இயந்திரகளை புரிந்துகொள்ள முடியுமா? குவாண்டம் கம்ப்யூட்டிங் தரும் வழிகள்

புளோரிடா மாகாண பல்கலைக்கழக பேராசிரியர் ஒருவரின் ஆராய்ச்சி, குவாண்டம் இயந்திர கணக்கிடுதல் முறையை ஒரு சக்திவாய்ந்த கணக்கீட்டு கருவி என்று நிரூபித்திருக்கிறது.

கம்மின்ஸ் இன்க். மெக்கானிக்கல் இன்ஜினியரிங் பேராசிரியரும், FAMU-FSU இன்ஜினியரிங் கல்லூரியில் மெக்கானிக்கல் இன்ஜினியரிங் துறையின் தலைவருமான வில்லியம் ஓட்ஸ் மற்றும் போஸ்ட்டாக்டோரல் ஆராய்ச்சியாளர் குவாங்கேலி சூ ஆகியோர் இனைந்து இயந்திரங்கள் எடுத்துக்கொள்ளும் அளவுருக்களை சுயமாக கண்டறியும் குவாண்டம் போல்ட்ஜ்மேனை கண்டுபிடித்துள்ளனர்.

இந்த ஆய்வு, கணினிகளைப் பயிற்றுவிப்பதற்காகப் பயன்படுத்தக்கூடிய செயற்கை நரம்பியல் வலைபின்னல்களை(Artificial neurological networks) உருவாக்க உதவுகிறது. இந்த வலைபின்னல் கணினிகள் படங்களை அடையாளம் காணுவும், போதைப்பொருட்களை கண்டுபிடிக்கவும், புதிய பொருட்களை உருவாக்குவும் பயிற்றுவிக்கும்.

“குவாண்டம் கம்ப்யூட்டிங், ஆன்லைன் கணக்கீட்டில் வளரும்போது, ​​உலகிற்கு சில புதிய கருவிகளை வழங்க முடியும் என்று நாங்கள் நம்புகிறோம், ஆனால் அதை எவ்வாறு நிரல் செய்வது மற்றும் சில பயன்பாடுகளில் எவ்வாறு பயன்படுத்துவது என்பதைக் கண்டுபிடிப்பது ஒரு பெரிய சவாலாக உள்ளது” என்று ஓட்ஸ் கூறினார். குவாண்டம் அனீலர்ஸ்(Distillation Cooling) எனப்படும் சிறப்பு குவாண்டம் கணினிகள் இந்த வகை கம்ப்யூட்டிங் செய்வதற்கான ஒரு கருவியாகும்.

ஒரு குபிட்டின்(qubit) ஒவ்வொரு செயல் நிலையையும் ஆற்றல் மட்டமாகக் குறிப்பதன் மூலம் அவை செயல்படுகின்றன. அதன் குபிட்டுகளில் மிகக் குறைந்த ஆற்றல் நிலை ஒரு பிரச்சினைக்கு தீர்வு அளிக்கிறது. இதன் விளைவாக சிக்கலான, ஒன்றோடொன்று இணைக்கப்பட்ட அமைப்புகளைக் கையாளக்கூடிய ஒரு இயந்திரம், இதை பயன்படுத்தி வழக்கமான கணினி கணக்கிட மிக நீண்ட நேரம் எடுக்கும், ஒரு வலையமைப்பை உருவாக்குவது போன்றது.

நரம்பியல் வலைப்பின்னல்களை உருவாக்குவதற்கான ஒரு வழி, கட்டுப்படுத்தப்பட்ட போல்ட்ஜ்மேன் இயந்திரத்தைப் பயன்படுத்துவது. இது பிணையத்திற்கு வழங்கப்பட்ட உள்ளீடுகளின் அடிப்படையில் கற்றுக்கொள்ள நிகழ்தகவைப்(probability) பயன்படுத்தும். ஓட்ஸ் மற்றும் சூ அந்த வழிமுறையில் பயன்படுத்தப்படும், முக்கியமான அளவுருவை தானாகக் கணக்கிட ஒரு வழியைக் கண்டுபிடித்தனர். இந்த முறையில் போல்ட்ஜ்மேன் இயந்திரங்கள் அந்த அளவுருவை யூகிக்கின்றன. இதை உறுதிப்படுத்த சோதனை தேவைப்படுகிறது, மேலும் ஒரு புதிய சிக்கலை கணினி எதிர்கொள்ளும்போது மாற்றங்கள் நேரலாம்.

“மாதிரியில் உள்ள அந்த அளவுரு குவாண்டம் அனீலர் என்ன செய்கிறது என்பதைப் பிரதிபலிக்கிறது” என்று ஓட்ஸ் கூறினார். “நீங்கள் அதை துல்லியமாக மதிப்பிட முடிந்தால், உங்கள் நரம்பியல் வலையமைப்பை மிகவும் திறம்பட பயிற்றுவிக்கலாம் மற்றும் விஷயங்களை கணிக்க அதைப் பயன்படுத்தலாம்.”

References:

• Sonkin, K., Stankevich, L., Khomenko, Y., Nagornova, Z., Shemyakina, N., Koval, A., & Perets, D. (2016, July). Neurological classifier committee based on artificial neural networks and support vector machine for single-trial EEG signal decoding. In International Symposium on Neural Networks (pp. 100-107). Springer, Cham.
• Pehle, C., Meier, K., Oberthaler, M., & Wetterich, C. (2018). Emulating quantum computation with artificial neural networks. arXiv preprint arXiv:1810.10335.
• Al-Rabadi, A. N., & Lendaris, G. G. (2003, July). Artificial neural network implementation using many-valued quantum computing. In Proceedings of the International Joint Conference on Neural Networks, 2003. (Vol. 4, pp. 3112-3117). IEEE.