EITC/AI/TFQML TensorFlow Quantum Machine Learning သည်ဂူဂဲလ် TensorFlow Quantum စာကြည့်တိုက်ကို Google Quantum Processor Sycamore ဗိသုကာပညာအတွက်အကောင်အထည်ဖော်ရန်ဥရောပအိုင်တီအသိအမှတ်ပြုလက်မှတ်ပရိုဂရမ်ဖြစ်သည်။
EITC/AI/TFQML TensorFlow Quantum Machine Learning ၏သင်ရိုးညွှန်းတမ်းသည်ဂူးဂဲလ်၏ TensorFlow Quantum စာကြည့်တိုက်ကို အသုံးပြု၍ ဂူဂဲလ် Quantum Processor Sycamore ဗိသုကာအပေါ် အခြေခံ၍ အဆင့်မြင့်ကွမ်တမ်တွက်ချက်မှုဆိုင်ရာမော်ဒယ်အခြေပြုစက်သင်ယူမှုအတွက်သီအိုရီဆိုင်ရာဗဟုသုတနှင့်လက်တွေ့ကျွမ်းကျင်မှုများကိုအဓိကထားသည်။ ဒီ EITC လက်မှတ်အတွက်ရည်ညွှန်းအဖြစ် didactic အကြောင်းအရာ။
TensorFlow Quantum (TFQ) သည်ကွမ်တမ် - ဂန္ထဝင် ML မော်ဒယ်များကိုလျင်မြန်စွာရှေ့ပြေးပုံစံပုံဖော်ခြင်းအတွက်ကွမ်တမ်စက်လေ့လာရေးစာကြည့်တိုက်ဖြစ်သည်။ ကွမ်တမ် algorithms နှင့်အသုံးချပရိုဂရမ်များကိုသုတေသနပြုခြင်းသည် Google ၏ကွမ်တန်တွက်ချက်မှုမူဘောင်များကို TensorFlow အတွင်းမှရယူနိုင်သည်။
TensorFlow Quantum သည်ကွမ်တန်အချက်အလက်များနှင့်ဟိုက်ဘရစ်ကွမ်တမ် - ဂန္ထဝင်မော်ဒယ်များကိုတည်ဆောက်သည်။ ၎င်းသည် Cirq (quantum circuits model အပေါ် အခြေခံ၍ ကွမ်တမ်ပရိုဂရမ်မူဘောင်) တွင်ဒီဇိုင်းပြုလုပ်ထားသောကွမ်တန်ကွန်ပျူတာ algorithms နှင့်ယုတ္တိဗေဒများကိုပေါင်းစပ်ပြီးအဆင့်မြင့်စွမ်းဆောင်ရည်ရှိသောကွမ်တမ် circuit simulators နှင့်အတူရှိပြီးသား TensorFlow APIs များနှင့်သဟဇာတဖြစ်သောကွမ်တန်ကွန်ပျူတာ Primitive များကိုထောက်ပံ့ပေးသည်။ TensorFlow Quantum အဖြူရောင်စာရွက်တွင်ပိုမိုဖတ်ပါ။
ကွမ်တမ်ကွန်ပျူတာသည်ကွန်ပျူတာကိုလုပ်ဆောင်ရန်ကွမ်တမ်ဖြစ်ရပ်များဖြစ်သော superposition နှင့်ရှုပ်ထွေးမှုများကိုအသုံးပြုခြင်းဖြစ်သည်။ ကွမ်တမ်တွက်ချက်မှုများကိုလုပ်ဆောင်သောကွန်ပျူတာများကိုကွမ်တန်ကွန်ပျူတာများအဖြစ်လူသိများသည်။ ကွမ်တန်ကွန်ပျူတာများသည်ဂဏန်းကွန်ပျူတာများထက်သိသိသာသာပိုမိုမြန်ဆန်ခြင်း (ဥပမာ - RSA encryption အခြေခံ) integer factorization ကဲ့သို့သောကွန်ပျူတာဆိုင်ရာပြproblemsနာများကိုဖြေရှင်းနိုင်သည်ဟုယုံကြည်ကြသည်။ ကွမ်တမ်ကွန်ပျူတာလေ့လာခြင်းသည်ကွမ်တန်သတင်းအချက်အလက်သိပ္ပံ၏နယ်ပယ်ခွဲတစ်ခုဖြစ်သည်။
