Imagine training a quantum neural network to recognize handwritten digits. You tune the circuit parameters until accurac

ਕਲਪਨਾ ਕਰੋ ਕਿ ਤੁਸੀਂ ਹੱਥ ਨਾਲ ਲਿਖੇ ਅੰਕਾਂ ਨੂੰ ਪਛਾਣਨ ਲਈ ਇੱਕ ਕੁਆਂਟਮ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਨੂੰ ਸਿਖਾ ਰਹੇ ਹੋ। ਤੁਸੀਂ ਸਰਕਟ ਦੇ ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਉਦੋਂ ਤੱਕ ਟਿਊਨ ਕਰਦੇ ਹੋ ਜਦੋਂ ਤੱਕ ਸ਼ੁੱਧਤਾ ਸਥਿਰ ਨਹੀਂ ਹੋ ਜਾਂਦੀ। ਫਿਰ ਤੁਸੀਂ ਦੂਜਾ ਕੰਮ ਪੇਸ਼ ਕਰਦੇ ਹੋ: ਕੱਪੜਿਆਂ ਦੀਆਂ ਤਸਵੀਰਾਂ ਦਾ ਵਰਗੀਕਰਨ ਕਰਨਾ। ਮਾਡਲ ਤੇਜ਼ੀ ਨਾਲ ਅਨੁਕੂਲਿਤ ਹੋ ਜਾਂਦਾ ਹੈ। ਪਰ ਜਦੋਂ ਤੁਸੀਂ ਇਸਦਾ ਅੰਕਾਂ 'ਤੇ ਦੁਬਾਰਾ ਟੈਸਟ ਕਰਦੇ ਹੋ, ਤਾਂ ਇਸਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਪੂਰੀ ਤਰ੍ਹਾਂ ਡਿੱਗ ਜਾਂਦੀ ਹੈ। ਸਰਕਟ ਨੇ ਜੋ ਕੁਝ ਸਿੱਖਿਆ ਸੀ, ਉਸ ਨੂੰ ਅੱਗੇ ਨਹੀਂ ਵਧਾਇਆ। ਇਸ ਦੀ ਬਜਾਏ ਉਸ ਨੂੰ ਬਦਲ ਦਿੱਤਾ।

ਇਹ 'ਕੈਟਾਸਟ੍ਰੋਫਿਕ ਫੋਰਗੇਟਿੰਗ' (catastrophic forgetting) ਹੈ, ਅਤੇ ਇਹ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀਆਂ ਸਭ ਤੋਂ ਦੁਖਦਾਈ ਸਮੱਸਿਆਵਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਕਲਾਸੀਕਲ ਮਾਡਲ ਇਸ ਨਾਲ ਲਗਾਤਾਰ ਸੰਘਰਸ਼ ਕਰਦੇ ਹਨ। ਕੁਆਂਟਮ ਮਾਡਲਾਂ ਨੂੰ ਇਸੇ ਦੁਬਿਧਾ ਦਾ ਹੋਰ ਵੀ ਗੰਭੀਰ ਰੂਪ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪੈਂਦਾ ਹੈ, ਕਿਉਂਕਿ ਉਹਨਾਂ ਦੀ ਅੰਦਰੂਨੀ ਕਾਰਜ ਪ੍ਰਣਾਲੀ ਸੁਪਰਪੋਜ਼ੀਸ਼ਨ (superposition) ਅਤੇ ਐਂਟੈਂਗਲਮੈਂਟ (entanglement) 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ, ਜੋ ਕਿ ਉਹਨਾਂ ਨੂੰ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਦੇਖਣ ਦੇ ਹੀ ਖ਼ਤਮ ਹੋ ਜਾਂਦੀ ਹੈ। ਇੱਕ ਉਮੀਦ ਭਰਿਆ ਨਵਾਂ ਤਰੀਕਾ ਜਿਸ ਨੂੰ Quantum Elastic Weight Consolidation, ਜਾਂ QEWC ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਕੁਆਂਟਮ ਸਟੇਟ ਨੂੰ ਕਲਾਸੀਕਲ ਮਾਪ ਨਤੀਜਿਆਂ ਦੇ ਸਮੂਹ ਦੀ ਬਜਾਏ ਇੱਕ ਜਿਓਮੈਟ੍ਰਿਕ (geometric) ਵਸਤੂ ਵਜੋਂ ਮੰਨ ਕੇ ਇਸ ਸਮੱਸਿਆ ਦਾ ਹੱਲ ਕਰਦਾ ਹੈ।

