क्वांटम कंप्यूटिंग और AIमध्यमपाठ 3076 मिनट का पाठ

क्वांटम कंप्यूटर AI के लिए क्या कर सकते हैं

क्वांटम मशीन लर्निंग दिलचस्प विचारों और गंभीर अनसुलझे सवालों वाला एक सक्रिय रिसर्च क्षेत्र है। मुख्य विचारों, डेटा लोडिंग की समस्या और अभी क्या अज्ञात है, इसके बारे में जानें।

✦ ट्यूटर से पूछें🧪 लैब · 25 min📝 पाठ का टेस्ट
पाठ वीडियो में

60 सेकंड में

क्वांटम कंप्यूटर AI के लिए क्या कर सकते हैं

क्वांटम मशीन लर्निंग दिलचस्प विचारों और गंभीर अनसुलझे सवालों वाला एक सक्रिय रिसर्च क्षेत्र है। मुख्य विचारों, डेटा लोडिंग की समस्या और अभी क्या अज्ञात है, इसके बारे में जानें।

1/4
आसान शब्दों में
कल्पना कीजिए एक बहुत तेज़ रसोइए की, जो एक छोटे से दरवाज़े वाली रसोई में है। रसोइया खाना तेज़ी से बना सकता है, लेकिन हर सामग्री को उस छोटे दरवाज़े से एक-एक करके अंदर भेजना पड़ता है। अगर सामग्री अंदर भेजने में ही सामान्य रसोई में पूरा खाना पकने से ज़्यादा समय लग जाए, तो तेज़ रसोइए का कोई फ़ायदा नहीं होता। AI के लिए क्वांटम कंप्यूटरों में भी इस छोटे दरवाज़े जैसी समस्या हो सकती है।
क्वांटम मशीन लर्निंग (QML) यह सवाल पूछती है कि क्या क्वांटम कंप्यूटर डेटा से सीखने में मदद कर सकते हैं: तेज़ी से, कम डेटा के साथ, या बेहतर मॉडलों के साथ। यह एक सक्रिय रिसर्च क्षेत्र है। विचार अच्छे हैं, लेकिन लार्ज लैंग्वेज मॉडल्स को ट्रेन करने या इमेज क्लासिफायर्स जैसे रोज़मर्रा के AI कार्यों के लिए कोई साबित, व्यावहारिक स्पीड-अप नहीं है।

मुख्य विचार जिनकी लोग पड़ताल कर रहे हैं

विचारइसका क्या मतलब हैअनसुलझे सवाल
वेरिएशनल क्वांटम सर्किट्सएडजस्टेबल एंगल्स वाला एक छोटा क्वांटम सर्किट, जिसे एक सामान्य कंप्यूटर ट्रेन करता है, बिल्कुल एक छोटे न्यूरल नेटवर्क की तरहट्रेनिंग बहुत सपाट जगहों ("बैरेन प्लेटू") पर अटक सकती है; नॉइज़ नुकसान पहुंचाता है; फ़ायदा स्पष्ट नहीं है
क्वांटम कर्नेल्सयह मापने के लिए एक क्वांटम सर्किट का उपयोग करें कि दो डेटा पॉइंट्स कितने समान हैं, फिर सपोर्ट वेक्टर मशीन जैसी क्लासिकल विधि का उपयोग करेंमज़बूत क्लासिकल कर्नेल्स को हराना ज़रूरी है; क्यूबिट्स बढ़ने पर कुछ क्वांटम कर्नेल्स का इस्तेमाल करना मुश्किल हो जाता है
क्वांटम लीनियर अल्जेब्राऐसे एल्गोरिदम जो सख्त शर्तों के तहत, सिद्धांत रूप में कुछ मैट्रिक्स समस्याओं को बहुत तेज़ी से हल करते हैंशर्तें सख्त हैं; डेटा लोड करने और उत्तर पढ़ने में यह बढ़त खत्म हो सकती है
क्वांटम डेटाऐसे डेटा से सीखना जो पहले से ही क्वांटम प्रयोगों या सेंसर्स से आता हैसिद्धांत रूप में आशाजनक, क्योंकि डेटा शुरुआत से ही क्वांटम रूप में है

डेटा लोडिंग की समस्या

एक लुभावना विचार एम्प्लिट्यूड एन्कोडिंग है: 2ⁿ संख्याओं की एक लिस्ट को केवल n क्यूबिट्स के एम्प्लिट्यूड में डालना। 1024 संख्याओं वाला एक वेक्टर 10 क्यूबिट्स में समा जाएगा। यह एक बहुत बड़ी बचत जैसा लगता है।
लुभाने वाली बात
  • n क्यूबिट्स 2ⁿ संख्याओं को रख सकते हैं, इसलिए बड़ा डेटा कुछ ही क्यूबिट्स में समा जाता है
  • क्वांटम कंप्यूटर फिर सभी संख्याओं को एक साथ प्रोसेस करता है
  • इसलिए मशीन लर्निंग बहुत तेज़ी से (एक्सपोनेंशियल रूप से) बढ़ जाती है
छिपी हुई अड़चन
  • एम्प्लिट्यूड में 2ⁿ मनचाही संख्याओं को लोड करने में आम तौर पर बहुत सारे स्टेप्स लगते हैं, अक्सर लगभग उतनी ही जितनी संख्याएँ हैं
  • मेज़रमेंट से प्रति शॉट केवल n बिट्स ही मिलते हैं, इसलिए एक बड़े उत्तर को पढ़ने में कई बार चलाना पड़ता है
  • क्वांटम स्पीड-अप के कुछ दावों की बराबरी बाद में नए क्लासिकल एल्गोरिदम द्वारा कर ली गई जो समान धारणाएं बनाते हैं
इसलिए स्पीड-अप को पूरी प्रक्रिया में बने रहना चाहिए: डेटा लोड करना, गणना करना और उत्तर पढ़ना। कई प्रस्ताव केवल बीच वाले हिस्से को तेज़ करते हैं।

एक सरल एन्कोडिंग जिसे आप चला सकते हैं

दूसरा तरीका है एंगल एन्कोडिंग: एक संख्या x को एक क्यूबिट के रोटेशन में बदलना। यहाँ स्टेट cos(x/2)|0⟩ + sin(x/2)|1⟩ है। इसे लोड करना आसान है, लेकिन यह प्रति संख्या एक क्यूबिट का उपयोग करता है।
Python: angle encoding one numberpython
import numpy as np

def angle_encode(x):
    return np.array([np.cos(x / 2), np.sin(x / 2)])

for x in [0.0, np.pi / 3, np.pi / 2, np.pi]:
    state = angle_encode(x)
    p1 = abs(state[1]) ** 2
    print(f"x = {x:.3f}  state = {np.round(state, 3)}  P(1) = {p1:.3f}")

यह दूसरी तरफ भी काम करता है: क्वांटम के लिए AI

मशीन लर्निंग का उपयोग क्वांटम कंप्यूटर बनाने में मदद के लिए भी किया जाता है: उदाहरण के लिए हार्डवेयर को ट्यून और कैलिब्रेट करने के लिए, क्यूबिट्स को नियंत्रित करने वाले पल्स डिज़ाइन करने के लिए, और एरर करेक्शन में गलतियों को तेज़ी से डिकोड करने के लिए। यहाँ लाभ आज व्यावहारिक है, क्योंकि AI सामान्य कंप्यूटरों पर चलता है।
नोट
क्वांटम AI हेडलाइन को कैसे पढ़ें: पूछें (1) क्या स्पीड-अप साबित हो चुका है, या सिर्फ़ सुझाव है? (2) क्या इसकी तुलना किसी कमज़ोर तरीके से नहीं, बल्कि सबसे अच्छे क्लासिकल तरीके से की गई है? (3) क्या इसमें डेटा लोड करने और परिणाम पढ़ने का समय शामिल है? (4) क्या इसे असली हार्डवेयर पर चलाया गया था, या केवल सिम्युलेट किया गया था, और किस आकार पर?
यह आज़माएं। 28 × 28 ग्रे इमेज (784 पिक्सल) के लिए एम्प्लिट्यूड एन्कोडिंग को कितने क्यूबिट्स की आवश्यकता होगी? अगली 2 की पावर तक राउंड अप करें।

और देखें और पढ़ें

लैब

दो फ़ंक्शन: एम्प्लिट्यूड एन्कोडिंग को कितने क्यूबिट्स की आवश्यकता होती है, और एक एन्कोडर जो डेटा वेक्टर को पैड और नॉर्मलाइज़ करता है।

~25 min

समस्या

इसे ब्राउज़र में, या Python 3 और numpy के साथ चलाएं।

  1. qubits_needed(length) को पूरा करें: सबसे छोटा n जहाँ 2ⁿ ≥ length हो। लंबाई 1 के लिए, 1 लौटाएं।
  2. amplitude_encode(x) को पूरा करें: लिस्ट को 2ⁿ लंबाई तक शून्य के साथ पैड करें, फिर इसकी लंबाई (norm) से विभाजित करें ताकि स्क्वेर्ड एम्प्लिट्यूड्स का योग 1 हो जाए। एक numpy array लौटाएं।
  3. स्टार्टर को रन करें। 784-पिक्सल की इमेज को कितने क्यूबिट्स की आवश्यकता होती है? फिर दो वाक्य लिखें कि क्यों "10 क्यूबिट्स 784 पिक्सल रखते हैं" अपने आप में सीखने को तेज़ नहीं बनाता है।