ရူပဗေဒပညာရှင် Paul Benioff သည် Turing စက်၏ကွမ်တန်စက်မှုပုံစံကိုအဆိုပြုသည့်အခါကွမ်တမ်ကွန်ပျူတာကို ၁၉၈၀ အစောပိုင်းတွင်စတင်ခဲ့သည်။ Richard Feynman နှင့် Yuri Manin တို့ကကွမ်တန်ကွန်ပျူတာသည်ဂန္ထဝင်ကွန်ပျူတာတစ်လုံးမစွမ်းနိုင်သည့်အရာများကိုတုပရန်အလားအလာရှိကြောင်းနောက်ပိုင်းတွင်အကြံပြုခဲ့သည်။ ၁၉၉၄ တွင် Peter Shor သည် RSA-encrypted communications များကိုဖွင့်ရန်အလားအလာရှိသောဂဏန်းများကိုတွက်ချက်ရန် quantum algorithm ကိုတီထွင်ခဲ့သည်။ ၁၉၉၀ ပြည့်လွန်နှစ်များနှောင်းပိုင်း မှစ၍ စမ်းသပ်ဆဲတိုးတက်မှုများရှိသော်လည်းသုတေသီအများစုကမူအမှားခံနိုင်သည့်ကွမ်တမ်ကွန်ပျူတာသည်ဝေးလံသောအိပ်မက်တစ်ခုဖြစ်သည်ဟုယုံကြည်ကြသည်။ မကြာသေးမီနှစ်များအတွင်းအများပိုင်နှင့်ပုဂ္ဂလိကကဏ္ quant နှစ်ခုစလုံးတွင်ကွမ်တန်ကွန်ပျူတာသုတေသနသို့ရင်းနှီးမြှုပ်နှံမှုတိုးများလာခဲ့သည်။ ၂၀၁၁ အောက်တိုဘာ ၂၃ တွင်ဂူဂဲလ်အိုင်အက်စ်သည်အမေရိကန်အမျိုးသားလေကြောင်းနှင့်အာကာသအုပ်ချုပ်မှုအဖွဲ့ (NASA) နှင့်ပူးပေါင်းကာမည်သည့်ဂန္ထဝင်ကွန်ပျူတာ (ကွမ်တန်ကွပ်ကဲမှု၏ရလဒ်ဟုခေါ်သည်) တွင်မမြင်နိုင်သောကွမ်တမ်တွက်ချက်မှုတစ်ခုကိုပြုလုပ်ခဲ့သည်ဟုဆိုခဲ့သည်
ကွမ်တန်ကွန်ပျူတာများ (သို့မဟုတ်အစား၊ ကွမ်တန်ကွန်ပျူတာစနစ်များ) တွင်မူကွမ်တန်ပတ်လမ်းမော်ဒယ်၊ ကွမ်တန်တာюрစက်၊ အဒီးဘီဗတ်ကွမ်တမ်ကွန်ပျူတာ၊ တစ်လမ်းကွမ်တမ်ကွန်ပျူတာနှင့်အမျိုးမျိုးသောကွမ်တမ်ဆယ်လူလာကွန်ပျူတာများအပါအ ၀ င်ဖြစ်သည်။ အသုံးအများဆုံးမော်ဒယ်မှာကွမ်တန်ဆားကစ်ဖြစ်သည်။ Quantum circuit များသည် quantum bit (သို့မဟုတ်) qubit ပေါ်တွင်အခြေခံသည်။ ၎င်းသည်ဂန္ထဝင်တွက်ချက်မှုတွင် bit နှင့်အနည်းငယ်ဆင်တူသည်။ Qubits များသည် 1 သို့မဟုတ် 0 ကွမ်တမ်ပြည်နယ်တွင်ရှိနိုင်သည်၊ သို့မဟုတ်၎င်းတို့သည် 1 နှင့် 0 ပြည်နယ်များ၏အပေါ်ယံ၌ရှိနိုင်သည်။ quibits တိုင်းတာသည့်အခါသို့သော်တိုင်းတာခြင်း၏ရလဒ်အမြဲတမ်း 0 သို့မဟုတ် 1 ဖြစ်စေ; ဤရလဒ်နှစ်ခု၏ဖြစ်နိုင်ခြေများသည် qubits များသည်တိုင်းတာခြင်းမတိုင်မီချက်ချင်းရောက်ရှိသည့်ကွမ်တန်အခြေအနေပေါ်တွင်မူတည်သည်။
