कल्पना कीजिए कि आप हस्तलिखित अंकों को पहचानने के लिए एक क्वांटम न्यूरल नेटवर्क को प्रशिक्षित कर रहे हैं। आप सर्किट पैरामीटर्स को तब तक ट्यून करते हैं जब तक कि सटीकता स्थिर न हो जाए। फिर आप दूसरा कार्य प्रस्तुत करते हैं: कपड़ों की छवियों का वर्गीकरण। मॉडल तेजी से अनुकूलित हो जाता है। लेकिन जब आप इसे फिर से अंकों पर टेस्ट करते हैं, तो इसका प्रदर्शन पूरी तरह गिर जाता है। सर्किट ने जो सीखा था उस पर निर्माण करने के बजाय, उसने उसे बदल दिया।
यह कैटास्ट्रोफिक फॉरगेटिंग (catastrophic forgetting) है, और यह मशीन लर्निंग की सबसे जिद्दी समस्याओं में से एक है। क्लासिकल मॉडल इसके साथ लगातार संघर्ष करते हैं। क्वांटम मॉडल इसी दुविधा का और भी तीव्र संस्करण का सामना करते हैं, क्योंकि उनकी आंतरिक कार्यप्रणाली सुपरपोजिशन और एंटैंगलमेंट पर निर्भर करती है, जो आपके सीधे अवलोकन (observation) करते ही नष्ट हो जाते हैं। क्वांटम इलास्टिक वेट कंसोलिडेशन (Quantum Elastic Weight Consolidation), या QEWC नामक एक आशाजनक नया दृष्टिकोण, क्वांटम स्टेट को क्लासिकल मेजरमेंट परिणामों के सेट के बजाय एक ज्यामितीय वस्तु (geometric object) मानकर इस समस्या का समाधान करता है।
क्वांटम सर्किट में विस्मृति (Forgetting) का प्रभाव अधिक गहरा क्यों होता है
किसी भी प्रशिक्षित होने योग्य सिस्टम में, त्रुटि को कम करने के लिए पैरामीटर्स को समायोजित करके सीखना होता है। खतरा यह है कि कल के इष्टतम (optimal) पैरामीटर्स आज के वेरिएबल्स भी हैं। जब एक मॉडल नए कार्य के अनुकूल होने के लिए उन्हें फिर से लिखता है, तो वह अक्सर उन विशिष्ट कॉन्फ़िगरेशन को मिटा देता है जिनमें पिछला ज्ञान समाहित था। इसका परिणाम एक ऐसा सिस्टम होता है जो निरंतर सीखता हुआ प्रतीत होता है, लेकिन वास्तव में वह क्षमता के अलग-अलग और अलग-थलग स्नैपशॉट्स के बीच चक्राकार घूम रहा होता है।
क्वांटम मशीन लर्निंग इस समस्या को और बढ़ा देती है। मेमोरी संरक्षण के क्लासिकल दृष्टिकोण आमतौर पर इस बात पर निर्भर करते हैं कि मॉडल मेजरमेंट के प्रति कैसी प्रतिक्रिया देता है। वे मूल रूप से पूछते हैं, "यदि हम नेटवर्क के इस हिस्से को छेड़ें और आउटपुट देखें, तो यह कितना बदलता है?" यह तर्क मानता है कि आप सिस्टम को मौलिक रूप से बाधित किए बिना उसका अवलोकन कर सकते हैं। क्वांटम मैकेनिक्स ऐसी कोई गारंटी नहीं देता। मेजरमेंट सुपरपोजिशन को कोलैप्स कर देता है। यह जांचने की प्रक्रिया कि कौन से पैरामीटर्स सबसे महत्वपूर्ण हैं, उसी स्टेट को बदल सकती है जिसे आप बचाने की कोशिश कर रहे हैं।
क्लासिकल मेमोरी गार्डरेल्स (Memory Guardrails) क्या चूक जाते हैं