ਕੁਆਂਟਮ ਸਰਕਟਾਂ ਵਿੱਚ ਭੁੱਲਣਾ ਕਿਉਂ ਵਧੇਰੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੁੰਦਾ ਹੈ

ਕਿਸੇ ਵੀ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਕਰਨ ਯੋਗ ਪ੍ਰਣਾਲੀ ਵਿੱਚ, ਗਲਤੀਆਂ ਨੂੰ ਘਟਾਉਣ ਲਈ ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਐਡਜਸਟ ਕਰਕੇ ਸਿੱਖਿਆ ਹੁੰਦੀ ਹੈ। ਖ਼ਤਰਾ ਇਹ ਹੈ ਕਿ ਕੱਲ੍ਹ ਦੇ ਵਧੀਆ ਪੈਰਾਮੀਟਰ ਅੱਜ ਦੇ ਵੇਰੀਏਬਲ (variables) ਵੀ ਹਨ। ਜਦੋਂ ਕੋਈ ਮਾਡਲ ਨਵੇਂ ਕੰਮ ਦੇ ਅਨੁਕੂਲ ਹੋਣ ਲਈ ਉਹਨਾਂ ਨੂੰ ਦੁਬਾਰਾ ਲਿਖਦਾ ਹੈ, ਤਾਂ ਇਹ ਅਕਸਰ ਉਹਨਾਂ ਖਾਸ ਕੌਂਫਿਗਰੇਸ਼ਨਾਂ ਨੂੰ ਮਿਟਾ ਦਿੰਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਪਹਿਲਾਂ ਵਾਲਾ ਗਿਆਨ ਭਰਿਆ ਸੀ। ਨਤੀਜਾ ਇੱਕ ਅਜਿਹੀ ਪ੍ਰਣਾਲੀ ਹੁੰਦਾ ਹੈ ਜੋ ਲਗਾਤਾਰ ਸਿੱਖਦੀ ਜਾਪਦੀ ਹੈ ਪਰ ਅਸਲ ਵਿੱਚ ਇਹ ਸਿਰਫ਼ ਯੋਗਤਾ ਦੀਆਂ ਅਲੱਗ-ਅਲੱਗ ਝਲਕਾਂ ਵਿੱਚ ਘੁੰਮ ਰਹੀ ਹੁੰਦੀ ਹੈ।

ਕੁਆਂਟਮ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਇਸ ਮਸਲੇ ਨੂੰ ਹੋਰ ਗੰਭੀਰ ਬਣਾ ਦਿੰਦੀ ਹੈ। ਮੈਮੋਰੀ ਨੂੰ ਬਚਾਉਣ ਦੇ ਕਲਾਸੀਕਲ ਤਰੀਕੇ ਆਮ ਤੌਰ 'ਤੇ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ ਕਿ ਮਾਡਲ ਮਾਪ (measurement) ਪ੍ਰਤੀ ਕਿਵੇਂ ਪ੍ਰਤੀਕਿਰਿਆ ਕਰਦਾ ਹੈ। ਉਹ ਅਸਲ ਵਿੱਚ ਪੁੱਛਦੇ ਹਨ, "ਜੇ ਅਸੀਂ ਨੈੱਟਵਰਕ ਦੇ ਇਸ ਹਿੱਸੇ ਨੂੰ ਛੇੜੀਏ ਅਤੇ ਆਉਟਪੁੱਟ ਨੂੰ ਦੇਖੀਏ, ਤਾਂ ਇਹ ਕਿੰਨਾ ਬਦਲਦਾ ਹੈ?" ਇਹ ਤਰਕ ਮੰਨਦਾ ਹੈ ਕਿ ਤੁਸੀਂ ਪ੍ਰਣਾਲੀ ਨੂੰ ਬੁਨਿਆਦੀ ਤੌਰ 'ਤੇ ਵਿਗਾੜੇ ਬਿਨਾਂ ਦੇਖ ਸਕਦੇ ਹੋ। ਕੁਆਂਟਮ ਮਕੈਨਿਕਸ ਅਜਿਹੀ ਕੋਈ ਗਾਰੰਟੀ ਨਹੀਂ ਦਿੰਦਾ। ਮਾਪ (measurement) ਸੁਪਰਪੋਜ਼ੀਸ਼ਨ ਨੂੰ ਖ਼ਤਮ ਕਰ ਦਿੰਦਾ ਹੈ। ਇਹ ਦੇਖਣ ਦੀ ਕਿਰਿਆ ਕਿ ਕਿਹੜੇ ਪੈਰਾਮੀਟਰ ਸਭ ਤੋਂ ਵੱਧ ਮਹੱਤਵਪੂਰਨ ਹਨ, ਉਸੇ ਸਟੇਟ ਨੂੰ ਬਦਲ ਸਕਦੀ ਹੈ ਜਿਸ ਨੂੰ ਤੁਸੀਂ ਬਚਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹੋ।

