যুগান্তকারী গবেষণা প্রদর্শন করে যে কৃত্রিম বুদ্ধিমত্তা উপকরণগুলিতে জটিল কোয়ান্টাম পর্যায়গুলি সনাক্ত করার জন্য প্রয়োজনীয় সময়কে মারাত্মকভাবে হ্রাস করে, যা কয়েক মাস থেকে মিনিটের মধ্যে একটি প্রক্রিয়াকে সঙ্কুচিত করে। এমোরি ইউনিভার্সিটি এবং ইয়েল ইউনিভার্সিটির মধ্যে এই সহযোগিতা নিউটনে প্রকাশিত হয়েছিল। এটি কোয়ান্টাম উপকরণ, বিশেষ করে নিম্ন-মাত্রিক সুপারকন্ডাক্টরগুলিতে গবেষণাকে উল্লেখযোগ্যভাবে বাড়িয়ে তোলে, যা নির্দিষ্ট তাপমাত্রায় প্রতিরোধ ছাড়াই বিদ্যুৎ পরিচালনা করে।
এমোরির ফ্যাং লিউ এবং ইয়াও ওয়াং এবং ইয়েলের ইউ হে-এর নেতৃত্বে এই গবেষণা কোয়ান্টাম উপকরণগুলির জটিলতা মোকাবেলার জন্য তাত্ত্বিক এবং পরীক্ষামূলক পদ্ধতির সমন্বয় করে। এই উপকরণগুলি কোয়ান্টাম এনট্যাঙ্গলমেন্ট এবং ওঠানামা দ্বারা প্রভাবিত আচরণ প্রদর্শন করে, যা ঐতিহ্যবাহী পদ্ধতি ব্যবহার করে চিহ্নিত করা কঠিন করে তোলে।
উদ্ভাবনটি পর্যায় পরিবর্তনের ইঙ্গিতকারী স্পেকট্রাল সংকেত সনাক্ত করতে মেশিন লার্নিং প্রয়োগের মধ্যে নিহিত। গবেষণার প্রথম লেখক জু চেন উল্লেখ করেছেন যে এই পদ্ধতিটি ব্যয়ের ভগ্নাংশে জটিল পর্যায় পরিবর্তনের একটি দ্রুত, সুনির্দিষ্ট স্ন্যাপশট সরবরাহ করে, যা সম্ভবত সুপারকন্ডাক্টিভিটি আবিষ্কারগুলিকে দ্রুততর করে।
উচ্চ-মানের পরীক্ষামূলক ডেটার সীমিত চ্যালেঞ্জ মোকাবেলা করে, গবেষকরা ব্যাপক ডেটাসেট তৈরি করতে উচ্চ-থ্রুপুট সিমুলেশন ব্যবহার করেছেন, যা প্রকৃত পরীক্ষামূলক ডেটার সাথে একত্রিত হয়েছে। এই কাঠামো মেশিন লার্নিং মডেলগুলিকে একক স্পেকট্রাল স্ন্যাপশট থেকে কোয়ান্টাম পর্যায়গুলি সনাক্ত করতে সক্ষম করে, ডেটার ঘাটতি কাটিয়ে ওঠে।
গবেষণা দলের কাঠামো মেশিন লার্নিং মডেলগুলিকে পরীক্ষামূলক ডেটা থেকে কোয়ান্টাম পর্যায়গুলি সনাক্ত করার অনুমতি দেয়, এমনকি একটি একক স্পেকট্রাল স্ন্যাপশট থেকে এই তথ্য বের করে। সিমুলেটেড ডেটাসেট থেকে প্রাপ্ত অন্তর্দৃষ্টিগুলির সুবিধা গ্রহণ করে, কাঠামোটি বৈজ্ঞানিক মেশিন লার্নিং-এ সীমিত পরীক্ষামূলক ডেটার চলমান সমস্যাটিকে উল্লেখযোগ্যভাবে হ্রাস করে। এই সাফল্য কোয়ান্টাম উপকরণগুলির দ্রুত অনুসন্ধানের একটি যুগের সূচনা করে, যা বিজ্ঞানীদের অভূতপূর্ব গতিতে আণবিক সিস্টেমগুলি তদন্ত করতে সক্ষম করে।
কিউপ্রেটগুলির উপর পরীক্ষামূলক পরীক্ষার মাধ্যমে ইয়েলের পদার্থবিজ্ঞানীদের দ্বারা মেশিন লার্নিং মডেলের কার্যকারিতা কঠোরভাবে যাচাই করা হয়েছিল। চিত্তাকর্ষকভাবে, পদ্ধতিটি সুপারকন্ডাক্টিং এবং অ-সুপারকন্ডাক্টিং পর্যায়গুলির মধ্যে পার্থক্য করতে প্রায় 98% এর একটি বিস্ময়কর নির্ভুলতা প্রদর্শন করেছে। ঐতিহ্যবাহী মেশিন লার্নিং পদ্ধতির বিপরীতে যা প্রায়শই সহায়ক বৈশিষ্ট্য নিষ্কাশনের উপর নির্ভর করে, এই নতুন মডেলটি অন্তর্নিহিত স্পেকট্রাল বৈশিষ্ট্যগুলির উপর ভিত্তি করে স্পষ্টভাবে পর্যায় পরিবর্তনগুলি চিহ্নিত করে, যার ফলে বিভিন্ন ধরণের উপকরণ জুড়ে এর দৃঢ়তা এবং সাধারণীকরণ বৃদ্ধি পায়।
এই অগ্রগতি শক্তি-সাশ্রয়ী প্রযুক্তি এবং পরবর্তী প্রজন্মের কম্পিউটিং সমাধানগুলির আবিষ্কারকে ত্বরান্বিত করার প্রতিশ্রুতি দেয়।