क्वांटम कंप्यूटिंग में नए शोध ने किया नए युग की शुरुआत

लॉस अलामोस नेशनल लेबोरेटरी में एक टीम द्वारा किए गए नए शोध ने क्वांटम कंप्यूटिंग में एक नए युग की शुरुआत की है। एक नए प्रमेय के माध्यम से यह सिद्ध किया गया है कि कॉन्वोल्यूशनल न्यूरल नेटवर्क्स को हमेशा क्वांटम कंप्यूटर्स पर प्रशिक्षित किया जा सकता है, जो “बैरन प्लेटोस” नामक एक जोखिम को पार करता है जो अनुकूलन समस्याओं में आता है।

यह शोध फिजिकल रिव्यू एक्स में प्रकाशित हुआ है।

बैरन प्लेटोस – मौलिक हल करने की 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 हल करने की समस्या “बैरन प्लेटोस” के रूप में सामने आई है, जो शोधकर्ताओं के लिए एक चुनौती पेश करती है और 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 लेबोरेटरी में क्वांटम कंप्यूटिंग, क्वांटम मशीन लर्निंग और क्वांटम सूचना में विशेषज्ञता वाले एक भौतिक विज्ञानी हैं।

“क्वांटम न्यूरल नेटवर्क का निर्माण एक बैरन प्लेटो — या नहीं — की ओर ले जा सकता है,” 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 नेटवर्क्स में एक श्रृंखला के रूप में कॉन्वोल्यूशनल परतें शामिल होती हैं जो पूलिंग परतों के साथ इंटरलीव 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 छवि पहचान 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 से बचने के लिए एक सैद्धांतिक आधार विकसित नहीं किया है। यह नए शोध के साथ बदल रहा 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 माध्यम से छान सकते हैं और क्वांटम प्रणालियों का अध्ययन करने के लिए उस जानकारी का उपयोग कर सकते हैं, या सामग्री की खोज करने के लिए, अन्य अनुप्रयोगों के बीच,” कोल्स ने कहा।

वैनिशिंग ग्रेडिएंट

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

समस्या तब और अधिक कठिन हो जाती है जब डेटा विशेषताओं की संख्या बढ़ जाती है, और परिदृश्य विशेषता आकार के साथ घटते हुए एक्सपोनेंशियल रूप से समतल हो जाता है। यह एक बैरन प्लेटो की उपस्थिति को दर्शाता है, और क्वांटम न्यूरल नेटवर्क को स्केल अप 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 उपयोगी होने की उम्मीद है।

“क्वांटम मशीन लर्निंग का क्षेत्र अभी भी युवा है,” कोल्स ने कहा। “लेजर के बारे में एक प्रसिद्ध उद्धरण है जब वे पहली बार खोजे गए थे, जिसमें कहा गया था कि वे एक समस्या के समाधान की तलाश में एक समाधान 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 फिर क्वांटम मशीन लर्निंग लोकप्रिय हो जाएगी।”

एक स्केलेबल क्वांटम न्यूरल नेटवर्क एक क्वांटम कंप्यूटर को एक विशाल डेटा सेट के माध्यम से छान सकता है जो एक दिए गए सामग्री की विभिन्न स्थितियों के बारे में है। वे स्थितियाँ फिर चरणों के साथ संबंधित हो सकती हैं, जो उच्च-तापमान सुपरकंडक्टिविटी के लिए इष्टतम स्थिति की पहचान करने में मदद करेगी।