ಒಂದು ಕ್ವಾಂಟಮ್ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ಅನ್ನು ಕೈಬರಹದ ಅಂಕಿಗಳನ್ನು ಗುರುತಿಸಲು ತರಬೇತಿ ಮಾಡುವುದನ್ನು ಕಲ್ಪಿಸಿಕೊಳ್ಳಿ. ನಿಖರತೆಯು ಸ್ಥಿರವಾಗುವವರೆಗೆ ನೀವು ಸರ್ಕ್ಯೂಟ್ ಪ್ಯಾರಾಮೀಟರ್ಗಳನ್ನು ಹೊಂದಿಸುತ್ತೀರಿ. ನಂತರ ನೀವು ಎರಡನೇ ಕಾರ್ಯವನ್ನು ನೀಡುತ್ತೀರಿ: ಬಟ್ಟೆಗಳ ಚಿತ್ರಗಳನ್ನು ವರ್ಗೀಕರಿಸುವುದು. ಮಾಡೆಲ್ ವೇಗವಾಗಿ ಹೊಂದಿಕೊಳ್ಳುತ್ತದೆ. ಆದರೆ ನೀವು ಅದನ್ನು ಮತ್ತೆ ಅಂಕಿಗಳ ಮೇಲೆ ಪರೀಕ್ಷಿಸಿದಾಗ, ಕಾರ್ಯಕ್ಷಮತೆಯು ಕುಸಿದಿರುತ್ತದೆ. ಸರ್ಕ್ಯೂಟ್ ಅದು ಕಲಿತದ್ದನ್ನು ಬಳಸಿಕೊಳ್ಳುವ ಬದಲು, ಅದನ್ನು ಬದಲಾಯಿಸಿಬಿಟ್ಟಿತು.
ಇದು 'ಘಾತಕೀಯ ಮರೆವು' (catastrophic forgetting), ಮತ್ತು ಇದು ಮಷೀನ್ ಲರ್ನಿಂಗ್ನಲ್ಲಿನ ಅತ್ಯಂತ ಕಠಿಣ ಸಮಸ್ಯೆಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಕ್ಲಾಸಿಕಲ್ ಮಾಡೆಲ್ಗಳು ಇದರೊಂದಿಗೆ ನಿರಂತರವಾಗಿ ಹೋರಾಡುತ್ತವೆ. ಕ್ವಾಂಟಮ್ ಮಾಡೆಲ್ಗಳು ಇದೇ ಸಮಸ್ಯೆಯ ಮತ್ತಷ್ಟು ತೀವ್ರವಾದ ರೂಪವನ್ನು ಎದುರಿಸುತ್ತವೆ, ಏಕೆಂದರೆ ಅವುಗಳ ಆಂತರಿಕ ಕಾರ್ಯಗಳು ಸೂಪರ್ಪೊಸಿಷನ್ (superposition) ಮತ್ತು ಎಂಟ್ಯಾಂಗಲ್ಮೆಂಟ್ (entanglement) ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿವೆ, ಇವುಗಳನ್ನು ನೀವು ನೇರವಾಗಿ ಗಮನಿಸಿದ ತಕ್ಷಣ ಅವು ನಾಶವಾಗುತ್ತವೆ. 'Quantum Elastic Weight Consolidation' ಅಥವಾ QEWC ಎಂಬ ಹೊಸ ಮತ್ತು ಭರವಸೆಯ ವಿಧಾನವು, ಕ್ವಾಂಟಮ್ ಸ್ಥಿತಿಯನ್ನು (quantum state) ಕೇವಲ ಕ್ಲಾಸಿಕಲ್ ಅಳತೆಗಳ ಗುಂಪಾಗಿ ನೋಡುವ ಬದಲು, ಒಂದು ಜ್ಯಾಮಿತೀಯ ವಸ್ತುವಾಗಿ (geometric object) ಪರಿಗಣಿಸುವ ಮೂಲಕ ಈ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸುತ್ತದೆ.
