পদার্থবিদ্যায় মেশিন লার্নিং

উইকিপিডিয়া, মুক্ত বিশ্বকোষ থেকে
কোয়ান্টাম বলবিজ্ঞান

শ্রোডিঙ্গারের সমীকরন এর হ্যামিলটনীয় রুপ

ভূমিকা
গাণিতিক সূত্রায়ন

কোয়ান্টাম সিস্টেমের (কখনও কখনও কোয়ান্টাম মেশিন লার্নিং নামে পরিচিত) গবেষণায় মেশিন লার্নিংয়ের চিরায়ত পদ্ধতি প্রয়োগ করা পদার্থবিদ্যার গবেষণার উদীয়মান ক্ষেত্রের কেন্দ্রবিন্দু। এর একটি প্রাথমিক উদাহরণ কোয়ান্টাম স্টেট টোমোগ্রাফি, যেখানে একটি কোয়ান্টাম অবস্থা পরিমাপ থেকে শেখা হয়।[১] অন্যান্য উদাহরণগুলির মধ্যে রয়েছে লার্নিং হ্যামিলটোনীয়ান,[২] লার্নিং কোয়ান্টাম ফেজ ট্রানজিশন,[৩] এবং স্বয়ংক্রিয়ভাবে নতুন কোয়ান্টাম পরীক্ষা-নিরীক্ষা তৈরি করা।[৪][৫][৬][৭][৮] ক্লাসিকাল মেশিন লার্নিং কোয়ান্টাম ইনফরমেশন থিওরি, কোয়ান্টাম টেকনোলজিস ডেভলপমেন্ট এবং কম্পিউটেশনাল ম্যাটেরিয়াল ডিজাইনের ক্ষেত্রে এর প্রয়োগকে দরকারী করে যেখানে অজানা কোয়ান্টাম সিস্টেমটিকে চিহ্নিত করার জন্য প্রচুর পরিমাণে পরীক্ষামূলক বা গণনা করা ডেটা প্রক্রিয়াজাতকরণে কার্যকর হয়। এই প্রসঙ্গে উদাহরণস্বরূপ এটি প্রাক-গণনা করা আন্তঃপারমাণবিক সম্ভাবনাগুলি[৯] বা সরাসরি একটি পরিবর্তনশীল পদ্ধতিতে শ্রোডিঙার সমীকরণ সমাধান করার হাতিয়ার হিসাবে ব্যবহার করা যেতে পারে।[১০]

পদার্থবিদ্যায় মেশিন লার্নিংয়ের প্রয়োগ[সম্পাদনা]

গোলমাল তথ্য[সম্পাদনা]

মেশিন লার্নিং ও আর্টিফিশিয়াল ইন্টেলিজেন্স এর তুলনা

ক্রমবর্ধমান জটিল কোয়ান্টাম সিস্টেমগুলি পরীক্ষামূলকভাবে নিয়ন্ত্রণ ও প্রস্তুত করার সক্ষমতা বৃহত্তর এবং গোলমালী ডেটা সেটগুলিকে অর্থবহ তথ্যে পরিণত করার ক্রমবর্ধমান প্রয়োজনীয়তা দেখা দেয়। এটি এমন একটি সমস্যা যা ইতিমধ্যে চিরায়ত বিন্যাসে ব্যাপকভাবে আলোচনা করা হয়েছে এবং ফলস্বরূপ প্রচুর পুরাতন মেশিন লার্নিং কৌশল আরও দক্ষ পরীক্ষামূলক সমস্যার সাথে স্বাভাবিকভাবে পরিবর্তিত হতে পারে। উদাহরণস্বরূপ কোয়ান্টাম স্টেট শ্রেণিবিন্যাস,[১১] লার্নিং হ্যামিলটোনীয়ান,[১২] এবং একটি অজানা ঐকিক রূপান্তরের চরিত্রায়ন মোকাবেলায় বায়েশিয়ান পদ্ধতি এবং অ্যালগরিদমিক শিক্ষার ধারণাগুলি কার্যকরভাবে প্রয়োগ করা যেতে পারে।[১৩][১৪] এই পদ্ধতির সাথে সম্পর্কিত অন্যান্য সমস্যাগুলি নীচের তালিকায় দেওয়া হল:

  • হ্যামিলটোনীয় পুনর্গঠনের মাধ্যমে কোয়ান্টাম সিস্টেমের গতিশীলতার জন্য সঠিক মডেল সনাক্তকরণ।[১৫][১৬][১৭]
  • অজানা অবস্থা থেকে তথ্য সংগ্রহ।[১][১১][১৮][১৯][২০][২১]
  • অজানা একক রূপান্তরকরণ এবং পরিমাপ শিক্ষণ।[১৩][১৪]
  • সময় নির্ভর বা অনির্ভর হ্যামিল্টনীয়ান ব্যবহার করে যুগল-মিথস্ক্রিয়ার সাথে কিউবিট নেটওয়ার্ক থেকে কোয়ান্টাম গেটগুলির প্রকৌশল করা।[২২][২৩]
  • একটি আদর্শ রেফারেন্স ফ্রেমের জেনারেশন দ্বারা অতি-শীতল পরমাণুর (ফার্মি গ্যাসকে অধঃপতিত) শোষণ চিত্র থেকে বাহ্যিক পর্যবেক্ষণের নিষ্কাশন নির্ভুলতার উন্নতি সাধন।[২৪]


গণনা করা এবং শব্দবিহীন ডেটা[সম্পাদনা]

কোয়ান্টাম মেশিন লার্নিং অণু এবং পদার্থের কোয়ান্টাম বৈশিষ্ট্যগুলির পূর্বাভাসকে ত্বরান্বিত করতে প্রয়োগ করা যেতে পারে।[২৫] এটি নতুন অণু বা উপকরণগুলির গণনা নকশার জন্য সহায়ক হতে পারে। নিচে কিছু উদাহরণ অন্তর্ভুক্ত:

  • আন্তপোলটিং আন্তপারমানবিক বিভব[২৬]
  • রাসায়নিক যৌগিক স্থান জুড়ে আণবিক শক্তি অনুমান করা;[২৭]
  • সীমাবদ্ধ বল্টজম্যান মেশিনগুলির সাথে যথাযথ সম্ভাব্য শক্তির তল;[২৮]
  • নতুন কোয়ান্টাম পরীক্ষার স্বয়ংক্রিয় প্রজন্ম;[৪][৫]
  • বহু-শরীর, স্থিতিশীল এবং সময় নির্ভর শ্র্রডিনগার সমীকরণ সমাধান করা;[১০]
  • জড়িত স্পেকট্রা থেকে পর্যায় স্থানান্তরের সনাক্তকরণ;[২৯]
  • কোয়ান্টাম মেট্রোলজি এবং কোয়ান্টাম টমোগ্রাফির জন্য অভিযোজক প্রতিক্রিয়া স্কিম তৈরি করা। [৩০][৩১]

ভেরিয়েশনাল সার্কিট (পরিবরতনীয় বর্তনী)[সম্পাদনা]

পরিবরতনীয় সার্কিট, অ্যালগরিদম সদস্যের একটি পরিবার যা সার্কিট প্যারামিটার এবং অবজেক্টিভ ফাংশনের উপর ভিত্তি করে এর অগ্রগতি ব্যবহার করে।[৩২] পরিবরতনীয় সার্কিটগুলি সাধারণত ক্লাসিক্যাল ডিভাইস দ্বারা গঠিত যা গাণিতিক অপ্টিমাইজেশন ফাংশন সহ কোয়ান্টাম ডিভাইসে ইনপুট প্যারামিটারগুলির (এলোমেলো বা প্রাক-প্রশিক্ষিত প্যারামিটার) সাথে যোগাযোগ রক্ষা করে।প্যারামিটার অ্যাডজাস্টমেন্টগুলি কেবলমাত্র ডিভাইসের অভ্যন্তরে চিরায়ত উপাদানের ভিত্তিতে সমন্বয় করার কারণে এই সার্কিটগুলি প্রস্তাবিত কোয়ান্টাম ডিভাইসের স্থাপত্যের উপর খুব বেশি নির্ভরশীল।[৩৩] যদিও কোয়ান্টাম মেশিন লার্নিংয়ের ক্ষেত্রে অ্যাপ্লিকেশনটি যথেষ্ট প্রাথমিক, তবে এটি আরও দক্ষতার সাথে দক্ষ অপটিমাইজেশন ফাংশন উৎপাদন করার জন্য অবিশ্বাস্যভাবে অনেক বেশি প্রতিশ্রুতিবদ্ধ।

সাইন সমস্যা[সম্পাদনা]

সাইন সমস্যা এড়ানোর জন্য মেশিন লার্নিং কৌশল পাথ ইন্টিগ্রালের জন্য আরও নানাবিধ ইন্টিগ্রেশন সন্ধান করতে ব্যবহার করা যেতে পারে।[৩৪]

আরো দেখুন[সম্পাদনা]

  • কোয়ান্টাম কম্পিউটিং
  • কোয়ান্টাম মেশিন লার্নিং
  • সমীকরণের রৈখিক সিস্টেমের জন্য কোয়ান্টাম অ্যালগরিদম
  • কোয়ান্টাম অ্যানিলিং
  • কোয়ান্টাম নিউরাল নেটওয়ার্ক

তথ্যসূত্র[সম্পাদনা]

  1. Torlai, Giacomo; Mazzola, Guglielmo (মে ২০১৮)। "Neural-network quantum state tomography" (ইংরেজি ভাষায়): 447–450। arXiv:1703.05334অবাধে প্রবেশযোগ্যআইএসএসএন 1745-2481ডিওআই:10.1038/s41567-018-0048-5 
  2. Cory, D. G.; Wiebe, Nathan (২০১২-০৭-০৬)। "Robust Online Hamiltonian Learning" (ইংরেজি ভাষায়): 103013। arXiv:1207.1655অবাধে প্রবেশযোগ্যডিওআই:10.1088/1367-2630/14/10/103013 
  3. Huembeli, Patrick; Dauphin, Alexandre (২০১৮)। "Identifying Quantum Phase Transitions with Adversarial Neural Networks": 134109। arXiv:1710.08382অবাধে প্রবেশযোগ্যআইএসএসএন 2469-9950ডিওআই:10.1103/PhysRevB.97.134109 
  4. Krenn, Mario (২০১৬-০১-০১)। "Automated Search for new Quantum Experiments": 090405। arXiv:1509.02749অবাধে প্রবেশযোগ্যডিওআই:10.1103/PhysRevLett.116.090405পিএমআইডি 26991161 
  5. Knott, Paul (২০১৬-০৩-২২)। "A search algorithm for quantum state engineering and metrology": 073033। arXiv:1511.05327অবাধে প্রবেশযোগ্যডিওআই:10.1088/1367-2630/18/7/073033 
  6. Melnikov, Alexey A.; Nautrup, Hendrik Poulsen (১২২১)। "Active learning machine learns to create new quantum experiments" (ইংরেজি ভাষায়): 1221–1226। arXiv:1706.00868অবাধে প্রবেশযোগ্যআইএসএসএন 0027-8424ডিওআই:10.1073/pnas.1714936115পিএমআইডি 29348200পিএমসি 5819408অবাধে প্রবেশযোগ্য 
  7. Dunjko, Vedran; Briegel, Hans J (২০১৮-০৬-১৯)। "Machine learning & artificial intelligence in the quantum domain: a review of recent progress"Reports on Progress in Physics81 (7): 074001। আইএসএসএন 0034-4885ডিওআই:10.1088/1361-6633/aab406 
  8. Dunjko, Vedran; Briegel, Hans J. (২০১৮)। "Machine learning & artificial intelligence in the quantum domain: a review of recent progress"Reports on Progress in Physics. Physical Society (Great Britain)81 (7): 074001। আইএসএসএন 1361-6633ডিওআই:10.1088/1361-6633/aab406পিএমআইডি 29504942 
  9. Behler, Jörg; Parrinello, Michele (২০০৭-০৪-০২)। "Generalized Neural-Network Representation of High-Dimensional Potential-Energy Surfaces": 146401। ডিওআই:10.1103/PhysRevLett.98.146401পিএমআইডি 17501293 
  10. Carleo, Giuseppe; Troyer, Matthias (২০১৭-০২-০৯)। "Solving the quantum many-body problem with artificial neural networks": 602–606। arXiv:1606.02318অবাধে প্রবেশযোগ্যডিওআই:10.1126/science.aag2302পিএমআইডি 28183973 
  11. Sentís, Gael; Calsamiglia, John (২০১২)। "Quantum learning without quantum memory": 708। arXiv:1106.2742অবাধে প্রবেশযোগ্যডিওআই:10.1038/srep00708পিএমআইডি 23050092পিএমসি 3464493অবাধে প্রবেশযোগ্য 
  12. Wiebe, Nathan; Granade, Christopher (২০১৪)। "Quantum Hamiltonian learning using imperfect quantum resources": 042314। arXiv:1311.5269অবাধে প্রবেশযোগ্যডিওআই:10.1103/physreva.89.042314 
  13. Bisio, Alessandro; Chiribella, Giulio (২০১০)। "Optimal quantum learning of a unitary transformation": 032324। arXiv:0903.0543অবাধে প্রবেশযোগ্যডিওআই:10.1103/PhysRevA.81.032324 
  14. Jeongho; Junghee Ryu, Bang (২০১৪)। "A strategy for quantum algorithm design assisted by machine learning": 073017। arXiv:1304.2169অবাধে প্রবেশযোগ্যডিওআই:10.1088/1367-2630/16/1/013017 
  15. Granade, Christopher E.; Ferrie, Christopher (২০১২-১০-০৩)। "Robust Online Hamiltonian Learning": 103013। arXiv:1207.1655অবাধে প্রবেশযোগ্যআইএসএসএন 1367-2630ডিওআই:10.1088/1367-2630/14/10/103013 
  16. Wiebe, Nathan; Granade, Christopher (২০১৪)। "Hamiltonian Learning and Certification Using Quantum Resources": 190501। arXiv:1309.0876অবাধে প্রবেশযোগ্যআইএসএসএন 0031-9007ডিওআই:10.1103/PhysRevLett.112.190501পিএমআইডি 24877920 
  17. Wiebe, Nathan; Granade, Christopher (২০১৪-০৪-১৭)। "Quantum Hamiltonian Learning Using Imperfect Quantum Resources": 042314। arXiv:1311.5269অবাধে প্রবেশযোগ্যআইএসএসএন 1050-2947ডিওআই:10.1103/PhysRevA.89.042314 
  18. Sasaki, Madahide; Carlini, Alberto (২০০১)। "Quantum Template Matching": 022317। arXiv:quant-ph/0102020অবাধে প্রবেশযোগ্যডিওআই:10.1103/PhysRevA.64.022317 
  19. Sasaki, Masahide (২০০২)। "Quantum learning and universal quantum matching machine": 022303। arXiv:quant-ph/0202173অবাধে প্রবেশযোগ্যডিওআই:10.1103/PhysRevA.66.022303 
  20. Sentís, Gael; Guţă, Mădălin (২০১৫-০৭-০৯)। "Quantum learning of coherent states" (ইংরেজি ভাষায়): 17। arXiv:1410.8700অবাধে প্রবেশযোগ্যআইএসএসএন 2196-0763ডিওআই:10.1140/epjqt/s40507-015-0030-4 
  21. Lee, Sang Min; Lee, Jinhyoung (২০১৮-১১-০২)। "Learning unknown pure quantum states" (ইংরেজি ভাষায়): 052302। arXiv:1805.06580অবাধে প্রবেশযোগ্যডিওআই:10.1103/PhysRevA.98.052302 
  22. Zahedinejad, Ehsan; Ghosh, Joydip (২০১৬-১১-১৬)। "Designing High-Fidelity Single-Shot Three-Qubit Gates: A Machine Learning Approach": 054005। arXiv:1511.08862অবাধে প্রবেশযোগ্যআইএসএসএন 2331-7019ডিওআই:10.1103/PhysRevApplied.6.054005 
  23. Banchi, Leonardo; Pancotti, Nicola (২০১৬-০৭-১৯)। "Quantum gate learning in qubit networks: Toffoli gate without time-dependent control": 16019। ডিওআই:10.1038/npjqi.2016.19অবাধে প্রবেশযোগ্য 
  24. Ness, Gal; Vainbaum, Anastasiya (২০২০-০৭-০৬)। "Single-exposure absorption imaging of ultracold atoms using deep learning": 014011। arXiv:2003.01643অবাধে প্রবেশযোগ্যডিওআই:10.1103/PhysRevApplied.14.014011 
  25. von Lilienfeld, O. Anatole (২০১৮-০৪-০৯)। "Quantum Machine Learning in Chemical Compound Space": 4164–4169। ডিওআই:10.1002/anie.201709686পিএমআইডি 29216413 
  26. Bartok, Albert P.; Payne, Mike C. (২০১০)। "Gaussian approximation potentials: The accuracy of quantum mechanics, without the electrons" (PDF): 136403। arXiv:0910.1019অবাধে প্রবেশযোগ্যডিওআই:10.1103/PhysRevLett.104.136403পিএমআইডি 20481899 
  27. Rupp, Matthias; Tkatchenko, Alexandre (২০১২-০১-৩১)। "Fast and Accurate Modeling of Molecular Atomization Energies With Machine Learning": 602। arXiv:1109.2618অবাধে প্রবেশযোগ্যডিওআই:10.1103/PhysRevLett.108.058301পিএমআইডি 22400967 
  28. Xia, Rongxin; Kais, Sabre (২০১৮-১০-১০)। "Quantum machine learning for electronic structure calculations": 4195। arXiv:1803.10296অবাধে প্রবেশযোগ্যডিওআই:10.1038/s41467-018-06598-zপিএমআইডি 30305624পিএমসি 6180079অবাধে প্রবেশযোগ্য 
  29. van Nieuwenburg, Evert; Liu, Ye-Hua (২০১৭)। "Learning phase transitions by confusion": 435। arXiv:1610.02048অবাধে প্রবেশযোগ্যডিওআই:10.1038/nphys4037 
  30. Hentschel, Alexander (২০১০-০১-০১)। "Machine Learning for Precise Quantum Measurement": 063603। arXiv:0910.0762অবাধে প্রবেশযোগ্যডিওআই:10.1103/PhysRevLett.104.063603পিএমআইডি 20366821 
  31. Quek। "Adaptive Quantum State Tomography with Neural Networks"। arXiv:1812.06693অবাধে প্রবেশযোগ্য 
  32. "Variational Circuits — Quantum Machine Learning Toolbox 0.7.1 documentation"qmlt.readthedocs.io। ২০১৮-১২-০৬ তারিখে মূল থেকে আর্কাইভ করা। সংগ্রহের তারিখ ২০১৮-১২-০৬ 
  33. Schuld, Maria (২০১৮-০৬-১২)। "Quantum Machine Learning 1.0"XanaduAI। সংগ্রহের তারিখ ২০১৮-১২-০৭ 
  34. Alexandru, Andrei; Bedaque, Paulo F. (২০১৭)। "Deep Learning Beyond Lefschetz Thimbles": 094505। arXiv:1709.01971অবাধে প্রবেশযোগ্যডিওআই:10.1103/PhysRevD.96.094505