ਕਲਾਸੀਕਲ ਮੈਮੋਰੀ ਗਾਰਡਰੇਲ ਕੀ ਗੁਆਚਾ ਦਿੰਦੇ ਹਨ

ਰਵਾਇਤੀ AI ਮਹੱਤਵਪੂਰਨ ਡੇਟਾ ਨੂੰ ਮਾਪ-ਨਿਰਭਰ ਅੰਕੜਿਆਂ ਨਾਲ ਜੋੜ ਕੇ ਸੁਰੱਖਿਅਤ ਰੱਖਦਾ ਹੈ। ਇਹ ਕਲਾਸੀਕਲ ਤਰੀਕੇ ਸਿਸਟਮ ਦੇ ਵਿਵਹਾਰ ਦੇ ਆਧਾਰ 'ਤੇ ਪੈਰਾਮੀਟਰਾਂ ਦੀ ਮਹੱਤਤਾ ਨੂੰ ਟ੍ਰੈਕ ਕਰਦੇ ਹਨ। ਜਦੋਂ ਅੰਡਰਲਾਈਂ ਹਾਰਡਵੇਅਰ ਕਲਾਸੀਕਲ ਨਿਯਮਾਂ ਦੀ ਪਾਲਣਾ ਕਰਦਾ ਹੈ, ਤਾਂ ਇਹ ਕਾਫ਼ੀ ਚੰਗੀ ਤਰ੍ਹਾਂ ਕੰਮ ਕਰਦੇ ਹਨ। ਪਰ ਕੁਆਂਟਮ ਪ੍ਰੋਸੈਸਰ ਅਜਿਹਾ ਨਹੀਂ ਕਰਦੇ।

ਇੱਕ ਕੁਆਂਟਮ ਸਰਕਟ ਜਾਣਕਾਰੀ ਨੂੰ ਇੱਕ ਉੱਚ-ਆਯਾਮੀ (high-dimensional) ਸਟੇਟ ਵੈਕਟਰ ਵਿੱਚ ਇਨਕੋਡ ਕਰਦਾ ਹੈ ਜਿਸਦੀ ਜਿਓਮੈਟਰੀ ਸਿੱਧੀ ਦੇਖਣ ਤੋਂ ਲੁਕੀ ਹੋਈ ਹੁੰਦੀ ਹੈ। ਉਸ ਜਾਣਕਾਰੀ ਦੀ ਰੱਖਿਆ ਲਈ ਪ੍ਰੋਜੈਕਟਿਵ ਮੈਜ਼ਰਮੈਂਟ (projective measurement) 'ਤੇ ਨਿਰਭਰ ਕਰਨਾ ਇੱਕ ਸਾਬਣ ਦੇ ਬੁਲਬੁਲੇ ਦੇ ਆਕਾਰ ਨੂੰ ਉਸਨੂੰ ਛੇੜ ਕੇ ਬਚਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨ ਵਰਗਾ ਹੈ। ਤੁਹਾਨੂੰ ਕੁਝ ਡੇਟਾ ਤਾਂ ਮਿਲਦਾ ਹੈ, ਪਰ ਬੁਲਬੁਲਾ ਪਹਿਲਾਂ ਹੀ ਬਦਲ ਚੁੱਕਾ ਹੁੰਦਾ ਹੈ। ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਇੱਕ ਅਜਿਹੇ ਤਰੀਕੇ ਦੀ ਲੋੜ ਸੀ ਜਿਸ ਨਾਲ ਹਰ ਵਾਰ ਆਉਟਪੁੱਟ ਨੂੰ ਸਿੱਧਾ ਦੇਖੇ ਬਿਨਾਂ ਮਹੱਤਤਾ ਦਾ ਅਹਿਸਾਸ ਕੀਤਾ ਜਾ ਸਕੇ।

