ಕಂಪ್ಯೂಟೇಶನಲ್ ಸಂಕೀರ್ಣತೆಯ ಪರಿಕಲ್ಪನೆಯ ಪ್ರಕಾರ, ಗಣಿತದ ಸಮಸ್ಯೆಗಳು ಎಷ್ಟು ಸುಲಭವಾಗಿ ಪರಿಹರಿಸಬಹುದು ಎಂಬುದರ ಆಧಾರದ ಮೇಲೆ ವಿವಿಧ ಹಂತದ ತೊಂದರೆಗಳನ್ನು ಹೊಂದಿರುತ್ತವೆ. ಸಾಂಪ್ರದಾಯಿಕ ಗಣಕವು ಬಹುಪದದ ಸಮಯದಲ್ಲಿ ಕೆಲವು ಸಮಸ್ಯೆಗಳನ್ನು (P) ಪರಿಹರಿಸಬಹುದಾದರೂ-ಅಂದರೆ, P ಅನ್ನು ಪರಿಹರಿಸಲು ಬೇಕಾದ ಸಮಯವು ಇನ್‌ಪುಟ್‌ನ ಗಾತ್ರದ ಬಹುಪದೀಯ ಕಾರ್ಯವಾಗಿದೆ-ಇದು ಸಮಸ್ಯೆಯ ಗಾತ್ರದೊಂದಿಗೆ ಘಾತೀಯವಾಗಿ ಅಳೆಯುವ NP ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ವಿಫಲಗೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಆದ್ದರಿಂದ ಬಹುಪದದ ಸಮಯದಲ್ಲಿ ಪರಿಹರಿಸಲಾಗುವುದಿಲ್ಲ. ಆದ್ದರಿಂದ, ಅರೆವಾಹಕ ಸಾಧನಗಳಲ್ಲಿ ನಿರ್ಮಿಸಲಾದ ಸಾಂಪ್ರದಾಯಿಕ ಕಂಪ್ಯೂಟರ್‌ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಸಾಕಷ್ಟು ದೊಡ್ಡ NP ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲಾಗುವುದಿಲ್ಲ.
ಗಮನಾರ್ಹ ಸಂಖ್ಯೆಯ ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ಏಕಕಾಲದಲ್ಲಿ ನಿರ್ವಹಿಸುವ ಅವರ ಸಾಮರ್ಥ್ಯದಿಂದಾಗಿ, ಕ್ವಾಂಟಮ್ ಕಂಪ್ಯೂಟರ್‌ಗಳು ಈ ನಿಟ್ಟಿನಲ್ಲಿ ಭರವಸೆಯನ್ನು ನೀಡುತ್ತವೆ. ಪರಿಣಾಮವಾಗಿ, NP ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸುವ ಪ್ರಕ್ರಿಯೆಯು ವೇಗಗೊಳ್ಳುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಅನೇಕ ಭೌತಿಕ ಅನ್ವಯಿಕೆಗಳು ತಾಪಮಾನ ಬದಲಾವಣೆಗಳಿಗೆ ಬಹಳ ಸೂಕ್ಷ್ಮವಾಗಿರುತ್ತವೆ.
ಪರಿಣಾಮವಾಗಿ, ಕ್ವಾಂಟಮ್ ಕಂಪ್ಯೂಟರ್‌ಗಳ ಬಳಕೆಗೆ ಸಾಮಾನ್ಯವಾಗಿ ಅತ್ಯಂತ ಕಡಿಮೆ ತಾಪಮಾನದಂತಹ ಕಠಿಣ ಪ್ರಾಯೋಗಿಕ ಪರಿಸ್ಥಿತಿಗಳ ಅಗತ್ಯವಿರುತ್ತದೆ, ಅವುಗಳ ತಯಾರಿಕೆಯನ್ನು ಕಷ್ಟಕರವಾಗಿಸುತ್ತದೆ ಮತ್ತು ಅವುಗಳ ವೆಚ್ಚವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ.
