EITC/AI/TFQML டென்சர்ஃப்ளோ குவாண்டம் மெஷின் கற்றல் என்பது கூகிள் குவாண்டம் செயலி சைக்காமோர் கட்டமைப்பில் இயந்திர கற்றலை செயல்படுத்த கூகிள் டென்சர்ஃப்ளோ குவாண்டம் நூலகத்தைப் பயன்படுத்துவதற்கான ஐரோப்பிய ஐடி சான்றிதழ் திட்டமாகும்.
EITC/AI/TFQML டென்சர்ஃப்ளோ குவாண்டம் மெஷின் கற்றலின் பாடத்திட்டம் கூகிளின் டென்சர்ஃப்ளோ குவாண்டம் நூலகத்தைப் பயன்படுத்துவதில் கோட்பாட்டு அறிவு மற்றும் நடைமுறை திறன்களை மையமாகக் கொண்டுள்ளது. இந்த EITC சான்றிதழுக்கான குறிப்பாக உள்ளடக்க உள்ளடக்கம்.
டென்சர்ஃப்ளோ குவாண்டம் (TFQ) என்பது கலப்பின குவாண்டம்-கிளாசிக்கல் எம்.எல் மாதிரிகளின் விரைவான முன்மாதிரிக்கான குவாண்டம் இயந்திர கற்றல் நூலகமாகும். குவாண்டம் வழிமுறைகள் மற்றும் பயன்பாடுகளில் ஆராய்ச்சி கூகிளின் குவாண்டம் கம்ப்யூட்டிங் கட்டமைப்பை மேம்படுத்துகிறது, இவை அனைத்தும் டென்சர்ஃப்ளோவிலிருந்து.
டென்சர்ஃப்ளோ குவாண்டம் குவாண்டம் தரவு மற்றும் கலப்பின குவாண்டம்-கிளாசிக்கல் மாதிரிகளை உருவாக்குவதில் கவனம் செலுத்துகிறது. இது சிர்கில் வடிவமைக்கப்பட்ட குவாண்டம் கம்ப்யூட்டிங் வழிமுறைகள் மற்றும் தர்க்கங்களை ஒருங்கிணைக்கிறது (குவாண்டம் சுற்றுகள் மாதிரியை அடிப்படையாகக் கொண்ட குவாண்டம் நிரலாக்க கட்டமைப்பு), மேலும் குவாண்டம் கம்ப்யூட்டிங் ஆதிமூலங்களை ஏற்கனவே இருக்கும் டென்சர்ஃப்ளோ ஏபிஐகளுடன் இணக்கமாக வழங்குகிறது, மேலும் உயர் செயல்திறன் கொண்ட குவாண்டம் சர்க்யூட் சிமுலேட்டர்களுடன். டென்சர்ஃப்ளோ குவாண்டம் வெள்ளை காகிதத்தில் மேலும் வாசிக்க.
குவாண்டம் கம்ப்யூட்டிங் என்பது குவாண்டம் நிகழ்வுகளான சூப்பர் பொசிஷன் மற்றும் சிக்கல் போன்றவற்றை கணக்கீடு செய்ய பயன்படுத்துவதாகும். குவாண்டம் கணக்கீடுகளைச் செய்யும் கணினிகள் குவாண்டம் கணினிகள் என்று அழைக்கப்படுகின்றன. குவாண்டம் கம்ப்யூட்டர்கள் கிளாசிக்கல் கம்ப்யூட்டர்களை விட கணிசமாக வேகமான முழு காரணி (ஆர்எஸ்ஏ குறியாக்கத்திற்குக் கீழானவை) போன்ற சில கணக்கீட்டு சிக்கல்களை தீர்க்க முடியும் என்று நம்பப்படுகிறது. குவாண்டம் கம்ப்யூட்டிங் பற்றிய ஆய்வு குவாண்டம் தகவல் அறிவியலின் துணைத் துறையாகும்.
