கைப்பட எழுதப்பட்ட எண்களை அடையாளம் காண ஒரு குவாண்டம் நரம்பியல் வலைப்பின்னலை (quantum neural network) பயிற்றுவிப்பதாகக் கற்பனை செய்து பாருங்கள். துல்லியம் நிலைபெறும் வரை நீங்கள் சுற்றின் அளருருக்களை (circuit parameters) சரிசெய்கிறீர்கள். பின்னர் நீங்கள் இரண்டாவது பணியை வழங்குகிறீர்கள்: ஆடைகளின் படங்களை வகைப்படுத்துதல். மாதிரி விரைவாகத் தகவமைத்துக் கொள்கிறது. ஆனால் நீங்கள் மீண்டும் எண்களைக் கொண்டு அதைச் சோதிக்கும்போது, அதன் செயல்திறன் சரிந்துவிடுகிறது. அந்தச் சுற்று தான் கற்றவற்றின் அடிப்படையில் புதியவற்றைக் கற்கவில்லை; மாறாக கற்றவற்றை நீக்கிவிட்டுப் புதியவற்றைப் பொருத்தியுள்ளது.

இதுதான் 'பேரழிவு மறதி' (catastrophic forgetting), இது இயந்திர கற்றலில் (machine learning) உள்ள மிகவும் பிடிவாதமான சிக்கல்களில் ஒன்றாகும். பாரம்பரிய மாதிரிகள் இதனுடன் தொடர்ந்து போராடுகின்றன. குவாண்டம் மாதிரிகள் இதே சிக்கலை இன்னும் தீவிரமாக எதிர்கொள்கின்றன, ஏனெனில் அவற்றின் உள் செயல்பாடுகள் superposition மற்றும் entanglement ஆகியவற்றின் அடிப்படையில் அமைகின்றன; இவற்றை நீங்கள் நேரடியாகக் கவனிக்கும் தருணமே அவை சிதைந்துவிடுகின்றன. Quantum Elastic Weight Consolidation அல்லது QEWC எனப்படும் ஒரு நம்பிக்கைக்குரிய புதிய அணுகுமுறை, குவாண்டம் நிலையை (quantum state) பாரம்பரிய அளவீட்டு முடிவுகளின் தொகுப்பாகக் கருதாமல், ஒரு வடிவியல் பொருளாகக் (geometric object) கருதுவதன் மூலம் இதைத் தீர்க்கிறது.

குவாண்டம் சுற்றுகளில் மறதி ஏன் அதிக பாதிப்பை ஏற்படுத்துகிறது?

பயன்படுத்தக்கூடிய எந்தவொரு அமைப்பிலும், பிழையைக் குறைக்க அளருருக்களை (parameters) சரிசெய்வதன் மூலம் கற்றல் நிகழ்கிறது. ஆபத்து என்னவென்றால், நேற்றைய உகந்த அளருருக்களே இன்றைய மாறிகளாகவும் (variables) இருக்கலாம். ஒரு மாதிரி புதிய பணிக்கு ஏற்ப அவற்றை மாற்றியமைக்கும்போது, அது முந்தைய அறிவைச் சேமித்து வைத்திருந்த குறிப்பிட்ட கட்டமைப்புகளை பெரும்பாலும் அழித்துவிடுகிறது. இதன் விளைவாக, ஒரு அமைப்பு தொடர்ந்து கற்பது போலத் தோன்றினாலும், உண்மையில் அது தனித்தனித் திறன்களின் சுழற்சியாகவே இருக்கிறது.

குவாண்டம் இயந்திர கற்றல் இந்தச் சிக்கலை மேலும் சிக்கலாக்குகிறது. நினைவகத்தைப் பாதுகாப்பதற்கான பாரம்பரிய அணுகுமுறைகள் பொதுவாக மாதிரி எவ்வாறு அளவீட்டிற்கு (measurement) எதிர்வினையாற்றுகிறது என்பதைக் கவனிப்பதையே நம்பியுள்ளன. அவை அடிப்படையில், "இந்த வலைப்பின்னலின் இந்தப் பகுதியை நாம் தூண்டிவிட்டு அதன் வெளியீட்டைக் கவனித்தால், அது எவ்வளவு மாறுகிறது?" என்று கேட்கின்றன. இந்தத் தர்க்கம், அமைப்பை அடிப்படையால் பாதிக்காமல் உங்களால் கவனிக்க முடியும் என்று கருதுகிறது. ஆனால் குவாண்டம் இயக்கவியல் அத்தகைய உத்தரவாதத்தை அளிக்கவில்லை. அளவீடு (Measurement) என்பது superposition-ஐச் சிதைத்துவிடும். எந்த அளருருக்கள் மிக முக்கியமானவை என்பதைச் சரிபார்க்கும் செயல்முறை, நீங்கள் பாதுகாக்க முயலும் அந்த நிலையையே (state) மாற்றிவிடக்கூடும்.