ಅದೃಷ್ಟವಶಾತ್, ಕ್ವಾಂಟಮ್ ಕಂಪ್ಯೂಟಿಂಗ್‌ಗೆ ಕಡಿಮೆ ಪ್ರಸಿದ್ಧ ಮತ್ತು ಇನ್ನೂ ಅನ್ವೇಷಿಸದ ಪರ್ಯಾಯವೆಂದರೆ ಸಂಭವನೀಯ ಕಂಪ್ಯೂಟಿಂಗ್. NP ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಪರಿಹರಿಸಲು, ಸ್ಟೋಕಾಸ್ಟಿಕ್ ಕಂಪ್ಯೂಟಿಂಗ್ "ಸ್ಟೊಕಾಸ್ಟಿಕ್ ನ್ಯಾನೊ ಡಿವೈಸಸ್" ಎಂದು ಕರೆಯಲ್ಪಡುವ ಬಳಕೆಯನ್ನು ಮಾಡುತ್ತದೆ, ಅದರ ಕಾರ್ಯಾಚರಣೆಯು ಉಷ್ಣ ಏರಿಳಿತಗಳನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ. ಉಷ್ಣ ಏರಿಳಿತಗಳು, ಕ್ವಾಂಟಮ್ ಕಂಪ್ಯೂಟರ್‌ಗಳಿಗಿಂತ ಭಿನ್ನವಾಗಿ, ಸಂಭವನೀಯ ಗಣನೆಯ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಪರಿಣಾಮವಾಗಿ, ಸಂಭವನೀಯ ಕಂಪ್ಯೂಟಿಂಗ್ ದೈನಂದಿನ ಸಂದರ್ಭಗಳಲ್ಲಿ ಬಳಸಲು ಹೆಚ್ಚು ಪ್ರಾಯೋಗಿಕವಾಗಿದೆ.
ನಿರ್ದಿಷ್ಟ NP ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಸ್ಥಾಪಿತ ನ್ಯಾನೊ-ಸಾಧನ ನೆಟ್‌ವರ್ಕ್‌ಗಳನ್ನು ಅನುಕರಿಸುವ ಮೂಲಕ ಸಂಭವನೀಯ ಗಣನೆಯ ಸಾಮರ್ಥ್ಯವನ್ನು ಸಂಶೋಧಕರು ಸಾಬೀತುಪಡಿಸಿದ್ದಾರೆ, ಈ ಕಾರ್ಯಸಾಧ್ಯವಾದ ಪರ್ಯಾಯದ ಬಗ್ಗೆ ಹೆಚ್ಚು ಅಗತ್ಯವಿರುವ ಮಾಹಿತಿಯನ್ನು ಒದಗಿಸಿದ್ದಾರೆ. ಪರ್ಡ್ಯೂ ವಿಶ್ವವಿದ್ಯಾನಿಲಯದ ಪ್ರೊಫೆಸರ್ ಪೀಟರ್ ಬರ್ಮೆಲ್ ನೇತೃತ್ವದಲ್ಲಿ ಸಂಶೋಧನೆಯು ಜರ್ನಲ್ ಆಫ್ ಫೋಟೊನಿಕ್ಸ್ ಫಾರ್ ಎನರ್ಜಿ (ಜೆಪಿಇ) ನಲ್ಲಿ ಪ್ರಕಟವಾಗಿದೆ.
