Thursday, November 14, 2019

နေ့တိုင်းကြားက ထူးခြားလိမ္မာ

ဆန့်ကျင်ဘက်သား၊ မိတ်ဆွေထား၊ အများပျက်စီးမည်

ဖွတ်မျိုးသည် ပုတ်သင်မှ ချမ်းသာကိုမရသကဲ့သို့
ယုတ်မာသောအဆွေခင်ပွန်းနှင့်
ပေါင်းဘော်သောသူသည်
စင်စစ် ချမ်းသာကိုမရ။
ကိုယ်ကို ပျက်စီးခြင်းသို့သာ ရောက်စေ၏။
(၅၅၀ ဇာတ်တော်များ၊ ဇာတ်တော်အမှတ်-၁၄၁၊ ဂေါဓာဇာတ် မှ ကောက်နှုတ်ချက်။)

Friendship with bad company causes ruin

One should never make friends of the wicked,
for such act will bring the sorrow and ruin in his life,
like a single wicked chameleon has caused the bane of all iguanas.
****************************************

ရနိုင်ခဲကုန်သော ပုဂ္ဂိုလ်နှစ်ဦး

လောက၌ ရနိုင်ခဲကုန်သော ပုဂ္ဂိုလ်နှစ်ယောက်တို့သည် အဘယ်နည်း။
အကြင်ပုဂ္ဂိုလ်သည်ကားရှေးဦးစွာ ကျေးဇူးပြုတတ်၏၊ အကြင်ပုဂ္ဂိုလ်သည် ပြုဖူးသောသူ့ကျေးဇူးကို သိ၍ ပြုဖူးသောကျေးဇူးကို ထင်စွာ ပြလေ့ရှိ၏။
ဤပုဂ္ဂိုလ်နှစ်ယောက်တို့သည် လောက၌ ရခဲကုန်၏။
(အဘိဓမ္မပိဋက၊ ပုဂ္ဂလပညတ်ပါဠိတော်၊ နိဒ္ဒေသ၊ ၁ - ဧကကပုဂ္ဂလပညတ်၊ အပိုဒ်-၈၃၊ မြန်မာပြန်)

Two Rare Persons

Which two persons are something of a rarity in this world?
He: who does good first, and he: who openly recognizes it.
Such two persons are rare in this world.
****************************************

ခိုင်းသူအမိုက်၊ ကဲ့ရဲ့ထိုက်၏

ပညာသမ္ပဇဉ်၊ ဉာဏ်မယှဉ်ပဲ
ဉယျာဉ်သည်မိုက်၊ စရိုက်မကောင်း
မျောက်အပေါင်းကို၊ ရေလောင်းခိုင်းငြား
ကျိုးပျက်ပြား၏၊ တရားအမြစ်
စစ်သော်တမူ၊ အရင်းယူက
ခိုင်းသူအမိုက်၊ ကဲ့ရဲ့ထိုက်၏။
(မန်လည်ဆရာတော်၊ မဃဒေဝ၊ အပိုဒ် ၂၀၁)

မိုက်မဲသောဉယျာဉ်မှူးသည် ပညာဉာဏ်မယှဉ်ဘဲ အကျင့်စရိုက်မကောင်းသော မျောက်အပေါင်းကို သစ်ပင်များရေလောင်းခိုင်းရာ ဉယျာဉ်တစ်ခုလုံးပျက်စီးကုန်၏။ ဤသို့ဖြစ်ရခြင်း၏ အကြောင်းတရားအား ဆန်းစစ်သော် ထိုသို့ခိုင်းစေသူ ဉယျာဉ်မှူးမိုက်ကိုသာလျှင် ကဲ့ရဲ့ရှုံ့ချအပ်ပေသည်။

When the foolish gardener recklessly encouraged the abysmal monkeys water the plants, the whole garden went ruined. The root cause of that implication is only because of that foolish gardener and he alone ought to be criticized.

Sunday, January 14, 2018

ကွန်ပျူတာသိပ္ပံ နှင့် အသိဉာဏ်တု ဆိုင်ရာ သုတေသန ပုံစံများ

ကွန်ပြူတာသိပ္ပံ(Computer Science – CS) ပညာရပ် နဲ့ အသိဉာဏ်တု(Artificial Intelgence – AI) ပညာရပ်တွေကို (မတူညီတဲ့ ရည်ရွယ်ချက်တွေ နဲ့ မတူညီတဲ့ အောင်မြင်မှု ဆုံးရှုံးမှု သတ်မှတ်ပြဌာန်းချက်တွေ အပေါ်အခြေပြုပြီး) သုတေသနပြု လေ့လာတဲ့ပုံစံ ၄-ခု ရှိပါတယ်။ အဲဒီ လေးခုကလည်း တကယ်တော့ တစ်ခုနဲ ့တစ်ခု ဆက်နွယ် ပတ်သက် နေကြတာပါ။ အဲဒီထဲမှာမှ ထူးထူးခြားခြားဖြစ်နေတဲ့ ၊ CS နဲ့ AI နယ်ပယ်ကမဟုတ်ပေမယ့် ကွန်ပြူတာသိပ္ပံပညာရှင် တော်တော်များများ အကြီးအကျယ်စိတ်၀င်စား ကြတဲ့ ပဉ္စမမြောက် အုပ်စုတစ်စု ရှိပါသေးတယ်။ ဒါကြောင့် CS နဲ့ AI သုတေသနပုံစံ ၅-မျိုးရှိတယ်လို့ မှတ်ယူနိုင်ပါတယ်။ အဲဒါတွေကတော့

၁။ ဘယ်အရာက ဖြစ်နိုင်သလဲ ဆိုတာကို လေ့လာတာ။ ပြီးတော့ အဲဒီ ဖြစ်နိုင် မဖြစ်နိုင် လေ့လာတဲ့ အရာရဲ့ နယ်ပယ်အကျယ်အ၀န်းနဲ့  ကန့်သတ်ချက်တွေကို လေ့လာတာ။ အဲဒီလို လေ့လာရာမှာ သင်္ချာပညာနဲ့ ‘less formal theorising***’ ကိုပါ ထည့်သွင်းလေ့လာတယ်။
[***ပုံမှန်သတ်မှတ်ထားတဲ့ အဆင့်တွေအတိုင်း တိတိကျကျ လိုက်လုပ်မနေဘဲ  အတွေးအခေါ် အယူအဆတစ်ရပ်ကို တည်ဆောက်ခြင်း။]

၂။ သဘာ၀အတိုင်း တည်ရှိဖြစ်ပျက်နေတဲ့ သတင်းအချက်အလက် အသုံးချလုပ်ဆောင်ခြင်းစနစ် (information-processing systems) တွေကို လေ့လာတာ။
ဥပမာ တရိစၦာန်လောက၊ လူမှုအဖွဲ့အစည်း၊ ဉီးဏှောက်၊ စိတ်…စတဲ့ စနစ်တွေမှာ သတင်းအချက်အလက်တွေကို ဘယ်လို သုံးစွဲဆောင်ရွက်သလဲဆိုတာ လေ့လာတာ။
[ဒါကို သဘာ၀ဆိုင်ရာတွက်ချက်မှု (natural computation) လို့ တခါတရံ ဖေါ်ပြလေ့ရှိပါတယ်။]

