क्वांटम मशीन लर्निंग: अवधारणाएँ, एल्गोरिदम, और उपयोग के मामले

कुछ समस्याएँ पारंपरिक कंप्यूटरों को पसीना छुड़ा देती हैं। अणुओं के परस्पर क्रिया का सिमुलेशन करना, विशाल संयोजकीय स्पेस में खोज करना, बड़े संख्याओं का गुणनखंड करना: काम हार्डवेयर से तेज़ी से बढ़ता है। क्वांटम कंप्यूटर इन समस्याओं को अलग कोण से देखते हैं, और शोधकर्ताओं का एक छोटा परंतु बढ़ता समूह पूछ रहा है कि क्या यह अंतर मशीन लर्निंग में भी मदद कर सकता है।

यही प्रश्न क्वांटम मशीन लर्निंग (QML) का विषय है। यह मार्गदर्शिका बताती है कि QML वास्तव में क्या है, इसे समझने के लिए आपको किन क्वांटम विचारों की जरूरत है, वे मुख्य एल्गोरिदम जिन पर लोग प्रयोग कर रहे हैं, और यह क्षेत्र फिलहाल कहाँ खड़ा है—जो, मैं पहले ही कह दूँ, सुर्खियों से पहले के चरण में है। यदि आप पहले से ही हमारे Machine Learning Scientist in Python ट्रैक जैसे किसी माध्यम से क्लासिकल ML के साथ काम करते हैं, तो आपको यहाँ अपेक्षा से अधिक परिचित संरचना दिखेगी।

क्वांटम मशीन लर्निंग क्या है?

क्वांटम मशीन लर्निंग मशीन लर्निंग कार्य के कुछ हिस्सों को पूरा करने या तेज़ करने के लिए क्वांटम कंप्यूटिंग का उपयोग करती है। इसका मतलब हो सकता है डेटा को क्वांटम स्टेट्स में एन्कोड करना, किसी क्लासिकल मॉडल घटक की जगह क्वांटम सर्किट चलाना, या अन्यथा सामान्य ट्रेनिंग लूप के भीतर क्वांटम सबरूटीन को कॉल करना। यह लेबल विस्तृत श्रेणी पर फैला है—ज़्यादातर-क्लासिकल तरीकों से जिनमें एक ही क्वांटम स्टेप होता है, लेकर उन मॉडलों तक जो पूरी तरह क्वांटम हार्डवेयर पर चलने के लिए डिज़ाइन किए गए हैं।

आगे बढ़ने से पहले, यह स्पष्ट करना उपयोगी है कि QML क्या नहीं है—यहीं से अधिकांश भ्रम शुरू होता है। यह आपके मौजूदा मॉडलों के लिए कोई तेज़ ड्रॉप-इन नहीं है, और यह क्लासिकल ML को सर्वत्र बदलने की होड़ में नहीं है। क्षेत्र का अधिकतर भाग अनुसंधान-चरण में है, सिमुलेटरों या छोटे, शोरयुक्त क्वांटम मशीनों पर चलता है। ईमानदार परिप्रेक्ष्य: QML एक संकरा प्रश्न पूछता है—क्या कुछ विशेष ML समस्याएँ हैं जहाँ क्वांटम हार्डवेयर ऐसा कुछ देता है जिसे क्लासिकल हार्डवेयर आसानी से नहीं मिलाता? चुनिंदा समस्या प्रकारों के लिए उत्तर आशाजनक दिखता है। अधिकांश के लिए, क्लासिकल ML अब भी सही उपकरण है, और हमारा Understanding Machine Learning कोर्स वह आधार कवर करता है जिसकी अधिकांश लोगों को पहले ज़रूरत होती है।

क्वांटम कंप्यूटिंग की मूल बातें

इस लेख के बाकी हिस्से को समझने के लिए आपको भौतिकी की डिग्री की ज़रूरत नहीं है, लेकिन कुछ विचार QML को काफी कम रहस्यमय बना देते हैं। यह संक्षिप्त संस्करण है—यदि ये पहले से परिचित हैं तो आगे बढ़ें।

