কল্পনা করুন আপনি হাতে লেখা সংখ্যা চেনার জন্য একটি কোয়ান্টাম নিউরাল নেটওয়ার্ক প্রশিক্ষণ দিচ্ছেন। আপনি সার্কিট প্যারামিটারগুলো ততক্ষণ পর্যন্ত টিউন করেন যতক্ষণ না নির্ভুলতা (accuracy) স্থিতিশীল হয়। তারপর আপনি দ্বিতীয় একটি কাজ দেন: পোশাকের ছবি শ্রেণীবদ্ধ করা। মডেলটি দ্রুত মানিয়ে নেয়। কিন্তু যখন আপনি আবার সংখ্যা চেনার জন্য এটি পরীক্ষা করেন, তখন এর কার্যকারিতা বা পারফরম্যান্স পুরোপুরি ধসে পড়ে। সার্কিটটি যা শিখেছিল তার ওপর ভিত্তি করে নতুন কিছু তৈরি করেনি, বরং তা প্রতিস্থাপন করেছে।
এটি হলো ক্যাটাস্ট্রফিক ফরগেটিং (catastrophic forgetting), যা মেশিন লার্নিংয়ের সবচেয়ে কঠিন সমস্যাগুলোর মধ্যে একটি। ক্লাসিক্যাল মডেলগুলো ক্রমাগত এর সাথে লড়াই করে। কোয়ান্টাম মডেলগুলো একই দ্বিধার আরও তীব্র সংস্করণের সম্মুখীন হয়, কারণ তাদের অভ্যন্তরীণ কার্যপদ্ধতি সুপারপজিশন (superposition) এবং এনট্যাঙ্গলমেন্টের (entanglement) ওপর নির্ভর করে, যা আপনি সরাসরি পর্যবেক্ষণ করার মুহূর্তেই ধ্বংস হয়ে যায়। কোয়ান্টাম ইলাস্টিক ওয়েইট কনসোলিডেশন বা QEWC নামক একটি প্রতিশ্রুতিশীল নতুন পদ্ধতি এই সমস্যাটি সমাধান করে; এটি কোয়ান্টাম স্টেটকে ক্লাসিক্যাল পরিমাপের ফলাফলের সেট হিসেবে না দেখে একটি জ্যামিতিক বস্তু হিসেবে বিবেচনা করে।
কেন কোয়ান্টাম সার্কিটে বিস্মৃতি আরও মারাত্মক হয়
যেকোনো প্রশিক্ষণযোগ্য সিস্টেমে, ত্রুটি কমানোর জন্য প্যারামিটার পরিবর্তনের মাধ্যমে শেখা সম্পন্ন হয়। বিপদ হলো, গতকালের সর্বোত্তম প্যারামিটারগুলোই আজকের চলক (variables)। যখন একটি মডেল নতুন কাজের সাথে খাপ খাইয়ে নিতে সেগুলোকে পুনরায় লেখে, তখন এটি প্রায়শই পূর্ববর্তী জ্ঞান ধারণকারী নির্দিষ্ট কনফিগারেশনগুলোকে মুছে ফেলে। এর ফলে এমন একটি সিস্টেম তৈরি হয় যা ক্রমাগত শিখছে বলে মনে হলেও আসলে দক্ষতার বিচ্ছিন্ন কিছু চিত্র বা স্ন্যাপশটের মধ্য দিয়ে চক্রাকারে ঘুরপাক খাচ্ছে।
