इस पेज का अनुवाद Cloud Translation API से किया गया है.
Switch to English

क्वांटम मशीन सीखने की अवधारणा

Google के क्वांटम वर्चस्व प्रयोग ने 53 शोर शराबों का उपयोग किया, यह प्रदर्शित करने के लिए कि क्वांटम कंप्यूटर पर 200 सेकंड में गणना की जा सकती है जो कि मौजूदा एल्गोरिदम का उपयोग करते हुए सबसे बड़े शास्त्रीय कंप्यूटर पर 10,000 साल लगेंगे। यह शोर इंटरमीडिएट-स्केल क्वांटम (NISQ) कंप्यूटिंग युग की शुरुआत का प्रतीक है। आने वाले वर्षों में, दस-से-सैकड़ों शोर की मात्रा वाले क्वांटम उपकरण एक वास्तविकता बनने की उम्मीद है।

क्वांटम कम्प्यूटिंग

क्वांटम कंप्यूटिंग क्वांटम यांत्रिकी के गुणों पर निर्भर करती है जो उन समस्याओं की गणना करती है जो शास्त्रीय कंप्यूटरों के लिए पहुंच से बाहर होगी। एक क्वांटम कंप्यूटर क्वैबिट का उपयोग करता है। क्यूबिट्स एक कंप्यूटर में नियमित बिट की तरह हैं, लेकिन एक सुपरपोजिशन में जोड़े जाने की क्षमता और एक दूसरे के साथ उलझाव साझा करने के लिए।

शास्त्रीय कंप्यूटर नियतात्मक शास्त्रीय संचालन करते हैं या नमूने के तरीकों का उपयोग करके संभाव्य प्रक्रियाओं का अनुकरण कर सकते हैं। सुपरपोज़िशन और उलझाव का उपयोग करके, क्वांटम कंप्यूटर क्वांटम संचालन कर सकते हैं जो शास्त्रीय कंप्यूटरों के साथ बड़े पैमाने पर अनुकरण करना मुश्किल है। NISQ क्वांटम कंप्यूटिंग का लाभ उठाने के विचारों में अनुकूलन, क्वांटम सिमुलेशन, क्रिप्टोग्राफी और मशीन लर्निंग शामिल हैं।

क्वांटम मशीन लर्निंग

क्वांटम मशीन लर्निंग (QML) को दो अवधारणाओं पर बनाया गया है: क्वांटम डेटा और हाइब्रिड क्वांटम-शास्त्रीय मॉडल

क्वांटम डेटा

क्वांटम डेटा किसी भी डेटा स्रोत है जो एक प्राकृतिक या कृत्रिम क्वांटम सिस्टम में होता है। यह क्वांटम कंप्यूटर द्वारा उत्पन्न डेटा हो सकता है, जैसे Google के क्वांटम वर्चस्व के प्रदर्शन के लिए साइकैमोर प्रोसेसर से एकत्र किए गए नमूने। क्वांटम डेटा सुपरपोज़िशन और उलझाव को प्रदर्शित करता है, जिससे संयुक्त संभावना वितरण होता है जिसे प्रतिनिधित्व या स्टोर करने के लिए शास्त्रीय कम्प्यूटेशनल संसाधनों की एक घातीय राशि की आवश्यकता हो सकती है। क्वांटम वर्चस्व प्रयोग ने दिखाया कि 2 ^ 53 हिल्बर्ट अंतरिक्ष के एक अत्यंत जटिल संयुक्त संभाव्यता वितरण से नमूना लेना संभव है।

एनआईएसक्यू प्रोसेसर द्वारा उत्पन्न क्वांटम डेटा शोर हैं और आमतौर पर माप होने से ठीक पहले उलझ जाते हैं। ह्यूरिस्टिक मशीन लर्निंग तकनीक ऐसे मॉडल बना सकती है जो शोरगुल वाले डेटा से उपयोगी शास्त्रीय जानकारी को अधिकतम करते हैं। TensorFlow Quantum (TFQ) लाइब्रेरी उन मॉडलों को विकसित करने के लिए प्राइमेटिव प्रदान करती है जो क्वांटम डेटा में असंबद्धता और सहसंबंधों को सामान्य करते हैं - मौजूदा क्वांटम एल्गोरिदम को बेहतर बनाने या नए क्वांटम एल्गोरिदम की खोज करने के अवसर खोलते हैं।

निम्नलिखित क्वांटम डेटा के उदाहरण हैं जो क्वांटम डिवाइस पर उत्पन्न या सिम्युलेटेड हो सकते हैं:

  • रासायनिक सिमुलेशन - भौतिक विज्ञान, कम्प्यूटेशनल रसायन विज्ञान, कम्प्यूटेशनल जीव विज्ञान, और दवा की खोज के लिए संभावित अनुप्रयोगों के साथ रासायनिक संरचनाओं और गतिशीलता के बारे में जानकारी।
  • क्वांटम पदार्थ सिमुलेशन -मॉडल और उच्च तापमान अतिचालकता या पदार्थ के अन्य विदेशी राज्यों को डिजाइन करते हैं जो कई-शरीर क्वांटम प्रभाव प्रदर्शित करते हैं।
  • क्वांटम नियंत्रण -हाइब्रिड क्वांटम-शास्त्रीय मॉडल को इष्टतम रूप से खुले या बंद-लूप नियंत्रण, अंशांकन और त्रुटि शमन करने के लिए प्रशिक्षित किया जा सकता है। इसमें क्वांटम डिवाइस और क्वांटम प्रोसेसर के लिए एरर डिटेक्शन और करेक्शन स्ट्रैटेजी शामिल हैं।
  • क्वांटम संचार नेटवर्क -गैर-ऑर्थोगोनल क्वांटम राज्यों के बीच भेदभाव करने के लिए मशीन सीखना, संरचित क्वांटम रिपीटर्स, क्वांटम रिसीवर और शुद्धिकरण इकाइयों के डिजाइन और निर्माण के लिए आवेदन।
  • क्वांटम मेट्रोलॉजी -क्वांटम सेंसिंग और क्वांटम इमेजिंग जैसे उच्च परिशुद्धता मापों को स्वाभाविक रूप से उन जांचों पर किया जाता है जो छोटे पैमाने पर क्वांटम डिवाइस हैं और जिन्हें परिमाणीय क्वांटम मॉडल द्वारा डिजाइन या बेहतर बनाया जा सकता है।