1980 களின் முற்பகுதியில் குவாண்டம் கம்ப்யூட்டிங் தொடங்கியது, இயற்பியலாளர் பால் பெனியோஃப் டூரிங் இயந்திரத்தின் குவாண்டம் இயந்திர மாதிரியை முன்மொழிந்தார். ரிச்சர்ட் ஃபெய்ன்மேன் மற்றும் யூரி மானின் பின்னர் ஒரு குவாண்டம் கணினிக்கு ஒரு கிளாசிக்கல் கணினியால் இயலாத விஷயங்களை உருவகப்படுத்தும் ஆற்றல் உள்ளது என்று பரிந்துரைத்தார். 1994 ஆம் ஆண்டில், பீட்டர் ஷோர் ஆர்எஸ்ஏ-மறைகுறியாக்கப்பட்ட தகவல்தொடர்புகளை மறைகுறியாக்கக்கூடிய ஆற்றல் கொண்ட முழு எண்களை காரணியாக்க ஒரு குவாண்டம் வழிமுறையை உருவாக்கினார். 1990 களின் பிற்பகுதியிலிருந்து சோதனை முன்னேற்றம் இருந்தபோதிலும், பெரும்பாலான ஆராய்ச்சியாளர்கள் "தவறு-சகிப்புத்தன்மை கொண்ட குவாண்டம் கம்ப்யூட்டிங் இன்னும் தொலைதூர கனவு" என்று நம்புகிறார்கள். சமீபத்திய ஆண்டுகளில், குவாண்டம் கம்ப்யூட்டிங் ஆராய்ச்சிக்கான முதலீடு பொது மற்றும் தனியார் துறையில் அதிகரித்துள்ளது. 23 அக்டோபர் 2019 அன்று, கூகிள் ஏஐ, அமெரிக்க தேசிய ஏரோநாட்டிக்ஸ் மற்றும் விண்வெளி நிர்வாகத்துடன் (நாசா) கூட்டாக, எந்தவொரு கிளாசிக்கல் கணினியிலும் (குவாண்டம் மேலாதிக்க முடிவு என்று அழைக்கப்படுபவை) அணுக முடியாத ஒரு குவாண்டம் கணக்கீட்டைச் செய்ததாகக் கூறியது.
குவாண்டம் சர்க்யூட் மாதிரி, குவாண்டம் டூரிங் இயந்திரம், அடிபயாடிக் குவாண்டம் கணினி, ஒரு வழி குவாண்டம் கணினி மற்றும் பல்வேறு குவாண்டம் செல்லுலார் ஆட்டோமேட்டா உள்ளிட்ட குவாண்டம் கணினிகளின் (அல்லது மாறாக, குவாண்டம் கம்ப்யூட்டிங் அமைப்புகள்) பல மாதிரிகள் உள்ளன. மிகவும் பரவலாக பயன்படுத்தப்படும் மாதிரி குவாண்டம் சுற்று. குவாண்டம் சுற்றுகள் குவாண்டம் பிட் அல்லது “க்விட்” ஐ அடிப்படையாகக் கொண்டவை, இது கிளாசிக்கல் கணக்கீட்டில் பிட்டிற்கு ஓரளவு ஒத்திருக்கிறது. கியூப்கள் 1 அல்லது 0 குவாண்டம் நிலையில் இருக்கலாம் அல்லது அவை 1 மற்றும் 0 மாநிலங்களின் சூப்பர் போசிஷனில் இருக்கலாம். இருப்பினும், குவிட்ஸ் அளவிடப்படும் போது அளவீட்டின் முடிவு எப்போதும் 0 அல்லது 1 ஆக இருக்கும்; இந்த இரண்டு விளைவுகளின் நிகழ்தகவுகள் அளவீட்டுக்கு முன்னதாகவே குவிட்டுகள் இருந்தன என்ற குவாண்டம் நிலையைப் பொறுத்தது.