பாரம்பரிய நினைவகப் பாதுகாப்புகள் எவற்றைக் கவனிக்கத் தவறுகின்றன?

பாரம்பரிய AI, முக்கியமான தரவுகளை அளவீட்டைச் சார்ந்த புள்ளிவிவரங்களுடன் (measurement-dependent statistics) இணைப்பதன் மூலம் பாதுகாக்கிறது. இந்த பாரம்பரிய முறைகள், குறிப்பிட்ட வெளியீடுகளின் கீழ் அமைப்பு எவ்வாறு செயல்படுகிறது என்பதன் மூலம் அளருருக்களின் முக்கியத்துவத்தைக் கண்காணிக்கின்றன. அடிப்படையான வன்பொருள் (hardware) பாரம்பரிய விதிகளுக்குக் கீழ்ப்படிந்து செயல்படும் போது இவை நன்றாகச் செயல்படுகின்றன. ஆனால் குவாண்டம் செயலிகள் அவ்வாறு செயல்படுவதில்லை.

ஒரு குவாண்டம் சுற்று, அதன் வடிவியல் நேரடியாகத் தெரியாத ஒரு உயர்-பரிமாண நிலை வெக்டரில் (high-dimensional state vector) தகவல்களைச் சேமிக்கிறது. அந்தத் தகவலைப் பாதுகாக்க projective measurement-ஐச் சார்ந்திருப்பது, ஒரு சோப்பு குமிழியைத் தொட்டு அதன் வடிவத்தைப் பாதுகாக்க முயற்சிப்பதைப் போன்றது. உங்களுக்குச் சில தரவுகள் கிடைக்கும், ஆனால் குமிழி ஏற்கனவே மாறிவிರುತ್ತದೆ. ஆராய்ச்சியாளர்களுக்குத் தேவைப்பட்டது, ஒவ்வொரு முறையும் வெளியீட்டை நேரடியாகப் பார்க்காமல் முக்கியத்துவத்தை உணரும் ஒரு வழியாகும்.

The Quantum Fisher Information Approach

அங்குதான் Quantum Fisher Information (QFI) நுழைகிறது. QFI என்பது குவாண்டம் அளவீட்டியலில் (quantum metrology) இருந்து எடுக்கப்பட்ட ஒரு கருவியாகும்; இது ஒரு குவாண்டம் நிலை அதன் அடிப்படையான அளருருக்களில் ஏற்படும் சிறிய மாற்றங்களுக்கு எவ்வளவு உணர்திறன் கொண்டது என்பதை அளவிடுகிறது. ஒரு அளவீடு எதைக் காட்டுகிறது என்று கேட்பதற்குப் பதிலாக, QFI என்பது அந்த நிலையின் வடிவியல் (geometry) ஒவ்வொரு அளருருவைச் சுற்றியும் எவ்வாறு வளைகிறது என்று கேட்கிறது. நிலை வெளியில் (state space) செங்குத்தான பகுதிகளில் இருக்கும் அளருருக்கள்—அதாவது ஒரு சிறிய நகர்வு பெரிய வடிவியல் மாற்றத்தை ஏற்படுத்தும் இடங்கள்—பணிக்கு மிக முக்கியமான அறிவைக் கொண்டுள்ளன என்பது தெரியவருகிறது.

QFI-ஐப் பயன்படுத்துவதன் மூலம், ஆராய்ச்சியாளர்கள் முக்கியத்துவத்தை நேரடியாக குவாண்டம் நிலை வடிவியலுடன் இணைக்க முடியும். எது முக்கியம் என்பதைத் தீர்மானிக்க இந்த முறைக்கு எந்த குறிப்பிட்ட அளவீட்டுத் தளமும் (measurement basis) தேவையில்லை. இது அந்த நிலையை ஒரு மேற்பரப்பாகப் பார்த்து, சமதளமாக்கக் கூடாத மேடுகளைக் கண்டறிகிறது.

How QEWC Protects Knowledge

Quantum Elastic Weight Consolidation என்பது அந்த வடிவியல் நுண்ணறிவை ஒரு பயிற்சி நெறிமுறையாக (training protocol) மாற்றுகிறது. இந்தச் செயல்முறையைத் தெளிவான படிகளாகப் பிரிக்கலாம்:

  • முக்கியமான அளருருக்களைக் கண்டறிதல். முதல் பணியைக் கற்ற பிறகு, QEWC சுற்று அளருருக்களின் குறுக்கே Quantum Fisher Information-ஐக் கணக்கிடுகிறது. அதிக மதிப்பெண்கள், முக்கியமான அறிவைச் சேமித்து வைக்கும் குறிப்பிட்ட சுழற்சிகள் (rotations) மற்றும் பிணைப்புகளை (entanglements) அடையாளம் காட்டுகின்றன.

  • முக்கியமான பகுதிகளைப் பூட்டுதல். அடுத்தடுத்த பயிற்சியின் போது, QEWC அந்த அதிக QFI கொண்ட அளருருக்களில் ஏற்படும் மாற்றங்களுக்குத் தண்டனை (penalty) விதிக்கிறது. ஏற்கனவே தெரிந்தவற்றை மாற்றியமைப்பதற்குச் சுற்று ஒரு விலையைக் கொடுக்கிறது.

  • மற்றவற்றைத் தகவமைக்க விடுதல். குறைந்த QFI மதிப்பெண் கொண்ட அளருருக்களுக்குக் குறைவான கட்டுப்பாடுகளே இருக்கும். சுற்று நெகிழ்வுத்தன்மையைப் பேணுகிறது, புதிய உள்ளீட்டு முறைகளுக்கு ஏற்ப அதன் குறைந்த முக்கியத்துவம் வாய்ந்த அளருருக்களை மாற்றியமைக்கிறது.

  • நிலைத்தன்மை மற்றும் நெகிழ்வுத்தன்மைக்கு இடையே சமநிலைப்படுத்துதல். இந்த கட்டமைப்பானது பழைய அறிவைத் தக்கவைப்பதற்கும் புதிய தகவல்களை உள்வாங்குவதற்கும் இடையே ஒரு சமநிலையைத் தெளிவாகக் கையாள்கிறது. இது முழுச் சுற்றையும் உறைய வைப்பதோ அல்லது எல்லாவற்றையும் மாற விடவோ செய்வதில்லை.

இந்தச் சமநிலை முக்கியமானது, ஏனெனில் முற்றிலும் உறைந்த நிலையில் உள்ள ஒரு மின்சுற்று (circuit) எதையும் புதிதாகக் கற்க முடியாது, அதே சமயம் முற்றிலும் நெகிழ்வான நிலையில் உள்ள ஒன்று பழைய அனைத்தையும் மறந்துவிடும். QEWC குவாண்டம் நிலையின் (quantum state) வடிவியலையே (geometry) மதிப்பதன் மூலம் ஒரு நடுநிலையான பாதையைக் கண்டறிகிறது.

நிஜ வன்பொருளில் இரைச்சல் எதிர்ப்பு (Noise Resistance)

தற்போது கிடைக்கக்கூடிய பெரும்பாலான குவாண்டம் கணினிகள் இரைச்சல் மிகுந்த இடைநிலை அளவிலான குவாண்டம் (noisy intermediate-scale quantum - NISQ) சாதனங்களாகும். கேட் பிழைகள் (Gate errors), டீகோஹரன்ஸ் (decoherence) மற்றும் கிராஸ்-டாக் (cross-talk) ஆகியவை நிஜ சிப்களைப் பாதிக்கின்றன. இத்தகைய சூழலில், ஒரு முறை வன்பொருள் குறைபாடுகளால் செயலிழந்தால், அதன் கோட்பாட்டு நேர்த்தி எதற்கும் உதவாது.