၃။ လက်တွေ့ အသုံး၀င်တဲ့ သတင်းအချက်အလက် အသုံးချစနစ် အသစ်တစ်ခု တည်ဆောက်တာကို လေ့လာတာ။ တနည်းပြောရရင် အသုံးချ အင်ဂျင်နီယာ စနစ်တွေနဲ့တိုက်ရိုက်သက်ဆိုင်တဲ့ အရာတွေကို လေ့လာတာ။

၄။ (အထက်ပါ သုံးချက် ကို ထောက်ပံ့ပေးမယ့်) ကရိယာ တန်ဆာပလာ ၊ ပုံမှန် အဆင့်သတ်မှတ်ချက် နဲ့  နည်းစနစ် ..စတာတွေကို၊ ဖန်တီးခြင်း နဲ့ အကဲဖြတ် သုံးသပ်ခြင်းလုပ်တာ။

၅။ နှီးနွယ်ဆက်စပ်နေတဲ့ လူမှုရေးနဲ့ စီးပွားရေး ဆိုင်ရာတွေကို သုတေသန လုပ်တာ။ ဆိုလိုတာက လူမှုရေး နဲ့ စီးပွားရေးဟာ CS နဲ့ AI အပေါ် ၊ လူ့ ကျင့်၀တ်ပိုင်းဆိုင်ရာကိစ္စရပ်တွေအပေါ် နဲ့ လူသားဆိုင်ရာအမြင်ပြောင်းလဲမှုတွေ အပေါ် ဘယ်လို အကျိုးသက်ရောက်သလဲ ဆိုတာကို လေ့လာတာ ဖြစ်ပါတယ်။

REF: http://www.cs.bham.ac.uk/research/projects/cogaff/misc/cs-research.html#note3
Last updated: 17 Aug 2016 
by
Aaron Sloman
http://www.cs.bham.ac.uk/~axs/
School of Computer Science
The University of Birmingham, B15 2TT, UK

Thursday, January 11, 2018

Artificial Intelligence: A Modern Approach - Lesson VI

SEE: Exercises, Page-61

2.3 For each of the following assertions, say whether it is true or false and support your answer with examples or counterexamples where appropriate.
Q: အောက်ပါအခိုင်အမာအဆိုပြုချက်များ မှားသည် မှန်သည် ဆုံးဖြတ်ပါ။ သင်၏အဖြေအတွက် အထောက်အကူပြု ဥပမာများ ရှင်းလင်းချက်များ သင့်လျော်ရာပေးပါ။

A:
a. An agent that senses only partial information about the state cannot be perfectly rational.
ပတ်ဝန်းကျင်အခြေအနေနှင့်ပတ်သက်၍ သတင်းအချက်အလက် တဝက်တပျက်သာ အာရုံခံနိုင်သော agent တွင် ပြည့်စုံသောကြောင်းကျိုးမှန်ကန်မှုမရှိနိုင်ပါ။
                မှား။
                ပြည့်စုံတဲ့ ကြောင်းကျိုးမှန်ကန်မှုဆိုတာ အာရုံခံပစ္စည်းတွေက ပတ်ဝန်းကျင်ကနေ အချက်အလက်ရရှိတဲ့အပေါ် မှာ(အဲဒီ သတင်းအချက်အလက်က နည်းသည်ဖြစ်စေ၊ များစည်ဖြစ်စေ၊ ပြည့်စုံသည်ဖြစ်စေ၊ မပြည့်စုံသည်ဖြစ်စေ)ကောင်းမွန်တဲ့ ဆုံးဖြတ်ချက်ချနိုင်တဲ့ စွမ်းရည်ကို ရည်ညွှန်းတာဖြစ်တယ်။ ဒါကြောင့် သတင်းအချက်အလက် တစ်ဝက်တစ်ပျက်ပဲရလို့ rational မဖြစ်နိုင်ဘူးဆိုတာ မှားတယ်။ တစ်ဝက်တစ်ပျက်ပဲရလဲ (အားလုံးမဟုတ်ပေမယ့် တစ်ချို့ agent တွေဟာ) rational ဖြစ်နိုင်ရမယ်။

b. There exist task environments in which no pure reflex agent can behave rationally.
ဘယ်လို တုန့်ပြန်ဆောင်ရွက်သောအေးဂျင့်စစ်စစ်အတွက်မဆို ကြောင်းကျိုးနဲ့အညီ မှန်မှန်ကန်ကန် မပြုမူနိုင်တဲ့ လုပ်ဆောင်မှုပတ်ဝန်းကျင်မျိုးရှိတယ်။
                မှန်။
                တုန့်ပြန်ဆောင်ရွက်သောအေးဂျင့်စစ်စစ်က အရင်(အတိတ်)က အာရုံခံရရှိခဲ့တဲ့ အချက်အလက်တွေကို လျစ်လျူရှုလိုက်တယ်။ မသုံးတော့ဘူး။ ဒါကြောင့် တစ်ဝက်တစ်ပျက်ပဲ လေ့လာလို့ရတဲ့ပတ်ဝန်းကျင်မှာဆိုရင် အကောင်းဆုံးအခြေအနေကို မခန့်မှန်းနိုင်ဘူး။ ဥပမာ စစ်တုရင်ကစားတဲ့ကိစ္စကိုကြည့်ပါ။ တစ်ခြားပြိုင်ဖက်က ရွှေ့လိုက်တဲ့အကွက်ဟာ ၊ agent အတွက် လတ်တလော လက်ရှိ အခြေအနေကို အာရုံခံလို့ရလိုက်တဲ့သတင်းအချက်အလက်ဖြစ်တယ်။ တုန့်ပြန်ဆောင်ရွက်သောအေးဂျင့်ဆိုတာက အရင့်အရင် ကစားကွက်တွေ စစ်တုရင်ခုံရဲ့အခြေအနေတွေကို ပြန်ပြီး ထောက်လှမ်းသုံးသပ်နိုင်တဲ့အခြေအနေမရှိဘူး။ သူက အာရုံခံရရှိမှုအစီအစဉ်များ percept history ၊ percept sequence ကိုမှ မှတ်သားမထားတာကိုး။ ဒါကြောင့် သူ ရွှေ့ရမယ့်အလှည့်မှာ အရင်ကစားကွက်တွေဘယ်လိုရှိခဲ့ ရှိခဲ့၊ အဲဒါတွေကို ဘာမှ ထည့်မစဉ်းစားပဲ လွတ်တဲ့နေရာ ရွှေ့ထည့်လိုက်မယ့် သဘောမျိုးဖြစ်နေတဲ့အတွက်၊ တုန့်ပြန်ဆောင်ရွက်သောအေးဂျင့်စစ်စစ် pure reflex agent တစ်ခုဟာ၊ အဲဒီလို တစ်ဝက်တစ်ပျက်ပဲလေ့လာလို့ရတဲ့ပတ်ဝန်းကျင်မျိုးမှာ ဘယ်လိုမှ rational မဖြစ်နိုင်ဘူးဆိုတာ သိသာပါတယ်။

