शास्त्रीय मशीन लर्निंग (एमएल) एल्गोरिदम छवि और वाक् पहचान सहित कार्यों की एक विस्तृत श्रृंखला के लिए शक्तिशाली उपकरण साबित हुए हैं, प्राकृतिक भाषा प्रसंस्करण (एनएलपी), और भविष्य कहनेवाला मॉडलिंग। हालांकि, शास्त्रीय एल्गोरिदम शास्त्रीय कंप्यूटिंग की बाधाओं से सीमित हैं और बड़ी और बड़ी प्रक्रिया के लिए संघर्ष कर सकते हैं जटिल डेटासेट या उच्च स्तर की सटीकता और सटीकता प्राप्त करें।

क्वांटम मशीन लर्निंग (QML) दर्ज करें।

क्यूएमएल की शक्ति को जोड़ती है क्वांटम कम्प्यूटिंग शास्त्रीय एल्गोरिदम की सीमाओं को दूर करने और प्रदर्शन में सुधार की पेशकश करने के लिए एमएल की भविष्य कहनेवाला क्षमताओं के साथ। उनके पेपर में "क्वांटम-कम्प्यूटेशनल स्पीड-अप में उलझन की भूमिका परयूके में ब्रिस्टल विश्वविद्यालय के रिचर्ड जोजसा और नील लिंडेन लिखते हैं कि "क्यूएमएल एल्गोरिदम कुछ कार्यों के लिए अपने शास्त्रीय समकक्षों पर घातीय गति-अप प्रदान करने का वादा करता है, जैसे डेटा वर्गीकरण, फीचर चयन और क्लस्टर विश्लेषण। . विशेष रूप से, पर्यवेक्षित और अनुपयोगी शिक्षण के लिए क्वांटम एल्गोरिदम के उपयोग में मशीन लर्निंग में क्रांति लाने की क्षमता है और कृत्रिम बुद्धिमत्ता".

क्यूएमएल बनाम क्लासिकल मशीन लर्निंग

ज़ोहरा लधाक्रेडेंस में डेटा साइंस और एआई के वरिष्ठ निदेशक का कहना है कि क्यूएमएल पारंपरिक मशीन लर्निंग से कई प्रमुख तरीकों से अलग है:

पारंपरिक मशीन लर्निंग एल्गोरिदम, जो शास्त्रीय कंप्यूटिंग तकनीकों पर निर्भर करते हैं और इन क्वांटम क्षमताओं की कमी होती है, कुछ मामलों में धीमी या कम सटीक हो सकती है।

QML यात्रा: अनुसंधान से वास्तविक दुनिया तक

1980 के दशक में क्वांटम मशीन लर्निंग पर शोध शुरू हुआ। 1990 के दशक के अंत और 2000 के दशक की शुरुआत में, शोधकर्ताओं ने क्वांटम विकसित किया तंत्रिका जाल मशीन लर्निंग के लिए क्वांटम सिस्टम की क्षमता प्रदर्शित करने के लिए जिसे डेटा में पैटर्न को पहचानने के लिए प्रशिक्षित किया जा सकता है। इन नेटवर्कों को तब से वास्तविक दुनिया की समस्याओं की एक विस्तृत श्रृंखला में लागू किया गया है।

एक दशक बाद, शोधकर्ताओं ने मशीन सीखने के कार्यों के लिए क्वांटम एल्गोरिदम और सॉफ्टवेयर टूल विकसित किए। इनमें लोकप्रिय मशीन लर्निंग एल्गोरिदम जैसे सपोर्ट वेक्टर मशीन, डिसीजन ट्री और न्यूरल नेटवर्क के क्वांटम वर्जन शामिल हैं।

