কোয়ান্টাম মেশিন লার্নিং ধারণা

Google এর কোয়ান্টাম পরলোক-শাস্ত্রীয় পরীক্ষা 53 সশব্দ qubits ব্যবহৃত প্রকট এটি একটি কোয়ান্টাম কম্পিউটার যে বৃহত্তম Classical কম্পিউটার বিদ্যমান আলগোরিদিম ব্যবহার করে 10,000 বছর লাগবে উপর 200 সেকেন্ডের মধ্যে একটি হিসাব সঞ্চালন পারে। এই নম্বরের শুরু মধ্যে Noisy অন্তর্বর্তী মাপের কোয়ান্টাম (NISQ) কম্পিউটিং যুগের। আগামী বছরগুলিতে, দশ থেকে শত শত কোলাহলযুক্ত কোয়ান্টাম ডিভাইসগুলি বাস্তবে পরিণত হবে বলে আশা করা হচ্ছে।

কোয়ান্টাম কম্পিউটিং

কোয়ান্টাম কম্পিউটিং সমস্যার সমাধান করার জন্য কোয়ান্টাম মেকানিক্সের বৈশিষ্ট্যের উপর নির্ভর করে যা ক্লাসিক্যাল কম্পিউটারের নাগালের বাইরে থাকবে। একজন কোয়ান্টাম কম্পিউটার qubits ব্যবহার করে। Qubits একটি কম্পিউটার নিয়মিত বিট মত, কিন্তু যোগ ক্ষমতা একে অপরের সাথে একটি উপরিপাত এবং ভাগ জড়াইয়া পড়া পুরা করতে হবে।

ক্লাসিক্যাল কম্পিউটারগুলি নির্ণয়মূলক শাস্ত্রীয় ক্রিয়াকলাপ সম্পাদন করে বা নমুনা পদ্ধতি ব্যবহার করে সম্ভাব্য প্রক্রিয়াগুলি অনুকরণ করতে পারে। সুপারপজিশন এবং জড়িয়ে পড়া দ্বারা, কোয়ান্টাম কম্পিউটার কোয়ান্টাম অপারেশন করতে পারে যা ক্লাসিক্যাল কম্পিউটারের সাথে স্কেলে অনুকরণ করা কঠিন। এনআইএসকিউ কোয়ান্টাম কম্পিউটিং এর উপকারের জন্য ধারণার মধ্যে রয়েছে অপটিমাইজেশন, কোয়ান্টাম সিমুলেশন, ক্রিপ্টোগ্রাফি এবং মেশিন লার্নিং।

কোয়ান্টাম মেশিন লার্নিং

কোয়ান্টাম তথ্য এবং সংকর কোয়ান্টাম-শাস্ত্রীয় মডেল: কোয়ান্টাম মেশিন লার্নিং (QML) দুটো ধারণার উপর নির্মিত হয়।

কোয়ান্টাম ডেটা

কোয়ান্টাম তথ্য কোন তথ্য উৎস যে একটি প্রাকৃতিক বা কৃত্রিম কোয়ান্টাম সিস্টেমের মধ্যে ঘটে গেছে। এই নমুনা থেকে সংগৃহীত মত একটি কোয়ান্টাম কম্পিউটার দ্বারা উত্পন্ন ডেটা, হতে পারে আপনি Sycamore প্রসেসর কোয়ান্টাম আধিপত্য Google এর বিক্ষোভের জন্য। কোয়ান্টাম ডেটা সুপারপজিশন এবং এনট্যাঙ্গেলমেন্ট প্রদর্শন করে, যার ফলে যৌথ সম্ভাব্যতা বিতরণ হয় যার প্রতিনিধিত্ব বা সঞ্চয়ের জন্য শাস্ত্রীয় গণনীয় সম্পদের একটি সূচকীয় পরিমাণ প্রয়োজন হতে পারে। কোয়ান্টাম আধিপত্য পরীক্ষাটি দেখিয়েছে যে 2^53 হিলবার্ট স্পেসের একটি অত্যন্ত জটিল যৌথ সম্ভাবনা বিতরণ থেকে নমুনা নেওয়া সম্ভব।

