क्वांटम कंप्यूटरों का प्राथमिक कार्य कृत्रिम बुद्धिमत्ता को बढ़ाना है

क्वांटम कंप्यूटिंग और मशीन लर्निंग के विलय का विचार इसके प्रमुख में है। क्या वह उच्च उम्मीदों पर खरा उतर सकती है?

1990 के दशक की शुरुआत में, विचिटा विश्वविद्यालय में भौतिकी के एक प्रोफेसर एलिजाबेथ बेहरामन ने कृत्रिम बुद्धि के साथ क्वांटम भौतिकी के संलयन पर काम शुरू किया - विशेषकर तत्कालीन अलोकप्रिय तंत्रिका नेटवर्क तकनीक में। ज्यादातर लोगों को लगा कि वह पानी में तेल मिलाने की कोशिश कर रही है। "यह मेरे लिए प्रकाशित करना कठिन था," वह याद करती हैं। - तंत्रिका नेटवर्क पर पत्रिकाओं ने कहा, "यह किस प्रकार का क्वांटम यांत्रिकी है?", और भौतिकी में पत्रिकाओं ने कहा कि "तंत्रिका नेटवर्क किस तरह का है?"

आज, इन दो अवधारणाओं का मिश्रण दुनिया में सबसे स्वाभाविक बात लगती है। तंत्रिका नेटवर्क और अन्य मशीन लर्निंग सिस्टम 21 वीं सदी की सबसे अचानक तकनीक बन गए हैं। वे मनुष्यों की तुलना में मानव व्यवसायों में बेहतर करते हैं, और वे हमें न केवल उन कार्यों में पार करते हैं जिनमें हम में से अधिकांश वैसे भी चमकते नहीं थे - उदाहरण के लिए, शतरंज या गहराई से डेटा विश्लेषण में, लेकिन उन कार्यों में भी जिनके लिए मस्तिष्क विकसित हुआ है - उदाहरण के लिए, चेहरा पहचान, भाषा अनुवाद और चौपहिया चौराहे पर रास्ते के अधिकार का निर्धारण। कंप्यूटर की विशाल शक्ति के कारण ऐसी प्रणालियां संभव हो गईं, इसलिए यह आश्चर्य की बात नहीं है कि प्रौद्योगिकी कंपनियों ने न केवल बड़े कंप्यूटरों की खोज शुरू की, बल्कि पूरी तरह से नए वर्ग से संबंधित है।

दशकों के शोध के बाद, क्वांटम कंप्यूटर पृथ्वी पर किसी भी अन्य कंप्यूटर के आगे गणना करने के लिए लगभग तैयार हैं। उनका मुख्य लाभ आमतौर पर बड़ी संख्या का कारक है - एक ऑपरेशन जो आधुनिक एन्क्रिप्शन सिस्टम के लिए महत्वपूर्ण है। सच है, इस बिंदु पर कम से कम दस साल बाकी हैं। लेकिन आज के अल्पविकसित क्वांटम प्रोसेसर भी मशीन सीखने की जरूरतों के लिए रहस्यमय ढंग से परिपूर्ण हैं। वे एक पास में डेटा की भारी मात्रा में हेरफेर करते हैं, मायावी पैटर्न की तलाश करते हैं जो क्लासिक कंप्यूटर के लिए अदृश्य हैं, और अपूर्ण या अपरिभाषित डेटा से पहले बाहर नहीं डालते हैं। ", क्वांटम कंप्यूटिंग और मशीन लर्निंग की अनिवार्य सांख्यिकीय प्रकृति के बीच एक प्राकृतिक सहजीवन है," बर्कले, कैलिफोर्निया में क्वांटम कंप्यूटिंग कंपनी, रिगेटी कंप्यूटिंग के एक भौतिक विज्ञानी जोहान ओटेरबैक कहते हैं।

उस मामले के लिए, पेंडुलम पहले से ही एक और अधिकतम तक पहुंच गया है। Google, Microsoft, IBM, और अन्य तकनीकी दिग्गज क्वांटम मशीन लर्निंग (KMO) और टोरंटो विश्वविद्यालय में स्थित इस विषय के लिए समर्पित स्टार्टअप इनक्यूबेटर में पैसा डाल रहे हैं। स्कोलोवो इंस्टीट्यूट ऑफ साइंस एंड टेक्नोलॉजी के क्वांटम फिजिक्स विशेषज्ञ जैकब बायमोंट कहते हैं, "मशीन लर्निंग" एक मूलमंत्र बन गया है। "और इसे" क्वांटम "की अवधारणा के साथ मिलाकर, आप एक मेगामोड शब्द सीखेंगे।"

लेकिन "क्वांटम" की अवधारणा का मतलब कभी भी वैसा नहीं होता जैसा कि इससे अपेक्षित है। यद्यपि आप यह तय कर सकते हैं कि KMO प्रणाली को शक्तिशाली बनाने की आवश्यकता है, यह "लॉक अप" सिंड्रोम से ग्रस्त है। यह क्वांटम राज्यों के साथ काम करता है, न कि मानव-पठनीय डेटा के साथ, और इन दो दुनियाओं के बीच अनुवाद इसके सभी स्पष्ट लाभों को समतल कर सकता है। यह iPhone X की तरह है, जिसमें इसकी सभी प्रभावशाली विशेषताएं हैं, पुराने फोन की तुलना में तेज नहीं है, क्योंकि स्थानीय नेटवर्क घृणित है। कुछ विशेष मामलों में, भौतिकविद् इस I / O अड़चन को दूर कर सकते हैं, लेकिन क्या MO के साथ व्यावहारिक समस्याओं को हल करते समय ऐसे मामले दिखाई देंगे या नहीं। "हमारे पास अभी तक स्पष्ट उत्तर नहीं हैं," स्कॉट आरोनसन , ऑस्टिन में टेक्सास विश्वविद्यालय के एक आईटी विशेषज्ञ, हमेशा क्वांटम कंप्यूटिंग के क्षेत्र में चीजों को देखने की कोशिश करते हैं। "लोग इस मुद्दे के बारे में बहुत सतर्क हैं कि क्या ये एल्गोरिदम किसी तरह का गति लाभ देंगे।"

क्वांटम न्यूरॉन्स

एक तंत्रिका नेटवर्क का मुख्य कार्य, यह शास्त्रीय या क्वांटम हो सकता है, पैटर्न को पहचानना है। यह मानव मस्तिष्क की छवि में बनाया गया है और बुनियादी कंप्यूटिंग इकाइयों का एक जाली है - "न्यूरॉन्स"। उनमें से प्रत्येक / बंद पर कोई और अधिक कठिन स्विच हो सकता है। एक न्यूरॉन कई अन्य न्यूरॉन्स के उत्पादन की निगरानी करता है, जैसे कि कुछ मुद्दों पर मतदान, और स्थिति पर स्विच करता है अगर पर्याप्त न्यूरॉन्स के पक्ष में मतदान किया हो। आमतौर पर, न्यूरॉन्स परतों में व्यवस्थित होते हैं। पहली परत इनपुट स्वीकार करती है (उदाहरण के लिए, छवि पिक्सल), मध्य परतें विभिन्न इनपुट संयोजन (चेहरे और ज्यामितीय आकृतियों जैसे संरचनाओं का प्रतिनिधित्व) का निर्माण करती हैं, और अंतिम परत आउटपुट (तस्वीर में एक उच्च-स्तरीय विवरण) का उत्पादन करती है।


गहन तंत्रिका नेटवर्क को आवश्यक सामान्यीकृत अवधारणाओं से जुड़े न्यूरॉन्स के लिए कई परतों के माध्यम से संकेतों को प्रसारित करने के लिए उनके कनेक्शन के वजन को समायोजित करके प्रशिक्षित किया जाता है।

क्या महत्वपूर्ण है, इस पूरी योजना पर पहले से काम नहीं किया गया है, लेकिन परीक्षण और त्रुटि द्वारा सीखने की प्रक्रिया में अनुकूलित किया गया है। उदाहरण के लिए, हम "बिल्ली का बच्चा" या "पिल्ला" लेबल वाले छवि नेटवर्क को खिला सकते हैं। यह प्रत्येक चित्र को एक लेबल प्रदान करता है, यह देखने के लिए जाँच करता है कि क्या यह सफल हुआ, और यदि नहीं, तो यह तंत्रिका कनेक्शन को सही करता है। पहले यह दुर्घटना से लगभग काम करता है, लेकिन फिर परिणामों में सुधार करता है; कहने के बाद, 10,000 उदाहरण, वह पालतू जानवरों को समझना शुरू करती है। एक गंभीर तंत्रिका नेटवर्क में एक अरब आंतरिक कनेक्शन हो सकते हैं, और उन सभी को समायोजित करने की आवश्यकता है।

एक क्लासिक कंप्यूटर पर, इन कनेक्शनों को संख्याओं के एक शानदार मैट्रिक्स द्वारा दर्शाया जाता है, और नेटवर्क ऑपरेशन का मतलब मैट्रिक्स गणना करना है। आमतौर पर, मैट्रिक्स के साथ ये ऑपरेशन एक विशेष चिप के प्रसंस्करण के लिए दिए जाते हैं - उदाहरण के लिए, एक जीपीयू । लेकिन कोई भी क्वांटम कंप्यूटर से बेहतर मैट्रिक्स ऑपरेशन नहीं कर सकता है। मैसाचुसेट्स इंस्टीट्यूट ऑफ टेक्नोलॉजी के भौतिक विज्ञानी और क्वांटम कंप्यूटिंग में एक अग्रणी, सेठ लॉयड कहते हैं, "क्वांटम कंप्यूटर पर बड़े मेट्रिक्स और वैक्टर का प्रसंस्करण तेजी से तेजी से होता है।"

इस समस्या को हल करने के लिए, क्वांटम कंप्यूटर एक क्वांटम सिस्टम की घातीय प्रकृति का लाभ उठाने में सक्षम हैं। एक क्वांटम प्रणाली की अधिकांश सूचना क्षमता इसकी व्यक्तिगत डेटा इकाइयों में नहीं होती है - एक शास्त्रीय कंप्यूटर के बिट्स के क्वांटम एनालॉग्स - लेकिन इन क्वबिट्स के संयुक्त गुणों में। एक साथ दो क्वैट्स की चार अवस्थाएँ होती हैं: दोनों पर, दोनों ऑफ, ऑन / ऑफ और ऑफ / ऑन। हर किसी का एक निश्चित वजन होता है, या "आयाम", जो एक न्यूरॉन की भूमिका निभा सकता है। यदि आप एक तीसरी श्रेणी जोड़ते हैं, तो आप आठ न्यूरॉन्स की कल्पना कर सकते हैं; चौथा - 16. मशीन की क्षमता तेजी से बढ़ रही है। वास्तव में, न्यूरॉन्स को पूरे सिस्टम में स्मियर किया जाता है। जब आप चार बटेरों की स्थिति बदलते हैं, तो आप 16 न्यूरॉन्स को एक झपट्टा में संसाधित करते हैं, और एक क्लासिक कंप्यूटर को इन नंबरों को एक बार में संसाधित करना होगा।

लॉयड का अनुमान है कि एक वर्ष में मानवता द्वारा उत्पादित डेटा की मात्रा को सांकेतिक शब्दों में बदलना करने के लिए 60 qubits पर्याप्त है, और 300 में पूरे ब्रह्मांड की शास्त्रीय सामग्री हो सकती है। आज उपलब्ध सबसे बड़ा क्वांटम कंप्यूटर, आईबीएम, इंटेल और गूगल द्वारा बनाया गया है, इसमें लगभग 50 क्वबिट हैं। और यह केवल तभी है जब हम मानते हैं कि प्रत्येक आयाम एक क्लासिक बिट का प्रतिनिधित्व करता है। वास्तव में, एम्पलीट्यूड निरंतर मूल्य हैं (और जटिल संख्या का प्रतिनिधित्व करते हैं), और व्यावहारिक समस्याओं को हल करने के लिए उपयुक्त परिशुद्धता के साथ, उनमें से प्रत्येक 15 बिट्स तक स्टोर कर सकता है, आरोनसन कहते हैं।

लेकिन सूचना को एक संपीड़ित रूप में संग्रहीत करने के लिए क्वांटम कंप्यूटर की क्षमता इसे तेज नहीं बनाती है। एक इन qubits का उपयोग करने में सक्षम होना चाहिए। 2008 में, एलआईटी , एमआईटी के भौतिक विज्ञानी अराम हैरो और इज़राइल में बार-इलान विश्वविद्यालय के कंप्यूटर वैज्ञानिक अविनातन हासिडिम ने दिखाया कि कैसे एक महत्वपूर्ण बीजीय मैट्रिक्स उलटा ऑपरेशन किया जा सकता है। उन्होंने इसे तार्किक संचालन के एक क्रम में तोड़ दिया, जो क्वांटम कंप्यूटर पर किया जा सकता है। उनका एल्गोरिथ्म एमओ प्रौद्योगिकियों की एक बड़ी संख्या के लिए काम करता है। और उसे उतने कदम की जरूरत नहीं है, जितनी बड़ी संख्या में फैक्टरिंग। शोर से पहले एक कंप्यूटर जल्दी से एक वर्गीकरण कार्य कर सकता है - आधुनिक प्रौद्योगिकी का एक प्रमुख सीमित कारक - सब कुछ बर्बाद कर सकता है। "इससे पहले कि आपके पास पूरी तरह से बहुमुखी, त्रुटि-प्रतिरोधी क्वांटम कंप्यूटर हो, आपको सिर्फ क्वांटम लाभ हो सकता है," रिसर्च सेंटर के क्रिस्टन टेम ने कहा। आईबीएम के थॉमस वाटसन।

प्रकृति को समस्या को हल करने दें

अब तक, क्वांटम मैट्रिक्स कंप्यूटिंग पर आधारित मशीन लर्निंग का प्रदर्शन केवल कंप्यूटरों पर चार क्विट के साथ किया गया है। क्वांटम मशीन लर्निंग की अधिकांश प्रायोगिक सफलताएं एक अलग दृष्टिकोण का उपयोग करती हैं जिसमें एक क्वांटम प्रणाली केवल एक नेटवर्क का अनुकरण नहीं करती है, बल्कि एक नेटवर्क है। प्रत्येक qubit एक न्यूरॉन के लिए जिम्मेदार है। और यद्यपि घातीय वृद्धि के बारे में बात करने की कोई आवश्यकता नहीं है, इस तरह के उपकरण क्वांटम भौतिकी के अन्य गुणों का लाभ उठा सकते हैं।

इन उपकरणों में से सबसे बड़ी, जिसमें लगभग 2,000 बटेर थे, डी-वेव सिस्टम्स द्वारा निर्मित किया गया था, जो वैंकूवर के पास स्थित है। और यह बिल्कुल नहीं है जो लोग कंप्यूटर के बारे में सोचते समय कल्पना करते हैं। कुछ इनपुट प्राप्त करने के बजाय, गणनाओं के अनुक्रम का प्रदर्शन करना और आउटपुट दिखाना, यह आंतरिक स्थिरता का पता लगाकर काम करता है। प्रत्येक क्विटबैंक एक सुपरकंडक्टिंग इलेक्ट्रिक लूप है, जो एक छोटे इलेक्ट्रोमैग्नेट की तरह काम करता है, ऊपर, नीचे, या ऊपर और नीचे - यानी सुपरपोजिशन में होता है। एक साथ, चुंबकीय संपर्क के कारण क्विंड्स बांधता है।



इस प्रणाली को शुरू करने के लिए, आपको सबसे पहले एक क्षैतिज रूप से उन्मुख चुंबकीय क्षेत्र को लागू करने की आवश्यकता होती है जो समान सुपरपोजिशन के साथ क्वैबिट्स को ऊपर और नीचे - एक खाली शीट के बराबर शुरू करता है। डेटा दर्ज करने के कुछ तरीके हैं। कुछ मामलों में, आप आवश्यक प्रारंभिक मूल्यों पर क्वेट की परत को ठीक कर सकते हैं; अधिक बार, बातचीत के कारण इनपुट शामिल होता है। फिर आप क्वैब को एक-दूसरे के साथ बातचीत करने की अनुमति देते हैं। कुछ उसी तरह से लाइन लगाने की कोशिश करते हैं, कुछ विपरीत दिशा में, और एक क्षैतिज चुंबकीय क्षेत्र के प्रभाव में, वे पसंदीदा अभिविन्यास पर स्विच करते हैं। इस प्रक्रिया में, वे अन्य क्वैब को स्विच करने के लिए मजबूर कर सकते हैं। सबसे पहले, यह बहुत बार होता है, क्योंकि बहुत सारे क्वॉइट गलत तरीके से स्थित हैं। समय के साथ, वे शांत हो जाते हैं, जिसके बाद आप क्षैतिज क्षेत्र को बंद कर सकते हैं और उन्हें इस स्थिति में ठीक कर सकते हैं। इस समय, क्वैब अप और डाउन पोजिशन के अनुक्रम में पंक्तिबद्ध होते हैं, जो इनपुट के आधार पर एक निष्कर्ष है।

यह हमेशा स्पष्ट नहीं होता है कि क्वैब की अंतिम व्यवस्था क्या होगी, लेकिन यह बिंदु है। प्रणाली, बस स्वाभाविक रूप से व्यवहार करती है, एक समस्या का हल करती है, जिस पर एक शास्त्रीय कंप्यूटर लंबे समय तक लड़ता है। टोक्यो इंस्टीट्यूट ऑफ टेक्नोलॉजी के भौतिक विज्ञानी हिदेतोशी निशिमोरी बताते हैं, "हमें एक एल्गोरिथ्म की आवश्यकता नहीं है, जो डी-वेव मशीनों के संचालन के लिए सिद्धांतों को विकसित करता है।" - यह पारंपरिक प्रोग्रामिंग से बिल्कुल अलग दृष्टिकोण है। समस्या प्रकृति द्वारा हल की गई है। "

क्वांटम की स्विचिंग क्वांटम टनलिंग के कारण होती है, इष्टतम विन्यास में क्वांटम सिस्टम की प्राकृतिक प्रवृत्ति, सबसे अच्छा संभव है। एक बिट स्विच करने के लिए सुरंग बनाने के बजाय यादृच्छिक घबराहट का उपयोग करके एनालॉग सिद्धांतों पर काम कर रहे एक क्लासिक नेटवर्क का निर्माण कर सकता है, और कुछ मामलों में यह वास्तव में बेहतर काम करेगा। लेकिन, दिलचस्प बात यह है कि मशीन सीखने के क्षेत्र में आने वाली समस्याओं के लिए, क्वांटम नेटवर्क अपने इष्टतम तेजी से पहुंचता है।

डी-वेव की मशीन में इसकी कमियां हैं। यह शोर के लिए अतिसंवेदनशील है, और वर्तमान संस्करण में यह बहुत अधिक किस्मों का संचालन नहीं कर सकता है। लेकिन मशीन लर्निंग एल्गोरिदम प्रकृति में शोर सहिष्णु हैं। वे सटीक रूप से उपयोगी हैं, क्योंकि वे विचलित करने वाले क्षणों के बावजूद, पिल्लों से बिल्ली के बच्चे को अलग करते हुए, वास्तविकता में अर्थ को पहचान सकते हैं। "तंत्रिका नेटवर्क शोर के प्रतिरोध के लिए जाने जाते हैं," बर्मन ने कहा।

2009 में, हार्टमाउथ निवेन के नेतृत्व में एक टीम, Google का एक आईटी विशेषज्ञ, एक संवर्धित वास्तविकता अग्रणी (वह Google ग्लास प्रोजेक्ट का सह-संस्थापक था), जो क्वांटम सूचना प्रसंस्करण के क्षेत्र में चले गए, उन्होंने दिखाया कि कैसे डी-वेव के लिए मशीन का प्रारंभिक प्रोटोटाइप एक बहुत ही वास्तविक कार्य करने में सक्षम है। मशीन लर्निंग। उन्होंने मशीन को सिंगल-लेयर न्यूरल नेटवर्क के रूप में इस्तेमाल किया, छवियों को दो वर्गों में छाँटा: सड़कों पर ली गई 20,000 तस्वीरों की लाइब्रेरी में "कार" और "कार नहीं"। मशीन में केवल 52 काम करने वाले बटेर थे, जो पूरी तरह से छवि में प्रवेश करने के लिए पर्याप्त नहीं थे। इसलिए, निवेन टीम ने एक क्लासिक कंप्यूटर के साथ एक कार को जोड़ा, जिसने छवियों के विभिन्न सांख्यिकीय मापदंडों का विश्लेषण किया और गणना की कि ये मूल्य कार की तस्वीर में उपस्थिति के प्रति कितने संवेदनशील थे - वे आमतौर पर संवेदनशील नहीं थे, लेकिन कम से कम यादृच्छिक लोगों से अलग थे। इन मूल्यों का कुछ संयोजन मज़बूती से एक कार की उपस्थिति निर्धारित कर सकता है, यह स्पष्ट रूप से नहीं था कि कौन सा संयोजन है। और तंत्रिका नेटवर्क वांछित संयोजन का निर्धारण करने में लगा हुआ था।

एक टीम के पास प्रत्येक मूल्य के साथ जुड़ा हुआ एक क्वाइब होता है। यदि qubit को 1 के मान पर सेट किया गया था, तो उसने उसी मान को उपयोगी के रूप में चिह्नित किया; 0 का मतलब था कि उसकी जरूरत नहीं थी। क्वैब के चुंबकीय इंटरैक्शन ने इस समस्या की आवश्यकताओं को एन्कोड किया - उदाहरण के लिए, केवल सबसे अलग मात्रा में खाते में लेने की आवश्यकता है ताकि अंतिम विकल्प सबसे कॉम्पैक्ट हो। परिणामी प्रणाली कार को पहचानने में सक्षम थी।

पिछले साल, कैलिफोर्निया इंस्टीट्यूट ऑफ टेक्नोलॉजी में एक कण भौतिकी विशेषज्ञ, मारिया स्पिरोपोलो के नेतृत्व में एक टीम और दक्षिणी कैलिफोर्निया विश्वविद्यालय के एक भौतिक विज्ञानी डैनियल लिडारा ने एक व्यावहारिक भौतिकी समस्या को हल करने के लिए एक एल्गोरिथ्म लागू किया: हिग्स बोसॉन और गैर बोसॉन श्रेणियों में प्रोटॉन के वर्गीकरणों को वर्गीकृत किया। हिग्स। " केवल फोटॉनों को जन्म देने वाले टकराव के अनुमानों को सीमित करके, उन्होंने यह अनुमान लगाने के लिए कणों के मूल सिद्धांत का उपयोग किया कि फोटॉन के कौन से गुणों को एक हिग्स कण के अल्पकालिक रूप से संकेत करना चाहिए - उदाहरण के लिए, गति के एक निश्चित सीमा मूल्य से अधिक। उन्होंने आठ ऐसे गुणों और उनमें से 28 संयोजनों की जांच की, जिसमें कुल 36 उम्मीदवारों के संकेत मिले और डी-वेव चिप को इष्टतम नमूना खोजने की अनुमति दी। उन्होंने 16 चर को उपयोगी के रूप में पहचाना, और तीन को सर्वश्रेष्ठ के रूप में। "प्रशिक्षण सेट के छोटे आकार को देखते हुए, क्वांटम दृष्टिकोण ने उच्च-ऊर्जा भौतिकी विशेषज्ञों के समुदाय में उपयोग किए जाने वाले पारंपरिक तरीकों पर सटीकता में एक फायदा दिया है," लिडार ने कहा।


कैलिफोर्निया इंस्टीट्यूट ऑफ टेक्नोलॉजी के एक भौतिक विज्ञानी मारिया स्पिरोपोलो ने हिग्स बोसॉन की खोज के लिए मशीन लर्निंग का इस्तेमाल किया

दिसंबर में, रिगेटी ने 19-बिट सामान्य-उद्देश्य क्वांटम कंप्यूटर का उपयोग करके स्वचालित रूप से समूह ऑब्जेक्ट का एक तरीका प्रदर्शित किया। शोधकर्ताओं ने कार को शहरों की सूची और उनके बीच की दूरियों को खिलाया और शहरों को दो भौगोलिक क्षेत्रों में सॉर्ट करने के लिए कहा। इस कार्य की कठिनाई यह है कि एक शहर का वितरण अन्य सभी के वितरण पर निर्भर करता है, इसलिए आपको एक बार में पूरे सिस्टम के लिए समाधान खोजने की आवश्यकता है।

कंपनी की टीम, वास्तव में, प्रत्येक शहर को एक qubit सौंपी और यह उल्लेख किया कि उसे किस समूह को सौंपा गया था। क्विबिट्स की बातचीत के माध्यम से (रिगेट्टी सिस्टम में यह चुंबकीय नहीं है, लेकिन इलेक्ट्रिक है), क्वाइबल्स की प्रत्येक जोड़ी ने विपरीत मूल्यों को लेने की मांग की, क्योंकि इस मामले में उनकी ऊर्जा कम से कम थी। जाहिर है, किसी भी प्रणाली में दो से अधिक qubits वाले, कुछ जोड़े एक ही समूह से संबंधित होंगे। क्लोजर-स्थित शहरों के लिए इस बात से सहमत होने की अधिक संभावना थी, क्योंकि उनके लिए एक ही समूह से संबंधित ऊर्जा लागत दूर के शहरों के मामले में कम थी।

सिस्टम को कम से कम ऊर्जा में लाने के लिए, रिगेटी टीम ने डी-वेव दृष्टिकोण के समान कुछ दृष्टिकोण चुना। उन्होंने सभी संभावित समूह वितरणों के एक सुपरपॉज़िशन के साथ प्रारंभिक उद्धरण किया। उन्होंने बटेरों को एक-दूसरे के साथ संक्षेप में बातचीत करने की अनुमति दी और इससे उन्हें कुछ मूल्यों को स्वीकार करना पड़ा। तब उन्होंने क्षैतिज चुंबकीय क्षेत्र के एक एनालॉग का उपयोग किया, जिसने qubits को रिवर्स ओरिएंटेशन की अनुमति दी, अगर उनके पास ऐसी प्रवृत्ति थी जो सिस्टम को न्यूनतम ऊर्जा के साथ एक ऊर्जा राज्य की ओर थोड़ा धक्का देती थी। तब उन्होंने इस दो-चरण की प्रक्रिया को दोहराया - बातचीत और क्रांति - जब तक कि प्रणाली ने दो अलग-अलग क्षेत्रों में शहरों को वितरित करके ऊर्जा को कम नहीं किया।

समान वर्गीकरण कार्य, हालांकि उपयोगी हैं, काफी सरल हैं। रियल एमओ की सफलताएं जेनरेटिव मॉडल में अपेक्षित हैं, जो न केवल पिल्लों और बिल्ली के बच्चे को पहचानती हैं, बल्कि नए आर्कषक - जानवरों को भी बनाने में सक्षम हैं जो कभी अस्तित्व में नहीं थे, लेकिन असली के रूप में प्यारे हैं। वे स्वतंत्र रूप से "बिल्ली के बच्चे" या "पिल्लों" जैसी श्रेणियों को प्राप्त करने में सक्षम हैं, या एक छवि को फिर से संगठित करने के लिए जिसमें एक पंजा या पूंछ नहीं है। डी-वेव के मुख्य वैज्ञानिक मोहम्मद अमीन ने कहा, "ये तकनीक मॉस्को क्षेत्र में बहुत उपयोगी और बहुत उपयोगी हैं, लेकिन इन्हें लागू करना बहुत मुश्किल है।" क्वांटम कंप्यूटर की मदद यहाँ काम आएगी।

डी-वेव और अन्य शोध टीमों ने इस चुनौती को स्वीकार किया है। – , , . . – , – . - , D-Wave , . , , 0 9, .

,

. , , , . 16 , 16 . « – – , , », — , Xanadu , . – , .

, , , , . , , – , . « , , — . – , . , ».

, , ? – , , , , , . , .

. . , , ; , , , . , , , , .

. 2015 , , . , . , . « Netflix Amazon, - , », — .

: , , ? . , . – – , , , . : « , : „ , “, , , , , ».

. D-Wave. . « , – », — , Google DeepMind, , . , , -- – . « – ?» – .

, . « , , », — , Microsoft Research. « , ». , , – , .

, . – . , . «, , , , — . – : – – ? , ». , - , .

, , , . , . – , . , , , – . , , . , .

, . « , – , — . – ». , . , – – . ; . . «, , , », — -. .

: , . , , . , - , . – , , . , , .