ਗੂਗਲ ਕੁਆਂਟਮ ਏਆਈ ਨੇ ਹਾਰਡਵੇਅਰ ਵਿੱਚ ਕੁਆਂਟਮ ਕੰਪਿਊਟਿੰਗ ਦੀ ਸਭ ਤੋਂ ਜ਼ਿੱਦੀ ਸਰੋਤ ਸਮੱਸਿਆਵਾਂ ਵਿੱਚੋਂ ਇੱਕ ਦਾ ਹੱਲ ਦਿਖਾਇਆ ਹੈ। ਸਾਇੰਸ ਜਰਨਲ ਵਿੱਚ 15 ਅਕਤੂਬਰ ਨੂੰ ਪ੍ਰਕਾਸ਼ਿਤ ਇੱਕ ਪੇਪਰ ਵਿੱਚ, ਗੂਗਲ ਦੇ ਵਿਲੋ ਪ੍ਰੋਸੈਸਰ ਦੇ ਪਿੱਛੇ ਦੀ ਟੀਮ ਰਿਪੋਰਟ ਕਰਦੀ ਹੈ ਕਿ "ਮੈਜਿਕ ਸਟੇਟ ਕਾਸ਼ਤ" - ਇੱਕ ਤਕਨੀਕ ਜੋ ਦੋ ਸਾਲ ਪਹਿਲਾਂ ਸਿਧਾਂਤ ਵਿੱਚ ਪਹਿਲੀ ਵਾਰ ਪ੍ਰਸਤਾਵਿਤ ਕੀਤੀ ਗਈ ਸੀ - ਅਭਿਆਸ ਵਿੱਚ ਕੰਮ ਕਰਦੀ ਹੈ, ਗੈਰ ਕਾਸ਼ਤ ਵਾਲੇ ਰਾਜਾਂ ਦੇ ਮੁਕਾਬਲੇ ਗਲਤੀਆਂ ਨੂੰ ਲਗਭਗ 40 ਗੁਣਾ ਘਟਾਉਂਦੀ ਹੈ ਅਤੇ ਟੀ-ਸਟੇਟਾਂ ਦਾ ਉਤਪਾਦਨ ਕਰਦੀ ਹੈ।

ਖੋਜ ਵਿਗਿਆਨੀ ਐਮਾ ਰੋਜ਼ੇਨਫੀਲਡ ਅਤੇ ਕੁਆਂਟਮ ਸੌਫਟਵੇਅਰ ਇੰਜੀਨੀਅਰ ਕ੍ਰੇਗ ਗਿਡਨੀ ਦੁਆਰਾ ਗੂਗਲ ਦੇ ਅਧਿਕਾਰਤ ਬਲੌਗ 'ਤੇ ਘੋਸ਼ਿਤ ਨਤੀਜਾ, ਪਹਿਲੇ ਪ੍ਰਯੋਗਾਤਮਕ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਨਿਸ਼ਾਨਦੇਹੀ ਕਰਦਾ ਹੈ ਕਿ ਜਾਦੂ ਦੀਆਂ ਸਥਿਤੀਆਂ ਨੂੰ ਅਸਲ ਕੁਆਂਟਮ ਹਾਰਡਵੇਅਰ 'ਤੇ ਕੁਸ਼ਲਤਾ ਨਾਲ ਤਿਆਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਇੱਕ ਅੜਚਨ ਨੂੰ ਸੰਬੋਧਿਤ ਕਰਦਾ ਹੈ ਜਿਸਨੂੰ ਇੰਜੀਨੀਅਰ ਦੂਰ ਕਰ ਰਹੇ ਹਨ ਜਦੋਂ ਤੋਂ ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਦੋ ਦਹਾਕਿਆਂ ਤੋਂ ਵੱਧ ਪਹਿਲਾਂ ਇਸਦੀ ਪਛਾਣ ਕੀਤੀ ਸੀ। ਕੰਪਿਊਟਿੰਗ ਦੀ ਸਰਹੱਦ 'ਤੇ ਪ੍ਰਾਪਤੀਆਂ ਬਾਰੇ ਹੋਰ ਜਾਣਕਾਰੀ ਲਈ, ਸਾਡਾ AI ਖੋਜ ਕਵਰੇਜ ਦੇਖੋ।