ಕ್ವಾಂಟಮ್ ಸರ್ಕ್ಯೂಟ್ಗಳಲ್ಲಿ ಮರೆವು ಏಕೆ ಹೆಚ್ಚು ತೀವ್ರವಾಗಿರುತ್ತದೆ
ಯಾವುದೇ ತರಬೇತಿ ನೀಡಬಹುದಾದ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ, ದೋಷವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಪ್ಯಾರಾಮೀಟರ್ಗಳನ್ನು ಹೊಂದಿಸುವ ಮೂಲಕ ಕಲಿಕೆ ನಡೆಯುತ್ತದೆ. ನಿನ್ನೆ ಅತ್ಯುತ್ತಮವಾಗಿದ್ದ ಪ್ಯಾರಾಮೀಟರ್ಗಳು ಇಂದು ಬದಲಾಗಬೇಕಾದ ಚರಾಂಶಗಳಾಗುವ ಅಪಾಯವಿರುತ್ತದೆ. ಮಾಡೆಲ್ ಹೊಸ ಕಾರ್ಯಕ್ಕೆ ಹೊಂದಿಕೊಳ್ಳಲು ಅವುಗಳನ್ನು ಮರುಬರೆಯುವಾಗ, ಅದು ಹಿಂದಿನ ಜ್ಞಾನವನ್ನು ಒಳಗೊಂಡಿದ್ದ ನಿರ್ದಿಷ್ಟ ವಿನ್ಯಾಸಗಳನ್ನು ಅಳಿಸಿಹಾಕುವ ಸಾಧ್ಯತೆ ಇರುತ್ತದೆ. ಇದರ ಪರಿಣಾಮವಾಗಿ, ವ್ಯವಸ್ಥೆಯು ನಿರಂತರವಾಗಿ ಕಲಿಯುತ್ತಿರುವಂತೆ ಕಂಡರೂ, ವಾಸ್ತವವಾಗಿ ಅದು ಕೇವಲ ಪ್ರತ್ಯೇಕ ಸಾಮರ್ಥ್ಯಗಳ ಸರಣಿಯನ್ನು ಅನುಸರಿಸುತ್ತಿರುತ್ತದೆ.
ಕ್ವಾಂಟಮ್ ಮಷೀನ್ ಲರ್ನಿಂಗ್ ಈ ಸಮಸ್ಯೆಯನ್ನು ಮತ್ತಷ್ಟು ಸಂಕೀರ್ಣಗೊಳಿಸುತ್ತದೆ. ನೆನಪಿನ ಶಕ್ತಿಯ ಸಂರಕ್ಷಣೆಗೆ ಬಳಸುವ ಕ್ಲಾಸಿಕಲ್ ವಿಧಾನಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಮಾಡೆಲ್ ಅಳತೆಗೆ (measurement) ಹೇಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಅವಲಂಬಿಸಿರುತ್ತವೆ. ಅವು ಮೂಲಭೂತವಾಗಿ, "ನಾವು ನೆಟ್ವರ್ಕ್ನ ಈ ಭಾಗವನ್ನು ಪರೀಕ್ಷಿಸಿದರೆ ಮತ್ತು ಔಟ್ಪುಟ್ ಅನ್ನು ಗಮನಿಸಿದರೆ, ಅದು ಎಷ್ಟು ಬದಲಾಗುತ್ತದೆ?" ಎಂದು ಕೇಳುತ್ತವೆ. ಈ ತರ್ಕವು ನೀವು ವ್ಯವಸ್ಥೆಯನ್ನು ಮೂಲಭೂತವಾಗಿ ಅಡ್ಡಿಪಡಿಸದೆ ವೀಕ್ಷಿಸಬಹುದು ಎಂದು ಭಾವಿಸುತ್ತದೆ. ಆದರೆ ಕ್ವಾಂಟಮ್ ಮೆಕ್ಯಾನಿಕ್ಸ್ ಅಂತಹ ಯಾವುದೇ ಭರವಸೆಯನ್ನು ನೀಡುವುದಿಲ್ಲ. ಅಳತೆಯು (measurement) ಸೂಪರ್ಪೊಸಿಷನ್ ಅನ್ನು ಕುಸեցಿಸುತ್ತದೆ. ಯಾವ ಪ್ಯಾರಾಮೀಟರ್ಗಳು ಹೆಚ್ಚು ಮುಖ್ಯವಾಗಿವೆ ಎಂದು ಪರೀಕ್ಷಿಸುವ ಕ್ರಿಯೆಯೇ ನೀವು ರಕ್ಷಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿರುವ ಸ್ಥಿತಿಯನ್ನೇ ಬದಲಾಯಿಸಬಹುದು.
