குவாண்டம் ஏஐ (குவாண்டம் செயற்கை நுண்ணறிவு) என்பது குவாண்டம் கணினி சக்தியையும் செயற்கை நுண்ணறிவையும் (AI) இணைத்து கணினி செயலாக்கத்தின் எல்லைகளை விரிவுபடுத்தும் ஒரு வளர்ந்து வரும் துறை ஆகும். அடிப்படையில், குவாண்டம் ஏஐ குவாண்டம் இயற்பியல் (குவாண்டம் கணினிகள் எனப்படும் சாதனங்கள் மூலம்) பயன்படுத்தி இயந்திரக் கற்றல் மற்றும் தரவு செயலாக்கத்தை மேம்படுத்துகிறது, இதனால் பாரம்பரிய கணினிகளுக்கு சாத்தியமில்லாத கணக்கீடுகளைச் செய்ய முடிகிறது.

பாரம்பரிய பிட்டுகளுக்கு பதிலாக குவிட்கள் (qubits) பயன்படுத்துவதால், குவாண்டம் ஏஐ அமைப்புகள் ஒரே நேரத்தில் பெரும் அளவிலான தரவுகளை செயலாக்கி, சிக்கலான பிரச்சனைகளை வேகமாகவும் திறமையாகவும் தீர்க்க முடியும். குவாண்டம் கணினி மற்றும் AI இன் இந்த இணைப்பு தொழில்துறைகளை மாற்றி அமைக்க, அறிவியல் கண்டுபிடிப்புகளை விரைவுபடுத்த மற்றும் தொழில்நுட்பத்தின் எல்லைகளை மறுபரिभाषிக்க வாக்குறுதி அளிக்கிறது.

குவாண்டம் ஏஐயை புரிந்துகொள்வது

குவாண்டம் கணினிகள் பாரம்பரிய கணினிகளிலிருந்து அடிப்படையாகவே வேறுபடுகின்றன. பாரம்பரிய கணினிகள் 0 அல்லது 1 என்ற மதிப்புகளை கொண்ட பிட்கள் பயன்படுத்தும் போது, குவாண்டம் கணினிகள் குவிட்கள் பயன்படுத்துகின்றன, அவை ஒரே நேரத்தில் பல நிலைகளில் (0 மற்றும் 1) இருக்க முடியும், இது சூப்பர்பொசிஷன் எனப்படும் குவாண்டம் நிகழ்வின் காரணமாகும். உதாரணமாக, ஒரு நாணயத்தை எறிதல்: பாரம்பரிய பிட் என்பது தலை அல்லது வால் காட்டும் நாணயத்தைப் போன்றது, ஆனால் குவிட் என்பது சுற்றி வரும் நாணயத்தைப் போன்றது, அது தலை மற்றும் வால் இரண்டும் ஒரே நேரத்தில் இருக்கும் வரை கவனிக்கப்படவில்லை.

இந்த சூப்பர்பொசிஷன் காரணமாக, குவாண்டம் கணினி ஒரே நேரத்தில் பல வாய்ப்புகளை ஆராய முடியும், இதனால் கணக்கீட்டு சக்தி பெரிதும் அதிகரிக்கிறது. உண்மையில், ஒவ்வொரு கூடுதல் குவிட் மாநில இடத்தை இரட்டிப்பாக்குகிறது — உதாரணமாக, 10 குவிட்கள் ஒரே நேரத்தில் 2^10 (சுமார் 1,024) மதிப்புகளை பிரதிநிதித்துவம் செய்ய முடியும், ஆனால் 10 பாரம்பரிய பிட்கள் 10 மதிப்புகளை மட்டுமே பிரதிநிதித்துவம் செய்ய முடியும்.

மேலும், குவிட்கள் இணைக்கப்பட்ட (entangled) ஆகலாம், அதாவது அவற்றின் நிலைகள் தொடர்புடையவை, ஒரு குவிட் அளவிடப்படும்போது மற்றொன்று உடனடியாக பாதிக்கப்படுகிறது, இடைவெளி எவ்வளவு இருந்தாலும். சூப்பர்பொசிஷன் மற்றும் இணைப்பு குவாண்டம் 병렬ம் (quantum parallelism) என்பதைக் கொண்டு வருகிறது, இது குவாண்டம் இயந்திரங்களுக்கு பல முடிவுகளை ஒரே நேரத்தில் மதிப்பாய்வு செய்ய அனுமதிக்கிறது, பாரம்பரிய இயந்திரங்கள் ஒவ்வொன்றாக மதிப்பாய்வு செய்வதைவிட வேகமாக.

குவாண்டம் ஏஐ இந்த குவாண்டம் பண்புகளை பயன்படுத்தி AI ஆல்கொரிதம்களை மேம்படுத்துகிறது. குவாண்டம் கணினிகள் பல கணக்கீடுகளை ஒரே நேரத்தில் செய்ய முடியும் என்பதால், அவை பெரிய தரவுத்தொகைகளை செயலாக்கி AI மாதிரிகளை அதிவேகத்தில் பயிற்சி அளிக்க முடியும். உதாரணமாக, ஒரு சிக்கலான இயந்திரக் கற்றல் மாதிரியை பயிற்சி அளிப்பது பாரம்பரிய கணினியில் நாட்கள் அல்லது வாரங்கள் எடுக்கும் பணியை, ஒரு சக்திவாய்ந்த குவாண்டம் கணினியில் சில மணி நேரங்கள் அல்லது நிமிடங்களில் முடிக்க முடியும்.

AI மாதிரிகள் பெருகி, அதிக கணக்கீட்டு சக்தி தேவைப்படும் போது இந்த வேகம் மிகவும் முக்கியமாகிறது. குவாண்டம் ஏஐ பாரம்பரிய கணினிகளை கடந்து செல்லும் மிகவும் சிக்கலான சீரமைப்பு பிரச்சனைகளை தீர்க்க சிறப்பாக உள்ளது. பல AI சவால்கள் (உதாரணமாக சிறந்த பாதைகளை கண்டறிதல், மாதிரி அளவுருக்களை சரிசெய்தல், அல்லது வளங்களை திட்டமிடல்) கூட்டுத்தொகை வெடிப்பு (combinatorial explosion) என்ற பிரச்சனையால் பாதிக்கப்படுகின்றன — வாய்ப்புகளின் எண்ணிக்கை பெருகி, முழுமையான தேடல் பாரம்பரிய இயந்திரங்களுக்கு சாத்தியமில்லை.

குவாண்டம் ஆல்கொரிதங்கள் (குவாண்டம் அன்னீலிங் அல்லது மாறுபாட்டு சுற்றுகள் போன்றவை) பல அமைப்புகளை ஒரே நேரத்தில் பகுப்பாய்வு செய்து, முழு தீர்வு பரப்பை ஒரே நேரத்தில் தேடி, இந்த உயர் பரிமாண பிரச்சனைகளை எதிர்கொள்ள முடியும். இதன் மூலம் குவாண்டம் ஏஐ சிக்கலான பாதைகள் மற்றும் திட்டமிடல் போன்ற பிரச்சனைகளுக்கு உயர் தரமான தீர்வுகளை மிகச் சிறப்பாக கண்டுபிடிக்க முடியும்.

மேலும், மேம்பட்ட துல்லியம் மற்றும்洞察ங்கள் பெறும் வாய்ப்பு உள்ளது. குவாண்டம் ஏஐ மாதிரிகள் பாரம்பரிய ஆல்கொரிதங்கள் செய்ய முடியாதவாறு பரவலான சாத்தியமான விநியோகங்களை ஆராய முடியும், சூப்பர்பொசிஷனில் அனைத்து முடிவுகளையும் பரிசீலித்து, சுமார் மதிப்பீடுகளுக்கு பதிலாக முழுமையான பகுப்பாய்வை வழங்குகிறது. இதனால் துல்லியமான முன்னறிவிப்புகள் மற்றும் சிறந்த சீரமைப்புகள் உருவாகும், ஏனெனில் குவாண்டம் மாதிரிகள் பாரம்பரிய ஆல்கொரிதங்கள் போல வாய்ப்புகளை அகற்ற வேண்டிய அவசியம் இல்லை.

ஆராய்ச்சியாளர்கள் ஏற்கனவே குவாண்டம் இயந்திரக் கற்றல் ஆல்கொரிதங்களை உருவாக்கத் தொடங்கியுள்ளனர் — உதாரணமாக, குவாண்டம் ஆதரவு வெக்டர் இயந்திரங்கள் மற்றும் நரம்பியல் வலைப்பின்னல்கள் — இவை குவாண்டம் சுற்றுகளில் இயங்குகின்றன. இந்த ஆல்கொரிதங்கள் குவாண்டம் விளைவுகளை பயன்படுத்தி வடிவமைப்பை மேம்படுத்த மற்றும் தரவு பகுப்பாய்வை மேம்படுத்த முயலுகின்றன, இது AI க்கு பாரம்பரிய கணினி கணக்கீட்டுக்கு மறைக்கப்பட்ட வடிவமைப்புகள் அல்லது தீர்வுகளை கண்டுபிடிக்க உதவும்.

இந்த இணைப்பு இரு வழிகளிலும் செயல்படுகிறது: குவாண்டம் கணினி AI-ஐ மேம்படுத்தும்போல், AI-யும் குவாண்டம் கணினியை உதவுகிறது. ஆராய்ச்சியாளர்கள் "AI குவாண்டத்திற்காக" என்ற கருத்தை பேசுகின்றனர் — இயந்திரக் கற்றலை பயன்படுத்தி குவாண்டம் செயல்பாடுகளை (பிழை திருத்தம், குவிட் கட்டுப்பாடு, சிறந்த குவாண்டம் ஆல்கொரிதங்கள் உருவாக்கல்) மேம்படுத்துதல் — மற்றும் "AI க்காக குவாண்டம்" என்ற கருத்தையும், அதாவது AI இயங்க குவாண்டம் கணினிகளை பயன்படுத்துதல்.

இந்த பரஸ்பர மேம்பாடு ஒவ்வொரு தொழில்நுட்பமும் மற்றொன்றின் குறைகளை கடக்க உதவுகிறது, மற்றும் எதிர்காலத்தில் அவை "அதிகரிக்கப்பட்ட கணினி மாதிரியை" உருவாக்கலாம். இன்று, குவாண்டம் ஏஐ பெரும்பாலும் AI பணிகளை விரைவுபடுத்த குவாண்டம் ஹார்ட்வேர் பயன்படுத்துவதில் கவனம் செலுத்துகிறது.

குவாண்டம் ஏஐயின் சுருக்கமான வரலாறு

குவாண்டம் ஏஐக்கு பின்னால் உள்ள கருத்துக்கள் குவாண்டம் கணினி மற்றும் செயற்கை நுண்ணறிவு துறைகளில் பல தசாப்தங்களாக முன்னேற்றத்திலிருந்து உருவானவை. குவாண்டம் கணினி என்ற கருத்து 1980களின் தொடக்கத்தில் பௌதீகவியலாளர் ரிச்சர்ட் ஃபெய்ன்மேன் முன்மொழிந்தார், அவர் பாரம்பரிய கணினிகள் சிக்கலான அமைப்புகளை சிமுலேட் செய்ய முடியாததால் குவாண்டம் இயற்பியலை பயன்படுத்த பரிந்துரைத்தார்.

1990களில், முக்கியமான குவாண்டம் ஆல்கொரிதங்கள் இந்த அணுகுமுறையின் திறனை வெளிப்படுத்தின, குறிப்பாக ஷோர் ஆல்கொரிதம், இது பெரிய எண்களை பகுக்க பயன்படுத்தப்பட்டது, குவாண்டம் கணினி பாரம்பரிய கணினியைவிட குறியாக்கத்தை மிக வேகமாக உடைக்க முடியும் என்பதை காட்டியது.

இந்த முன்னேற்றங்கள் குவாண்டம் இயந்திரங்கள் சில கணக்கீடுகளை பாரம்பரிய கணினிகளுக்கு அப்பால் செய்யக்கூடும் என்பதைக் காட்டி, AI மற்றும் இயந்திரக் கற்றலில் இதன் பயன்பாட்டில் ஆர்வத்தை தூண்டின.

2000 மற்றும் 2010களின் தொடக்கத்தில், குவாண்டம் கணினி மற்றும் AI இணைப்பு உருவாகத் தொடங்கியது. 2013ல், NASA, Google, மற்றும் பல்கலைக்கழகங்கள் குவாண்டம் செயற்கை நுண்ணறிவு ஆய்வகம் (QuAIL) ஐ NASA-வின் Ames ஆராய்ச்சி மையத்தில் நிறுவின, இது குவாண்டம் கணினி இயந்திரக் கற்றலை மேம்படுத்த மற்றும் கடின கணக்கீட்டு பிரச்சனைகளை தீர்க்க எப்படி உதவுமென ஆராய்கிறது.

அதே காலத்தில், ஆராய்ச்சியாளர்கள் முதல் குவாண்டம் இயந்திரக் கற்றல் ஆல்கொரிதங்களை உருவாக்கத் தொடங்கினர் — குவாண்டம் செயலிகளை பயன்படுத்தி AI மாதிரி பயிற்சியை விரைவுபடுத்த மற்றும் துல்லியத்தை மேம்படுத்த முயற்சி. இதே சமயம், D-Wave போன்ற நிறுவனங்கள் முதல் வணிக குவாண்டம் கணினிகளை (குவாண்டம் அன்னீலிங் பயன்படுத்தி) வழங்கின, அவை சீரமைப்பு மற்றும் AI தொடர்பான பணிகளில் சோதிக்கப்பட்டன, ஆனால் வரம்பான அளவில்.

சமீபத்திய ஆண்டுகளில், கவனம் கோட்பாடு மற்றும் மாதிரிகளிலிருந்து பயன்பாட்டு கலவை அணுகுமுறைகளுக்கு மாறியுள்ளது. IBM, Google, Intel, Microsoft மற்றும் பல ஸ்டார்ட்அப்கள் உலகளாவிய அளவில் குவாண்டம் ஹார்ட்வேர் மற்றும் மென்பொருள் உருவாக்கி, குவாண்டம் மற்றும் பாரம்பரிய கணினிகளை ஒருங்கிணைக்க முயற்சிக்கின்றன.

உதாரணமாக, தற்போதைய ஆராய்ச்சி குறிப்பிட்ட சீரமைப்பு பிரச்சனைகளுக்கு குவாண்டம் அன்னீலிங் இயந்திரங்களை மற்றும் இயந்திரக் கற்றல், வேதியியல் சிமுலேஷன், பொருள் அறிவியல் போன்ற பொதுவான பயன்பாடுகளுக்கு கேட்-மாதிரி குவாண்டம் கணினிகளை பயன்படுத்த ஆராய்கிறது. கலவை குவாண்டம்-பாரம்பரிய ஆல்கொரிதங்கள் உருவாகி உள்ளன, இதில் குவாண்டம் செயலி (QPU) பாரம்பரிய CPU/ GPUகளுடன் இணைந்து கணக்கீட்டு பாகங்களை கையாள்கிறது.

இந்த கலவை மாதிரி வேரியஷனல் குவாண்டம் ஐஜென்சால்வர் அல்லது கலவை குவாண்டம் நரம்பியல் வலைப்பின்னல்கள் போன்ற தொழில்நுட்பங்களில் தெளிவாக காணப்படுகிறது, இதில் ஒரு குவாண்டம் சுற்று கணக்கீட்டின் ஒரு பகுதியை செய்கிறது மற்றும் பாரம்பரிய கணினி சீரமைப்பை வழிநடத்துகிறது.

தொழில் இன்று ஒரு மாறுபாட்டு கட்டத்தில் உள்ளது — குவாண்டம் ஹார்ட்வேர் இன்னும் ஆரம்ப நிலையில் இருந்தாலும், மெதுவாக மேம்பட்டு வருகிறது, மற்றும் AI பயன்பாடுகளில் குவாண்டம் முன்னிலை (ஒரு உண்மையான பிரச்சனையை பாரம்பரிய கணினியைவிட வேகமாக அல்லது சிறப்பாக தீர்க்க) அடைவதற்கான உலகளாவிய போட்டி நடைபெற்று வருகிறது.

குவாண்டம் ஏஐ பயன்பாடுகள்

குவாண்டம் ஏஐ பல துறைகளில் மாற்றத்தை ஏற்படுத்தும் திறன் கொண்டது, ஏனெனில் இது சிக்கலான, தரவுத்தொகை அடிப்படையிலான பிரச்சனைகளை முன்னேற்றமான திறனுடன் கையாள முடியும். கீழே சில முக்கிய துறைகள் கொடுக்கப்பட்டுள்ளன, இங்கு குவாண்டம் ஏஐ தாக்கத்தை ஏற்படுத்த உள்ளது:

• மருத்துவம் மற்றும் மருந்தியல்: குவாண்டம் ஏஐ மருந்து கண்டுபிடிப்பு மற்றும் உயிரியல் ஆராய்ச்சியை வேகப்படுத்த முடியும். குவாண்டம் கணினிகள் அணு மட்டத்தில் மூலக்கூறுகளின் தொடர்புகளை மற்றும் வேதியியல் எதிர்வினைகளை சிமுலேட் செய்ய முடியும், இது பாரம்பரிய கணினிகளுக்கு மிகவும் கடினம்.
  
  சிக்கலான புரதங்கள் மற்றும் மருந்து மூலக்கூறுகளை துல்லியமாக மாதிரியாக்குவதன் மூலம், ஆராய்ச்சியாளர்கள் வேகமாகவும் குறைந்த செலவில் promising மருந்து வேட்பாளர்களை கண்டறிய முடியும். உதாரணமாக, குவாண்டம் சார்ந்த பகுப்பாய்வு ஒரு மருந்து இலக்கு புரதங்களுக்கு எப்படி பிணைக்கிறது என்பதை மதிப்பாய்வு செய்து புதிய சிகிச்சைகளை கண்டுபிடிக்க உதவலாம், அல்லது மரபணு மற்றும் மருத்துவ தரவுகளை விரைவாக பகுப்பாய்வு செய்து துல்லிய மருத்துவத்தை மேம்படுத்தலாம்.
  
  IBM ஏற்கனவே க்ளீவ்லேண்ட் கிளினிக்குடன் இணைந்து குவாண்டம் கணினியை மருந்து கண்டுபிடிப்புக்கும் மருத்துவ மாதிரிகளை மேம்படுத்தவும் பயன்படுத்தி வருகிறது, இது அல்சைமர் போன்ற நோய்களுக்கு சிகிச்சை உருவாக்குவதில் முன்னேற்றங்களை ஏற்படுத்தும் வாய்ப்பை காட்டுகிறது.

• நிதி மற்றும் வங்கி: நிதி சேவைகளில், குவாண்டம் ஏஐ பங்குச் சுருக்கம், அபாய மேலாண்மை மற்றும் மோசடி கண்டறிதல் போன்றவற்றை மேம்படுத்த முடியும். சீரமைப்பு பிரச்சனைகள் நிதி துறையில் அதிகம் உள்ளன (உதாரணமாக, ஒரு பங்குச் சுருக்கத்தில் சிறந்த சொத்துக்களை தேர்வு செய்தல், அல்லது வரம்புகளுக்குள் வர்த்தகยุதிகள் சீரமைத்தல்) மற்றும் குவாண்டம் ஆல்கொரிதங்கள் இந்த பெரிய தீர்வு பரப்புகளை திறமையாக ஆராயக்கூடியவை.

  ஒரு குவாண்டம் கணினி சிக்கலான நிதி தரவுகளையும் தொடர்புகளையும் பாரம்பரிய அமைப்புகள் தவிர்க்கக்கூடிய முறையில் பகுப்பாய்வு செய்து, சிறந்த முதலீட்டுยุதிகள் அல்லது சந்தை மாற்றங்களுக்கான முன்னறிவிப்புகளை கண்டறிய முடியும். குவாண்டம் ஏஐ குறியாக்கம் மற்றும் பாதுகாப்பையும் வலுப்படுத்தும், ஏனெனில் குவாண்டம் தொழில்நுட்பங்கள் புதிய குறியாக்க முறைகளை உருவாக்க உதவுகின்றன (பழைய குறியாக்க முறைகளை அச்சுறுத்தி, குவாண்டம் எதிர்ப்பு குறியாக்கத்தை உருவாக்க வைக்கின்றன).
  
  நிதி நிறுவனங்கள் குவாண்டம் மேம்படுத்தப்பட்ட ஆல்கொரிதங்களை ஆராய்ந்து வருகின்றன, குவாண்டம் அபாய மாதிரிகள் மற்றும் வேகமான மொன்டே கார்லோ சிமுலேஷன்கள் எதிர்கால கணிப்புகள் மற்றும் முடிவெடுப்புகளில் போட்டி முன்னிலை தரும் என எதிர்பார்க்கப்படுகின்றன.

• பரிவহন மற்றும் விநியோக சங்கிலி: பரிவஹன மேலாண்மை மிகவும் சிக்கலான பாதை திட்டமிடல், அட்டவணை அமைத்தல் மற்றும் சரக்குக் கணக்கீடு பிரச்சனைகளை உள்ளடக்கியது. குவாண்டம் ஏஐ விநியோக சங்கிலி சீரமைப்பை பெரிதும் மேம்படுத்த முடியும், ஏனெனில் இது பல பாதை வாய்ப்புகளையும் அட்டவணை அமைப்புகளையும் ஒரே நேரத்தில் மதிப்பாய்வு செய்ய முடியும்.

  உதாரணமாக, ஒரு குவாண்டம் ஆல்கொரிதம் ஒரு டெலிவரி வண்டி படையின் மிகச் சிறந்த பாதைகளை கண்டறிய அல்லது எரிபொருள் பயன்பாடு மற்றும் விநியோக நேரங்களை குறைக்கும் வகையில் கப்பல் அட்டவணைகளை சீரமைக்க முடியும், இது பாரம்பரிய கணினிகளுக்கு பெரிய வலையமைப்புகளுக்கு சிறந்த முறையில் செய்ய கடினம். அதேபோல், களஞ்சிய மற்றும் சரக்கு மேலாண்மையில், குவாண்டம் அடிப்படையிலான சீரமைப்பு பணி சரக்கு அளவுகளை சமநிலைப்படுத்தி செயல்பாட்டு செலவுகளை குறைக்க உதவும்.
  
  IBM தகவல்படி, குவாண்டம் ஏஐ வணிகங்களில் விநியோக சங்கிலிகளை சீரமைக்க பயன்படுத்தப்படுகிறது, இது துல்லியமான தேவைக் கணிப்புகள், செலவு குறைப்பு மற்றும் திறன் மேம்பாட்டை ஏற்படுத்துகிறது.

• காப்பீடு மற்றும் அபாய பகுப்பாய்வு: காப்பீடு துறை பெரும் அளவிலான தரவுகளையும் சிக்கலான தொடர்புகளையும் பகுப்பாய்வு செய்து இழப்புகளை கணிக்க, பிரீமியங்களை நிர்ணயிக்க மற்றும் மோசடியைக் கண்டறிய பயன்படுத்துகிறது. குவாண்டம் ஏஐ இந்த அனைத்து தொடர்புடைய அபாய காரகங்களையும் ஒரே நேரத்தில் ஆராய்ந்து இந்த பகுப்பாய்வுகளை மேம்படுத்த முடியும்.

  உதாரணமாக, ஒரு காப்பீட்டாளர் குவாண்டம் ஆல்கொரிதங்களை பயன்படுத்தி பல மாறிலிகள் (வானிலை முறை, பொருளாதார குறியீடுகள், வாடிக்கையாளர் நடத்தை போன்றவை) எப்படி தொடர்பு கொண்டு காப்பீடு அபாயங்கள் மற்றும் விலை நிர்ணயத்தை பாதிக்கின்றன என்பதை உடனடியாக மதிப்பாய்வு செய்ய முடியும். இந்த ஒரே நேரத்தில் பகுப்பாய்வு அபாய மாதிரிகளின் துல்லியத்தை மேம்படுத்தி, தனிப்பட்ட காப்பீடு சேவைகளை வழங்க உதவும்.
  
  உதாரணமாக, நேரடி மோசடி கண்டறிதல் போன்ற கடினமான பிரச்சனைகள், பெரும் தரவுத்தொகைகளில் நுணுக்கமான மாற்றங்களைத் தேடும் பணிகள், குவாண்டம் மேம்படுத்தப்பட்ட AI மூலம் சிறப்பாக கையாளப்படலாம், இது பாரம்பரிய பகுப்பாய்வுகளுக்கு மறைக்கப்படும் மோசடி வடிவங்களை கண்டறிய உதவும்.

• அறிவியல் ஆராய்ச்சி மற்றும் பொறியியல்: வணிக பயன்பாடுகளைத் தாண்டி, குவாண்டம் ஏஐ பொருள் அறிவியல், வேதியியல் மற்றும் குறியாக்கவியல் போன்ற அறிவியல் துறைகளில் புரட்சியை ஏற்படுத்த உள்ளது. குவாண்டம் கணினிகள் குவாண்டம் இயற்பியல் அமைப்புகளை நேரடியாக சிமுலேட் செய்ய முடியும், இது புதிய பொருட்கள் அல்லது வேதிப்பொருட்கள் (உதாரணமாக சூப்பர்கண்டக்டர்கள் அல்லது ஊக்குவிப்பாளர்கள்) வடிவமைக்க மிகவும் பயனுள்ளதாகும், பாரம்பரிய முறையில் இது மிகவும் நேரம் எடுத்துக்கொள்ளும்.

  வானியல் அல்லது எரிசக்தி போன்ற துறைகளில், குவாண்டம் ஏஐ சிக்கலான அமைப்புகளை (உதாரணமாக, விமானவியல் வடிவமைப்புகள், மின்கட்டமைப்பு மேலாண்மை) பெரிய அளவிலான அளவுரு பரப்புகளை திறமையாக செயலாக்கி சீரமைக்க முடியும். அடிப்படைக் அறிவியலிலும், AI இயக்க experimental தரவுகளின் பகுப்பாய்வு (உதாரணமாக, துகளியல் அல்லது விண்வெளி ஆய்வுகள்) குவாண்டம் கணினியின் சக்தியால் விரைவுபடலாம்.
  
  அதாவது, மிகவும் சிக்கலான அமைப்புகள் அல்லது பெரிய தரவு பகுப்பாய்வை உள்ளடக்கிய எந்த துறையும் — காலநிலை மாதிரியாக்கம் முதல் மரபணு அறிவியல் வரை — குவாண்டம் ஏஐயின் உதவியால் பாரம்பரிய கணினி மட்டுமே செய்ய முடியாத தீர்வுகளை ஆராய முடியும்.

இந்த பயன்பாடுகளில் பல இன்னும் பரிசோதனை அல்லது சான்றிதழ் நிலைகளில் உள்ளன என்பதை கவனிக்க வேண்டும். இருப்பினும், முன்னேற்றம் வேகமாக நடைபெற்று வருகிறது. உலகம் முழுவதும் அரசுகள் மற்றும் நிறுவனங்கள் குவாண்டம் கணினி ஆராய்ச்சியில் முதலீடு செய்து வருகின்றன, மற்றும் ஆரம்ப சோதனைகள் குவாண்டம் அடிப்படையிலான AI சில பிரச்சனைகளை சிறப்பாக கையாள முடியும் என்பதை உறுதிப்படுத்துகின்றன.

உதாரணமாக, Google குவாண்டம் ஏஐ குழு 2019ல் ஒரு குவாண்டம் ஆதிக்கம் பரிசோதனையை (ஒரு குறிப்பிட்ட சீரற்ற சுற்று பிரச்சனையை சூப்பர் கணினியைவிட வேகமாக தீர்க்க) வெற்றிகரமாக முடித்தது, மற்றும் 2024ல் வில்லோ என்ற புதிய குவாண்டம் செயலியை அறிமுகப்படுத்தியது, இது ஒரு சோதனையில் பாரம்பரிய சூப்பர் கணினிகள் பில்லியன் ஆண்டுகள் எடுக்கும் பிரச்சனையை நிமிடங்களில் தீர்க்க முடிந்தது.

இந்த வகையான கூற்றுகள் இன்னும் மேம்படுத்தப்பட வேண்டியவை மற்றும் குறுகிய பணிகளுக்கு மட்டுமே பொருந்தும் என்றாலும், குவாண்டம் முன்னிலை என்பதன் சாத்தியமான அளவை வெளிப்படுத்துகின்றன, இது எதிர்காலத்தில் உண்மையான AI பிரச்சனைகளுக்கு பயன்படுத்தப்படலாம். SAS நிறுவனத்தின் CTO பிரையன் ஹாரிஸ் கூறியதுபோல், "குவாண்டம் சந்தை மிக வேகமாக முன்னேறுகிறது. இது $35 பில்லியன் சந்தை, 2030க்குள் டிரில்லியன் ஆகும் என்று கணிக்கப்படுகிறது... இதில் நாம் செய்யப்போகும் முன்னேற்றங்கள் மிகப்பெரியவை."

மற்ற வார்த்தைகளில், நிபுணர்கள் எதிர்காலத்தில் குவாண்டம் ஏஐ மிக வேகமாக வளர்ந்து, தொழில்துறைகள் இயங்கும் முறையை மாற்றும் என்று எதிர்பார்க்கின்றனர்.

சவால்கள் மற்றும் எதிர்கால பார்வை

ஆர்வத்தின்போதிலும், குவாண்டம் ஏஐ இன்னும் ஆரம்ப கட்டத்தில் உள்ளது, மற்றும் அதன் முழு வாக்குறுதியை நிறைவேற்றுவதற்கு முன்னர் பல முக்கிய சவால்களை கடக்க வேண்டும். ஒரு பெரிய சவால் அளவீடு மற்றும் ஹார்ட்வேர் நிலைத்தன்மை ஆகும். இன்றைய குவாண்டம் கணினிகள் குவிட் எண்ணிக்கையில் வரம்பு கொண்டவை மற்றும் டிகோஹீரன்ஸ் காரணமாக பிழைகளுக்கு மிகவும் ஆளாக உள்ளன — சூப்பர்பொசிஷன் அல்லது இணைப்பு நிலைகள் சுற்றுச்சூழல் சத்தத்தால் எளிதில் பாதிக்கப்படுகின்றன.

சிக்கலான கணக்கீடுகளை செய்ய குவிட்களை நீண்ட நேரம் நிலைத்தன்மையுடன் பிழையில்லாமல் வைத்திருப்பது தொடர்ச்சியான பொறியியல் சவால். ஆராய்ச்சியாளர்கள் பிழை திருத்தக் கருவிகள் மற்றும் சிறந்த ஹார்ட்வேர் (உதாரணமாக, IBM இன் திட்டத்தில் குவிட்களின் ஒத்துழைப்பு நேரத்தை மேம்படுத்துதல்) உருவாக்கி வருகின்றனர், ஆனால் உண்மையான தவறற்ற குவாண்டம் கணினிகள் பெரிய AI ஆல்கொரிதங்களை நம்பகமாக இயக்க சில ஆண்டுகள் தேவைப்படும்.

மேலும், தற்போதைய குவாண்டம் செயலிகள் அதிகபட்சம் சில நூறு குவிட்கள் மட்டுமே கொண்டுள்ளன, மற்றும் பல பயன்பாடுகள் பாரம்பரிய அமைப்புகளை மீறுவதற்கு ஆயிரக்கணக்கான குவிட்களை தேவைப்படும். ஹார்ட்வேர் அளவை அதிகரிக்கும்போது நிலைத்தன்மையை பராமரிப்பது உலகம் முழுவதும் ஆய்வகங்களில் தீவிரமாக கையாளப்படும் சவால் ஆகும்.

மற்றொரு சவால் மென்பொருள் பக்கத்தில் உள்ளது: ஆல்கொரிதங்கள் மற்றும் திறமை. குவாண்டம் கணினிகள் பாரம்பரிய மென்பொருளை இயக்காது, மற்றும் பல பாரம்பரிய AI ஆல்கொரிதங்களை நேரடியாக குவாண்டம் சூழலில் மாற்ற முடியாது, பெரிய மாற்றங்கள் அல்லது மறுசிந்தனைகள் தேவை.

இதனால் ஆராய்ச்சியாளர்கள் AI பணிகளுக்கு குவாண்டம் ஹார்ட்வேர் திறம்பட பயன்படுத்தக்கூடிய புதிய குவாண்டம் ஆல்கொரிதங்கள் அல்லது கலவை முறைகளை உருவாக்க வேண்டும். குவாண்டம் நிரலாக்கம் தனித்துவமான திறமை, மற்றும் குவாண்டம் கணினி திறமையாளர் குறைவு உள்ளது.

எனினும், திறந்த மூல கட்டமைப்புகள் (IBM இன் Qiskit மற்றும் Google இன் Cirq போன்றவை) மற்றும் கல்வி திட்டங்கள் புதிய தலைமுறை பொறியாளர்களை குவாண்டம் ஆல்கொரித வடிவமைப்பில் பயிற்றுவிக்கின்றன. காலத்துடன், அதிக பயனர் நட்பு குவாண்டம் மென்பொருள் கருவிகள் மற்றும் உயர் நிலை சாராம்சங்கள் உருவாகி, AI நிபுணர்கள் குவாண்டம் இயந்திரங்களை பயன்படுத்த குவாண்டம் இயற்பியல் நிபுணர்கள் ஆகாமல் இயலும்.

இந்த கட்டுப்பாடுகளை கருத்தில் கொண்டு, தற்போதைய குவாண்டம் ஏஐ முன்னேற்றம் கலவை அணுகுமுறை ஆகும். குவாண்டம் கணினிகள் பாரம்பரிய கணினிகளை மாற்றவல்லவை அல்ல; அதற்கு பதிலாக, குறிப்பிட்ட பணிகளுக்கு சக்திவாய்ந்த இணை செயலிகள் ஆக செயல்படுகின்றன.

வாசிப்பில், CPUகள், GPUகள் மற்றும் QPUகள் (குவாண்டம் செயலி அலகுகள்) ஒன்றாக வேலை செய்கின்றன: AI பணியின் பெரும்பாலான பாகங்கள் ஒவ்வொரு தளத்திற்கும் சிறந்ததாக இருக்கும் பகுதிக்கு பகிரப்படுகிறது. உதாரணமாக, ஒரு குவாண்டம் செயலி சிக்கலான அம்சங்களை உருவாக்குதல் அல்லது இயந்திரக் கற்றல் மாதிரியின் சீரமைப்பு படியை கையாளலாம், அதே நேரத்தில் பாரம்பரிய செயலி தரவு முன் செயலாக்கம் மற்றும் இறுதி முடிவுகளை ஒருங்கிணைக்கும்.

இந்த கலவை மாதிரி எதிர்காலத்திற்கும் தொடரும் போதுமானது, குவாண்டம் மற்றும் பாரம்பரிய "பிரித்து-வெற்றி" ஒத்துழைப்புகள் பெரிய பிரச்சனைகளின் பகுதிகளை தீர்க்கும். உண்மையில், நாங்கள் ஏற்கனவே குவாண்டம் வேகப்படுத்திகள் பாரம்பரிய சூப்பர் கணினிகள் மற்றும் AI ஹார்ட்வேர் உடன் இணைக்கப்பட்டு சோதனைகள் நடத்தப்படுவதை காண்கிறோம்.

குவாண்டம் தொழில்நுட்பம் வளர்ந்துவரும் போது, இந்த ஒருங்கிணைப்பு மேலும் வலுப்படும் — சில ஆராய்ச்சியாளர்கள் குவாண்டம் சிப் மற்றும் பாரம்பரிய சிப் ஒரே கணினி தொகுதியில் அல்லது மேக சூழலில் நேரடியாக இணைந்து வேலை செய்வதாக கற்பனை செய்கின்றனர், நேரடி வேலைநிரலை மேம்படுத்த.

எதிர்காலத்தை நோக்கி, குவாண்டம் ஏஐயின் எதிர்காலம் மிக நம்பிக்கையுடன் உள்ளது. ஹார்ட்வேர் முன்னேற்றங்கள் (குவிட் எண்ணிக்கை அதிகரித்தல், பிழை விகிதங்கள் குறைத்தல், புதிய குவிட் தொழில்நுட்பங்கள்) அடுத்த பத்தாண்டுகளில் எதிர்பார்க்கப்படுகின்றன, மற்றும் ஒவ்வொரு முன்னேற்றமும் AI பிரச்சனைகளின் பரப்பை நேரடியாக விரிவுபடுத்தும்.

தொழில் திட்டங்கள் (IBM, Google மற்றும் பிற) 2020களின் இறுதிக்குள் பெரிய, நிலையான குவாண்டம் இயந்திரங்களுக்கு வழிகாட்டுகின்றன, மற்றும் பின்வரும் ஆண்டுகளில் தவறற்ற குவாண்டம் கணினி என்ற மைல்கல் அடையப்படலாம். இந்த ஆராய்ச்சி அடுத்த 5 முதல் 10 ஆண்டுகளில் வளர்ந்துவரும் போது, நிபுணர்கள் மிகப்பெரிய குவாண்டம்-AI முன்னேற்றங்களை எதிர்பார்க்கின்றனர், இது நமது முறைகளை மாற்றி, சிக்கலான பிரச்சனைகளை புதிய வழிகளில் தீர்க்கும்.

நாம் ஆரம்பகட்டத்தில் சிறப்பு பகுதிகளில் (சீரமைப்பு அல்லது மருந்து வடிவமைப்புக்கான பொருள் சிமுலேஷன் போன்றவை) குவாண்டம் முன்னிலை காண்போம், பின்னர் தொழில்நுட்பம் வளர்ந்தபின் பரவலான தாக்கங்கள் ஏற்படும்.

முக்கியமாக, உலகம் முழுவதும் அரசுகள் மற்றும் நிறுவனங்களின் பெரிய முதலீடுகள் முன்னேற்றத்தை வேகப்படுத்துகின்றன. தேசிய குவாண்டம் முயற்சிகள் (அமெரிக்கா, ஐரோப்பா, சீனா போன்றவை) மற்றும் IBM, Google, Microsoft, Amazon, Intel மற்றும் வளர்ந்து வரும் ஸ்டார்ட்அப்கள் (IonQ, Rigetti, Pasqal, D-Wave மற்றும் பிற) குவாண்டம் ஏஐயை உண்மையாக்குவதற்கு வளங்களை செலுத்துகின்றன.

இந்த உலகளாவிய முயற்சி குவாண்டம் கணினிகளை உருவாக்குவதற்கே அல்ல, அதே சமயம் குவாண்டம் ஆல்கொரிதங்கள், மென்பொருள் கட்டமைப்புகள் மற்றும் தொழிலாளர்களை உருவாக்குவதற்கும் ஆகும், அவை AI பயன்பாடுகளில் திறம்பட பயன்படுத்தப்பட வேண்டும்.

தொழில்நுட்ப சமூகத்தில் பொதுவான கருத்து, நிறுவனங்கள் இப்போது குவாண்டம் ஏஐயை ஆராயத் தொடங்க வேண்டும் — பரிசோதனை மட்டுமே என்றாலும் — எதிர்கால முன்னேற்றங்களுக்கு தயாராக இருக்க. ஆரம்ப ஏற்றுக்கொள்ளுநர்கள் குவாண்டம் கணினி வளர்ச்சி அடைந்தபோது போட்டி முன்னிலை பெற தயாராகி வருகின்றனர்.

>>> நீங்கள் அறிந்தீர்களா:

எட்ஜ் ஏஐ என்றால் என்ன?

உற்பத்தி செயற்கை நுண்ணறிவு (Generative AI) என்றால் என்ன?

ஏ.ஐ மற்றும் மெட்டாவர்ஸ்

சுருக்கமாக, குவாண்டம் ஏஐ நமது காலத்தின் இரண்டு மிகப் பெரிய மாற்றத்திறனுள்ள தொழில்நுட்பங்களின் இணைப்பாகும் — குவாண்டம் கணினி மற்றும் செயற்கை நுண்ணறிவு. குவாண்டம் நிகழ்வுகளை பயன்படுத்தி AI திறன்களை மேம்படுத்துவதன் மூலம், இது முன்பு தீர்க்க முடியாத சிக்கல்களை, சிக்கலான சீரமைப்புகளை உடைக்கும் முதல் படி முதல் இயற்கையின் மிக நுணுக்கமான அமைப்புகளை மாதிரியாக்கும் வரை தீர்க்க வாக்குறுதி அளிக்கிறது.

இன்னும் வளர்ந்து வரும் நிலையில் இருந்தாலும், குவாண்டம் ஏஐ குவாண்டம் ஹார்ட்வேர் மேம்படும் போது AI மற்றும் கணினி தொழில்நுட்பத்தின் எதிர்காலத்தை மறுபரिभाषிக்க தயாராக உள்ளது. எதிர்கால ஆண்டுகளில், குவாண்டம் ஏஐ பரிசோதனை மாதிரிகளிலிருந்து நடைமுறை தீர்வுகளுக்கு மாறி, வணிகம், அறிவியல் மற்றும் பிற துறைகளில் புதிய வாய்ப்புகளை திறக்கும் என்று எதிர்பார்க்கப்படுகிறது.

இந்த பயணம் இப்போது தொடங்கியுள்ளது, ஆனால் அதன் தாக்கம் மிகப்பெரியது — கணினி புதுமையின் புதிய காலத்தை நுழையும் போது கவனிக்க வேண்டிய துறையாக குவாண்டம் ஏஐ இருக்கிறது.