"ಐಸಿಂಗ್ ಮಾಡೆಲ್", ಒಂದು ಪ್ರಮಾಣಿತ ಮಾದರಿ, ವಿವಿಧ ರೀತಿಯ ಭೌತಿಕ ಮತ್ತು ಗಣಿತದ ವಿಷಯಗಳನ್ನು ಅನುಕರಿಸಲು ಸಂಶೋಧಕರು ಬಳಸಿದ್ದಾರೆ. "ಹ್ಯಾಮಿಲ್ಟೋನಿಯನ್" ಎಂದು ಕರೆಯಲ್ಪಡುವ ಶಕ್ತಿ ನಿರ್ವಾಹಕರು NP ಸಮಸ್ಯೆಗಳನ್ನು ವಿವರಿಸಬಹುದು. ಹ್ಯಾಮಿಲ್ಟೋನಿಯನ್ ಮೂಲತಃ ಪರಮಾಣು ಸ್ಪಿನ್‌ಗಳ ಕಾಂತೀಯ ದ್ವಿಧ್ರುವಿ ಕ್ಷಣಗಳ ಪರಸ್ಪರ ಕ್ರಿಯೆಯನ್ನು ರೂಪಿಸಲು ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗಿದೆ. ಮೂಲಭೂತವಾಗಿ, NP ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು ಸಂಬಂಧಿಸಿದ ಐಸಿಂಗ್ ಹ್ಯಾಮಿಲ್ಟೋನಿಯನ್ ಅನ್ನು ಪರಿಹರಿಸುವ ಅಗತ್ಯವಿದೆ.
ಆಪ್ಟಿಕಲ್ ಪ್ಯಾರಾಮೆಟ್ರಿಕ್ ಆಸಿಲೇಟರ್‌ಗಳು (OPO ಗಳು) ಮತ್ತು ಕಡಿಮೆ ಉಷ್ಣ ತಡೆಗೋಡೆಗಳೊಂದಿಗೆ ಸ್ಟೊಕಾಸ್ಟಿಕ್ ವೃತ್ತಾಕಾರದ ನ್ಯಾನೊಮ್ಯಾಗ್ನೆಟ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಸಂಭವನೀಯ ಕಂಪ್ಯೂಟಿಂಗ್ ಸಾಧನಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಈ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲಾಗುತ್ತದೆ.
ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಫ್ಯಾಬ್ರಿಕೇಶನ್ ತಂತ್ರಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಸಂಶೋಧಕರು ಅಂತಹ ನ್ಯಾನೊಮ್ಯಾಗ್ನೆಟ್ ನೆಟ್ವರ್ಕ್ ಅನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಿದ್ದಾರೆ. ಸಂಯೋಜಿತ ಆಪ್ಟಿಮೈಸೇಶನ್‌ಗೆ ಸಂಬಂಧಿಸಿದ ಸಂಖ್ಯಾ ಸಿದ್ಧಾಂತದಿಂದ ನಾಲ್ಕು NP-ಸಂಪೂರ್ಣ ಸಮಸ್ಯೆಗಳ ಐಸಿಂಗ್ ಹ್ಯಾಮಿಲ್ಟೋನಿಯನ್‌ಗಳನ್ನು ಪರಿಹರಿಸಲು ಅವರು ಇದನ್ನು ಅನ್ವಯಿಸಿದರು. NP-ಸಂಪೂರ್ಣ ಸಮಸ್ಯೆಗಳು ಸಮರ್ಥ ಪರಿಹಾರ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಹೊಂದಿರದ ಸಮಸ್ಯೆಗಳಾಗಿವೆ. ಇವುಗಳಲ್ಲಿ ಪೂರ್ಣಾಂಕ ರೇಖೀಯ ಪ್ರೋಗ್ರಾಮಿಂಗ್, ಬೈನರಿ ಪೂರ್ಣಾಂಕ ಲೀನಿಯರ್ ಪ್ರೋಗ್ರಾಮಿಂಗ್, ಪೂರ್ಣ ಕವರೇಜ್ ಮತ್ತು ಸಂಖ್ಯೆ ವಿಭಜನೆ ಸೇರಿವೆ.