हाइब्रिड क्वांटम-शास्त्रीय मॉडल

एक क्वांटम मॉडल क्वांटम मैकेनिकल मूल के साथ डेटा का प्रतिनिधित्व और सामान्यीकरण कर सकता है। क्योंकि निकट अवधि के क्वांटम प्रोसेसर अभी भी काफी छोटे और शोर हैं, क्वांटम मॉडल केवल क्वांटम प्रोसेसर का उपयोग करके क्वांटम डेटा को सामान्य नहीं कर सकते हैं। NISQ प्रोसेसर को प्रभावी बनने के लिए शास्त्रीय सह-प्रोसेसर के साथ संगीत कार्यक्रम में काम करना चाहिए। चूंकि TensorFlow पहले से ही CPU, GPU, और TPUs में विषम कंप्यूटिंग का समर्थन करता है, इसलिए इसे हाइब्रिड क्वांटम-शास्त्रीय एल्गोरिदम के साथ प्रयोग करने के लिए बेस प्लेटफॉर्म के रूप में उपयोग किया जाता है।

एक क्वांटम न्यूरल नेटवर्क (QNN) का उपयोग एक परिमाणित क्वांटम कम्प्यूटेशनल मॉडल का वर्णन करने के लिए किया जाता है जो एक क्वांटम कंप्यूटर पर सबसे अच्छा निष्पादित होता है। यह शब्द अक्सर पैरामीटर किए गए क्वांटम सर्किट (PQC) के साथ विनिमेय है।

अनुसंधान

एनआईएसक्यू-युग के दौरान, शास्त्रीय एल्गोरिदम पर ज्ञात स्पीडअप के साथ क्वांटम एल्गोरिदम - जैसे शोर के फैक्टरिंग एल्गोरिथ्म या ग्रोवर का खोज एल्गोरिदम - सार्थक पैमाने पर अभी तक संभव नहीं है।

TensorFlow Quantum का एक लक्ष्य NISQ- युग के लिए एल्गोरिदम खोजने में मदद करना है, जिसमें विशेष रुचि है:

  1. NISQ एल्गोरिदम को बढ़ाने के लिए शास्त्रीय मशीन सीखने का उपयोग करें। उम्मीद है कि शास्त्रीय मशीन सीखने की तकनीक क्वांटम कंप्यूटिंग की हमारी समझ को बढ़ा सकती है। शास्त्रीय आवर्तक तंत्रिका नेटवर्क के माध्यम से क्वांटम तंत्रिका नेटवर्क के लिए मेटा-लर्निंग में , एक आवर्तक तंत्रिका नेटवर्क (RNN) का उपयोग किया जाता है ताकि यह पता लगाया जा सके कि QAOA और VQE जैसे एल्गोरिदम के लिए नियंत्रण मापदंडों का अनुकूलन शेल्फ ऑप्टिमाइज़र के लिए सरल से अधिक कुशल है। और क्वांटम कंट्रोल के लिए मशीन लर्निंग, त्रुटियों को कम करने और उच्च गुणवत्ता वाले क्वांटम गेट्स बनाने में मदद करने के लिए सुदृढीकरण सीखने का उपयोग करता है।
  2. क्वांटम सर्किट के साथ मॉडल क्वांटम डेटा। यदि आपके पास डेटा स्रोत का सटीक विवरण है, तो शास्त्रीय रूप से मॉडलिंग क्वांटम डेटा संभव है - लेकिन कभी-कभी यह संभव नहीं है। इस समस्या को हल करने के लिए, आप स्वयं क्वांटम कंप्यूटर पर मॉडलिंग की कोशिश कर सकते हैं और महत्वपूर्ण आँकड़ों को माप / देख सकते हैं। क्वांटम कन्वेन्शनल न्यूरल नेटवर्क, एक क्वांटम सर्किट को दर्शाता है, जो एक स्ट्रक्चरल के साथ डिजाइन किया गया है, जो कॉन्टेक्स्टुएल न्यूरल नेटवर्क (CNN) के अनुरूप है, जो पदार्थ के विभिन्न टोपोलॉजिकल चरणों का पता लगाता है। क्वांटम कंप्यूटर डेटा और मॉडल को धारण करता है। शास्त्रीय प्रोसेसर केवल मॉडल आउटपुट से माप के नमूने देखता है और कभी भी डेटा खुद नहीं। एक शोर क्वांटम कंप्यूटर पर रोबस्ट उलझाव रेनोवेशन में , लेखक DMERA मॉडल का उपयोग करके क्वांटम कई-बॉडी सिस्टम के बारे में जानकारी को संपीड़ित करना सीखते हैं।

क्वांटम मशीन सीखने के अन्य क्षेत्रों में शामिल हैं: