल को हरा दिया जिसमें केवल क्लासिकल कंप्यूटर हेड का उपयोग किया गया था, जिससे यह सिद्ध हुआ कि छोटे क्वांटम हिस्से ने वास्तविक मूल्य जोड़ा।

निष्कर्ष

यह शोध पत्र निष्कर्ष निकालता है कि हमें क्लासिकल AI को क्वांटम AI से बदलने की कोशिश नहीं करनी चाहिए। इसके बजाय, हमें उन्हें पूरक साथियों (complementary teammates) के रूप में देखना चाहिए।

क्लासिकल AI एक मजबूत, विश्वसनीय कार्यकर्ता है जो भारी काम संभालता है और डेटा तैयार करता है।
क्वांटम AI एक फुर्तीला, विशेषज्ञ है जो अंतिम, जटिल निर्णय लेता है।

इन दोनों को LEGO ब्रिक्स की तरह आपस में जोड़कर—क्लासिकल भाग को स्थिर रखकर और केवल क्वांटम भाग को प्रशिक्षित करके—हम हाइब्रिड सिस्टम बना सकते हैं जो स्थिर, शोर के प्रति मजबूत हैं, और वास्तव में आज के क्वांटम कंप्यूटरों पर काम कर सकते हैं।

तकनीकी सारांश: क्वांटम LEGO लर्निंग: हाइब्रिड आर्टिफिशियल इंटेलिजेंस के लिए एक मॉड्यूलर डिज़ाइन सिद्धांत

समस्या विवरण
नोइज़ी इंटरमीडिएट-स्केल क्वांटम (NISQ) युग में हाइब्रिड क्वांटम-क्लासिकल मशीन लर्निंग की तैनाती महत्वपूर्ण बाधाओं का सामना कर रही है। मौजूदा हाइब्रिड आर्किटेक्चर अक्सर घनिष्ठ रूप से जुड़े (tightly coupled), एंड-टू-एंड ट्रेनिंग स्कीम्स पर निर्भर करते हैं जहाँ शास्त्रीय और क्वांटम दोनों मापदंडों को संयुक्त रूप से अनुकूलित किया जाता है। यह दृष्टिकोण कई गंभीर समस्याओं को जन्म देता है:

अनुकूलन अस्थिरता (Optimization Instability): बैकप्रोपैगेशन के दौरान क्वांटम माप का शोर (noise) संपूर्ण कम्प्यूटेशनल ग्राफ में प्रसारित होता है, जिससे अस्थिर ग्रेडिएंट और उच्च अनुकूलन विचरण (variance) उत्पन्न होता है।
शोर के प्रति संवेदनशीलता (Sensitivity to Noise): शोर वाले क्वांटम सर्किट के साथ बड़े शास्त्रीय मापदंड स्थानों को संयुक्त रूप से प्रशिक्षित करना डिकोहेरेंस (decoherence), गेट त्रुटियों और फाइनाइट-शॉट मेजरमेंट नॉइज़ के प्रभाव को बढ़ा देता है।
मॉड्यूलरिटी का अभाव (Lack of Modularity): वर्तमान मॉडल अक्सर विशिष्ट एनकोडर डिज़ाइनों या प्रशिक्षण रणनीतियों से बंधे होते हैं, जिससे क्वांटम घटकों के विशिष्ट योगदान को अलग करना या विभिन्न क्लासिकल बैकबोन के माध्यम से स्केल करना कठिन हो जाता है।
सैद्धांतिक अस्पष्टता (Theoretical Opacity): इन प्रणालियों की जुड़ी हुई प्रकृति यह समझने में बाधा डालती है कि सीखने का व्यवहार कैसे स्केल होता है और कौन से घटक प्रदर्शन सुधार को संचालित करते हैं।

