க்வாண்டம் கணினியியல் இறுதியில் AI-க்கு உதவும் ஒரு நடைமுறை வழியைப் பெறக்கூடும்

க்வாண்டம் மெஷின் லெர்னிங்கைச் சுற்றிய நீண்டநாள் விவாதம் மாறியுள்ளது

க்வாண்டம் கணினியியல் நீண்ட காலமாக செயற்கை நுண்ணறிவிற்கான எதிர்கால இயந்திரமாக விளம்பரப்படுத்தப்பட்டு வந்தது, ஆனால் அந்தக் கூற்றிற்கான ஆதாரம் பல நேரங்களில் பலவீனமாக இருந்தது. மிகக் கடினமான பிரச்சினை க்வாண்டம் இயந்திரத்தில் தரவை செயலாக்குவது மட்டுமல்ல, முதல் நிலையில் பாரம்பரிய தரவை க்வாண்டம் விளைவுகளை உண்மையாகப் பயன்படுத்தக்கூடிய வடிவில் கொண்டு வருவதும் ஆகும். New Scientist வெளிப்படுத்திய புதிய ஆய்வு, பல ஆராய்ச்சியாளர்கள் கருதிய அளவுக்கு அந்தத் தடையில்லை என்பதைக் காட்டுகிறது.

க்வாண்டம் கணினி நிறுவனமான Oratomic-இன் Hsin-Yuan Huang மற்றும் அவர்களது குழுவினர், க்வாண்டம் கணினிகள் மெஷின் லெர்னிங் மற்றும் தொடர்புடைய அல்கோரிதங்களுக்கு நன்மைகளை வழங்க முடியும் என்று வாதிடுகின்றனர். அவர்களின் பகுப்பாய்வு, இன்றைக்கு பெருமளவான பாரம்பரிய கணினி சக்தியைத் தேவைப்படுத்தும் தரவு-அதிக கணக்கீட்டு பணிகளில் க்வாண்டம் ஹார்ட்வேர் உதவக்கூடிய ஒரு எதிர்காலத்திற்கான கணித அடித்தளத்தை அமைக்க விரும்புகிறது.

முக்கியத் தடையாக இருந்தது தரவு ஏற்றுதல்

பல ஆண்டுகளாக, க்வாண்டம்-வலுப்படுத்தப்பட்ட AI குறித்த சந்தேகம் ஒரு நடைமுறைத் தடையை மையமாகக் கொண்டிருந்தது. உரை விமர்சனங்கள் அல்லது RNA வரிசையாக்க முடிவுகள் போன்ற க்வாண்டம் அல்லாத உலகில் சேகரிக்கப்பட்ட தரவு, ஒரு சூப்பர்போசிஷன் நிலையில் குறியாக்கம் செய்யப்பட வேண்டியது, அப்போதுதான் ஒரு க்வாண்டம் கணினி அதை உண்மையான க்வாண்டம் நடத்தையைப் பயன்படுத்தி செயலாக்க முடியும். அந்தப் படி தனிப்பட்ட நினைவக சாதனங்களை மிகவும் பெரிய அளவில் தேவைப்படுத்தும்; அதனால் அது நடைமுறைக்கு ஒவ்வாததாகிவிடும் என்று ஆராய்ச்சியாளர்கள் நம்பினர்.

அந்தக் கருதுகோள் இந்தத் துறையின் மையத்தையே தாக்கியது. உள்ளீட்டைத் தயாரிக்கவே அமைப்பு பெரும்பாலான வளங்களைச் செலவிடுமானால், கோட்பாட்டு வேக உயர்வு பெரிதாகப் பயன்படாது. நடைமுறையில், க்வாண்டம் மெஷின் லெர்னிங்கின் வாக்குறுதி, சாதாரண தரவை க்வாண்டம் கணினி பயன்படுத்தக்கூடிய ஒன்றாக மாற்றுவதற்கான செலவுடன் தொடர்ந்து மோதிக்கொண்டே இருந்தது.