இரைச்சல் இருக்கும்போது, பாரம்பரிய ஒருங்கிணைப்பு முறைகளை விட (classical consolidation approaches) QEWC சிறப்பாகச் செயல்படுவதாகச் சோதனைகள் காட்டுகின்றன. இது ஒரு சிறிய விஷயம் அல்ல. இது காகிதத்தில் மட்டும் வேலை செய்யும் ஒரு முறைக்கும், ஒரு இயற்பியல் இயந்திரத்துடன் தொடர்பு கொள்ளும்போது நிலைத்து நிற்கும் ஒரு முறைக்கும் இடையிலான வேறுபாடாகும். அளவீடுகளைச் சார்ந்திருக்கும் பாரம்பரிய உத்திகள், அவற்றின் வாசிப்புகளை (readouts) சிதைக்கும் அதே இரைச்சல் சேனல்களுடன் போராட வேண்டியிருக்கும். QEWC தனது முக்கியத்துவ எடைகளை (importance weights) இரைச்சல் மிகுந்த அளவீட்டு புள்ளிவிவரங்களிலிருந்து பெறாமல், நிலையின் வடிவியலிலிருந்து (state geometry) பெறுவதால், அந்தச் சிதைவைத் தவிர்க்க முடிகிறது. இதன் விளைவாக, அதைச் சுற்றியுள்ள கியூபிட்கள் (qubits) தவறாகச் செயல்பட்டாலும் நிலையாக இருக்கும் ஒரு நினைவகப் பாதுகாப்பு அடுக்கு (memory-preserving layer) கிடைக்கிறது.

உருவகப்படுத்துதலில் (Simulation) இருந்து கிடைக்கும் சான்றுகள்

இந்த கட்டமைப்பைச் சரிபார்க்க, ஆராய்ச்சி குழு தரப்படுத்தப்பட்ட தொடர்ச்சியான கற்றல் (continual learning) அளவுகோல்களில் உருவகப்படுத்துதல்களைச் (simulations) நடத்தியது. கையால் எழுதப்பட்ட எண்களை அடையாளம் காண்பது மற்றும் ஆடைப் படங்களை வகைப்படுத்துவது போன்ற பணிகளைக் கற்க மாடலுக்கு அறிவுறுத்தப்பட்டது—இது இந்தத் துறையில் பயன்படுத்தப்படும் கிளாசிக் MNIST மற்றும் Fashion-MNIST பிரிவுகளைப் பிரதிபலிக்கிறது. முதல் பணியில் பயிற்சி பெற்ற பிறகு, மின்சுற்று சாதாரண நிலைமைகளின் கீழும், மீண்டும் QEWC பாதுகாப்பின் கீழும் இரண்டாவது பணிக்குச் சென்றது.

சாதாரணப் பயிற்சி முறையைப் பயன்படுத்தியபோது, பிந்தைய பணிகள் முந்தைய செயல்திறனைச் சிதைத்தன. மின்சுற்று கடுமையான 'பேரழிவு மறதி'யை (catastrophic forgetting) வெளிப்படுத்தியது. QEWC-ன் கீழ், நிலைமை மாறியது. பாதுகாக்கப்பட்ட அளவுருக்கள் (parameters) அவற்றின் எண்-அடையாள வடிவியலைத் தக்க வைத்துக் கொண்டன, அதே நேரத்தில் சுதந்திரமான அளவுருக்கள் கைகள் (sleeves), காலணிகள் மற்றும் கால்சட்டைகளுக்கு ஏற்பத் தகவமைத்துக் கொண்டன. இந்த இரண்டு அணுகுமுறைகளுக்கும் இடையிலான வேறுபாடு குறிப்பிடத்தக்கதாக இருந்தது. சாதாரணப் பயிற்சி நெறிமுறைகளுடன் ஒப்பிடும்போது QEWC நினைவக இழப்பைக் கணிசமாகக் குறைத்தது.