ಐಸಿಂಗ್ ಮಾದರಿಯ ಸೈದ್ಧಾಂತಿಕ ಪರಿಹಾರ (ಬೋಲ್ಟ್ಜ್‌ಮನ್‌ನ ಕಾನೂನು) ಮತ್ತು 3, 3 ಮತ್ತು 6 ಸಂಭವನೀಯ ಬಿಟ್‌ಗಳನ್ನು (p-ಬಿಟ್‌ಗಳು) ಒಳಗೊಂಡಿರುವ ಮೊದಲ ಮೂರು ಸಮಸ್ಯೆಗಳ ಸಿಮ್ಯುಲೇಶನ್ ಫಲಿತಾಂಶಗಳು ಪರಿಪೂರ್ಣ ಒಪ್ಪಂದದಲ್ಲಿವೆ. 3, 6, 9, 12, ಮತ್ತು 15 p-ಬಿಟ್‌ಗಳೊಂದಿಗೆ ಐದು ವಿಭಿನ್ನ ಪೂರ್ಣ-ವ್ಯಾಪ್ತಿಯ ಸಮಸ್ಯೆಗಳ ಸಿಮ್ಯುಲೇಶನ್‌ಗಳು ಮಾಡೆಲಿಂಗ್ ಮತ್ತು ಸಿದ್ಧಾಂತದ ನಡುವಿನ ಒಂದೇ ರೀತಿಯ ಒಪ್ಪಂದವನ್ನು ಬಹಿರಂಗಪಡಿಸಿದವು. ಸಂಭವನೀಯ ಕಂಪ್ಯೂಟಿಂಗ್‌ನ ಚೌಕಟ್ಟುಗಳನ್ನು ಅಳೆಯಬಹುದು ಎಂದು ಇದು ತೋರಿಸಿದೆ.
ಬರ್ಮೆಲ್ ಪ್ರಕಾರ, "ಪ್ರಾಬಬಿಲಿಸ್ಟಿಕ್ ಕಂಪ್ಯೂಟಿಂಗ್ ಅನ್ನು ಸಾಂಪ್ರದಾಯಿಕ ಕಂಪ್ಯೂಟಿಂಗ್ ತಂತ್ರಗಳಿಗೆ ಪ್ರಬಲ ಮತ್ತು ಕಾರ್ಯಸಾಧ್ಯವಾದ ಪರ್ಯಾಯವಾಗಿ ಮಾಡುವ ಕೀಲಿಯು ಕಾರ್ಯದ ಗಾತ್ರದೊಂದಿಗೆ ಪರಿಣಾಮಕಾರಿ ಸ್ಕೇಲಿಂಗ್ ಆಗಿದೆ. ಯಾವ ತಂತ್ರಗಳು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಲು ಮಾದರಿಗಳು ಮತ್ತು ಪ್ರಯೋಗಗಳೆರಡನ್ನೂ ಬಳಸಬೇಕಾಗುತ್ತದೆ.
ನೀಡಿದ ಸಿಮ್ಯುಲೇಶನ್ ಫಲಿತಾಂಶಗಳು ಎಲ್ಲಾ p-ಬಿಟ್‌ಗಳಿಗೆ (3 ರಿಂದ 15 ರವರೆಗೆ) ಘನ ಸಂಶೋಧನೆಗಳನ್ನು ತೋರಿಸಿದರೂ ಸಹ, ಸಮಾನಾಂತರ ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಸಿಮ್ಯುಲೇಶನ್ ಸಾಮರ್ಥ್ಯವನ್ನು ಇನ್ನಷ್ಟು ಹೆಚ್ಚಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ ಎಂದು ಸಂಶೋಧಕರು ಸೂಚಿಸುತ್ತಾರೆ. ನ್ಯಾನೊಮ್ಯಾಗ್ನೆಟ್‌ನಿಂದ OPO ನೆಟ್‌ವರ್ಕ್‌ಗಳಿಗೆ ಪರಿವರ್ತನೆಯು ಸಮಾನಾಂತರತೆ ಸಾಧ್ಯವಾಗದಿರುವಲ್ಲಿ ಪರಿಣಾಮಕಾರಿ ಸಮಸ್ಯೆ ಪರಿಹಾರವನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ. CMOS ತಂತ್ರಜ್ಞಾನದಂತಹ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಉತ್ಪಾದನಾ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಬಳಸಿಕೊಂಡು OPO ನೆಟ್‌ವರ್ಕ್‌ನಲ್ಲಿ ಸಿಸ್ಟಮ್ ಅನ್ನು ಸುಲಭವಾಗಿ ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದು ಮತ್ತು ಮ್ಯಾಪ್ ಮಾಡಬಹುದು. ಪರಿಣಾಮವಾಗಿ, ಸಂಭವನೀಯ ಗಣನೆಗಾಗಿ ಕಡಿಮೆ ಶಕ್ತಿಯ ತಡೆಗೋಡೆಗಳನ್ನು ಹೊಂದಿರುವ ನ್ಯಾನೊಮ್ಯಾಗ್ನೆಟ್‌ಗಳನ್ನು ಅಂತಿಮವಾಗಿ ನಿರ್ಮಿಸಬಹುದು.
ಕೊಲೊರಾಡೋ ಬೌಲ್ಡರ್ ವಿಶ್ವವಿದ್ಯಾನಿಲಯದ ಪ್ರಾಧ್ಯಾಪಕ ಮತ್ತು ಜೆಪಿಇ ಎಡಿಟರ್-ಇನ್-ಚೀಫ್ ಸೀನ್ ಶಾಹೀನ್ ಅವರ ಪ್ರಕಾರ, "ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಮತ್ತು ವೈಜ್ಞಾನಿಕ/ಉದ್ಯಮ ಕಂಪ್ಯೂಟಿಂಗ್ ಪ್ರಮಾಣದಲ್ಲಿ ಹೆಚ್ಚಳವಾಗಿ, ಶಕ್ತಿಯ ಬಳಕೆ ಮತ್ತು ಇಂಗಾಲದ ಹೆಜ್ಜೆಗುರುತುಗಳ ಬಗ್ಗೆ ಗಮನಾರ್ಹವಾದ, ತುರ್ತು ಅಲ್ಲದಿದ್ದರೂ, ಕಾಳಜಿಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ಕಂಪ್ಯೂಟಿಂಗ್ ಹಾರ್ಡ್‌ವೇರ್ ಅಭಿವೃದ್ಧಿಯ ಸಾಂಪ್ರದಾಯಿಕ ರೂಪಗಳು ಹೆಚ್ಚು ಹೆಚ್ಚು ಮುಖ್ಯವಾಗುತ್ತವೆ.
Zhu, Xi ಮತ್ತು Bermel ರ ಈ ಕೆಲಸವು NP-ಸಂಪೂರ್ಣ ಸಮಸ್ಯೆಗಳ ಗಮನಾರ್ಹ ವರ್ಗವನ್ನು ನಿಭಾಯಿಸಬಲ್ಲ ತಂತ್ರಜ್ಞಾನಕ್ಕೆ ವಾಸ್ತವಿಕ ಮಾರ್ಗವನ್ನು ನೀಡುತ್ತದೆ. ಐಸಿಂಗ್ ಕಂಪ್ಯೂಟೇಶನ್ ಅನ್ನು ಚಾಲನೆ ಮಾಡಲು ಆಪ್ಟಿಕಲ್ ಸಾಧನಗಳ ರೇಖಾತ್ಮಕವಲ್ಲದ ನೆಟ್‌ವರ್ಕ್‌ಗಳನ್ನು ಜಾಣ್ಮೆಯಿಂದ ಬಳಸಿಕೊಂಡು ಕಂಪ್ಯೂಟೇಶನಲ್ ಬೇಡಿಕೆಯ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸುವಲ್ಲಿ ಸಾಂಪ್ರದಾಯಿಕ ಹಾರ್ಡ್‌ವೇರ್ ಅನ್ನು ಗಮನಾರ್ಹವಾಗಿ ಮೀರಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿರುವ ಸ್ಕೇಲೆಬಲ್, ಶಕ್ತಿ-ಸಮರ್ಥ ಪರಿಹಾರವನ್ನು ಈ ಕೆಲಸವು ಪ್ರದರ್ಶಿಸುತ್ತದೆ.
ಮೂಲ: techxplore.com/news
📩 03/05/2023 14:19