ਮੈਜਿਕ ਸਟੇਟਸ ਮਾਇਨੇ ਕਿਉਂ ਰੱਖਦੇ ਹਨ

ਯੂਨੀਵਰਸਲ ਕੁਆਂਟਮ ਕੰਪਿਊਟਿੰਗ - ਉਹ ਕਿਸਮ ਜੋ ਅਸਲ ਵਿੱਚ ਉਪਯੋਗੀ ਪ੍ਰੋਗਰਾਮਾਂ ਨੂੰ ਚਲਾ ਸਕਦੀ ਹੈ - ਲਈ ਕੁਆਂਟਮ ਓਪਰੇਸ਼ਨਾਂ ਦੇ ਇੱਕ ਖਾਸ ਸੈੱਟ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜੋ ਕਿ ਗਲਤੀ-ਸੁਧਾਰਿਤ ਕਿਊਬਿਟਸ ਨੇਟਿਵ ਤੌਰ 'ਤੇ ਪ੍ਰਦਰਸ਼ਨ ਕਰ ਸਕਦੇ ਹਨ। ਮਿਆਰੀ ਹੱਲ ਵਿਸ਼ੇਸ਼ ਸਰੋਤ ਰਾਜਾਂ ਨੂੰ ਤਿਆਰ ਕਰਨਾ ਹੈ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਜਾਦੂ ਦੀਆਂ ਸਥਿਤੀਆਂ ਵਜੋਂ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ, ਜੋ ਉਹਨਾਂ ਕਾਰਜਾਂ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦੇ ਹਨ। ਸਮੱਸਿਆ ਲਾਗਤ ਦੀ ਹੈ: ਕੁਝ ਅੰਦਾਜ਼ੇ ਸੁਝਾਅ ਦਿੰਦੇ ਹਨ ਕਿ ਕੁਆਂਟਮ ਕੰਪਿਊਟਰ ਦੀ ਸਮੁੱਚੀ ਸਮਰੱਥਾ ਦਾ 95% ਤੱਕ ਉਹਨਾਂ ਦੇ ਨਿਰਮਾਣ ਲਈ ਸਮਰਪਿਤ ਕਰਨ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ, ਅਸਲ ਗਣਨਾ ਲਈ ਬਹੁਤ ਘੱਟ ਥਾਂ ਛੱਡ ਕੇ। ਮੈਜਿਕ ਸਟੇਟਸ ਵੀ ਖਪਤਯੋਗ ਹਨ - ਇੱਕ ਵਾਰ ਵਰਤੇ ਜਾਣ ਤੋਂ ਬਾਅਦ, ਉਹਨਾਂ ਨੂੰ ਦੁਬਾਰਾ ਨਹੀਂ ਵਰਤਿਆ ਜਾ ਸਕਦਾ - ਜੋ ਉਹਨਾਂ ਨੂੰ ਕਿਸੇ ਵੀ ਵੱਡੇ ਪੈਮਾਨੇ ਦੀ ਮਸ਼ੀਨ ਲਈ ਇੱਕ ਦੁਰਲੱਭ ਅਤੇ ਮਹਿੰਗਾ ਇੰਪੁੱਟ ਬਣਾਉਂਦਾ ਹੈ।

2024 ਵਿੱਚ, ਗੂਗਲ ਕੁਆਂਟਮ ਏਆਈ ਖੋਜਕਰਤਾਵਾਂ ਕ੍ਰੇਗ ਗਿਡਨੀ, ਨੂਹ ਸ਼ੂਟੀ, ਅਤੇ ਕੋਡੀ ਜੋਨਸ ਨੇ ਇੱਕ ਥਿਊਰੀ ਪੇਪਰ ਵਿੱਚ ਕਾਸ਼ਤ ਦੀ ਪਹੁੰਚ ਵਿਕਸਿਤ ਕੀਤੀ। ਇਹ ਵਿਚਾਰ ਇੱਕ ਫਿਲਟਰ ਦੀ ਤਰ੍ਹਾਂ ਕੰਮ ਕਰਦਾ ਹੈ: ਇੱਕ ਸ਼ੋਰ ਵਾਲੀ ਅਵਸਥਾ ਨੂੰ ਕੁਆਂਟਮ ਚਿੱਪ ਦੇ ਇੱਕ ਛੋਟੇ ਖੇਤਰ ਵਿੱਚ ਇੰਜੈਕਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਫਿਰ ਬਹੁਤ ਜ਼ਿਆਦਾ ਤਾਲਮੇਲ ਵਾਲੇ ਮਾਪਾਂ ਦੀ ਇੱਕ ਲੜੀ ਗਲਤੀਆਂ ਦੀ ਜਾਂਚ ਕਰਦੀ ਹੈ ਅਤੇ ਗਲਤ ਕੋਸ਼ਿਸ਼ਾਂ ਨੂੰ ਰੱਦ ਕਰਦੀ ਹੈ। ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਜੋ ਬਚਦਾ ਹੈ ਉਹ ਇੱਕ ਅਸਧਾਰਨ ਤੌਰ 'ਤੇ ਸ਼ੁੱਧ, ਘੱਟ-ਗਲਤੀ ਕੁਆਂਟਮ ਅਵਸਥਾ ਹੈ ਜਿਸ ਨੂੰ ਇੱਕੋ ਸਮੇਂ ਇੱਕ ਵੱਡੀ, ਉਪਯੋਗੀ ਏਨਕੋਡਿੰਗ ਵਿੱਚ ਅਨੁਕੂਲਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਜੇਕਰ ਇਹ ਹਾਰਡਵੇਅਰ 'ਤੇ ਕੰਮ ਕਰਦਾ ਹੈ, ਤਾਂ ਇਹ ਵਿਹਾਰਕ ਕੰਮਾਂ ਲਈ ਲੋੜੀਂਦੇ ਕੁਆਂਟਮ ਕੰਪਿਊਟਰ ਦੇ ਆਕਾਰ ਨੂੰ ਕਾਫੀ ਹੱਦ ਤੱਕ ਸੁੰਗੜ ਜਾਵੇਗਾ।

ਥਿਊਰੀ ਤੋਂ ਹਾਰਡਵੇਅਰ ਤੱਕ

ਵਿਲੋ 'ਤੇ ਪ੍ਰੋਟੋਕੋਲ ਦਾ ਕੰਮ ਕਰਨ ਨਾਲ ਕਈ ਤਰ੍ਹਾਂ ਦੀਆਂ ਇੰਜੀਨੀਅਰਿੰਗ ਖੋਜਾਂ ਹੋਈਆਂ। ਇੱਕ ਐਪੀਸੋਡ ਮੁਸ਼ਕਲ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਜਦੋਂ ਖੋਜ ਵਿਗਿਆਨੀ ਐਮਾ ਰੋਜ਼ਨਫੀਲਡ ਨੇ ਪਹਿਲੀ ਵਾਰ ਕਾਸ਼ਤ ਪ੍ਰੋਟੋਕੋਲ ਦੀ ਜਾਂਚ ਕੀਤੀ, ਤਾਂ ਉਸਦਾ ਡੇਟਾ ਭੌਤਿਕ ਵਿਗਿਆਨ ਦੇ ਨਿਯਮਾਂ ਦੀ ਉਲੰਘਣਾ ਕਰਦਾ ਦਿਖਾਈ ਦਿੱਤਾ। ਕਈ ਮਹੀਨਿਆਂ ਦੇ ਸਿਮੂਲੇਸ਼ਨਾਂ, ਵਿਚਾਰ-ਵਟਾਂਦਰੇ ਅਤੇ ਇਕਸਾਰਤਾ ਜਾਂਚਾਂ ਤੋਂ ਬਾਅਦ, ਟੀਮ ਨੇ ਆਪਣੀ ਗੋ-ਟੂ ਮਾਪ ਤਕਨੀਕ ਵਿੱਚ ਇੱਕ ਗਲਤ ਧਾਰਨਾ ਲਈ ਅਸੰਗਤਤਾ ਦਾ ਪਤਾ ਲਗਾਇਆ: ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਵਿੱਚ ਇਲੈਕਟ੍ਰੀਕਲ ਉਪਕਰਨਾਂ ਦਾ ਵਹਾਅ ਅਤੇ ਤਾਪਮਾਨ ਵਿੱਚ ਭਿੰਨਤਾ ਬੈਂਚਮਾਰਕ ਦੀ ਵੈਧਤਾ ਵਿੱਚ ਦਖਲ ਦੇ ਰਹੀ ਸੀ।

