कल्पना करा की तुम्ही हाताने लिहिलेले अंक ओळखण्यासाठी एक क्वांटम न्यूरल नेटवर्क (quantum neural network) प्रशिक्षित करत आहात. जोपर्यंत अचूकता स्थिर होत नाही, तोपर्यंत तुम्ही सर्किटचे पॅरामीटर्स ट्यून करता. त्यानंतर तुम्ही दुसरे कार्य देता: कपड्यांच्या प्रतिमांचे वर्गीकरण करणे. मॉडेल वेगाने अनुकूल होते. परंतु जेव्हा तुम्ही पुन्हा अंकांसाठी त्याची चाचणी घेता, तेव्हा त्याची कामगिरी कोसळलेली असते. सर्किटने जे शिकले त्यावर आधारित नवीन काही निर्माण केले नाही, तर त्याने ते बदलून टाकले.
हे 'कॅटास्ट्रॉफिक फॉरगेटिंग' (catastrophic forgetting) आहे, आणि मशीन लर्निंगमधील सर्वात कठीण समस्यांपैकी एक म्हणून ते ओळखले जाते. क्लासिकल मॉडेल्सना याचा सतत सामना करावा लागतो. क्वांटम मॉडेल्सना याच दुहेरी अडचणीची अधिक तीव्र आवृत्ती भेडसावते, कारण त्यांची अंतर्गत कार्यप्रणाली सुपरपोझिशन (superposition) आणि एन्टँगलमेंट (entanglement) वर अवलंबून असते, जी तुम्ही थेट निरीक्षण करताच नष्ट होते. 'क्वांटम इलास्टिक वेट कन्सोलिडेशन' (Quantum Elastic Weight Consolidation) किंवा QEWC नावाचा एक आश्वासक नवीन दृष्टिकोन, क्वांटम स्टेटला क्लासिकल मापनांच्या संचाऐवजी एक भूमितीय वस्तू (geometric object) म्हणून मानून या समस्येवर मात करतो.
क्वांटम सर्किट्समध्ये विस्मरण अधिक तीव्र का होते
कोणत्याही प्रशिक्षणक्षम प्रणालीमध्ये, त्रुटी कमी करण्यासाठी पॅरामीटर्समध्ये बदल करून शिकणे घडते. धोका असा आहे की कालचे इष्टतम (optimal) पॅरामीटर्स आजचे चल (variables) असू शकतात. जेव्हा एखादे मॉडेल नवीन कार्यासाठी त्यांना पुन्हा लिहिते, तेव्हा ते अनेकदा आधीचे ज्ञान साठवलेले विशिष्ट कॉन्फिगरेशन पुसून टाकते. परिणामी, अशी प्रणाली तयार होते जी सतत शिकत असल्याचे भासते, परंतु प्रत्यक्षात ती केवळ क्षमतेच्या विलग स्नॅपशॉट्समधून (isolated snapshots) जात असते.
क्वांटम मशीन लर्निंग ही समस्या अधिक गंभीर करते. मेमरी टिकवून ठेवण्याचे क्लासिकल दृष्टिकोन सहसा मॉडेल मापनाला (measurement) कशी प्रतिक्रिया देते यावर अवलंबून असतात. ते थोडक्यात विचारतात, "जर आपण नेटवर्कचा हा भाग हलवला आणि आउटपुट पाहिले, तर त्यात किती बदल होतो?" हे तर्क असे गृहीत धरते की तुम्ही प्रणालीला मूलभूतपणे विचलित न करता त्याचे निरीक्षण करू शकता. क्वांटम मेकॅनिक्स अशी कोणतीही खात्री देत नाही. मापन (measurement) सुपरपोझिशन नष्ट करते. कोणते पॅरामीटर्स सर्वात महत्त्वाचे आहेत हे तपासण्याची कृती तुम्ही ज्या स्टेटचे संरक्षण करण्याचा प्रयत्न करत आहात, तिलाच बदलू शकते.
