குவாண்டம் கணினி கற்றல் (Quantum neural networks) மாதிரியான ‘குவாண்டம் நியூரல் நெட்வொர்க்குகள்’ குவாண்டம் அமைப்புகளின் நடத்தையை கற்று கணிக்க, குவாண்டம் கம்ப்யூட்டிங்கின் புதிய சகாப்தத்திற்கு நம்மை நெருங்கி வருவதற்கு சில எளிய எடுத்துக்காட்டுகள் கூட போதுமானது, என்று EPFL விஞ்ஞானிகள் காட்டுகின்றனர்.
கணினிகள் குவாண்டம் இயக்கவியலின் மர்மங்களை அவிழ்க்கக்கூடிய ஒரு உலகத்தை கற்பனை செய்து பாருங்கள். இது சிக்கலான பொருட்களின் நடத்தையைப் படிக்க அல்லது முன்னோடியில்லாத துல்லியத்துடன் மூலக்கூறுகளின் சிக்கலான இயக்கவியலை உருவகப்படுத்த உதவுகிறது.
நாங்கள் இப்போது அது யதார்த்தமாக மாறுவதற்கு நெருக்கமாக இருக்கிறோம். கால்டெக், ஃப்ரீ யுனிவர்சிட்டி ஆஃப் பெர்லின் மற்றும் லாஸ் அலமோஸ் நேஷனல் லேபரேட்டரி ஆகியவற்றின் ஆராய்ச்சியாளர்களுடன் இணைந்து, குவாண்டம் கணினியின் நடத்தையை எவ்வாறு புரிந்துகொள்வது மற்றும் கணிப்பது என்பதை ஒரு குவாண்டம் கணினிக்கு கற்பிக்க ஒரு புதிய வழியைக் கண்டறிந்துள்ளனர்.
குவாண்டம் நியூரல் Quantum neural networks நெட்வொர்க்குகள் (QNNகள்):
குவாண்டம் அமைப்புகளின் நடத்தையைப் பிரதிபலிக்கும் வகையில் குவாண்டம் இயக்கவியலால் ஈர்க்கப்பட்ட கொள்கைகளைப் பயன்படுத்தி தகவல்களைக் கற்றுக் கொள்ளவும், செயலாக்கவும் வடிவமைக்கப்பட்ட ஒரு வகை இயந்திரக் கற்றல் மாதிரியில் ஆராய்ச்சியாளர்கள் ‘குவாண்டம் நியூரல் நெட்வொர்க்குகள்’ (QNNs) இல் பணிபுரிந்தனர்.
செயற்கை நுண்ணறிவில் பயன்படுத்தப்படும் நரம்பியல் நெட்வொர்க்குகளைப் போலவே, QNN களும் ஒன்றோடொன்று இணைக்கப்பட்ட முனைகளால் அல்லது கணக்கீடுகளைச் செய்யும் நியூரான்கள் மூலம் உருவாக்கப்படுகின்றன. வித்தியாசம் என்னவென்றால், QNN களில் நியூரான்கள் குவாண்டம் இயக்கவியலின் கொள்கைகளில் செயல்படுகின்றன. அவை குவாண்டம் தகவலைக் கையாளவும் கையாளவும் அனுமதிக்கிறது.
“பொதுவாக, நாம் ஒரு கணினிக்கு ஏதாவது கற்பிக்கும்போது, எங்களுக்கு நிறைய எடுத்துக்காட்டுகள் தேவை,” என்று ஹோம்ஸ் கூறுகிறார். ஆனால் இந்த ஆய்வில், சிக்கலான மற்றும் புரிந்துகொள்ள சவாலான சிக்கலான நிலைகளைக் கையாளும் போது கூட ஒரு குவாண்டம் அமைப்பு எவ்வாறு செயல்படுகிறது என்பதை தயாரிப்பு நிலைகள் என்று அழைக்கப்படும் சில எளிய எடுத்துக்காட்டுகளுடன் கணினி கற்றுக்கொள்ள முடியும் என்பதைக் காட்டுகிறோம்.
விஞ்ஞானிகள் பயன்படுத்திய “தயாரிப்பு அறிக்கைகள்” குவாண்டம் இயக்கவியலில் உள்ள ஒரு கருத்தை குறிப்பிடுகிறது. இது ஒரு குவாண்டம் அமைப்புக்கான குறிப்பிட்ட வகை நிலையை விவரிக்கிறது. எடுத்துக்காட்டாக, ஒரு குவாண்டம் அமைப்பு இரண்டு எலக்ட்ரான்களால் ஆனது என்றால், ஒவ்வொரு எலக்ட்ரானின் நிலையும் தனித்தனியாகக் கருதப்படும்போது அதன் தயாரிப்பு நிலை உருவாகிறது.
தயாரிப்பு நிலைகள் பெரும்பாலும் குவாண்டம் கணக்கீடுகள் மற்றும் அளவீடுகளில் ஒரு தொடக்கப் புள்ளியாகப் பயன்படுத்தப்படுகின்றன. ஏனெனில் அவை குவாண்டம் அமைப்புகளின் நடத்தைகளைப் படிப்பதற்கும் புரிந்துகொள்வதற்கும் எளிமையான மற்றும் நிர்வகிக்கக்கூடிய கட்டமைப்பை வழங்குகின்றன.
சிறந்த குவாண்டம் கணினிகள் உள்ளன:
இந்த எளிய எடுத்துக்காட்டுகளில் சிலவற்றை மட்டுமே பயன்படுத்தி QNN களுக்கு பயிற்சியளிப்பதன் மூலம், சிக்கலான குவாண்டம் அமைப்புகளின் சிக்கலான இயக்கவியலை கணினிகள் திறம்பட புரிந்துகொள்ள முடியும், என்பதை ஆராய்ச்சியாளர்கள் நிரூபித்துள்ளனர்.
இதன் பொருள் வரவிருக்கும் ஆண்டுகளில் நம்மிடம் இருக்கக்கூடிய குறுகிய கால இடைநிலை அளவிலான [NISQ] கணினிகள் போன்ற சிறிய, எளிமையான கணினிகளைப் பயன்படுத்தி குவாண்டம் அமைப்புகளைப் பற்றி அறியவும் புரிந்துகொள்ளவும் முடியும். பெரிய மற்றும் சிக்கலானவை தேவை, அவை பல தசாப்தங்களாக இருக்கலாம்”, என்று ஹோம்ஸ் விளக்குகிறார்.
சிக்கலான புதிய பொருட்களைப் படிப்பது அல்லது மூலக்கூறுகளின் நடத்தையை உருவகப்படுத்துவது போன்ற முக்கியமான சிக்கல்களைத் தீர்க்க குவாண்டம் கணினிகளைப் பயன்படுத்துவதற்கான புதிய சாத்தியக்கூறுகளையும் இந்த வேலை திறக்கிறது. இறுதியாக, இந்த முறை குவாண்டம் கணினிகளின் செயல்திறனை மேம்படுத்துகிறது. இது குறுகிய மற்றும் அதிக பிழை-எதிர்ப்பு நிரல்களை உருவாக்க உதவுகிறது.
குவாண்டம் அமைப்புகள் எவ்வாறு செயல்படுகின்றன என்பதைக் கற்றுக்கொள்வதன் மூலம் குவாண்டம் கணினிகளின் நிரலாக்கத்தை நாம் நெறிப்படுத்தலாம். இது மேம்பட்ட செயல்திறன் மற்றும் நம்பகத்தன்மைக்கு வழிவகுக்கும். “குவாண்டம் கம்ப்யூட்டர்களை அவற்றின் புரோகிராம்களை சுருக்கமாகவும், பிழைகள் குறைவாகவும் உருவாக்குவதன் மூலம் அவற்றை இன்னும் சிறப்பாக உருவாக்க முடியும்” என்கிறார் ஹோம்ஸ்.