c. There exists a task environment in which every agent is rational.
အေးဂျင့်တိုင်းအတွက် ကြောင်းကျိုးနဲ့အညီ မှန်မှန်ကန်ကန်လုပ်ဆောင်နိုင်တဲ့ ပတ်ဝန်းကျင်မျိုးရှိတယ်။
                မှန်။
                ဥပမာ အခြေအနေတစ်မျိုးတည်းရှိတဲ့ ပတ်ဝန်းကျင်မျိုးမှာဆိုရင် ဘယ်လိုလုပ်ဆောင်ချက်(action)ကိုပဲ ရွေးချယ်ပြီးလုပ်လုပ်၊ လုပ်ဆောင်ချက်အားလုံးအတွက် ရမယ့်အကျိုးရလာဒ်က အတူတူပဲ။ ဒါကြောင့် ခြုံငုံပြီး ယေဘုယျဆန်ဆန်ပြောမယ်ဆိုရင် "လုပ်ဆောင်ချက်များအား မည်သို့ပင် တွဲဖက်လုပ်ဆောင်သည်ဖြစ်စေ၊ ရလာဒ်အပြောင်းအလဲမရှိသော မည်သည့်ပတ်ဝန်းကျင်အတွက်မဆို  ထိုအချက် (There exists a task environment in which every agent is rational )သည် မှန်ကန်သည်။" လို့ ဆိုနိုင်ပါတယ်။
               

d. The input to an agent program is the same as the input to the agent function.
agent program ကိုပေးတဲ့ input နဲ့ agent function ကိုပေးတဲ့ input ဟာ အတူတူပဲ။
                မှား။
                agent function က လက်ရှိအချိန်အထိရှိနေတဲ့ အာရုံခံရရှိတဲ့အစီအစဉ်တွေအားလုံးကို input အဖြစ်ယူတာ။ agent program ကတော့ အခုလက်ရှိ အာရုံခံလို့ရတဲ့အချက်ကိုပဲယူတာ။

e. Every agent function is implementable by some program/machine combination.
ဘယ်လို agent function မျိုးကိုမဆို program နဲ့ machine ပေါင်းစပ်ပြီး ဖန်တီးအကောင်အထည်ဖေါ်နိုင်တယ်။
                မှား။
                ဥပမာ တားရင်း(ကျူးရင်း)စက် Turing Machines နဲ့ input tapes တွေရှိနေတဲ့ ပတ်ဝန်းကျင်မှာ agent လုပ်ရမယ့်အလုပ်က "ပရိုဂရမ်တစ်ခု ပြီးဆုံးရပ်တန့်ခြင်းဆိုင်ရာပြဿနာ halting problem" ကို ဖြေရှင်းဖို့ဖြစ်တယ်ဆိုရင်၊ မှန်ကန်တဲ့အဖြေကို ရှာဖွေဖေါ်ထုတ်နိုင်တဲ့ agent function ကို သတ်မှတ်လို့ရပေမယ့်၊ လက်တွေ့အကောင်အထည်ဖေါ်မယ့် agent program ကိုတော့ ဘယ်လိုမှရေးလို့ရမှာမဟုတ်ဘူး။
                တခြားဥပမာတစ်ခုပေးရရင်  ကိန်းသေအချိန်အတွင်းမှာ လိုရာဖြစ်အရွယ်အစား(size သည် variable။ အဲဒီ size ဟာ ကြိုက်တဲ့ တန်ဘိုးဖြစ်နိုင်တယ်။) ပြောင်းလဲမှုကို အမြဲမပြတ် စောင့်ကြည့်ထောက်လှမ်းရမယ့်ပြဿနာမျိုးကို ဖြေရှင်းပေးမယ့် agent function မျိုးပေါ့။
(မှတ်ချက်။               ဤ အချက်များအား ကောင်းမွန်စွာ နားလည်သဘောပေါက်နိုင်ရန်အတွက် Computer Science နှင့် Algorithms ပညာရပ်တို့၏အခြေခံများလိုအပ်ပါသည်။)

f. Suppose an agent selects its action uniformly at random from the set of possible actions. There exists a deterministic task environment in which this agent is rational.
agent တစ်ခုသည် ၎င်းအတွက် လုပ်ဆောင်ရန် action ကို ဖြစ်နိုင်သမျှသော လုပ်ဆောင်မှုအစုအဝေးမှ ညီတူညီမျှဖြစ်နိုင်ခြေဖြင့် ကျပန်း ရွေးချယ်သည်ဆိုပါစို့။ (ထိုအခါ၊ ထို) agentအတွက် ကျိုးကြောင်းညီညွတ်မှန်ကန်စွာ ဆုံးဖြတ်နိုင်သည့် လုပ်ဆောင်မှုပတ်ဝန်းကျင် တစ်ခုရှိသည်။
                မှန်။
                အဆိုပြုချက် အမှတ်စီ၏ အထူးအခြေအနေတစ်ရပ်ဖြစ်ပါတယ်။ တကယ်လို့ ဘယ်လိုလုပ်ဆောင်မှုကို ရွေးချယ်ရွေးချယ် ကိစ္စမရှိဘူး (မထူးခြားဘူး၊ ရလာဒ်အတူတူပဲ) ဆိုတဲ့အခြေအနေမျိုးမှာ၊ ကျပန်းရွေးချယ်မှုဟာ ကြောင်းကျိုးအချက်အလက်ညီညွတ်မှန်ကန်တယ်။ rational ဖြစ်တယ်။

g. It is possible for a given agent to be perfectly rational in two distinct task environments.
ပေးထားသော agent တစ်ခုသည်၊ သိသာထင်ရှားစွာ ကွဲပြားခြားနားသောလုပ်ဆောင်မှုပတ်ဝန်းကျင်နှစ်ခုတွင် ပြည့်စုံစွာ မှန်မှန်ကန်ကန်ဆုံးဖြတ်လုပ်ကိုင်ရန် ဖြစ်နိုင်သည်။
                True. For example, we can arbitrarily modify the parts of the environment that are
unreachable by any optimal policy as long as they stay unreachable.
                မှန်။
                ဥပမာ... ဘယ်လို အကောင်းဆုံး မူဝါဒ ပေါ်လစီကိုသုံးသုံး မရောက်နိုင် လက်လှမ်းမမှီနိုင်တဲ့ ပတ်ဝန်းကျင်အစိတ်အပိုင်းတွေကို၊ အဲဒီပတ်ဝန်းကျင်အစိတ်အပိုင်းတွေဟာ လက်လှမ်းမမှီနိုင်သေးတဲ့အခြေအနေမျိုးမှာ ရှိနေသေး၍၊ ကျွန်တော်တို့ဟာ အဲဒီပတ်ဝန်းကျင်အစိတ်အပိုင်းတွေကို စိတ်ကြိုက် ပြင်ဆင်ပြောင်းလဲနိုင်တယ်။