ಕ್ಲಾಸಿಕಲ್ ಮೆಮೊರಿ ಗಾರ್ಡ್ರೈಲ್ಗಳು ಗಮನಿಸದ ಅಂಶಗಳು
ಸಾಂಪ್ರದಾಯಿಕ AI ಅಳತೆಗೆ ಅವಲಂಬಿತವಾದ ಅಂಕಿಅಂಶಗಳಿಗೆ ಪ್ರಮುಖ ಡೇಟಾವನ್ನು ಜೋಡಿಸುವ ಮೂಲಕ ರಕ್ಷಿಸುತ್ತದೆ. ಈ ಕ್ಲಾಸಿಕಲ್ ವಿಧಾನಗಳು ನಿರ್ದಿಷ್ಟ ರೀಡ್ಔಟ್ಗಳ ಅಡಿಯಲ್ಲಿ ವ್ಯವಸ್ಥೆಯು ಹೇಗೆ ವರ್ತಿಸುತ್ತದೆ ಎಂಬುದರ ಮೂಲಕ ಪ್ಯಾರಾಮೀಟರ್ ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ಪತ್ತೆಹಚ್ಚುತ್ತವೆ. ಮೂಲಭೂತ ಹಾರ್ಡ್ವೇರ್ ಕ್ಲಾಸಿಕಲ್ ನಿಯಮಗಳನ್ನು ಪಾಲಿಸಿದಾಗ ಇವು ಚೆನ್ನಾಗಿ ಕೆಲಸ ಮಾಡುತ್ತವೆ. ಆದರೆ ಕ್ವಾಂಟಮ್ ಪ್ರೊಸೆಸರ್ಗಳು ಹಾಗಲ್ಲ.
ಕ್ವಾಂಟಮ್ ಸರ್ಕ್ಯೂಟ್ ಮಾಹಿತಿಯನ್ನು ಅತಿ-ಆಯಾಮದ ಸ್ಟೇಟ್ ವೆಕ್ಟರ್ನಲ್ಲಿ (high-dimensional state vector) ಎನ್ಕೋಡ್ ಮಾಡುತ್ತದೆ, ಇದರ ಜ್ಯಾಮಿತಿಯು ನೇರ ನೋಟದಿಂದ ಮರೆಯಾಗಿರುತ್ತದೆ. ಆ ಮಾಹಿತಿಯನ್ನು ರಕ್ಷಿಸಲು ಪ್ರೊಜೆಕ್ಟಿವ್ ಮೆಜರ್ಮೆಂಟ್ (projective measurement) ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುವುದು, ಸೋಪಿನ ಗುಳ್ಳೆಯ ಆಕಾರವನ್ನು ಅದನ್ನು ಚುಚ್ಚುವ ಮೂಲಕ ಉಳಿಸಿಕೊಳ್ಳಲು ಪ್ರಯತ್ನಿಸಿದಂತೆ. ನಿಮಗೆ ಸ್ವಲ್ಪ ಡೇಟಾ ಸಿಗಬಹುದು, ಆದರೆ ಗುಳ್ಳೆಯ ಆಕಾರ ಈಗಾಗಲೇ ಬದಲಾಗಿರುತ್ತದೆ. ಸಂಶೋಧಕರಿಗೆ ಪ್ರತಿ ಬಾರಿಯೂ ಔಟ್ಪುಟ್ ಅನ್ನು ನೇರವಾಗಿ ನೋಡದೆ ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ಅರಿಯುವ ಮಾರ್ಗದ ಅಗತ್ಯವಿತ್ತು.
ಕ್ವಾಂಟಮ್ ಫಿಶರ್ ಇನ್ಫರ್ಮೇಷನ್ (Quantum Fisher Information) ವಿಧಾನ
ಅಲ್ಲಿ ಕ್ವಾಂಟಮ್ ಫಿಶರ್ ಇನ್ಫರ್ಮೇಷನ್ (QFI) ಪ್ರವೇಶಿಸುತ್ತದೆ. QFI ಎಂಬುದು ಕ್ವಾಂಟಮ್ ಮೆಟ್ರೋಲಜಿಯಿಂದ ಪಡೆದ ಒಂದು ಸಾಧನವಾಗಿದ್ದು, ಒಂದು ಕ್ವಾಂಟಮ್ ಸ್ಥಿತಿಯು ಅದರ ಮೂಲ ಪ್ಯಾರಾಮೀಟರ್ಗಳಲ್ಲಿನ ಸಣ್ಣ ಬದಲಾವಣೆಗಳಿಗೆ ಎಷ್ಟು ಸೂಕ್ಷ್ಮವಾಗಿ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಅಳೆಯುತ್ತದೆ. ಅಳತೆಯು ಏನನ್ನು ತೋರಿಸುತ್ತದೆ ಎಂದು ಕೇಳುವ ಬದಲು, QFI ಪ್ರತಿ ಪ್ಯಾರಾಮೀಟರ್ ಸುತ್ತ ಸ್ಥಿತಿಯ ಜ್ಯಾಮಿತಿಯು ಹೇಗೆ ಬಾಗುತ್ತದೆ ಎಂದು ಕೇಳುತ್ತದೆ. ಸ್ಟೇಟ್ ಸ್ಪೇಸ್ನ ತೀವ್ರವಾದ ಪ್ರದೇಶಗಳಲ್ಲಿರುವ ಪ್ಯಾರಾಮೀಟರ್ಗಳು—ಅಂದರೆ ಒಂದು ಸಣ್ಣ ಚಲನೆಯು ದೊಡ್ಡ ಜ್ಯಾಮಿತೀಯ ಬದಲಾವಣೆಯನ್ನು ಉಂಟುಮಾಡುವ ಸ್ಥಳಗಳು—ಅವು ಅತ್ಯಂತ ನಿರ್ಣಾಯಕ ಜ್ಞಾನವನ್ನು ಹೊಂದಿವೆ ಎಂದು ತಿಳಿದುಬರುತ್ತದೆ.