இயற்பியல் குவாண்டம் கணினியை உருவாக்குவதற்கான முன்னேற்றம் டிரான்ஸ்மான்ஸ், அயன் பொறிகள் மற்றும் இடவியல் குவாண்டம் கணினிகள் போன்ற தொழில்நுட்பங்களில் கவனம் செலுத்துகிறது, அவை உயர்தர குவிட்களை உருவாக்குவதை நோக்கமாகக் கொண்டுள்ளன. குவாண்டம் லாஜிக் வாயில்கள், குவாண்டம் அனீலிங் அல்லது அடிபயாடிக் குவாண்டம் கணக்கீடு என முழு குவாண்டம் கம்ப்யூட்டரின் கம்ப்யூட்டிங் மாதிரியைப் பொறுத்து இந்த குவிட்கள் வித்தியாசமாக வடிவமைக்கப்படலாம். பயனுள்ள குவாண்டம் கணினிகளை உருவாக்குவதற்கான வழியில் தற்போது பல குறிப்பிடத்தக்க தடைகள் உள்ளன. குறிப்பாக, குவாண்ட்களின் குவாண்டம் நிலைகளை பராமரிப்பது கடினம், ஏனெனில் அவை குவாண்டம் டிகோஹெரன்ஸ் மற்றும் மாநில நம்பகத்தன்மையால் பாதிக்கப்படுகின்றன. எனவே குவாண்டம் கணினிகளுக்கு பிழை திருத்தம் தேவைப்படுகிறது. கிளாசிக்கல் கம்ப்யூட்டரால் தீர்க்கப்படக்கூடிய எந்தவொரு கணக்கீட்டு சிக்கலும் ஒரு குவாண்டம் கணினியால் தீர்க்கப்படலாம். மாறாக, ஒரு குவாண்டம் கணினியால் தீர்க்கப்படக்கூடிய எந்தவொரு பிரச்சினையும் ஒரு கிளாசிக்கல் கணினியால் தீர்க்கப்படலாம், குறைந்தபட்சம் கொள்கையளவில் போதுமான நேரம் கொடுக்கப்படுகிறது. வேறு வார்த்தைகளில் கூறுவதானால், குவாண்டம் கணினிகள் சர்ச்-டூரிங் ஆய்வறிக்கைக்குக் கீழ்ப்படிகின்றன. குவாண்டம் கணினிகள் கணக்கீட்டு அடிப்படையில் கிளாசிக்கல் கம்ப்யூட்டர்களை விட கூடுதல் நன்மைகளை அளிக்காது என்பதே இதன் பொருள் என்றாலும், சில சிக்கல்களுக்கான குவாண்டம் வழிமுறைகள் தொடர்புடைய கிளாசிக்கல் வழிமுறைகளைக் காட்டிலும் குறைவான நேர சிக்கல்களைக் கொண்டுள்ளன. குறிப்பிடத்தக்க வகையில், குவாண்டம் கணினிகளால் எந்தவொரு கிளாசிக்கல் கணினியும் எந்தவொரு சாத்தியமான நேரத்திலும் தீர்க்க முடியாத சில சிக்கல்களை விரைவாக தீர்க்க முடியும் என்று நம்பப்படுகிறது - இது "குவாண்டம் மேலாதிக்கம்" என்று அழைக்கப்படுகிறது. குவாண்டம் கணினிகள் தொடர்பான சிக்கல்களின் கணக்கீட்டு சிக்கலான ஆய்வு குவாண்டம் சிக்கலான கோட்பாடு என அழைக்கப்படுகிறது.
கூகிள் சைக்காமோர் என்பது கூகிள் இன்க் இன் செயற்கை நுண்ணறிவு பிரிவால் உருவாக்கப்பட்ட ஒரு குவாண்டம் செயலி. இது 53 குவிட்களைக் கொண்டுள்ளது.
2019 ஆம் ஆண்டில், சைக்காமோர் 200 வினாடிகளில் ஒரு பணியை முடித்தார், கூகிள் ஒரு நேச்சர் பேப்பரில், ஒரு அதிநவீன சூப்பர் கம்ப்யூட்டரை முடிக்க 10,000 ஆண்டுகள் ஆகும். இதனால், கூகிள் குவாண்டம் மேலாதிக்கத்தை அடைந்ததாகக் கூறியது. ஒரு கிளாசிக்கல் சூப்பர் கம்ப்யூட்டரால் எடுக்கப்படும் நேரத்தை மதிப்பிடுவதற்கு, கூகிள் உலகின் மிக சக்திவாய்ந்த கிளாசிக்கல் கணினியான உச்சிமாநாட்டில் குவாண்டம் சர்க்யூட் உருவகப்படுத்துதலின் சில பகுதிகளை இயக்கியது. பின்னர், ஐபிஎம் ஒரு எதிர்-வாதத்தை முன்வைத்தது, இந்த பணி உச்சிமாநாடு போன்ற ஒரு கிளாசிக்கல் அமைப்பில் 2.5 நாட்கள் மட்டுமே ஆகும் என்று கூறினார். கூகிளின் கூற்றுக்கள் உறுதிசெய்யப்பட்டால், அது கணினி சக்தியில் ஒரு அதிவேக பாய்ச்சலைக் குறிக்கும்.