h. Every agent is rational in an unobservable environment.
agent တိုင်းသည် လေ့လာစူးစမ်း၍မရသော ပတ်ဝန်းကျင်တစ်ခုတွင် ကြောင်းကျိုးနှင့်အညီ မှန်ကန်စွာဆုံးဖြတ်လုပ်ကိုင်နိုင်သည်။
                မှား။
                (unobservable environment မှာလုပ်ဆောင်ရတဲ့) တစ်ချို့လုပ်ဆောင်ချက်တွေဟာ မိုက်မဲတုံးအတဲ့လုပ်ဆောင်ချက်တွေပဲ။ တကယ်လို့ ပတ်ဝန်းကျင်ပုံစံတစ်ခုရှိမယ်ဆိုရင်၊ အဲဒီ ပတ်ဝန်းကျင်အခြေအနေကို ဘာမှ အာရုံခံ(percept)လို့မရဘူးဆိုရင်တောင်၊ အေးဂျင့်က ဒီအချက်ကို သိနိုင်တယ်။

i. A perfectly rational poker-playing agent never loses.
လုံးဝပြီးပြည့်စုံသော ပိုကာကစားသည့် agent/program တစ်ခုသည် မည်သည့်အခါမှ မရှုံးနိမ့်ပါ။
                False. Unless it draws the perfect hand, the agent can always lose if an opponent has
better cards. This can happen for game after game. The correct statement is that the
agent’s expected winnings are nonnegative.
                မှား။

                အပြီးပြည့်စုံဆုံး အကောင်းဆုံး  ဖဲချပ်တွေကို အေးဂျင့်က ဆွဲမထုတ်နိုင်ဘူးဆိုရင်၊ တဖက်ကစားသမား(ပြိုင်ဖက်)မှာ ပိုကောင်းတဲ့ဖဲရှိရင်၊ အေးဂျင့်အမြဲရှုံးနိုင်တာပေါ့။ ဒီလိုအခြေမျိုးဟာ တစ်ပွဲပြီး တစ်ပွဲဖြစ်နိုင်တာပဲ။ မှန်ကန်တဲ့ အဆိုပြုဖေါ်ပြချက်က "The agent’s expected winnings are nonnegative. အေးဂျင့်၏ မျှော်လင့်နိုင်သော အနိုင်ပွဲအရေအတွက်သည် အနှုတ်ကိန်းမဟုတ်ပါ။" လို့ဖြစ်မှာပေါ့။ (ပွဲစဉ်အားလုံးတော့ မရှုံးနိုင်ဟု ဆိုလို။)

...
ဆက်လက်တင်ပြပါမည်။

copyright(c)2018 by InfoTherapy

Monday, January 1, 2018

Artificial Intelligence: A Modern Approach - Lesson V

အခန်း-၂ ၏မေးခွန်းနှင့် အဖြေများ

2.1 Suppose that the performance measure is concerned with just the first T time steps of the environment and ignores everything thereafter. Show that a rational agent’s action may depend not just on the state of the environment but also on the time step it has reached.
A:           စွမ်းဆောင်ရည်တိုင်းတာမှုဟာ ပတ်ဝန်းကျင်ရဲ့ ပထဦးဆုံး အချိန်အဆင့် T ထိပဲ စဉ်းစားပြီး၊ နောက်ပိုင်းအခြေအနေတွေအားလုံးကို လျစ်လျူရှုမယ် ဆိုပါစို့။ အကောင်းဆုံးကိုရွေးချယ်ဆောင်ရွက်မယ့်အေးဂျင့် (rational agent) ရဲ့ လုပ်ဆောင်မှုဟာ၊ ပတ်ဝန်းကျင်အခြေအနေအပေါ်မှာသာမကပဲ သူရောက်နေတဲ့ အချိန်အပေါ်မှာပါ မူတည်ကြောင်းပြပါ။
               
A:            ဒီမေးခွန်းက "ပတ်ဝန်းကျင်၊ အကောင်းဆုံးရွေးချယ်လုပ်ဆောင်မှု၊ စွမ်းဆောင်ရည်တိုင်းတာမှု" ဆိုတာတွေနဲ့ ပတ်သက်တဲ့ သဘောပေါက်နားလည်မှုကို စစ်ဆေးတာပါ။ စဉ်ဆက်ပတ်ဝန်းကျင် (sequential environment) တစ်ခုမှာ အကောင်းဆုံးရလာဒ်ကို ရရှိဖို့ အချိန်တစ်ခု ယူရ၊ ပေးရ၊ စောင့်ရ ပါတယ်။ အောက်ပါဥပမာကို စဉ်းစားကြည့်ပါ။
·         ဘယ်လို state တစ်ခုမှာမဆို  action နှစ်ခုရှိတယ်။  a နဲ့ b။
·         အချိန် T သို့မဟုတ် T-1 မှာ အေးဂျင့်က state s မှာ ရှိနေတယ်ဆိုပါစို့။
·         state s မှာ a ကိုလုပ်ရင် state s' (s prime) ကိုရောက်မယ်။ အမှတ်ကတော့ သုည ပဲရမယ်။
·         state s မှာ b ကိုလုပ်ရင်တော့ state s ကိုပဲ ပြန်ရောက်လာမယ်။ တစ်မှတ် ရမယ်။
·         state s'(s prime) မှာ action a  ကိုပဲလုပ်လုပ်၊ action b ကိုပဲလုပ်လုပ် ဆယ်မှတ်ရမယ်။

အဲဒီလိုအနေအထားမျိုးမှာ၊
·         အချိန် T-1 မှာဆိုရင်တော့ state s မှာ action a ကိုလုပ်ခြင်းဟာ rational ဖြစ်တယ်။
(ဘာလို့လဲဆိုတော့၊ အေကိုလုပ်လို့ တစ်မှတ်မှ မရပေမယ့် state s-prime ကိုရောက်သွားမယ်။ နောက်တစ်ဆင့် တစ်ခုခုလုပ်လိုက်တာနဲ့  ဆယ်မှတ်ရပြီ။ နောက်တစ်ဆင့်လည်း လုပ်ပိုင်ခွင့်ရှိတယ်။ ဘာလို့တုန်းဆိုတော့ သူက အချိန် T-1 က စထားတာဆိုတော့ နောက်တစ်ဆင့် အချိန်  T  အထိ လုပ်ခွင့်ရှိတာကိုး။ ပုစ္ဆာရဲ့ ပေးထားချက် "first T time steps" ဆိုတာကို သတိထားပါ။)
·         အချိန် T မှာဆိုရင်တော့ state s မှာ action b ကိုလုပ်ခြင်းဟာ rational ဖြစ်တယ်။ အဲဒါမှ တစ်မှတ်ရမယ်။ နောက်ထပ်လုပ်စရာ သူ့မှာ အချိန်မရှိတော့ဘူး။ T ထိပဲလုပ်ရမှာ။ T+1 တို့၊  T+2 တို့မရှိဘူး။ ပုစ္ဆာရဲ့ ပေးထားချက် first T time steps ဆိုတာကို သတိထားပါ။)