QFI ಅನ್ನು ಬಳಸುವ ಮೂಲಕ, ಸಂಶೋಧಕರು ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ನೇರವಾಗಿ ಕ್ವಾಂಟಮ್ ಸ್ಥಿತಿಯ ಜ್ಯಾಮಿತಿಗೆ ನಕ್ಷೆ ಮಾಡಬಹುದು. ಯಾವುದು ಮುಖ್ಯ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಲು ಈ ವಿಧಾನಕ್ಕೆ ಯಾವುದೇ ನಿರ್ದಿಷ್ಟ ಅಳತೆಯ ಆಧಾರದ (measurement basis) ಅಗತ್ಯವಿಲ್ಲ. ಇದು ಸ್ಥಿತಿಯನ್ನು ಒಂದು ಮೇಲ್ಮೈಯಾಗಿ ನೋಡುತ್ತದೆ ಮತ್ತು ಸಮತಟ್ಟಾಗಬಾರದು ಎನ್ನುವ ಉಬ್ಬರಗಳನ್ನು (hills) ಗುರುತಿಸುತ್ತದೆ.
QEWC ಜ್ಞಾನವನ್ನು ಹೇಗೆ ರಕ್ಷಿಸುತ್ತದೆ
Quantum Elastic Weight Consolidation ಆ ಜ್ಯಾಮಿತೀಯ ಒಳನೋಟವನ್ನು ತರಬೇತಿ ಪ್ರೋಟೋಕಾಲ್ ಆಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ. ಈ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಈ ಕೆಳಗಿನ ಹಂತಗಳಾಗಿ ವಿಂಗಡಿಸಬಹುದು:
ನಿರ್ಣಾಯಕ ಪ್ಯಾರಾಮೀಟರ್ಗಳನ್ನು ಗುರುತಿಸುವುದು. ಮೊದಲ ಕಾರ್ಯವನ್ನು ಕಲಿತ ನಂತರ, QEWC ಸರ್ಕ್ಯೂಟ್ ಪ್ಯಾರಾಮೀಟರ್ಗಳಾದ ಕ್ವಾಂಟಮ್ ಫಿಶರ್ ಇನ್ಫರ್ಮೇಷನ್ ಅನ್ನು ಲೆಕ್ಕಹಾಕುತ್ತದೆ. ಹೆಚ್ಚಿನ ಸ್ಕೋರ್ಗಳು ಪ್ರಮುಖ ಜ್ಞಾನವನ್ನು ಸಂಗ್ರಹಿಸಿರುವ ನಿರ್ದಿಷ್ಟ ರೊಟೇಶನ್ಗಳು ಮತ್ತು ಎಂಟ್ಯಾಂಗಲ್ಮೆಂಟ್ಗಳನ್ನು ಗುರುತಿಸುತ್ತವೆ.
ಪ್ರಮುಖ ಭಾಗಗಳನ್ನು ಲಾಕ್ ಮಾಡುವುದು. ಮುಂದಿನ ತರಬೇತಿಯ ಸಮಯದಲ್ಲಿ, QEWC ಆ ಹೆಚ್ಚಿನ QFI ಪ್ಯಾರಾಮೀಟರ್ಗಳಲ್ಲಿನ ಬದಲಾವಣೆಗಳಿಗೆ ದಂಡವನ್ನು (penalty) ವಿಧಿಸುತ್ತದೆ. ಈಗಾಗಲೇ ತಿಳಿದಿರುವ ಮಾಹಿತಿಯನ್ನು ಮರುಬರೆಯಲು ಸರ್ಕ್ಯೂಟ್ ಬೆಲೆ ತೆರಬೇಕಾಗುತ್ತದೆ.
ಬದಲಾವಣೆಗಾಗಿ ಉಳಿದವುಗಳನ್ನು ಮುಕ್ತಗೊಳಿಸುವುದು. ಕಡಿಮೆ QFI ಸ್ಕೋರ್ ಹೊಂದಿರುವ ಪ್ಯಾರಾಮೀಟರ್ಗಳು ಕಡಿಮೆ ನಿರ್ಬಂಧಗಳನ್ನು ಎದುರಿಸುತ್ತವೆ. ಸರ್ಕ್ಯೂಟ್ ತನ್ನ ನಮ್ಯತೆಯನ್ನು (flexibility) ಉಳಿಸಿಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಹೊಸ ಇನ್ಪುಟ್ ಮಾದರಿಗಳಿಗೆ ಹೊಂದಿಕೊಳ್ಳಲು ಕಡಿಮೆ ಪ್ರಮುಖವಾದ ಅಂಶಗಳನ್ನು ಮರುರೂಪಿಸುತ್ತದೆ.
ಸ್ಥಿರತೆ ಮತ್ತು ಪ್ಲಾಸ್ಟಿಸಿಟಿ ನಡುವೆ ಸಮತೋಲನ ಕಾಯ್ದುಕೊಳ್ಳುವುದು. ಈ ಚೌಕಟ್ಟು ಹಳೆಯ ಜ್ಞಾನವನ್ನು ಹಿಡಿದಿಟ್ಟುಕೊಳ್ಳುವುದು ಮತ್ತು ಹೊಸ ಮಾಹಿತಿಯನ್ನು ಹೀರಿಕೊಳ್ಳುವುದು ಎಂಬ ಎರಡರ ನಡುವೆ ಸಮತೋಲನವನ್ನು ಕಾಯ್ದುಕೊಳ್ಳುತ್ತದೆ. ಇದು ಇಡೀ ಸರ್ಕ್ಯೂಟ್ ಅನ್ನು ಸ್ಥಗಿತಗೊಳಿಸುವುದಿಲ್ಲ ಅಥವಾ ಎಲ್ಲವನ್ನೂ ಬದಲಾಗಲು ಬಿಡುವುದಿಲ್ಲ.
ಈ ಸಮತೋಲನವು ಮುಖ್ಯವಾಗಿದೆ ಏಕೆಂದರೆ ಸಂಪೂರ್ಣವಾಗಿ ಸ್ಥಿರವಾದ (frozen) ಸರ್ಕ್ಯೂಟ್ ಹೊಸದನ್ನು ಏನನ್ನೂ ಕಲಿಯಲು ಸಾಧ್ಯವಿಲ್ಲ, ಆದರೆ ಸಂಪೂರ್ಣವಾಗಿ ಬದಲಾವಣೆಗಳಿಗೆ ಒಳಪಡುವ (plastic) ಸರ್ಕ್ಯೂಟ್ ಹಳೆಯದನ್ನೆಲ್ಲಾ ಮರೆತುಬಿಡುತ್ತದೆ. QEWC ಕ್ವಾಂಟಮ್ ಸ್ಥಿತಿಯ ಜ್ಯಾಮಿತಿಯನ್ನು ಗೌರವಿಸುವ ಮೂಲಕ ಮಧ್ಯಮ ಮಾರ್ಗವನ್ನು ಕಂಡುಕೊಳ್ಳುತ್ತದೆ.
ನೈಜ ಹಾರ್ಡ್ವೇರ್ನಲ್ಲಿ ಶಬ್ದದ (Noise) ಪ್ರತಿರೋಧ
ಪ್ರಸ್ತುತ ಲಭ್ಯವಿರುವ ಹೆಚ್ಚಿನ ಕ್ವಾಂಟಮ್ ಕಂಪ್ಯೂಟರ್ಗಳು 'ನಾಯ್ಸಿ ಇಂಟರ್ಮೀಡಿಯೇಟ್-ಸ್ಕೇಲ್ ಕ್ವಾಂಟಮ್' ಅಥವಾ NISQ ಸಾಧನಗಳಾಗಿವೆ. ಗೇಟ್ ದೋಷಗಳು, ಡಿಕೋಹೆರೆನ್ಸ್ ಮತ್ತು ಕ್ರಾಸ್ಟಾಕ್ ನೈಜ ಚಿಪ್ಗಳನ್ನು ಬಾಧಿಸುತ್ತವೆ. ಇಂತಹ ಪರಿಸರದಲ್ಲಿ, ಒಂದು ವಿಧಾನವು ಹಾರ್ಡ್ವೇರ್ನ ಅಪೂರ್ಣತೆಯಿಂದಾಗಿ ವಿಫಲವಾದರೆ, ಅದರ ಸೈದ್ಧಾಂತಿಕ ಸೊಬಗಿಗೆ ಯಾವುದೇ ಅರ್ಥವಿಲ್ಲ.