क्यूबिट बनाम बिट

एक क्लासिकल बिट या तो 0 होता है या 1। एक क्यूबिट एक साथ दोनों का मिश्रण रख सकता है, और केवल मापने पर निश्चित 0 या 1 में ठहरता है। माप से पहले, क्यूबिट को दो एम्प्लीट्यूड्स द्वारा वर्णित किया जाता है जो प्रत्येक परिणाम की प्रायिकता निर्धारित करते हैं। यही पूरा खेल है: n क्यूबिट्स का एक रजिस्टर एक साथ 2ⁿ स्टेट्स के संयोजन का प्रतिनिधित्व कर सकता है, जबकि n क्लासिकल बिट्स एक समय में केवल उन स्टेट्स में से एक को ही रख सकते हैं।

पकड़ (और क्वांटम कंप्यूटिंग में हमेशा कोई न कोई पकड़ होती है) यह है कि आप बस उन सभी स्टेट्स को पढ़ नहीं सकते। माप क्यूबिट को एक ही मान में समेट देता है, इसलिए उपयोगी जानकारी वापस पाना कुछ सावधानी मांगता है। यह सीमा जितनी पहली बार सुनने में लगती है उससे कहीं अधिक मायने रखती है, और यही कारण है कि QML एल्गोरिदम जिस तरह डिज़ाइन किए जाते हैं, आप उसे आगे देखेंगे।

सुपरपोज़िशन और एंटैंगलमेंट

स्टेट्स का वह मिश्रण सुपरपोज़िशन कहलाता है। दूसरा विचार, एंटैंगलमेंट, चीजों को रोचक बनाता है: दो या अधिक क्यूबिट इतने कड़े तौर पर सहसम्बद्ध हो सकते हैं कि आप एक का वर्णन किए बिना दूसरों का वर्णन नहीं कर सकते। एक एंटैंगल्ड क्यूबिट को मापें और आपको तुरंत उसके साथी के बारे में कुछ पता चल जाता है, सिद्धांततः दूरी के पार भी। क्लासिकल बिट्स का इसका कोई समकक्ष नहीं है, और क्वांटम कंप्यूटिंग के प्रस्तावित अधिकांश लाभ किसी न किसी रूप में इसी पर टिके हैं।

क्वांटम गेट्स

तो आप वास्तव में सुपरपोज़िशन और एंटैंगलमेंट में क्यूबिट्स के साथ काम कैसे करते हैं? यहीं क्वांटम गेट्स काम आते हैं। ये क्यूबिट की स्टेट के रिवर्सिबल रोटेशन होते हैं: एक Hadamard गेट क्यूबिट को सुपरपोज़िशन में डालता है, एक CNOT गेट दो क्यूबिट्स को एंटैंगल करता है। गेट्स को पिरोएँ और आपको एक क्वांटम सर्किट मिलता है, जो प्रोग्राम का क्वांटम संस्करण है। यह सब रैखिक बीजगणित पर टिका है: स्टेट्स वेक्टर हैं, गेट्स मैट्रिसेज़ हैं, और सर्किट चलाना मैट्रिक्स ऑपरेशनों का अनुक्रम है। यदि यह हिस्सा कमजोर लगता है, तो हमारे डेटा साइंस लर्निंग पाथ्स से रैखिक बीजगणित के कौशल सीधे काम आते हैं।

क्यूबिट्स, सुपरपोज़िशन, एंटैंगलमेंट और गेट्स के साथ, आपके पास यह देखने के लिए सब कुछ है कि QML वर्कफ़्लो में ये हिस्से वास्तव में कैसे एक साथ आते हैं।

