{ }
Google के क्वांटम परे-शास्त्रीय प्रयोग में यह प्रदर्शित करने के लिए 53 शोर वाले क्यूबिट का उपयोग किया गया कि यह एक क्वांटम कंप्यूटर पर 200 सेकंड में गणना कर सकता है जिसमें मौजूदा एल्गोरिदम का उपयोग करके सबसे बड़े शास्त्रीय कंप्यूटर पर 10,000 साल लगेंगे। यह नॉइज़ इंटरमीडिएट-स्केल क्वांटम (एनआईएसक्यू) कंप्यूटिंग युग की शुरुआत का प्रतीक है। आने वाले वर्षों में, दसियों से सैकड़ों शोर वाले क्वैबिट वाले क्वांटम उपकरणों के वास्तविकता बनने की उम्मीद है।
क्वांटम कम्प्यूटिंग
क्वांटम कंप्यूटिंग उन समस्याओं की गणना करने के लिए क्वांटम यांत्रिकी के गुणों पर निर्भर करती है जो शास्त्रीय कंप्यूटरों की पहुंच से बाहर होंगी। क्वांटम कंप्यूटर qubits का उपयोग करता है। क्यूबिट कंप्यूटर में नियमित बिट्स की तरह हैं, लेकिन एक सुपरपोज़िशन में रखे जाने और एक दूसरे के साथ उलझाव साझा करने की अतिरिक्त क्षमता के साथ।
शास्त्रीय कंप्यूटर नियतात्मक शास्त्रीय संचालन करते हैं या नमूनाकरण विधियों का उपयोग करके संभाव्य प्रक्रियाओं का अनुकरण कर सकते हैं। सुपरपोज़िशन और एन्टैंगलमेंट का उपयोग करके, क्वांटम कंप्यूटर क्वांटम ऑपरेशन कर सकते हैं जिनका शास्त्रीय कंप्यूटरों के साथ बड़े पैमाने पर अनुकरण करना मुश्किल है। एनआईएसक्यू क्वांटम कंप्यूटिंग का लाभ उठाने के विचारों में अनुकूलन, क्वांटम सिमुलेशन, क्रिप्टोग्राफी और मशीन लर्निंग शामिल हैं।
क्वांटम मशीन लर्निंग
क्वांटम मशीन लर्निंग (क्यूएमएल) दो अवधारणाओं पर बनी है: क्वांटम डेटा और हाइब्रिड क्वांटम-क्लासिकल मॉडल ।
क्वांटम डेटा
क्वांटम डेटा कोई भी डेटा स्रोत है जो प्राकृतिक या कृत्रिम क्वांटम प्रणाली में होता है। यह क्वांटम कंप्यूटर द्वारा उत्पन्न डेटा हो सकता है, जैसे Google के क्वांटम वर्चस्व के प्रदर्शन के लिए सिकामोर प्रोसेसर से एकत्र किए गए नमूने। क्वांटम डेटा सुपरपोजिशन और उलझाव को प्रदर्शित करता है, जिससे संयुक्त संभाव्यता वितरण होता है जिसे प्रस्तुत करने या संग्रहीत करने के लिए शास्त्रीय कम्प्यूटेशनल संसाधनों की एक घातीय मात्रा की आवश्यकता हो सकती है। क्वांटम सर्वोच्चता प्रयोग से पता चला कि 2^53 हिल्बर्ट स्पेस के बेहद जटिल संयुक्त संभाव्यता वितरण से नमूना लेना संभव है।
एनआईएसक्यू प्रोसेसर द्वारा उत्पन्न क्वांटम डेटा शोर वाला होता है और आमतौर पर माप होने से ठीक पहले उलझ जाता है। ह्यूरिस्टिक मशीन लर्निंग तकनीक ऐसे मॉडल बना सकती है जो शोर-शराबे वाले उलझे हुए डेटा से उपयोगी शास्त्रीय जानकारी को अधिकतम रूप से निकाल सकते हैं। टेन्सरफ्लो क्वांटम (टीएफक्यू) लाइब्रेरी ऐसे मॉडल विकसित करने के लिए आदिम प्रदान करती है जो क्वांटम डेटा में सहसंबंधों को सुलझाते हैं और सामान्यीकृत करते हैं - मौजूदा क्वांटम एल्गोरिदम में सुधार करने या नए क्वांटम एल्गोरिदम की खोज करने के अवसर खोलते हैं।
निम्नलिखित क्वांटम डेटा के उदाहरण हैं जिन्हें क्वांटम डिवाइस पर उत्पन्न या सिम्युलेटेड किया जा सकता है:
- रासायनिक सिमुलेशन - सामग्री विज्ञान, कम्प्यूटेशनल रसायन विज्ञान, कम्प्यूटेशनल जीवविज्ञान और दवा खोज के संभावित अनुप्रयोगों के साथ रासायनिक संरचनाओं और गतिशीलता के बारे में जानकारी निकालें।
- क्वांटम पदार्थ सिमुलेशन - उच्च तापमान सुपरकंडक्टिविटी या पदार्थ की अन्य विदेशी अवस्थाओं का मॉडल और डिज़ाइन जो कई-शरीर क्वांटम प्रभाव प्रदर्शित करता है।
- क्वांटम नियंत्रण - हाइब्रिड क्वांटम-शास्त्रीय मॉडल को इष्टतम खुले या बंद-लूप नियंत्रण, अंशांकन और त्रुटि शमन करने के लिए भिन्न रूप से प्रशिक्षित किया जा सकता है। इसमें क्वांटम उपकरणों और क्वांटम प्रोसेसर के लिए त्रुटि का पता लगाने और सुधार रणनीतियाँ शामिल हैं।
- क्वांटम संचार नेटवर्क - संरचित क्वांटम रिपीटर्स, क्वांटम रिसीवर और शुद्धिकरण इकाइयों के डिजाइन और निर्माण के लिए आवेदन के साथ, गैर-ऑर्थोगोनल क्वांटम राज्यों के बीच भेदभाव करने के लिए मशीन लर्निंग का उपयोग करें।
- क्वांटम मेट्रोलॉजी - क्वांटम-संवर्धित उच्च परिशुद्धता माप जैसे कि क्वांटम सेंसिंग और क्वांटम इमेजिंग स्वाभाविक रूप से उन जांचों पर की जाती है जो छोटे पैमाने के क्वांटम उपकरण हैं और इन्हें वैरिएबल क्वांटम मॉडल द्वारा डिजाइन या बेहतर बनाया जा सकता है।
हाइब्रिड क्वांटम-शास्त्रीय मॉडल
एक क्वांटम मॉडल क्वांटम यांत्रिक उत्पत्ति के साथ डेटा का प्रतिनिधित्व और सामान्यीकरण कर सकता है। क्योंकि निकट-अवधि के क्वांटम प्रोसेसर अभी भी काफी छोटे और शोर वाले हैं, क्वांटम मॉडल अकेले क्वांटम प्रोसेसर का उपयोग करके क्वांटम डेटा को सामान्यीकृत नहीं कर सकते हैं। एनआईएसक्यू प्रोसेसर को प्रभावी बनने के लिए शास्त्रीय सह-प्रोसेसरों के साथ मिलकर काम करना चाहिए। चूंकि TensorFlow पहले से ही सीपीयू, जीपीयू और टीपीयू में विषम कंप्यूटिंग का समर्थन करता है, इसलिए इसे हाइब्रिड क्वांटम-क्लासिकल एल्गोरिदम के साथ प्रयोग करने के लिए बेस प्लेटफॉर्म के रूप में उपयोग किया जाता है।
क्वांटम न्यूरल नेटवर्क (क्यूएनएन) का उपयोग एक पैरामीटरयुक्त क्वांटम कम्प्यूटेशनल मॉडल का वर्णन करने के लिए किया जाता है जिसे क्वांटम कंप्यूटर पर सबसे अच्छा निष्पादित किया जाता है। यह शब्द अक्सर पैरामीटरयुक्त क्वांटम सर्किट (पीक्यूसी) के साथ विनिमेय होता है।
