ਕੰਪਿਊਟੇਸ਼ਨਲ ਗੁੰਝਲਤਾ ਦੀ ਧਾਰਨਾ ਦੇ ਅਨੁਸਾਰ, ਗਣਿਤ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਵਿੱਚ ਮੁਸ਼ਕਲਾਂ ਦੀਆਂ ਵੱਖੋ ਵੱਖਰੀਆਂ ਡਿਗਰੀਆਂ ਹੁੰਦੀਆਂ ਹਨ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਉਹਨਾਂ ਨੂੰ ਕਿੰਨੀ ਆਸਾਨੀ ਨਾਲ ਹੱਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਜਦੋਂ ਕਿ ਇੱਕ ਪਰੰਪਰਾਗਤ ਕੰਪਿਊਟਰ ਕੁਝ ਸਮੱਸਿਆਵਾਂ (P) ਨੂੰ ਬਹੁਪਦ ਦੇ ਸਮੇਂ ਵਿੱਚ ਹੱਲ ਕਰ ਸਕਦਾ ਹੈ- ਯਾਨੀ, P ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਲੋੜੀਂਦਾ ਸਮਾਂ ਇਨਪੁਟ ਦੇ ਆਕਾਰ ਦਾ ਇੱਕ ਬਹੁਪਦ ਫੰਕਸ਼ਨ ਹੈ- ਇਹ ਅਕਸਰ NP ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਵਿੱਚ ਅਸਫਲ ਰਹਿੰਦਾ ਹੈ ਜੋ ਸਮੱਸਿਆ ਦੇ ਆਕਾਰ ਨਾਲ ਤੇਜ਼ੀ ਨਾਲ ਸਕੇਲ ਕਰਦੇ ਹਨ ਅਤੇ ਇਸ ਲਈ ਬਹੁਨਾਮੀ ਸਮੇਂ ਵਿੱਚ ਹੱਲ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ। ਇਸ ਲਈ, ਸੈਮੀਕੰਡਕਟਰ ਡਿਵਾਈਸਾਂ 'ਤੇ ਬਣੇ ਪਰੰਪਰਾਗਤ ਕੰਪਿਊਟਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਐਨਪੀ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ।
ਇੱਕੋ ਸਮੇਂ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਸੰਖਿਆ ਵਿੱਚ ਓਪਰੇਸ਼ਨ ਕਰਨ ਦੀ ਉਹਨਾਂ ਦੀ ਯੋਗਤਾ ਦੇ ਕਾਰਨ, ਕੁਆਂਟਮ ਕੰਪਿਊਟਰਾਂ ਨੂੰ ਇਸ ਸਬੰਧ ਵਿੱਚ ਵਧੀਆ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ। ਨਤੀਜੇ ਵਜੋਂ, NP ਸਮੱਸਿਆ ਹੱਲ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਤੇਜ਼ ਹੋ ਜਾਂਦੀ ਹੈ। ਹਾਲਾਂਕਿ, ਬਹੁਤ ਸਾਰੀਆਂ ਭੌਤਿਕ ਐਪਲੀਕੇਸ਼ਨਾਂ ਤਾਪਮਾਨ ਵਿੱਚ ਤਬਦੀਲੀਆਂ ਪ੍ਰਤੀ ਬਹੁਤ ਸੰਵੇਦਨਸ਼ੀਲ ਹੁੰਦੀਆਂ ਹਨ।