पारंपरिक AI महत्वपूर्ण डेटा को मेजरमेंट-निर्भर सांख्यिकी (measurement-dependent statistics) से जोड़कर सुरक्षित रखता है। ये क्लासिकल तरीके इस आधार पर पैरामीटर महत्व को ट्रैक करते हैं कि विशिष्ट रीडआउट के तहत सिस्टम कैसे व्यवहार करता है। जब अंतर्निहित हार्डवेयर क्लासिकल नियमों का पालन करता है, तो वे पर्याप्त रूप से काम करते हैं। लेकिन क्वांटम प्रोसेसर ऐसा नहीं करते हैं।
एक क्वांटम सर्किट जानकारी को एक उच्च-आयामी स्टेट वेक्टर (high-dimensional state vector) में एनकोड करता है जिसकी ज्यामिति सीधे देखने से छिपी रहती है। उस जानकारी की रक्षा के लिए प्रोजेक्टिव मेजरमेंट (projective measurement) पर भरोसा करना वैसा ही है जैसे साबुन के बुलबुले को छेदकर उसके आकार को सुरक्षित रखने की कोशिश करना। आपको कुछ डेटा तो मिल जाता है, लेकिन बुलबुला पहले ही बदल चुका होता है। शोधकर्ताओं को एक ऐसे तरीके की आवश्यकता थी जिससे हर बार सीधे आउटपुट को देखे बिना महत्व का पता लगाया जा सके।
क्वांटम फिशर इंफॉर्मेशन (Quantum Fisher Information) दृष्टिकोण
यहीं पर क्वांटम फिशर इंफॉर्मेशन (QFI) की भूमिका आती है। QFI क्वांटम मेट्रोलॉजी से लिया गया एक उपकरण है जो यह मापता है कि एक क्वांटम स्टेट अपने अंतर्निहित पैरामीटर्स में छोटे बदलावों के प्रति कितनी संवेदनशील है। यह पूछने के बजाय कि मेजरमेंट क्या दिखाता है, QFI यह पूछता है कि स्टेट की ज्यामिति स्वयं प्रत्येक पैरामीटर के चारों ओर कैसे मुड़ती है। वे पैरामीटर्स जो स्टेट स्पेस के तीव्र (steep) क्षेत्रों में स्थित होते हैं—जहाँ एक छोटा सा बदलाव एक बड़ा ज्यामितीय बदलाव पैदा करता है—वे ही सबसे महत्वपूर्ण कार्य-क्रिटिकल ज्ञान ले जाने वाले पैरामीटर्स साबित होते हैं।
QFI का उपयोग करके, शोधकर्ता महत्व को सीधे क्वांटम स्टेट की ज्यामिति पर मैप कर सकते हैं। इस पद्धति को यह तय करने के लिए किसी विशिष्ट मेजरमेंट बेसिस की आवश्यकता नहीं होती कि क्या महत्वपूर्ण है। यह स्टेट को एक सतह के रूप में देखता है और उन 'पहाड़ियों' की पहचान करता है जिन्हें समतल नहीं किया जाना चाहिए।
QEWC ज्ञान की रक्षा कैसे करता है
क्वांटम इलास्टिक वेट कंसोलिडेशन उस ज्यामितीय अंतर्दृष्टि को एक ट्रेनिंग प्रोटोकॉल में बदल देता है। इस प्रक्रिया को ठोस चरणों में विभाजित किया जा सकता है:
महत्वपूर्ण पैरामीटर्स की पहचान करें। पहला कार्य सीखने के बाद, QEWC सर्किट पैरामीटर्स में क्वांटम फिशर इंफॉर्मेशन की गणना करता है। उच्च स्कोर उन विशिष्ट रोटेशन और एंटैंगलमेंट को चिह्नित करते हैं जो महत्वपूर्ण ज्ञान को संग्रहीत करते हैं।
महत्वपूर्ण हिस्सों को लॉक करें। बाद के प्रशिक्षण के दौरान, QEWC उन उच्च-QFI पैरामीटर्स में होने वाले परिवर्तनों पर एक पेनल्टी (penalty) लागू करता है। जो सर्किट पहले से जानता है उसे ओवरराइट करने के लिए सर्किट को एक कीमत चुकानी पड़ती है।