कार्यप्रणाली: क्वांटम LEGO लर्निंग
लेखक "क्वांटम LEGO लर्निंग" का प्रस्ताव करते हैं, जो हाइब्रिड लर्निंग को पुन: प्रयोज्य, अलग-अलग ब्लॉकों में विभाजित करने वाला एक मॉड्यूलर फ्रेमवर्क है। मुख्य डिज़ाइन सिद्धांत प्रतिनिधित्व निष्कर्षण (representation extraction) और क्वांटम अनुकूलन (quantum adaptation) के बीच एक स्पष्ट पृथक्करण है:

फ्रोजन क्लासिकल फीचर ब्लॉक (Frozen Classical Feature Block): एक पूर्व-प्रशिक्षित क्लासिकल न्यूरल नेटवर्क (जैसे, ResNet, Tensor-Train networks) एक स्थिर फीचर एक्सट्रैक्टर के रूप में कार्य करता है। यह कच्चे इनपुट डेटा $x$ को एक संरचित लेटेंट रिप्रजेंटेशन $b_{fc}(x)$ में बदल देता है। महत्वपूर्ण बात यह है कि इस ब्लॉक के सभी मापदंड डाउनस्ट्रीम प्रशिक्षण के दौरान स्थिर (frozen) रहते हैं।
नॉन-ट्रेनिएबल एनकोडिंग इंटरफेस (Non-Trainable Encoding Interface): लेटेंट रिप्रेसेंटेशन को टेंसर प्रोडक्ट एनकोडर (TPE) के माध्यम से एक क्वांटम अवस्था में मैप किया जाता है। यह चरण क्लासिकल फीचर्स के आधार पर सिंगल-क्यूबिट $R_Y$ रोटेशन का उपयोग करता है लेकिन इसमें कोई भी ट्रेनिएबल पैरामीटर नहीं होता है।
ट्रेनिएबल क्वांटम अडैप्टेशन ब्लॉक (Trainable Quantum Adaptation Block): एक उथला (shallow) वेरिएशनल क्वांटम सर्किट (VQC) एकमात्र ट्रेनिएबल मॉड्यूल के रूप में कार्य करता है। यह कार्य-विशिष्ट अनुकूलन करने के लिए संरचित लेटेंट रिप्रजेंटेशन पर कार्य करता है। VQC में पैरामीटराइज्ड सिंगल-क्यूबिट रोटेशन ( $R_X, R_Y, R_Z$ ) और एंटैंगलिंग गेट्स शामिल हैं।
आउटपुट (Output): पाउली-Z ऑब्जर्वेबल्स का मापन किया जाता है, और एक्सपेक्टेशन वैल्यूज को भविष्यवाणी के लिए एक सॉफ्टमैक्स लेयर के माध्यम से पास किया जाता है।

हाइब्रिड ऑपरेटर को $f_{lg} = b_{fc} \circ f_v$ के रूप में परिभाषित किया गया है, जहाँ $b_{fc}$ फिक्स्ड एनकोडर है और $f_v$ ट्रेनिएबल VQC है। प्रशिक्षण के दौरान, ग्रेडिएंट्स को विशेष रूप से VQC मापदंडों के सापेक्ष पैरामीटर-शिफ्ट नियम का उपयोग करके अनुमानित किया जाता है, जबकि क्लासिकल ब्लॉक स्थिर रहता है।

