تصور کریں کہ آپ ہاتھ سے لکھے ہوئے ہندسوں کو پہچاننے کے لیے ایک کوانٹم نیورل نیٹ ورک (quantum neural network) کو تربیت دے رہے ہیں۔ آپ سرکٹ کے پیرامیٹرز کو اس وقت تک ٹیون کرتے ہیں جب تک کہ درستگی (accuracy) مستحکم نہ ہو جائے۔ پھر آپ ایک دوسرا کام پیش کرتے ہیں: لباس کی تصاویر کی درجہ بندی کرنا۔ ماڈل تیزی سے خود کو ڈھال لیتا ہے۔ لیکن جب آپ اسے دوبارہ ہندسوں پر ٹیسٹ کرتے ہیں، تو اس کی کارکردگی مکمل طور پر گر جاتی ہے۔ سرکٹ نے اس بنیاد پر تعمیر نہیں کیا جو اس نے سیکھی تھی، بلکہ اس نے اسے بدل دیا۔

یہ "catastrophic forgetting" (تباہ کن بھولنے کا عمل) ہے، اور یہ مشین لرننگ کے سب سے ضدی مسائل میں سے ایک ہے۔ کلاسک ماڈلز اس کے ساتھ مسلسل جدوجہد کرتے ہیں۔ کوانٹم ماڈلز اسی مسئلے کی ایک زیادہ شدید شکل کا سامنا کرتے ہیں، کیونکہ ان کا اندرونی کام superposition اور entanglement پر منحصر ہے جو اس لمحے ہی تباہ ہو جاتے ہیں جب آپ انہیں براہ راست مشاہدہ کرتے ہیں۔ Quantum Elastic Weight Consolidation، یا QEWC نامی ایک امید افزا نیا طریقہ کار اس مسئلے کو اس طرح حل کرتا ہے کہ وہ کوانٹم اسٹیٹ کو کلاسک پیمائش کے نتائج کے سیٹ کے بجائے ایک جیومیٹرک آبجیکٹ (geometric object) کے طور پر دیکھتا ہے۔

کوانٹم سرکٹس میں بھولنے کا اثر زیادہ شدید کیوں ہوتا ہے

کسی بھی قابلِ تربیت نظام میں، سیکھنے کا عمل غلطی کو کم کرنے کے لیے پیرامیٹرز کو ایڈجسٹ کرنے سے ہوتا ہے۔ خطرہ یہ ہے کہ کل کے بہترین پیرامیٹرز آج کے متغیرات (variables) بھی ہیں۔ جب ایک ماڈل نئے کام کے مطابق انہیں دوبارہ لکھتا ہے، تو وہ اکثر ان مخصوص کنفیگریشنز کو مٹا دیتا ہے جنہوں نے پہلے کے علم کو محفوظ کیا ہوتا ہے۔ اس کا نتیجہ ایک ایسے نظام کی صورت میں نکلتا ہے جو مسلسل سیکھتا ہوا نظر آتا ہے لیکن حقیقت میں وہ مہارت کے صرف الگ تھلگ جھلکوں (isolated snapshots) کے گرد گھوم رہا ہوتا ہے۔

کوانٹم مشین لرننگ اس مسئلے کو مزید پیچیدہ بنا دیتی ہے۔ یادداشت کے تحفظ کے کلاسک طریقے عام طور پر اس بات پر منحصر ہوتے ہیں کہ ماڈل پیمائش (measurement) پر کیسا ردعمل دیتا ہے۔ وہ بنیادی طور پر یہ پوچھتے ہیں، "اگر ہم نیٹ ورک کے اس حصے کو چھیڑیں اور آؤٹ پٹ دیکھیں، تو یہ کتنا بدلتا ہے؟" یہ منطق فرض کرتی ہے کہ آپ نظام کو بنیادی طور پر متاثر کیے بغیر اس کا مشاہدہ کر سکتے ہیں۔ کوانٹم میکانکس ایسی کوئی ضمانت نہیں دیتا۔ پیمائش superposition کو تباہ کر دیتی ہے۔ یہ چیک کرنے کا عمل کہ کون سے پیرامیٹرز سب سے زیادہ اہم ہیں، اسی حالت (state) کو بدل سکتا ہے جسے آپ بچانے کی کوشش کر رہے ہیں۔