ရုပ်ပိုင်းဆိုင်ရာကွမ်တမ်ကွန်ပြူတာတည်ဆောက်ရန်တိုးတက်မှုသည်အရည်အသွေးမြင့်မားသည့် qubits များကိုဖန်တီးရန်ရည်ရွယ်သည့် transmons, ion traps နှင့် topological quantum kompjuters စသည့်နည်းပညာများကိုအာရုံစိုက်သည်။ ၎င်း qubits များသည်ကွမ်တန်ယုတ္တိဗေဒဂိတ်များ၊ ကွမ်တမ်လောင်ကျွမ်းမှုသို့မဟုတ် adiabatic ကွမ်တမ်တွက်ချက်မှုများဖြစ်သည့်ကွမ်တန်ကွန်ပျူတာအပြည့်အဝ၏ကွန်ပျူတာမော်ဒယ်ပေါ် မူတည်၍ ကွဲပြားခြားနားစွာဒီဇိုင်းဆွဲနိုင်သည်။ အသုံး ၀ င်သည့်ကွမ်တန်ကွန်ပြူတာများဆောက်လုပ်ရာတွင်သိသာသောအတားအဆီးများစွာရှိသည်။ အထူးသဖြင့်၎င်းတို့သည်ကွမ်တန် decoherence နှင့် state သစ္စာရှိမှုတို့ကြောင့်ဆင်းရဲသော qubits ၏ပြည်နယ်များကိုထိန်းသိမ်းရန်ခက်ခဲသည်။ ထို့ကြောင့်ကွမ်တမ်ကွန်ပျူတာများသည်အမှားပြင်ဆင်ရန်လိုအပ်သည်။ ဂန္ထဝင်ကွန်ပျူတာဖြင့်ဖြေရှင်းနိုင်သည့်မည်သည့်ကွန်ပျူတာပြproblemနာကိုမဆိုကွမ်တမ်ကွန်ပျူတာဖြင့်လည်းဖြေရှင်းနိုင်သည်။ အပြန်အလှန်အားဖြင့်ကွမ်တန်ကွန်ပျူတာဖြင့်ဖြေရှင်းနိုင်သည့်မည်သည့်ပြproblemနာကိုမဆိုဂန္တ ၀ င်ကွန်ပျူတာဖြင့်လည်းဖြေရှင်းနိုင်ပြီးအနည်းဆုံးမူအရလုံလောက်သောအချိန်ပေးနိုင်သည်။ တနည်းအားဖြင့်ကွမ်တန်ကွန်ပြူတာများသည် Church-Turing စာတမ်းကိုနာခံသည်။ ဆိုလိုသည်မှာကွမ်တန်ကွန်ပျူတာများသည်တွက်ချက်နိုင်ခြင်းအတွက်ဂန္ထဝင်ကွန်ပျူတာများထက်အပိုဆောင်းအားသာချက်များကိုပေးစွမ်းနိုင်ခြင်းမရှိသော်လည်းအချို့သောပြproblemsနာများအတွက်ကွမ်တန် algorithms သည်သက်ဆိုင်ရာသိထားသည့်ဂန္ထဝင် algorithms များနှင့်နှိုင်းယှဉ်လျှင်အချိန်ရှုပ်ထွေးမှုသိသိသာသာနိမ့်သည်။ မှတ်သားစရာမှာ၊ ကွမ်တန်ကွန်ပျူတာများသည်မည်သည့်ဖြစ်နိုင်ခြေရှိသောအချိန်၌မဆိုဂန္ထဝင်ကွန်ပျူတာမဖြေရှင်းနိုင်သောပြproblemsနာအချို့ကိုလျင်မြန်စွာဖြေရှင်းနိုင်လိမ့်မည်ဟုယုံကြည်ကြသည် -“ ကွမ်တမ်အမြန်နှုန်း” ဟုလူသိများသောလုပ်ရပ်တစ်ခုဖြစ်သည်။ ကွမ်တန်ကွန်ပျူတာများနှင့် ပတ်သက်၍ ပြcomplexနာများ၏တွက်ချက်မှုရှုပ်ထွေးမှုလေ့လာမှုကိုကွမ်တန်ရှုပ်ထွေးမှုသီအိုရီဟုလူသိများသည်။
Google Sycamore သည် Google Inc. ၏ Artificial Intelligence ဌာနမှဖန်တီးထားသောကွမ်တန်ပရိုဆက်ဆာဖြစ်သည်။ ဒါဟာ 53 qubits ပါဝင်သည်။
2019 ခုနှစ်တွင် Sycamore သည်သဘာဝစာတမ်းတစ်ခုအရနှစ်ပေါင်း ၁၀,၀၀၀ ပြီးဆုံးရန်နောက်ဆုံးပေါ်စူပါကွန်ပျူတာကိုယူလိမ့်မည်ဟု Google မှပြောကြားခဲ့သည် ထို့ကြောင့်ဂူဂဲလ်သည်ကွမ်တမ်သာဓကကိုအောင်မြင်ခဲ့ပြီဟုပြောဆိုခဲ့သည်။ ဂူဂဲလ်သည်ဂန္ထဝင်စူပါကွန်ပျူတာတစ်ခု၏အချိန်ကိုခန့်မှန်းရန်ကမ္ဘာပေါ်တွင်အင်အားအကောင်းဆုံးဂန္ထဝင်ကွန်ပျူတာဖြစ်သောထိပ်သီးအစည်းအဝေးတွင်ကွမ်တမ်ဆားကစ်ခြင်း simulation အချို့ကိုပြုလုပ်ခဲ့သည်။ နောက်ပိုင်းတွင် IBM အနေဖြင့် Summit ကဲ့သို့သောဂန္ထဝင်စနစ်တွင် ၂.၅ ရက်သာကြာလိမ့်မည်ဟုပြောဆိုခဲ့သည်။ အကယ်၍ ဂူဂဲလ်၏တောင်းဆိုမှုများကိုထောက်ခံပါက၎င်းသည်တွက်ချက်မှုစွမ်းအား၏ထပ်တိုးခုန်နှုန်းကိုကိုယ်စားပြုလိမ့်မည်။
