அறிமுகம்:
குவாண்டம் இயந்திர கற்றல் (QML) என்பது குவாண்டம் கணினி, இயந்திர கற்றல் ஆகியவற்றினஐ இணைத்து, சிக்கலான பிரச்சினைகளை முன்னோடியில்லாத வேகத்தில் சமாளிக்கின்ற ஒரு அதிநவீன துறையாகும். குவாண்டம் வன்பொருள் முதிர்ச்சியடையும் போது, மரபுclassical கணினிகள் எதிர்கொள்ள போராடும் சவால்களைத் தீர்ப்பதன் மூலம் AI இல் புரட்சியை ஏற்படுத்தும் திறனை QML கொண்டுள்ளது. இந்தக் கட்டுரையில், குவாண்டம் கணினியின் அடிப்படைகளை ஆய்வவுசெய்திடுவோம், மாறுபடுகின்ற குவாண்டம் Eigensolver (VQE), குவாண்டம் நரம்பியல் வலைபின்னல்கள் (QNNகள்) போன்ற குவாண்டம் வழிமுறைகளை அறிமுகப்படுத்துவோம், மேலும் அவற்றின் பயன்பாடுகள், எதிர்கால வாய்ப்புகளைப் பற்றி விவாதிப்போம்.
குவாண்டம் கணினி என்றால் என்ன?
குவாண்டம் கணினி ஆனது கணக்கீடுகளைச் செய்ய superposition, entanglement, ,interference போன்ற குவாண்டம் தொழில்நுட்பத்தின் கொள்கைகளைப் பயன்படுத்துகிறது. மரபு பிட்களைப் போன்றில்லாமல், இது 0 அல்லது 1 ஆக இருக்கலாம், குவாண்டம் பிட்கள் (கியூபிட்ஸ்) நிலைகளின் superposition இல் இருக்கலாம், இது இணையான கணக்கீட்டை செயல்படுத்துகிறது.
முக்கிய கருத்தமைவுகள்:
கியூபிட்ஸ்: குவாண்டம் தகவலின் அடிப்படை அலகுகள்.
Superposition: ஒரு கியூபிட் ஒரே நேரத்தில் பல நிலைகளைக் குறிக்கும்.
Entanglement:  மரபுவழி பிட்களால் முடியாத வழிகளில் க்யூபிட்களை தொடர்புபடுத்தலாம், கணக்கீட்டு சக்தியை மேம்படுத்தலாம்.
குவாண்டம் வாயில்கள்: மரபுவழிகணினியில் தருக்க வாயில்களைப் போன்றே, க்யூபிட்களைக் கையாளுகின்ற செயல்பாடுகள்.
குவாண்டம் இயந்திர கற்றல் என்றால் என்ன?
இயந்திர கற்றல் பணிகளை மேம்படுத்த அல்லது துரிதப்படுத்த QML ஆனது குவாண்டம் வழிமுறைகளைப் பயன்படுத்துகிறது. குவாண்டம் இணைத்தன்மை ,சிக்கலைப் பயன்படுத்துவதன் மூலம் இது மரபுவழிமுறைகளை விட வேகமாக அல்லது அதிக செயல்திறனுடன் சிக்கல்களைத் தீர்க்க முடியும்.
QMLஇன் வகைகள்:
கலப்பின மாதிரிகள்: மரபு இயந்திரகற்றல்ML நுட்பங்களை குவாண்டம் கணினியுடன் இணைத்திடுக.
முழு குவாண்டம் மாதிரிகள்: குவாண்டம் வழிமுறைகள் , குவாண்டம் வன்பொருளை தனியாகப் பயன்படுத்திடுக.
இயந்திர கற்றலில் முக்கிய குவாண்டம் வழிமுறைகள்
மாறுபட்ட குவாண்டம் Eigensolver (VQE):
இதுஉகப்பாக்கம் சிக்கல்களுக்குப் பயன்படுத்தப்படும் ஒரு கலப்பின வழிமுறை.
பயன்பாடுகள்: வசதி தேர்வு, கொத்தாக்கம் , பயிற்சி இயந்திர கற்றல் மாதிரிகள்.
குவாண்டம் நரம்பியல்வலைபின்னல்கள் (QNNகள்):
மரபு நரம்பியல்வலைபின்னல்களின் குவாண்டம் analogs கள்ஆகும்.
கணக்கீட்டிற்கான அடுக்குகளாக குவாண்டம் சுற்றுகளைப் பயன்படுத்திடுக.
நன்மைகள்: சாத்தியமான வேகமான ஒருங்கிணைப்பு ,சிக்கலான தீர்வு இடங்களை ஆராயும் திறன். கொண்டது
குவாண்டம் ஆதரவு வெக்டர் இயந்திரங்கள் (QSVMகள்):
தரவுப் பிரிப்பை மேம்படுத்த குவாண்டம் உருவாக்கமையங்களைப் பயன்படுத்தி மரபு SVMகளை நீட்டித்திடுக.
Grover’sஇன் தேடலுக்கான தருக்கம்:
தரவுத்தள தேடல்களை விரைவுபடுத்துகிறது, ஹைப்பர்அளவுரு உகப்பாக்கம் போன்ற ML பணிகளில் உதவுகிறது.
குவாண்டம் முதன்மை கூறு பகுப்பாய்வு (qPCA):
பெரிய தரவுத்தொகுப்புகளின் பரிமாணத்தை திறம்பட குறைக்கிறது.
குவாண்டம் இயந்திர கற்றலின் பயன்பாடுகள்
உகப்பாக்கசிக்கல்கள்:
தளவாடங்கள், நிதி , விநியோகச் சங்கிலி மேலாண்மையில் சிக்கலான உகப்பாக்கப் பணிகளுக்கான விரைவான தீர்வுகள்.
மருந்து கண்டுபிடிப்பு ,மருத்துவ:
மூலக்கூறு தொடர்புகளை பகுப்பாய்வு செய்வதற்கும் பின்விளைவுகளை கணிப்பதற்கும் குவாண்டம் மாதிரிகள்.
இயற்கை மொழி செயலாக்கம் (NLP):
பெரிய மொழி தரவுத்தொகுப்புகளை திறம்பட செயலாக்குவதன் மூலம் மொழிபெயர்ப்பு, சுருக்கமாக்குதல் போன்ற பணிகளை மேம்படுத்துதல்.
படம் சமிக்ஞை செயலாக்கம்:
உருவப்படங்கள் , இசையின் சைகைகளில் இயல்பினை பிரித்தெடுத்தல், வடிவ ஏர்புகைக்கான குவாண்டம் தருக்கங்கள்.
சைபர் பாதுகாப்பு: நிகழ்நேரத்தில் அச்சுறுத்தல்களைக் கண்டறிவதற்கான குவாண்டம்-மேம்படுத்தப்பட்ட ஒழுங்கின்மை கண்டறிதல்.
நடைமுறை எடுத்துக்காட்டு: QNNகளுக்கான குவாண்டம் சுற்று
நோக்கம்: Qiskit போன்ற குவாண்டம் நிரலாக்க நூலகத்தைப் பயன்படுத்தி ஒரு எளிய குவாண்டம் நரம்பியிலவலைபின்னலை உருவாக்குதல்.
படிமுறைகள்:
சூழலை அமைத்தல்: Qiskit ஐ நிறுவுகைசெய்தல்.
pip install qiskit
ஒரு குவாண்டம் சுற்று உருவாக்குதல்: அளவுருவாக்கப்பட்ட வாயில்களுடன் ஒரு எளிய குவாண்டம் சுற்று வரையறுத்திடுக.
from qiskit import QuantumCircuit
from qiskit.circuit import Parameter

Define parameters

theta = Parameter(‘θ’)

Create quantum circuit

qc = QuantumCircuit(1)
qc.ry(theta, 0)
qc.measure_all()
print(qc)
சுற்றுக்கு பயிற்சி அளித்திடுக:
இழப்பு செயல்பாட்டின் அடிப்படையில் அளவுருக்களை (எ.கா., θ) சரிசெய்ய உகப்பாக்க வழிமுறைகளைப் பயன்படுத்திடுக.
மாதிரியை பரிசோதித்திடுக:
தரவுத்தொகுப்பில் பயிற்சி பெற்ற சுற்றுகளின் செயல்திறனை மதிப்பிடுக.
குவாண்டம் இயந்திர கற்றலில் உள்ள சவால்கள்
வன்பொருள் வரம்புகள்:
தற்போதைய குவாண்டம் கணினிகள் வரையறுக்கப்பட்ட கியூபிவிட்களைக் கொண்டுள்ளன, பிழைகளுக்கு (சத்தமில்லாத இடைநிலை அளவிலான குவாண்டம் அல்லது NISQ சாதனங்கள்) ஆளாகின்றன.
வழிமுறையின் மேம்பாடு:
குவாண்டம் வழிமுறைகள் அவற்றின் துவக்க நிலையில் உள்ளன, மேலும் மேலும் ஆய்வுசெய்வது தேவையாகும்
அளவிடுதல்:
தரவு ,சிக்கல் சிக்கலானது வளரும்போது குவாண்டம் மாதிரிகள் திறம்பட அளவிட முடியும் என்பதை உறுதி செய்தல்.
குவாண்டம் இயந்திர கற்றலின் எதிர்காலம்
பிழை-சரிசெய்யப்பட்ட குவாண்டம் கணினிகள்:
தவறு-சகிப்புத்தன்மை கொண்ட அமைப்புகளுடன் வன்பொருள் வரம்புகளை சமாளித்தல்.
மேம்பட்ட குவாண்டம் வழிமுறைகள்:
மிகவும் வலுவான , திறமையான QML நுட்பங்களின் வளர்ச்சி.
மரபு அமைப்புகளுடன் ஒருங்கிணைப்பு:
கலப்பின மாதிரிகளுக்கான மரபு குவாண்டம் வளங்களை தடையின்றி இணைத்தல்.
பரந்த பயன்பாடுகள்:
தன்னாட்சி வாகனங்கள் முதல் மேம்பட்ட காலநிலை மாதிரி வரை, QML இன் சாத்தியமான பயன்பாடுகள் மிகப் பெரியவையாகும்.
முடிவாக
குவாண்டம் இயந்திர கற்றலின் செய்யறிவு (AI) , கணினித் துறையில் முன்னணியில் உள்ளது, இது பல்வேறு துறைகளில் மாற்றத்தை ஏற்படுத்தும் சாத்தியக்கூறுகளை வழங்குகிறது. துவக்கத்தில் இருந்தாலும், குவாண்டம் இயக்கவியல், இயந்திர கற்றலின் கலவையானது பாரம்பரிய அமைப்புகளின் எல்லைக்கு அப்பாற்பட்ட சிக்கல்களைச் சமாளிக்கத் தயாராக உள்ளது. குவாண்டம் வன்பொருள், வழிமுறைகள் உருவாகும்போது, ​​QML அடுத்த தலைமுறை செய்யறிவு(AI) பயன்பாடுகளின் மூலக்கல்லாக மாறக்கூடும்.
முற்றும்