தடையைச் சுற்றிச் செல்லும் வேறொரு வழி

Huang மற்றும் அவர்களது குழு, செயலாக்கம் தொடங்குவதற்கு முன் அனைத்து தரவையும் மிகப் பெரிய தனிப்பட்ட க்வாண்டம் நினைவகங்களில் சேமிக்க வேண்டியதில்லை எனும் ஒரு மாற்று முறையை முன்வைக்கின்றனர். அதற்கு பதிலாக, தரவு சிறிய தொகுதிகளாக க்வாண்டம் கணினிக்குள் செலுத்தப்படுகிறது. இது ஒரு தொழில்நுட்ப விவரமாகத் தோன்றலாம், ஆனால் சாத்தியக்கூறு குறித்த விவாதத்தை முக்கியமான வகையில் மாற்றுகிறது. க்வாண்டம் நன்மைக்கு தேவையான அமைப்பை பாதுகாத்தபடியே தரவை படிப்படியாக ஏற்ற முடிந்தால், ஒரு முக்கிய நடைமுறை எதிர்ப்பு பலவீனமாகிறது.

மூல உரை இதை ஒரு இறுதி தயாரிப்பாக அல்ல, அடிப்படைப் படியாகவே விவரிக்கிறது. க்வாண்டம் கணினிகள் இன்றே நிஜ உலகப் பணிகளில் பாரம்பரிய AI ஹார்ட்வேரை உடனடியாக மிஞ்சத் தயாராகிவிட்டன என்று அது சொல்லவில்லை. இது, அது இறுதியில் எவ்வாறு சாத்தியமாகலாம் என்பதற்கான மேலும் நம்பத்தகுந்த கட்டமைப்பு இப்போது ஆராய்ச்சியாளர்களிடம் இருக்கலாம் என்பதையே சொல்கிறது.

பொய்யான ஆரவாரத்தைத் தாண்டி இது ஏன் முக்கியம்

மெஷின் லெர்னிங் அறிவியல், தொழில், மற்றும் அன்றாட மென்பொருளில் ஆழமாகப் பதிந்துள்ளது; அதனால் க்வாண்டம் உதவியின் வாய்ப்பு பல ஆண்டுகளின் சந்தேகங்களுக்குப் பிறகும் கவர்ச்சியாகவே இருந்து வருகிறது. க்வாண்டம் கட்டமைப்புகள் ஒருநாள் சில பெரிய தரவுத்தொகுப்புகளை அதிக திறமையாகச் செயலாக்க முடிந்தால், அதன் பலன் ஒரு சிறிய சிறப்பு பயன்பாட்டிற்கும் அப்பால் விரியும். அது AI-இன் உள்ளேயுள்ள கணக்கீட்டு வரம்புகளை ஆராய்ச்சியாளர்கள் எவ்வாறு புரிந்துகொள்கிறார்கள் என்பதையும் பாதிக்கும்.

அதே நேரத்தில், இந்தப் பணியை இலக்காக அல்ல, வரைபடமாகவே புரிந்துகொள்வது சிறந்தது. கணித அடித்தளம் முக்கியமானது, ஏனெனில் அது ஒரு துறை கற்பனைக்குப் பின்னால் ஓடுகிறதா அல்லது உண்மையான பொறியியல் இலக்கை நோக்கிச் செல்கிறதா என்பதைக் காட்டுகிறது. க்வாண்டம் மெஷின் லெர்னிங்கில், இந்த வேறுபாடு மிக முக்கியமாக இருந்துள்ளது. இந்தத் துறை பல ஆண்டுகளாக பெரிய வாக்குறுதிகளை அளித்தாலும், நடைமுறை நன்மை கிடைக்கும் பாதைகள் அரிதாகவே இருந்தன.

இந்தப் பகுப்பாய்வு விவாதத்தை முடிப்பதில்லை, ஆனால் அதன் சொற்களை மாற்றுகிறது. க்வாண்டம் கணினிகள் AI-க்கு எப்போதாவது உதவுமா என்று கேட்பதற்குப் பதிலாக, எந்த மெஷின் லெர்னிங் சிக்கல்கள் இந்த தொகுதி-ஏற்றுதல் முறைக்கு சிறப்பாகப் பொருந்தும், மற்றும் கோட்பாட்டைச் சந்திக்க ஹார்ட்வேர் எவ்வளவு வேகமாக வளர முடியும் என்பதே துறையின் அதிகரிக்கும் கேள்வியாகலாம். இது இதுவரை க்வாண்டம் AI பற்றி நடந்த விவாதத்தைவிட மிகவும் திடமானதும் பயனுள்ளதுமான உரையாடல்.

இந்தக் கட்டுரை New Scientist-இன் செய்திப்படுத்தலை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.