ਕੁਆਂਟਮ ਫਿਸ਼ਰ ਇਨਫਰਮੇਸ਼ਨ (Quantum Fisher Information) ਪਹੁੰਚ

ਇੱਥੇ ਕੁਆਂਟਮ ਫਿਸ਼ਰ ਇਨਫਰਮੇਸ਼ਨ ਦੀ ਭੂਮਿਕਾ ਸ਼ੁਰੂ ਹੁੰਦੀ ਹੈ। QFI ਕੁਆਂਟਮ ਮੈਟਰੋਲੋਜੀ ਤੋਂ ਲਿਆ ਗਿਆ ਇੱਕ ਸਾਧਨ ਹੈ ਜੋ ਇਹ ਮਾਪਦਾ ਹੈ ਕਿ ਇੱਕ ਕੁਆਂਟਮ ਸਟੇਟ ਆਪਣੇ ਅੰਡਰਲਾਈਂ ਪੈਰਾਮੀਟਰਾਂ ਵਿੱਚ ਛੋਟੀਆਂ ਤਬਦੀਲੀਆਂ ਪ੍ਰਤੀ ਕਿੰਨੀ ਸੰਵੇਦਨਸ਼ੀਲ ਹੈ। ਇਹ ਪੁੱਛਣ ਦੀ ਬਜਾਏ ਕਿ ਮਾਪ ਕੀ ਦਿਖਾਉਂਦਾ ਹੈ, QFI ਇਹ ਪੁੱਛਦਾ ਹੈ ਕਿ ਸਟੇਟ ਦੀ ਜਿਓਮੈਟਰੀ ਖੁਦ ਹਰੇਕ ਪੈਰਾਮੀਟਰ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਕਿਵੇਂ ਮੁੜਦੀ ਹੈ। ਉਹ ਪੈਰਾਮੀਟਰ ਜੋ ਸਟੇਟ ਸਪੇਸ ਦੇ ਖੜ੍ਹੇ ਖੇਤਰਾਂ ਵਿੱਚ ਹੁੰਦੇ ਹਨ—ਜਿੱਥੇ ਇੱਕ ਛੋਟੀ ਜਿਹੀ ਹਲਚਲ ਇੱਕ ਵੱਡੀ ਜਿਓਮੈਟ੍ਰਿਕ ਤਬਦੀਲੀ ਪੈਦਾ ਕਰਦੀ ਹੈ—ਉਹੀ ਸਭ ਤੋਂ ਵੱਧ ਕੰਮ-ਅਹਿਮ ਗਿਆਨ ਰੱਖਣ ਵਾਲੇ ਪੈਰਾਮੀਟਰ ਸਾਬਤ ਹੁੰਦੇ ਹਨ।

QFI ਦੀ ਵਰਤੋਂ ਕਰਕੇ, ਖੋਜਕਰਤਾ ਮਹੱਤਤਾ ਨੂੰ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਕੁਆਂਟਮ ਸਟੇਟ ਜਿਓਮੈਟਰੀ 'ਤੇ ਨਕਸ਼ਾ (map) ਕਰ ਸਕਦੇ ਹਨ। ਇਸ ਵਿਧੀ ਨੂੰ ਇਹ ਪਤਾ ਲਗਾਉਣ ਲਈ ਕਿਸੇ ਖਾਸ ਮਾਪ ਅਧਾਰ (measurement basis) ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ ਕਿ ਕੀ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਇਹ ਸਟੇਟ ਨੂੰ ਇੱਕ ਸਤਹ ਵਜੋਂ ਦੇਖਦਾ ਹੈ ਅਤੇ ਉਹਨਾਂ ਪਹਾੜੀਆਂ ਦੀ ਪਛਾਣ ਕਰਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਨੂੰ ਫਲੈਟ (flatten) ਨਹੀਂ ਹੋਣਾ ਚਾਹੀਦਾ।

QEWC ਗਿਆਨ ਦੀ ਰੱਖਿਆ ਕਿਵੇਂ ਕਰਦਾ ਹੈ

Quantum Elastic Weight Consolidation ਉਸ ਜਿਓਮੈਟ੍ਰਿਕ ਅੰਤਰਦ੍ਰਿਸ਼ਟੀ ਨੂੰ ਇੱਕ ਸਿਖਲਾਈ ਪ੍ਰੋਟੋਕੋਲ ਵਿੱਚ ਬਦਲ ਦਿੰਦਾ ਹੈ। ਇਸ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਵਿਸ਼ੇਸ਼ ਕਦਮਾਂ ਵਿੱਚ ਵੰਡਿਆ ਜਾ ਸਕਦਾ ਹੈ:

• ਮਹੱਤਵਪੂਰਨ ਪੈਰਾਮੀਟਰਾਂ ਦੀ ਪਛਾਣ ਕਰੋ। ਪਹਿਲੇ ਕੰਮ ਨੂੰ ਸਿੱਖਣ ਤੋਂ ਬਾਅਦ, QEWC ਸਰਕਟ ਪੈਰਾਮੀਟਰਾਂ ਵਿੱਚ ਕੁਆਂਟਮ ਫਿਸ਼ਰ ਇਨਫਰਮੇਸ਼ਨ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ। ਉੱਚ ਸਕੋਰ ਉਹਨ

ਇਹ ਸੰਤੁਲਨ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿਉਂਕਿ ਇੱਕ ਪੂਰੀ ਤਰ੍ਹਾਂ ਜੰਮਿਆ ਹੋਇਆ ਸਰਕਟ ਕੁਝ ਵੀ ਨਵਾਂ ਨਹੀਂ ਸਿੱਖ ਸਕਦਾ, ਜਦੋਂ ਕਿ ਇੱਕ ਪੂਰੀ ਤਰ੍ਹਾਂ ਲਚਕੀਲਾ ਸਰਕਟ ਸਭ ਕੁਝ ਪੁਰਾਣਾ ਭੁੱਲ ਜਾਂਦਾ ਹੈ। QEWC ਕੁਆਂਟਮ ਸਟੇਟ ਦੀ ਆਪਣੀ ਜਿਓਮੈਟਰੀ ਦਾ ਸਤਿਕਾਰ ਕਰਕੇ ਵਿਚਕਾਰਲਾ ਰਸਤਾ ਲੱਭਦਾ ਹੈ।

ਅਸਲ ਹਾਰਡਵੇਅਰ 'ਤੇ ਨੋਇਜ਼ ਪ੍ਰਤੀ ਰੋਧਕਤਾ

ਇਸ ਸਮੇਂ ਉਪਲਬਧ ਜ਼ਿਆਦਾਤਰ ਕੁਆਂਟਮ ਕੰਪਿਊਟਰ ਨੋਇਜ਼ੀ ਇੰਟਰਮੀਡੀਏਟ-ਸਕੇਲ ਕੁਆਂਟਮ, ਜਾਂ NISQ, ਡਿਵਾਈਸ ਹਨ। Gate errors, decoherence, ਅਤੇ cross-talk ਅਸਲ ਚਿੱਪਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ। ਇਸ ਮਾਹੌਲ ਵਿੱਚ, ਸਿਧਾਂਤਕ ਸੁੰਦਰਤਾ ਦਾ ਕੋਈ ਮਤਲਬ ਨਹੀਂ ਰਹਿ ਜਾਂਦਾ ਜੇਕਰ ਕੋਈ ਵਿਧੀ ਹਾਰਡਵੇਅਰ ਦੀਆਂ ਕਮੀਆਂ ਕਾਰਨ ਅਸਫਲ ਹੋ ਜਾਵੇ।

