এটি খুব একটি খোলামেলা প্রশ্ন, তবে হ্যাঁ, এই ফ্রন্টে যথেষ্ট পরিমাণে কাজ করা হচ্ছে।
কিছু স্পষ্টতা
এটি সর্বপ্রথম লক্ষণীয় যে কোয়ান্টাম মেকানিক্স / কোয়ান্টাম কম্পিউটিংয়ের সাথে মেশিন লার্নিং (এবং বিশেষত গভীর শিক্ষণ) এর দুটি প্রধান উপায় রয়েছে:
1) এমএল কিউএম→
কোয়ান্টাম মেকানিক্স / কোয়ান্টাম তথ্য / কোয়ান্টাম গণনার প্রসঙ্গে উদ্ভূত সমস্যা মোকাবেলায় শাস্ত্রীয় মেশিন শেখার কৌশল প্রয়োগ করুন । এই অঞ্চলটি আমার কাছে এমনকি উল্লেখের একটি শালীন তালিকা চেষ্টা করার জন্য খুব দ্রুত বাড়ছে, সুতরাং আমি কেবল এই দিকের সাম্প্রতিক কয়েকটি কাজের সাথে লিঙ্ক করব: 1803.04114 সালে লেখকরা ওভারল্যাপটি গণনা করার জন্য সার্কিটগুলি সন্ধানের জন্য একটি মেশিন লার্নিং পদ্ধতির ব্যবহার করেছিলেন দুটি রাজ্যের মধ্যে (এই একই দিকে আরও কয়েকটি কাজ রয়েছে) এবং 1803.05193 সালে লেখকরা কোয়ান্টাম নিয়ন্ত্রণ সংশোধন স্কিমগুলি খুঁজতে গভীর স্নায়বিক নেটওয়ার্কগুলি কীভাবে ব্যবহার করা যেতে পারে তা অধ্যয়ন করেছিলেন।
2) QM এমএল→
বড় ডেটা বিশ্লেষণ করতে কোয়ান্টাম অ্যালগরিদমের অধ্যয়ন , যা প্রায়শইক্লাসিকাল মেশিন লার্নিং অ্যালগরিদমের" কোয়ান্টাম জেনারালাইজেশন "সন্ধান করে। আপনিএই বিষয়ে কিছু প্রাথমিক রেফারেন্স পেতে আমার এই অন্যান্য উত্তরটি একবার দেখতে পারেন। আরও গভীরভাবে গভীর শিক্ষার ক্ষেত্রে, 1412.3489 (উপযুক্তভাবে কোয়ান্টাম ডিপ লার্নিংয়ের নামকরণ করা হয়েছে) লেখকরা গভীর, সীমাবদ্ধ বল্টজম্যান মেশিনগুলির প্রশিক্ষণকে সাধারণভাবে প্রশিক্ষণের গতি বাড়ানোর জন্য একটি পদ্ধতি (কার্যকরভাবে, একটি কোয়ান্টাম অ্যালগরিদম) প্রস্তাব করেন। এখানে অন্য প্রাসঙ্গিক রেফারেন্সটি 1712.05304 , যাতে লেখকরা কোয়ান্টাম বোল্টজম্যান মেশিনগুলি প্রশিক্ষণের জন্য নিম্ন-গভীরতার কোয়ান্টাম অ্যালগরিদম বিকাশ করে। 1708.09757 দেখুনএ সম্পর্কিত আরও অনেক কাজ সন্ধান করার জন্য, লিঙ্কযুক্ত উত্তরে উল্লেখগুলি। মনে রাখবেন যে এই কাজগুলিতে দাবি করা গতিবেগটি ঘৃণ্য গতি থেকে শুরু করে বহুপদী থেকে আলাদা হয়ে যেতে পারে।
কখনও কখনও গতিপথ নির্দিষ্ট লিনিয়ার বীজগণিত সমস্যা সমাধানের জন্য কোয়ান্টাম অ্যালগরিদম ব্যবহার থেকে আসে (উদাহরণস্বরূপ সারণী 1 ( 1707.08561 ) দেখুন, কখনও কখনও এটি গ্রোভারের অনুসন্ধানের মূলত (বিভিন্নতা) ব্যবহারের পরিমাণ হিসাবে আসে এবং কখনও কখনও অন্য থেকেও আসে জিনিসগুলি (তবে বেশিরভাগই এই দুটি) ডুঞ্জকো এবং ব্রিজেল থেকে এখানে উদ্ধৃত :
এমএল-এর জন্য কোয়ান্টাম-বর্ধনের ধারণাগুলি মোটামুটি দুটি গ্রুপে শ্রেণিবদ্ধ করা যেতে পারে: ক) গ্রোভারের অনুসন্ধান এবং প্রশস্ততা প্রশস্তকরণের উপর নির্ভর করে এমন পদ্ধতিগুলি যা আপ-টু-কোয়াড্র্যাটিক স্পিড-আপগুলি অর্জন করতে পারে এবং খ) কোয়ান্টাম প্রশস্ততায় প্রাসঙ্গিক তথ্যকে এনকোড করে এমন পদ্ধতিগুলি , এবং যা এমনকি ক্ষতিকারক উন্নতির সম্ভাবনা আছে। পদ্ধতির দ্বিতীয় গোষ্ঠী সম্ভবত কোয়ান্টাম এমএল-এর সবচেয়ে উন্নত গবেষণা লাইন গঠন করেছে এবং কোয়ান্টাম এমএল প্রস্তাবগুলিতে ব্যবহৃত কোয়ান্টাম লিনিয়ার বীজগণিত - সবচেয়ে উল্লেখযোগ্যভাবে কোয়ান্টাম লিনিয়ার বীজগণিত সংগ্রহ করে।
তিনটি প্রশ্নের আরও সরাসরি উত্তর
উপরের কথাটি বলার পরে, আপনি উত্থাপিত তিনটি পয়েন্টের আরও সরাসরি উত্তর দিন:
একটি গভীর শেখার অ্যালগরিদম কোয়ান্টাম কম্পিউটারে চালানো যেতে পারে? অবশ্যই স্পষ্টভাবে হ্যাঁ: আপনি যদি কোনও শাস্ত্রীয় কম্পিউটারে কিছু চালাতে পারেন তবে আপনি এটি কোয়ান্টাম কম্পিউটারে করতে পারেন। তবে, যে প্রশ্নটি জিজ্ঞাসা করা উচিত তা হ'ল শাস্ত্রীয় অংশগুলির তুলনায় কোয়ান্টাম (গভীর) মেশিন লার্নিং অ্যালগরিদম আরও দক্ষ হতে পারে ? উত্তর এই প্রশ্ন trickier হয়। সম্ভবত হ্যাঁ , এই দিক থেকে অনেক প্রস্তাব রয়েছে তবে কী কাজ করবে বা কী করবে না তা খুব তাড়াতাড়ি বলা যায়।
এটি চেষ্টা করে কি বুদ্ধিমান? হ্যাঁ!
- আরও কি কোয়ান্টাম অ্যালগরিদম রয়েছে যা গভীর শিক্ষাকে অপ্রাসঙ্গিক করে তুলবে? এটি " অপ্রাসঙ্গিক " বলতে কী বোঝায় তার উপর এটি দৃ strongly়ভাবে নির্ভর করে । আমি বলতে চাইছি, এই মুহূর্তে যা জানা আছে তার জন্য খুব সম্ভবত ধ্রুপদী অ্যালগরিদম থাকতে পারে যা গভীর শিক্ষাকে "অপ্রাসঙ্গিক" করে তুলবে।