பாரம்பரிய இயந்திர கற்றல் (எம்.எல்) அல்காரிதம்கள் படம் மற்றும் பேச்சு அங்கீகாரம் உட்பட பலவிதமான பணிகளுக்கான சக்திவாய்ந்த கருவிகளாக நிரூபிக்கப்பட்டுள்ளன, இயற்கை மொழி செயலாக்கம் (NLP), மற்றும் முன்கணிப்பு மாடலிங். இருப்பினும், கிளாசிக்கல் அல்காரிதம்கள் கிளாசிக்கல் கம்ப்யூட்டிங்கின் கட்டுப்பாடுகளால் வரையறுக்கப்பட்டுள்ளன, மேலும் அவை பெரிய மற்றும் சிக்கலான தரவுத்தொகுப்புகள் அல்லது அதிக அளவு துல்லியம் மற்றும் துல்லியத்தை அடையலாம்.

குவாண்டம் இயந்திர கற்றலை (QML) உள்ளிடவும்.

QML இன் சக்தியை ஒருங்கிணைக்கிறது குவாண்டம் கம்ப்யூட்டிங் ML இன் முன்கணிப்பு திறன்களுடன் கிளாசிக்கல் அல்காரிதம்களின் வரம்புகளை சமாளிக்க மற்றும் செயல்திறன் மேம்பாடுகளை வழங்குகிறது. அவர்களின் தாளில்"குவாண்டம்-கணிப்பியல் வேகத்தில் சிக்கலின் பங்கு," UK இல் உள்ள பிரிஸ்டல் பல்கலைக்கழகத்தைச் சேர்ந்த ரிச்சர்ட் ஜோசா மற்றும் நீல் லிண்டன், "QML அல்காரிதம்கள் தரவு வகைப்பாடு, அம்சத் தேர்வு மற்றும் கிளஸ்டர் பகுப்பாய்வு போன்ற சில பணிகளுக்கு அவற்றின் கிளாசிக்கல் சகாக்களை விட அதிவேக வேகத்தை வழங்கும் வாக்குறுதியைக் கொண்டுள்ளன. . குறிப்பாக, கண்காணிக்கப்படும் மற்றும் மேற்பார்வை செய்யப்படாத கற்றலுக்கான குவாண்டம் அல்காரிதம்களின் பயன்பாடு இயந்திரக் கற்றலில் புரட்சியை ஏற்படுத்தும் ஆற்றலைக் கொண்டுள்ளது. செயற்கை நுண்ணறிவு. "

QML எதிராக கிளாசிக்கல் இயந்திர கற்றல்

Zohra லதா, கிரெடென்ஸில் தரவு அறிவியல் மற்றும் AI இன் மூத்த இயக்குனர், QML பாரம்பரிய இயந்திர கற்றலில் இருந்து பல முக்கிய வழிகளில் வேறுபடுகிறது என்று கூறுகிறார்:

பாரம்பரிய கணினி கற்றல் வழிமுறைகள், கிளாசிக்கல் கம்ப்யூட்டிங் நுட்பங்களை நம்பியிருக்கும் மற்றும் இந்த குவாண்டம் திறன்கள் இல்லாதவை, சில சந்தர்ப்பங்களில் மெதுவாக அல்லது குறைவான துல்லியமாக இருக்கலாம்.

QML பயணம்: ஆராய்ச்சியிலிருந்து நிஜ உலகம் வரை

குவாண்டம் இயந்திர கற்றல் பற்றிய ஆராய்ச்சி 1980களில் தொடங்கியது. 1990 களின் பிற்பகுதியிலும் 2000 களின் முற்பகுதியிலும், ஆராய்ச்சியாளர்கள் குவாண்டத்தை உருவாக்கினர் நரம்பியல் வலையமைப்புகள் இயந்திர கற்றலுக்கான குவாண்டம் அமைப்புகளின் திறனை நிரூபிக்க, இது தரவுகளில் உள்ள வடிவங்களை அடையாளம் காண பயிற்சியளிக்கப்படுகிறது. இந்த நெட்வொர்க்குகள் பலவிதமான நிஜ உலக பிரச்சனைகளுக்குப் பயன்படுத்தப்பட்டன.

ஒரு தசாப்தத்திற்குப் பிறகு, ஆராய்ச்சியாளர்கள் குவாண்டம் அல்காரிதம்கள் மற்றும் இயந்திர கற்றல் பணிகளுக்கான மென்பொருள் கருவிகளை உருவாக்கினர். ஆதரவு திசையன் இயந்திரங்கள், முடிவு மரங்கள் மற்றும் நரம்பியல் நெட்வொர்க்குகள் போன்ற பிரபலமான இயந்திர கற்றல் வழிமுறைகளின் குவாண்டம் பதிப்புகள் இதில் அடங்கும்.