अनुकूलन के लिए बाकी को मुक्त करें। कम QFI स्कोर वाले पैरामीटर्स पर कम प्रतिबंध होते हैं। सर्किट लचीलापन बनाए रखता है, जिससे वह नए इनपुट पैटर्न में फिट होने के लिए अपने कम महत्वपूर्ण डिग्री ऑफ फ्रीडम को नया आकार दे सके।
स्थिरता और प्लास्टिसिटी के बीच संतुलन बनाएं। यह फ्रेमवर्क पुराने ज्ञान को बनाए रखने और नई जानकारी को आत्मसात करने के बीच स्पष्ट रूप से संतुलन बनाता है। यह पूरे सर्किट को फ्रीज नहीं करता है, और न ही यह सब कुछ को भटकने देता है।
यह संतुलन महत्वपूर्ण है क्योंकि पूरी तरह से स्थिर (frozen) सर्किट कुछ भी नया नहीं सीख सकता, जबकि पूरी तरह से लचीला (plastic) सर्किट सब कुछ पुराना भूल जाता है। QEWC क्वांटम अवस्था (quantum state) की ज्यामिति (geometry) का सम्मान करके बीच का रास्ता निकालता है।
वास्तविक हार्डवेयर पर शोर प्रतिरोध (Noise Resistance)
वर्तमान में उपलब्ध अधिकांश क्वांटम कंप्यूटर 'नॉइज़ी इंटरमीडिएट-स्केल क्वांटम' (NISQ) डिवाइस हैं। गेट एरर (gate errors), डिकोहेरेंस (decoherence) और क्रॉस-टॉक (cross-talk) वास्तविक चिप्स के लिए बड़ी समस्याएँ हैं। इस वातावरण में, यदि कोई विधि हार्डवेयर की खामियों के सामने विफल हो जाती है, तो सैद्धांतिक सुंदरता का कोई अर्थ नहीं रह जाता।
परीक्षणों से संकेत मिलता है कि QEWC ठीक उसी समय शास्त्रीय समेकन (classical consolidation) दृष्टिकोणों से बेहतर प्रदर्शन करता है जब शोर (noise) मौजूद होता है। यह कोई मामूली बात नहीं है। यह उस विधि के बीच का अंतर है जो केवल कागजों पर काम करती है और उस विधि के बीच जो भौतिक मशीन के साथ संपर्क में जीवित रहती है। शास्त्रीय माप-निर्भर रणनीतियों को उन्हीं शोर चैनलों (noise channels) से जूझना पड़ता है जो उनके रीडआउट को विकृत कर देते हैं। चूंकि QEWC अपने महत्व भार (importance weights) को शोर वाले माप सांख्यिकी (measurement statistics) के बजाय अवस्था की ज्यामिति (state geometry) से प्राप्त करता है, इसलिए यह उस भ्रष्टाचार (corruption) से बच जाता है। इसका परिणाम एक स्मृति-संरक्षण परत (memory-preserving layer) के रूप में मिलता है जो तब भी स्थिर रहती है जब उसके आसपास के क्यूबिट्स (qubits) ठीक से काम नहीं करते हैं।
सिमुलेशन से प्रमाण
इस ढांचे को मान्य करने के लिए, अनुसंधान टीम ने मानक निरंतर सीखने (continual learning) के बेंचमार्क पर सिमुलेशन चलाए। मॉडल को हस्तलिखित अंकों को पहचानने और कपड़ों की छवियों को वर्गीकृत करने जैसे कार्यों को सीखने के लिए कहा गया—एक ऐसा सेटअप जो इस क्षेत्र में उपयोग किए जाने वाले क्लासिक MNIST और Fashion-MNIST स्प्लिट्स को दर्शाता है। पहले कार्य पर प्रशिक्षण के बाद, सर्किट मानक स्थितियों के तहत दूसरे कार्य की ओर बढ़ा और फिर QEWC सुरक्षा के तहत भी।