NISQ প্রসেসর দ্বারা উৎপন্ন কোয়ান্টাম ডেটা গোলমাল এবং সাধারণত পরিমাপ হওয়ার ঠিক আগে জড়িয়ে পড়ে। হিউরিস্টিক মেশিন লার্নিং কৌশলগুলি এমন মডেল তৈরি করতে পারে যা গোলমালযুক্ত তথ্য থেকে দরকারী শাস্ত্রীয় তথ্যের সর্বাধিক নিষ্কাশন করে। টেন্সরফ্লো কোয়ান্টাম (টিএফকিউ) লাইব্রেরি কোয়ান্টাম ডেটাতে পারস্পরিক সম্পর্ক বিচ্ছিন্ন এবং সাধারণীকরণের মডেল তৈরির জন্য আদিম প্রদান করে - বিদ্যমান কোয়ান্টাম অ্যালগরিদম উন্নত করার বা নতুন কোয়ান্টাম অ্যালগরিদম আবিষ্কারের সুযোগ খুলে দেয়।

কোয়ান্টাম ডেটার উদাহরণ নিম্নরূপ যা কোয়ান্টাম ডিভাইসে তৈরি বা নকল করা যায়:

  • রাসায়নিক কাঠামো ও বস্তুগত বিজ্ঞান, গণনীয় রসায়ন, গণনীয় জীববিদ্যা, এবং ড্রাগ আবিষ্কারের সম্ভাব্য অ্যাপ্লিকেশনের সাথে গতিবিদ্যা সম্পর্কে রাসায়নিক সিমুলেশন -Extract তথ্য।
  • কোয়ান্টাম ব্যাপার সিমুলেশন -Model এবং উচ্চ তাপমাত্রা অতিপরিবাহিতা বা পদার্থের অন্যান্য বহিরাগত রাজ্যের অনেক শরীর কোয়ান্টাম প্রভাব প্রদর্শণ ডিজাইন।
  • কোয়ান্টাম নিয়ন্ত্রণ -Hybrid কোয়ান্টাম-শাস্ত্রীয় মডেল variationally অনুকূল খোলা বা ক্লোস্ড-লুপ নিয়ন্ত্রণ, ক্রমাঙ্কন, এবং ত্রুটি প্রশমন সম্পাদন করতে প্রশিক্ষিত করা যেতে পারে। এর মধ্যে রয়েছে কোয়ান্টাম ডিভাইস এবং কোয়ান্টাম প্রসেসরের ত্রুটি সনাক্তকরণ এবং সংশোধন কৌশল।
  • মেশিন -Use কোয়ান্টাম যোগাযোগ নেটওয়ার্ক আবেদন ডিজাইন করতে এবং কাঠামোবদ্ধ কোয়ান্টাম repeaters, কোয়ান্টাম রিসিভার, এবং পরিশোধন ইউনিট নির্মাণ সঙ্গে অ লম্ব কোয়ান্টাম রাজ্যের মধ্যে বৈষম্য করা, শেখার।
  • কোয়ান্টাম মেট্রোলজি -Quantum উন্নত ধরনের কোয়ান্টাম সেন্সিং এবং কোয়ান্টাম ইমেজিং হিসাবে উচ্চ স্পষ্টতা পরিমাপ মজ্জাগতভাবে অনুসন্ধানগুলি ক্ষুদ্রায়তন কোয়ান্টাম ডিভাইস এবং পরিকল্পিত বা ভেরিয়েশনাল কোয়ান্টাম মডেলের দ্বারা উন্নত করা যেতে পারে কাজ করছে।

হাইব্রিড কোয়ান্টাম-ক্লাসিক্যাল মডেল

একটি কোয়ান্টাম মডেল কোয়ান্টাম যান্ত্রিক উৎপত্তি সহ ডেটাকে প্রতিনিধিত্ব ও সাধারণীকরণ করতে পারে। যেহেতু নিকট-মেয়াদী কোয়ান্টাম প্রসেসরগুলি এখনও মোটামুটি ছোট এবং কোলাহলপূর্ণ, কোয়ান্টাম মডেলগুলি কোয়ান্টাম প্রসেসর ব্যবহার করে কোয়ান্টাম ডেটাকে সাধারণীকরণ করতে পারে না। NISQ প্রসেসরগুলিকে কার্যকর হতে ক্লাসিক্যাল কো-প্রসেসরের সাথে একত্রে কাজ করতে হবে। যেহেতু টেন্সরফ্লো ইতিমধ্যেই সিপিইউ, জিপিইউ এবং টিপিইউ জুড়ে ভিন্নধর্মী কম্পিউটিং সমর্থন করে, তাই এটি হাইব্রিড কোয়ান্টাম-ক্লাসিক্যাল অ্যালগরিদম নিয়ে পরীক্ষা করার জন্য বেস প্ল্যাটফর্ম হিসেবে ব্যবহৃত হয়।

