કલ્પના કરો કે તમે હાથથી લખાયેલા અંકોને ઓળખવા માટે ક્વોન્ટમ ન્યુરલ નેટવર્કને તાલીમ આપી રહ્યા છો. તમે સચોટતા સ્થિર થાય ત્યાં સુધી સર્કિટના પેરામીટર્સને ટ્યુન કરો છો. પછી તમે બીજું કાર્ય રજૂ કરો છો: કપડાંના ફોટાનું વર્ગીકરણ કરવું. મોડેલ ઝડપથી અનુકૂલન સાધે છે. પરંતુ જ્યારે તમે ફરીથી અંકો પર તેનું પરીક્ષણ કરો છો, ત્યારે તેની કામગીરી તૂટી પડે છે. સર્કિટ તેના દ્વારા શીખેલા જ્ઞાન પર આધારિત રહેવાને બદલે તેને બદલી નાખે છે.
આ 'કેટાસ્ટ્રોફિક ફોરગેટિંગ' (catastrophic forgetting) છે, અને તે મશીન લર્નિંગની સૌથી જટિલ સમસ્યાઓમાંની એક છે. ક્લાસિકલ મોડેલ્સ સતત આ સમસ્યા સાથે સંઘર્ષ કરે છે. ક્વોન્ટમ મોડેલ્સ આ જ દ્વિધાનું વધુ ગંભીર સ્વરૂપ અનુભવે છે, કારણ કે તેમની આંતરિક કાર્યપદ્ધતિ સુપરપોઝિશન (superposition) અને એન્ટેંગલમેન્ટ (entanglement) પર આધારિત છે, જે તમે સીધું અવલોકન કરો તે ક્ષણે નાશ પામે છે. 'ક્વોન્ટમ ઇલાસ્ટિક વેઇટ કોન્સોલિડેશન' (Quantum Elastic Weight Consolidation) અથવા QEWC તરીકે ઓળખાતી એક આશાસ્પદ નવી પદ્ધતિ, ક્વોન્ટમ સ્ટેટને ક્લાસિકલ મેઝરમેન્ટ પરિણામોના સેટને બદલે એક ભૌમિતિક (geometric) વસ્તુ તરીકે ગણીને આ સમસ્યાનો ઉકેલ લાવે છે.
ક્વોન્ટમ સર્કિટ્સમાં ભૂલી જવાની સમસ્યા વધુ ગંભીર કેમ છે
કોઈપણ તાલીમ આપી શકાય તેવી સિસ્ટમમાં, ભૂલ ઘટાડવા માટે પેરામીટર્સને એડજસ્ટ કરીને શીખવાની પ્રક્રિયા થાય છે. જોખમ એ છે કે ગઈકાલના શ્રેષ્ઠ (optimal) પેરામીટર્સ આજે વેરિયેબલ્સ બની જાય છે. જ્યારે મોડેલ નવા કાર્યને અનુરૂપ બનાવવા માટે તેમને ફરીથી લખે છે, ત્યારે તે ઘણીવાર અગાઉના જ્ઞાનને એન્કોડ કરનારા ચોક્કસ કોન્ફિગરેશનને ભૂંસી નાખે છે. પરિણામે એવી સિસ્ટમ બને છે જે સતત શીખતી હોય તેવું લાગે છે પરંતુ વાસ્તવમાં તે માત્ર ક્ષણિક ક્ષમતાના અલગ-અલગ તબક્કાઓમાંથી પસાર થઈ રહી હોય છે.
ક્વોન્ટમ મશીન લર્નિંગ આ સમસ્યાને વધુ ગંભીર બનાવે છે. મેમરી જાળવી રાખવા માટેના ક્લાસિકલ અભિગમો સામાન્ય રીતે મોડેલ મેઝરમેન્ટ (માપન) પ્રત્યે કેવી પ્રતિક્રિયા આપે છે તેના પર આધારિત હોય છે. તેઓ મૂળભૂત રીતે પૂછે છે, "જો આપણે નેટવર્કના આ ભાગને સ્પર્શ કરીએ અને આઉટપુટ જોઈએ, તો તેમાં કેટલો ફેરફાર થાય છે?" આ તર્ક એવું માની લે છે કે તમે સિસ્ટમને પાયાના સ્તરે ખલેલ પહોંચાડ્યા વિના તેનું અવલોકન કરી શકો છો. ક્વોન્ટમ મિકેનિક્સ આવી કોઈ ખાતરી આપતું નથી. મેઝરમેન્ટ સુપરપોઝિશનને તોડી નાખે છે. કયા પેરામીટર્સ સૌથી વધુ મહત્વના છે તે તપાસવાની પ્રક્રિયા તમે જે સ્ટેટને સુરક્ષિત રાખવાનો પ્રયાસ કરી રહ્યા છો તેને જ બદલી શકે છે.
ક્લાસિકલ મેમરી ગાર્ડરેલ્સ શું ચૂકી જાય છે
પરંપરાગત AI મહત્વપૂર્ણ ડેટાને મેઝરમેન્ટ-આધારિત આંકડાશાસ્ત્ર સાથે જોડીને સુરક્ષિત કરે છે. આ ક્લાસિકલ પદ્ધતિઓ ચોક્કસ રીડઆઉટ્સ હેઠળ સિસ્ટમ કેવી રીતે વર્તે છે તેના આધારે પેરામીટરના મહત્વને ટ્રેક કરે છે. જ્યારે અન્ડરલાઇંગ હાર્ડવેર ક્લાસિકલ નિયમોનું પાલન કરે છે ત્યારે તેઓ પૂરતા પ્રમાણમાં કામ કરે છે. પરંતુ ક્વોન્ટમ પ્રોસેસર્સ તેમ કરતા નથી.
ક્વોન્ટમ સર્કિટ માહિતીને હાઈ-ડાયમેન્શનલ સ્ટેટ વેક્ટરમાં એન્કોડ કરે છે જેનું ભૌમિતિક માળખું સીધી રીતે જોઈ શકાતું નથી. તે માહિતીનું રક્ષણ કરવા માટે પ્રોજેક્ટિવ મેઝરમેન્ટ પર આધાર રાખવો એ સાબુના પરપોટાને સ્પર્શ કરીને તેનો આકાર જાળવી રાખવાનો પ્રયાસ કરવા જેવું છે. તમને થોડો ડેટા તો મળે છે, પરંતુ પરપોટો પહેલેથી જ બદલાઈ ગયો હોય છે. સંશોધકોને એવી રીતની જરૂર હતી જેના દ્વારા દરેક વખતે આઉટપુટને સીધું જોયા વિના મહત્વને પારખી શકાય.
ક્વોન્ટમ ફિશર ઇન્ફોર્મેશન અભિગમ
અહીં ક્વોન્ટમ ફિશર ઇન્ફોર્મેશન (Quantum Fisher Information) નો ઉપયોગ થાય છે. QFI એ ક્વોન્ટમ મેટ્રોલોજીમાંથી લેવામાં આવેલ એક સાધન છે જે માપે છે કે ક્વોન્ટમ સ્ટેટ તેના અન્ડરલાઇંગ પેરામીટર્સમાં થતા નાના ફેરફારો પ્રત્યે કેટલું સંવેદનશીલ છે. મેઝરમેન્ટ શું દર્શાવે છે તે પૂછવાને બદલે, QFI એ પૂછે છે કે સ્ટેટનું ભૌમિતિક માળખું દરેક પેરામીટરની આસપાસ કેવી રીતે વળે છે. સ્ટેટ સ્પેસના તીવ્ર વિસ્તારોમાં રહેલા પેરામીટર્સ—જ્યાં એક નાનકડો ફેરફાર મોટું ભૌમિતિક પરિવર્તન લાવે છે—તેઓ જ સૌથી વધુ કાર્ય-મહત્વપૂર્ણ જ્ઞાન ધરાવતા પેરામીટર્સ સાબિત થાય છે.
QFI નો ઉપયોગ કરીને, સંશોધકો મહત્વને સીધું જ ક્વોન્ટમ સ્ટેટના ભૌમિતિક માળખા પર મેપ કરી શકે છે. આ પદ્ધતિને શું મહત્વનું છે તે નક્કી કરવા માટે કોઈ ચોક્કસ મેઝરમેન્ટ બેસિસની જરૂર નથી. તે સ્ટેટને એક સપાટી તરીકે જુએ છે અને એવા ઉંચા ભાગો (hills) ને ઓળખે છે જેને સપાટ થવા દેવા જોઈએ નહીં.
QEWC જ્ઞાનનું રક્ષણ કેવી રીતે કરે છે
ક્વોન્ટમ ઇલાસ્ટિક વેઇટ કોન્સોલિડેશન તે ભૌમિતિક સમજને તાલીમ પ્રોટોકોલમાં પરિવર્તિત કરે છે. આ પ્રક્રિયાને નીચે મુજબના પગલાઓમાં વહેંચી શકાય છે:
મહત્વપૂર્ણ પેરામીટર્સ ઓળખો. પ્રથમ કાર્ય શીખ્યા પછી, QEWC સર્કિટ પેરામીટર્સમાં ક્વોન્ટમ ફિશર ઇન્ફોર્મેશનની ગણતરી કરે છે. ઊંચા સ્કોર એવા ચોક્કસ રોટેશન અને એન્ટેંગલમેન્ટ્સને સૂચવે છે જે મહત્વપૂર્ણ જ્ઞાનનો સંગ્રહ કરે છે.
મહત્વના ભાગોને લોક કરો. ત્યારબાદની તાલીમ દરમિયાન, QEWC તે હાઈ-QFI પેરામીટર્સમાં થતા ફેરફારો માટે પેનલ્ટી (દંડ) લગાવે છે. સર્કિટ જે પહેલેથી જ જાણે છે તેને બદલવા બદલ તેને કિંમત ચૂકવવી પડે છે.
બાકીના ભાગોને અનુકૂલન માટે મુક્ત કરો. ઓછા QFI સ્કોર ધરાવતા પેરામીટર્સ પર ઓછા પ્રતિબંધો હોય છે. સર્કિટ તેની લવચીકતા જાળવી રાખે છે, અને નવા ઇનપુટ પેટર્નને અનુરૂપ બનાવવા માટે તેના ઓછા મહત્વના ડિગ્રી ઓફ ફ્રીડમ (degrees of freedom) ને ફરીથી આકાર આપે છે.
સ્થિરતા અને પ્લાસ્ટિસિટી વચ્ચે સંતુલન જાળવો. આ ફ્રેમવર્ક જૂના જ્ઞાનને જાળવી રાખવા અને નવી માહિતી મેળવવી તે વચ્ચે સ્પષ્ટ રીતે સંતુલન જાળવે છે. તે આખી સર્કિટને ફ્રીઝ (સ્થિર) કરતું નથી, કે બધું જ બદલાઈ જવા દેતું નથી.
આ સંતુલન મહત્વનું છે કારણ કે સંપૂર્ણપણે સ્થિર (frozen) સર્કિટ કંઈપણ નવું શીખી શકતી નથી, જ્યારે સંપૂર્ણપણે પરિવર્તનશીલ (plastic) સર્કિટ બધું જૂનું ભૂલી જાય છે. QEWC ક્વોન્ટમ સ્ટેટની ભૂમિતિનું સન્માન કરીને મધ્યમ માર્ગ શોધે છે.