தொடர்ச்சியான கற்றல் ஏன் விளையாட்டை மாற்றுகிறது

இதன் நீண்டகாலப் பயன், மறுதொடக்கம் (restarts) இல்லாமலேயே தொடர்ச்சியாகக் கற்றல் ஆகும். தற்போது, பணிப் பகிர்வு (task distribution) மாறும்போது, பல குவாண்டம் பயிற்சி வழிமுறைகள் (pipelines) நடைமுறையில் பூஜ்ஜியத்திலிருந்து தொடங்குகின்றன. அந்த அணுகுமுறை ஆற்றல், நேரம் மற்றும் குவாண்டம் வன்பொருளின் வரையறுக்கப்பட்ட கோஹரன்ஸ் (coherence) வரவுசெலவுத் திட்டத்தை வீணாக்குகிறது. ஒரு மனிதப் பொறியாளர் திறன்களைப் பெறுவது போல—பழையவற்றை அழிக்காமல் புதிய துறைகளைச் சேர்ப்பது போல—ஒரு குவாண்டம் அமைப்பால் அறிவைச் சேகரிக்க முடிந்தால், குவாண்டம் இயந்திரக் கற்றலின் (quantum machine learning) நடைமுறைப் பயன்பாடு வியத்தகு முறையில் விரிவடையும்.

குவாண்டம் கணினிகளை அணுகுவது செலவு மிக்கது மற்றும் அவற்றை இயக்குவது நுணுக்கமானது. ஒவ்வொரு புதிய தரவுத்தொகுப்பிற்கும் (dataset) பூஜ்ஜியத்திலிருந்து மீண்டும் பயிற்சி அளிப்பது எந்த வணிக ரீதியான பயன்பாட்டாலும் ஏற்க முடியாத ஒரு ஆடம்பரமாகும். ஒவ்வொரு புதிய பணியின் போதும் மழலையர் பள்ளியை மீண்டும் மீண்டும் படிக்காமல், ஒரு ஒற்றைக் குவாண்டம் மாடல் தனது கல்வியைத் தொடர்ந்து எடுத்துச் சென்று பரிணமிக்கும் ஒரு நிலையை நோக்கி QEWC வழிவகுக்கிறது.

கவனிக்க வேண்டியவை

இந்த ஆராய்ச்சி இன்னும் உருவகப்படுத்துதலில் (simulation) மட்டுமே உள்ளது, அதாவது QEWC உண்மையான சூப்பர் கண்டக்டிங் (superconducting), ட்ராப்-அயன் (trapped-ion) அல்லது போட்டோனிக் (photonic) வன்பொருளுக்கு மாற்றப்படும்போதுதான் உண்மையான சோதனை ஏற்படும். இருப்பினும், இந்த கருத்தியல் மாற்றம் தெளிவானது மற்றும் பயனுள்ளது. குவாண்டம் நிலைகளின் வடிவியல் புரிதலை இயந்திரக் கற்றலின் நடைமுறைத் தேவைகளுடன் இணைப்பதன் மூலம், குவாண்டம் AI தனது அடிப்படைத் தடைகளில் ஒன்றைத் தாண்ட முடியும் என்பதை இந்த ஆய்வு உணர்த்துகிறது.

'பேரழிவு மறதி' (Catastrophic forgetting) என்பது கற்றலில் தவிர்க்க முடியாத ஒரு இழப்பல்ல. வெறும் அளவீடுகளைப் பயன்படுத்துவதற்குப் பதிலாக, குவாண்டம் ஃபிஷர் தகவலில் (Quantum Fisher Information) இருந்து கட்டமைக்கப்பட்ட சரியான கணிதக் கட்டமைப்பைப் பயன்படுத்துவதன் மூலம், ஒரு குவாண்டம் மாடலின் கவனம் வேறு பக்கம் திரும்பினாலும் அதன் நினைவகத்தை அப்படியே வைத்திருக்க முடியும் என்பதை QEWC நிரூபிக்கிறது.

குவாண்டம் கணினி மற்றும் செயற்கை நுண்ணறிவின் சந்திப்பைக் கண்காணிப்பவர்களுக்கு, இது தொடர வேண்டிய ஒரு முக்கியமான விஷயமாகும். https://t.me/GyaanSetuAi என்ற GyaanSetu AI சமூகத்தில் கலந்து கொண்டு வளர்ந்து வரும் ஆராய்ச்சிகள் குறித்த சமீபத்திய தகவல்களைப் பெறுங்கள்.