क्लासिकल मेमरी गार्डरेल्स कशाकडे दुर्लक्ष करतात
पारंपारिक AI महत्त्वाचा डेटा मापनावर आधारित सांख्यिकीशी (measurement-dependent statistics) जोडून सुरक्षित ठेवते. हे क्लासिकल पद्धती विशिष्ट रीडआउट्सच्या अंतर्गत प्रणाली कशी वागते यातून पॅरामीटरचे महत्त्व ट्रॅक करतात. जेव्हा मूळ हार्डवेअर क्लासिकल नियमांचे पालन करते तेव्हा हे मार्ग पुरेसे चांगले काम करतात. परंतु क्वांटम प्रोसेसर तसे करत नाहीत.
एक क्वांटम सर्किट माहिती एका उच्च-परिमाण (high-dimensional) स्टेट वेक्टरमध्ये एनकोड करते, ज्याची भूमिती थेट पाहण्यापासून लपलेली असते. त्या माहितीचे रक्षण करण्यासाठी प्रोजेक्टीव्ह मेझरमेंटवर (projective measurement) अवलंबून राहणे म्हणजे साबणाच्या बुडबुड्याचा आकार टिकवून ठेवण्यासाठी त्याला टोचण्याचा प्रयत्न करण्यासारखे आहे. तुम्हाला काही डेटा मिळेल, परंतु बुडबुडा आधीच बदललेला असेल. संशोधकांना प्रत्येक वेळी आउटपुटकडे थेट न पाहता महत्त्व जाण्वित करण्याचा मार्ग हवा होता.
क्वांटम फिशर इन्फॉर्मेशन (Quantum Fisher Information) दृष्टिकोन
येथे क्वांटम फिशर इन्फॉर्मेशन (QFI) महत्त्वाची भूमिका बजावते. QFI हे क्वांटम मेट्रोलॉजीमधून घेतलेले एक साधन आहे जे क्वांटम स्टेट त्याच्या मूळ पॅरामीटर्समधील लहान बदलांना किती संवेदनशील आहे हे मोजते. मापन काय दर्शवते हे विचारण्याऐवजी, QFI हे विचारते की स्टेटची भूमिती प्रत्येक पॅरामीटरभोवती कशी वळते. स्टेट स्पेसमधील तीव्र भागांमध्ये (steep regions) असलेले पॅरामीटर्स—जिथे एक लहानसा बदल मोठा भूमितीय बदल घडवून आणतो—तेच सर्वाधिक कार्य-महत्त्वाचे ज्ञान वाहून नेणारे ठरतात.
QFI वापरून, संशोधक महत्त्वाचे घटक थेट क्वांटम स्टेटच्या भूमितीवर मॅप करू शकतात. महत्त्वाचे काय आहे हे निश्चित करण्यासाठी या पद्धतीला कोणत्याही विशिष्ट मापन बेसिसची (measurement basis) गरज नसते. ती स्टेटला एका पृष्ठभागाप्रमाणे पाहते आणि अशा टेकड्या ओळखते ज्या सपाट होऊ नयेत.
QEWC ज्ञानाचे संरक्षण कसे करते
क्वांटम इलास्टिक वेट कन्सोलिडेशन त्या भूमितीय अंतर्दृष्टीचे रूपांतर प्रशिक्षण प्रोटोकॉलमध्ये करते. ही प्रक्रिया खालील ठोस टप्प्यांमध्ये विभागली जाऊ शकते:
महत्त्वाचे पॅरामीटर्स ओळखा. पहिले कार्य शिकल्यानंतर, QEWC सर्किट पॅरामीटर्समध्ये क्वांटम फिशर इन्फॉर्मेशनची गणना करते. उच्च स्कोअर विशिष्ट रोटेशन्स आणि एन्टँगलमेंट्सना सूचित करतात जे महत्त्वपूर्ण ज्ञान साठवतात.
महत्त्वाचे भाग लॉक करा. त्यानंतरच्या प्रशिक्षणादरम्यान, QEWC त्या उच्च-QFI पॅरामीटर्समधील बदलांना पेनल्टी (penalty) लागू करते. सर्किटला आधीच माहित असलेल्या गोष्टी बदलण्यासाठी किंमत मोजावी लागते.