क्वांटम मशीन लर्निंग कैसे काम करती है

उच्च स्तर पर, QML वर्कफ़्लो में चार कदम होते हैं। पहले, आप क्लासिकल डेटा को एक क्वांटम स्टेट में एन्कोड करते हैं, आमतौर पर फीचर वैल्यूज़ को रोटेशन एंगल्स या एम्प्लीट्यूड्स पर मैप करके। दूसरे, आप एक क्वांटम सर्किट लागू करते हैं, अक्सर ऐसा जिसमें समायोज्य पैरामीटर्स होते हैं। तीसरे, आप सर्किट को मापते हैं, इसे कई बार चलाते हुए, क्योंकि प्रत्येक माप केवल एक समेटा हुआ परिणाम देता है और परिणाम का भरोसेमंद अनुमान लगाने के लिए आपको पर्याप्त सैंपल चाहिए। चौथे, आप उस परिणाम को सीखने की प्रक्रिया में वापस फ़ीड करते हैं।

आखिरी कदम वहीं है जहाँ आज अधिकांश व्यावहारिक QML रहती है। सब कुछ क्वांटम मशीन पर चलाने के बजाय, आप एक हाइब्रिड लूप बनाते हैं: क्वांटम सर्किट एक मान उत्पन्न करता है, क्लासिकल ऑप्टिमाइज़र सर्किट के पैरामीटर्स समायोजित करता है, और चक्र दोहराया जाता है—ठीक वैसे ही जैसे एक मॉडल का प्रशिक्षण, बस एक हिस्सा क्वांटम हार्डवेयर पर होता है। आज की क्वांटम मशीनें शोरयुक्त और छोटी हैं (क्षेत्र इसे NISQ युग कहता है—noisy intermediate-scale quantum), इसलिए भारी काम को क्लासिकल रखना और केवल वही हिस्सा ऑफ़लोड करना जो लाभ देता है, व्यवहारिक विकल्प है। अगले खंड में मैं बताऊँगा कि हाइब्रिड क्यों जीतता है।

क्वांटम मशीन लर्निंग के प्रकार

अब जबकि आपने चार-चरणीय मूल वर्कफ़्लो देख लिया है, यह पूछना उपयोगी है: उस वर्कफ़्लो का कितना हिस्सा वास्तव में क्वांटम हार्डवेयर पर चलना चाहिए? क्वांटम कंप्यूटिंग को मशीन लर्निंग के साथ जोड़ने के लगभग तीन तरीके हैं, और वे प्रमुख रूप से इस बात में भिन्न हैं कि वास्तविक काम का कितना भाग क्वांटम मशीन करती है।

क्वांटम-एन्हांस्ड मशीन लर्निंग

यहाँ मॉडल मूलतः क्लासिकल होता है, लेकिन एक महंगा चरण संभावित स्पीडअप के लिए क्वांटम रूटीन को सौंप दिया जाता है: किसी रैखिक प्रणाली को हल करना, एक कर्नेल का आकलन करना, किसी वितरण से सैंपल लेना। पाइपलाइन का बाकी हिस्सा वैसा ही दिखता है जैसा आप हमारे Supervised Learning with scikit-learn कोर्स में बनाते हैं।

पूरी तरह क्वांटम मॉडल

दूसरे छोर पर, ये सिरों-से-सिरे तक क्वांटम हार्डवेयर पर चलते हैं, जहाँ डेटा और मॉडल दोनों क्वांटम स्टेट्स में रहते हैं। ये QML का सबसे महत्वाकांक्षी संस्करण हैं और, संयोग नहीं, फिलहाल सबसे कम व्यावहारिक भी: वर्तमान हार्डवेयर इन्हें किसी उपयोगी पैमाने पर सपोर्ट नहीं कर सकता।

हाइब्रिड क्वांटम-क्लासिकल मॉडल

इन दोनों चरम सीमाओं के बीच वह तरीका है जो आज वास्तव में काम करता है, और यहीं लगभग सारा गंभीर QML शोध है। एक पैरामीटरयुक्त क्वांटम सर्किट गणना के एक हिस्से को संभालता है जबकि एक क्लासिकल ऑप्टिमाइज़र इसे प्रशिक्षित करता है। यह छोटे, शोरयुक्त हार्डवेयर की सीमाओं से बचता है क्योंकि यह क्वांटम मशीन से वही करवाता है जिसमें वह फिलहाल अच्छी है।