၂၀၂၀ ပြည့်နှစ်သြဂုတ်လတွင်ဂူဂဲလ်မှအလုပ်လုပ်သောကွမ်တန်အင်ဂျင်နီယာများသည်ကွမ်တန်ကွန်ပျူတာ၌ဓာတုဗေဒဆိုင်ရာလေ့လာမှုကိုအများဆုံးဖော်ပြခဲ့သည် - Sycamore နှင့် Hartree-Fock ၏ခန့်မှန်းတွက်ချက်မှုသည်ဂန္ထဝင်ကွန်ပျူတာနှင့် တွဲ၍ 2020 -bit system အတွက် parameters အသစ်များအတွက်ရလဒ်များကိုခွဲခြမ်းစိတ်ဖြာခဲ့သည်။
၂၀၂၀ ဒီဇင်ဘာလတွင် USTC မှတီထွင်ခဲ့သောတရုတ်ဖိုတွန်အခြေစိုက် Jiuzhang ပရိုဆက်ဆာသည်စွမ်းဆောင်ရည် ၇၆ qubits ရရှိခဲ့ပြီး Sycamore ထက်အဆ ၁၀ ဘီလီယံပိုမိုမြန်ဆန်ပြီး၎င်းကိုကွမ်တမ်သာလွန်မှုအတွက်ဒုတိယကွန်ပျူတာဖြစ်လာသည်။
Quantum Artificial Intelligence Lab (Quantum AI Lab သို့မဟုတ် QuAIL ဟုလည်းခေါ်သည်) သည်နာဆာ၊ တက္ကသိုလ်များအာကာသသုတေသနအသင်းနှင့်ဂူဂဲလ် (အထူးသဖြင့်ဂူဂဲလ်သုတေသန) ၏ပူးတွဲ ဦး ဆောင်မှုတစ်ခုဖြစ်ပြီး၎င်း၏ရည်ရွယ်ချက်မှာကွမ်တန်ကွန်ပျူတာတွက်ချက်မှုသည်စက်သင်ယူမှုတွင်မည်သို့အထောက်အကူပြုနိုင်သည်ကိုသုတေသနပြုရန်ဖြစ်သည်။ နှင့်အခြားခက်ခဲကွန်ပျူတာသိပ္ပံပြproblemsနာများ။ ဒီဓာတ်ခွဲခန်းကို NASA ရဲ့ Ames Research Center မှာထားတယ်။
Quantum AI Lab ကို Google Research မှမေလ ၁၆ ရက် ၂၀၁၃ ခုနှစ်မေလ ၁၆ ရက်နေ့တွင်ဘလော့ဂ်တစ်ခုတွင်ကြေငြာခဲ့သည်။ လွှတ်တင်ချိန်တွင် D-Wave Systems မှစီးပွားဖြစ်ရရှိနိုင်သောအဆင့်မြင့်ဆုံးသော D-Wave Two ကွန်ပျူတာကိုအသုံးပြုခဲ့သည်။
၂၀၁၃ ခုနှစ်မေလ ၂၀ ရက်က Lab ရှိ D-Wave Two တွင်လူများကိုအချိန်သုံးရန်လျှောက်ထားနိုင်သည်ဟုကြေငြာခဲ့သည်။ ၂၀၁၃ ခုနှစ်အောက်တိုဘာ ၁၀ ရက်တွင်ဂူးဂဲလ်သည် Quantum AI Lab ၏လက်ရှိအခြေအနေကိုဖော်ပြသည့်ရုပ်ရှင်တိုတစ်စောင်ထုတ်ပြန်ခဲ့သည်။ ၂၀၁၃ ခုနှစ်အောက်တိုဘာ ၁၈ ရက်တွင်ဂူးဂဲလ်သည်ကွမ်တန်ရူပဗေဒကို Minecraft တွင်ထည့်သွင်းခဲ့ကြောင်းကြေငြာခဲ့သည်။