কোয়ান্টাম মেশিন লার্নিং এই সমস্যাটিকে আরও জটিল করে তোলে। মেমরি সংরক্ষণের ক্লাসিক্যাল পদ্ধতিগুলো সাধারণত মডেলটি পরিমাপের (measurement) প্রতি কীভাবে প্রতিক্রিয়া দেখায় তার ওপর নির্ভর করে। তারা মূলত জিজ্ঞাসা করে, "যদি আমরা নেটওয়ার্কের এই অংশটিকে স্পর্শ করি এবং আউটপুট দেখি, তবে এটি কতটা পরিবর্তিত হয়?" এই যুক্তিটি ধরে নেয় যে আপনি সিস্টেমটিকে মৌলিকভাবে বিঘ্নিত না করেই পর্যবেক্ষণ করতে পারবেন। কোয়ান্টাম মেকানিক্স এমন কোনো নিশ্চয়তা দেয় না। পরিমাপ সুপারপজিশনকে ভেঙে দেয়। কোন প্যারামিটারগুলো সবচেয়ে গুরুত্বপূর্ণ তা পরীক্ষা করার কাজটি সেই স্টেটকেই পরিবর্তন করে দিতে পারে যা আপনি রক্ষা করার চেষ্টা করছেন।
ক্লাসিক্যাল মেমরি গার্ডরেলগুলো যা মিস করে
প্রথাগত এআই (AI) গুরুত্বপূর্ণ ডেটাকে পরিমাপ-নির্ভর পরিসংখ্যানের সাথে যুক্ত করে রক্ষা করে। এই ক্লাসিক্যাল পদ্ধতিগুলো নির্দিষ্ট রিডআউটের অধীনে সিস্টেমটি কীভাবে আচরণ করে তার মাধ্যমে প্যারামিটারের গুরুত্ব ট্র্যাক করে। যখন অন্তর্নিহিত হার্ডওয়্যার ক্লাসিক্যাল নিয়ম মেনে চলে, তখন এগুলো যথেষ্ট ভালো কাজ করে। কিন্তু কোয়ান্টাম প্রসেসরそう নয়।
একটি কোয়ান্টাম সার্কিট উচ্চ-মাত্রিক স্টেট ভেক্টরে তথ্য এনকোড করে যার জ্যামিতি সরাসরি দেখা যায় না। সেই তথ্য রক্ষার জন্য প্রজেক্টিভ মেজারমেন্টের (projective measurement) ওপর নির্ভর করা অনেকটা সাবানের বুদবুদকে খোঁচা দিয়ে তার আকৃতি ধরে রাখার চেষ্টার মতো। আপনি কিছু ডেটা পাবেন ঠিকই, কিন্তু বুদবুদটি ইতিমধ্যে পরিবর্তিত হয়ে গেছে। গবেষকদের এমন একটি উপায় প্রয়োজন ছিল যা প্রতিবার সরাসরি আউটপুট না দেখেই গুরুত্ব অনুভব করতে পারে।
কোয়ান্টাম ফিশার ইনফরমেশন পদ্ধতি
ঠিক এখানেই কোয়ান্টাম ফিশার ইনফরমেশন (Quantum Fisher Information) বা QFI এর ভূমিকা শুরু হয়। QFI হলো কোয়ান্টাম মেট্রোলজি থেকে নেওয়া একটি সরঞ্জাম যা পরিমাপ করে যে একটি কোয়ান্টাম স্টেট তার অন্তর্নিহিত প্যারামিটারের সামান্য পরিবর্তনের প্রতি কতটা সংবেদনশীল। একটি পরিমাপ কী দেখায় তা জিজ্ঞাসা করার পরিবর্তে, QFI জিজ্ঞাসা করে যে স্টেটটির জ্যামিতি প্রতিটি প্যারামিটারের চারপাশে কীভাবে বাঁক নেয়। স্টেট স্পেসের খাড়া অঞ্চলে থাকা প্যারামিটারগুলো—যেখানে সামান্যতম পরিবর্তন একটি বড় জ্যামিতিক পরিবর্তন ঘটায়—সেগুলোই কাজের জন্য সবচেয়ে গুরুত্বপূর্ণ জ্ঞান বহন করে বলে প্রমাণিত হয়।