क्वांटम मशीन लर्निंग एल्गोरिदम

आप बार-बार वही कुछ एल्गोरिदम परिवार देखेंगे। मैं इन्हें उच्च स्तर पर रखूँगा—गणित जल्दी गहरा हो जाता है—और उन्हें समझने के लिए इसकी आवश्यकता नहीं कि हर एक किस काम के लिए है।

वैरिएशनल क्वांटम सर्किट्स (VQC)

वैरिएशनल क्वांटम सर्किट एक क्वांटम सर्किट होता है जिसमें ट्यून किए जा सकने वाले पैरामीटर होते हैं, जिसे मैंने पहले वर्णित हाइब्रिड लूप में प्रशिक्षित किया जाता है। यह निकट-कालीन QML का वर्कहॉर्स है और यहाँ अधिकांश अन्य मॉडलों का आधार है। PennyLane, एक लोकप्रिय ओपन-सोर्स QML लाइब्रेरी, में यह मोटे तौर पर कुछ ऐसा दिखता है:

import pennylane as qml

# A 2-qubit device that runs on a local simulator
dev = qml.device("default.qubit", wires=2)

@qml.qnode(dev)
def variational_circuit(inputs, weights):
    # Encode two input features as qubit rotation angles
    qml.AngleEmbedding(inputs, wires=[0, 1])
    # The trainable layer a classical optimizer will adjust
    qml.BasicEntanglerLayers(weights, wires=[0, 1])
    # Measure to get a value we can feed back into training
    return qml.expval(qml.PauliZ(0))

वेट्स वही हैं जिन्हें क्लासिकल ऑप्टिमाइज़र कई इटरेशनों में अपडेट करता है, बिल्कुल वैसे ही जैसे ग्रेडिएंट डिसेंट एक न्यूरल नेटवर्क के वेट्स अपडेट करता है। यह पैटर्न स्थापित हो जाने के बाद, शेष एल्गोरिदम इसी थीम पर विविधताएँ लगेंगे।

क्वांटम सपोर्ट वेक्टर मशीनें

क्वांटम सपोर्ट वेक्टर मशीन क्लासिकल SVM की संरचना बनाए रखती है लेकिन कर्नेल—डेटा बिंदुओं के बीच समानता—की गणना के लिए क्वांटम सर्किट का उपयोग करती है। उम्मीद यह है कि क्वांटम फीचर स्पेस ऐसे पैटर्न पकड़ सके जो क्लासिकल कर्नेल के लिए कठिन हों। क्या यह वास्तविक डेटासेट्स पर मदद करता है, यह अब भी खुला प्रश्न है।

क्वांटम न्यूरल नेटवर्क्स (QNNs)

क्वांटम न्यूरल नेटवर्क पैरामीटरयुक्त सर्किट्स को लेयर्स में व्यवस्थित करते हैं और उन्हें बहुत हद तक क्लासिकल नेटवर्क्स की तरह प्रशिक्षित करते हैं। यदि आपने हमारे Introduction to Deep Learning in Python कोर्स में कोई मॉडल प्रशिक्षित किया है, तो लूप परिचित है: फ़ॉरवर्ड पास, लॉस, अपडेट—बस फ़ॉरवर्ड पास क्वांटम सर्किट पर चलता है।

क्वांटम k-means

क्वांटम k-means क्लस्टरिंग वाला है: यह बिंदुओं के बीच दूरी का अनुमान लगाने के लिए क्वांटम सबरूटीन का उपयोग करता है—वह ऑपरेशन जो पैमाने पर क्लासिकल k-means में हावी रहता है। यह इस सूची का सबसे प्रत्यक्ष "एक महंगे कदम को क्वांटम संस्करण से बदलें" उदाहरण है।

आप सोच रहे होंगे, इन सभी एल्गोरिदम के बावजूद, क्या इनमें से कोई वास्तव में क्वांटम स्पीडअप का वादा पूरा करता है? ठीक यही हम अगला देखेंगे।