વાસ્તવિક હાર્ડવેર પર નોઈઝ સામે પ્રતિકાર
અત્યારે ઉપલબ્ધ મોટાભાગના ક્વોન્ટમ કોમ્પ્યુટર્સ નોઈઝી ઇન્ટરમીડિયેટ-સ્કેલ ક્વોન્ટમ, અથવા NISQ ઉપકરણો છે. ગેટ એરર્સ, ડીકોહરન્સ અને ક્રોસ-ટોક વાસ્તવિક ચિપ્સને નુકસાન પહોંચાડે છે. આ વાતાવરણમાં, જો કોઈ પદ્ધતિ હાર્ડવેરની ખામીઓ સામે નિષ્ફળ જાય, તો તેની સૈદ્ધાંતિક સુંદરતાનો કોઈ અર્થ રહેતો નથી.
પરીક્ષણો સૂચવે છે કે જ્યારે નોઈઝ હાજર હોય ત્યારે QEWC ક્લાસિકલ કન્સોલિડેશન અભિગમો કરતા વધુ સારું પ્રદર્શન કરે છે. આ કોઈ નાની બાબત નથી. તે કાગળ પર કામ કરતી પદ્ધતિ અને ભૌતિક મશીન સાથેના સંપર્ક દરમિયાન ટકી રહેતી પદ્ધતિ વચ્ચેનો તફાવત છે. ક્લાસિકલ માપન-આધારિત વ્યૂહરચનાઓએ એ જ નોઈઝ ચેનલો સાથે લડવું પડે છે જે તેમના રીડઆઉટ્સને વિકૃત કરે છે. કારણ કે QEWC તેના મહત્વના વજન (importance weights) નોઈઝી માપન આંકડાઓને બદલે સ્ટેટ ભૂમિતિમાંથી મેળવે છે, તેથી તે તે વિકૃતિમાંથી બચી જાય છે. પરિણામ એ એક મેમરી-સંરક્ષણ લેયર છે જે તેની આસપાસના ક્યુબિટ્સ અસ્વસ્થતા દર્શાવે તો પણ સ્થિર રહે છે.
સિમ્યુલેશનમાંથી પુરાવા
આ ફ્રેમવર્કને ચકાસવા માટે, સંશોધન ટીમે સ્ટાન્ડર્ડ કન્ટીન્યુઅલ લર્નિંગ બેન્ચમાર્ક પર સિમ્યુલેશન ચલાવ્યા. મોડેલને હાથથી લખાયેલા અંકો ઓળખવા અને કપડાંના ચિત્રોનું વર્ગીકરણ કરવા જેવા કાર્યો શીખવવામાં આવ્યા હતા—એક એવી ગોઠવણી જે આ ક્ષેત્રમાં વપરાતા ક્લાસિક MNIST અને Fashion-MNIST સ્પ્લિટ્સનું પ્રતિબિંબ પાડે છે. પ્રથમ કાર્ય પર તાલીમ આપ્યા પછી, સર્કિટ પ્રમાણભૂત સ્થિતિમાં અને ફરીથી QEWC સુરક્ષા હેઠળ બીજા કાર્ય તરફ આગળ વધી.
જ્યારે પ્રમાણભૂત તાલીમ પ્રક્રિયાનું સંચાલન કરતી હતી, ત્યારે પછીના કાર્યોએ અગાઉના પ્રદર્શનને નષ્ટ કરી દીધું હતું. સર્કિટમાં ગંભીર 'કેટાસ્ટ્રોફિક ફોરગેટિંગ' (catastrophic forgetting) જોવા મળ્યું હતું. QEWC હેઠળ, પરિસ્થિતિ બદલાઈ ગઈ. સુરક્ષિત પેરામીટર્સે તેમનું અંક-ઓળખણ ભૂમિતિ જાળવી રાખી, જ્યારે મુક્ત પેરામીટર્સે સ્લીવ્સ, શૂઝ અને ટ્રાઉઝર્સ સાથે અનુકૂલન સાધ્યું. બંને અભિગમો વચ્ચેનો તફાવત નોંધપાત્ર હતો. સામાન્ય તાલીમ પ્રોટોકોલની તુલનામાં QEWC એ મેમરી લોસમાં નોંધપાત્ર ઘટાડો કર્યો.
