Google-এর কোয়ান্টাম বিয়ন্ড-ক্লাসিক্যাল এক্সপেরিমেন্টে 53টি নয়েজী কিউবিট ব্যবহার করা হয়েছে যে এটি একটি কোয়ান্টাম কম্পিউটারে 200 সেকেন্ডের মধ্যে একটি গণনা করতে পারে যা বিদ্যমান অ্যালগরিদম ব্যবহার করে সবচেয়ে বড় ক্লাসিক্যাল কম্পিউটারে 10,000 বছর সময় নেয়। এটি নয়িজ ইন্টারমিডিয়েট-স্কেল কোয়ান্টাম (NISQ) কম্পিউটিং যুগের সূচনা করে। আগামী বছরগুলিতে, দশ থেকে শত শত কোলাহলযুক্ত কিউবিট সহ কোয়ান্টাম ডিভাইসগুলি বাস্তবে পরিণত হবে বলে আশা করা হচ্ছে।
কোয়ান্টাম কম্পিউটিং
কোয়ান্টাম কম্পিউটিং কোয়ান্টাম মেকানিক্সের বৈশিষ্ট্যের উপর নির্ভর করে সমস্যাগুলি গণনা করার জন্য যা ক্লাসিক্যাল কম্পিউটারের নাগালের বাইরে হবে। একটি কোয়ান্টাম কম্পিউটার qubits ব্যবহার করে। কিউবিটগুলি একটি কম্পিউটারের নিয়মিত বিটের মতো, তবে অতিরিক্ত ক্ষমতার সাথে একটি সুপারপজিশনে রাখা এবং একে অপরের সাথে জট ভাগ করে নেওয়ার ক্ষমতা রয়েছে।
ক্লাসিক্যাল কম্পিউটারগুলি নির্ধারক শাস্ত্রীয় ক্রিয়াকলাপ সম্পাদন করে বা নমুনা পদ্ধতি ব্যবহার করে সম্ভাব্য প্রক্রিয়াগুলি অনুকরণ করতে পারে। সুপারপজিশন এবং এনট্যাঙ্গলমেন্ট ব্যবহার করে, কোয়ান্টাম কম্পিউটারগুলি কোয়ান্টাম ক্রিয়াকলাপ সম্পাদন করতে পারে যা ক্লাসিক্যাল কম্পিউটারের সাথে স্কেলে অনুকরণ করা কঠিন। NISQ কোয়ান্টাম কম্পিউটিং সুবিধার জন্য ধারণাগুলির মধ্যে রয়েছে অপ্টিমাইজেশান, কোয়ান্টাম সিমুলেশন, ক্রিপ্টোগ্রাফি এবং মেশিন লার্নিং।
কোয়ান্টাম মেশিন লার্নিং
কোয়ান্টাম মেশিন লার্নিং (QML) দুটি ধারণার উপর নির্মিত: কোয়ান্টাম ডেটা এবং হাইব্রিড কোয়ান্টাম-ক্লাসিক্যাল মডেল ।
কোয়ান্টাম ডেটা
কোয়ান্টাম ডেটা হল যে কোনও ডেটা উত্স যা প্রাকৃতিক বা কৃত্রিম কোয়ান্টাম সিস্টেমে ঘটে। এটি কোয়ান্টাম কম্পিউটার দ্বারা উত্পন্ন ডেটা হতে পারে, যেমন কোয়ান্টাম শ্রেষ্ঠত্ব প্রদর্শনের জন্য সাইকামোর প্রসেসর থেকে সংগ্রহ করা নমুনাগুলি। কোয়ান্টাম ডেটা সুপারপজিশন এবং এনট্যাঙ্গলমেন্ট প্রদর্শন করে, যা যৌথ সম্ভাব্যতা বিতরণের দিকে পরিচালিত করে যার প্রতিনিধিত্ব বা সঞ্চয় করার জন্য একটি সূচকীয় পরিমাণ ক্লাসিক্যাল কম্পিউটেশনাল রিসোর্সের প্রয়োজন হতে পারে। কোয়ান্টাম শ্রেষ্ঠত্ব পরীক্ষায় দেখা গেছে যে 2^53 হিলবার্ট স্থানের একটি অত্যন্ত জটিল যৌথ সম্ভাব্যতা বন্টন থেকে নমুনা নেওয়া সম্ভব।
এনআইএসকিউ প্রসেসর দ্বারা উত্পন্ন কোয়ান্টাম ডেটা কোলাহলপূর্ণ এবং সাধারণত পরিমাপ হওয়ার ঠিক আগে আটকে যায়। হিউরিস্টিক মেশিন লার্নিং কৌশলগুলি এমন মডেল তৈরি করতে পারে যা কোলাহলপূর্ণ তথ্য থেকে দরকারী শাস্ত্রীয় তথ্যের সর্বাধিক নিষ্কাশন করতে পারে। টেনসরফ্লো কোয়ান্টাম (TFQ) লাইব্রেরি এমন মডেলগুলি তৈরি করার জন্য আদিম প্রদান করে যা কোয়ান্টাম ডেটাতে পারস্পরিক সম্পর্ককে বিচ্ছিন্ন করে এবং সাধারণীকরণ করে- বিদ্যমান কোয়ান্টাম অ্যালগরিদমগুলিকে উন্নত করার বা নতুন কোয়ান্টাম অ্যালগরিদমগুলি আবিষ্কার করার সুযোগগুলি উন্মুক্ত করে৷
নিম্নলিখিত কোয়ান্টাম ডেটার উদাহরণ যা একটি কোয়ান্টাম ডিভাইসে তৈরি বা সিমুলেট করা যেতে পারে:
- রাসায়নিক সিমুলেশন —বস্তু বিজ্ঞান, কম্পিউটেশনাল কেমিস্ট্রি, কম্পিউটেশনাল বায়োলজি, এবং ড্রাগ আবিষ্কারের সম্ভাব্য অ্যাপ্লিকেশন সহ রাসায়নিক কাঠামো এবং গতিবিদ্যা সম্পর্কে তথ্য বের করুন।
- কোয়ান্টাম ম্যাটার সিমুলেশন — মডেল এবং ডিজাইন উচ্চ তাপমাত্রার সুপারকন্ডাক্টিভিটি বা পদার্থের অন্যান্য বহিরাগত অবস্থা যা বহু-বডি কোয়ান্টাম প্রভাব প্রদর্শন করে।
- কোয়ান্টাম কন্ট্রোল — হাইব্রিড কোয়ান্টাম-ক্লাসিক্যাল মডেলগুলি সর্বোত্তম ওপেন বা ক্লোজড-লুপ নিয়ন্ত্রণ, ক্রমাঙ্কন, এবং ত্রুটি প্রশমন করার জন্য বৈচিত্রপূর্ণভাবে প্রশিক্ষিত হতে পারে। এর মধ্যে রয়েছে কোয়ান্টাম ডিভাইস এবং কোয়ান্টাম প্রসেসরের ত্রুটি সনাক্তকরণ এবং সংশোধনের কৌশল।
- কোয়ান্টাম কমিউনিকেশন নেটওয়ার্ক - কাঠামোবদ্ধ কোয়ান্টাম রিপিটার, কোয়ান্টাম রিসিভার এবং পরিশোধন ইউনিটের নকশা ও নির্মাণের আবেদন সহ অ-অর্থোগোনাল কোয়ান্টাম অবস্থার মধ্যে বৈষম্য করতে মেশিন লার্নিং ব্যবহার করুন।
- কোয়ান্টাম মেট্রোলজি — কোয়ান্টাম-বর্ধিত উচ্চ নির্ভুলতা পরিমাপ যেমন কোয়ান্টাম সেন্সিং এবং কোয়ান্টাম ইমেজিং এমন প্রোবগুলিতে অন্তর্নিহিতভাবে করা হয় যেগুলি ছোট আকারের কোয়ান্টাম ডিভাইস এবং পরিবর্তনশীল কোয়ান্টাম মডেলগুলির দ্বারা ডিজাইন বা উন্নত করা যেতে পারে।
হাইব্রিড কোয়ান্টাম-ক্লাসিক্যাল মডেল
একটি কোয়ান্টাম মডেল একটি কোয়ান্টাম যান্ত্রিক উত্স সহ ডেটা উপস্থাপন এবং সাধারণীকরণ করতে পারে। যেহেতু নিকট-মেয়াদী কোয়ান্টাম প্রসেসরগুলি এখনও মোটামুটি ছোট এবং কোলাহলপূর্ণ, কোয়ান্টাম মডেলগুলি শুধুমাত্র কোয়ান্টাম প্রসেসর ব্যবহার করে কোয়ান্টাম ডেটা সাধারণীকরণ করতে পারে না। NISQ প্রসেসরগুলিকে কার্যকর হওয়ার জন্য ক্লাসিক্যাল কো-প্রসেসরের সাথে একত্রে কাজ করতে হবে। যেহেতু TensorFlow ইতিমধ্যেই CPUs, GPUs এবং TPUs জুড়ে ভিন্নধর্মী কম্পিউটিং সমর্থন করে, তাই এটি হাইব্রিড কোয়ান্টাম-ক্লাসিক্যাল অ্যালগরিদম নিয়ে পরীক্ষা করার জন্য বেস প্ল্যাটফর্ম হিসাবে ব্যবহৃত হয়।
একটি কোয়ান্টাম নিউরাল নেটওয়ার্ক (QNN) একটি প্যারামিটারাইজড কোয়ান্টাম কম্পিউটেশনাল মডেল বর্ণনা করতে ব্যবহৃত হয় যা একটি কোয়ান্টাম কম্পিউটারে সর্বোত্তমভাবে কার্যকর করা হয়। এই শব্দটি প্রায়শই প্যারামিটারাইজড কোয়ান্টাম সার্কিটের (PQC) সাথে বিনিময়যোগ্য।
গবেষণা
এনআইএসকিউ-যুগে, ক্লাসিক্যাল অ্যালগরিদমগুলির তুলনায় পরিচিত গতিসম্পন্ন কোয়ান্টাম অ্যালগরিদমগুলি—যেমন শোর ফ্যাক্টরিং অ্যালগরিদম বা গ্রোভারের অনুসন্ধান অ্যালগরিদম —একটি অর্থপূর্ণ স্কেলে এখনও সম্ভব নয়৷
TensorFlow কোয়ান্টামের একটি লক্ষ্য হল NISQ- যুগের জন্য অ্যালগরিদমগুলি আবিষ্কার করতে সাহায্য করা, বিশেষ আগ্রহের সাথে:
- NISQ অ্যালগরিদম উন্নত করতে ক্লাসিক্যাল মেশিন লার্নিং ব্যবহার করুন। আশা করা যায় যে ক্লাসিক্যাল মেশিন লার্নিং থেকে কৌশলগুলি কোয়ান্টাম কম্পিউটিং সম্পর্কে আমাদের বোঝার উন্নতি করতে পারে। ক্লাসিক্যাল রিকারেন্ট নিউরাল নেটওয়ার্কের মাধ্যমে কোয়ান্টাম নিউরাল নেটওয়ার্কের জন্য মেটা-লার্নিং- এ, একটি পৌনঃপুনিক নিউরাল নেটওয়ার্ক (RNN) ব্যবহার করা হয় যে QAOA এবং VQE-এর মতো অ্যালগরিদমের জন্য কন্ট্রোল প্যারামিটারের অপ্টিমাইজেশান শেল্ফ অপ্টিমাইজারগুলির চেয়ে বেশি দক্ষ। এবং কোয়ান্টাম নিয়ন্ত্রণের জন্য মেশিন লার্নিং ত্রুটিগুলি প্রশমিত করতে এবং উচ্চ মানের কোয়ান্টাম গেট তৈরি করতে সাহায্য করার জন্য শক্তিবৃদ্ধি শিক্ষা ব্যবহার করে।
- কোয়ান্টাম সার্কিট সহ মডেল কোয়ান্টাম ডেটা। আপনার কাছে ডেটাসোর্সের সঠিক বিবরণ থাকলে ক্লাসিকভাবে কোয়ান্টাম ডেটা মডেলিং করা সম্ভব—কিন্তু কখনও কখনও এটি সম্ভব হয় না। এই সমস্যাটি সমাধান করার জন্য, আপনি কোয়ান্টাম কম্পিউটারে মডেলিং করার চেষ্টা করতে পারেন এবং গুরুত্বপূর্ণ পরিসংখ্যান পরিমাপ/পর্যবেক্ষন করতে পারেন। কোয়ান্টাম কনভোল্যুশনাল নিউরাল নেটওয়ার্কগুলি পদার্থের বিভিন্ন টপোলজিকাল পর্যায়গুলি সনাক্ত করতে একটি কনভোল্যুশনাল নিউরাল নেটওয়ার্ক (সিএনএন) এর সাথে সাদৃশ্যপূর্ণ কাঠামোর সাথে ডিজাইন করা একটি কোয়ান্টাম সার্কিট দেখায়। কোয়ান্টাম কম্পিউটার ডেটা এবং মডেল ধারণ করে। ক্লাসিক্যাল প্রসেসর মডেল আউটপুট থেকে শুধুমাত্র পরিমাপের নমুনা দেখে এবং ডেটা নিজেই দেখে না। একটি কোলাহলপূর্ণ কোয়ান্টাম কম্পিউটারে শক্তিশালী এনট্যাঙ্গলমেন্ট পুনর্নবীকরণে , লেখকরা একটি DMERA মডেল ব্যবহার করে কোয়ান্টাম বহু-বডি সিস্টেম সম্পর্কে তথ্য সংকুচিত করতে শিখেন।
কোয়ান্টাম মেশিন লার্নিংয়ে আগ্রহের অন্যান্য ক্ষেত্রগুলির মধ্যে রয়েছে:
- কোয়ান্টাম কম্পিউটারে সম্পূর্ণরূপে ক্লাসিক্যাল ডেটা মডেলিং।
- কোয়ান্টাম-অনুপ্রাণিত শাস্ত্রীয় অ্যালগরিদম।
- কোয়ান্টাম ক্লাসিফায়ার সহ তত্ত্বাবধান করা শেখা ।
- কোয়ান্টাম নিউরাল নেটওয়ার্কের জন্য অভিযোজিত স্তর-ভিত্তিক শিক্ষা।
- কোয়ান্টাম ডাইনামিকস লার্নিং ।
- মিশ্র কোয়ান্টাম অবস্থার জেনারেটিভ মডেলিং ।
- কাছাকাছি মেয়াদী প্রসেসরগুলিতে কোয়ান্টাম নিউরাল নেটওয়ার্কগুলির সাথে শ্রেণীবিভাগ ।