जब मानक प्रशिक्षण ने प्रक्रिया को नियंत्रित किया, तो बाद के कार्यों ने पिछले प्रदर्शन को पूरी तरह नष्ट कर दिया। सर्किट में गंभीर 'कैटास्ट्रोफिक फॉरगेटिंग' (catastrophic forgetting) देखी गई। QEWC के तहत, कहानी बदल गई। संरक्षित मापदंडों (parameters) ने अपनी अंक-पहचान ज्यामिति को बनाए रखा, जबकि मुक्त मापदंडों ने आस्तीन, जूतों और पतलून के अनुसार खुद को ढाल लिया। दोनों दृष्टिकोणों के बीच का अंतर महत्वपूर्ण था। QEWC ने सामान्य प्रशिक्षण प्रोटोकॉल की तुलना में स्मृति हानि (memory loss) को काफी कम कर दिया।
निरंतर सीखना खेल को क्यों बदल देता है
यहाँ दीर्घकालिक लाभ बिना रीस्टार्ट के निरंतर सीखना है। अभी, कई क्वांटम प्रशिक्षण पाइपलाइनें कार्य वितरण (task distribution) बदलने पर प्रभावी रूप से शून्य से शुरू होती हैं। वह दृष्टिकोण ऊर्जा, समय और क्वांटम हार्डवेयर के सीमित कोहेरेंस बजट (coherence budget) को बर्बाद करता है। यदि एक क्वांटम सिस्टम ज्ञान को उसी तरह संचित कर सकता है जैसे एक मानव इंजीनियर कौशल संचित करता है—पुराने को मिटाए बिना नए क्षेत्रों को जोड़ना—तो क्वांटम मशीन लर्निंग की व्यावहारिक उपयोगिता नाटकीय रूप से बढ़ जाएगी।
क्वांटम कंप्यूटरों तक पहुंच महंगी है और उन्हें संचालित करना कठिन है। प्रत्येक नए डेटासेट के लिए शून्य से पुन: प्रशिक्षण (re-training) करना एक ऐसी विलासिता है जिसे कोई भी व्यावसायिक तैनाती वहन नहीं कर सकती। QEWC एक ऐसे युग की ओर इशारा करता है जहाँ एक एकल क्वांटम मॉडल विकसित होता है, और प्रत्येक नए असाइनमेंट के साथ किंडरगार्टन को दोहराने के बजाय अपनी शिक्षा को आगे बढ़ाता है।
क्या नज़र रखें
यह शोध अभी भी सिमुलेशन पर आधारित है, जिसका अर्थ है कि वास्तविक परीक्षण तब होगा जब QEWC को वास्तविक सुपरकंडक्टिंग, ट्रैप्ड-आयन, या फोटोनिक हार्डवेयर पर पोर्ट किया जाएगा। फिर भी, वैचारिक बदलाव स्पष्ट और उपयोगी है। क्वांटम अवस्थाओं की ज्यामितीय समझ को मशीन लर्निंग की व्यावहारिक आवश्यकताओं के साथ जोड़कर, यह कार्य सुझाव देता है कि क्वांटम AI अपनी सबसे बुनियादी बाधाओं में से एक को दूर कर सकता है।
'कैटास्ट्रोफिक फॉरगेटिंग' सीखने पर लगने वाला कोई अनिवार्य कर (tax) नहीं है। QEWC प्रदर्शित करता है कि सही गणितीय ढांचा (scaffolding)—जो ब्रूट-फोर्स माप के बजाय क्वांटम फिशर इंफॉर्मेशन (Quantum Fisher Information) से बना हो—एक क्वांटम मॉडल की स्मृति को तब भी बरकरार रख सकता है जब उसका ध्यान कहीं और हो।
जो लोग क्वांटम कंप्यूटिंग और आर्टिफिशियल इंटेलिजेंस के संगम पर नज़र रख रहे हैं, उनके लिए यह एक महत्वपूर्ण विषय है। चर्चा में शामिल हों और https://t.me/GyaanSetuAi पर GyaanSetu AI समुदाय में उभरते शोधों से अपडेट रहें।