၂ ဝ ၁၄ ခုနှစ်ဇန်နဝါရီလတွင်ဂူဂဲလ်သည်ဓာတ်ခွဲခန်းရှိ D-Wave Two ၏စွမ်းဆောင်ရည်နှင့်ဂန္ထဝင်ကွန်ပျူတာများ၏စွမ်းဆောင်ရည်နှင့်နှိုင်းယှဉ်သောရလဒ်များကိုဖော်ပြခဲ့သည်။ ရလာဒ်များသည်မရေရာမှုများနှင့်အင်တာနက်ပေါ်တွင်ပြင်းထန်သောဆွေးနွေးမှုများကိုဖြစ်ပေါ်စေခဲ့သည်။ ၂၀၁၄ ခုနှစ်၊ စက်တင်ဘာ ၂ ရက်တွင် UC Santa Barbara နှင့် ပူးပေါင်း၍ Quantum AI Lab သည် superconducting electronics ကို အခြေခံ၍ ကွမ်တမ်သတင်းအချက်အလက်ပရိုဆက်ဆာများကိုတီထွင်ရန်စတင်ခဲ့သည်ဟုကြေငြာခဲ့သည်။
၂၀၁၁ ခုနှစ်အောက်တိုဘာ ၂၃ ရက်နေ့တွင် Quantum AI Lab ကစာတမ်းတစ်ခုတွင်၎င်းသည်ကွမ်တမ်အမြတ်ထုတ်မှုအောင်မြင်ခဲ့ကြောင်းကြေငြာခဲ့သည်။
Google AI Quantum သည် quantum computing တိုးတက်စေရန်အတွက်ကွမ်တန်ပရိုဆက်ဆာများနှင့်အသစ်သောကွမ်တမ် algorithms များကိုတီထွင်ခြင်းဖြင့်သုတေသီများနှင့် developer များအနေဖြင့်သီအိုရီနှင့်လက်တွေ့နှစ်ရပ်စလုံးအတွက်ရေရှည်ပြtermနာများကိုဖြေရှင်းနိုင်ရန်ကူညီသည်။
ကွမ်တန်ကွန်ပျူတာသည် AI အပါအ ၀ င်မနက်ဖြန်၏တီထွင်မှုများဖွံ့ဖြိုးတိုးတက်ရေးအတွက်အထောက်အကူပြုသည်။ ထို့ကြောင့်ဂူးဂဲလ်သည်သီးသန့်ကွမ်တမ်ဟာ့ဒ်ဝဲနှင့်ဆော့ဖ်ဝဲကိုတည်ဆောက်ရန်သိသာထင်ရှားသည့်အရင်းအမြစ်များကိုအပ်နှံခဲ့သည်။
ကွမ်တမ်ကွန်ပျူတာသည် AI အတွက်လုပ်ငန်းများကိုအရှိန်မြှင့်ရာတွင်ကြီးမားသောအခန်းကဏ္ play မှပါ ၀ င်မည့်အသစ်သောပါရာဒိုင်းဖြစ်သည်။ ဂူဂဲလ်သည်သုတေသီများနှင့် developer များအားဂန္ထဝင်တွက်ချက်မှုစွမ်းရည်ထက် ကျော်လွန်၍ လုပ်ကိုင်နိုင်သော open source frameworks နှင့် computing power ကိုရယူရန်ရည်ရွယ်သည်။
Google AI Quantum ၏အဓိကအာရုံစိုက်ရာများမှာ
- Superconducting qubit processors: two-qubit gate အမှား <0.5% ကိုပစ်မှတ်ထားတဲ့ chip-based အရွယ်မှာရှိတဲ့ဗိသုကာနှင့်အတူစွမ်းအင် quibits ။
- Qubit metrology: ၀.၂% အောက် ၂ ခုထိဆုံးရှုံးမှုကိုလျှော့ချခြင်းသည်အမှားပြင်ဆင်ရန်အတွက်အလွန်အရေးကြီးသည်။ ကျွန်ုပ်တို့သည်ခေတ်မီဂန္ထဝင်ကွန်ပျူတာများနှင့် algorithms များ၏စွမ်းဆောင်နိုင်မှုများထက်ကျော်လွန်သောကွမ်တန်ပတ်လမ်းတစ်ခုကိုခန့်မှန်းနိုင်ရန်အတွက်ကွမ်တမ်အားစမ်းသပ်မှုတစ်ခုကိုလုပ်ဆောင်နေသည်။
- ကွမ်တမ်တွက်ချက်ခြင်း - ရုပ်ပိုင်းဆိုင်ရာစနစ်များကိုပုံဖော်ခြင်းသည်ကွမ်တမ်ကွန်ပျူတာ၏မျှော်မှန်းထားသည့်အသုံးအနှုန်းများတွင်တစ်ခုအပါအ ၀ င်ဖြစ်သည်။ ကျွန်ုပ်တို့သည်အထူးသဖြင့်ဓာတုဗေဒနှင့်ပစ္စည်းများသိပ္ပံတွင်အသုံးပြုသောအီလက်ထရွန်များအားအပြန်အလှန်အကျိုးသက်ရောက်စေသောမော်ဒယ်လ်စနစ်များအတွက်ကွမ်တမ် algorithms ကိုအထူးအာရုံစိုက်သည်။
- ကွမ်တမ်ကူညီမှုပိုကောင်းအောင်ပြုလုပ်ခြင်း - ကျွန်ုပ်တို့သည်အနီးစပ်ဆုံးတိုးမြှင့်ခြင်းအတွက်ဟိုက်ဘရစ်ကွမ်တမ် - ဂန္ထဝင် solver များတီထွင်နေသည်။ စွမ်းအင်အတားအဆီးများကိုကျော်လွှားရန်ဂန္ထဝင် algorithms များတွင်အပူခုန်ခြင်းကိုကွမ်တန်အဆင့်မြှင့်တင်ခြင်းအားဖြင့်မြှင့်တင်နိုင်သည်။ ကျွန်ုပ်တို့သည်အထူးသဖြင့်လူ ဦး ရေသယ်ယူပို့ဆောင်ရေးကိုစိတ်ဝင်စားသည်။
- ကွမ်တမ်အာရုံကြောကွန်ယက်များ - ကျွန်ုပ်တို့သည်ကာလတိုပရိုဆက်ဆာများတွင်ကွမ်တန်အာရုံကြောကွန်ယက်ကိုအကောင်အထည်ဖော်ရန်မူဘောင်တစ်ခုကိုတီထွင်နေသည်။ ကွန်ယက်လည်ပတ်နေစဉ်အတွင်းကြီးမားသော superposition state များထုတ်လုပ်ခြင်းမှမည်သည့်အကျိုးကျေးဇူးများရနိုင်သည်ကိုနားလည်ရန်ကျွန်ုပ်တို့စိတ်ဝင်စားသည်။
Google AI Quantum မှတီထွင်ခဲ့သောအဓိကကိရိယာများမှာလက်တွေ့ပြproblemsနာများအတွက်အနီးအနားရှိအသုံးချမှုများကိုဖြေရှင်းနိုင်ရန်အတွက်အသစ်သောဝတ္ထုကွမ်တမ် algorithms ကိုတီထွင်ရန်အတွက်ရည်ရွယ်ထုတ်လုပ်ထားသည့် open-source frameworks ဖြစ်သည် ဤရွေ့ကားပါဝင်သည်:
- Cirq - အနီးအနားရှိကွမ်တမ်ပရိုဆက်ဆာများပေါ်တွင်ဆူညံသည့်အလယ်အလတ်စကေးကွမ်တမ် (NISQ) algorithms များတည်ဆောက်ခြင်းနှင့်စမ်းသပ်ခြင်းအတွက် open-source ကွမ်တမ်မူဘောင်
- OpenFermion - ဓာတုဗေဒဆိုင်ရာနှင့်ပစ္စည်းများသိပ္ပံဆိုင်ရာပြproblemsနာများကိုလက်ရှိပလက်ဖောင်းများပေါ်တွင်လုပ်ဆောင်နိုင်သည့်ကွမ်တမ်ဆားကစ်များသို့ဘာသာပြန်ခြင်းအတွက်ပွင့်လင်းသောအရင်းအမြစ်ပလက်ဖောင်းတစ်ခု
ဂူဂဲလ် AI Quantum ၏အနီးကပ်အသုံးချပရိုဂရမ်များမှာ -
ကွမ်တမ်ခြင်း simulation
ပစ္စည်းများအသစ်၏ဒီဇိုင်းနှင့်ရှုပ်ထွေးသောရူပဗေဒ၏ရှင်းလင်းတိကျသောဓာတုဗေဒနှင့် condensed ပစ္စည်းမော်ဒယ်များမှတဆင့်ရှုပ်ထွေးသောရူပဗေဒ၏ရှင်းလင်းခြင်းကွမ်တမ်ကွန်ပျူတာ၏အလားအလာအကောင်းဆုံး applications များထဲမှဖြစ်ကြသည်။
အမှားလျှော့ချရေးနည်းစနစ်များ