குவாண்டம் கணினிகளின் வளர்ச்சியும் QML இன் வளர்ச்சிக்கு ஒரு முக்கிய காரணியாக உள்ளது. 2010 மற்றும் 2020 களில், பல நிறுவனங்கள் மற்றும் ஆராய்ச்சி குழுக்கள் இயந்திர கற்றல் பணிகளைச் செய்யக்கூடிய குவாண்டம் கணினிகளை உருவாக்கின. இவை வாயில் அடிப்படையிலான குவாண்டம் கணினிகள் மற்றும் இரண்டும் அடங்கும் குவாண்டம் அனீலர்கள். 2020 களில், முறை அங்கீகாரம், இயற்கை மொழி செயலாக்கம் மற்றும் தேர்வுமுறை உள்ளிட்ட பயன்பாடுகளில் QML பரவலாக ஏற்றுக்கொள்ளப்பட்டது.

இன்று, QML இன் மிகவும் நம்பிக்கைக்குரிய பயன்பாடுகளில் ஒன்று மருந்து கண்டுபிடிப்பு ஆகும். பாரம்பரிய மருந்து கண்டுபிடிப்பு செயல்முறைகள் மெதுவாகவும், விலை உயர்ந்ததாகவும், சீரற்றதாகவும் இருக்கும். QML செயல்முறையை துரிதப்படுத்தும் ஆற்றலைக் கொண்டுள்ளது. "ஒரு கண்டுபிடிப்பதில் எங்கள் ஆரம்ப வெற்றிக்குப் பிறகு கோவிட்-19 சிகிச்சை மூலக்கூறு, இப்போது சிறிய மூலக்கூறுகளை உருவாக்குவதற்கு இடத்தை நீட்டிக்க விரும்புகிறோம்,” என்று டெக் மஹிந்திராவில் உள்ள மேக்கர்ஸ் லேப்பின் உலகளாவிய தலைவர் நிகில் மல்ஹோத்ரா கூறினார். "குவாண்டம் ஜிஏஎன் அல்லது ஹைப்ரிட் ஜிஏஎன் தலைமுறை என்பது சிறிய மூலக்கூறுகளுக்காக நாங்கள் முயற்சித்து வருகிறோம். இது, மருந்து கண்டுபிடிப்பு மற்றும் புதுமையான மருந்து உருவாக்கம் ஆகியவற்றை கணிசமாக முன்னேற்றும் என்று நான் நம்புகிறேன்.

நிதிச் சந்தைகள் என்பது QML வாக்குறுதியைக் காட்டிய மற்றொரு பகுதி. ஏ X காகிதம் JPMorgan's Future Lab for Applied Research and Engineering, QML ஆனது சொத்து விலை நிர்ணயம், நிலையற்ற தன்மையை கணித்தல், கவர்ச்சியான விருப்பங்களின் விளைவுகளை கணித்தல், மோசடி கண்டறிதல், பங்கு தேர்வு, ஹெட்ஜ் நிதி தேர்வு, அல்காரிதம் வர்த்தகம், சந்தை உருவாக்கம், நிதி முன்கணிப்பு போன்ற பணிகளைச் செய்ய முடியும் என்று முடிவு செய்தது. கணக்கியல் மற்றும் தணிக்கை, மற்றும் இடர் மதிப்பீடு கிளாசிக்கல் அல்காரிதம்களை விட மிக வேகமாகவும் துல்லியமாகவும்.

குவாண்டம் இயந்திர கற்றலின் 2023 வாக்குறுதி

"QML என்பது ஒரு அற்புதமான மற்றும் வேகமாக வளரும் துறையாகும், இது பரந்த அளவிலான தொழில்கள் மற்றும் பயன்பாடுகளில் குறிப்பிடத்தக்க தாக்கத்தை ஏற்படுத்தும் திறன் கொண்டது" என்று லதா கூறினார். 2023 ஆம் ஆண்டில், குவாண்டம் அல்காரிதம்கள் சில இயந்திரக் கற்றல் பணிகளை வேகமாகவும் துல்லியமாகவும் செய்யும் ஆற்றலைக் கொண்டிருப்பதாக அவர் கணித்துள்ளார், குறிப்பாக படம் மற்றும் பேச்சு அங்கீகாரம் போன்ற பணிகளுக்கு, அதிக அளவு தரவுகளை செயலாக்க வேண்டும். இயந்திர கற்றல் பணிகளில் அடிக்கடி எழும் மற்றும் கிளாசிக்கல் அல்காரிதங்களைப் பயன்படுத்தி தீர்க்க கடினமாக இருக்கும் தேர்வுமுறை சிக்கல்களை QML தீர்க்க முடியும் என்பதையும் அவர் சுட்டிக்காட்டுகிறார். குவாண்டம் அல்காரிதம்களின் திறன் இந்த சிக்கல்களை மிகவும் திறமையாக தீர்க்கும் திறன் நிதி மற்றும் தளவாடங்களுக்கு பயனளிக்கும் என்று லதா கணித்துள்ளார்.

சைபர் QML தாக்கத்தை ஏற்படுத்தும் என்று அவர் கணித்த மற்றொரு பகுதி. "சைபர் தாக்குதல்களைக் கண்டறிந்து தடுக்க மிகவும் அதிநவீன வழிமுறைகளை உருவாக்குவதன் மூலம், குவாண்டம் இயந்திர கற்றல் அமைப்புகளின் பாதுகாப்பை மேம்படுத்த முடியும்," என்று அவர் கூறினார்.

தொழில்நுட்பத்தையே கொஞ்சம் ஆழமாக தோண்டி, மல்ஹோத்ரா, பெரும்பாலான எம்எல் அல்காரிதம்கள், குறிப்பாக செயற்கை நரம்பியல் நெட்வொர்க்குகளில் உள்ளவை, குவாண்டம் இயந்திரத்தில் குவாண்டம் மெஷின் லேர்னிங் அல்காரிதம்களாக முயற்சிக்கப்படும் என்று எதிர்பார்க்கிறேன் என்றார். "QNLP, Q-GAN மற்றும் குவாண்டம் சர்க்யூட்களில் வலுவூட்டப்பட்ட கற்றல் போன்ற ஆரம்பகால விளக்கங்களை நாங்கள் பார்த்திருக்கிறோம். 2023ல் இந்த போக்கு வளரும் என எதிர்பார்க்கிறேன்,” என்றார்.

குவாண்டம் இயந்திர கற்றல் சவால்கள் உள்ளன

QML அதன் வாக்குறுதியின் காரணமாக ஒரு பெரிய விஷயம். எங்களின் தற்போதைய கிளாசிக்கல் நுட்பங்களைக் காட்டிலும் குறைவான தரவுகளுடன் இயந்திர கற்றல் மாதிரிகள் அதிக துல்லியத்திற்காக பயிற்சியளிக்கப்படலாம் என்று சான்றுகள் தெரிவிக்கின்றன. எனினும், படி ஸ்காட் பக்ஹோல்ஸும், டெலாய்ட் கன்சல்டிங் எல்எல்பியில், அரசு மற்றும் பொது சேவைகளின் உலகளாவிய குவாண்டம் லீட் மற்றும் CTO, "எவ்வளவு குறைவு?" என்ற கேள்விகளுக்கான பதில். மற்றும் "எவ்வளவு வேகமாக?" பின்வரும் சவால்கள் QML காரணமாக தொடர்ந்து மாறுகிறது:

• "வன்பொருளைப் பொறுத்தவரை, இன்று இருக்கும் மிகவும் சக்திவாய்ந்த குவாண்டம் கணினிகள் இன்னும் குறைவாகவே உள்ளன - குறிப்பாக இன்றைய மிகவும் சக்திவாய்ந்த சேவையகங்களுடன் ஒப்பிடும்போது. குவாண்டம் கம்ப்யூட்டிங் தொழில்நுட்பம் முன்னேறவும் வளரவும் அதிக இடம் இருப்பதால், வரும் ஆண்டுகளில் இது மாறும் என்று எதிர்பார்க்கிறோம்.

• "மென்பொருள் மற்றும் வழிமுறைகளின் அடிப்படையில், குவாண்டம் கணினிகள் இன்றைய கணினிகளை விட அடிப்படையில் வேறுபட்டு செயல்படுகின்றன. இதன் விளைவாக, குவாண்டம் கணினிகளில் சிக்கல்களை வரைபடமாக்குவதற்கான சிறந்த வழிகளைக் கண்டுபிடிக்க ஆராய்ச்சியாளர்கள் முயற்சிக்கின்றனர் (உண்மையில், குவாண்டம் கணினிகளில் எந்த சிக்கல்களைத் தீர்க்க பயனுள்ளதாக இருக்கும் என்பதைத் தீர்மானித்தல்). நாங்கள் சிறந்த பொதுமைப்படுத்தப்பட்ட மேப்பிங்கைக் கொண்டு வரும்போது, ​​மற்றவர்கள் குவாண்டம் கணினிகளுக்கு 'தங்கள் பிரச்சனைகளைக் கொண்டுவருவது' எளிதாகிறது.

"பல ஆண்டுகளாக, QML செயலில் உள்ள ஆராய்ச்சியின் ஒரு பகுதியாக உள்ளது - மற்றும் தொடர்கிறது. வன்பொருள் மற்றும் மென்பொருள் முதிர்ச்சி மேம்படும் போது, ​​உற்பத்திப் பணிச்சுமைகளில் QML இன் பயன்பாட்டை நிறுவனங்கள் மதிப்பீடு செய்யத் தொடங்குவதை நாங்கள் காணலாம்,” என்று Buchholz கூறினார். "உற்பத்தி QML பணிச்சுமைகளை இயக்கக்கூடிய ஒரு இயந்திரத்தை வைத்திருப்பதில் இருந்து இன்னும் சில வருடங்கள் எங்களிடம் இருப்பதால், வன்பொருள் தொடர்ந்து மேம்பட்டு வருவதால், QML இன் கலையின் நிலையை நாங்கள் தொடர்ந்து மேம்படுத்துகிறோம். ஆனால் 2023 ஆம் ஆண்டு முழுவதும் QML முன்னேற்றம் அதிகரிக்கும் என்று நான் எதிர்பார்க்கிறேன் - அதாவது, அளவை அளவிடுதல், தரவை ஏற்றுதல் மற்றும் மாதிரிகளை இயக்குதல் போன்ற நுட்பங்களைத் தொடர்ந்து மேம்படுத்துதல்."