ਟੈਸਟ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ QEWC ਉਦੋਂ ਕਲਾਸੀਕਲ ਇਕੱਠਾ ਕਰਨ ਦੇ ਤਰੀਕਿਆਂ (consolidation approaches) ਨਾਲੋਂ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ ਜਦੋਂ ਨੋਇਜ਼ ਮੌਜੂਦ ਹੁੰਦਾ ਹੈ। ਇਹ ਕੋਈ ਮਾਮੂਲੀ ਗੱਲ ਨਹੀਂ ਹੈ। ਇਹ ਇੱਕ ਅਜਿਹੀ ਵਿਧੀ ਅਤੇ ਇੱਕ ਅਜਿਹੀ ਵਿਧੀ ਵਿਚਕਾਰ ਦਾ ਅੰਤਰ ਹੈ ਜੋ ਕਾਗਜ਼ 'ਤੇ ਕੰਮ ਕਰਦੀ ਹੈ ਅਤੇ ਇੱਕ ਅਜਿਹੀ ਜੋ ਭੌਤਿਕ ਮਸ਼ੀਨ ਨਾਲ ਸੰਪਰਕ ਵਿੱਚ ਰਹਿਣ 'ਤੇ ਟਿਕਦੀ ਹੈ। ਕਲਾਸੀਕਲ ਮਾਪ-ਨਿਰਭਰ ਰਣਨੀਤੀਆਂ ਨੂੰ ਉਹਨਾਂ ਹੀ ਨੋਇਜ਼ ਚੈਨਲਾਂ ਨਾਲ ਲੜਨਾ ਪੈਂਦਾ ਹੈ ਜੋ ਉਹਨਾਂ ਦੇ ਰੀਡਆਊਟਸ (readouts) ਨੂੰ ਵਿਗਾੜ ਦਿੰਦੇ ਹਨ। ਕਿਉਂਕਿ QEWC ਆਪਣੇ ਮਹੱਤਵਪੂਰਨ ਭਾਰ (importance weights) ਨੋਇਜ਼ੀ ਮਾਪ ਅੰਕੜਿਆਂ ਦੀ ਬਜਾਏ ਸਟੇਟ ਜਿਓਮੈਟਰੀ ਤੋਂ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ, ਇਸ ਲਈ ਇਹ ਉਸ ਖਰਾਬੀ ਤੋਂ ਬਚ ਜਾਂਦਾ ਹੈ। ਨਤੀਜੇ ਵਜੋਂ ਇੱਕ ਮੈਮੋਰੀ-ਸੁਰੱਖਿਅਤ ਲੇਅਰ ਮਿਲਦੀ ਹੈ ਜੋ ਉਦੋਂ ਵੀ ਸਥਿਰ ਰਹਿੰਦੀ ਹੈ ਜਦੋਂ ਇਸ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਦੇ qubits ਗਲਤ ਤਰ੍ਹਾਂ ਕੰਮ ਕਰਦੇ ਹਨ।

ਸਿਮੂਲੇਸ਼ਨ ਤੋਂ ਸਬੂਤ

ਫਰੇਮਵਰਕ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਲਈ, ਖੋਜ ਟੀਮ ਨੇ ਮਿਆਰੀ ਕੰਟੀਨਿਊਅਲ ਲਰਨਿੰਗ ਬੈਂਚਮਾਰਕਸ 'ਤੇ ਸਿਮੂਲੇਸ਼ਨ ਕੀਤੇ। ਮਾਡਲ ਨੂੰ ਹੱਥ ਨਾਲ ਲਿਖੇ ਅੰਕਾਂ ਨੂੰ ਪਛਾਣਨ ਅਤੇ ਕੱਪੜਿਆਂ ਦੀਆਂ ਤਸਵੀਰਾਂ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਵਰਗੇ ਕੰਮ ਸਿੱਖਣ ਲਈ ਕਿਹਾ ਗਿਆ ਸੀ—ਇੱਕ ਅਜਿਹਾ ਸੈੱਟਅੱਪ ਜੋ ਖੇਤਰ ਵਿੱਚ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਕਲਾਸਿਕ MNIST ਅਤੇ Fashion-MNIST ਸਪਲਿਟਸ ਦੀ ਨਕਲ ਕਰਦਾ ਹੈ। ਪਹਿਲੇ ਕੰਮ 'ਤੇ ਸਿਖਲਾਈ ਦੇਣ ਤੋਂ ਬਾਅਦ, ਸਰਕਟ ਮਿਆਰੀ ਸਥਿਤੀਆਂ ਦੇ ਅਧੀਨ ਦੂਜੇ ਕੰਮ ਵੱਲ ਵਧਿਆ ਅਤੇ ਦੁਬਾਰਾ QEWC ਦੀ ਸੁਰੱਖਿਆ ਦੇ ਅਧੀਨ ਅੱਗੇ ਵਧਿਆ।