                အထက်က ဥပမာမှမဟုတ်ပါဘူး။ ကျောင်းသူ/သားတွေအနေနဲ့ ဒီမေးခွန်းရဲ့အဖြေအတွက် တခြား ဖြစ်နိုင်လောက် လက်ခံနိုင်လောက်ပြီး အဓိပ္ပါယ်ရှိတဲ့ နေ့စဉ်ဘဝက တခြားဥပမာတွေလည်းပေးနိုင်ပါတယ်။ ရင်းနှီးမြှုပ်နှံမှုဆိုရင် သတ်မှတ်ထားတဲ့အချိန်ကာလရောက်မှ အကျိုးအမြတ်ရတာ... စာမေးပွဲဖြေတဲ့အခါ အမှတ်များတဲ့ပုစ္ဆာကို အချိန်နည်းနည်းလေးကျန်တော့မှ စဖြေမယ်ဆိုရင် ဘယ်လိုမှပြီးပြည့်စုံတဲ့အဖြေရမှာမဟုတ်ဘူး... စသည်ဖြင့်ပေါ့။ တကယ်တော့ ပတ်ဝန်းကျင်ရဲ့အခြေအနေမှာ နာရီတစ်လုံးပါနိုင်တယ်။ (အချိန်ပြဖြစ်စဉ်၊ time-line ကိုရည်ညွှန်း)။ အဲဒီလိုပါတယ်ဆိုလည်း အဖြေရဲ့ အဓိကသဘောတရားကတော့ ပြောင်းသွားမှာမဟုတ်ဘူး။ အဲဒီအခါမှာ လုပ်ဆောင်ချက်ဟာ အခြေအနေရဲ့ နာရီ(အချိန်)အပေါ်မှာရော၊ နာရီမဟုတ်တဲ့အပိုင်းပေါ်မှာရော မူတည်လာမှာဖြစ်တယ်။ ဒါပေမယ့် အေးဂျင့်ဟာ တူညီတဲ့အခြေအနေတစ်ခုကို ဘယ်တော့မှ နှစ်ခါပြန်မလာရဘူး(မဖြစ်ရဘူး)လို့ဆိုလိုတာ မဟုတ်ဘူး။ (မတူညီတဲ့အချိန်နှစ်ခုမှာ၊ တူညီတဲ့အခြေအနေရှိနိုင်တယ် ဖြစ်နိုင်တယ်။ ကန့်သတ်မထားဟု ဆိုလို။)

Sunday, September 24, 2017

အနာဂတ်ကွန်ပျူတာ

အနာဂတ်ကွန်ပျူတာ

မိတ်ဆက်
သက္ကရာဇ် ၂၀၄၀ အရောက်မှာ တစ်ကမ္ဘာလုံးမှာရှိနေတဲ့ ကွန်ပျူတာတွေအတွက် လုံလောက်တဲ့ စွမ်းအင်ပေးဖို့ မဖြစ်နိုင်တော့ဘူးလို့ တစ်ပိုင်းလျှပ်ကူးပစ္စည်းထုတ်လုပ်သူများအသင်း (Semiconductor Industry Association)ရဲ့ ၂၀၁၂ အစီခံစာက ဆိုထားပါတယ်။(http://www.pwc.com/gx/en/technology/publications/assets/pwc-faster-greener-smarter.pdf) ဒီဖြစ်ရပ်ကို တားဆီးကာကွယ်နိုင်ဖို့အတွက် ကွန်ပျူတာထုတ်လုပ်ရေးနယ်ပယ်ကြီးတွေဟာ စွမ်းအင်ကိုထိထိရောက်ရောက် အသုံးပြုနိုင်မယ့် ကွန်ပျူတာမျိုးတွေ တည်ထွင်ထုတ်လုပ်နိုင်ဖို့ လုံးပမ်းလာကြတယ်။ ဒါပေမယ့်လည်း ခက်တာက သမားရိုးကျကွန်ပျူတာတွေမှာက အလုပ်တစ်ခုလုပ်နိုင်ဖို့အတွက် လုံးဝအနည်းဆုံးစွမ်းအင်လိုအပ်ချက် ဆိုတာရှိတယ်။ ဒီအချက်ကို ၁၉၆၁ ခုနှစ်ကတည်းက ဂျာမန်-အမေရိကန် ရူပဗေဒပညာရှင်၊ နာဆာရဲ့ သိပ္ပံပညာရှင် ရော့ဖ် ဒဗလျူ လန်ဒါး Rolf William Landauer(February 4, 1927 – April 28, 1999)က အိုင်ဘီအမ် IBM သုတေသနစမ်းသပ်ခန်းမှာ သင်္ချာပုံသေနည်းတစ်ခုတည်ဆောက်ပြီး တွက်ချက်ပြခဲ့တယ်။

အခု ၂၀၁၇ ခုနှစ် မတ်လ အရောက်မှာတော့ သုတေသနပညာရှင်တွေက ကွန်ပျူတာချစ်ပ် (chip) တစ်ခုဟာ အဲဒီလိုအနည်းဆုံးစွမ်းအင်လိုအပ်ချက်ပမာဏနဲ့ တကယ်အလုပ်လုပ်နိုင်ကြောင်း လက်တွေ့သရုပ်ပြနိုင်ခဲ့ကြတယ်။ အဲဒီပမာဏဟာ လက်ရှိကွန်ပျူတာတွေသုံးစွဲနေတဲ့ စွမ်းအင်ရဲ့ အပုံတစ်သန်းပုံတစ်ပုံသာရှိတယ်။ ဒါဟာ စွမ်းအင်ကိုထိထိရောက်ရောက်အသုံးချနိုင်တဲ့ တွက်ချက်ခြင်း နယ်ပယ်အတွက် အကြီးအကျယ်အောင်မြင်မှုတစ်ခုပဲ ဖြစ်ပါတယ်။ ဒါပေမယ့်လည်း အဲဒီစွမ်းအင်နည်းပညာကို ကျွန်တော်တို့ရဲ့ လက်ပ်တော့ပ်ကွန်ပျူတာတွေမှာ အသုံးချနိုင်ဖို့ဆိုတာကတော့ နောက်ထပ်နှစ်ပေါင်းများစွာကြာဦးမှာဖြစ်ပြီး၊ အဲဒီလို လုပ်နိုင်ပြီဆိုတဲ့အချိန်ကို ရောက်ခဲ့ရင်တောင် လန်းဒါးရဲ့ကန့်သတ်ချက် (Landauer Limit) ထက်တော့ ကျော်လွန်နေဦးမှာသာဖြစ်ပါတယ်။ ဒီအချက်ကြောင့် ကမ္ဘာ့ထိပ်တန်းပညာရှင်တွေ အဖွဲ့အစည်းကြီးတွေက ကွန်ပျူတာတွေရဲ့ စွမ်းအင်သုံးစွဲမှုကို လျော့ချနိုင်ဖို့ လုံးဝ မတူကွဲပြားခြားနားတဲ့ တွက်ချက်မှု(computing) နယ်ပယ်အသစ်ကို ရှာဖွေလာကြပါတယ်။ အဲဒီနယ်ပယ်ကတော့ ကွမ်တမ်တွက်ချက်မှု နဲ့ ကွမ်တမ်ကွန်ပျူတာတွေပဲဖြစ်ပါတယ်။