उर्वरित भाग अनुकूल करण्यासाठी मुक्त करा. कमी QFI स्कोअर असलेल्या पॅरामीटर्सवर कमी निर्बंध असतात. सर्किट लवचिकता राखून ठेवते, नवीन इनपुट पॅटर्नमध्ये बसण्यासाठी त्याचे कमी महत्त्वाचे घटक पुन्हा आकार देते.
स्थिरता आणि लवचिकता यांचा समतोल साधा. हे फ्रेमवर्क जुने ज्ञान टिकवून ठेवणे आणि नवीन माहिती आत्मसात करणे यामधील समतोल स्पष्टपणे राखते. ते संपूर्ण सर्किट गोठवून ठेवत नाही, तसेच सर्व गोष्टी विस्कळीत होऊ देत नाही.
हे संतुलन महत्त्वाचे आहे कारण पूर्णपणे गोठलेले सर्किट काहीही नवीन शिकू शकत नाही, तर पूर्णपणे लवचिक (plastic) सर्किट जुने सर्व काही विसरून जाते. QEWC क्वांटम स्थितीच्या भूमितीचा आदर करून मध्यम मार्ग शोधते.
प्रत्यक्ष हार्डवेअरवरील नॉईज (Noise) प्रतिकारशक्ती
सध्या उपलब्ध असलेले बहुतेक क्वांटम संगणक हे 'नॉईजी इंटरमीडिएट-स्केल क्वांटम' (NISQ) उपकरणे आहेत. गेट एरर्स, डिकोहेरन्स आणि क्रॉस-टॉक यांसारख्या समस्या वास्तविक चिप्समध्ये मोठ्या प्रमाणात आढळतात. अशा वातावरणात, जर एखादी पद्धत हार्डवेअरमधील त्रुटींमुळे कोलमडून पडली, तर तिच्या सैद्धांतिक अचूकतेचा काहीही उपयोग होत नाही.
चाचण्या असे दर्शवतात की जेव्हा नॉईज उपस्थित असतो, तेव्हा QEWC क्लासिकल कन्सोलिडेशन दृष्टिकोनांपेक्षा अधिक सरस ठरते. हा केवळ एक छोटा मुद्दा नाही. ही कागदावर काम करणाऱ्या पद्धत आणि प्रत्यक्ष भौतिक मशीनसोबत काम करणारी पद्धत यातील फरक आहे. क्लासिकल मोजमापावर आधारित रणनीतींना त्याच नॉईज चॅनेलशी झुंज द्यावी लागते जे त्यांच्या रिडआउट्सना (readouts) विरूपित करतात. QEWC त्याचे 'इम्पॉर्टन्स वेट्स' नॉईजी मोजमाप सांख्यिकीऐवजी स्थितीच्या भूमितीमधून मिळवते, त्यामुळे ती या विरूपणापासून वाचते. परिणामी, एक स्मृती जपणारी लेयर तयार होते जी आजूबाजूचे क्युबिट्स (qubits) नीट काम करत नसले तरी स्थिर राहते.
सिम्युलेशनमधून मिळालेले पुरावे
या फ्रेमवर्कला प्रमाणित करण्यासाठी, संशोधन पथकाने मानक 'कंटिन्युअल लर्निंग' बेंचमार्कवर सिम्युलेशन चालवले. मॉडेलला हस्तलिखित अंक ओळखणे आणि कपड्यांच्या प्रतिमांचे वर्गीकरण करणे यांसारखी कामे शिकण्यास सांगण्यात आले—ही रचना क्षेत्रात वापरल्या जाणाऱ्या क्लासिक MNIST आणि Fashion-MNIST स्प्लिट्सचे प्रतिबिंब आहे. पहिल्या कामावर प्रशिक्षण दिल्यानंतर, सर्किट मानक परिस्थितीत आणि पुन्हा QEWC संरक्षणाखाली दुसऱ्या कामाकडे वळले.
जेव्हा मानक प्रशिक्षण प्रक्रियेवर नियंत्रण होते, तेव्हा नंतरच्या कामांमुळे आधीची कामगिरी खालावली. सर्किटमध्ये तीव्र 'कॅटास्ट्रोफिक फॉरगेटिंग' (विस्मरण) दिसून आले. QEWC अंतर्गत, परिस्थिती बदलली. संरक्षित पॅरामीटर्सनी त्यांची अंक-ओळख भूमिती कायम ठेवली, तर मुक्त पॅरामीटर्सनी बाह्या (sleeves), शूज आणि पँटनुसार स्वतःला जुळवून घेतले. दोन्ही दृष्टिकोनांमधील फरक लक्षणीय होता. सामान्य प्रशिक्षण प्रोटोकॉलच्या तुलनेत QEWC ने स्मृती गमावण्याचे प्रमाण लक्षणीयरीत्या कमी केले.
सतत शिकणे (Continuous Learning) खेळ का बदलतो
येथील दीर्घकालीन फायदा म्हणजे पुन्हा सुरुवात न करता सतत शिकणे. सध्या, जेव्हा टास्क डिस्ट्रिब्युशन बदलते, तेव्हा अनेक क्वांटम ट्रेनिंग पाईपलाईन्स प्रभावीपणे शून्यापासून सुरुवात करतात. हा दृष्टिकोन ऊर्जा, वेळ आणि क्वांटम हार्डवेअरचे मर्यादित कोहेरन्स बजेट वाया घालवतो. जर एखादी क्वांटम प्रणाली मानवी इंजिनिअरप्रमाणे कौशल्ये आत्मसात करू शकली—जसे की जुन्या गोष्टी पुसून न काढता नवीन क्षेत्रे जोडणे—तर क्वांटम मशीन लर्निंगची व्यावहारिक उपयुक्तता मोठ्या प्रमाणात वाढेल.
क्वांटम संगणक वापरणे महाग आहे आणि ते हाताळणे कठीण आहे. प्रत्येक नवीन डेटासेटसाठी शून्यापासून पुन्हा प्रशिक्षण देणे ही अशी चैन आहे जी कोणतेही व्यावसायिक उपयोजन परवडू शकत नाही. QEWC अशा स्थितीकडे निर्देश करते जिथे एकच क्वांटम मॉडेल विकसित होते, प्रत्येक नवीन कामासोबत पुन्हा प्राथमिक शिक्षण घेण्याऐवजी आपले ज्ञान पुढे नेण्यास सक्षम होते.
काय पाहावे
हे संशोधन अजूनही सिम्युलेशनवर आधारित आहे, याचा अर्थ असा की जेव्हा QEWC प्रत्यक्ष सुपरकंडक्टिंग, ट्रॅप्ड-आयन किंवा फोटोनिक हार्डवेअरवर वापरले जाईल, तेव्हा त्याची खरी परीक्षा होईल. तरीही, हा वैचारिक बदल स्पष्ट आणि उपयुक्त आहे. क्वांटम स्थितींच्या भूमितीय आकलनाला मशीन लर्निंगच्या व्यावहारिक गरजांशी जोडून, हे कार्य सुचवते की क्वांटम AI आपल्या सर्वात मूलभूत मर्यादांपैकी एक दूर करू शकते.
'कॅटास्ट्रोफिक फॉरगेटिंग' ही शिकण्यामधील एखादी अपरिहार्य अडचण नाही. QEWC हे सिद्ध करते की योग्य गणितीय संरचना—जी ब्रूट-फोर्स मोजमापाऐवजी क्वांटम फिशर इन्फॉर्मेशनपासून बनलेली आहे—क्वांटम मॉडेलचे लक्ष दुसरीकडे वळलेले असतानाही त्याची स्मृती अखंड ठेवू शकते.
जे क्वांटम कॉम्प्युटिंग आणि आर्टिफिशियल इंटेलिजन्सच्या संगमाचा मागोवा घेत आहेत, त्यांच्यासाठी हा विषय महत्त्वाचा आहे. चर्चेत सहभागी व्हा आणि https://t.me/GyaanSetuAi वर GyaanSetu AI समुदायातील उदयोन्मुख संशोधनाबद्दल अपडेट राहा.