ಶಬ್ದವು (noise) ಇರುವಾಗವೇ QEWC ಕ್ಲಾಸಿಕಲ್ ಕನ್ಸೊಲಿಡೇಶನ್ ವಿಧಾನಗಳಿಗಿಂತ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂದು ಪರೀಕ್ಷೆಗಳು ಸೂಚಿಸುತ್ತವೆ. ಇದು ಕೇವಲ ಒಂದು ಸಣ್ಣ ವಿಷಯವಲ್ಲ. ಇದು ಕಾಗದದ ಮೇಲೆ ಕೆಲಸ ಮಾಡುವ ವಿಧಾನ ಮತ್ತು ಭೌತಿಕ ಯಂತ್ರದೊಂದಿಗೆ ಸಂಪರ್ಕದಲ್ಲಿದ್ದಾಗ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ವಿಧಾನದ ನಡುವಿನ ವ್ಯತ್ಯಾಸವಾಗಿದೆ. ಕ್ಲಾಸಿಕಲ್ ಅಳತೆ-ಅವಲಂಬಿತ ಕಾರ್ಯತಂತ್ರಗಳು ತಮ್ಮ ರೀಡ್ಔಟ್ಗಳನ್ನು ವಿರೂಪಗೊಳಿಸುವ ಅದೇ ಶಬ್ದದ ಚಾನಲ್ಗಳೊಂದಿಗೆ ಹೋರಾಡಬೇಕಾಗುತ್ತದೆ. QEWC ತನ್ನ ಪ್ರಾಮುಖ್ಯತೆಯ ತೂಕಗಳನ್ನು (importance weights) ಶಬ್ದಯುಕ್ತ ಅಳತೆ ಅಂಕಿಅಂಶಗಳಿಗಿಂತ ಹೆಚ್ಚಾಗಿ ಸ್ಥಿತಿಯ ಜ್ಯಾಮಿತಿಯಿಂದ ಪಡೆಯುವುದರಿಂದ, ಅದು ಅಂತಹ ದೋಷಗಳಿಂದ ತಪ್ಪಿಸಿಕೊಳ್ಳುತ್ತದೆ. ಇದರ ಪರಿಣಾಮವಾಗಿ, ಸುತ್ತಲಿನ ಕ್ಯೂಬಿಟ್ಗಳು ಸರಿಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸದಿದ್ದರೂ ಸ್ಥಿರವಾಗಿರುವ ನೆನಪನ್ನು ಉಳಿಸಿಕೊಳ್ಳುವ (memory-preserving) ಪದರವು ಲಭ್ಯವಾಗುತ್ತದೆ.
ಸಿಮ್ಯುಲೇಶನ್ನಿಂದ ಸಾಕ್ಷ್ಯಗಳು
ಈ ಚೌಕಟ್ಟನ್ನು ದೃಢೀಕರಿಸಲು, ಸಂಶೋಧನಾ ತಂಡವು ಪ್ರಮಾಣಿತ ನಿರಂತರ ಕಲಿಕೆಯ (continual learning) ಬೆಂಚ್ಮಾರ್ಕ್ಗಳ ಮೇಲೆ ಸಿಮ್ಯುಲೇಶನ್ಗಳನ್ನು ನಡೆಸಿತು. ಕೈಬರಹದ ಅಂಕಿಗಳನ್ನು ಗುರುತಿಸುವುದು ಮತ್ತು ಬಟ್ಟೆಯ ಚಿತ್ರಗಳನ್ನು ವರ್ಗೀಕರಿಸುವಂತಹ ಕಾರ್ಯಗಳನ್ನು ಕಲಿಯಲು ಮಾಡೆಲ್ಗೆ ಸೂಚಿಸಲಾಯಿತು—ಇದು ಈ ಕ್ಷೇತ್ರದಲ್ಲಿ ಬಳಸಲಾಗುವ ಕ್ಲಾಸಿಕ್ MNIST ಮತ್ತು Fashion-MNIST ವಿಭಜನೆಗಳನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ. ಮೊದಲ ಕಾರ್ಯದ ಮೇಲೆ ತರಬೇತಿ ನೀಡಿದ ನಂತರ, ಸರ್ಕ್ಯೂಟ್ವು ಪ್ರಮಾಣಿತ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ಮತ್ತು ನಂತರ QEWC ರಕ್ಷಣೆಯ ಅಡಿಯಲ್ಲಿ ಎರಡನೇ ಕಾರ್ಯಕ್ಕೆ ಮುಂದಾಯಿತು.