ကွမ်တမ်ကွန်ပျူတာ
ကျွန်တော်တို့ရဲ့လက်ရှိသုံးစွဲနေတဲ့ ကွန်ပျူတာတွေဟာ သုည နဲ့ တစ် ပါဝင်တဲ့ ရှေးရိုးဂန္ထဝင် စီဘစ် “cbit” (classical bit) တွေအပေါ်မှာ အခြေပြုတည်ဆောက်ထားတာဖြစ်ဖြစ်တယ်။ ရိုးရိုးသာမန် ကွန်ပျူတာတွေမှာ သုံးတဲ့ အခြေခံအကျဆုံး unit က bit ။ ဒီ bit လို့ခေါ်တဲ့ သုညနဲ့တစ်သာပါဝင်တဲ့ ကိန်းနှစ်ခုစနစ် (Binary Digit System) အလုပ်လုပ်ဖို့အတွက် အကောင်အထည်ဖေါ်ပေးမယ့် စီပီယူ မှာပါဝင်တဲ့ transistor တစ်ခုချင်းစီဟာ တစ် သို့မဟုတ် သုညကို ကိုယ်စားနိုင်ပြုတဲ့ အခြေအနေဖြစ်အောင် တည်ဆောက်ထားတာဖြစ်ပါတယ်။ အထူးသတိထားဖို့ကတော့၊ တစ်ချိန်မှာ တိကျတဲ့အခြေအနေတစ်ခုပဲရှိမယ်။ တစ် ဖြစ်ချင်ဖြစ်မယ်။ သုည ဖြစ်ချင်ဖြစ်မယ်။ တစ်ရော သုညရော နှစ်ခုလုံး တစ်ပြိုင်တည်း မဖြစ်နိုင်ဘူး” ဆိုတာပါပဲ။

ကွမ်တမ်ကွန်ပျူတာမှာ သုံးမယ့် unit က တော့ quantum bits လို့ခေါ် တဲ့ “qubits” တွေဖြစ်တယ်။ ဒီလို ကွမ်တမ်အခြေအနေရှိနေတဲ့ bit တွေဟာ၊ သူတို့ရဲ့လက်ရှိအခြေအနေကို ယတိပြတ် yes or no, true or false, zero or one ဆုံးဖြတ်လို့မရဘူး။ ဒီ qubit တွေဟာ တစ် နဲ့ သုည၊ အဖွင့် နဲ့အပိတ် အခြေအနေ နှစ်ရပ်လုံးမှာလည်း တပြိုင်တည်း ရှိနေနိုင်တယ်။ ဒါကြောင့် qubit တစ်ခုဟာ၊ သီးခြား အခြေအနေ ဖြစ်တဲ့ တစ်ကိုသော်လည်းကောင်း၊ သုညကိုကိုသော်လည်းကောင်း ဖေါ်ပြနိုင်တဲ့အပြင်၊ တစ် နဲ့ သုည အခြေအနေ နှစ်ရပ်စလုံးကိုပါ တစ်ပြိုင်တည်း ကိုယ်စားပြုဖေါ်ပြနိုင်စွမ်းရှိတယ်။ အဲဒီလို အခြေအနေ နှစ်ရပ်လုံးကို တစ်ပြိုင်နက် ဖေါ်ပြနေတဲ့အခြေအနေကို မခွဲခြားနိုင်သောအခြေအနေ entangled state လို့ခေါ်တယ်။ အဲဒီအရည်အချင်းကို မဟာ အနေအထား“superposition” လို့လည်း ခေါ်ဆိုနိုင်တယ်။ နှစ်ခုလုံး၏ ညီညွတ်ပေါင်းစည်းမှု မဟာအနေအထား “coherent superposition of both” ဆိုပြီး ပညာရပ်ဆန်ဆန်မှတ်သားနိုင်ပါတယ်။

ဒီ ကွမ်တမ်ကွန်ပျူတာတွေရဲ့ အဓိက စွမ်းရည် ဟာ ဘာလဲဆိုတော့၊ သင်္ချာတွက်ချက်မှု Mathematical operation တခုကို အခြေအနေ(state) နှစ်ရပ် အပေါ်မှာ တပြိုင်တည်း တွက်ချက် ဆောင်ရွက်နိုင် ခြင်းပဲဖြစ်တယ်။ ဆိုလိုတာက ကျူဘစ်တစ်ခုဟာ တစ် နဲ့ သုည နှစ်ခုလုံးပါတဲ့ မဟာအနေအထားမှာရှိနေပြီး၊ သူ တွက်ချက်ခြင်းလုပ်မယ့် တခြား ကျူဘစ်တစ်ခုကလည်း သူ့လိုပဲ မဟာအနေအထားမှာရှိမယ်ဆိုရင်၊ တစ်ခါတည်းတွက်လိုက်ရုံနဲ့ အဖြေလေးခု တစ်ပြိုင်တည်းရလာမှာဖြစ်တယ်။ ကျူဘစ်နှစ်ခုလုံး တစ် ဖြစ်လို့ ရတဲ့အဖြေတစ်ခု၊ ပထမကျူဘစ် တစ်- ဒုတိယကျူဘစ် သုညဖြစ်တဲ့အချိန်ရတဲ့အဖြေတစ်ခု၊ ပထမကျူဘစ် သုည- ဒုတိယကျူဘစ် တစ် ဖြစ်တဲ့အချိန်ရတဲ့အဖြေတစ်ခု၊ နှစ်ခုလုံး သုညဖြစ်တဲ့အချိန်ရတဲ့အဖြေတစ်ခု၊ စုစုပေါင်းလေးခု ဖြစ်တယ်။ အဲဒါကြောင့် ကျူဘစ် စနစ်ကိုသုံးတဲ့ ကွမ်တမ်ကွန်ပျူတာတွေရဲ့တွက်ချက်နိုင်စွမ်းဟာ two power n ဖြစ်တယ်။ ဆိုလိုတာက
two-qubit system တခု ဟာ (2^2) တန်ဘိုး လေးခု ကို တပြိုင်တည်းတွက်နိုင်တယ်။
three-qubit system တခု ဟာ (2^3) တန်ဘိုး ရှစ်ခု ကို တပြိုင်တည်းတွက်နိုင်တယ်
four-qubit system ဆိုရင် (2^4) ၁၆ ခု…. စသည်ဖြင့် ဖြစ်ပါတယ်။
qubit ရဲ့ အရေအတွက်ကို တခုချင်း တိုးမြှင့်လိုက်တာနဲ့ သူရဲ့ တွက်ချက်နိုင်မှု စွမ်းရည်ဟာ“ထပ်ကိန်း”နဲ့အမျှ တိုးတက်လာတာကိုတွေ့ရမှာပါ။ သူ့ရဲ့တွက်ချက်နိုင်မှု စွမ်းရည်ရဲ့ အကျိုးဆက်နဲ့ပတ်သက်ပြီး မြင်သာတဲ့ ဥပမာတစ်ခု ပေးရရင်
ကျွန်တော်တို့ရဲ့ ခု လက်ရှိ classic computer နဲ့ ကိန်းလုံးရေ တစ်ထောင်(၁၀၀၀) ပါတဲ့ ကိန်းဂဏန်းတစ်ခုကို ဆခွဲကိန်းခွဲမယ်ဆိုရင် 10- million- billion-billion -years ကြာနိုင်မယ်။ ဒါပေမယ့် အဲဒီအလုပ်ကို quantum computer က မိနစ် နှစ်ဆယ်ပဲကြာမှာဖြစ်ပါတယ်။