ਫਿਕਸ ਲਈ ਸਿਧਾਂਤਕ ਅਤੇ ਇੰਜੀਨੀਅਰਿੰਗ ਦੋਵਾਂ ਪੱਖਾਂ 'ਤੇ ਤਬਦੀਲੀਆਂ ਦੀ ਲੋੜ ਹੈ। ਟੀਮ ਨੇ ਸ਼ੋਰ ਨੂੰ ਦਬਾਉਣ ਲਈ ਸਿਸਟਮ ਵਿੱਚ ਵਾਧੂ ਨਿਯੰਤਰਣ ਜੋੜਿਆ, ਅਤੇ ਇੱਕ ਨਵੀਂ ਬੈਂਚਮਾਰਕਿੰਗ ਤਕਨੀਕ ਦੀ ਕਾਢ ਕੱਢੀ ਜੋ ਕਿ ਕਾਸ਼ਤ ਨੂੰ ਆਪਣੇ ਆਪ ਨੂੰ ਇੱਕ ਮਾਪ ਦੇ ਸਾਧਨ ਵਜੋਂ ਵਰਤਦੀ ਹੈ - ਇੱਕ ਹੱਲ ਕੰਪਨੀ ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਕੁਆਂਟਮ ਮੈਟਰੋਲੋਜੀ ਵਿੱਚ ਇੱਕ ਨਵਾਂ ਅਤਿ-ਆਧੁਨਿਕ ਸਥਾਪਿਤ ਕੀਤਾ ਗਿਆ ਹੈ। ਵਿਲੋ 'ਤੇ, ਰਿਫਾਈਨਡ ਪ੍ਰੋਟੋਕੋਲ ਨੇ ਗੈਰ-ਖੇਤੀ ਰਾਜਾਂ ਦੇ ਮੁਕਾਬਲੇ ਗਲਤੀਆਂ ਵਿੱਚ ਲਗਭਗ 40-ਗੁਣਾ ਕਮੀ ਪ੍ਰਾਪਤ ਕੀਤੀ, ਟੀ-ਸਟੇਟਸ 99.99% ਲਾਜ਼ੀਕਲ ਵਫ਼ਾਦਾਰੀ ਤੱਕ ਪਹੁੰਚ ਗਏ।

ਗੂਗਲ ਦੇ ਗਲਤੀ-ਸੁਧਾਰ ਰੋਡਮੈਪ ਨਾਲ ਅਨੁਕੂਲਤਾ

ਟੀਮ ਨੇ ਗੂਗਲ ਦੇ ਵਿਆਪਕ ਨੁਕਸ-ਸਹਿਣਸ਼ੀਲਤਾ ਆਰਕੀਟੈਕਚਰ ਦੇ ਅੰਦਰ ਫਿੱਟ ਹੋਣ ਵਾਲੀ ਤਕਨੀਕ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਪਹਿਲੇ ਕਦਮ ਵੀ ਚੁੱਕੇ। ਕੁਆਂਟਮ ਗਲਤੀ ਸੁਧਾਰ ਸੁਆਦਾਂ ਵਿੱਚ ਆਉਂਦਾ ਹੈ: "ਰੰਗ ਕੋਡ", ਇੱਕ ਨਵੀਂ ਕਿਸਮ ਦੀ ਕਾਸ਼ਤ ਲਈ ਆਦਰਸ਼, ਅਤੇ "ਸਤਹ ਕੋਡ," ਗੂਗਲ ਦੇ ਲੰਬੇ ਸਮੇਂ ਦੇ ਰੋਡਮੈਪ ਨੂੰ ਦਰਸਾਉਂਦੀ ਵਧੇਰੇ ਸਥਾਪਤ ਵਿਧੀ। ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਇੱਕ ਗ੍ਰਾਫਟਿੰਗ ਪ੍ਰੋਟੋਕੋਲ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ - ਜੋ ਅਸਲ ਵਿੱਚ 2024 ਥਿਊਰੀ ਪੇਪਰ ਵਿੱਚ ਵਿਕਸਤ ਕੀਤਾ ਗਿਆ ਸੀ - ਜੋ ਦੋਵਾਂ ਵਿਚਕਾਰ ਬਦਲਦਾ ਹੈ, ਸ਼ੁੱਧ ਰਾਜਾਂ ਨੂੰ ਦੂਰੀ -3 ਰੰਗ ਕੋਡ ਤੋਂ ਦੂਰੀ -5 ਸਤਹ ਕੋਡ ਵਿੱਚ ਤਬਦੀਲ ਕਰਦਾ ਹੈ। ਰਾਜ ਟ੍ਰਾਂਸਫਰ ਤੋਂ ਬਚ ਗਏ, ਇਸ ਗੱਲ ਦਾ ਸਬੂਤ ਹੈ ਕਿ ਕਾਸ਼ਤ ਗਲਤੀ-ਸੁਧਾਰ ਸਕੀਮਾਂ ਦੇ ਨਾਲ ਹੋ ਸਕਦੀ ਹੈ ਜੋ Google ਦੁਆਰਾ ਸਕੇਲ ਕਰਨ ਦੀ ਯੋਜਨਾ ਹੈ।