ಪ್ರಮಾಣಿತ ತರಬೇತಿಯು ಪ್ರಕ್ರಿಯೆಯನ್ನು ನಿಯಂತ್ರಿಸಿದಾಗ, ನಂತರದ ಕಾರ್ಯಗಳು ಹಿಂದಿನ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಹಾಳುಮಾಡಿದವು. ಸರ್ಕ್ಯೂಟ್ವು ತೀವ್ರವಾದ 'ಕ್ಯಾಟಾಸ್ಟ್ರೋಫಿಕ್ ಫಾರ್ಗೆಟಿಂಗ್' (catastrophic forgetting) ಅನ್ನು ಪ್ರದರ್ಶಿಸಿತು. ಆದರೆ QEWC ಅಡಿಯಲ್ಲಿ, ಪರಿಸ್ಥಿತಿ ಬದಲಾಯಿತು. ರಕ್ಷಿತ ಪ್ಯಾರಾಮೀಟರ್ಗಳು ತಮ್ಮ ಅಂಕಿ-ಗುರುತಿಸುವಿಕೆಯ ಜ್ಯಾಮಿತಿಯನ್ನು ಉಳಿಸಿಕೊಂಡವು, ಆದರೆ ಮುಕ್ತ ಪ್ಯಾರಾಮೀಟರ್ಗಳು ಕೈಗವಸುಗಳು, ಶೂಗಳು ಮತ್ತು ಪ್ಯಾಂಟ್ಗಳಿಗೆ ಹೊಂದಿಕೊಂಡವು. ಈ ಎರಡು ವಿಧಾನಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವು ಗಮನಾರ್ಹವಾಗಿತ್ತು. ಸಾಮಾನ್ಯ ತರಬೇತಿ ಪ್ರೋಟೋಕಾಲ್ಗಳಿಗೆ ಹೋಲಿಸಿದರೆ QEWC ನೆನಪಿನ ನಷ್ಟವನ್ನು ಗಮನಾರ್ಹವಾಗಿ ಕಡಿಮೆ ಮಾಡಿತು.
ನಿರಂತರ ಕಲಿಕೆಯು ಆಟವನ್ನೇ ಏಕೆ ಬದಲಾಯಿಸುತ್ತದೆ
ಇಲ್ಲಿನ ದೀರ್ಘಾವಧಿಯ ಲಾಭವೆಂದರೆ ಮರುಪ್ರಾರಂಭವಿಲ್ಲದ ನಿರಂತರ ಕಲಿಕೆ. ಪ್ರಸ್ತುತ, ಕಾರ್ಯ ವಿತರಣೆಯು ಬದಲಾದಾಗ ಅನೇಕ ಕ್ವಾಂಟಮ್ ತರಬೇತಿ ಪೈಪ್ಲೈನ್ಗಳು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಶೂನ್ಯದಿಂದ ಪ್ರಾರಂಭವಾಗುತ್ತವೆ. ಆ ವಿಧಾನವು ಶಕ್ತಿ, ಸಮಯ ಮತ್ತು ಕ್ವಾಂಟಮ್ ಹಾರ್ಡ್ವೇರ್ನ ಸೀಮಿತ ಕೋಹೆರೆನ್ಸ್ ಬಜೆಟ್ ಅನ್ನು ವ್ಯರ್ಥ ಮಾಡುತ್ತದೆ. ಒಂದು ಮಾನವ ಎಂಜಿನಿಯರ್ ಕೌಶಲ್ಯಗಳನ್ನು ಸಂಗ್ರಹಿಸುವ ರೀತಿಯಲ್ಲೇ—ಹಳೆಯದನ್ನು ಅಳಿಸದೆ ಹೊಸ ಕ್ಷೇತ್ರಗಳನ್ನು ಸೇರಿಸುವ ಮೂಲಕ—ಒಂದು ಕ್ವಾಂಟಮ್ ವ್ಯವಸ್ಥೆಯು ಜ್ಞಾನವನ್ನು ಸಂಗ್ರಹಿಸಬಲ್ಲದಾದರೆ, ಕ್ವಾಂಟಮ್ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ನ ಪ್ರಾಯೋಗಿಕ ಉಪಯುಕ್ತತೆಯು ನಾಟಕೀಯವಾಗಿ ವಿಸ್ತರಿಸುತ್ತದೆ.
ಕ್ವಾಂಟಮ್ ಕಂಪ್ಯೂಟರ್ಗಳನ್ನು ಬಳಸುವುದು ದುಬಾರಿ ಮತ್ತು ಅವುಗಳನ್ನು ನಿರ್ವಹಿಸುವುದು ಕಷ್ಟಕರ. ಪ್ರತಿಯೊಂದು ಹೊಸ ಡೇಟಾಸೆಟ್ಗಾಗಿ ಶೂನ್ಯದಿಂದ ಮರುತರಬೇತಿ ನೀಡುವುದು ಯಾವುದೇ ವಾಣಿಜ್ಯ ಬಳಕೆಯು ಭರಿಸಲಾಗದ ಐಷಾರಾಮಿ. QEWC ಒಂದು ಅಂತಹ ವ್ಯವಸ್ಥೆಯತ್ತ ಗಮನ ಹರಿಸುತ್ತದೆ ಎಲ್ಲಿ ಒಂದು ಏಕೈಕ ಕ್ವಾಂಟಮ್ ಮಾಡೆಲ್ ವಿಕಸನಗೊಳ್ಳುತ್ತದೆಯೋ, ಮತ್ತು ಪ್ರತಿ ಹೊಸ ಕಾರ್ಯದೊಂದಿಗೆ ಮತ್ತೆ ಮೊದಲಿನಿಂದ ಕಲಿಯುವ ಬದಲು ತನ್ನ ಕಲಿಕೆಯನ್ನು ಮುಂದುವರಿಸುತ್ತದೆಯೋ.