क्वांटम मशीन लर्निंग के संभावित फायदे

तीन संभावित लाभ सबसे अधिक सामने आते हैं। कुछ संरचित समस्याएँ—उदाहरण के लिए, रसायन और सामग्री विज्ञान में क्वांटम प्रणालियों का सिमुलेशन—स्वाभाविक रूप से क्वांटम हार्डवेयर पर मैप हो जाती हैं, और यही वह क्षेत्र है जहाँ लाभ सबसे विश्वसनीय लगता है। क्वांटम फीचर स्पेस जटिल संबंधों का प्रतिनिधित्व भी कर सकते हैं जिन्हें क्लासिकल रूप से पकड़ना मुश्किल होता है। और कुछ विशिष्ट एल्गोरिदम के लिए, सिद्धांत बड़े, यहाँ तक कि घातीय, स्पीडअप की ओर इशारा करता है।

ध्यान दें कि मैं बार-बार संभावित कह रहा हूँ। ये लाभ अधिकतर कागज़ पर सिद्ध हैं, ऐसी मान्यताओं के तहत जिन्हें वास्तविक हार्डवेयर अभी तक पूरा नहीं करता। अंतर का प्रिय उदाहरण: कई सैद्धांतिक स्पीडअप मानते हैं कि आपका डेटा पहले से ही क्वांटम स्टेट में लोड है, लेकिन क्लासिकल डेटा को उस स्टेट में लोड करना उतना ही महँगा पड़ सकता है जितना स्पीडअप बचाता है। इसी तरह की छिपी बाधाएँ ही कारण हैं कि दावे किए गए लाभ और प्रदर्शित लाभ अभी दो अलग सूचियाँ हैं।

उस अंतर को देखते हुए, एक कदम पीछे हटना और क्लासिकल तथा क्वांटम ML को सीधे साथ-साथ रखना उपयोगी है।

क्वांटम मशीन लर्निंग बनाम क्लासिकल मशीन लर्निंग

अंतर देखने का सबसे साफ़ तरीका है side by side.

क्लासिकल ML real काम पर आज हावी है और निकट भविष्य में भी रहेगा: टूलिंग, हार्डवेयर और टैलेंट सब मौजूद हैं। QML शुरुआती-चरण का चुनौतीकर्ता है जो अंततः उन समस्याओं पर एक स्थान बना सकता है जहाँ उसका क्वांटम ढाँचा लाभ देता है। उन्हें प्रतिद्वंद्वी मानना बात को चूकना है। फिलहाल वे अलग लीग में खेल रहे हैं, और दिलचस्प प्रश्न यह है कि कौन-सी समस्याएँ अंततः पार जाएँगी।

यह "अलग लीग" वाला परिप्रेक्ष्य उन मिथकों के लिए भी सबसे अच्छा प्रतिरोधक है जो इस क्षेत्र के साथ चलते हैं, तो आइए उन्हें सीधे सुलझाएँ।

क्वांटम मशीन लर्निंग के बारे में आम गलतफहमियाँ

कुछ मिथक QML के साथ चलते हैं, और उन्हें साफ़ करना ज़रूरी है।

"क्वांटम ML हर चीज़ के लिए तेज़ है।" ऐसा नहीं है। प्रस्तावित स्पीडअप विशिष्ट शर्तों के तहत विशिष्ट एल्गोरिदम पर लागू होते हैं। अधिकांश ML कार्यों के लिए, क्वांटम मशीन कोई लाभ नहीं देती, और आज के हार्डवेयर को देखते हुए धीमी चलती है।

"क्वांटम कंप्यूटर क्लासिकल कंप्यूटरों की जगह ले लेंगे।" नहीं। वे समस्याओं के एक संकीर्ण वर्ग के लिए विशेष एक्सेलेरेटर हैं, सर्व-उद्देश्यीय विकल्प नहीं। आपका लैपटॉप कहीं नहीं जा रहा, न ही हर हाइब्रिड QML मॉडल का क्लासिकल हिस्सा।