ਨਤੀਜੇ ਵਜੋਂ, ਕੁਆਂਟਮ ਕੰਪਿਊਟਰਾਂ ਦੀ ਵਰਤੋਂ ਲਈ ਅਕਸਰ ਕਠੋਰ ਪ੍ਰਯੋਗਾਤਮਕ ਸਥਿਤੀਆਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜਿਵੇਂ ਕਿ ਬਹੁਤ ਘੱਟ ਤਾਪਮਾਨ, ਉਹਨਾਂ ਦੇ ਨਿਰਮਾਣ ਨੂੰ ਔਖਾ ਬਣਾਉਂਦਾ ਹੈ ਅਤੇ ਉਹਨਾਂ ਦੀ ਲਾਗਤ ਵਿੱਚ ਵਾਧਾ ਹੁੰਦਾ ਹੈ।
ਖੁਸ਼ਕਿਸਮਤੀ ਨਾਲ, ਕੁਆਂਟਮ ਕੰਪਿਊਟਿੰਗ ਦਾ ਇੱਕ ਘੱਟ ਜਾਣਿਆ-ਪਛਾਣਿਆ ਅਤੇ ਅਜੇ ਤੱਕ ਅਣਜਾਣ ਵਿਕਲਪ ਸੰਭਾਵੀ ਕੰਪਿਊਟਿੰਗ ਹੈ। NP ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਹੱਲ ਕਰਨ ਲਈ, ਸਟੋਕੈਸਟਿਕ ਕੰਪਿਊਟਿੰਗ ਅਖੌਤੀ "ਸਟੋਕੈਸਟਿਕ ਨੈਨੋਡਿਵਾਈਸਾਂ" ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ ਜਿਨ੍ਹਾਂ ਦਾ ਕੰਮ ਥਰਮਲ ਉਤਰਾਅ-ਚੜ੍ਹਾਅ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਕੁਆਂਟਮ ਕੰਪਿਊਟਰਾਂ ਦੇ ਉਲਟ, ਥਰਮਲ ਉਤਰਾਅ-ਚੜ੍ਹਾਅ, ਸੰਭਾਵੀ ਗਣਨਾ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ। ਨਤੀਜੇ ਵਜੋਂ, ਸੰਭਾਵੀ ਕੰਪਿਊਟਿੰਗ ਰੋਜ਼ਾਨਾ ਸਥਿਤੀਆਂ ਵਿੱਚ ਵਰਤਣ ਲਈ ਵਧੇਰੇ ਵਿਹਾਰਕ ਹੈ।
ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਖਾਸ NP ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਸਟੋਚੈਸਟਿਕ ਨੈਨੋ-ਡਿਵਾਈਸ ਨੈਟਵਰਕ ਦੀ ਨਕਲ ਕਰਕੇ ਸੰਭਾਵੀ ਗਣਨਾ ਦੀ ਸਮਰੱਥਾ ਨੂੰ ਸਾਬਤ ਕੀਤਾ ਹੈ, ਇਸ ਵਿਹਾਰਕ ਵਿਕਲਪ ਬਾਰੇ ਬਹੁਤ ਲੋੜੀਂਦੀ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹੋਏ। ਪਰਡਿਊ ਯੂਨੀਵਰਸਿਟੀ ਦੇ ਪ੍ਰੋਫੈਸਰ ਪੀਟਰ ਬਰਮੇਲ ਦੀ ਅਗਵਾਈ ਵਾਲੀ ਖੋਜ, ਜਰਨਲ ਆਫ਼ ਫੋਟੋਨਿਕਸ ਫਾਰ ਐਨਰਜੀ (ਜੇਪੀਈ) ਵਿੱਚ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤੀ ਗਈ ਹੈ।