ਕੀ ਅਣਸੁਲਝਿਆ ਰਹਿੰਦਾ ਹੈ

ਗੂਗਲ ਚੇਤਾਵਨੀਆਂ ਬਾਰੇ ਸਾਵਧਾਨ ਹੈ। ਛੋਟੇ ਪੱਧਰ 'ਤੇ ਜਾਦੂ ਰਾਜ ਦੀ ਕਾਸ਼ਤ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ ਗਿਆ ਹੈ; ਇਸ ਨੂੰ ਵਿਹਾਰਕ ਕੁਆਂਟਮ ਕੰਪਿਊਟਿੰਗ ਲਈ ਲੋੜੀਂਦੇ ਪੈਮਾਨੇ 'ਤੇ ਦਿਖਾਉਣਾ ਭਵਿੱਖ ਦਾ ਕੰਮ ਰਹਿੰਦਾ ਹੈ, ਅਤੇ ਮੌਜੂਦਾ ਨਤੀਜੇ ਅਤੇ ਵਪਾਰਕ ਤੌਰ 'ਤੇ ਉਪਯੋਗੀ ਮਸ਼ੀਨ ਦੇ ਵਿਚਕਾਰ ਮਹੱਤਵਪੂਰਨ ਤਕਨੀਕੀ ਚੁਣੌਤੀਆਂ ਖੜ੍ਹੀਆਂ ਹਨ। ਕੰਪਨੀ ਨਤੀਜੇ ਨੂੰ "ਇੱਕ ਮੁੱਖ ਸਿਧਾਂਤਕ ਵਿਚਾਰ ਨੂੰ ਇੱਕ ਪ੍ਰਯੋਗਾਤਮਕ ਤੌਰ 'ਤੇ ਪ੍ਰਦਰਸ਼ਿਤ ਹਕੀਕਤ ਵਿੱਚ ਬਦਲਣ" ਵਜੋਂ ਇੱਕ ਉਪਯੋਗੀ, ਗਲਤੀ-ਸਹੀ ਕੁਆਂਟਮ ਕੰਪਿਊਟਰ ਦੇ ਆਪਣੇ ਦੱਸੇ ਗਏ ਟੀਚੇ ਦੇ ਮਾਰਗ 'ਤੇ ਫਰੇਮ ਕਰਦੀ ਹੈ।

ਵਿਹਾਰਕ ਮਹੱਤਤਾ ਸਰੋਤ ਬਜਟ ਬਾਰੇ ਹੈ। ਜੇਕਰ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੇ ਜਾਦੂ ਰਾਜਾਂ ਨੂੰ ਪ੍ਰਭਾਵੀ ਓਵਰਹੈੱਡ ਦੁਆਰਾ ਨਿਰਮਿਤ ਕਰਨ ਦੀ ਬਜਾਏ ਸਸਤੇ ਢੰਗ ਨਾਲ ਪੈਦਾ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਤਾਂ ਸ਼ੋਰ ਦੇ ਫੈਕਟਰਿੰਗ ਰੁਟੀਨ ਜਾਂ ਗੁੰਝਲਦਾਰ ਕੁਆਂਟਮ ਕੈਮਿਸਟਰੀ ਸਿਮੂਲੇਸ਼ਨਾਂ ਵਰਗੇ ਐਲਗੋਰਿਦਮ ਚਲਾਉਣ ਲਈ ਹਾਰਡਵੇਅਰ ਲੋੜਾਂ ਉਸ ਅਨੁਸਾਰ ਸੁੰਗੜ ਜਾਂਦੀਆਂ ਹਨ। ਮੈਜਿਕ-ਸਟੇਟ ਪੜਾਅ 'ਤੇ 40-ਗੁਣਾ ਗਲਤੀ ਦੀ ਕਮੀ ਮਸ਼ੀਨ ਦੁਆਰਾ ਕੀਤੇ ਹਰ ਅਜਿਹੇ ਓਪਰੇਸ਼ਨ ਵਿੱਚ ਮਿਸ਼ਰਿਤ ਹੁੰਦੀ ਹੈ।