QFI ব্যবহার করে গবেষকরা সরাসরি কোয়ান্টাম স্টেট জ্যামিতির ওপর গুরুত্বের মানচিত্র তৈরি করতে পারেন। এই পদ্ধতির জন্য কী গুরুত্বপূর্ণ তা নিশ্চিত করতে কোনো নির্দিষ্ট মেজারমেন্ট বেসিসের প্রয়োজন হয় না। এটি স্টেটকে একটি পৃষ্ঠতল হিসেবে দেখে এবং সেই উচ্চতা বা ঢালগুলোকে চিহ্নিত করে যা সমতল করা উচিত নয়।
QEWC কীভাবে জ্ঞান রক্ষা করে
কোয়ান্টাম ইলাস্টিক ওয়েইট কনসোলিডেশন সেই জ্যামিতিক অন্তর্দৃষ্টিকে একটি প্রশিক্ষণ প্রোটোকলে রূপান্তরিত করে। এই প্রক্রিয়াটিকে কয়েকটি সুনির্দিষ্ট ধাপে ভাগ করা যেতে পারে:
গুরুত্বপূর্ণ প্যারামিটার শনাক্ত করা। প্রথম কাজটি শেখার পরে, QEWC সার্কিট প্যারামিটারগুলোর ওপর কোয়ান্টাম ফিশার ইনফরমেশন গণনা করে। উচ্চ স্কোর সেই নির্দিষ্ট রোটেশন এবং এনট্যাঙ্গলমেন্টগুলোকে চিহ্নিত করে যা গুরুত্বপূর্ণ জ্ঞান সংরক্ষণ করে।
গুরুত্বপূর্ণ অংশগুলো লক করা। পরবর্তী প্রশিক্ষণের সময়, QEWC সেই উচ্চ-QFI প্যারামিটারগুলোর পরিবর্তনের ওপর একটি পেনাল্টি বা জরিমানা প্রয়োগ করে। সার্কিটটি যা ইতিমধ্যে জানে তা মুছে ফেলার জন্য একটি মূল্য প্রদান করতে হয়।
বাকি অংশগুলোকে খাপ খাইয়ে নেওয়ার সুযোগ দেওয়া। যে প্যারামিটারগুলোর QFI স্কোর কম, সেগুলোর ওপর কম বিধিনিষেধ থাকে। সার্কিটটি তার নমনীয়তা বজায় রাখে এবং নতুন ইনপুট প্যাটার্নের সাথে খাপ খাইয়ে নিতে তার কম গুরুত্বপূর্ণ অংশগুলোকে পুনর্গঠিত করে।
স্থায়িত্ব এবং প্লাস্টিসিটির মধ্যে ভারসাম্য বজায় রাখা। এই কাঠামোটি পুরনো জ্ঞান ধরে রাখা এবং নতুন তথ্য গ্রহণ করার মধ্যে স্পষ্টভাবে ভারসাম্য রক্ষা করে। এটি পুরো সার্কিটকে ফ্রিজ করে দেয় না, আবার সবকিছুকে এলোমেলোভাবে পরিবর্তন হতেও দেয় না।
এই ভারসাম্যটি গুরুত্বপূর্ণ কারণ একটি সম্পূর্ণ স্থির (frozen) সার্কিট নতুন কিছু শিখতে পারে না, আবার একটি সম্পূর্ণ নমনীয় (plastic) সার্কিট সবকিছু পুরনো ভুলে যায়। QEWC কোয়ান্টাম স্টেটের জ্যামিতিকে সম্মান জানিয়ে একটি মধ্যপন্থা খুঁজে বের করে।
বাস্তব হার্ডওয়্যারে নয়েজ প্রতিরোধ ক্ষমতা
বর্তমানে উপলব্ধ বেশিরভাগ কোয়ান্টাম কম্পিউটার হলো নয়েজি ইন্টারমিডিয়েট-স্কেল কোয়ান্টাম বা NISQ ডিভাইস। গেট এরর (gate errors), ডিকোহেরেন্স (decoherence) এবং ক্রস-টক (cross-talk) বাস্তব চিপগুলোকে ক্ষতিগ্রস্ত করে। এই পরিবেশে, কোনো পদ্ধতি যদি হার্ডওয়্যারের ত্রুটির কারণে ব্যর্থ হয়ে যায়, তবে তার তাত্ত্বিক সৌন্দর্য কোনো কাজে আসে না।