"ਇਸਿੰਗ ਮਾਡਲ", ਇੱਕ ਮਿਆਰੀ ਮਾਡਲ, ਖੋਜਕਰਤਾਵਾਂ ਦੁਆਰਾ ਭੌਤਿਕ ਅਤੇ ਗਣਿਤਿਕ ਵਿਸ਼ਿਆਂ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਕਿਸਮ ਦੀ ਨਕਲ ਕਰਨ ਲਈ ਵਰਤਿਆ ਗਿਆ ਸੀ। "ਹੈਮਿਲਟੋਨੀਅਨ" ਵਜੋਂ ਜਾਣਿਆ ਜਾਣ ਵਾਲਾ ਊਰਜਾ ਆਪਰੇਟਰ NP ਸਮੱਸਿਆਵਾਂ ਦਾ ਵਰਣਨ ਵੀ ਕਰ ਸਕਦਾ ਹੈ। ਹੈਮਿਲਟੋਨੀਅਨ ਨੂੰ ਅਸਲ ਵਿੱਚ ਪਰਮਾਣੂ ਸਪਿਨਾਂ ਦੇ ਚੁੰਬਕੀ ਡੋਪੋਲ ਪਲਾਂ ਦੇ ਪਰਸਪਰ ਕ੍ਰਿਆਵਾਂ ਨੂੰ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਵਿਕਸਤ ਕੀਤਾ ਗਿਆ ਸੀ। ਸੰਖੇਪ ਰੂਪ ਵਿੱਚ, ਇੱਕ NP ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਸਬੰਧਿਤ Ising Hamiltonian ਨੂੰ ਹੱਲ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
ਇਹਨਾਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਘੱਟ ਥਰਮਲ ਰੁਕਾਵਟਾਂ ਵਾਲੇ ਆਪਟੀਕਲ ਪੈਰਾਮੀਟ੍ਰਿਕ ਔਸਿਲੇਟਰ (ਓਪੀਓ) ਅਤੇ ਸਟੋਚੈਸਟਿਕ ਸਰਕੂਲਰ ਨੈਨੋਮੈਗਨੇਟ ਨੈਟਵਰਕਸ ਵਾਲੇ ਪ੍ਰੋਬੇਬਿਲਿਸਟਿਕ ਕੰਪਿਊਟਿੰਗ ਡਿਵਾਈਸਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਹੱਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਮੌਜੂਦਾ ਫੈਬਰੀਕੇਸ਼ਨ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਅਜਿਹੇ ਨੈਨੋਮੈਗਨੇਟ ਨੈਟਵਰਕ ਨੂੰ ਸਰਗਰਮ ਕੀਤਾ ਹੈ। ਫਿਰ ਉਹਨਾਂ ਨੇ ਸੰਯੁਕਤ ਅਨੁਕੂਲਨ ਨਾਲ ਸੰਬੰਧਿਤ ਸੰਖਿਆ ਸਿਧਾਂਤ ਤੋਂ ਚਾਰ NP-ਪੂਰੀਆਂ ਸਮੱਸਿਆਵਾਂ ਦੇ Ising Hamiltonians ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਇਸ ਨੂੰ ਲਾਗੂ ਕੀਤਾ। NP- ਸੰਪੂਰਨ ਸਮੱਸਿਆਵਾਂ ਉਹ ਸਮੱਸਿਆਵਾਂ ਹਨ ਜਿਨ੍ਹਾਂ ਦਾ ਕੋਈ ਕੁਸ਼ਲ ਹੱਲ ਐਲਗੋਰਿਦਮ ਨਹੀਂ ਹੈ। ਇਹਨਾਂ ਵਿੱਚ ਪੂਰਨ ਅੰਕ ਲੀਨੀਅਰ ਪ੍ਰੋਗਰਾਮਿੰਗ, ਬਾਈਨਰੀ ਇੰਟੈਜਰ ਲੀਨੀਅਰ ਪ੍ਰੋਗਰਾਮਿੰਗ, ਪੂਰੀ ਕਵਰੇਜ ਅਤੇ ਨੰਬਰ ਵੰਡਣਾ ਸ਼ਾਮਲ ਹੈ।