ਜਦੋਂ ਮਿਆਰੀ ਸਿਖਲਾਈ ਨੇ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਕੰਟਰੋਲ ਕੀਤਾ, ਤਾਂ ਬਾਅਦ ਵਾਲੇ ਕੰਮਾਂ ਨੇ ਪਹਿਲਾਂ ਵਾਲੇ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਬਰਬਾਦ ਕਰ ਦਿੱਤਾ। ਸਰਕਟ ਵਿੱਚ ਭਾਰੀ catastrophic forgetting ਦੇ ਲੱਛਣ ਦੇਖੇ ਗਏ। QEWC ਦੇ ਅਧੀਨ, ਕਹਾਣੀ ਬਦਲ ਗਈ। ਸੁਰੱਖਿਅਤ ਪੈਰਾਮੀਟਰਾਂ ਨੇ ਆਪਣੀ ਅੰਕ-ਪਛਾਣ ਵਾਲੀ ਜਿਓਮੈਟਰੀ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਿਆ ਜਦੋਂ ਕਿ ਫ੍ਰੀ ਪੈਰਾਮੀਟਰਾਂ ਨੇ ਬਾਹਾਂ (sleeves), ਜੁੱਤੀਆਂ ਅਤੇ ਪੈਂਟਾਂ ਦੇ ਅਨੁਕੂਲ ਆਪਣੇ ਆਪ ਨੂੰ ਢਾਲ ਲਿਆ। ਦੋਵਾਂ ਤਰੀਕਿਆਂ ਵਿਚਕਾਰ ਅੰਤਰ ਮਹੱਤਵਪੂਰਨ ਸੀ। QEWC ਨੇ ਆਮ ਸਿਖਲਾਈ ਪ੍ਰੋਟੋਕੋਲ ਦੇ ਮੁਕਾਬਲੇ ਮੈਮੋਰੀ ਦੇ ਨੁਕਸਾਨ ਨੂੰ ਕਾਫ਼ੀ ਘਟਾ ਦਿੱਤਾ।

ਕੰਟੀਨਿਊਅਸ ਲਰਨਿੰਗ ਖੇਡ ਨੂੰ ਕਿਉਂ ਬਦਲ ਦਿੰਦੀ ਹੈ

ਇੱਥੇ ਲੰਬੇ ਸਮੇਂ ਦਾ ਫਾਇਦਾ ਬਿਨਾਂ ਰੀਸਟਾਰਟ ਦੇ ਕੰਟੀਨਿਊਅਸ ਲਰਨਿੰਗ ਹੈ। ਇਸ ਸਮੇਂ, ਕਈ ਕੁਆਂਟਮ ਟ੍ਰੇਨਿੰਗ ਪਾਈਪਲਾਈਨਾਂ ਟਾਸਕ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਬਦਲਣ 'ਤੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਜ਼ੀਰੋ ਤੋਂ ਸ਼ੁਰੂ ਹੁੰਦੀਆਂ ਹਨ। ਉਹ ਤਰੀਕਾ ਊਰਜਾ, ਸਮਾਂ ਅਤੇ ਕੁਆਂਟਮ ਹਾਰਡਵੇਅਰ ਦੇ ਸੀਮਤ ਕੋਹੇਰੈਂਸ ਬਜਟ ਨੂੰ ਬਰਬਾਦ ਕਰਦਾ ਹੈ। ਜੇਕਰ ਇੱਕ ਕੁਆਂਟਮ ਸਿਸਟਮ ਉਸੇ ਤਰ੍ਹਾਂ ਗਿਆਨ ਇਕੱਠਾ ਕਰ ਸਕਦਾ ਹੈ ਜਿਸ ਤਰ੍ਹਾਂ ਇੱਕ ਮਨੁੱਖੀ ਇੰਜੀਨੀਅਰ ਹੁਨਰ ਇਕੱਠਾ ਕਰਦਾ ਹੈ—ਪੁਰਾਣੇ ਨੂੰ ਮਿਟਾਏ ਬਿਨਾਂ ਨਵੇਂ ਖੇਤਰਾਂ ਨੂੰ ਜੋੜਨਾ—ਤਾਂ ਕੁਆਂਟਮ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਵਿਹਾਰਕ ਉਪਯੋਗਤਾ ਬਹੁਤ ਵੱਧ ਜਾਂਦੀ ਹੈ।

