क्वांटम मशीन लर्निंगभोवतीची दीर्घकाळची चर्चा आता बदलली आहे
क्वांटम कॉम्प्युटिंगला अनेक वर्षे कृत्रिम बुद्धिमत्तेसाठी भविष्यातील इंजिन म्हणून मांडले गेले आहे, पण त्या दाव्याचा आधार अनेकदा कमकुवत राहिला आहे. सर्वात कठीण समस्या फक्त क्वांटम मशीनवर डेटा प्रक्रिया करणे नव्हे, तर शास्त्रीय डेटा अशा रूपात आणणे होती की ज्यामुळे खऱ्या अर्थाने क्वांटम परिणामांचा लाभ घेता येईल. New Scientist ने अधोरेखित केलेल्या नव्या कामातून सूचित होते की ती अडचण अनेक संशोधकांनी गृहित धरली तितकी पूर्णतः अजेय नसेल.
क्वांटम कॉम्प्युटिंग कंपनी Oratomic येथील Hsin-Yuan Huang आणि सहकाऱ्यांचे म्हणणे आहे की क्वांटम संगणक मशीन लर्निंग आणि संबंधित अल्गोरिदमसाठी फायदे देऊ शकतात. त्यांचे विश्लेषण अशा भविष्याचा गणिती पाया घालण्याचा प्रयत्न करते, जिथे क्वांटम हार्डवेअर आज मोठ्या प्रमाणावर पारंपरिक संगणकीय शक्ती मागणाऱ्या डेटा-प्रधान कामांत मदत करू शकेल.
मुख्य अडथळा डेटा लोडिंग होता
वर्षानुवर्षे, क्वांटम-वर्धित AI विषयीची शंका एका व्यावहारिक अडथळ्यावर केंद्रित होती. मजकूर परीक्षणे किंवा RNA सिक्वेन्सिंगचे निकाल यांसारखा क्वांटम नसलेल्या जगात गोळा केलेला डेटा सुपरपोजिशन अवस्थेत एन्कोड करावा लागेल, जेणेकरून क्वांटम संगणक तो खऱ्या क्वांटम वर्तनाचा वापर करून प्रक्रिया करू शकेल. तो टप्पा करण्यासाठी इतक्या मोठ्या समर्पित मेमरी उपकरणांची गरज भासेल की ती अव्यवहार्य ठरतील, असे संशोधकांना वाटत होते.
त्या गृहितकाने या क्षेत्राच्या मुळावरच आघात केला. जर सिस्टीम आपले बहुतांश संसाधन फक्त इनपुट तयार करण्यात खर्च करत असेल, तर सैद्धांतिक वेगवाढ फारशी उपयोगी राहत नाही. प्रत्यक्षात, क्वांटम मशीन लर्निंगचे वचन सतत सामान्य डेटाला क्वांटम संगणक वापरू शकेल अशा स्वरूपात बदलण्याच्या खर्चाशी धडकत राहिले.
अडथळा टाळण्याचा एक वेगळा मार्ग
Huang आणि सहकाऱ्यांनी असा पर्यायी मार्ग सुचवला आहे, ज्यात प्रक्रिया सुरू होण्यापूर्वी सर्व डेटा प्रचंड समर्पित क्वांटम मेमरीत साठवण्याची गरज नाही. त्याऐवजी, डेटा छोट्या बॅचमध्ये क्वांटम संगणकात टाकला जातो. हे तांत्रिक तपशीलासारखे वाटू शकते, पण ते व्यवहार्यतेच्या चर्चेला महत्त्वपूर्ण प्रकारे बदलते. जर क्वांटम फायद्यासाठी आवश्यक रचना जपत डेटा टप्प्याटप्प्याने लोड करता आला, तर एक मोठा व्यावहारिक आक्षेप कमकुवत होतो.
मूळ मजकूर याकडे अंतिम उत्पादन म्हणून नव्हे, तर एक पायाभूत पाऊल म्हणून पाहतो. तो असे म्हणत नाही की क्वांटम संगणक आजच वास्तवातील कामांमध्ये पारंपरिक AI हार्डवेअरला मागे टाकण्यासाठी तयार झाले आहेत. तो एवढेच म्हणतो की संशोधकांकडे आता हे कसे घडू शकते यासाठी अधिक विश्वासार्ह चौकट असू शकते.
फक्त गाजावाजापलीकडे हे का महत्त्वाचे आहे
मशीन लर्निंग विज्ञान, उद्योग आणि दैनंदिन सॉफ्टवेअरमध्ये गुंफलेले आहे, म्हणून क्वांटम सहाय्याची शक्यता वर्षानुवर्षांच्या शंकांनंतरही आकर्षक राहिली आहे. जर क्वांटम आर्किटेक्चर्स कधीतरी काही मोठ्या डेटासेट्स अधिक कार्यक्षमतेने प्रक्रिया करू शकले, तर त्याचा लाभ एका लहान वापरापुरताच मर्यादित राहणार नाही. त्याचा परिणाम AI मधील संगणकीय मर्यादांविषयी संशोधक कसे विचार करतात यावरही होईल.
त्याच वेळी, या कामाकडे गंतव्यस्थानापेक्षा नकाशा म्हणून पाहणे योग्य ठरेल. गणिती पाया महत्त्वाचा असतो, कारण तो कोणते क्षेत्र कल्पनेचा पाठलाग करत आहे आणि कोणते खऱ्या अभियांत्रिकी उद्दिष्टाचा, हे दाखवतो. क्वांटम मशीन लर्निंगमध्ये हा फरक विशेष महत्त्वाचा आहे. या क्षेत्राने वर्षानुवर्षे मोठी आश्वासने दिली आहेत, पण प्रत्यक्ष फायदेशीर मार्ग मात्र शोधणे कठीण गेले आहे.
हे विश्लेषण चर्चा संपवत नाही, पण तिचे स्वरूप बदलते. क्वांटम संगणक कधीच AI ला मदत करू शकतील का, हा प्रश्न विचारण्याऐवजी, कोणती मशीन लर्निंग समस्या या बॅच-लोडिंग पद्धतीसाठी सर्वाधिक योग्य आहेत आणि सिद्धांताशी जुळण्यासाठी हार्डवेअर किती वेगाने विकसित होऊ शकते, असा प्रश्न आता अधिक उपयुक्त ठरू शकतो. हे क्वांटम AI विषयी आतापर्यंत झालेल्या चर्चेपेक्षा अधिक ठोस आणि उपयुक्त संभाषण आहे.
हा लेख New Scientist च्या वार्तांकनावर आधारित आहे. मूळ लेख वाचा.