अनुसंधान
एनआईएसक्यू-युग के दौरान, शास्त्रीय एल्गोरिदम की तुलना में ज्ञात स्पीडअप वाले क्वांटम एल्गोरिदम - जैसे शोर के फैक्टरिंग एल्गोरिदम या ग्रोवर के खोज एल्गोरिदम - अभी तक सार्थक पैमाने पर संभव नहीं हैं।
TensorFlow क्वांटम का लक्ष्य NISQ-युग के लिए एल्गोरिदम खोजने में मदद करना है, जिसमें विशेष रुचि है:
- एनआईएसक्यू एल्गोरिदम को बढ़ाने के लिए शास्त्रीय मशीन लर्निंग का उपयोग करें। आशा है कि शास्त्रीय मशीन लर्निंग की तकनीकें क्वांटम कंप्यूटिंग की हमारी समझ को बढ़ा सकती हैं। शास्त्रीय आवर्तक तंत्रिका नेटवर्क के माध्यम से क्वांटम तंत्रिका नेटवर्क के लिए मेटा-लर्निंग में, एक आवर्तक तंत्रिका नेटवर्क (आरएनएन) का उपयोग यह पता लगाने के लिए किया जाता है कि क्यूएओए और वीक्यूई जैसे एल्गोरिदम के लिए नियंत्रण मापदंडों का अनुकूलन सरल ऑफ-द-शेल्फ ऑप्टिमाइज़र की तुलना में अधिक कुशल है। और क्वांटम नियंत्रण के लिए मशीन लर्निंग त्रुटियों को कम करने और उच्च गुणवत्ता वाले क्वांटम गेट्स का उत्पादन करने में मदद करने के लिए सुदृढीकरण सीखने का उपयोग करता है।
- क्वांटम सर्किट के साथ मॉडल क्वांटम डेटा। यदि आपके पास डेटास्रोत का सटीक विवरण है तो क्वांटम डेटा का शास्त्रीय मॉडलिंग संभव है - लेकिन कभी-कभी यह संभव नहीं है। इस समस्या को हल करने के लिए, आप क्वांटम कंप्यूटर पर ही मॉडलिंग का प्रयास कर सकते हैं और महत्वपूर्ण आँकड़ों को माप/निरीक्षण कर सकते हैं। क्वांटम कन्वेन्शनल न्यूरल नेटवर्क एक क्वांटम सर्किट दिखाता है जिसे पदार्थ के विभिन्न टोपोलॉजिकल चरणों का पता लगाने के लिए कन्वेन्शनल न्यूरल नेटवर्क (सीएनएन) के अनुरूप संरचना के साथ डिज़ाइन किया गया है। क्वांटम कंप्यूटर डेटा और मॉडल रखता है। क्लासिकल प्रोसेसर मॉडल आउटपुट से केवल माप नमूने देखता है, डेटा कभी नहीं। एक शोर क्वांटम कंप्यूटर पर मजबूत उलझाव पुनर्सामान्यीकरण में, लेखक डीएमईआरए मॉडल का उपयोग करके क्वांटम कई-बॉडी सिस्टम के बारे में जानकारी को संपीड़ित करना सीखते हैं।
क्वांटम मशीन लर्निंग में रुचि के अन्य क्षेत्रों में शामिल हैं:
- क्वांटम कंप्यूटर पर विशुद्ध रूप से शास्त्रीय डेटा की मॉडलिंग।
- क्वांटम-प्रेरित शास्त्रीय एल्गोरिदम।
- क्वांटम क्लासिफायर के साथ पर्यवेक्षित शिक्षण ।
- क्वांटम तंत्रिका नेटवर्क के लिए अनुकूली परत-वार सीखना।
- क्वांटम गतिशीलता सीखना ।
- मिश्रित क्वांटम अवस्थाओं का जनरेटिव मॉडलिंग ।
- निकट अवधि प्रोसेसर पर क्वांटम न्यूरल नेटवर्क के साथ वर्गीकरण ।