کلاسک میموری گارڈ ریلز کس چیز کو نظر انداز کر دیتی ہیں

روایتی AI اہم ڈیٹا کو پیمائش پر منحصر اعداد و شمار (measurement-dependent statistics) کے ساتھ جوڑ کر محفوظ کرتا ہے۔ یہ کلاسک طریقے مخصوص ریڈ آؤٹس کے تحت نظام کے طرزِ عمل کے ذریعے پیرامیٹر کی اہمیت کا پتہ لگاتے ہیں۔ جب بنیادی ہارڈ ویئر کلاسک قوانین کی پیروی کرتا ہے تو یہ طریقے کافی حد تک کام کرتے ہیں۔ لیکن کوانٹم پروسیسرز ایسا نہیں کرتے۔

ایک کوانٹم سرکٹ معلومات کو ایک اعلیٰ جہتی (high-dimensional) اسٹیٹ ویکٹر میں محفوظ کرتا ہے جس کی جیومیٹری براہ راست نظر نہیں آتی۔ اس معلومات کی حفاظت کے لیے پروجیکٹیو پیمائش (projective measurement) پر بھروسہ کرنا ایسا ہی ہے جیسے صابن کے بلبلے کو چھیڑ کر اس کی شکل کو محفوظ رکھنے کی کوشش کرنا۔ آپ کو کچھ ڈیٹا تو مل جاتا ہے، لیکن بلبلہ پہلے ہی بدل چکا ہوتا ہے۔ محققین کو ایک ایسے طریقے کی ضرورت تھی جس سے ہر بار آؤٹ پٹ کو براہ راست دیکھے بغیر اہمیت کا احساس کیا جا سکے۔

Quantum Fisher Information کا طریقہ کار

یہیں پر Quantum Fisher Information (QFI) کا کردار شروع ہوتا ہے۔ QFI کوانٹم میٹرولوجی (quantum metrology) سے لیا گیا ایک ٹول ہے جو یہ ماپتا ہے کہ ایک کوانٹم اسٹیٹ اپنے بنیادی پیرامیٹرز میں معمولی تبدیلیوں کے بارے میں کتنی حساس ہے۔ یہ پوچھنے کے بجائے کہ پیمائش کیا دکھاتی ہے، QFI یہ پوچھتا ہے کہ اسٹیٹ کی جیومیٹری خود ہر پیرامیٹر کے گرد کیسے مڑتی ہے۔ وہ پیرامیٹرز جو اسٹیٹ اسپیس کے ڈھلوان والے علاقوں میں ہوتے ہیں—جہاں ایک معمولی سا جھٹکا ایک بڑا جیومیٹرک بدلاؤ پیدا کرتا ہے—وہی سب سے زیادہ اہم کام کے علم کو لے کر چلتے ہیں۔

QFI کا استعمال کرتے ہوئے، محققین اہمیت کو براہ راست کوانٹم اسٹیٹ کی جیومیٹری پر نقش کر سکتے ہیں۔ اس طریقے کو یہ جاننے کے لیے کسی مخصوص پیمائش کی بنیاد (measurement basis) کی ضرورت نہیں ہوتی کہ کیا اہم ہے۔ یہ اسٹیٹ کو ایک سطح کے طور پر دیکھتا ہے اور ان پہاڑیوں کی نشاندہی کرتا ہے جنہیں ہموار نہیں کیا جانا چاہیے۔

QEWC علم کا تحفظ کیسے کرتا ہے

Quantum Elastic Weight Consolidation اس جیومیٹرک بصیرت کو ایک ٹریننگ پروٹوکول میں بدل دیتا ہے۔ اس عمل کو ٹھوس مراحل میں تقسیم کیا جا سکتا ہے:

  • اہم پیرامیٹرز کی شناخت کریں: پہلا کام سیکھنے کے بعد، QEWC سرکٹ کے پیرامیٹرز پر Quantum Fisher Information کا حساب لگاتا ہے۔ زیادہ اسکور ان مخصوص روٹیشنز اور انٹینگلمنٹس کی نشاندہی کرتے ہیں جو اہم علم کو محفوظ رکھتے ہیں۔

  • اہم حصوں کو محفوظ کریں: بعد کی تربیت کے دوران، QEWC ان زیادہ QFI والے پیرامیٹرز میں تبدیلیوں پر جرمانہ (penalty) عائد کرتا ہے۔ سرکٹ کو اس چیز کو دوبارہ لکھنے کے لیے قیمت چکانی پڑتی ہے جو وہ پہلے سے جانتا ہے۔