ကျွန်ုပ်တို့သည်လက်ရှိထုတ်ကုန်များတွင်ဆူညံသံကိုသိသိသာသာလျှော့ချနိုင်သည့်အပြည့်အဝကွမ်တမ်အမှားပြင်ဆင်ချက်ကိုလမ်းပေါ်တွင်နည်းလမ်းများတီထွင်ရန်အလုပ်လုပ်သည်။ Full-scale fault tolerant quantum computing သည်တိုးတက်မှုများစွာလိုအပ်လိမ့်မည်ဖြစ်သော်လည်းအနီးအနားရှိထုတ်ကုန်များပေါ်တွင် application များ၏စွမ်းဆောင်ရည်ကိုတိုးတက်စေရန်ကွမ်တမ်အမှားပြင်ဆင်ခြင်းမှနည်းပညာများကိုအသုံးချနိုင်ရန်ကျွန်ုပ်တို့သည် quantum subspace ချဲ့ထွင်နည်းကိုတီထွင်ခဲ့သည်။ ထို့အပြင်ဤနည်းစနစ်များသည်မဝေးတော့သောထုတ်ကုန်များပေါ်တွင်ရှုပ်ထွေးသောကွမ်တမ်ကုဒ်များကိုစမ်းသပ်ရန်လွယ်ကူစေသည်။ ကျွန်ုပ်တို့သည်ဤနည်းစနစ်များကိုnewရိယာအသစ်များသို့တက်ကြွစွာတွန်းအားပေးပြီးအနီးအနားရှိစမ်းသပ်မှုများ၏ဒီဇိုင်းအတွက်အခြေခံအဖြစ်အသုံးချနေသည်။
ကွမ်တမ်စက်သင်ယူမှု
ကျွန်ုပ်တို့သည်အနီးအနားရှိကွမ်တမ်ကိရိယာများကိုစပ်စပ်ကွမ်တမ် - ဂန္ထဝင်စက်သင်ခြင်းနည်းစနစ်များကိုတီထွင်နေကြသည်။ ကျွန်ုပ်တို့သည်ကွမ်တန်နှင့်ဂန္ထဝင်ဒေတာများကိုခွဲခြားရန်နှင့်စုစည်းရန်အတွက်ကမ္ဘာလုံးဆိုင်ရာကွမ်တမ် circuit လေ့လာခြင်းကိုလေ့လာနေသည်။ ကျွန်ုပ်တို့သည်ကွမ်တန်ဆက်သွယ်ရေးကွန်ယက်များအတွင်း၌ကွမ်တမ်ထပ်ခါတလဲလဲပြုလုပ်ရန်နှင့်ပြည်နယ်သန့်စင်ရေးယူနစ်များအနေနှင့်သို့မဟုတ်အခြားကွမ်တမ်ဆားကစ်များအတည်ပြုရန်အတွက်အသုံးပြုနိုင်သောယေဘူယျနှင့်ခွဲခြားဆက်ဆံမှုရှိသောကွမ်တန်အာရုံကြောကွန်ယက်များကိုလည်းစိတ်ဝင်စားသည်။
ကွမ်တမ် Optimization
လေကြောင်း၊ မော်တော်ယာဉ်နှင့်အခြားစက်မှုလုပ်ငန်းများအတွက်တိကျစွာကြိုတင်ပြင်ဆင်မှုများသည်စပ်စပ်ကွမ်တမ် - ဂန္ထဝင်တိုးတက်မှုများမှအကျိုးဖြစ်ထွန်းစေနိုင်သည်။ ဥပမာ simulated annealing, quantum assistim optimization algorithm (QAOA) နှင့်လူ ဦး ရေတိုးမြှင့်ခြင်းတို့ကယနေ့ပရိုဆက်ဆာများနှင့်အသုံးဝင်သည်။
အောင်လက်မှတ် သင်ရိုးညွှန်းတမ်းနှင့် အသေးစိတ် သိစေရန်အတွက် အောက်ပါဇယားကို ချဲ့ထွင်ပြီး ခွဲခြမ်းစိတ်ဖြာနိုင်ပါသည်။
EITC/AI/TFQML TensorFlow Quantum Machine Learning Certification Curriculum သည် ပွင့်လင်းမြင်သာမှုရှိသော သင်ကြားရေးဆိုင်ရာ အရာများကို ဗီဒီယိုပုံစံဖြင့် ကိုးကားပါသည်။ သင်ယူမှုလုပ်ငန်းစဉ်အား သက်ဆိုင်ရာ သင်ရိုးအပိုင်းများကို အကျုံးဝင်သော အဆင့်ဆင့်ဖွဲ့စည်းပုံ (ပရိုဂရမ်များ -> သင်ခန်းစာများ -> ခေါင်းစဉ်များ) ဖြင့် ပိုင်းခြားထားပါသည်။ ဒိုမိန်းကျွမ်းကျင်သူများနှင့် အကန့်အသတ်မရှိ အကြံပေးခြင်းကိုလည်း ဆောင်ရွက်ပေးပါသည်။
Certification လုပ်ထုံးလုပ်နည်းအသေးစိတ်အတွက် စစ်ဆေးပါ။ ဘယ်လိုအလုပ်လုပ်လဲ.
