আমি কেবল মেশিন লার্নিংয়ের মাধ্যমে ক্লাসিকাল ডেটা বিশ্লেষণের জন্য কোয়ান্টাম মেকানিক্স কীভাবে কার্যকর হতে পারি সে সম্পর্কিত প্রশ্নের অংশটির উত্তর দেব। "কোয়ান্টাম এআই" সম্পর্কিতও কাজ রয়েছে তবে এটি অনেক বেশি অনুমানমূলক (এবং কম সংজ্ঞায়িত) ধরণের জিনিস, যা আমি intoুকতে চাই না।
সুতরাং, কোয়ান্টাম কম্পিউটারগুলিকে মেশিন লার্নিং অ্যালগরিদমের মাধ্যমে ডেটা বিশ্লেষণের গতি বাড়ানোর জন্য ব্যবহার করা যেতে পারে ? স্কট অ্যারনসনের উদ্ধৃতিটি সূক্ষ্ম প্রিন্ট পেপার পড়ুন , এটি একটি জটিল উত্তর সহ একটি সাধারণ প্রশ্ন ।
সবার আগে এটি লক্ষ করা উচিত যে এই ধরণের প্রশ্নের উত্তর দেওয়ার চেষ্টা করা কোয়ান্টাম মেশিন লার্নিংয়ের গবেষণা ক্ষেত্র সম্পর্কে কী রয়েছে তার একটি বড় অংশ (সম্প্রতি কোয়ান্টাম-বর্ধিত মেশিন লার্নিং বা কোয়ান্টাম সহায়ক মেশিন লার্নিং শব্দটিকে প্রাধান্য দেওয়া হয়েছে বলে মনে হয়) কিউএম এবং এমএলটির এই মার্জিংয়ের বিষয়ে উল্লেখ করুন, কিউএমের সমস্যা সমাধানে সহায়তা করার জন্য এটি এমএল ব্যবহার থেকে আলাদা করতে)) আপনি উইকিপিডিয়া পৃষ্ঠা থেকে দেখতে পাচ্ছেন যে, ক্ষেত্রের মধ্যে অনেকগুলি বিষয় চলছে এবং এখানে প্রাসঙ্গিক কাগজগুলির একটি বিস্তৃত তালিকা এখানে চেষ্টা করার চেষ্টা করা অর্থহীন হবে, কারণ এটি দ্রুত পুরানো হয়ে যায়।
শুল্ড এট আল-এর উদ্ধৃতি । 2014 , কোয়ান্টাম-সহায়ক মেশিন লার্নিং (কিউএএমএল) এর পিছনে ধারণাটি নিম্নলিখিত:
যেহেতু বিশ্বব্যাপী সঞ্চিত তথ্যের পরিমাণ প্রতিবছর প্রায় 20% বৃদ্ধি পাচ্ছে (বর্তমানে বেশ কয়েকটি শতাধিক এক্সাবাইট [1] এর ক্রম সহ), তাই মেশিন লার্নিংয়ের ক্ষেত্রে উদ্ভাবনী পদ্ধতির সন্ধান করার চাপ বাড়ছে। ক্লাসিকাল মেশিন লার্নিং অ্যালগরিদমকে অনুকূলকরণের জন্য কোয়ান্টাম কম্পিউটিংয়ের সম্ভাবনাটি কাজে লাগিয়ে বর্তমানে একাডেমিয়ার পাশাপাশি শীর্ষস্থানীয় আইটি সংস্থাগুলির গবেষণা ল্যাবগুলিতে অনুসন্ধান করা একটি প্রতিশ্রুতিবদ্ধ ধারণা।
আপনার প্রশ্নের দিকে ফিরে যাওয়া, একটি প্রথম আপাতদৃষ্টিতে ইতিবাচক উত্তর হ্যারো এট আল দ্বারা সরবরাহ করেছিলেন । ২০০৯ , যা কোয়ান্টাম রাজ্যে ডেটা সংরক্ষণ করা হলে কাজ করে, সমীকরণের লিনিয়ার সিস্টেমকে (সিস্টেমের ওপরে বেশ কয়েকটি শর্তের অধীনে) রূপান্তর করতে একটি কার্যকর কোয়ান্টাম অ্যালগরিদম দেয়। এটি একটি মৌলিক রৈখিক বীজগণিত অপারেশন হওয়ায় আবিষ্কারটি একই রকম লেখক ( 1307.0401 , 1307.0411 , 1307.0471 ) এবং আরও অনেকের দ্বারা মেশিন লার্নিংয়ের সমস্যাগুলি সমাধান করার জন্য অনেক প্রস্তাবিত কোয়ান্টাম অ্যালগোরিদমকে নেতৃত্ব দেয়। 1409.3097 , 1512.02900 , 1611.09347 , এর মতো রেফারেন্সের আরও বিস্তৃত তালিকা পেতে এখন আপনার অনেকগুলি পর্যালোচনা রয়েছে you1707.08561 , 1708.09757 , পিটার উইটটেকের বই এবং সম্ভবত আরও কিছু।
তবে বাস্তবে এটি কীভাবে কাজ করবে তা এখনও প্রতিষ্ঠিত নয় from কয়েকটি কারণ অ্যারনসনের কাগজে ভালভাবে ব্যাখ্যা করা হয়েছে: সূক্ষ্ম মুদ্রণটি পড়ুন (এছাড়াও প্রকাশিত সংস্করণ দেখুন: এনফিস 3232 )। খুব মোটামুটিভাবে বলতে গেলে, সমস্যাটি হ'ল কোয়ান্টাম অ্যালগরিদমগুলি সাধারণত কোয়ান্টাম রাজ্যে সঞ্চিত "ডেটা" পরিচালনা করে, প্রায়শই রাজ্যের প্রশস্ততায় ভেক্টরকে এনকোড করে। এটি উদাহরণস্বরূপ, কিউএফটি- র ক্ষেত্রে , এবং এটি এখনও এইচএইচএল 09 এবং উদ্ভূত কাজগুলির ক্ষেত্রে।
এর সাথে বড় সমস্যা (বা একটি বড় সমস্যা হ'ল) প্রক্রিয়াজাতকরণের জন্য আপনি কীভাবে "বড়" ধ্রুপদী ডেটা এই কোয়ান্টাম রাজ্যে দক্ষতার সাথে লোড করতে পারবেন তা স্পষ্ট থেকে দূরে is এর সাধারণ উত্তরটি হ'ল "আমাদের কেবল একটি কিউআরএএম ব্যবহার করতে হবে ", তবে এটি অনেকগুলি সতর্কতার সাথেও আসে, কারণ তাত্পর্যপূর্ণ গতিবেগ বজায় রাখার জন্য এই প্রক্রিয়াটি খুব দ্রুত হওয়া দরকার যা ডেটা আসার পরে আমরা এখন অর্জন করতে পারি কোয়ান্টাম ফর্ম। ক্যাভেটস সম্পর্কে আরও তথ্যের জন্য আমি আবার অ্যারনসন এর কাগজ পড়ি ।