একজন কোয়ান্টাম নিউরাল নেটওয়ার্ক (QNN) একটি স্থিতিমাপ কোয়ান্টাম গণনীয় মডেল যে শ্রেষ্ঠ কোয়ান্টাম কম্পিউটারে মৃত্যুদন্ড কার্যকর করা হয় বর্ণনা করতে ব্যবহার করা হয়। এই শব্দটি প্রায়ই স্থিতিমাপ কোয়ান্টাম বর্তনী (PQC) সঙ্গে বিনিমেয়।

গবেষণা

NISQ-যুগে শাস্ত্রীয় আলগোরিদিম মত পরিচিত speedups সঙ্গে কোয়ান্টাম আলগোরিদিম Shor, এর ফ্যাক্টরিং অ্যালগরিদম বা গ্রোভার এর অনুসন্ধান আলগোরিদিম না এখনও সম্ভব একটি অর্থপূর্ণ মাত্রায় -are।

TensorFlow কোয়ান্টামের একটি লক্ষ্য হল NISQ- যুগের জন্য অ্যালগরিদম আবিষ্কারে সাহায্য করা, যার মধ্যে বিশেষ আগ্রহ রয়েছে:

  1. NISQ অ্যালগরিদম উন্নত করতে শাস্ত্রীয় মেশিন লার্নিং ব্যবহার করুন। আশা হল ক্লাসিক্যাল মেশিন লার্নিংয়ের কৌশলগুলি কোয়ান্টাম কম্পিউটিং সম্পর্কে আমাদের বোঝাপড়া বাড়িয়ে তুলতে পারে। ইন শাস্ত্রীয় পৌনঃপুনিক নিউরাল নেটওয়ার্কের মাধ্যমে কোয়ান্টাম নিউরাল নেটওয়ার্কের জন্য মেটা-শেখার , একটি পৌনঃপুনিক নিউরাল নেটওয়ার্ক (RNN) QAOA এবং VQE মত আলগোরিদিম কন্ট্রোল পরামিতি যে অপ্টিমাইজেশান আবিষ্কার করতে ব্যবহৃত হয় বালুচর optimizers বন্ধ সহজ অধিক কার্যকরী হয়। আর কোয়ান্টাম নিয়ন্ত্রণের জন্য মেশিন লার্নিং ব্যবহার সাহায্যের প্রশমিত ত্রুটি শেখার এবং উচ্চ মানের কোয়ান্টাম দরজা উত্পাদন শক্তিবৃদ্ধি।
  2. কোয়ান্টাম সার্কিট সহ মডেল কোয়ান্টাম ডেটা। ক্লাসিক্যালি মডেলিং কোয়ান্টাম ডেটা সম্ভব যদি আপনার কাছে ডেটাসোর্সের সঠিক বর্ণনা থাকে sometimes কিন্তু কখনও কখনও এটি সম্ভব হয় না। এই সমস্যা সমাধানের জন্য, আপনি নিজেই কোয়ান্টাম কম্পিউটারে মডেলিং করার চেষ্টা করতে পারেন এবং গুরুত্বপূর্ণ পরিসংখ্যান পরিমাপ/পর্যবেক্ষণ করতে পারেন। কোয়ান্টাম convolutional স্নায়ুর নেটওয়ার্ক শো কোয়ান্টাম বর্তনী একটি convolutional স্নায়ুর নেটওয়ার্ক (সিএনএন) একটি কাঠামো অনুরূপ ব্যাপার বিভিন্ন টপোলজিকাল পর্যায়ক্রমে সনাক্ত করতে সঙ্গে পরিকল্পিত। কোয়ান্টাম কম্পিউটার তথ্য এবং মডেল ধারণ করে। শাস্ত্রীয় প্রসেসর মডেল আউটপুট থেকে শুধুমাত্র পরিমাপের নমুনা দেখে এবং কখনোই ডেটা নিজেই নয়। ইন একটি সশব্দ কোয়ান্টাম কম্পিউটারের তে শক্তসমর্থ জড়াইয়া পড়া renormalization , লেখক কোয়ান্টাম অনেকগুলি শরীরের একটি DMERA মডেল ব্যবহার করে সিস্টেম সম্পর্কে কম্প্রেস তথ্যে শিখতে।

কোয়ান্টাম মেশিন লার্নিংয়ের আগ্রহের অন্যান্য ক্ষেত্রগুলির মধ্যে রয়েছে: