ڈیوڈ لیڈن کے ساتھ کوانٹم انہینسڈ مارکوف چین مونٹی کارلو سمولیشنز

ڈیوڈ لیڈن کی کوانٹم اینہانسڈ مارکوف چین مونٹی کارلو پر ایک گفتگو یہ ہے۔

خلاصہ:

پیچیدہ امکانات کی تقسیم سے نمونہ لینا ایک مشکل کمپیوٹیشنل مسئلہ ہے جو بہت سے شعبوں میں پیدا ہوتا ہے، بشمول شماریاتی طبیعیات، اصلاح، اور مشین لرننگ۔ کوانٹم کمپیوٹرز کو حال ہی میں پیچیدہ تقسیموں سے نمونے کے لیے استعمال کیا گیا ہے جن کا کلاسیکی طور پر نمونہ لینا مشکل ہے، لیکن جو ایپلی کیشنز میں شاذ و نادر ہی پیدا ہوتا ہے۔ ہم تقسیم کے نمونے کے لیے ایک کوانٹم الگورتھم متعارف کراتے ہیں جو کئی ایپلی کیشنز میں رکاوٹ کا باعث بنتے ہیں، جسے ہم سپر کنڈکٹنگ کوانٹم پروسیسر پر لاگو کرتے ہیں۔ الگورتھم مارکوف چین مونٹی کارلو (MCMC) کو انجام دیتا ہے، جو ایک مقبول تکراری نمونے لینے کی تکنیک ہے، جس کا نمونہ کلاسیکی آئیزنگ ماڈلز کی بولٹزمین تقسیم سے لیا جاتا ہے۔ ہر مرحلے میں، کوانٹم پروسیسر ایک بے ترتیب اقدام کی تجویز کرنے کے لیے سپرپوزیشن میں ماڈل کی کھوج کرتا ہے، جسے پھر کلاسیکل کمپیوٹر کے ذریعے قبول یا مسترد کر دیا جاتا ہے اور مطلوبہ بولٹزمین کی تقسیم میں ہم آہنگی کو یقینی بناتے ہوئے، کوانٹم پروسیسر پر واپس آ جاتا ہے۔ ہمیں معلوم ہوتا ہے کہ یہ کوانٹم الگورتھم متعلقہ مسائل کی مثالوں پر عام کلاسیکی MCMC متبادلات کے مقابلے میں کم تکرار میں بدل جاتا ہے، دونوں طرح کی نقل اور تجربات میں۔ لہٰذا یہ کوانٹم کمپیوٹرز کے لیے ایک نئی راہ کھولتا ہے تاکہ قریب کی مدت میں مفید — نہ صرف مشکل — مسائل کو حل کیا جا سکے۔

[سرایت مواد]