ஆகஸ்ட் 2020 இல், கூகிளில் பணிபுரியும் குவாண்டம் பொறியாளர்கள் ஒரு குவாண்டம் கணினியில் மிகப்பெரிய வேதியியல் உருவகப்படுத்துதலைப் புகாரளித்தனர் - சைக்காமூருடன் ஒரு ஹார்ட்ரீ-ஃபாக் தோராயமானது ஒரு கிளாசிக்கல் கணினியுடன் ஜோடியாக உள்ளது, இது 12-குவிட் அமைப்புக்கான புதிய அளவுருக்களை வழங்க முடிவுகளை பகுப்பாய்வு செய்தது.
டிசம்பர் 2020 இல், யு.எஸ்.டி.சி உருவாக்கிய சீன ஃபோட்டான் அடிப்படையிலான ஜியுஜாங் செயலி 76 குவிட் செயலாக்க சக்தியை அடைந்தது மற்றும் சைக்காமூரை விட 10 பில்லியன் மடங்கு வேகமாக இருந்தது, இது குவாண்டம் மேலாதிக்கத்தை அடைந்த இரண்டாவது கணினியாகும்.
குவாண்டம் செயற்கை நுண்ணறிவு ஆய்வகம் (குவாண்டம் AI ஆய்வகம் அல்லது குயில் என்றும் அழைக்கப்படுகிறது) என்பது நாசா, பல்கலைக்கழக விண்வெளி ஆராய்ச்சி சங்கம் மற்றும் கூகிள் (குறிப்பாக, கூகிள் ஆராய்ச்சி) ஆகியவற்றின் கூட்டு முயற்சியாகும், இதன் நோக்கம் இயந்திர கற்றலுக்கு குவாண்டம் கம்ப்யூட்டிங் எவ்வாறு உதவக்கூடும் என்பதற்கான ஆராய்ச்சியை முன்னோடியாகக் குறிக்கிறது. மற்றும் பிற கடினமான கணினி அறிவியல் சிக்கல்கள். இந்த ஆய்வகம் நாசாவின் அமெஸ் ஆராய்ச்சி மையத்தில் வழங்கப்படுகிறது.
குவாண்டம் AI ஆய்வகத்தை கூகிள் ரிசர்ச் மே 16, 2013 அன்று ஒரு வலைப்பதிவு இடுகையில் அறிவித்தது. தொடங்கப்பட்ட நேரத்தில், ஆய்வகம் வணிக ரீதியாக கிடைக்கக்கூடிய மிக மேம்பட்ட குவாண்டம் கணினியான டி-வேவ் சிஸ்டங்களிலிருந்து டி-வேவ் டூவைப் பயன்படுத்துகிறது.
மே 20, 2013 அன்று, ஆய்வகத்தில் டி-அலை இரண்டில் நேரத்தைப் பயன்படுத்த மக்கள் விண்ணப்பிக்கலாம் என்று அறிவிக்கப்பட்டது. அக்டோபர் 10, 2013 அன்று, குவாண்டம் AI ஆய்வகத்தின் தற்போதைய நிலையை விவரிக்கும் ஒரு குறும்படத்தை கூகிள் வெளியிட்டது. அக்டோபர் 18, 2013 அன்று கூகிள் குவாண்டம் இயற்பியலை மின்கிராஃப்டில் இணைத்துள்ளதாக அறிவித்தது.
ஜனவரி 2014 இல், கூகிள் ஆய்வகத்தில் டி-வேவ் டூவின் செயல்திறனை கிளாசிக்கல் கணினிகளுடன் ஒப்பிடுகையில் முடிவுகளை அறிவித்தது. முடிவுகள் தெளிவற்றவை மற்றும் இணையத்தில் சூடான விவாதத்தைத் தூண்டின. செப்டம்பர் 2, 2014 அன்று, குவாண்டம் AI ஆய்வகம், யு.சி. சாண்டா பார்பராவுடன் இணைந்து, சூப்பர் கண்டக்டிங் எலக்ட்ரானிக்ஸ் அடிப்படையில் குவாண்டம் தகவல் செயலிகளை உருவாக்க ஒரு முயற்சியைத் தொடங்கப்போவதாக அறிவிக்கப்பட்டது.