  • باقی حصوں کو ڈھلنے کے لیے آزاد چھوڑیں: کم QFI اسکور والے پیرامیٹرز پر کم پابندیاں ہوتی ہیں۔ سرکٹ لچک برقرار رکھتا ہے، اور نئے ان پٹ پیٹرنز کے مطابق اپنے کم اہم ڈگری آف فریڈم (degrees of freedom) کو نئی شکل دیتا ہے۔

  • استحکام اور لچک کے درمیان توازن برقرار رکھیں: یہ فریم ورک پرانے علم کو برقرار رکھنے اور نئی معلومات کو جذب کرنے کے درمیان واضح طور پر توازن برقرار رکھتا ہے۔ یہ پورے سرکٹ کو منجمد نہیں کرتا، اور نہ ہی ہر چیز کو بے ترتیب چھوڑ دیتا ہے۔

یہ توازن اس لیے اہم ہے کیونکہ ایک مکمل طور پر منجمد سرکٹ کچھ بھی نیا نہیں سیکھ سکتا، جبکہ ایک مکمل طور پر لچکدار (plastic) سرکٹ سب کچھ پرانا بھول جاتا ہے۔ QEWC خود کوانٹم اسٹیٹ کی جیومیٹری کا احترام کرتے ہوئے درمیانی راستہ تلاش کرتا ہے۔

حقیقی ہارڈ ویئر پر شور (Noise) کے خلاف مزاحمت

اس وقت دستیاب زیادہ تر کوانٹم کمپیوٹرز 'نوائزی انٹرمیڈیٹ اسکیل کوانٹم' (NISQ) ڈیوائسز ہیں۔ گیٹ ایررز (Gate errors)، ڈیکوہرنس (decoherence) اور کراس ٹاک (cross-talk) حقیقی چپس کے لیے مسائل پیدا کرتے ہیں۔ اس ماحول میں، نظریاتی خوبصورتی کا کوئی مطلب نہیں ہے اگر کوئی طریقہ ہارڈ ویئر کی خامیوں کے سامنے ناکام ہو جائے۔

تجربات سے پتہ چلتا ہے کہ QEWC کلاسیکی کنسولیڈیشن طریقوں سے بہتر کارکردگی دکھاتا ہے، خاص طور پر جب شور (noise) موجود ہو۔ یہ کوئی معمولی بات نہیں ہے۔ یہ ایک ایسے طریقے اور دوسرے کے درمیان فرق ہے جو صرف کاغذ پر کام کرتا ہے اور ایک ایسا طریقہ جو جسمانی مشین کے ساتھ رابطے میں برقرار رہتا ہے۔ کلاسیکی پیمائش پر منحصر حکمت عملیوں کو انہی شور والے چینلز سے لڑنا پڑتا ہے جو ان کے ریڈ آؤٹس (readouts) کو بگاڑ دیتے ہیں۔ چونکہ QEWC اپنی اہمیت کے وزن (importance weights) شور والی پیمائش کے اعداد و شمار کے بجائے اسٹیٹ جیومیٹری سے حاصل کرتا ہے، اس لیے یہ اس خرابی سے بچ جاتا ہے۔ اس کا نتیجہ ایک ایسی میموری برقرار رکھنے والی تہہ (layer) کی صورت میں نکلتا ہے جو اس کے آس پاس کے کیوبٹس (qubits) کے غیر مستحکم ہونے کے باوجود مستحکم رہتی ہے۔

سیمولیشن سے شواہد

اس فریم ورک کی تصدیق کے لیے، تحقیقی ٹیم نے معیاری کنٹینیوئل لرننگ بینچ مارکس پر سیمولیشنز چلائیں۔ ماڈل کو ہاتھ سے لکھے ہوئے ہندسوں کی شناخت اور کپڑوں کی تصاویر کی درجہ بندی جیسے کام سیکھنے کے لیے کہا گیا—یہ ایک ایسا سیٹ اپ ہے جو اس شعبے میں استعمال ہونے والے کلاسک MNIST اور Fashion-MNIST تقسیم کی عکاسی کرتا ہے۔ پہلے کام پر تربیت کے بعد، سرکٹ معیاری حالات میں اور پھر QEWC کے تحفظ کے تحت دوسرے کام کی طرف بڑھا۔