ਵੱਡੀ ਤਸਵੀਰ

ਨਤੀਜਾ ਕੁਆਂਟਮ ਹਾਰਡਵੇਅਰ ਵਿੱਚ ਤਿੱਖੀ ਪ੍ਰਤੀਯੋਗਤਾ ਦੇ ਵਿਚਕਾਰ, IBM, Quantinum, ਅਤੇ ਅਕਾਦਮਿਕ ਸਮੂਹਾਂ ਦੇ ਨਾਲ ਸਾਰੇ ਗਲਤੀ-ਸੁਧਾਰਣ ਵਾਲੀਆਂ ਮਸ਼ੀਨਾਂ ਦਾ ਪਿੱਛਾ ਕਰਦੇ ਹੋਏ, ਅਤੇ ਵਿਆਪਕ ਤਕਨੀਕੀ ਉਦਯੋਗ ਦੇ AI ਬਿਲਡਆਉਟ ਦੇ ਨਾਲ ਜ਼ਿਆਦਾਤਰ ਸੁਰਖੀਆਂ ਅਤੇ ਪੂੰਜੀ ਖਿੱਚਣ ਦੇ ਵਿਚਕਾਰ ਆਉਂਦਾ ਹੈ। ਕੁਆਂਟਮ ਪ੍ਰਗਤੀ ਹੌਲੀ ਅਤੇ ਘੱਟ ਅਨੁਮਾਨਯੋਗ ਹੈ, ਪਰ ਇਸ ਤਰ੍ਹਾਂ ਦੇ ਮੀਲਪੱਥਰ — ਉਤਪਾਦਨ ਹਾਰਡਵੇਅਰ 'ਤੇ ਦੋ-ਦਹਾਕੇ ਪੁਰਾਣੇ ਸਿਧਾਂਤਕ ਰੁਕਾਵਟ ਨੂੰ ਸਾਫ਼ ਕੀਤਾ ਗਿਆ, ਇੱਕ ਪੀਅਰ-ਸਮੀਖਿਆ ਜਰਨਲ ਵਿੱਚ ਪ੍ਰਜਨਨ ਯੋਗ ਵਫ਼ਾਦਾਰੀ ਨੰਬਰਾਂ ਦੇ ਨਾਲ ਪ੍ਰਕਾਸ਼ਿਤ - ਇੱਕ ਕਿਸਮ ਦਾ ਮਿਸ਼ਰਿਤ ਕਦਮ ਹੈ ਜੋ ਚੁੱਪਚਾਪ ਸਮਾਂ-ਸੀਮਾਵਾਂ ਨੂੰ ਰੀਸੈੱਟ ਕਰਦਾ ਹੈ।

AI ਨਿਗਰਾਨ ਲਈ, ਇੱਕ ਟੈਂਜੈਂਸ਼ੀਅਲ ਸਾਰਥਕਤਾ ਵੀ ਹੈ: ਆਧੁਨਿਕ ਕੁਆਂਟਮ ਲੈਬਾਂ ਵਿੱਚ ਜ਼ਿਆਦਾਤਰ ਐਲਗੋਰਿਦਮਿਕ ਅਤੇ ਕੰਟਰੋਲ-ਸਿਸਟਮ ਟੂਲਿੰਗ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਅਤੇ ਐਰਰ ਡੀਕੋਡਿੰਗ ਲਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ, AI ਨਾਲ ਲੱਗਦੇ ਵਿਗਿਆਨਕ ਖੇਤਰਾਂ ਨੂੰ ਤੇਜ਼ ਕਰਨ ਦੀ ਇੱਕ ਛੋਟੀ ਪਰ ਵਧ ਰਹੀ ਉਦਾਹਰਣ।

---

AI ਤੋਂ ਅੱਗੇ ਰਹੋ

ਨਵੀਨਤਮ AI ਖਬਰਾਂ, ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਸਫਲਤਾਵਾਂ ਪ੍ਰਾਪਤ ਕਰੋ - ਸਭ ਇੱਕ ਥਾਂ 'ਤੇ।

ਹੋਰ AI ਖਬਰਾਂ ਪੜ੍ਹੋ →