குவாண்டம் ஏஐ ஆய்வகம் 23 ஆம் ஆண்டு அக்டோபர் 2019 ஆம் தேதி ஒரு தாளில் குவாண்டம் மேலாதிக்கத்தை அடைந்ததாக அறிவித்தது.
கூகிள் AI குவாண்டம் குவாண்டம் செயலிகள் மற்றும் நாவல் குவாண்டம் வழிமுறைகளை உருவாக்குவதன் மூலம் குவாண்டம் கம்ப்யூட்டிங்கை மேம்படுத்துகிறது, ஆராய்ச்சியாளர்கள் மற்றும் டெவலப்பர்கள் கோட்பாட்டு மற்றும் நடைமுறை ஆகிய இரண்டிற்கும் அருகிலுள்ள கால சிக்கல்களை தீர்க்க உதவுகிறது.
குவாண்டம் கம்ப்யூட்டிங் AI உட்பட நாளைய கண்டுபிடிப்புகளின் வளர்ச்சிக்கு உதவும் என்று கருதப்படுகிறது. அதனால்தான், அர்ப்பணிப்பு குவாண்டம் வன்பொருள் மற்றும் மென்பொருளை உருவாக்க கூகிள் குறிப்பிடத்தக்க ஆதாரங்களை அளிக்கிறது.
குவாண்டம் கம்ப்யூட்டிங் என்பது ஒரு புதிய முன்னுதாரணமாகும், இது AI க்கான பணிகளை விரைவுபடுத்துவதில் பெரிய பங்கு வகிக்கும். கணக்கீட்டின் கிளாசிக்கல் திறன்களைத் தாண்டி செயல்படக்கூடிய திறந்த மூல கட்டமைப்புகள் மற்றும் கணினி சக்தியை அணுக ஆராய்ச்சியாளர்களுக்கும் டெவலப்பர்களுக்கும் கூகிள் வழங்குவதை நோக்கமாகக் கொண்டுள்ளது.
கூகிள் AI குவாண்டமின் முக்கிய கவனம் செலுத்தும் பகுதிகள்
- சூப்பர் கண்டக்டிங் க்விட் செயலிகள்: இரண்டு-குவிட் கேட் பிழை <0.5% ஐ இலக்காகக் கொண்ட சிப்-அடிப்படையிலான அளவிடக்கூடிய கட்டமைப்பைக் கொண்ட சூப்பர் கண்டக்டிங் குவிட்கள்.
- கியூபிட் மெட்ராலஜி: இரண்டு-குவிட் இழப்பை 0.2% க்குக் குறைப்பது பிழை திருத்தத்திற்கு முக்கியமானதாகும். அதிநவீன கிளாசிக்கல் கணினிகள் மற்றும் வழிமுறைகளின் திறன்களைத் தாண்டி ஒரு குவாண்டம் சுற்றுக்கு ஒரு மாதிரி குவாண்டம் மேலாதிக்க பரிசோதனையில் நாங்கள் பணியாற்றி வருகிறோம்.
- குவாண்டம் உருவகப்படுத்துதல்: குவாண்டம் கம்ப்யூட்டிங்கின் மிகவும் எதிர்பார்க்கப்பட்ட பயன்பாடுகளில் இயற்பியல் அமைப்புகளின் உருவகப்படுத்துதல் ஒன்றாகும். வேதியியல் மற்றும் பொருள் அறிவியலில் பயன்பாடுகளுடன் எலக்ட்ரான்களை தொடர்பு கொள்ளும் மாடலிங் அமைப்புகளுக்கான குவாண்டம் வழிமுறைகளில் நாங்கள் குறிப்பாக கவனம் செலுத்துகிறோம்.
- குவாண்டம் உதவி மேம்படுத்தல்: தோராயமான தேர்வுமுறைக்கு கலப்பின குவாண்டம்-கிளாசிக்கல் தீர்வுகளை உருவாக்குகிறோம். ஆற்றல் தடைகளை சமாளிக்க கிளாசிக்கல் வழிமுறைகளில் வெப்ப தாவல்கள் குவாண்டம் புதுப்பிப்புகளைத் தூண்டுவதன் மூலம் மேம்படுத்தலாம். நாங்கள் குறிப்பாக ஒத்திசைவான மக்கள் தொகை பரிமாற்றத்தில் ஆர்வமாக உள்ளோம்.