प्रमुख योगदान

मॉड्यूलर फ्रेमवर्क: यह पेपर एक आर्किटेक्चर-एग्नोस्टिक फ्रेमवर्क पेश करता है जहाँ क्लासिकल और क्वांटम घटक कंपोजेबल "LEGO" ब्लॉक्स के रूप में कार्य करते हैं। यह विभिन्न क्लासिकल बैकबोन (CNNs, tensor networks, transformers) को क्वांटम हेड्स के साथ एकीकृत करने की अनुमति देता है।
ब्लॉक-वार सैद्धांतिक विश्लेषण: लेखक लर्निंग रिस्क ( $L$ $L$ ) को चार घटकों में विकसित करते हैं: एप्रोक्सिमेशन एरर ( $\epsilon_{app}$ $ϵ_{a pp}$ ), एस्टीमेशन एरर ( $\epsilon_{est}$ $ϵ_{es t}$ ), ऑप्टिमाइजेशन एरर ( $\epsilon_{opt}$ $ϵ_{o pt}$ ), और नॉइज़-इंड्यूस्ड एरर।
- एप्रोक्सिमेशन: विश्लेषण दिखाता है कि एक बार एक्सप्रेसिव क्लासिकल रिप्रजेंटेशन फिक्स्ड होने के बाद, मॉडल की एप्रोक्सिमेशन क्षमता फिक्स्ड क्लासिकल ब्लॉक की जटिलता द्वारा नियंत्रित होती है, न कि क्वांटम डायमेंशन द्वारा।
- ऑप्टिमाइजेशन और नॉइज़: फ्रेमवर्क यह प्रदर्शित करने वाले बाउंड्स विकसित करता है कि क्लासिकल ब्लॉक को फ्रीज करने से शोर वाले ग्रेडिएंट्स का प्रसार कम हो जाता है। संचयी शोर विचरण ( $O(\eta^2 T \sigma^2)$ ) संयुक्त रूप से प्रशिक्षित प्रणालियों की तुलना में अनुकूल रूप से स्केल होता है, क्योंकि विक्षोभ त्रिज्या (perturbation radius) $R$ उथले VQC तक ही सीमित है।
हार्डवेयर-अवेयर ऑप्टिमाइजेशन: अपने लर्निएबल मापदंडों को एक कॉम्पैक्ट, शैलो सर्किट तक सीमित करके, फ्रेमवर्क ग्रेडिएंट कंप्यूटेशन को सरल बनाता है और फाइनाइट-शॉट नॉइज़ के प्रभाव को कम करता है, जिससे यह वास्तविक क्वांटम हार्डवेयर के लिए अधिक उपयुक्त हो जाता है।

प्रायोगिक परिणाम
फ्रेमवर्क को दो अलग-अलग कार्यों पर व्यवस्थित प्रयोगों के माध्यम से मान्य किया गया था:

क्वांटम डॉट क्लासिफिकेशन: सिंगल और डबल क्वांटम डॉट चार्ज स्टेबिलिटी डायग्राम के बीच अंतर करना।
जीनोम ट्रांसक्रिप्शन फैक्टर बाइंडिंग साइट (TFBS) प्रेडिक्शन: DNA सीक्वेंस में JunD बाइंडिंग साइट्स की भविष्यवाणी करना।

प्रायोगिक सेटिंग्स:

बैकबोन: ResNet18, ResNet50, और Tensor-Train (TT) नेटवर्क।
बेसलाइन: क्लासिकल फुली कनेक्टेड (FC) हेड्स, PCA+VQC, और स्टैंडअलोन VQCs के विरुद्ध तुलना।
एनवायरनमेंट्स: नॉइलेस सिमुलेशन, रियलिस्टिक नॉइज़ मॉडल्स (डिपोलराइजिंग, डीफेजिंग, रीडआउट एरर्स), और IBM Heron क्वांटम प्रोसेसर पर वास्तविक हार्डवेयर निष्पादन।

निष्कर्ष:

प्रदर्शन: नॉइलेस सिमुलेशन में, ResNet+VQC मॉडल्स ने ~~97% सटीकता प्राप्त की, जो TT+VQC (~~93-94%) और PCA+VQC से बेहतर थी। ResNet18 और ResNet50 के बीच प्रदर्शन का अंतर मामूली था, जो यह सुझाव देता है कि VQC एक एडेप्टिव डिसीजन मॉड्यूल के रूप में कार्य करता है न कि रिप्रजेंटेशन लर्नर के रूप में।
क्वांटम बनाम क्लासिकल हेड्स: समान फ्रोजन फीचर्स पर, VQC हेड्स ने क्लासिकल FC हेड्स की तुलना में कन्वर्जेंस स्पीड और अंतिम सटीकता दोनों में लगातार बेहतर प्रदर्शन किया, जो समान पैरामीटर बजट के तहत लीनियर क्लासिकल हेड्स के लिए अक्षम सह-संबंध संरचनाओं (correlation structures) को कैप्चर करने की VQC की क्षमता को दर्शाता है।
मजबूती (Robustness): मॉडल्स ने बढ़ते शोर स्तरों के तहत क्रमिक गिरावट (graceful degradation) प्रदर्शित की। IBM Heron प्रोसेसर पर, ResNet+VQC ने स्थिर सटीकता (~90-92%) बनाए रखी, जो स्टैंडअलोन VQCs (जो चांस लेवल के करीब रहे) और TT+VQC मॉडल्स की तुलना में काफी बेहतर थी।
स्केलेबिलिटी: प्रदर्शन क्यूबिट काउंट को कम करने (20 से 16 तक) पर भी स्थिर रहा, जो इस दावे का समर्थन करता है कि फ्रोजन क्लासिकल ब्लॉक एप्रोक्सिमेशन एरर पर हावी है।

महत्व और दावे
पेपर दावा करता है कि क्वांटम LEGO लर्निंग NISQ युग में क्वांटम-एन्हांस्ड लर्निंग के लिए एक व्यावहारिक और स्केलेबल मार्ग प्रदान करता है। इसका महत्व निम्नलिखित में निहित है:

हाइब्रिड AI को फिर से परिभाषित करना: यह क्वांटम कंप्यूटरों को स्टैंडअलोन लर्नर्स के बजाय मजबूत क्लासिकल रिप्रजेंटेशन के ऊपर लेयर्ड लाइटवेट, एडेप्टिव मॉड्यूल के रूप में देखने के प्रतिमान (paradigm) को बदल देता है।
स्थिरता और व्याख्यात्मकता: अपने ट्रेनिएबल मापदंडों को अलग करके, फ्रेमवर्क स्थिर ऑप्टिमाइजेशन डायनेमिक्स और त्रुटि स्रोतों का स्पष्ट सैद्धांतिक विखंडन प्रदान करता है, जो एंड-टू-एंड हाइब्रिड ट्रेनिंग में सामान्य "बेरेन प्लेटो" (barren plateau) और नॉइज़ प्रोपेगेशन की समस्याओं को संबोधित करता है।
व्यावहारिक व्यवहार्यता: वास्तविक IBM हार्डवेयर पर इसके परिणाम दर्शाते हैं कि हाइब्रिड आर्किटेक्चर वर्तमान हार्डवेयर सीमाओं के बावजूद मजबूत प्रदर्शन प्राप्त कर सकते हैं, जिससे यह सुझाव मिलता है कि निकट-अवधि क्वांटम लाभ प्रत्यक्ष क्लासिकल डीप लर्निंग के मुकाबले के बजाय पूरक हाइब्रिड सिस्टम से अधिक उभर सकते हैं।

लेखक विनम्रतापूर्वक नोट करते हैं कि फ्रेमवर्क सार्वभौमिक श्रेष्ठता का दावा नहीं करता है; यदि क्लासिकल एनकोडर पहले से ही लीनियरली सेपरेबल रिप्रजेंटेशन उत्पन्न करते हैं, तो क्वांटम लाभ मामूली हो सकता है। हालाँकि, मॉड्यूलर दृष्टिकोण हाइब्रिड AI में क्वांटम योगदान का मूल्यांकन करने और विस्तार करने के लिए एक पारदर्शी आधार प्रदान करता है।

मुख्य विचार: क्वांटम LEGO के साथ निर्माण करना

सिस्टम के तीन मुख्य भाग

यह डिज़ाइन बेहतर क्यों है (क्यों?)

उन्होंने क्या परीक्षण किया (प्रयोग)

निष्कर्ष

इसी तरह के और पेपर