ကွမ်တမ်ကွန်ပြူတာနှင့် လက်တွေ့ပြဿနာများ

ဒါပေမယ့် အထူးအရေးအကြီးဆုံး သတိပြုရမယ့် အချက်ကတော့ ဒီလို quantum computing power ရဖို့ ဆိုရင် qubit တွေရဲ့ တစ်ပြိုင်နက်တွက်ချက်နိုင်စွမ်း “power of quantum parallelism” ကို ထိထိရောက်ရောက် အသုံးချနိုင်မယ့် algorithm တွေ ရှိရမယ် ဆိုတဲ့ အချက်ပဲဖြစ်ပါတယ်။ တကယ်တော့ နယ်ပယ်အစုံအတွက်အသုံးချနိုင်မယ့် အဲဒီလို Algorithm မျိုးတွေ ဖေါ်ထုတ်ဖို့ဆိုတာ အခုလောလောဆယ်မှာတော့ ခက်ခဲနေပါသေးတယ်။ ဘာလို့လဲဆိုတော့ ကျွန်တော်တို့ ခုလက်ရှိ အသုံးပြုနေတဲ့ ကွန်ပြူတာတွေရဲ့ hardware, software နဲ့ အဲဒါတွေကို စီစဉ်ခိုင်းစေတဲ့ programming language မှန်သမျှဟာ တစ် နဲ့ သုည၊ အမှား သို့မဟုတ် အမှန်ဆိုတဲ့ ယုတ္တိဗေဒကို အခြေပြု တည်ဆောက် ထားတာ ဖြစ်နေလို့ပါပဲ။ ခုလိုမျိုး ကွမ်တမ်အခြေအနေတွေကို ပြေလည်နိုင်စေဖို့ ဆိုရင်၊ လုံးဝဥသုံ မတူညီ ကွဲပြားခြားနားတဲ့ သဘောတရားတွေကို hardware, software, programming langauange, computing algorithm စတဲ့ နယ်ပယ်စုံမှာ တစ်ပြိုင်နက် ပြောင်းလဲ အသုံးချမှသာ ဖြစ်နိုင်ပါမယ်။ လက်ရှိရှိနေပြီးသားအရာတွေနဲ့ လုံးဝဥဿုံကွဲပြားခြားနားတဲ့ပညာရပ်တွေကို ဘက်ပေါင်းစုံကနေ တစ်ပြိုင်နက် ပြောင်းလဲရမယ်ဆိုတဲ့ ကိစ္စဟာ quantum computing လောကအတွက် အကြီးမား ဆုံးစိန်ခေါ်မှုကြီးတစ်ခုဖြစ်နေပါတယ်။ သုတေသနပညာရှင်အများစုကလည်း ကွမ်တမ်ကွန်ပျူတာကို လက်ရှိသုံးစွဲနေတဲ့ ကွန်ပျူတာအရွယ်အစားမျိုး စီးပွားဖြစ် လက်တွေ့တည်ဆောက်ဖို့ဆိုတာတော့ အလွန်ကြီး မားခက်ခဲတဲ့ အင်ဂျင်နီယာပညာရပ်ဆိုင်ရာ အခက်အခဲတွေရှိနေတယ် လို့ဆိုပါတယ်။ ဒါ့အပြင် ဒီ ကွမ်တမ်ကွန်ပျူတာ ဟာ တစ်နေ့မှာ ရောင်းတန်းဝင်စျေးကွက်ထဲရောက်လာပြီး၊ လက်ရှိသုံးစွဲနေတဲ့ ကွန်ပျူတာတွေကို အစားထိုးနေရာယူသွားလိမ့်မယ်လို့ တစ်ချို့ပညာရှင်တွေက မယုံကြည်ကြဘူး။ ဘာလို့လဲဆိုတော့ ကွမ်တမ်ကွန်ပျူတာဆိုတာ အလွန်ရှုပ်ထွေးနက်နဲ တဲ့ပြဿနာ မျိုးတွေဖြစ်တဲ့၊ လျှို့ဝှက်ကုဒ်ဖြည်ဖို့၊ ကွမ်တမ်ရူပဗေဒဆိုင်ရာ ပြဿနာတွေ ဖြေရှင်းဖို့၊ ကမ္ဘာကြီးရဲ့ သဘာဝအဖြစ်အပျက်တွေကို ပုံတူဖန်တီးကြည့်ဖို့ ၊ စင်္ကြာဝဠာကြီးကိုလေ့လာဖို့၊ ကိန်းလုံးရေ တွေအလွန်များတဲ့ ကိန်းတွေကို ဆခွဲကိန်းခွဲကြည့်ဖို့ .. စတဲ့နေရာတွေမှာ အသုံးချရမှာဖြစ်လို့ပါပဲ။ ဒါတွေဟာ အထူးပြုထိပ်တန်းပညာရှင်တွေပဲ လုပ်တဲ့ လုပ်နိုင်တဲ့ အလုပ်မျိုးတွေဖြစ်ပြီး၊ သာမန် နေ့စဉ်သုံးစွဲသူ တစ်ရောက် အတွက်တော့ ကွမ်တမ်ကွန်ပျူတာ လိုအပ်မှာမဟုတ်ဘူး လို့ ယူဆကြလို့ပါ။
လတ်တလောနှင့်အနာဂတ်
ဂူးဂဲလ် နဲ့ နာဆာက သိပ္ပံပညာရှင် အဖွဲ့တစ်ဖွဲ့ရဲ့ စမ်းသပ်စစ်ဆေးချက်အရ၊ ကွမ်တမ်တွက်ချက်မှုကုမ္ပဏီကြီး D-Wave က တည်ထွင်ဖန်တီးထားတဲ့ ကျူဘစ်၂၀၀၀ အထိပါဝင်လို့ 2000Q လို့နာမည်ပေးထားတဲ့ ကွမ်တမ်ကွန်ပျူတာဟာ သမားရိုးကျကွန်ပျူတာထက် အဆပေါင်း သန်းတစ်ရာ ပိုမြန်တယ်ဆိုတာ လေ့လာတွေ့ရှိခဲ့ကြတယ်။ အိုင်ဘီအမ် ကုမ္ပဏီကြီးက သူ့ရဲ့ ကျူဌာနခွဲ Q Division ကနေ လာမယ့်နှစ်အနည်းငယ်အတွင်း၊ စီးပွားဖြစ်ရောင်းလို့ရမယ့် ကျူဘစ်ငါးဆယ် 50 qubits လောက်အထိပါမယ့် ကွမ်တမ်ကွန်ပျူတာတွေ တည်ဆောက်နေတယ်လို့ လတ်တလောကြေငြာထားတယ်။ (မှတ်ချက်။ ကျူဘစ်ငါးဆယ်၏ တစ်ပြိုင်နက်တွက်ချက်နိုင်စွမ်း = 2^50 = 1,125,899,906,842,624) ၂၀၁၇၊ မတ်လ ၃ ရက်နေ့ထုတ်၊ နေးချား အပြည်ပြည်ဆိုင်ရာ သိပ္ပံပညာအပတ်စဉ်ဂျာနယ်( Nature: International Weekly Journal of Science)မှာ ဂူးဂဲလ်က သုတေသနပညာရှင်တွေကလည်း နောက်ငါးနှစ်လောက်အတွင်းမှာ ကွမ်တမ်ကွန်ပျူတာအတွက် ရင်းနှီးထားရတာတွေက ပြန်ပြီး ဝင်ငွေစတင်ရရှိလာတော့မှာ ဖြစ်တယ်လို့ ဆိုပါတယ်။ (http://www.nature.com/news/commercialize-quantum-technologies-in-five-years-1.21583) ဒါပေမယ့် အခက်အခဲတွေကတော့ရှိနေဆဲပါ။ ကွမ်တမ်တွက်ချက်မှုဆိုတာက ကျူဘစ်တွေအချင်းချင်း အပြန်အလှန် ထိတွေ့အလုပ်ကြတဲ့အခါမှာ ဖြစ်ပေါ်တာ။ ဒါကြောင့် ကွန်ပျူတာတစ်လုံးအလုပ်လုပ်နိုင်ဖို့အတွက် ကျူဘစ်တွေအများကြီးလိုတယ်။ အဲဒီလို ကျူဘစ်တွေ အများကြီးသုံးလိုက်တဲ့အခါ ဖြစ်ပေါ်လာတဲ့ ကျူဘစ်တွေရဲ့အလွန်ရှုပ်ထွေးတဲ့စနစ်ကို ထိန်းချုပ်ကိုင်တွယ်နိုင်ဖို့ သိပ္ပံပညာရှင်တွေမှာ လွယ်ကူ ရိုးရှင်းတဲ့ နည်းလမ်းမရှိသေးပါဘူး။
အခုအခါမှာ မော်စကို ရူပဗေဒနှင့် နည်းပညာသိပ္ပံ (MIPT - Moscow Institute of Physics and Technology) နဲ့ ရပ်ရှားကွမ်တမ်စင်တာ (Russian Quantum Centre) က သိပ္ပံပညာရှင်တွေက တခြားနည်းလမ်းအသစ်တစ်ခုကို ရှာဖွေကြံဆ နေကြပါတယ်။ "ကွမ်တမ်တွက်ချက်မှုအတွက် ခွဲခြားနိုင်စွမ်းရှိသော အခြေအနေပေါင်းများစွာပါဝင်တဲ့ ကွမ်တမ်ဝတ္တုတွေ ကို အသုံးချနိုင်ဖို့ ကျွန်တော်တို့ကို ရုပ်သဘာဝက ခွင့်ပြုထားတယ်ဗျ" လို့ MIPT က ရူပဗေဒပညာရှင် အလက်စ်ဆေး ဖီဒိုရော့ဗ် Alexey Fedorov က ဆိုပါတယ်။ သူတို့အဖွဲ့ဟာ ကျူဒစ် qudits လို့ခေါ်တဲ့ အထွေထွေ အမျိုးမျိုးသော စွမ်းအင်အဆင့်(energy level) တွေများစွာပါဝင်တဲ့ ကျူဘစ် qubits တွေကို ဖန်တီးကြည့်ခဲ့ကြတယ်။ ကျူဒစ် မှာပါတဲ့ "ဒီ - d " က မတူညီတဲ့စွမ်းအင်အဆင့် (different energy level)အရေအတွက်ကို ကိုယ်စားပြုတယ်။ "ကျူဒစ် တစ်ခု (1 qudit) တစ်နည်းပြောရရင် ဒီ-အရေအတွက်ရှိတဲ့ စွမ်းအင်အဆင့်တွေပါဝင်တဲ့ ကွမ်တမ်ဝတ္ထုတစ်ခုမှာ၊ ကျူဘစ် ယောင် (virtual qubit) များစွာပါဝင်နိုင်တယ်။ ဒါကြောင့် ကျူဒစ်တွေအချင်းချင်း ဆက်သွယ်ဆောင်ရွက် အလုပ်လုပ်တယ်ဆိုတဲ့ ကိစ္စမှာ၊ ကျူဘစ်ယောင်တွေ အချင်းချင်း အပြန်အလှန်ဆက်သွယ်လုပ်ဆောင်တဲ့ကိစ္စတွေပါ ပါဝင်တယ်။ ထိတွေ့ဆုပ်ကိုင်၍မရသော ကွမ်တမ်သတင်းအချက် သီအိုရီ abstract quantum information theory ရှုထောင့်ကကြည့်မယ်ဆိုရင်၊ အားလုံးဟာ အတူတူအခြေအနေအတိုင်း ဆက်လက်တည်ရှိနေမယ်။ ဒါပေမယ့် တကယ့်ရုပ်ဝတ္ထုပိုင်းဆိုင်ရာ အကောင်အထည်ဖေါ်တဲ့ကိစ္စမှာတော့ မတူညီတဲ့အဆင့်တွေအများကြီးပါတဲ့စနစ်က အသုံးဝင်နိုင်လောက်တဲ့ စွမ်းအင်ရင်းမြစ်ကို ကိုယ်စားပြုတယ်..." လို့ သူကရှင်းပြပါတယ်။ နောက်ဆုံးမှာ သူမှတ်ချက်ပြုတာကတော့ "ဒီကွမ်တမ်တွက်ချက်မှုနယ်ပယ်ဟာ အလျင်အမြန်တိုးတက်လာပေမယ့်လို့ ဘယ်တော့လောက်မှာ ကျယ်ကျယ်ပြန့်ပြန့် အသုံးပြုလာကြမယ်ဆိုတာကိုတော့ ဘယ်သူကမှ ကံသေကံမ မပြောနိုင်ဘူးဗျ" လို့ သူကဆိုပါတယ်။ ဒါပေမယ့် ဘာပဲပြောပြော ဒီ-ဝေဗ့်၊ နာဆာ၊ ဂူးဂဲလ် နဲ့ အိုင်ဘီအမ် တို့ရဲ့ အခု ၂၀၁၇ ပထမနှစ်ဝက်ရဲ့ လတ်တလောတိုးတက်မှုတွေကို ကြည့်လိုက်မယ်ဆိုရင်၊ ကွမ်တမ်ကွန်ပျူတာဆိုတာ ကျွန်တော်တို့ရဲ့ လက်နှစ်ကမ်း အကွာလောက်ကို ရောက်နေပြီလို့ ရဲရဲကြီးမှတ်ချက်ပြုနိုင်ပါတယ်။
ရွှင်လန်းချမ်းမြေ့ပါစေ။
ကျော်ခိုင်စိုး(infoTherapy)