- குவாண்டம் நரம்பியல் நெட்வொர்க்குகள்: குவாண்டம் நியூரல் நெட்வொர்க்கை அருகிலுள்ள கால செயலிகளில் செயல்படுத்த ஒரு கட்டமைப்பை உருவாக்குகிறோம். நெட்வொர்க்கின் செயல்பாட்டின் போது பாரிய சூப்பர் போசிஷன் நிலைகளை உருவாக்குவதால் என்ன நன்மைகள் ஏற்படக்கூடும் என்பதைப் புரிந்துகொள்வதில் நாங்கள் ஆர்வமாக உள்ளோம்.
கூகிள் AI குவாண்டம் உருவாக்கிய முக்கிய கருவிகள் நடைமுறை சிக்கல்களுக்கான அருகிலுள்ள பயன்பாடுகளை தீர்க்க உதவும் நாவல் குவாண்டம் வழிமுறைகளை உருவாக்க குறிப்பாக வடிவமைக்கப்பட்ட திறந்த மூல கட்டமைப்புகள். இவை பின்வருமாறு:
- சர்க்: அருகிலுள்ள கால குவாண்டம் செயலிகளில் சத்தமில்லாத இடைநிலை அளவிலான குவாண்டம் (NISQ) வழிமுறைகளை உருவாக்குவதற்கும் பரிசோதனை செய்வதற்கும் ஒரு திறந்த மூல குவாண்டம் கட்டமைப்பு
- ஓபன்ஃபெர்மியன்: வேதியியல் மற்றும் பொருள் அறிவியலில் உள்ள சிக்கல்களை குவாண்டம் சுற்றுகளாக மொழிபெயர்க்க ஒரு திறந்த மூல தளம், அவை ஏற்கனவே இருக்கும் தளங்களில் செயல்படுத்தப்படலாம்
Google AI குவாண்டம் அருகிலுள்ள கால பயன்பாடுகள் பின்வருமாறு:
குவாண்டம் சிமுலேஷன்
புதிய பொருட்களின் வடிவமைப்பு மற்றும் வேதியியல் மற்றும் அமுக்கப்பட்ட பொருள் மாதிரிகள் ஆகியவற்றின் துல்லியமான உருவகப்படுத்துதல்கள் மூலம் சிக்கலான இயற்பியலை தெளிவுபடுத்துதல் குவாண்டம் கம்ப்யூட்டிங்கின் மிகவும் நம்பிக்கைக்குரிய பயன்பாடுகளில் ஒன்றாகும்.
பிழை குறைக்கும் நுட்பங்கள்
தற்போதைய சாதனங்களில் சத்தத்தை வியத்தகு முறையில் குறைக்கும் திறனைக் கொண்ட முழு குவாண்டம் பிழை திருத்தம் செய்வதற்கான பாதையில் முறைகளை உருவாக்க நாங்கள் பணியாற்றுகிறோம். முழு அளவிலான தவறு சகிப்புத்தன்மை கொண்ட குவாண்டம் கம்ப்யூட்டிங்கிற்கு கணிசமான முன்னேற்றங்கள் தேவைப்படலாம் என்றாலும், குவாண்டம் பிழை திருத்தம் மூலம் நுட்பங்களை அருகிலுள்ள கால சாதனங்களில் பயன்பாடுகளின் செயல்திறனை மேம்படுத்த உதவும் குவாண்டம் துணைவெளி விரிவாக்க நுட்பத்தை நாங்கள் உருவாக்கியுள்ளோம். மேலும், இந்த நுட்பங்கள் அருகிலுள்ள கால சாதனங்களில் சிக்கலான குவாண்டம் குறியீடுகளை சோதிக்க உதவுகின்றன. இந்த நுட்பங்களை நாங்கள் புதிய பகுதிகளுக்குத் தீவிரமாகத் தள்ளி வருகிறோம், மேலும் அவற்றை அருகிலுள்ள கால சோதனைகளின் வடிவமைப்பிற்கான அடிப்படையாகக் கொண்டு வருகிறோம்.