جب معیاری تربیت نے عمل کو کنٹرول کیا، تو بعد کے کاموں نے پہلے کی کارکردگی کو تباہ کر دیا۔ سرکٹ میں شدید 'کیٹاسٹروفک فارگیٹنگ' (catastrophic forgetting) دیکھی گئی۔ QEWC کے تحت، صورتحال بدل گئی۔ محفوظ شدہ پیرامیٹرز نے اپنی ہندسوں کی شناخت والی جیومیٹری کو برقرار رکھا جبکہ آزاد پیرامیٹرز آستینوں، جوتوں اور پتلونوں کے مطابق ڈھل گئے۔ دونوں طریقوں کے درمیان فرق نمایاں تھا۔ QEWC نے عام تربیتی پروٹوکولز کے مقابلے میں میموری کے نقصان کو نمایاں طور پر کم کر دیا۔

مسلسل سیکھنا (Continuous Learning) کھیل کو کیوں بدل دیتا ہے

یہاں طویل مدتی فائدہ بغیر ری اسٹارٹ کے مسلسل سیکھنا ہے۔ اس وقت، بہت سے کوانٹم ٹریننگ پائپ لائنز ٹاسک ڈسٹری بیوشن بدلنے پر عملی طور پر صفر سے شروع ہوتی ہیں۔ یہ طریقہ توانائی، وقت، اور کوانٹم ہارڈ ویئر کے محدود کوہیرنس بجٹ کو ضائع کرتا ہے۔ اگر ایک کوانٹم سسٹم اسی طرح علم حاصل کر سکے جیسے ایک انسانی انجینئر مہارتیں حاصل کرتا ہے—یعنی پرانے کو مٹائے بغیر نئے شعبوں کو شامل کرنا—تو کوانٹم مشین لرننگ کی عملی افادیت میں ڈرامائی طور پر اضافہ ہو جائے گا۔

کوانٹم کمپیوٹرز تک رسائی مہنگی ہے اور انہیں چلانا مشکل ہے۔ ہر نئے ڈیٹا سیٹ کے لیے صفر سے دوبارہ تربیت دینا ایک ایسی آسائش ہے جسے کوئی بھی تجارتی استعمال برداشت نہیں کر سکتا۔ QEWC ایک ایسے دور کی طرف اشارہ کرتا ہے جہاں ایک ہی کوانٹم ماڈل ارتقاء پذیر ہوتا ہے، اور ہر نئے کام کے ساتھ کنڈرگارٹن (kindergarten) کو دہرانے کے بجائے اپنی تعلیم کو آگے بڑھاتا ہے۔

کس چیز پر نظر رکھیں

یہ تحقیق ابھی سیمولیشن تک محدود ہے، جس کا مطلب ہے کہ اصل امتحان تب ہوگا جب QEWC کو اصل سپر کنڈکٹنگ، ٹریپڈ آئن (trapped-ion)، یا فوٹونک ہارڈ ویئر پر منتقل کیا جائے گا۔ پھر بھی، تصوراتی تبدیلی واضح اور مفید ہے۔ کوانٹم اسٹیٹس کی جیومیٹری کی سمجھ کو مشین لرننگ کی عملی ضروریات کے ساتھ جوڑ کر، یہ کام تجویز کرتا ہے کہ کوانٹم AI اپنی سب سے بنیادی رکاوٹوں میں سے ایک پر قابو پا سکتا ہے۔

'کیٹاسٹروفک فارگیٹنگ' سیکھنے پر کوئی ناگزیر ٹیکس نہیں ہے۔ QEWC ثابت کرتا ہے کہ صحیح ریاضیاتی ڈھانچہ—جو بروٹ فورس پیمائش کے بجائے Quantum Fisher Information سے بنایا گیا ہو—کوانٹم ماڈل کی میموری کو برقرار رکھ سکتا ہے جبکہ اس کی توجہ کہیں اور ہو رہی ہو۔

ان لوگوں کے لیے جو کوانٹم کمپیوٹنگ اور مصنوعی ذہانت (AI) کے ملاپ پر نظر رکھے ہوئے ہیں، یہ ایک ایسا موضوع ہے جس پر نظر رکھنا فائدہ مند ہے۔ بحث میں شامل ہوں اور https://t.me/GyaanSetuAi پر GyaanSetu AI کمیونٹی میں ابھرتی ہوئی تحقیق سے باخبر رہیں۔