ಗಮನಿಸಬೇಕಾದ ಅಂಶಗಳು
ಈ ಸಂಶೋಧನೆಯು ಇನ್ನೂ ಸಿಮ್ಯುಲೇಶನ್ನಲ್ಲಿ ಆಧಾರಿತವಾಗಿದೆ, ಅಂದರೆ QEWC ಅನ್ನು ನೈಜ ಸೂಪರ್ಕಂಡಕ್ಟಿಂಗ್, ಟ್ರಾಪ್ಡ್-ಅಯಾನ್ ಅಥವಾ ಫೋಟೋನಿಕ್ ಹಾರ್ಡ್ವೇರ್ಗೆ ಪೋರ್ಟ್ ಮಾಡಿದಾಗ ನಿಜವಾದ ಪರೀಕ್ಷೆ ಎದುರಾಗುತ್ತದೆ. ಆದರೂ, ಈ ವೈಚಾರಿಕ ಬದಲಾವಣೆಯು ಸ್ಪಷ್ಟ ಮತ್ತು ಉಪಯುಕ್ತವಾಗಿದೆ. ಕ್ವಾಂಟಮ್ ಸ್ಥಿತಿಗಳ ಜ್ಯಾಮಿತೀಯ ತಿಳುವಳಿಕೆಯನ್ನು ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ನ ಪ್ರಾಯೋಗಿಕ ಅಗತ್ಯಗಳೊಂದಿಗೆ ಸಂಯೋಜಿಸುವ ಮೂಲಕ, ಕ್ವಾಂಟಮ್ AI ತನ್ನ ಅತ್ಯಂತ ಮೂಲಭೂತ ಅಡಚಣೆಗಳಲ್ಲಿ ಒಂದನ್ನು ಮೀರಿ ನಿಲ್ಲಬಲ್ಲದು ಎಂದು ಈ ಕೆಲಸವು ಸೂಚಿಸುತ್ತದೆ.
ಕ್ಯಾಟಾಸ್ಟ್ರೋಫಿಕ್ ಫಾರ್ಗೆಟಿಂಗ್ ಎಂಬುದು ಕಲಿಕೆಯ ಮೇಲೆ ವಿಧಿಸಲಾದ ಅನಿವಾರ್ಯ ಬೆಲೆಯಲ್ಲ. ಬ್ರೂಟ್-ಫೋರ್ಸ್ ಅಳತೆಯ ಬದಲಿಗೆ ಕ್ವಾಂಟಮ್ ಫಿಶರ್ ಇನ್ಫರ್ಮೇಷನ್ನಿಂದ ನಿರ್ಮಿಸಲಾದ ಸರಿಯಾದ ಗಣಿತೀಯ ಚೌಕಟ್ಟು (mathematical scaffolding), ಕ್ವಾಂಟಮ್ ಮಾಡೆಲ್ನ ಗಮನವು ಬೇರೆಡೆಗೆ ಹರಿಯುತ್ತಿದ್ದರೂ ಅದರ ನೆನಪನ್ನು ಅಖಂಡವಾಗಿ ಇರಿಸಬಲ್ಲದು ಎಂದು QEWC ಪ್ರದರ್ಶಿಸುತ್ತದೆ.
ಕ್ವಾಂಟಮ್ ಕಂಪ್ಯೂಟಿಂಗ್ ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ (AI) ಸಂಘಮವನ್ನು ಗಮನಿಸುತ್ತಿರುವವರಿಗೆ, ಇದು ಅನುಸರಿಸಲೇಬೇಕಾದ ವಿಷಯವಾಗಿದೆ. ಚರ್ಚೆಯಲ್ಲಿ ಭಾಗವಹಿಸಿ ಮತ್ತು https://t.me/GyaanSetuAi ನಲ್ಲಿರುವ GyaanSetu AI ಸಮುದಾಯದಲ್ಲಿ ಉದಯೋನ್ಮುಖ ಸಂಶೋಧನೆಗಳ ಬಗ್ಗೆ ಅಪ್ಡೇಟ್ ಆಗಿರಿ.