သင်ရိုးညွှန်းတမ်းကိုးကားစရာအရင်းအမြစ်များ
TensorFlow Quantum (TFQ) သည်ကွမ်တမ် - ဂန္ထဝင် ML မော်ဒယ်များကိုလျင်မြန်စွာရှေ့ပြေးပုံစံပုံဖော်ခြင်းအတွက်ကွမ်တမ်စက်လေ့လာရေးစာကြည့်တိုက်ဖြစ်သည်။ ကွမ်တမ် algorithms နှင့် application များတွင်သုတေသနပြုခြင်းသည် Google ၏ကွမ်တန်တွက်ချက်မှုမူဘောင်များကို TensorFlow အတွင်းမှရရှိသည်။ TensorFlow Quantum သည်ကွမ်တန်အချက်အလက်များနှင့်ဟိုက်ဘရစ်ကွမ်တမ် - ဂန္ထဝင်မော်ဒယ်များကိုတည်ဆောက်သည်။ ၎င်းသည် Cirq တွင်ဒီဇိုင်းပြုလုပ်ထားသောကွမ်တန်ကွန်ပျူတာ algorithms နှင့်ယုတ္တိဗေဒကိုပေါင်းစပ်ပြီးစွမ်းရည်မြင့်ကွမ်တမ် circuit simulators နှင့်အတူရှိပြီးသား TensorFlow APIs များနှင့်လိုက်ဖက်သောကွမ်တန်ကွန်ပျူတာ Primitives များကိုထောက်ပံ့ပေးသည်။ TensorFlow Quantum အဖြူရောင်စာရွက်တွင်ပိုမိုဖတ်ပါ။ အပိုဆောင်းရည်ညွှန်းအဖြစ်သင်ခြုံငုံသုံးသပ်ထွက်စစ်ဆေးနှင့်မှတ်စုစာအုပ် tutorial ကို run နိုင်ပါတယ်။
https://www.tensorflow.org/quantum
Circq
Cirq သည် Noisy Intermediate Scale Quantum (NISQ) ကွန်ပျူတာများအတွက် open-source framework တစ်ခုဖြစ်သည်။ ၎င်းကို Google AI Quantum အဖွဲ့ကတီထွင်ခဲ့ပြီးအများပြည်သူဆိုင်ရာ alpha ကို ၂၀၁၁ ခုနှစ်၊ ဇူလိုင်လ ၁၈ ရက်တွင်အပြည်ပြည်ဆိုင်ရာ Quantum Software နှင့် Quantum Machine Learning ဆိုင်ရာအပြည်ပြည်ဆိုင်ရာအလုပ်ရုံဆွေးနွေးပွဲတွင်ကြေငြာခဲ့သည် QC Ware မှသရုပ်ပြစဉ်က QAOA ၏အများဆုံးဖြတ်တောက်မှုကိုဖြေရှင်းခြင်း၏အကောင်အထည်ဖော်မှုကိုပြသခဲ့သည်။ ပြCနာတစ်ခု Cirq Simulator အပေါ်ဖြေရှင်းခံရ။ Cirq ရှိ Quantum အစီအစဉ်များကို "Circuit" နှင့် "Schedule" ဖြင့်ကိုယ်စားပြုပြီး "Circuit" သည် Quantum circuit ကိုကိုယ်စားပြုပြီး "Schedule" သည် Quantum circuit ကိုအချိန်နှင့်တပြေးညီဖော်ပြပေးသည်။ အဆိုပါအစီအစဉ်များကိုဒေသခံ Simulator မြားအပေါ်ကွပ်မျက်နိုင်ပါတယ်။ အောက်ပါဥပမာသည် Cirq တွင် Bell state ကိုမည်သို့တိုင်းတာသည်နှင့်တိုင်းတာသည်။
တင်သွင်း cirq
# qubits Pick
qubit0 = cirq.GridQubit(0, 0)
qubit1 = cirq.GridQubit(0, 1)
# တိုက်နယ်တစ်ခုဖန်တီးပါ
ဆားကစ် = cirq.တိုက်နယ်.from_ops(
cirq.H(qubit0),
cirq.CNOT(qubit0, qubit1),
cirq.အတိုင်းအတာ(qubit0, သော့='m0'),
cirq.အတိုင်းအတာ(qubit1, သော့='m1')
)
ဆားကစ်ပုံနှိပ်ခြင်းက၎င်း၏ပုံဖော်ပြသည်
ပုံနှိပ်(ဆားကစ်)
# ပုံနှိပ်
# (0, 0): ───H─── @ ───M ('m0') ───
# │
# (0, 1): ───────X───M ('m1') ───
Circuit ကိုထပ်တလဲလဲပြုလုပ်ခြင်းသည် qubits ၏တိုင်းတာမှုများသည်ဆက်နွယ်နေကြောင်းထပ်တလဲလဲဖော်ပြသည်။
Simulator ကို = cirq.Simulator()
ရလဒ် = Simulator ကို.ပွေးသှား(ဆားကစ်, အထပ်ထပ်=5)
ပုံနှိပ်(ရလဒ်)
# ပုံနှိပ်
# m0 = 11010
# m1 = 11010
EITC/AI/TFQML TensorFlow Quantum Machine Learning ပရိုဂရမ်အတွက် ပြီးပြည့်စုံသော အော့ဖ်လိုင်း ကိုယ်ပိုင်သင်ယူခြင်းဆိုင်ရာ ကြိုတင်ပြင်ဆင်မှုပစ္စည်းများကို PDF ဖိုင်တွင် ဒေါင်းလုဒ်လုပ်ပါ။
EITC/AI/TFQML ကြိုတင်ပြင်ဆင်ပစ္စည်းများ - စံဗားရှင်း
EITC/AI/TFQML ကြိုတင်ပြင်ဆင်ပစ္စည်းများ - ပြန်လည်သုံးသပ်မေးခွန်းများဖြင့် တိုးချဲ့ဗားရှင်း