குவாண்டம் இயந்திர கற்றல்
அருகிலுள்ள கால குவாண்டம் சாதனங்களில் கலப்பின குவாண்டம்-கிளாசிக்கல் இயந்திர கற்றல் நுட்பங்களை உருவாக்கி வருகிறோம். குவாண்டம் மற்றும் கிளாசிக்கல் தரவின் வகைப்பாடு மற்றும் கிளஸ்டரிங்கிற்கான உலகளாவிய குவாண்டம் சுற்று கற்றலை நாங்கள் படித்து வருகிறோம். குவாண்டம் தகவல்தொடர்பு நெட்வொர்க்குகளுக்குள் குவாண்டம் ரிப்பீட்டர்கள் மற்றும் மாநில சுத்திகரிப்பு அலகுகளாக அல்லது பிற குவாண்டம் சுற்றுகளை சரிபார்க்க பயன்படுத்தக்கூடிய உற்பத்தி மற்றும் பாகுபாடான குவாண்டம் நரம்பியல் நெட்வொர்க்குகளிலும் நாங்கள் ஆர்வமாக உள்ளோம்.
குவாண்டம் உகப்பாக்கம்
விண்வெளி, ஆட்டோமோட்டிவ் மற்றும் பிற தொழில்களில் தனித்தனி மேம்படுத்தல்கள் கலப்பின குவாண்டம்-கிளாசிக்கல் தேர்வுமுறையிலிருந்து பயனடையக்கூடும், எடுத்துக்காட்டாக, உருவகப்படுத்தப்பட்ட அனீலிங், குவாண்டம் அசிஸ்டட் ஆப்டிமைசேஷன் அல்காரிதம் (QAOA) மற்றும் குவாண்டம் மேம்படுத்தப்பட்ட மக்கள் தொகை பரிமாற்றம் இன்றைய செயலிகளுடன் பயன்பாட்டைக் கொண்டிருக்கலாம்.
சான்றிதழ் பாடத்திட்டத்துடன் உங்களைப் பற்றி விரிவாக அறிந்துகொள்ள, கீழே உள்ள அட்டவணையை விரிவுபடுத்தி பகுப்பாய்வு செய்யலாம்.
EITC/AI/TFQML TensorFlow Quantum Machine Learning Certification Curriculum ஆனது வீடியோ வடிவத்தில் திறந்த அணுகல் செயற்கையான பொருட்களைக் குறிப்பிடுகிறது. கற்றல் செயல்முறை ஒரு படிப்படியான கட்டமைப்பாக (நிரல்கள் -> பாடங்கள் -> தலைப்புகள்) தொடர்புடைய பாடத்திட்ட பகுதிகளை உள்ளடக்கியது. டொமைன் நிபுணர்களுடன் வரம்பற்ற ஆலோசனையும் வழங்கப்படுகிறது.
சான்றிதழின் செயல்முறை பற்றிய விவரங்களுக்கு சரிபார்க்கவும் எப்படி இது செயல்படுகிறது.
பாடத்திட்ட குறிப்பு வளங்கள்
டென்சர்ஃப்ளோ குவாண்டம் (TFQ) என்பது கலப்பின குவாண்டம்-கிளாசிக்கல் எம்.எல் மாதிரிகளின் விரைவான முன்மாதிரிக்கான குவாண்டம் இயந்திர கற்றல் நூலகமாகும். குவாண்டம் வழிமுறைகள் மற்றும் பயன்பாடுகளில் ஆராய்ச்சி கூகிளின் குவாண்டம் கம்ப்யூட்டிங் கட்டமைப்பை மேம்படுத்துகிறது, இவை அனைத்தும் டென்சர்ஃப்ளோவிலிருந்து. டென்சர்ஃப்ளோ குவாண்டம் குவாண்டம் தரவு மற்றும் கலப்பின குவாண்டம்-கிளாசிக்கல் மாதிரிகளை உருவாக்குவதில் கவனம் செலுத்துகிறது. இது குவாண்டம் கம்ப்யூட்டிங் வழிமுறைகள் மற்றும் தர்க்கத்தை சர்க்கில் வடிவமைக்கப்பட்டுள்ளது, மேலும் குவாண்டம் கம்ப்யூட்டிங் ஆதிமனிதர்களை ஏற்கனவே உள்ள டென்சர்ஃப்ளோ ஏபிஐகளுடன் இணக்கமாக வழங்குகிறது, மேலும் உயர் செயல்திறன் கொண்ட குவாண்டம் சர்க்யூட் சிமுலேட்டர்களுடன் வழங்குகிறது. டென்சர்ஃப்ளோ குவாண்டம் வெள்ளை காகிதத்தில் மேலும் வாசிக்க. கூடுதல் குறிப்பாக நீங்கள் கண்ணோட்டத்தை சரிபார்த்து நோட்புக் பயிற்சிகளை இயக்கலாம்.