प्रैक्टिस लैब

कोड में बदलाव करें और इसे रन करें। Python आपके ब्राउज़र में चलता है — हमारे सर्वर पर कुछ नहीं भेजा जाता।

आउटपुट

कोई आउटपुट नहीं। वैल्यूज़ देखने के लिए print(...) जोड़ें।

आपका काम तब पूरा होगा जब

कठिन सवाल

उत्तर देखने से पहले ख़ुद जवाब देने की कोशिश करें। अगर आप इनके जवाब दे सकते हैं, तो आप पाठ समझ गए हैं।

Q1एम्प्लिट्यूड एन्कोडिंग नॉर्म से विभाजित करती है। मूल डेटा के बारे में कौन सी जानकारी खो जाती है, और यह कब मायने रखती है?दिखाएं

वेक्टर का कुल आकार (लंबाई) खो जाता है: [3, 4] और [30, 40] समान स्टेट देते हैं। यदि आपके काम के लिए आकार मायने रखता है, उदाहरण के लिए कुल बारिश, तो आपको इसे एक सामान्य संख्या के रूप में अलग से स्टोर करना होगा या एन्कोडिंग से पहले इसे एक अतिरिक्त फीचर के रूप में जोड़ना होगा।

Q2क्वांटम डेटा से सीखना छवियों जैसे क्लासिकल डेटा को लोड करने की तुलना में अधिक आशाजनक क्यों हो सकता है?दिखाएं

क्वांटम डेटा के साथ, जैसे कि क्वांटम सेंसर या केमिस्ट्री प्रयोग द्वारा उत्पन्न स्टेट्स, डेटा पहले से ही क्वांटम रूप में होता है, इसलिए क्लासिकल संख्याओं को एम्प्लिट्यूड में लोड करने का कोई महंगा स्टेप नहीं होता है। कुछ सैद्धांतिक परिणाम ऐसी स्थितियों में वास्तविक लाभ का सुझाव देते हैं। क्लासिकल छवियों के साथ, लोडिंग स्टेप और मौजूदा क्लासिकल तरीकों की ताकत किसी लाभ को दिखाना बहुत कठिन बना देती है।

जारी रखने के लिए कृपया साइन इन करें।

अक्सर पूछे जाने वाले सवाल

क्या क्वांटम कंप्यूटर जल्द ही बड़े चैटबॉट मॉडल ट्रेन करेंगे?

साबित लाभ के साथ ऐसा करने का कोई ज्ञात तरीका नहीं है, और आज की क्वांटम मशीनें बहुत छोटी और नॉइज़ी हैं। बड़े मॉडल्स को भारी मात्रा में डेटा लोड और प्रोसेस करने की ज़रूरत होती है, और क्वांटम कंप्यूटर यहीं कमज़ोर हैं। नए रिसर्च के साथ यह बदल सकता है, लेकिन कोई इसका वादा नहीं कर सकता।

तो क्या क्वांटम मशीन लर्निंग समय की बर्बादी है?

नहीं। यह एक वास्तविक रिसर्च क्षेत्र है जो वास्तविक सवाल पूछ रहा है। यह जानना भी प्रगति है कि क्या काम नहीं करता है। कुछ दिशाएँ, जैसे क्वांटम डेटा से सीखना और AI जो क्वांटम हार्डवेयर बनाने में मदद करता है, विशेष रूप से दिलचस्प लगती हैं।

बैरेन प्लेटू क्या है?

कई क्यूबिट्स वाले कुछ वेरिएशनल क्वांटम सर्किट्स को ट्रेन करते समय, लॉस का स्लोप लगभग हर जगह बेहद छोटा हो सकता है, इसलिए ट्रेनिंग को लगभग कोई सिग्नल नहीं मिलता कि किस दिशा में बढ़ना है। यह एक विशाल, लगभग पूरी तरह से सपाट मैदान पर घाटी खोजने जैसा है।

भारत में छात्र इसकी पढ़ाई कहाँ कर सकते हैं?

कई विश्वविद्यालय और रिसर्च संस्थान क्वांटम इन्फॉर्मेशन पढ़ाते हैं, अक्सर भौतिकी, कंप्यूटर विज्ञान या इलेक्ट्रिकल इंजीनियरिंग के ज़रिए। भारत में एक नेशनल क्वांटम मिशन भी है जो इस क्षेत्र में रिसर्च और कौशल का समर्थन करता है। आधिकारिक संस्थान वेबसाइटों पर मौजूदा प्रोग्राम देखें।

पाठ का टेस्ट

5 सवाल। पास होने और इस पाठ को पूरा करने के लिए 3 सही होने चाहिए (60%)।

टेस्ट देने और अपनी प्रोग्रेस सेव करने के लिए साइन इन करें