পরীক্ষাগুলো নির্দেশ করে যে, যখন নয়েজ বা গোলযোগ থাকে, ঠিক তখনই QEWC ক্লাসিক্যাল কনসোলিডেশন পদ্ধতিগুলোকে ছাড়িয়ে যায়। এটি কোনো সামান্য বিষয় নয়। এটি এমন একটি পদ্ধতির মধ্যে পার্থক্য যা কেবল কাগজে-কলমে কাজ করে এবং এমন একটি পদ্ধতির মধ্যে যা বাস্তব মেশিনের সাথে কাজ করার সময় টিকে থাকে। ক্লাসিক্যাল পরিমাপ-নির্ভর কৌশলগুলোকে সেই একই নয়েজ চ্যানেলের সাথে লড়াই করতে হয় যা তাদের রিডআউটগুলোকে বিকৃত করে দেয়। যেহেতু QEWC নয়েজি পরিমাপের পরিসংখ্যানের পরিবর্তে স্টেটের জ্যামিতি থেকে এর গুরুত্বের ওজন (importance weights) গ্রহণ করে, তাই এটি সেই বিকৃতির প্রভাব এড়িয়ে যেতে পারে। এর ফলে একটি মেমরি-সংরক্ষণকারী লেয়ার তৈরি হয় যা আশেপাশের কিউবিটগুলো (qubits) সঠিকভাবে কাজ না করলেও স্থিতিশীল থাকে।
সিমুলেশন থেকে প্রাপ্ত প্রমাণ
এই ফ্রেমওয়ার্কটি যাচাই করার জন্য, গবেষণা দলটি স্ট্যান্ডার্ড কন্টিনিউয়াল লার্নিং বেঞ্চমার্কের ওপর সিমুলেশন চালিয়েছিল। মডেলটিকে হাতে লেখা সংখ্যা চেনা এবং পোশাকের ছবি শ্রেণীবদ্ধ করার মতো কাজ শেখার জন্য বলা হয়েছিল—এটি এমন একটি সেটআপ যা এই ক্ষেত্রে ব্যবহৃত ক্লাসিক্যাল MNIST এবং Fashion-MNIST স্প্লিটগুলোর প্রতিফলন ঘটায়। প্রথম টাস্কের ওপর প্রশিক্ষণের পর, সার্কিটটি সাধারণ অবস্থায় এবং আবার QEWC সুরক্ষার অধীনে দ্বিতীয় টাস্কের দিকে অগ্রসর হয়।
যখন সাধারণ প্রশিক্ষণ প্রক্রিয়াটি পরিচালিত হচ্ছিল, তখন পরবর্তী টাস্কগুলো পূর্বের পারফরম্যান্সকে ধ্বংস করে দিয়েছিল। সার্কিটটি মারাত্মক ক্যাটাস্ট্রফিক ফরগেটিং (catastrophic forgetting) প্রদর্শন করেছিল। কিন্তু QEWC-এর অধীনে চিত্রটি বদলে যায়। সুরক্ষিত প্যারামিটারগুলো তাদের সংখ্যা-চেনার জ্যামিতি বজায় রেখেছিল, যেখানে মুক্ত প্যারামিটারগুলো হাতা, জুতো এবং প্যান্টের সাথে খাপ খাইয়ে নিয়েছিল। এই দুটি পদ্ধতির মধ্যে ব্যবধান ছিল উল্লেখযোগ্য। সাধারণ প্রশিক্ষণ প্রোটোকলের তুলনায় QEWC মেমরি লস বা স্মৃতি হারানো উল্লেখযোগ্যভাবে হ্রাস করেছে।