સતત શિક્ષણ (Continuous Learning) રમત કેવી રીતે બદલે છે
અહીં લાંબા ગાળાનો ફાયદો રિસ્ટાર્ટ વગરનું સતત શિક્ષણ છે. અત્યારે, જ્યારે કાર્ય વિતરણ (task distribution) બદલાય છે ત્યારે ઘણા ક્વોન્ટમ ટ્રેનિંગ પાઇપલાઇન્સ અસરકારક રીતે શૂન્યથી શરૂ થાય છે. તે અભિગમ ઊર્જા, સમય અને ક્વોન્ટમ હાર્ડવેરના મર્યાદિત કોહરન્સ બજેટનો બગાડ કરે છે. જો ક્વોન્ટમ સિસ્ટમ માનવ એન્જિનિયરની જેમ જ્ઞાન એકત્રિત કરી શકે—જૂનાને ભૂલ્યા વિના નવા ક્ષેત્રો ઉમેરી શકે—તો ક્વોન્ટમ મશીન લર્નિંગની વ્યવહારિક ઉપયોગિતામાં મોટો વધારો થશે.
ક્વોન્ટમ કોમ્પ્યુટર્સનો ઉપયોગ કરવો મોંઘો છે અને તેને ચલાવવું જટિલ છે. દરેક નવા ડેટાસેટ માટે શૂન્યથી ફરી તાલીમ આપવી એ એવી લક્ઝરી છે જે કોઈ વ્યાવસાયિક ઉપયોગ (commercial deployment) પરવડી શકે તેમ નથી. QEWC એક એવી સ્થિતિ તરફ નિર્દેશ કરે છે જ્યાં એક જ ક્વોન્ટમ મોડેલ વિકસે છે, દરેક નવા કાર્ય સાથે કિન્ડરગાર્ટનનું પુનરાવર્તન કરવાને બદલે તેના શિક્ષણને આગળ ધપાવે છે.
શું ધ્યાન રાખવું
આ સંશોધન હજુ પણ સિમ્યુલેશનમાં આધારિત છે, જેનો અર્થ છે કે સાચી કસોટી ત્યારે થશે જ્યારે QEWC ને વાસ્તવિક સુપરકન્ડક્ટિંગ, ટ્રેપ્ડ-આયન અથવા ફોટોનિક હાર્ડવેર પર લઈ જવામાં આવશે. તેમ છતાં, વૈચારિક પરિવર્તન સ્પષ્ટ અને ઉપયોગી છે. ક્વોન્ટમ સ્ટેટ્સની ભૌમિતિક સમજને મશીન લર્નિંગની વ્યવહારિક જરૂરિયાતો સાથે જોડીને, આ કાર્ય સૂચવે છે કે ક્વોન્ટમ AI તેની સૌથી પાયાની મર્યાદાઓમાંથી એકને દૂર કરી શકે છે.
કેટાસ્ટ્રોફિક ફોરગેટિંગ એ શિક્ષણ પર લાગતો કોઈ અનિવાર્ય ટેક્સ નથી. QEWC સાબિત કરે છે કે યોગ્ય ગાણિતિક માળખું—જે બ્રુટ-ફોર્સ માપનને બદલે Quantum Fisher Information પરથી બનાવવામાં આવ્યું છે—ક્વોન્ટમ મોડેલનું ધ્યાન અન્યત્ર હોવા છતાં તેની મેમરીને અકબંધ રાખી શકે છે.
જેઓ ક્વોન્ટમ કમ્પ્યુટિંગ અને આર્ટિફિશિયલ ઇન્ટેલિજન્સના સંગમ પર નજર રાખી રહ્યા છે, તેમના માટે આ એક મહત્વપૂર્ણ વિષય છે. ચર્ચામાં જોડાઓ અને https://t.me/GyaanSetuAi પર GyaanSetu AI સમુદાયમાં ઉભરતા સંશોધનો વિશે અપડેટ રહો.