https://www.tensorflow.org/quantum
சர்க்
சிர்க் என்பது சத்தமில்லாத இடைநிலை அளவிலான குவாண்டம் (NISQ) கணினிகளுக்கான திறந்த மூல கட்டமைப்பாகும். இது கூகிள் AI குவாண்டம் குழுவால் உருவாக்கப்பட்டது, மேலும் குவாண்டம் மென்பொருள் மற்றும் குவாண்டம் இயந்திர கற்றல் குறித்த சர்வதேச பட்டறையில் பொது ஆல்பா ஜூலை 18, 2018 அன்று அறிவிக்கப்பட்டது. QC Ware இன் ஒரு டெமோ QAOA இன் செயல்பாட்டைக் காட்டியது அதிகபட்ச வெட்டுக்கான எடுத்துக்காட்டு சர்க் சிமுலேட்டரில் சிக்கல் தீர்க்கப்படுகிறது. சர்க்கில் உள்ள குவாண்டம் நிரல்கள் "சர்க்யூட்" மற்றும் "அட்டவணை" ஆகியவற்றால் குறிக்கப்படுகின்றன, அங்கு "சர்க்யூட்" ஒரு குவாண்டம் சுற்று மற்றும் "அட்டவணை" நேர தகவலுடன் ஒரு குவாண்டம் சுற்று குறிக்கிறது. நிரல்களை உள்ளூர் சிமுலேட்டர்களில் இயக்கலாம். பின்வரும் எடுத்துக்காட்டு சர்க்கில் ஒரு பெல் நிலையை எவ்வாறு உருவாக்குவது மற்றும் அளவிடுவது என்பதைக் காட்டுகிறது.
இறக்குமதி சுற்றறிக்கை
# குவிட்ஸைத் தேர்ந்தெடுங்கள்
குவிட்0 = சுற்றறிக்கை.கிரிட் கியூபிட்(0, 0)
குவிட்1 = சுற்றறிக்கை.கிரிட் கியூபிட்(0, 1)
# ஒரு சுற்று உருவாக்கவும்
சுற்று = சுற்றறிக்கை.சுற்று.இருந்து_ஓப்ஸ்(
சுற்றறிக்கை.H(குவிட்0),
சுற்றறிக்கை.இல்லை(குவிட்0, குவிட்1),
சுற்றறிக்கை.அளவிட(குவிட்0, முக்கிய='m0'),
சுற்றறிக்கை.அளவிட(குவிட்1, முக்கிய='m1')
)
சுற்று அச்சிடுவது அதன் வரைபடத்தைக் காட்டுகிறது
அச்சு(சுற்று)
# அச்சிடுகிறது
# (0, 0): ───H─── @ (M ('m0')
#
# (0, 1): ───────X───M ('m1')
சுற்று மீண்டும் மீண்டும் உருவகப்படுத்துதல் குவிட்களின் அளவீடுகள் ஒன்றோடொன்று தொடர்புடையவை என்பதைக் காட்டுகிறது.
போலி = சுற்றறிக்கை.சிமுலேட்டர்()
விளைவாக = போலி.ரன்(சுற்று, மறுபடியும்=5)
அச்சு(விளைவாக)
# அச்சிடுகிறது
# மீ 0 = 11010
# மீ 1 = 11010
EITC/AI/TFQML TensorFlow Quantum Machine Learning திட்டத்திற்கான முழுமையான ஆஃப்லைன் சுய-கற்றல் தயாரிப்பு பொருட்களை PDF கோப்பில் பதிவிறக்கவும்
EITC/AI/TFQML தயாரிப்பு பொருட்கள் - நிலையான பதிப்பு
EITC/AI/TFQML ஆயத்த பொருட்கள் - மறுஆய்வு கேள்விகளுடன் விரிவாக்கப்பட்ட பதிப்பு