क्यूएमएल के विकास में क्वांटम कंप्यूटर का विकास भी एक महत्वपूर्ण कारक रहा है। 2010 और 2020 के दशक में, कई कंपनियों और अनुसंधान समूहों ने क्वांटम कंप्यूटर विकसित किए जो मशीन सीखने के कार्यों को कर सकते थे। इनमें गेट-आधारित क्वांटम कंप्यूटर और दोनों शामिल थे मात्रा एनीलर्स. 2020 तक, QML को व्यापक रूप से पैटर्न मान्यता, प्राकृतिक भाषा प्रसंस्करण और अनुकूलन सहित अनुप्रयोगों में अपनाया जाने लगा।

आज, क्यूएमएल के सबसे आशाजनक अनुप्रयोगों में से एक ड्रग डिस्कवरी है। पारंपरिक दवा खोज प्रक्रिया धीमी, महंगी और असंगत हो सकती है। QML में प्रक्रिया को गति देने की क्षमता है। "खोजने में हमारी प्रारंभिक सफलता के बाद कोविड-19 चिकित्सीय अणुटेक महिंद्रा में मेकर्स लैब के वैश्विक प्रमुख निखिल मल्होत्रा ​​​​ने कहा, हम अब छोटे अणुओं को उत्पन्न करने के लिए जगह का विस्तार करना चाहते थे। "क्वांटम जीएएन या हाइब्रिड जीएएन पीढ़ी कुछ ऐसा है जिसे हम छोटे अणुओं के लिए आजमा रहे हैं। मेरा मानना ​​है कि यह दवा की खोज और यहां तक ​​कि उपन्यास दवा निर्माण को भी महत्वपूर्ण रूप से आगे बढ़ाएगा।

वित्तीय बाजार एक अन्य क्षेत्र है जहां क्यूएमएल ने आशा दिखाई है। ए 2021 कागज एप्लाइड रिसर्च एंड इंजीनियरिंग के जेपी मॉर्गन की फ्यूचर लैब से निष्कर्ष निकाला गया कि क्यूएमएल परिसंपत्ति मूल्य निर्धारण, अस्थिरता की भविष्यवाणी, विदेशी विकल्पों के परिणाम की भविष्यवाणी, धोखाधड़ी का पता लगाने, स्टॉक चयन, हेज फंड चयन, एल्गोरिथम ट्रेडिंग, मार्केट-मेकिंग, वित्तीय पूर्वानुमान जैसे कार्य कर सकता है। लेखा और लेखा परीक्षा, और जोखिम मूल्यांकन शास्त्रीय एल्गोरिदम की तुलना में बहुत तेज और अधिक सटीक है।

क्वांटम मशीन लर्निंग का 2023 का वादा

लधा ने कहा, "क्यूएमएल एक रोमांचक और तेजी से विकसित होने वाला क्षेत्र है जिसमें उद्योगों और अनुप्रयोगों की एक विस्तृत श्रृंखला को महत्वपूर्ण रूप से प्रभावित करने की क्षमता है।" 2023 के लिए, वह भविष्यवाणी करती है कि क्वांटम एल्गोरिदम में कुछ मशीन सीखने के कार्यों को तेजी से और अधिक सटीक रूप से करने की क्षमता है, विशेष रूप से छवि और भाषण मान्यता जैसे कार्यों के लिए, जिसमें बड़ी मात्रा में डेटा को संसाधित करने की आवश्यकता होती है। वह यह भी बताती हैं कि QML अनुकूलन समस्याओं को संबोधित कर सकता है जो अक्सर मशीन सीखने के कार्यों में उत्पन्न होती हैं और शास्त्रीय एल्गोरिदम का उपयोग करके हल करना मुश्किल होता है। लधा भविष्यवाणी करता है कि क्वांटम एल्गोरिदम की इन समस्याओं को अधिक कुशलता से हल करने की क्षमता वित्त और रसद को लाभान्वित कर सकती है।

साइबर सुरक्षा एक अन्य क्षेत्र है जहां वह क्यूएमएल के प्रभाव डालने की भविष्यवाणी करती है। "साइबर हमलों का पता लगाने और रोकने के लिए अधिक परिष्कृत एल्गोरिदम विकसित करके, क्वांटम मशीन लर्निंग सिस्टम की सुरक्षा में सुधार कर सकती है," उसने कहा।

मल्होत्रा ​​​​ने तकनीक में थोड़ी गहराई से खुदाई करते हुए कहा कि वह क्वांटम मशीन लर्निंग एल्गोरिदम के रूप में क्वांटम मशीन पर आजमाए जाने वाले एमएल एल्गोरिदम के विशाल बहुमत को देखने की उम्मीद करते हैं, विशेष रूप से कृत्रिम तंत्रिका नेटवर्क पर। “हमने QNLP, Q-GAN और यहां तक ​​​​कि क्वांटम सर्किट पर सीखने की शुरुआत जैसे शुरुआती प्रतिपादन देखे हैं। मैं 2023 में बढ़ने की प्रवृत्ति का अनुमान लगाता हूं, ”उन्होंने कहा।

क्वांटम मशीन लर्निंग चुनौतियां बनी हुई हैं

क्यूएमएल अपने वादे के कारण एक बड़ी बात है। साक्ष्य बताते हैं कि मशीन लर्निंग मॉडल को हमारी वर्तमान शास्त्रीय तकनीकों की तुलना में कम डेटा के साथ उच्च सटीकता के लिए प्रशिक्षित किया जा सकता है। हालाँकि, के अनुसार स्कॉट Buchholzडेलोइट कंसल्टिंग एलएलपी में सरकार और सार्वजनिक सेवाओं की वैश्विक क्वांटम लीड और सीटीओ, सवालों का जवाब, "कितना कम?" और "कितना तेज?" QML निम्नलिखित चुनौतियों के कारण नियमित रूप से परिवर्तन करता है:

• "हार्डवेयर के मामले में, अस्तित्व में सबसे शक्तिशाली क्वांटम कंप्यूटर आज भी सीमित हैं - खासकर जब आज के सबसे शक्तिशाली सर्वरों की तुलना में। हम आशा करते हैं कि आने वाले वर्षों में परिवर्तन होगा क्योंकि क्वांटम कंप्यूटिंग प्रौद्योगिकी के आगे बढ़ने और बढ़ने के लिए कहीं अधिक जगह है।

• “सॉफ्टवेयर और एल्गोरिदम के संदर्भ में, क्वांटम कंप्यूटर आज के कंप्यूटरों की तुलना में मौलिक रूप से अलग तरह से काम करते हैं। नतीजतन, शोधकर्ता क्वांटम कंप्यूटरों पर समस्याओं को मैप करने के सर्वोत्तम तरीकों का पता लगाने की कोशिश कर रहे हैं (और वास्तव में, यह निर्धारित करना कि क्वांटम कंप्यूटरों पर हल करने के लिए कौन सी समस्याएं उपयोगी हो सकती हैं)। जैसे-जैसे हम बेहतर-सामान्यीकृत मैपिंग के साथ आते हैं, वैसे-वैसे दूसरों के लिए क्वांटम कंप्यूटरों के लिए 'अपनी समस्याएं लाना' आसान हो जाता है।

"वर्षों से, QML सक्रिय अनुसंधान का एक क्षेत्र रहा है - और बना रहेगा। जैसा कि हार्डवेयर और सॉफ्टवेयर की परिपक्वता में सुधार होता है, हम देख सकते हैं कि संगठन उत्पादन वर्कलोड में क्यूएमएल के उपयोग का मूल्यांकन करना शुरू कर देते हैं," बुखोलज़ ने जारी रखा। "चूंकि हम अभी भी ऐसी मशीन बनाने से कुछ साल दूर हैं जो उत्पादन क्यूएमएल वर्कलोड चला सके, हम क्यूएमएल में कला की स्थिति को आगे बढ़ा रहे हैं क्योंकि हार्डवेयर में सुधार जारी है। लेकिन मैं 2023 के दौरान वृद्धिशील QML प्रगति की आशा करता हूं - यानी, मात्रा बढ़ाने, डेटा लोड करने और मॉडल चलाने के लिए तकनीकों में सुधार करना जारी रखना।