ਆਈਸਿੰਗ ਮਾਡਲ (ਬੋਲਟਜ਼ਮੈਨ ਦਾ ਕਾਨੂੰਨ) ਦਾ ਸਿਧਾਂਤਕ ਹੱਲ ਅਤੇ 3, 3 ਅਤੇ 6 ਸੰਭਾਵੀ ਬਿੱਟਾਂ (ਪੀ-ਬਿਟਸ) ਵਾਲੀਆਂ ਪਹਿਲੀਆਂ ਤਿੰਨ ਸਮੱਸਿਆਵਾਂ ਦੇ ਸਿਮੂਲੇਸ਼ਨ ਨਤੀਜੇ ਸੰਪੂਰਨ ਸਮਝੌਤੇ ਵਿੱਚ ਸਨ। 3, 6, 9, 12, ਅਤੇ 15 ਪੀ-ਬਿਟਸ ਦੇ ਨਾਲ ਪੰਜ ਵੱਖ-ਵੱਖ ਫੁੱਲ-ਕਵਰੇਜ ਸਮੱਸਿਆਵਾਂ ਦੇ ਸਿਮੂਲੇਸ਼ਨ ਨੇ ਮਾਡਲਿੰਗ ਅਤੇ ਥਿਊਰੀ ਵਿਚਕਾਰ ਸਮਾਨ ਸਮਝੌਤਾ ਪ੍ਰਗਟ ਕੀਤਾ। ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਪ੍ਰੋਬੇਬਿਲਿਸਟਿਕ ਕੰਪਿਊਟਿੰਗ ਲਈ ਫਰੇਮਵਰਕ ਸਕੇਲ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ।
ਬਰਮੇਲ ਦੇ ਅਨੁਸਾਰ, "ਸੰਭਾਵੀ ਕੰਪਿਊਟਿੰਗ ਨੂੰ ਰਵਾਇਤੀ ਕੰਪਿਊਟਿੰਗ ਤਕਨੀਕਾਂ ਦਾ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਅਤੇ ਵਿਹਾਰਕ ਵਿਕਲਪ ਬਣਾਉਣ ਦੀ ਕੁੰਜੀ ਕਾਰਜ ਆਕਾਰ ਦੇ ਨਾਲ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸਕੇਲਿੰਗ ਹੈ। ਇਹ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਕਿ ਕਿਹੜੀਆਂ ਰਣਨੀਤੀਆਂ ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹਨ, ਦੋਵਾਂ ਮਾਡਲਾਂ ਅਤੇ ਪ੍ਰਯੋਗਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਲੋੜ ਹੋਵੇਗੀ।
ਖੋਜਕਰਤਾਵਾਂ ਦਾ ਸੁਝਾਅ ਹੈ ਕਿ ਭਾਵੇਂ ਦਿੱਤੇ ਗਏ ਸਿਮੂਲੇਸ਼ਨ ਨਤੀਜੇ ਸਾਰੇ ਪੀ-ਬਿੱਟਾਂ (3 ਤੋਂ 15 ਤੱਕ) ਲਈ ਠੋਸ ਖੋਜਾਂ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ, ਸਮਾਂਤਰ ਐਲਗੋਰਿਦਮ ਸਿਮੂਲੇਸ਼ਨ ਸਮਰੱਥਾ ਨੂੰ ਹੋਰ ਵਧਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੇ ਹਨ। ਨੈਨੋਮੈਗਨੇਟ ਤੋਂ ਓਪੀਓ ਨੈਟਵਰਕ ਵਿੱਚ ਤਬਦੀਲੀ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸਮੱਸਿਆ ਹੱਲ ਕਰਨ ਨੂੰ ਸਮਰੱਥ ਬਣਾ ਸਕਦੀ ਹੈ ਜਿੱਥੇ ਸਮਾਨਤਾ ਸੰਭਵ ਨਹੀਂ ਹੈ। ਸਿਸਟਮ ਨੂੰ ਆਸਾਨੀ ਨਾਲ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਅਤੇ ਮੌਜੂਦਾ ਨਿਰਮਾਣ ਪ੍ਰਕਿਰਿਆਵਾਂ ਜਿਵੇਂ ਕਿ CMOS ਤਕਨਾਲੋਜੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਇੱਕ OPO ਨੈੱਟਵਰਕ 'ਤੇ ਮੈਪ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਨਤੀਜੇ ਵਜੋਂ, ਸੰਭਾਵੀ ਗਣਨਾ ਲਈ ਘੱਟ ਊਰਜਾ ਰੁਕਾਵਟਾਂ ਵਾਲੇ ਸਟੋਚੈਸਟਿਕ ਨੈਨੋਮੈਗਨੇਟ ਆਖਰਕਾਰ ਬਣਾਏ ਜਾ ਸਕਦੇ ਹਨ।
ਸੀਨ ਸ਼ਾਹੀਨ, ਯੂਨੀਵਰਸਿਟੀ ਆਫ ਕੋਲੋਰਾਡੋ ਬੋਲਡਰ ਦੇ ਪ੍ਰੋਫੈਸਰ ਅਤੇ ਜੇਪੀਈ ਐਡੀਟਰ-ਇਨ-ਚੀਫ ਦੇ ਅਨੁਸਾਰ, "ਕਿਉਂਕਿ ਨਕਲੀ ਬੁੱਧੀ ਅਤੇ ਵਿਗਿਆਨਕ/ਐਂਟਰਪ੍ਰਾਈਜ਼ ਕੰਪਿਊਟਿੰਗ ਦੇ ਪੈਮਾਨੇ ਵਿੱਚ ਇੱਕ ਦਰ ਨਾਲ ਵਾਧਾ ਹੁੰਦਾ ਹੈ ਜੋ ਊਰਜਾ ਦੀ ਖਪਤ ਅਤੇ ਕਾਰਬਨ ਫੁੱਟਪ੍ਰਿੰਟ ਬਾਰੇ ਚਿੰਤਾਵਾਂ, ਜੇ ਜ਼ਰੂਰੀ ਨਹੀਂ, ਤਾਂ ਮਹੱਤਵਪੂਰਨ ਵਧਾਉਂਦਾ ਹੈ। -ਕੰਪਿਊਟਿੰਗ ਹਾਰਡਵੇਅਰ ਵਿਕਾਸ ਦੇ ਰਵਾਇਤੀ ਰੂਪ ਵੱਧ ਤੋਂ ਵੱਧ ਮਹੱਤਵਪੂਰਨ ਹੁੰਦੇ ਜਾਂਦੇ ਹਨ।
Zhu, Xi ਅਤੇ Bermel ਦੁਆਰਾ ਇਹ ਕੰਮ ਤਕਨਾਲੋਜੀ ਲਈ ਇੱਕ ਯਥਾਰਥਵਾਦੀ ਮਾਰਗ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦਾ ਹੈ ਜੋ NP-ਸੰਪੂਰਨ ਸਮੱਸਿਆਵਾਂ ਦੀ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਸ਼੍ਰੇਣੀ ਨੂੰ ਸੰਭਾਲ ਸਕਦਾ ਹੈ। ਕੰਮ ਇੱਕ ਸਕੇਲੇਬਲ, ਊਰਜਾ-ਕੁਸ਼ਲ ਹੱਲ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਗਣਨਾਤਮਕ ਤੌਰ 'ਤੇ ਮੰਗ ਕਰਨ ਵਾਲੇ ਕੰਮਾਂ ਨੂੰ ਸੰਭਾਲਣ ਵਿੱਚ ਰਵਾਇਤੀ ਹਾਰਡਵੇਅਰ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਪਛਾੜਨ ਦੀ ਸਮਰੱਥਾ ਹੈ, ਜੋ ਕਿ ਡ੍ਰਾਈਵ ਗਣਨਾ ਕਰਨ ਲਈ ਆਪਟੀਕਲ ਡਿਵਾਈਸਾਂ ਦੇ ਗੈਰ-ਲੀਨੀਅਰ ਨੈੱਟਵਰਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਮਝਦਾਰੀ ਨਾਲ ਕੰਮ ਕਰਦੀ ਹੈ।
ਸਰੋਤ: techxplore.com/news
Günceleme: 03/05/2023 14:19