"QML आज प्रोडक्शन-रेडी है।" यह नए लोगों को सबसे अधिक उलझाता है। क्षेत्र प्रायोगिक है, हार्डवेयर सीमित और शोरयुक्त है, और लगभग सब कुछ सिमुलेटरों पर चलता है। QML अभी सीखने और फॉलो करने की चीज़ है, शिप करने की नहीं।

हाइप हट जाने के बाद, आपके पास एक सचमुच रोचक क्षेत्र बचता है जिसे अपनी शर्तों पर सीखना सार्थक है। तो अगर आप कोड लिखने के लिए पर्याप्त जिज्ञासु हैं, तो शुरुआत यहाँ से करें।

क्वांटम मशीन लर्निंग के साथ शुरुआत कैसे करें

यदि अवधारणाओं ने आपको कोड लिखने के लिए उत्सुक कर दिया है, तो अच्छी खबर यह है कि टूलिंग ओपन-सोर्स और शुरुआती-अनुकूल है। PennyLane (ऊपर के उदाहरण में दी गई लाइब्रेरी) और Qiskit दो सबसे आम प्रवेश बिंदु हैं, और दोनों सिमुलेटरों पर चलते हैं, इसलिए आरंभ करने के लिए आपको वास्तविक क्वांटम मशीन की पहुँच की आवश्यकता नहीं है। Qiskit का मशीन लर्निंग मॉड्यूल तैयार-प्रयोग योग्य क्वांटम कर्नेल्स, क्लासिफ़ायर्स और न्यूरल नेटवर्क्स देता है, और यह PyTorch से जुड़ता है, जो क्लासिकल काम से संक्रमण को आरामदेह बनाता है।

मेरी सलाह: पहले क्लासिकल आधार पुख्ता करें। हाइब्रिड लूप, ऑप्टिमाइज़र्स, मॉडल का प्रशिक्षण कैसे होता है—यह सब क्लासिकल है, और यही हिस्सा आपका सहारा बनेगा। हमारा Machine Learning Scientist in Python ट्रैक वह नींव कवर करता है, और वहाँ से क्वांटम-विशिष्ट हिस्से ऐड-ऑन हैं, नई शुरुआत नहीं। सर्किट चलाकर और पैरामीटर्स ट्यून करके सीखें; सुपरपोज़िशन पर पढ़ना आपको एक सीमा तक ही ले जाएगा।

निष्कर्ष

क्वांटम मशीन लर्निंग दो तेज़ी से बढ़ते क्षेत्रों के मिलन-बिंदु पर बैठती है, ML पाइपलाइन के हिस्सों को लेने के लिए क्वांटम कंप्यूटिंग के सूचना-प्रतिनिधित्व के तरीके को उधार लेकर। मैंने इसे ज़मीन से जोड़े रखने की कोशिश की है, क्योंकि यह विषय आज टेक में लगभग हर चीज़ से अधिक हाइप खींचता है, और ईमानदार सारांश विनम्र है: QML अभी शुरुआती, अधिकांशतः प्रायोगिक, और यह अनिश्चित है कि कहाँ लाभ देगा।

यह इसे नज़रअंदाज़ करने का कारण नहीं है। यह मूल बातें अभी समझ लेने का कारण है, जब क्षेत्र अभी इतना छोटा है कि शुरू से अंत तक सीखा जा सके। यदि क्वांटम हार्डवेयर अपने आशावादियों की उम्मीद के मुताबिक परिपक्व होता है, तो वे लोग जो पहले से समझते हैं कि क्यूबिट्स, सर्किट्स और हाइब्रिड ट्रेनिंग कैसे साथ फिट होते हैं, उपयोग के लिए तैयार होंगे। और यदि यह हर जगह सफल नहीं भी होता, तब भी आपने कंप्यूटिंग का एक दिलचस्प कोना सीख लिया होगा—जो, सच कहें, बुरा परिणाम नहीं है।