ਕੁਆਂਟਮ ਕੰਪਿਊਟਰਾਂ ਤੱਕ ਪਹੁੰਚ ਕਰਨਾ ਮਹਿੰਗਾ ਹੈ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਚਲਾਉਣਾ ਔਖਾ ਹੈ। ਹਰ ਨਵੇਂ ਡੇਟਾਸੈੱਟ ਲਈ ਜ਼ੀਰੋ ਤੋਂ ਮੁੜ ਸਿਖਲਾਈ ਦੇਣਾ ਇੱਕ ਅਜਿਹੀ ਲਗਜ਼ਰੀ ਹੈ ਜੋ ਕੋਈ ਵੀ ਵਪਾਰਕ ਤਾਇਨਾਤੀ ਨਹੀਂ ਅਪਨਾ ਸਕਦੀ। QEWC ਇੱਕ ਅਜਿਹੇ ਦੌਰ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰਦਾ ਹੈ ਜਿੱਥੇ ਇੱਕ ਸਿੰਗਲ ਕੁਆਂਟਮ ਮਾਡਲ ਵਿਕਸਤ ਹੁੰਦਾ ਹੈ, ਜੋ ਹਰ ਨਵੇਂ ਅਸਾਈਨਮੈਂਟ ਨਾਲ ਕਿੰਡਰਗਾਰਟਨ ਨੂੰ ਦੁਹਰਾਉਣ ਦੀ ਬਜਾਏ ਆਪਣੀ ਸਿੱਖਿਆ ਨੂੰ ਅੱਗੇ ਵਧਾਉਂਦਾ ਹੈ।

ਕੀ ਦੇਖਣਾ ਹੈ

ਇਹ ਖੋਜ ਅਜੇ ਵੀ ਸਿਮੂਲੇਸ਼ਨ 'ਤੇ ਅਧਾਰਤ ਹੈ, ਜਿਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਅਸਲ ਟੈਸਟ ਉਦੋਂ ਆਵੇਗਾ ਜਦੋਂ QEWC ਨੂੰ ਅਸਲ superconducting, trapped-ion, ਜਾਂ photonic ਹਾਰਡਵੇਅਰ 'ਤੇ ਲਾਗੂ ਕੀਤਾ ਜਾਵੇਗਾ। ਫਿਰ ਵੀ, ਸੰਕਲਪਿਕ ਤਬਦੀਲੀ ਸਪੱਸ਼ਟ ਅਤੇ ਉਪਯੋਗੀ ਹੈ। ਕੁਆਂਟਮ ਸਟੇਟਸ ਦੀ ਜਿਓਮੈਟ੍ਰਿਕ ਸਮਝ ਨੂੰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀਆਂ ਵਿਹਾਰਕ ਲੋੜਾਂ ਨਾਲ ਜੋੜ ਕੇ, ਇਹ ਕੰਮ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ ਕਿ ਕੁਆਂਟਮ AI ਆਪਣੀਆਂ ਸਭ ਤੋਂ ਬੁਨਿਆਦੀ ਕਮੀਆਂ ਵਿੱਚੋਂ ਇੱਕ 'ਤੇ ਜਿੱਤ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦਾ ਹੈ।

Catastrophic forgetting ਸਿੱਖਣ 'ਤੇ ਕੋਈ ਲਾਜ਼ਮੀ ਟੈਕਸ ਨਹੀਂ ਹੈ। QEWC ਸਾਬਤ ਕਰਦਾ ਹੈ ਕਿ ਸਹੀ ਗਣਿਤਕ ਢਾਂਚਾ—ਜੋ brute-force ਮਾਪ ਦੀ ਬਜਾਏ Quantum Fisher Information ਤੋਂ ਬਣਾਇਆ ਗਿਆ ਹੈ—ਕੁਆਂਟਮ ਮਾਡਲ ਦੀ ਯਾਦਦਾਸ਼ਤ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖ ਸਕਦਾ ਹੈ ਜਦੋਂ ਕਿ ਇਸਦਾ ਧਿਆਨ ਕਿਤੇ ਹੋਰ ਹੋਵੇ।

ਉਹਨਾਂ ਲਈ ਜੋ ਕੁਆਂਟਮ ਕੰਪਿਊਟਿੰਗ ਅਤੇ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੇ ਮੇਲ ਦੀ ਨਿਗਰਾਨੀ ਕਰ ਰਹੇ ਹਨ, ਇਹ ਇੱਕ ਅਜਿਹਾ ਵਿਸ਼ਾ ਹੈ ਜਿਸਦਾ ਪਿੱਛਾ ਕਰਨਾ ਬਣਦਾ ਹੈ। ਚਰਚਾ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਵੋ ਅਤੇ https://t.me/GyaanSetuAi 'ਤੇ GyaanSetu AI ਕਮਿਊਨਿਟੀ ਵਿੱਚ ਉੱਭਰ ਰਹੀ ਖੋਜ ਬਾਰੇ ਅਪਡੇਟ ਰਹੋ।