কেন কন্টিনিউয়াস লার্নিং গেম চেঞ্জার
এর দীর্ঘমেয়াদী সুবিধা হলো রিস্টার্ট ছাড়াই কন্টিনিউয়াস লার্নিং বা নিরবচ্ছিন্ন শিক্ষা। বর্তমানে, টাস্ক ডিস্ট্রিবিউশন পরিবর্তিত হলে অনেক কোয়ান্টাম ট্রেনিং পাইপলাইন কার্যত শূন্য থেকে শুরু হয়। এই পদ্ধতিটি শক্তি, সময় এবং কোয়ান্টাম হার্ডওয়্যারের সীমিত কোহেরেন্স বাজেট অপচয় করে। যদি একটি কোয়ান্টাম সিস্টেম একজন মানুষের দক্ষতা অর্জনের মতো জ্ঞান সঞ্চয় করতে পারে—পুরানো জ্ঞান মুছে না ফেলে নতুন ডোমেইন যোগ করা—তবে কোয়ান্টাম মেশিন লার্নিংয়ের ব্যবহারিক উপযোগিতা নাটকীয়ভাবে বৃদ্ধি পাবে।
কোয়ান্টাম কম্পিউটার ব্যবহার করা ব্যয়বহুল এবং পরিচালনা করা বেশ জটিল। প্রতিটি নতুন ডেটাসেটের জন্য শূন্য থেকে পুনরায় প্রশিক্ষণ দেওয়া এমন একটি বিলাসিতা যা কোনো বাণিজ্যিক প্রয়োগ বহন করতে পারে না। QEWC এমন একটি অবস্থার দিকে ইঙ্গিত করে যেখানে একটি একক কোয়ান্টাম মডেল বিবর্তিত হয় এবং প্রতিটি নতুন অ্যাসাইনমেন্টের সাথে কিন্ডারগার্টেন পুনরায় না করে তার শিক্ষা সামনের দিকে এগিয়ে নিয়ে যায়।
যা লক্ষ্য রাখা উচিত
এই গবেষণাটি এখনও সিমুলেশনের ওপর ভিত্তি করে করা হয়েছে, যার অর্থ হলো আসল পরীক্ষা তখনই হবে যখন QEWC-কে প্রকৃত সুপারকন্ডাক্টিং, ট্র্যাপড-আয়ন বা ফোটোনিক হার্ডওয়্যারে স্থানান্তর করা হবে। তবুও, এর ধারণাগত পরিবর্তনটি অত্যন্ত স্পষ্ট এবং কার্যকর। কোয়ান্টাম স্টেটের জ্যামিতিক উপলব্ধিকে মেশিন লার্নিংয়ের ব্যবহারিক প্রয়োজনের সাথে যুক্ত করার মাধ্যমে, এই কাজটি ইঙ্গিত দেয় যে কোয়ান্টাম AI তার অন্যতম মৌলিক প্রতিবন্ধকতা কাটিয়ে উঠতে পারে।
ক্যাটাস্ট্রফিক ফরগেটিং শেখার ক্ষেত্রে কোনো অনিবার্য কর নয়। QEWC প্রমাণ করে যে সঠিক গাণিতিক কাঠামো—যা ব্রুট-ফোর্স পরিমাপের পরিবর্তে Quantum Fisher Information থেকে তৈরি—একটি কোয়ান্টাম মডেলের মনোযোগ অন্য দিকে থাকলেও তার স্মৃতি অক্ষত রাখতে পারে।
যারা কোয়ান্টাম কম্পিউটিং এবং কৃত্রিম বুদ্ধিমত্তার সংযোগস্থল পর্যবেক্ষণ করছেন, তাদের জন্য এটি অনুসরণ করার মতো একটি বিষয়। GyaanSetu AI কমিউনিটিতে আলোচনায় যোগ দিন এবং উদীয়মান গবেষণা সম্পর্কে আপ-টু-ডেট থাকুন: https://t.me/GyaanSetuAi।