क्वांटम कंप्यूटिंग में नए शोध ने किया बड़ा प्रगति

लॉस अलामोस नेशनल लेबोरेटरी में एक टीम द्वारा किए गए नए शोध ने क्वांटम कंप्यूटिंग में एक बड़ा प्रगति किया है। एक नए थियम ने यह प्रदर्शित किया है कि कॉन्वोल्यूशनल न्यूरल नेटवर्क्स को हमेशा क्वांटम कंप्यूटर्स पर प्रशिक्षित किया जा सकता है, जो ऑप्टिमाइजेशन समस्याओं में “बैरन प्लेटोस” नामक एक खतरे को दूर करता है।

इस शोध को फिजिकल रिव्यू एक्स में प्रकाशित किया गया है।

बैरन प्लेटोस – मौलिक हलनीय समस्या

कॉन्वोल्यूशनल न्यूरल नेटवर्क्स को क्वांटम कंप्यूटर्स पर चलाया जा सकता है ताकि डेटा का विश्लेषण क्लासिकल कंप्यूटर्स से बेहतर तरीके से किया जा सके। हालांकि, एक मौलिक हलनीय समस्या “बैरन प्लेटोस” ने शोधकर्ताओं को चुनौती दी है जो बड़े डेटा सेट्स के लिए न्यूरल नेटवर्क्स के अनुप्रयोग को सीमित करती है।

मार्को सेरेज़ो इस शोध पत्र के सह-लेखक हैं जिसका शीर्षक “क्वांटम कॉन्वोल्यूशनल न्यूरल नेटवर्क्स में बैरन प्लेटोस की अनुपस्थिति” है। सेरेज़ो एक भौतिक विज्ञानी हैं जो क्वांटम कंप्यूटिंग, क्वांटम मशीन लर्निंग और क्वांटम सूचना में विशेषज्ञता रखते हैं।

“क्वांटम न्यूरल नेटवर्क का निर्माण करने का तरीका एक बैरन प्लेटो की ओर ले जा सकता है – या नहीं,” सेरेज़ो ने कहा। “हमने एक विशेष प्रकार के क्वांटम न्यूरल नेटवर्क के लिए बैरन प्लेटोस की अनुपस्थिति को सिद्ध किया है। हमारा काम इस आर्किटेक्चर के लिए प्रशिक्षण गारंटी प्रदान करता है, जिसका अर्थ है कि इसके पैरामीटर्स को सामान्य रूप से प्रशिक्षित किया जा सकता है।”

क्वांटम कॉन्वोल्यूशनल न्यूरल नेटवर्क में एक श्रृंखला कॉन्वोल्यूशनल लेयर्स होती हैं जो पूलिंग लेयर्स के साथ इंटरलीव्ड होती हैं, जो डेटा के आयाम को कम करते हुए डेटा सेट की महत्वपूर्ण विशेषताओं को बनाए रखने में सक्षम होती हैं।

न्यूरल नेटवर्क्स का उपयोग विभिन्न अनुप्रयोगों के लिए किया जा सकता है, जैसे कि इमेज रिकग्निशन और सामग्री की खोज। क्वांटम कंप्यूटर्स के पूर्ण क्षमता को एआई अनुप्रयोगों में प्राप्त करने के लिए, बैरन प्लेटोस को पार करना होगा।

सेरेज़ो के अनुसार, क्वांटम मशीन लर्निंग में शोधकर्ताओं ने परंपरागत रूप से इस समस्या के प्रभावों को कम करने के तरीकों का विश्लेषण किया है, लेकिन उन्होंने अभी तक इस समस्या को पूरी तरह से避 करने के लिए एक सैद्धांतिक आधार विकसित नहीं किया है। यह नया शोध इस बदलाव को लाता है, क्योंकि टीम के पत्र में यह दिखाया गया है कि कुछ क्वांटम न्यूरल नेटवर्क्स बैरन प्लेटोस से मुक्त हैं।

पैट्रिक कोल्स लॉस अलामोस में एक क्वांटम भौतिक विज्ञानी और इस शोध के सह-लेखक हैं।

“इस गारंटी के साथ, शोधकर्ता अब क्वांटम कंप्यूटर डेटा के बारे में क्वांटम सिस्टम्स का अध्ययन करने और उस जानकारी का उपयोग सामग्री के गुणों का अध्ययन करने या नए सामग्री की खोज करने के लिए कर सकते हैं,” कोल्स ने कहा।

वैनिशिंग ग्रेडिएंट

मुख्य समस्या एक “वैनिशिंग ग्रेडिएंट” से उत्पन्न होती है जो ऑप्टिमाइजेशन लैंडस्केप में होती है, जो पहाड़ियों और घाटियों से बनी होती है। लक्ष्य मॉडल के पैरामीटर्स को प्रशिक्षित करना है ताकि एक समाधान खोजा जा सके और लैंडस्केप की भूगोल का अन्वेषण किया जा सके, और जबकि समाधान आमतौर पर सबसे निचली घाटी के तल पर होता है, यह तब संभव नहीं है जब लैंडस्केप समतल हो।

समस्या और अधिक कठिन हो जाती है जब डेटा फीचर्स की संख्या बढ़ जाती है, और लैंडस्केप फीचर आकार के साथ एक्सपोनेंशियल रूप से समतल हो जाता है। यह बैरन प्लेटो की उपस्थिति को इंगित करता है, और क्वांटम न्यूरल नेटवर्क को स्केल नहीं किया जा सकता है।

इसे संबोधित करने के लिए, टीम ने एक नए ग्राफिकल दृष्टिकोण को विकसित किया है जो क्वांटम न्यूरल नेटवर्क के भीतर स्केलिंग का विश्लेषण करता है। यह न्यूरल नेटवर्क क्वांटम सिमुलेशन से डेटा का विश्लेषण करने में अनुप्रयोग की उम्मीद है।

“क्वांटम मशीन लर्निंग का क्षेत्र अभी भी युवा है,” कोल्स ने कहा। “एक प्रसिद्ध उद्धरण है जो लेजर के बारे में है जब वे पहली बार खोजे गए थे, जो कहता है कि वे एक समस्या का समाधान खोज रहे थे। अब लेजर्स हर जगह उपयोग किए जाते हैं। इसी तरह, कई लोग संदेह करते हैं कि क्वांटम डेटा जल्द ही अत्यधिक उपलब्ध हो जाएगा, और तब क्वांटम मशीन लर्निंग लोकप्रिय हो जाएगी।”

एक स्केलेबल क्वांटम न्यूरल नेटवर्क क्वांटम कंप्यूटर को एक विशाल डेटा सेट के बारे में विभिन्न राज्यों के बारे में जानकारी को संसाधित करने में सक्षम बना सकता है। उन राज्यों को फिर चरणों के साथ संबंधित किया जा सकता है, जो उच्च-तापमान सुपरकंडक्टिंग के लिए इष्टतम राज्य की पहचान करने में मदद करेगा।